Agentic AI in Finance

Ausführliche Beschreibung

Klassische Generative AI (GenAI) reagiert in der Regel auf Prompts und liefert Text, Code oder Analysen. Agentic AI geht weiter: Sie erhält einen Zielauftrag („Erstelle den monatlichen Cashflow‑Bericht, identifiziere die drei größten Liquiditätsfresser und formuliere Maßnahmen“) und zerlegt ihn selbstständig in Teilaufgaben. Der Agent greift auf Bankdaten, ERP‑Buchungen, Forecasts und Vertragsdaten zu, validiert Konsistenzregeln, fragt fehlende Informationen strukturiert an, dokumentiert Quellen und erzeugt ein auditfähiges Ergebnis – inklusive Belegketten und Versionierung.

Damit verschiebt sich die Rolle des Finance‑Teams: vom Datensammler zum Orchestrator. Finance definiert Entscheidungslogiken, Schwellenwerte und Eskalationspfade, überwacht die Agenten, prüft die Ergebnisreife und verantwortet die Interpretation für Management und Kapitalmarkt. Der Produktivitätshebel entsteht nicht durch „mehr KI“, sondern durch klare Governance und sauber modellierte Prozesse. Ohne diese Leitplanken erzeugen Agenten Tempo – aber keine Verlässlichkeit.

Kurz zusammengefasst:

• Paradigmenwechsel: Entscheidungslogik > Datensuche.

• Produktivität entsteht durch Governance + Prozess‑Design, nicht nur durch Modell‑Power.

DACH‑Navigator: Umsetzung & Rechtssicherheit

Der DACH‑Raum ist innovationsfreundlich, aber Governance‑intensiv. Agentic AI muss Datenschutz, Aufbewahrung, Nachvollziehbarkeit und Arbeitsrecht berücksichtigen. Die Regelwerke unterscheiden sich – besonders zwischen EU und Schweiz.

Orientierung (vereinfachend):

In der Praxis heißt das: Agenten müssen multi‑standard‑fähig sein. Ein System ohne Human‑in‑the‑Loop, ohne Aufbewahrungs‑/Archivierungslogik (GoBD in DE, GeBüV in CH) oder ohne Begründungspflichten für Entscheidungen ist im Finanzbereich nicht produktionsreif.

Kurz zusammengefasst:

• Regulatorik‑first: Architektur, Logging, Rollen, Freigaben von Anfang an mitdenken.

• Multi‑Jurisdiktion ist Standardfall, nicht Ausnahme.

Grenzübertritt‑Realität: Der NextLevel‑Check 🇨🇭🇩🇪🇦🇹

Ein Schweizer Unternehmen nutzt einen Agenten zur automatisierten Rechnungsverarbeitung für deutsche und österreichische Tochtergesellschaften. Die KI muss USt‑Logiken, Steuerschlüssel, Beleganforderungen und Archivierungspflichten (GoBD in DE, GeBüV in CH) korrekt differenzieren. Scheitert die Konfiguration oder fehlen länderspezifische Prüfschritte, entstehen Compliance‑Lücken, die erst im Audit sichtbar werden. Die Lösung ist ein Policy‑basiertes Agenten‑Design: länderspezifische Regelwerke, Freigabeschwellen, Eskalationsketten und Begründungszwang bei Unsicherheit – mit automatischer Dokumentation im Audit‑Trail.

Vor‑ und Nachteile

Die Effekte von Agentic AI sind beeindruckend: Massive Effizienzgewinne, niedrigere Fehlerraten bei Routinetätigkeiten, 24/7‑Monitoring von Transaktionen, Skalierbarkeit ohne linearen Personalaufbau und eine höhere Frequenz von Berichten, Forecasts und Analysen. Der Preis: Hohe Ansprüche an Datenqualität („Garbage in, Garbage out“), Black‑Box‑Risiko ohne erklärbare Logiken, neue Skills (Prompt‑/Policy‑Design, AI‑Orchestration) und vor allem der Bedarf an einem robusten IKS, das KI‑Schritte wie Finanzprozesse kontrolliert.

