Wir zeigen Ihnen, welche Möglichkeiten sich durch AI im Data Analytics ergeben oder wie Story Telling und moderne Visualisierung von Daten bei wichtigen Entscheidungen unterstützen können.  Lesen sie im Special außerdem, wie sie bei einer ERP-Transformation ein globales Reporting- und KPI-System einführen.

Der Beitrag Advanced Analytics erschien zuerst auf ManagerWissen.

Der Beitrag Christian Aicher erschien zuerst auf ManagerWissen.

Der Beitrag Juliane Musil erschien zuerst auf ManagerWissen.

Der Beitrag Tomas Chroust erschien zuerst auf ManagerWissen.

Der Beitrag Christoph Landgrebe erschien zuerst auf ManagerWissen.

Der Beitrag Finance of the Future erschien zuerst auf ManagerWissen.

Traditionelle Planungsmethoden basieren häufig auf Annahmen und manuellem Input – ein zeitintensiver und fehleranfälliger Prozess. Durch den Einsatz datengetriebener und selbstlernender Modelle können große Mengen an Cashflow-Daten analysiert, Muster erkannt und Prognosen in Echtzeit erstellt werden. Dies verbessert die Steuerung von Liquidität und Working Capital signifikant und leistet einen direkten Wertbeitrag für Free Cashflow und Zinsergebnis.

Praxisnahe Anwendungen von KI in der Cashflow-Planung

Doch wie genau kann KI die Planung und Liquiditätssteuerung in der Praxis transformieren?

› Verbesserung der Planungsgüte: KI-basierte Planungsmodelle nutzen Algorithmen wie maschinelles Lernen oder neuronale Netze, um große Mengen historischer Cashflow-Daten vollautomatisch auf saisonale Trends, Anomalien oder statistische Zusammenhänge mit externen Marktbedingungen zu analysieren. Dies ermöglicht es Unternehmen, zukünftige Cashflows mit höherer Genauigkeit vorherzusagen, die Abhängigkeit von manuellen Annahmen zu verringern und das Vertrauen in zukunftsgerichtete Entscheidungen zu verbessern.

› Automatisierte Erkennung von Liquiditätsrisiken: KI-Algorithmen können Cashflow-Muster und -Veränderungen kontinuierlich überwachen und potenzielle Liquiditätsengpässe frühzeitig identifizieren, bevor diese kritisch werden. Durch die Automatisierung dieses Erkennungsprozesses können Unternehmen proaktiv Steuerungsmaßnahmen im Working Capital Management oder in der Unternehmensfinanzierung ergreifen, um einen reibungslosen Geschäftsbetrieb und finanzielle Stabilität zu gewährleisten.

› Integration externer Faktoren: In fortschrittliche statistische Modelle können makroökonomische Frühindikatoren (z.B. Produktionsstatistiken) oder Vorhersagen (z.B. BIP-Wachstum) integriert werden. Ein praktischer Anwendungsfall ist die Integration eines nichtfinanziellen Indikators wie die Auslastung von Maschinen. Damit kann der Zeitpunkt von Ersatzinvestitionen und Auftragseingängen als Input für die Cashflow-Planung prognostiziert werden. Dieser ganzheitliche Ansatz ermöglicht eine umfassendere und realitätsnähere Prognose, welche die dynamische Natur des operativen Geschäfts berücksichtigt.
› Optimierung der Kapitalallokation: KI-Modelle können verschiedene finanzielle Szenarien analysieren, um kurzfristige Investitions- und Finanzierungsentscheidungen zu optimieren. Dies führt zu einer effizienteren Kapitalallokation, minimiert Zinskosten und steigert die Rendite ihrer Investitionen.

Anwendungsbeispiel:

Ein global agierendes Unternehmen setzt KI ein, um Zahlungseingänge auf Länderebene vorherzusagen. Durch die Integration regionaler Indikatoren – wie Einzelhandelsverkäufe, Verbrauchervertrauen und Indikatoren zur Zahlungsmoral – kann das Unternehmen Umsatzeingänge sowie Zahlungsverzögerungen frühzeitig erkennen. Durch diesen proaktiven Ansatz können Gegenmaßnahmen ergriffen werden, wie die Anpassung von Zahlungsbedingungen oder die Intensivierung der Kundenkommunikation.

Welche Technologie-Lösung eignet sich für die KI-gestützte Cashflow-Planung?

Der Markt bietet eine Vielzahl von Optionen: Von integrierten Treasury-Management-Systemen (TMS), Enterprise-Performance-Management-Plattformen (EPM), Enterprise-Resource-Planning-Systemen (ERP) bis hin zu dedizierten oder intern entwickelten Cashflow-Prognosetools. Die Auswahl der geeigneten Lösung hängt von den Zielen des Unternehmens, den verfügbaren Daten und der Komplexität der bestehenden Systemlandschaft ab. Die meisten Lösungen bieten End-to-End-Automatisierung und Integration mit anderen Finanzsystemen. Ein beschleunigter Auswahlprozess und klar definierte Kriterien ermöglichen es Unternehmen, zeitnah die „passende Lösung“ finden.

