KI-Plattformen als Akzeleratoren der Finanztransformation

Lesezeit:

Generative KI verändert Finance. Das größte Potenzial liegt darin, dass KI-Agenten ganze Prozessketten unterstützen oder übernehmen und mit bestehenden Unternehmenssystemen interagieren. KI-Plattformen schaffen dafür die Grundlage. Transaktionsintensive Bereiche wie Purchase-to-Pay, Order-to-Cash oder Record-to-Report eignen sich als Einstieg. Entscheidend sind ein belastbarer Business Case und ausreichend reife Prozesse.

Executive Summary:
Wie KI-Plattformen Finance beschleunigen

KI-Agenten allein machen noch keine skalierbare Finanztransformation. Sind die notwendigen Voraussetzungen geschaffen, können KI-Plattformen dazu beitragen, Daten, Systeme und KI-Fähigkeiten zu verbinden und intelligente Prozesse über einzelne Anwendungen hinaus zu skalieren. Drei Hebel sind entscheidend:

  1. Systeme und Prozesse orchestrieren:
    Die Plattform verbindet unterschiedliche Anwendungen, führt relevante Informationen zusammen und ermöglicht es KI-Agenten, Prozessschritte systemübergreifend zu koordinieren – etwa im Purchase-to-Pay-Prozess.
  2. KI-Fähigkeiten wiederverwenden:
    Einmal integrierte Funktionen wie Dokumentenverarbeitung oder Datenanalyse lassen sich auch in weiteren Finanzprozessen nutzen. Das reduziert redundante Entwicklungsarbeit und erleichtert die Skalierung.
  3. Den Einsatz gezielt steuern:
    Die Plattform schafft eine gemeinsame Grundlage, um den Einsatz von Agenten, ihre Berechtigungen und ihre Kosten über verschiedene Anwendungen hinweg im Blick zu behalten.

Der entscheidende Vorteil: KI wird nicht nur punktuell eingesetzt, sondern lässt sich systematisch in die Finanzprozesse integrieren und auf weitere Anwendungsfälle ausweiten.

Genau hier kommen KI-Plattformen ins Spiel: Sie verbinden Informationen aus unterschiedlichen Quellen, bereiten Entscheidungen vor und orchestrieren Arbeitsschritte über Systemgrenzen hinweg. Das ERP bleibt dabei zentral: Es liefert wichtige Daten, Geschäftsregeln und Transaktionen für viele KI-Anwendungen. Für eine skalierbare End-to-End-Automatisierung müssen KI-Plattform und ERP deshalb zusammenspielen. Wer einzelne KI-Anwendungen einführt, ohne ihre Skalierung mitzudenken, riskiert, in der Pilotphase stecken zu bleiben.

Erfolgsfaktoren für die Umsetzung: Nicht die KI entscheidet über den Erfolg

Die rasanten Fortschritte generativer KI lenken den Blick zunächst auf die Leistungsfähigkeit der Technologie. Für die Transformation des Finanzbereichs greift diese Perspektive jedoch zu kurz. Ob aus einem vielversprechenden Piloten eine skalierbare und wirtschaftlich tragfähige Lösung wird, hängt weniger vom zugrunde liegenden Modell als von den organisatorischen Voraussetzungen des Unternehmens ab.

Für die Skalierung von Agentic AI sind vier Voraussetzungen entscheidend: eine tragfähige technologische Plattform, die erforderlichen Fähigkeiten und Verantwortlichkeiten, agentenfähige Prozesse sowie eine Governance, die den Rahmen für Autonomie definiert.

Technologie: Vom Use Case zur skalierbaren Plattform

Viele Unternehmen beginnen ihre KI-Initiativen mit einzelnen Anwendungsfällen. Dieser Einstieg ist nachvollziehbar, führt aber leicht zu einer fragmentierten Lösungslandschaft: Für jedes Problem entsteht ein eigener Prototyp mit separaten Schnittstellen, individuellen Entscheidungslogiken und eigenen Betriebsmodellen. Was kurzfristig Geschwindigkeit verspricht, erschwert mittelfristig die Skalierung.