Kurz zusammengefasst:

• Plus: Effizienz, Qualität, Skalierung, Echtzeit‑Transparenz.

• Minus: Datenqualität, Erklärbarkeit, Skill‑Gap, IKS‑Aufwand.

Praxisbeispiel

Ein CFO im DACH‑Raum setzt Agentic AI im ESG‑Reporting ein. Der Agent liest Energierechnungen aus drei Ländern, normalisiert Einheiten, wandelt sie in CO₂‑Äquivalente um, erkennt fehlende Belege und schreibt die Standortleiter mit kontextbezogenen Rückfragen an. Er gleicht Werte mit ERP‑Konten und Zählerständen ab, dokumentiert Quellen, Versionen, Freigaben und erzeugt einen prüfungsbereiten Berichtsentwurf – inklusive Methodik‑Sektion und Abweichungskommentaren. Die Rolle des Teams: Ziele, Regeln, Toleranzen, Freigaben; das System: verlässliche Ausführung und lückenlose Nachweise.

Typische Fehler und Missverständnisse

Ein weit verbreiteter Irrtum ist die Annahme, KI mache „keine Fehler“. Agenten können halluzinieren, falsch generalisieren oder Regelkonflikte übersehen. Kritisch ist ein fehlendes Monitoring‑System: Ohne Watchtower‑Logik, Eskalationspfade und Kill‑Switch eskalieren kleine Fehler leise in die Breite. Häufig wird Agentic AI zudem als reines IT‑Projekt gesehen. In Wahrheit ist es Prozess‑Design mit IKS‑Konsequenzen: Freigabestufen, Vier‑Augen‑Prinzip, Cut‑off‑Regeln, Policy‑Checks und Segregation of Duties müssen neu gedacht werden.

Ein weiterer Fehler ist die Überautomatisierung ohne klare Definition entscheidungsreifer Ergebnisse. Agenten dürfen Vorschläge machen; Verantwortung und Haftung bleiben beim Menschen.

Kurz zusammengefasst:

Hauptfallen: fehlendes Monitoring, IT‑Only‑Denken, kein IKS, Überdelegation.

Wechselwirkungen & Vernetzung

In ESG‑Reporting ist Agentic AI oft die einzige realistische Antwort auf die Datenflut der CSRD/ESRS. In IFRS‑Prozessen hilft sie, Konten Operating/Investing/Financing (IFRS 18) konsistent zuzuordnen und Narrative mit Zahlen zu synchronisieren. Besonders heikel und wertstiftend ist IAS 36 (Impairment): Agenten überwachen laufend Klimapreise, Auslastung, Energieintensität, Störfälle und Regulierung und melden Triggering Events, bevor sie in Jahresabschlüssen sichtbar werden. In der Prüfung ermöglichen KI‑gestützte Tests 100 %‑Population‑Checks statt Stichproben, mit höherer Assurance‑Qualität – vorausgesetzt, die Agenten sind prüfbar konzipiert.

Digitalisierung & KI‑Prompt‑Corner

Agentic AI braucht Systemanschluss: ERP, Konsolidierung, BI, DMS, Ticketing, E‑Mail, Collaboration. Ohne diese Integration bleibt sie ein Pilot.

Denkanstoß‑Prompt für dein Controlling (Agent‑Design, nicht produktiv):„Du agierst als Finanz‑Analyst‑Agent. Greife auf Budgetdaten (CSV) und Ist‑Daten (ERP‑Export) zu. Identifiziere Abweichungen > 5 % auf Kostenstellenebene. Erstelle für jede Abweichung eine Hypothese zur Ursache basierend auf Buchungstexten und entwirf eine E‑Mail‑Anfrage an die jeweiligen Abteilungsleiter. Dokumentiere Datenquellen, Prüfregeln, Schwellenwerte und erzeuge einen Audit‑Trail mit Zeitstempel und Verantwortlichen.“

CFO‑ & Controlling‑Perspektive

Für die CFO‑Organisation zählt Steuerbarkeit. Agentic AI senkt WACC‑Treiber (z. B. durch weniger Fehler, schnellere Abschlüsse, bessere Transparenz), erhöht die Forecast‑Güte, beschleunigt Working‑Capital‑Programme (automatisierte Klärung von Deductions, Disputes, Term‑Optimierung), liefert rolling Forecasts mit höherer Frequenz und koppelt ESG‑KPIs an Planungslogiken. Entscheidender Erfolgsfaktor ist die Verzahnung mit Value‑Driver‑Trees: Welche Hebel misst der Agent? Welche Schwellen lösen Maßnahmen aus? Welche Capex‑Roadmap folgt daraus?