1. KI-Integration in bestehende Finanzsysteme:

› Nahtlose Datenintegration und Automatisierung: KI-basierte Planungsfunktionen, z.B. als zusätzlich lizenzierte Module eingebettet in TMS-, ERP- oder EPM-Systeme, können automatisch Daten aus verschiedenen Quellen abrufen, u.a. auch aus dem Hauptbuch (z.B. Forderungen/ Verbindlichkeiten aus Lieferungen und Leistungen), dem Unternehmensplanungssystem und von Marktdatenanbietern. Hierbei können bestehende Schnittstellen und Funktionen zur Datenintegration genutzt werden. Der integrative und standardisierte Ansatz stellt sicher, dass alle relevanten Informationen in die Cashflow-Prognose einfließen und zur Analyse zur Verfügung stehen.

› Integrierte Planung und Steuerung: Mit integrierten Systemen können Unternehmen ihre Planungs- und Steuerungsroutinen entlang der gesamten Prozesskette automatisieren. Durch die Bankenanbindung bieten TMS beispielsweise Transparenz über die tatsächlichen Cash-Positionen und Cashflows. Zugleich sorgt der Abgleich von Plan- und Ist-Positionen für eine kontinuierliche Verbesserung der KI-Planungsmodelle. KI-generierte Vorschläge für Liquiditätsüberträge auf Bankkonten oder die Inanspruchnahme von Kreditlinien können als Entscheidungsunterstützung herangezogen werden. Dies reduziert den Aufwand für operative Routineaufgaben erheblich.

2. Spezialisierte Planungs- und KI-Plattformen:

› Best-of-Breed: Spezialisierte Planungstools bieten oft umfangreiche Möglichkeiten zur Integration, Transformation und Analyse großer Datenmengen in unterschiedlichen Formaten und sind damit etwa für heterogene ERP-Landschaften gut geeignet. Fortschrittliche Datenmodelle und KI-Algorithmen ermöglichen im Anschluss die KI-basierte Cashflow-Planung mittels automatisierter Workflows. Allerdings bieten diese Systeme häufig nur einen fokussierten und weniger integrierten Funktionsumfang in angrenzenden Bereichen wie Cash Management, Zahlungsverkehr und Transaktionsmanagement.

› Skalierbarkeit: Diese modularen Plattformen können schnell implementiert und leicht skaliert werden, um wachsende Datenmengen und -komplexität zu bewältigen, was den Einstieg in die KI-basierte Planung auch für KMUs oder Start-ups attraktiv machen kann.

3. Individuelle KI-Modelle

› Maßgeschneiderte Lösungen: Unternehmen mit entsprechender Daten- und KI-Kompetenz können individuelle Modelle entwickeln, die speziell auf ihre spezifischen Cashflow-Profile und betrieblichen Anforderungen zugeschnitten sind, um auch komplexe Planungsannahmen zu modellieren. Dies kann beispielsweise im Projektgeschäft mit langfristigen Meilensteinverträgen relevant sein.

› Das Beste beider Welten: Effizienzvorteile bieten Cloud-basierte Datenanalyse-Plattformen, die eine standardisierte Datenarchitektur ermöglichen, in der unternehmensindividuelle KI-Modelle aufgebaut werden können. Neben einer nahtlosen Datenintegration können so auch wichtige Sicherheits- und Datenschutzanforderungen erfüllt werden.

3. Wie bringt man die KI-gestützte Cashflow-Planung in die Praxis?

Unabhängig von der technischen Lösung umfasst die Implementierung eines KI-Modells in die Cashflow-Planung typischerweise die im Folgenden dargestellten Schritte:

1. Zieldefinition:

Zunächst sind Zielsetzung und Umfang der KI-gestützten Planung zu definieren, ob beispielsweise die kurzfristige Liquiditätssteuerung oder die mittel- bis langfristige Finanzplanung im Fokus stehen – entsprechend unterscheiden sich die notwendigen Inputdaten und geeigneten KI-Algorithmen. Unserer Erfahrung nach empfiehlt es sich, klein anzufangen – beispielsweise mit Fokus auf eine bestimmte Geschäftseinheit oder Cashflow-Kategorie (z.B. Umsätze) – und dann zu skalieren.

2. Datenintegration & Modellierung:

Als nächstes müssen historische Finanzdaten identifiziert und aufbereitet werden, wie z.B. Rechnungs- und Cashflow-Daten aus beglichenen Forderungen und Verbindlichkeiten. Die Datenhistorie sollte dabei einen angemessenen Zeitraum abdecken, typischerweise mindestens zwei bis drei Geschäftszyklen, sowie genügend Datenpunkte enthalten, um robuste Schlussfolgerungen über Zahlungsmuster, Trends und Saisonalitäten ziehen zu können. Eine typische Herausforderung sind fehlende Datenpunkte, Inkonsistenzen im Buchungsmaterial und Ausreißer, wofür eine Bereinigung notwendig sein kann. Dies kann im laufenden Betrieb automatisiert ablaufen.