Unternehmen sollten deshalb nicht nur in Use Cases, sondern frühzeitig in Plattformen denken. Eine KI-Plattform stellt wiederverwendbare Fähigkeiten bereit, etwa für die Einbindung von Daten, die Verarbeitung von Dokumenten, die Orchestrierung von Agenten sowie die Überwachung ihrer Entscheidungen und Aktivitäten. Vorgefertigte agentische Lösungen für komplexe und geschäftskritische Prozesse können die Implementierung zusätzlich beschleunigen und den Weg zu einem positiven Business Case verkürzen. Die IT stellt dabei insbesondere die technische Integration, Stabilität und Sicherheit sicher. Die Verantwortung für das operative Ergebnis muss hingegen im Fachbereich liegen.

Eine isolierte KI-Anwendung optimiert eine Aufgabe. Eine KI-Plattform schafft die Voraussetzungen, um ganze Prozessketten schrittweise neu zu gestalten.

Menschen: Verantwortung bleibt menschlich

Wenn KI-Agenten operative Tätigkeiten übernehmen, verändert sich die Aufgabenverteilung im Finanzbereich. An die Stelle manueller Verarbeitung treten zunehmend die Gestaltung agentischer Prozesse, die Bearbeitung komplexer Ausnahmen sowie die Überwachung und Verbesserung der Ergebnisse.

Dafür benötigen Unternehmen neue Fähigkeiten. Fachliche Anforderungen müssen in klare Arbeitsanweisungen übersetzt und Agenten mit dem erforderlichen fachlichen, prozessualen und technischen Kontext versorgt werden. Neben KI-Spezialisten sind deshalb auch Fachbereiche und Process Owner gefordert, das Zusammenspiel von menschlicher und agentischer Arbeit aktiv zu gestalten.

Die Ergebnisverantwortung bleibt dabei im Finance-Bereich. Die IT stellt die sichere und stabile technische Umgebung bereit; ob die Entscheidungen eines Agenten fachlich richtig sind und den angestrebten Geschäftsergebnissen entsprechen, muss der Fachbereich beurteilen.

Technische Autonomie ersetzt somit keine fachliche Verantwortung.

Prozesse: KI automatisiert keine Unklarheiten

Ein häufiges Missverständnis besteht in der Annahme, KI könne Schwächen bestehender Prozesse kompensieren. In der Praxis bewirkt sie häufig das Gegenteil: Je höher der angestrebte Automatisierungsgrad, desto sichtbarer werden unklare Abläufe, inkonsistente Daten und fehlende Verantwortlichkeiten.

Ein agentenfähiger Finanzprozess benötigt eindeutige Regeln, verlässliche Daten und klar definierte Ausnahmen. Unternehmen müssen deshalb in die Dokumentation und Harmonisierung ihrer Prozesse investieren. Zugleich müssen Prozesse für eine agentische Zukunft neu gedacht und in Arbeitsanweisungen übersetzt werden, die für Menschen und Agenten eindeutig interpretierbar sind.

Uneinheitliche Kontierungslogiken, unvollständige Stammdaten oder lokal abweichende Prozessvarianten erzeugen Unklarheiten. Agenten benötigen Kontext, können fehlenden Kontext aber nicht beliebig ersetzen. Unternehmen müssen daher überprüfen, welche Prozessschritte weiterhin erforderlich sind, welche Entscheidungen automatisiert getroffen werden können und an welchen Stellen ein menschlicher Eingriff bewusst Bestandteil des Zielprozesses bleibt.

Damit gewinnt die Rolle des Global Process Owners an Bedeutung. Process Owner dürfen nicht lediglich moderieren oder Prozessbeschreibungen verwalten. Sie benötigen die Autorität, Standards über Länder und Organisationseinheiten hinweg durchzusetzen, lokale Varianten zu hinterfragen und die Weiterentwicklung des End-to-End-Prozesses verbindlich zu steuern.

Governance: Autonomie braucht Leitplanken

Mit zunehmender Autonomie von KI-Agenten steigen die Anforderungen an Governance und Kontrolle. Klare Verantwortlichkeiten, risikoorientierte Kontrollmechanismen und nachvollziehbare Entscheidungswege sind daher wesentliche Voraussetzungen für einen produktiven und kontrollierten Einsatz. Die konkrete Ausgestaltung der Governance wird in einem separaten Abschnitt vertieft.