Kurz zusammengefasst:

Agentic AI wirkt erst, wenn Budget, Forecast, Investitionsrechnung und Vergütung angebunden sind.

Audit, Assurance & Governance

Prüfungsfähigkeit entsteht durch Design‑Entscheidungen: erklärbare Regeln, Policy‑Engines, Logging, Versionierung, Rollentrennung, Vier‑Augen‑Freigaben, Stichproben‑Override und Begründungspflichten. Wirtschaftsprüfer erwarten Nachvollziehbarkeit der Agentenschritte (Inputs, Regeln, Outputs) und Konsistenz mit Finanzdaten. Ein internes Kontrollsystem (IKS) im Finance wie auch ESG‑IKS/AI‑IKS mit definierten Kontrollen (z. B. Validierungen zwischen Zähler, Rechnung, ERP‑Konto) ist Pflicht. Ohne Governance wird Agentic AI zum Skalierer von Fehlern – mit Governance zum Qualitätsmotor.

Reifegradmodell (NextLevel)

Ein klares Reifegradmodell hilft bei Planung und Kommunikation:

1. Pilot & Playground – isolierte Use Cases, manuelle Freigaben, Lernphase.

2. Governed Automation – Policies, Logging, einfache Eskalationen, Teilprozesse.

3. Process Orchestration – End‑to‑End‑Agenten, IKS‑Integration, KPI‑Kopplung.

4. Decision Co‑Pilot – Agenten schlagen Maßnahmen vor, Management mit Human‑in‑the‑Loop entscheidet; KPIs in Budget/Forecast gekoppelt.

5. Autonomous Finance Cells – mehrere Agenten koordinieren Wertströme (ESG, Working Capital, Close), Assurance‑ready, Multi‑Jurisdiktion nativ.

Rollen & Skills

Neue Rollen entstehen an der Schnittstelle von Finance, Daten und Governance: AI Finance Orchestrator, ESG‑Data Owner, Agent Policy Designer, AI Risk & Compliance Manager und Internal AI Auditor. Fachlich zählen IFRS/FER‑Know‑how, Prozess‑ und IKS‑Kompetenz, Policy‑Modellierung, Datenqualität und Change‑Fähigkeit.

NextLevel‑Praxischeck

Sind Agenten‑Policies dokumentiert (Datenquellen, Regeln, Schwellen, Eskalation)? Gibt es einen Audit‑Trail mit Zeitstempeln und Verantwortlichen? Ist Human‑in‑the‑Loop verbindlich definiert – mit klarem Abbruchrecht? Sind länderspezifische Steuer‑/Archivierungspflichten im Design berücksichtigt (GoBD, GeBüV)? Sind KPIs an Budget/Forecast und Management‑Vergütung gekoppelt? Und: Ist die Cloud/On‑Prem‑Strategie mit Datenschutz und Betriebsrat/Personalvertretung abgestimmt?

Kurz zusammengefasst:

• Ohne Policy + IKS + Integration keine Produktivreife.

• Ohne Vergütungs‑Kopplung keine nachhaltige Nutzung.

NextLevel‑Thesen

Agentic AI ersetzt keine Buchhalter – aber sie verändert radikal, was exzellente Buchhalter können müssen. Die Qualität der Finanz‑Governance entscheidet über den Erfolg, nicht die Rechenpower. Trustworthy AI wird im DACH‑Raum zum Wettbewerbsvorteil gegenüber Black‑Box‑Lösungen ohne Erklärbarkeit. In drei bis fünf Jahren ist Agent‑ready Finance so selbstverständlich wie Monthly Close und Forecast Cycle.