3. Planung & Optimierung:

Fortschrittliche Plattformen wählen automatisch das am besten passende statistische Modell für die jeweilige Datenstruktur aus: wie z.B. Random Forest, Entscheidungsbäume oder künstliche neuronale Netze. Diese Modelle werden mit historischen Daten trainiert und getestet, um die Vorhersagegenauigkeit zu validieren und zu verbessern. Danach ist es sinnvoll, die neuen Modelle parallel zum bisherigen Planungsansatz zu nutzen und ihre Ergebnisse über einen längeren Zeitraum zu vergleichen. So kann man Vertrauen in die Algorithmen aufbauen und den „Black-Box“-Effekt von Künstlicher Intelligenz verringern.

Ausblick: Wohin entwickelt sich die KI-gestützte Cashflow-Planung?

KI-Technologie entwickelt sich rasant weiter und verändert die Landschaft des Finanzmanagements grundlegend. Aus unserer Sicht werden die folgenden Trends die Zukunft der KI-gestützten Cashflow-Planung prägen:

 › Echtzeit-Optimierung: Fortgeschrittene KI-Modelle werden es ermöglichen, die Auswirkungen von Marktveränderungen auf die Liquidität nahezu in Echtzeit zu simulieren und die Planung kontinuierlich und dynamisch anzupassen. Der traditionelle Ansatz einer monatlich rollierenden Liquiditätsplanung gehört damit der Vergangenheit an. Diese Fähigkeit wird eine proaktive Liquiditätssteuerung erleichtern und es Unternehmen ermöglichen, schneller auf finanzielle Herausforderungen zu reagieren. Beispielsweise könnte ein Einzelhandelsunternehmen durch eine Trendprognose der Verkaufsdaten die Liquiditätsentwicklung in Echtzeit vorhersagen, was eine exakte und automatisierte Liquiditätssteuerung über zahlreiche Tochtergesellschaften hinweg ermöglicht.

 › Vernetzung durch KI-Agenten: KI-Agenten werden als intelligente Schnittstellen zwischen verschiedenen Finanzsystemen agieren und die Liquiditätssteuerung nahezu vollständig automatisieren können. Diese „KI-Cash-Agenten“ analysieren Zahlungsströme mittels der KI-gestützten Planung und leiten daraus eigenständig Entscheidungsvorschläge ab. Innerhalb definierter Parameter treffen sie autonome Liquiditätsentscheidungen wie die Disposition liquider Mittel zwischen verschiedenen Bankkonten, um die jederzeitige Zahlungsfähigkeit zu gewährleisten. Dabei lernen sie aus Fehlern, optimieren ihre Algorithmen eigenständig und werden mit der Zeit immer effizienter. Die Anwendungsfelder von KI-Agenten im Ökosystem „Cashflow“ sind weitreichend, eine Interaktion mit menschlichen Anwendern erscheint uns aufgrund der Kritikalität der liquiden Mittel zunächst jedoch unabdingbar.

Schematischer Ablauf der KI-gestützten Cashflow-Planung, Quelle: EY/ eigene Darstellung

Fazit: KI als strategischer Hebel für finanzielle Stabilität – mit durchdachter Umsetzung

KI-gestützte Cashflow-Planung kann CFOs und Treasurern einen signifikanten Wettbewerbsvorteil verschaffen. Sie steigert die Planungsgüte, verbessert die Liquiditätssteuerung und schafft damit Sicherheit in unsicheren Zeiten.

Der Erfolg hängt jedoch maßgeblich von der Datenqualität, der Systemintegration und der kontinuierlichen Optimierung der Modelle ab. KI ist keine „Plug-and-Play“-Lösung, sondern ein strategisches Transformationsprojekt, das iterativ weiterentwickelt werden muss. Unternehmen, die diesen Prozess strukturiert angehen, können ihre Finanzlage langfristig optimieren und ihre finanzielle Stabilität sichern.

Der Beitrag KI-gestützte Cashflow-Planung als strategischer Hebel für finanzielle Stabilität erschien zuerst auf ManagerWissen.

Bedeutung von Technologie im Finanz- und Rechnungswesen

Durch Entwicklungen im Bereich der Informationstechnologie (IT) haben sich Abläufe im Finanz- und Rechnungswesen in den letzten Jahren erheblich verändert. Die nahtlose Integration von IT im Rechnungswesen verbessert dabei nicht nur die Zuverlässigkeit von Finanzinformationen, sondern unterstützt auch die Einhaltung sich ständig ändernder Compliance-Vorschriften. Cloud-basierte Rechnungswesenplattformen ermöglichen zudem Echtzeit-Datenzugriffe und fördern die standortunabhängige Zusammenarbeit
von Teams.