Impact messen: Effizienz, Qualität und Risiko gemeinsam betrachten

Eine hohe Automatisierungsquote allein ergibt noch keinen tragfähigen Business Case. Gerade bei Agentic AI muss deshalb der gesamte Business Impact bewertet werden. Dieser zeigt sich nicht in einer einzelnen Kennzahl, sondern im Zusammenspiel von Effizienz, Qualität und Risiko.

Vom Produktivitätsgewinn zum messbaren Business Impact

In vielen Business Cases steht zunächst die Produktivität im Vordergrund. Entscheidend ist jedoch nicht, wie viele Prozessschritte technisch automatisiert werden, sondern wie stark der manuelle Aufwand tatsächlich sinkt und frei werdende Kapazitäten wertschöpfend eingesetzt werden. Relevante Kennzahlen sind der Touchless- beziehungsweise Straight-Through-Processing-Anteil, die Bearbeitungszeit je Transaktion, die Anzahl manueller Eingriffe und Ausnahmen sowie die Kosten pro Geschäftsvorfall.

Dabei ist zwischen rechnerisch freigesetzter Kapazität und realisiertem wirtschaftlichem Nutzen zu unterscheiden. Business Impact entsteht erst, wenn die gewonnenen Kapazitäten tatsächlich für höherwertige Aufgaben, zusätzliches Geschäftsvolumen oder eine strukturelle Kostensenkung eingesetzt werden.

Bei generativer KI kommt eine weitere Kostendimension hinzu: die nutzungsabhängigen Modell- und Rechenkosten der Agenten. Komplexe Workflows erfordern umfangreiche Arbeitsanweisungen, Kontextinformationen und mitunter mehrere Modellaufrufe. Neben Implementierungs- und Betriebskosten werden daher auch diese Aufwände zu einer relevanten Steuerungsgröße. Ihr kontinuierliches Monitoring und ihre gezielte Optimierung gehören zu einem professionellen Betrieb.

Qualität: Fehler reduzieren und Ergebnisse verbessern

Der zweite Maßstab ist die Ergebnisqualität. KI kann ihren Wert insbesondere dort entfalten, wo aufgrund hoher Volumina bislang nur begrenzte manuelle Prüfungen möglich sind. Messbar wird dies etwa durch sinkende Fehler- und Nachbearbeitungsquoten, höhere First-Time-Right-Werte, weniger Ausnahmen und eine konsistentere Anwendung fachlicher Regeln.

Risiko: Kontrollwirkung und menschliche Eingriffe bewerten

Die dritte Dimension wird in Business Cases häufig unterschätzt: KI kann auch den Kontrollansatz im Finanzbereich verändern, indem Kontrollen konsistenter angewendet und größere Datenmengen systematisch geprüft werden. Die wirtschaftliche Bewertung sollte daher die Kontrollabdeckung, Anzahl und Art identifizierter Auffälligkeiten, Override-Raten sowie erforderliche Human-in-the-Loop-Eingriffe berücksichtigen.

Ein Agent ist nicht allein deshalb erfolgreich, weil er möglichst autonom arbeitet. In risikoreichen Prozessschritten können gezielte menschliche Kontrollpunkte Bestandteil eines guten Zielbilds sein. Entscheidend ist, dass der Kontrollaufwand in einem angemessenen Verhältnis zum Risiko und zum erzielten Nutzen steht.

Für das Management sollte daher nicht der Automatisierungsgrad im Mittelpunkt stehen. Entscheidend ist, welchen messbaren Beitrag die Automatisierung zu Effizienz, Qualität und Risiko leistet und ob freigesetzte Kapazitäten tatsächlich wertschöpfend eingesetzt werden.

Edge vs. Core: Das ERP bleibt, aber seine Rolle verändert sich

Mit zunehmender Verbreitung von KI-Agenten stellt sich eine strategische Architekturfrage: Wenn ERP-Anbieter selbst immer mehr KI-Funktionen und Agenten bereitstellen, braucht ein Unternehmen dann noch eine separate KI-Plattform?