Ein zentraler Treiber der Technologisierung des Rechnungswesens ist die steigende Datenflut und -komplexität. In den Daten liegen enorme Potenziale zur besseren und effizienteren Steuerung. Ohne Big Data-Analysen (z.B. Process Mining) sind Organisationen allerdings nicht in der Lage, die enormen Mengen an Finanz- und prozessbezogenen transaktionalen Daten zu analysieren und daraus strategische Erkenntnisse abzuleiten. In diesem Zusammenhang gewinnt die „Business Intelligence“ (BI) immer mehr an Bedeutung. BI transformiert Rohdaten in visuelle Berichte und Dashboards, die komplexe Finanzinformationen für Stakeholder verständlich aufbereiten.

Die Vorteile datenbezogener Analysen sind vielfältig: Über die Schaffung einer größtmöglichen Datentransparenz werden z. B. Ineffizienzen
und Kostensenkungspotenziale in Unternehmensprozessen leichter entdeckt, Risiken identifiziert und Planungsprozesse vereinfacht. Hier sind Predictive Analytics zu nennen, die historische Daten und statistische Algorithmen nutzen, um zukünftige Trends, wie z. B. Cashflows vorherzusagen.

Trotz dieser Potenziale stoßen Unternehmen oft auf Herausforderungen bei der Datenaufbereitung, -systematisierung und -vereinheitlichung. Gründe hierfür sind heterogene Systemlandschaften, mangelnde Daten-Governance und unzureichende Data-Science-Kompetenzen bei Mitarbeitern. Die wachsende Menge unstrukturierter Daten verschärft diese Problematik zusätzlich.

Machine Learning und KI-Anwendungen im Finanz- und Rechnungswesen

Ein wesentlicher Aspekt in der Technologisierung des Rechnungswesens ist die Automatisierung, bei der Aufgaben von Menschen auf maschinelle Applikationen verlagert werden. KI erweist sich dabei als transformative Kraft: Sie gestaltet traditionelle Abläufe neu – von der Dateneingabe und -abstimmung bis hin zu Finanzberichterstattung und prädiktiver Analyse.

Eine Studie des Ifo Instituts aus dem Jahr 2024¹⁾ zeigt, dass Unternehmen – verstärkt seit dem Aufkommen von generativer KI (GenAI) – den Einsatz von KI vorantreiben, um Effizienz, Genauigkeit und Entscheidungsfindung in ihren Prozessen zu optimieren. Durch die Nutzung von KI-gesteuerten Algorithmen und maschinellem Lernen sind Organisationen in der Lage, immer größere Datenmengen mit beispiellosen Geschwindigkeiten zu verarbeiten und dabei Fehler zu minimieren bzw. die Qualität der Finanzinformationen zu erhöhen.

Ein besseres Verständnis von KI erlangt man, wenn man sich die verschiedenen Arten und Evolutionsstufen von KI vor Augen hält (siehe Abbildung 1).

Abbildung 1: Evolution der Künstlichen Intelligenz, Quelle: EY

Das Aufkommen von GenAI und LLMs hat zu einer deutlichen Beschleunigung der Anwenderaktivitäten im Bereich KI geführt. GenAI – wie in der Abbildung 1 dargestellt – ermöglicht die Erstellung verschiedenster Inhalte wie Bilder, Videos, Audio, Text, Code, 3D-Modelle und Simulationen. Diese Fähigkeiten können vielfältig für Anwendungen im Finanz- und Rechnungswesen genutzt werden, wie zur Generierung von Inhalten für den Jahres- und Konzernabschluss (z. B. Lagebericht, Anhangsangaben) oder bei der Analyse und Verarbeitung von Textdokumenten unterschiedlichster Art (z. B. Vertragsanalysen im Bereich Umsatzrealisierung oder Leasingbilanzierung).

Große Sprachmodelle ermöglichen die Erkennung und Generierung von Sprache und Texten und erlauben somit eine natürliche Kommunikation zwischen Menschen und Maschine. Durch die Kopplung von GenAI und LLMs mit KI-Agenten, intelligenten Anwendungen, die bestimmte Aufgaben autonom ausführen können, können ganze Prozesse im Finanz- und Rechnungswesen autonom („Autonomous Finance“) ablaufen. Die Geschwindigkeit mit der LLMs weiterentwickelt werden – siehe auch der Marktauftritt der chinesischen Plattform Deepseek – führt zu einer kontinuierlichen Verbesserung der Performance der Modelle einschließlich Reduzierung von „Halluzinationen“, wie auch die Einführung sogenannter „Reasoning models“ zeigt.

Derzeitige Beobachtungen hinsichtlich der Anwendung von KI im Finanz- und Rechnungswesen

Unternehmen stehen oft vor dem Dilemma, kurzfristige Vorteile von KI zu überschätzen und langfristige zu unterschätzen. Zudem zeigt sich
in unseren Diskussionen mit Mandanten derzeit, dass unterschiedliche Stakeholder im Unternehmen oft divergierende Interessen verfolgen.

Regelmäßige Fragen und Vorbehalte sind:
› Sorge vor Arbeitsplatzverlust bzw. Rolle des „Human-in-the-loop“
› Zweifel an der Fähigkeit von KI, komplexe Prozesse einschließlich der Schnittstellenproblematik zu anderen Systemen zu meistern
› Schwierigkeiten bei der Integration von KI in bestehende IT-Landschaften (Die Integration einer KI-Anwendung in den bestehenden Technologie-Stack ist nicht einfach „plug-and-play“)
› Unsicherheit hinsichtlich der Einhaltung gesetzlicher Vorgaben zu Datenschutz und Datensicherheit
› Mangel an qualifizierten Fachkräften mit KI- und Data-Science-Kompetenzen
› Notwendigkeit neuer Art der Kommunikationsformen mit KI-Anwendungen erfordert ein erhöhtes Maß an sogenannten „Prompting-Skills“

Diese Fragen und Vorbehalte gegenüber KI sind häufig auf ein mangelndes Verständnis dessen zurückzuführen, was KI leisten kann und was nicht. Hier sind die Unternehmen gefordert, ein konsequentes Erwartungsmanagement in ihren Organisationen zu betreiben und Mitarbeiter auf allen Ebenen und in allen Fachbereichen weiterzubilden.

Trotz der Vorbehalte ist, wie oben beschrieben, in den letzten 12 Monaten eine Zunahme der KI-Aktivitäten zu beobachten. Die Gründe dafür sind: höhere Rechenleistung, die größeren Datensätze zum Trainieren von KI und die erweiterten Fähigkeiten im Personalbereich (wie z. B. Data Science). Ein wichtiger Punkt ist auch die durch GenAI verbesserte und erleichterte Kommunikation zwischen Mensch und Maschine. Das Trainieren von KI erfordert häufig keine Programmierkenntnisse mehr, da die Kommunikation mit generativer KI über natürliche Sprache erfolgt. „Prompting“ und „Prompt Management“ sind dabei als neue Disziplinen wichtige Bausteine für die Akzeptanz von KI im Rechnungswesen.

Aktuelle KI-Anwendungsbeispiele im Finanz- und Rechnungswesen

Der Einsatz von KI im Finanz- und Rechnungswesen hängt von den Zielen und Strategien der einzelnen Organisationen ab. Während einige Unternehmen Effizienzsteigerung und damit einhergehend eine Kostensenkung anstreben, fokussieren andere auf die Verbesserung der Qualität des Rechnungswesens.

Unsere EY CFO-Studie aus dem Jahr 2023 zeigt, dass CFOs sowohl die Unternehmensperformance managen, als auch Innovationspotenziale freisetzen und langfristige Werte schaffen müssen. Dies erfordert schnellere, genauere und zeitnahe Informationen über die Unternehmensleistung sowie die Bewältigung großer Datenmengen, die oft über verschiedene Systeme verstreut sind.

Der Aufbau einheitlicher, unternehmensweiter Datenstrukturen über bestehenden Transaktionsdaten ist entscheidend für ein effizientes Performance Management. Erst durch die Zusammenführung von Daten aus verschiedenen Systemen in einen konsistenten Datensatz wird eine effektive Steuerung und Planung möglich. Dies steigert die Datenqualität, vereinfacht Daten- und Prozessanalysen und schafft die Grundlage für den zunehmenden Einsatz von KI-Anwendungen.

Bereiche, in denen KI bereits heute belastbare Ergebnisse erzielt, sind:

› Automatisierung transaktionaler Prozesse: Die Kombination von Agentic AI und GenAI ermöglicht die effiziente Verknüpfung transaktionaler Aktivitäten über gesamte Prozessketten hinweg. Ein weiterer Vorteil ist die Verbindung und der Abgleich von strukturierten Daten (wie Stammdaten) mit unstrukturierten Daten (wie Rechungen, Verträge), was als „structured to unstructured“ bezeichnet wird.

› Forecasting: Die Nutzung seit Jahrzehnten existierender Machine-Learning Modelle, wird durch stetig wachsende Verarbeitungskapazitäten und Rechenleistung in Verbindung mit GenAI immer effizienter.

› Vertrags- und Dokumentenanalyse: Das Auslesen wichtiger Datenpunkten aus Verträgen oder sonstigen Dokumenten führt zu erheblichen Effizienzsteigerungen in den täglichen Arbeitsabläufen. Ein Beispiel hierfür ist das Auslesen und Bereitstellen von Daten für die Leasingbilanzierung nach IFRS 16 zu nennen. Auch hier ermöglicht GenAI die Verknüpfung strukturierter und unstrukturierter Daten.

KI in der Finanzberichterstattung: Menschliche Kontrolle bleibt unverzichtbar

Ein weiterer Bereich – die Erstellung von Finanzberichten mit Hilfe von KI – wird derzeit noch zurückhaltend eingesetzt. Hauptgründe dafür sind aktuell noch Schwächen der Technologie und das Risiko von Fehlinformationen, den sogenannten „Halluzinationen“, bei denen KI-Inhalte generiert werden, die faktisch nicht korrekt sind. Diese potenziellen Ungenauigkeiten erfordern eine kontinuierliche menschliche Kontrolle. Der „Human in the Loop“ bleibt daher unverzichtbar, um die generierten Informationen sorgfältig zu prüfen, Fehler frühzeitig zu erkennen und sicherzustellen, dass die Berichte den hohen Anforderungen an Genauigkeit, Compliance und Verlässlichkeit im Finanzwesen entsprechen.