Für ERP-nahe, stark standardisierte Prozesse spricht vieles für native Agenten. Sie können auf den Prozess- und Datenkontext des ERP zugreifen und an vorhandene Rollen-, Berechtigungs- und Kontrollmechanismen anknüpfen. Gleichzeitig reduziert die unmittelbare Systemnähe zusätzliche Integrationsanforderungen.

Die Grenze dieses Ansatzes zeigt sich jedoch bei End-to-End-Prozessen. Relevante Informationen befinden sich typischerweise nicht nur im ERP, sondern auch in Dokumentenmanagement-, CRM-, Daten-, Kollaborations- und branchenspezifischen Anwendungen. Hinzu kommen Multi-ERP- und Multi-Vendor-Landschaften sowie unstrukturierte Informationen. Hier entsteht der Mehrwert einer übergreifenden KI-Plattform: Sie kann Kontext aus unterschiedlichen Quellen zusammenführen und Agenten über Systemgrenzen hinweg orchestrieren.

Der ERP-Core bleibt damit eine wesentliche Quelle für Transaktionsdaten, Geschäftslogik und Prozessausführung. KI- und Agentenfähigkeiten ergänzen diesen Kern um systemübergreifende Interaktion, Entscheidungsunterstützung und Orchestrierung.

  • ERP-native Agenten übernehmen standardisierte, transaktionsnahe Aufgaben.
  • Enterprise-KI-Plattformen orchestrieren systemübergreifende Prozesse und erschließen Unternehmenswissen innerhalb und außerhalb des ERP.
  • Eine übergreifende Steuerung verbindet Identitäten, Berechtigungen, Monitoring und Kostenkontrolle.

Damit verändert sich die zentrale Architekturfrage. Unternehmen müssen nicht entscheiden, ob das ERP oder eine KI-Plattform „gewinnt“. Sie müssen festlegen, welche Plattform für welchen Prozess die Orchestrierungs-, Ausführungs- und Steuerungsverantwortung übernimmt.

Genau darin liegt die Beschleunigungswirkung von KI-Plattformen: Sie erweitern die bestehende Systemlandschaft schrittweise um eine intelligente Ausführungs- und Orchestrierungsebene, ohne dass Unternehmen dafür ihren technologischen Kern vollständig ersetzen müssen.

Den richtigen Automatisierungsansatz wählen

Klassische Automatisierung oder ERP-Funktionen sind bei stabilen, regelbasierten Abläufen oft wirtschaftlicher. Agentic AI punktet, wenn Informationen aus verschiedenen Quellen ver­knüpft, Dokumente interpretiert oder Ausnahmen kontextbezogen bearbeitet werden müssen.

Um Insellösungen und unnötige Kosten zu vermeiden, kann eine zentrale KI-Plattform unterschiedliche Ansätze integrieren, Datenquellen flexibel nutzbar machen und die Wiederverwendung von KI-Komponenten unterstützen.

Für CFOs zählt das Verhältnis von Nutzen, Kosten und Risiko: Wie stark sinken Prozesskosten und Bearbeitungszeiten, wie verbessern sich Qualität und Kontrollen? Je höher das Fehlerrisiko, desto wichtiger sind klare Autonomiegrenzen und menschliche Freigaben.
Ziel ist nicht maximale Autonomie, sondern der wirtschaftlich sinnvollste Automatisierungsansatz.

Fazit: Skalierung ist eine Managementaufgabe

Der nächste Entwicklungsschritt von Finance hängt nicht allein von der Leistungsfähigkeit der KI ab, sondern davon, ob Unternehmen ihren wirtschaftlichen Einsatz systematisch ermöglichen.

CFOs müssen Prozesse standardisieren, Verantwortlichkeiten klären und den Geschäftsnutzen messbar machen. Zugleich gilt es, KI-Agenten gezielt einzusetzen und in die bestehende Systemlandschaft zu integrieren.

KI-Plattformen erleichtern die Skalierung, indem sie KI-Fähigkeiten wiederverwendbar machen und systemübergreifende Prozessketten ermöglichen. Entscheidend ist, sie als integralen Bestandteil einer zukunftsfähigen Finanzarchitektur zu verstehen und nicht als zusätzliche Technologieebene.