Ausblick und Fazit

KI-Anwendungen im Finanz- und Rechnungswesen sind auf dem Vormarsch, wenngleich Erwartungsmanagement eine wichtige Rolle spielen wird. Ihre Fähigkeiten im Bereich GenAI/LLMs und Agentic AI-Anwendungen zeigen sich aktuell insbesondere im Bereich der Automatisierung transaktionaler Tätigkeiten im Bereich Forecasting und Dokumentenanalyse.

In den nächsten Jahren sind erhebliche Fortschritte in den Bereichen Compliance, externes Reporting, Vertragsanalysen und komplexe Buchungssachverhalte zu erwarten. Dafür müssen jedoch drei Voraussetzungen erfüllt werden:

1. Die Datenqualität und Datenhaltung im Unternehmen müssen verbessert werden
2. Mitarbeiter im Finanz- und Rechnungswesen müssen „mitgenommen“ und weitergebildet werden
3. Die KI-Governance sowie adäquate Risikomanagement-Maßnahmen müssen ausgebaut werden, um die Compliance sicherzustellen

Unternehmen sollten jetzt aktiv in einheitliche Datenstrukturen, den Ausbau ihrer Data-Science-Kompetenzen und eine robuste KI-Governance investieren. Entscheider müssen nicht nur kurzfristige Erfolge anstreben, sondern auch langfristig in moderne Technologien und die Weiterbildung ihrer Mitarbeiter investieren, um im dynamischen Markt wettbewerbsfähig zu bleiben.

Quellenangabe:

¹⁾Ifo Konjunkturumfrage vom 18. Juli 2024, Mehr Unternehmen nutzen Künstliche Intelligenz

Der Beitrag Finance of the Future – so nutzen CFO Künstliche Intelligenz erschien zuerst auf ManagerWissen.

HighRadius ersetzt nicht Ihre bestehenden Systeme oder Ihr ERP-System, sondern ergänzt diese gezielt dort, wo Optimierungsbedarf besteht. Viele Unternehmen kämpfen mit veralteten Abläufen, einem hohen manuellen Bearbeitungsaufwand und ineffizienten Prozessen – Herausforderungen, die zu Fehlern, Zeitverlusten und mangelnder Transparenz führen. Unser Ansatz geht weit über die reine Automatisierung von Routineaufgaben hinaus. Durch den Einsatz von KI-basierten Plattformen im CFO-Office wird ein echter, messbarer Mehrwert geschaffen. Ihre bestehenden Systeme werden intelligent erweitert und optimiert, so dass sich Ihr Finanzteam auf strategisch wichtige Aufgaben konzentrieren kann.

Vom Fokus auf operative Effizienz hin zu einem echten Wertbeitrag

Unsere „halb-autonome“ Finanzlösung definiert die digitale Transformation im Bereich Debitorenbuchhaltung und im gesamten Order-to-Cash-Prozess neu. Sie vereint die Vorteile modernster Automatisierungstechnologien mit der nötigen menschlichen Expertise, indem die Mitarbeiter aktiv in die Prozessüberwachung und Entscheidungsfindung eingebunden werden. Mit Hilfe modernster Technologien – generative KI (GenAI), agentenbasierte KI (Agentic AI), Machine Learning (ML)und der Analyse umfangreicher historischer Zahlungsdaten im Wert von 18 Trillionen Euro – werden Routineaufgaben automatisiert, Risiken vorhergesagt und Finanzteams in die Lage versetzt, schnellere und faktenbasierte Entscheidungen zu treffen.

Wie wir den Order to Cash Prozess auf das nächste Level heben:

› Proaktives Management von Außenständen: Verabschieden Sie sich von „Smile-and-Dial“-Strategien. Unsere KI-gestützten Prognosen können potenziell überfällige Rechnungen bis zu 30 Tage im Voraus identifizieren. So können drohende Zahlungsausfälle frühzeitig erkannt werden, was dazu beiträgt, die Dauer von Außenständen (Days Sales Outstanding, DSO) um 5-10 Tage zu reduzieren. Collection Management Teams werden mit einer breiten Palette an intelligenten Arbeitsmitteln (wie automatisierte Mahnungen, anpassbare Zahlungspläne, Risikobewertungstools, Datenanalyse-Dashboards) unterstützt, die durch KI-basierte Automatisierungslösungen ergänzt werden.
› Intelligente Zahlungseingangsverarbeitung: Automatisieren Sie den Abgleich von Zahlungen mit Rechnungen mit 100-prozentiger Genauigkeit, eliminieren Sie manuellen Aufwand und erreichen Sie eine tagesaktuelle Verbuchung aller Zahlungseingänge.
› Automatisierung von Zahlungsdifferenzen und Disputes: Identifizieren und flaggen Sie unberechtigte Zahlungsabzüge, um Umsatzverluste zu minimieren und reduzieren Sie die Durchlaufzeiten um bis zu 50 Prozent.

Erfolg messbar machen

Wir bieten Dashboards und Reporting-Tools zur Überwachung ihrer KPIs in Echtzeit. Damit können Sie nicht nur die Leistung der Suite evaluieren, sondern auch kontinuierlich Optimierungspotenziale identifizieren. Im Gegensatz zu herkömmlichen ERP-Systemen, bei denen es oft Jahre dauert, bis signifikante Ergebnisse erreicht werden, liefert unsere Plattform bereits nach 2-6 Monaten einen messbaren Mehrwert. Selbst im Rahmen einer ERP-Implementierung wie SAP S/4HANA kann so ein positiver ROI generiert werden.

Schnelle Integration

Unsere Plattform bietet eine Vielzahl von vordefinierten Schnittstellen, um eine nahtlose Integration mit anderen Systemen und Anwendungen zu gewährleisten – wie ERP-Integration (die Suite lässt sich nahtlos in verschiedene ERP-Systeme wie SAP oder Oracle integrieren), AP-Portale, Banken und Zahlungsgateways, CRM-Systeme, E-Mail-Systeme, sowie Datenbanken und Reporting-Systeme.

Erhöhung des Wertbeitrags als primäres Ziel

Unsere Finanzlösung verspricht nicht nur betriebliche Effizienz, sondern ermöglicht einen echten unternehmerischen Mehrwert. Sie unterstützt das Office des CFO dabei, fundierte Entscheidungen zu treffen, das Wachstum zu fördern und das Accounts Receivables- & Collection-Management auf ein neues Niveau zu heben.

Gerade in wirtschaftlich herausfordernden Zeiten wie heute liegt der Fokus wieder vermehrt in der Optimierung von DSO, Liquidität, Cashflow und Rendite. Genau in diesen Bereichen kann HighRadius mit der richtigen Aufbau- und Ablauforganisation einen entscheidenden unternehmerischen Mehrwert liefern.

Order to Cash Suite, Quelle: HighRadius

Fazit

Die digitale Transformation im Finanzwesen erfordert mehr als nur die Automatisierung bestehender Prozesse. Moderne, KI-gestützte Finanzlösungen bieten die Möglichkeit, über Effizienzsteigerungen hinaus echten strategischen Mehrwert zu schaffen. Sie verbessern nicht nur die operativen Abläufe, sondern tragen aktiv zur Wertschöpfung des Unternehmens bei. Unternehmen, die frühzeitig auf solche Technologien setzen, sichern sich entscheidende Wettbewerbsvorteile in einer zunehmend datengetriebenen Geschäftswelt. Sind Sie bereit, Ihr Finanzwesen auf das nächste Level zu heben? Entdecken Sie, wie unsere KI-basierte Lösung Ihre Prozesse transformiert.

HighRadius ist ein führender Anbieter von Finanztechnologieleistungen mit dem Schwerpunkt auf Prozessautomatisierung und der Optimierung der Working-Capital-Performance Durch den Einsatz modernster Technologien wird die betriebliche Effizienz gesteigert
und die Liquidität von Unternehmen nachhaltig verbessert Mit über 1 100 global tätigen Kunden, darunter führende Unternehmen aus verschiedenen Branchen wie Adidas, Unilever und Walmart, sowie strategischen Partnerschaften wie mit EY, ist HighRadius der bevor
zugte Partner für digitale Transformation von Order to-Cash und darüber hinaus.

Der Beitrag Umsatzverluste vermeiden – Die Zukunft der Debitorenbuchhaltung mit KI erschien zuerst auf ManagerWissen.

ERP-Einführung mit Fokus auf Standardisierung und Harmonisierung

Der Anteil an Technologie nimmt zu – aber dennoch bleibt der Handel der Zukunft ein People´s Business: Menschen steuern, beraten und betreuen. Technologie unterstützt, vereinfacht, ermöglicht. Die digitale Transformation erfordert somit auch einen Kulturwandel innerhalb der Organisation. Das Ziel ist es, durch den Einsatz modernster Technologien im Finanzwesen präzise und nachvollziehbare Daten zu gewährleisten und dabei Mensch-Maschine-Interaktionen zu minimieren, um höchste Effizienz zu erreichen.

Die REWE Group setzt daher im Bereich Purchase-to-Pay (P2P) Accounting auf Standardisierung mit minimalen Abweichungen vom SAP-Standard und vermeidet spezifische Entwicklungen. Durch die Harmonisierung werden einheitliche Prozesse in einer gemeinsamen Systemlandschaft etabliert, wobei die Organisation konsequent dem Prozess folgt.

Um diese Ziele zu erreichen, hat die REWE Group drei wesentliche Säulen in ihrer Organisation implementiert:
› standardisierte Software,
› fachliche Kompetenz zu notwendigen Abweichungen und
› Gremien, um diese Entscheidungen treffen und tragen zu können.

Regulatorische Anforderungen als weitere Herausforderung

Die Zahl der gesetzlichen Vorgaben für Unternehmen nimmt stetig zu und beeinflusst maßgeblich den P2P-Prozess. Dazu gehören unter anderem E-Rechnung (2014/55/EU), Nachhaltigkeitsreporting (CSRD), Meldepflichten und das Mehrwertsteuer-Digitalpaket.

Mit der steigenden Anzahl an Vorschriften wächst auch der Druck, diese schnell und effizient umzusetzen. Unternehmen müssen daher flexible, aber standardisierte Lösungen entwickeln, um den regulatorischen Anforderungen gerecht zu werden.

Der Mensch im digitalen Zeitalter

Die Möglichkeit der Neugestaltung von Prozessen, die durch aktuelle Rahmenbedingungen beeinflusst werden, erfordert eine innovative Herangehensweise. Es ist entscheidend, Prozesse vom gewünschten Ergebnis her neu zu definieren, anstatt sich auf detailliert abgestimmte Abläufe zu konzentrieren. Dabei geht es vor allem darum, die Rollen der Mitarbeitenden im Unternehmen zu verstehen und die vorhandenen Technologien optimal zu nutzen, um diese Funktionen zu unterstützen. Für den P2P-Accounting-Prozess bedeutet das beispielsweise neben Rechnungseingang und Zahlung auch die Berichtsprozesse integriert zu betrachten. Eine zentrale IT-Anforderung ist, die benötigten Daten so früh wie möglich in digitaler Form bereitzustellen.

Wandel braucht Menschen

Entscheidend für den Erfolg der Transformation sind befähigte Mitarbeitende und Führungskräfte, die Veränderungen erkennen, transparent entscheiden und umsetzen. Neugier, Zuversicht und Vertrauen sind dabei essenziell, ebenso wie eine stabile Steuerung von Diversität und kreative Neugestaltung. Die REWE Group hat erkannt, dass der Kulturwandel ebenso wichtig ist wie die technologische Umstellung – nur so konnte die digitale Transformation nachhaltig gelingen.

Leitplanken in der Organisation

Wir standen vor der Herausforderung, die Teamgröße und die unterschiedlichen Lösungsansätze entlang der Rollout-Zeitleiste zu organisieren. Zu diesem Zweck haben wir die folgenden Maßnahmen ergriffen:

1. Einrichtung von Entscheidungsgremien:
   Diese Gremien wurden verbindlich und regelmäßig eingerichtet und sind als dauerhaftes Instrument in die Linienorganisation übernommen worden.
2. Erarbeitung von Entscheidungsoptionen und Empfehlungen in den Teams:
   In interdisziplinären Teams aus Fachbereichen und IT werden Entscheidungsoptionen erarbeitet und präsentiert. Diese Teams wägen die Lösungsansätze unter Berücksichtigung knapper Ressourcen und Anforderungen an Richtigkeit und Vollständigkeit ab.
3. Aufbau einer Prozessorganisation:
   Die REWE Group hat eine Prozessorganisation aufgebaut, die sowohl die Expertise der Fachbereiche als auch ein Verständnis der technischen Möglichkeiten und Grenzen der IT erfordert. Die Prozessorganisation hat die Verantwortung und den Freiraum, neue Prozesse zu entwickeln, während die operativen Bereiche das Tagesgeschäft effizient abwickeln.

Die Rolle der zentralen Prozessorganisation der REWE Group

Die Prozessorganisation Finance+ Enablement der REWE Group arbeitet eng mit den operativen Bereichen und der IT zusammen, um Umsetzungsanforderungen zu definieren, zu priorisieren und Abhängigkeiten zu adressieren. Gemeinsam mit den IT-Einheiten werden Umsetzungsoptionen auf Basis der Standard Tools diskutiert und entschieden. Daraus resultiert ein Arbeitsprozess, der auch die Ablauforganisation prägt.

Die Koordination, Moderation und Operationalisierung dieser Prozesse sind eine neue Herausforderung, die stabile, transparente Rahmenbedingungen und die Bereitschaft zur gemeinsamen Weiterentwicklung erfordert. Nach Jahren der Transformation ist die permanente Anpassung Teil unserer Unternehmenskultur.

Fazit

Eine erfolgreiche digitale Transformation erfordert, dass die betroffenen Geschäftsbereiche eine zentrale Rolle und Verantwortung im Projekt einnehmen. Entscheidend ist zudem ein Kulturwandel, der neue Denkweisen und innovative Lösungen fördert. Nicht die Technologie allein macht den Unterschied, sondern die Menschen, die sie nutzen. Die Herausforderung besteht darin, die richtigen Fähigkeiten zu entwickeln und eine Kultur des Wandels zu etablieren. Digitalisierung im P2P-Accounting-Prozess ist daher kein reines IT-Projekt, sondern ein umfassender Veränderungsprozess, der das gesamte Unternehmen betrifft.

Der Beitrag Menschen im Fokus: Navigieren durch den digitalen Wandel im P2P-Accounting-Prozess erschien zuerst auf ManagerWissen.