top of page
< Back

Generative AI im Finance (GenAI)

Definition & Abgrenzung

Generative AI bezeichnet KI-Modelle (vor allem Large Language Models / LLMs), die in der Lage sind, neue Inhalte wie Texte, Tabellen, Programmcode oder Analysen zu erzeugen. Im Finance-Kontext fungiert GenAI als „kognitiver Assistent“, der unstrukturierte Daten (Richtlinien, Belege) und strukturierte Zahlen in verständliche Narrative übersetzt.

Die entscheidende Abgrenzung:

  • Generative AI: Erzeugt Inhalte und Analysen (Read-Only). Sie schlägt vor, entwirft und fasst zusammen.

  • Agentic AI: Handelt autonom innerhalb von Policies (Write-Back). Sie führt Buchungen aus, steuert Prozesse und verändert Datenbestände.


Kurz zusammengefasst

  • Werttreiber: Drastische Reduktion der Erstellungszeit für Berichte (MD&A), schnellere Insights aus komplexen Regelwerken (IFRS/ESRS) und Self-Service-Analytics.

  • Technik-Kern: RAG (Retrieval-Augmented Generation) – die KI antwortet ausschließlich auf Basis Ihrer internen, freigegebenen Quellen (Kein Halluzinieren!).

  • Governance: Einbettung in das Interne Kontrollsystem (IKS) durch Zitationspflicht, PII-Schutz (Anonymisierung) und lückenlose Audit-Trails.

Ausführliche Beschreibung: Das Fundament für CFO-Produktivität


Exkurs: Warum GenAI kein Taschenrechner ist (Stochastik vs. Logik)

Um die Ergebnisse einer GenAI im Finance-Umfeld beurteilen zu können, muss man die fundamentale Arbeitsweise verstehen:

  • Wahrscheinlichkeiten statt Rechenregeln: Ein LLM (Large Language Model) berechnet das nächste „Token“ (Wortbestandteil) basierend auf statistischen Mustern. Wenn man die KI fragt: „Was ist $1.432,50 + 12,30$?“, dann rechnet die KI nicht im klassischen Sinne. Sie ermittelt statistisch, welche Zahlenfolge in ihrem Training am häufigsten auf diese Frage folgte.

  • Das Problem: Bei komplexen Finanzdaten korrelieren die sprachlichen Wahrscheinlichkeiten nicht zwingend mit der mathematischen Korrektheit. Das Modell „würfelt“ im Grunde ein plausibel klingendes Ergebnis.

  • Die Lösung: Professionelle Finance-Anwendungen nutzen Tool-Calling. Die KI erkennt, dass eine Rechnung nötig ist, schreibt im Hintergrund einen Python-Code oder eine SQL-Abfrage, lässt diese von einer logisch-deterministischen Rechenmaschine ausführen und übernimmt nur das validierte Ergebnis zurück in den Text.


1. Kern-Use-Cases (Heute produktiv umsetzbar)

  • Narrative Reporting: Automatisierter Entwurf von Management-Erläuterungen zu KPIs (EBITDA-Brücke, Working Capital), inklusive korrekter Quellenzitate.

  • IFRS/ESRS-Expertise (RAG): Ein "Copilot" beantwortet Fachfragen direkt aus Ihrem Accounting Manual oder den ESG-Policies – mit exakter Angabe der Textstelle.

  • Close-Support: Automatische Erklärungen zu Kontenabweichungen im Monatsabschluss durch Abgleich von Buchungstexten und Belegen.

  • SQL/Python-Assist: Erzeugung von Abfrage-Code für Ad-hoc-Analysen im Data Warehouse (strikt lesender Zugriff).


2. Der Technik-Stack: Vertrauen durch Kontrolle

Damit GenAI im Finance-Bereich „audit-ready“ wird, nutzen wir einen spezifischen Stack:

  • RAG & Hybrid Search: Kombination aus semantischer Suche und Schlagwortsuche. Daten werden mit Metadaten (Version, Quelle, Sensitivität) versehen.

  • Guardrails: Digitale Schutzplanken, die personenbezogene Daten (PII) maskieren und sicherstellen, dass die KI keine unzulässigen Finanzratschläge erteilt.

  • Evaluation & Observability: Kontinuierliche Messung der „Groundedness“ (basiert die Antwort wirklich auf der Quelle?) und Tracking aller Prompts für die Revision.


NextLevel-Spezial: GenAI in der Architektur

Im NextLevel Finance Mesh ist GenAI kein isoliertes Tool, sondern eine Schicht:

  1. Connectivity: Liefert die Rohdatenströme.

  2. Data Contracts: Definieren, welche Dokumente (Accounting Manuals, SOPs) in den KI-Korpus fließen dürfen.

  3. Agentic-Brücke: GenAI bereitet die Entscheidung vor (Draft); Agentic AI setzt sie nach menschlicher Freigabe um (Action).


Praxisbeispiele (konkret & messbar)

  1. Monthly Close – Management Commentary

    • Input: KPI‑Tabellen (EBITDA‑Bridge, DSO/DPO/DIO), Sales‑Mix, Energiepreise.

    • Output: Entwurf der CFO‑Erläuterung mit Zitaten (Quelle/Version) + Alternative‑Formulierungen (Tonfall).

    • Effekt: Erstellungszeit −60 %, Review‑Zeit planbar.

  2. IFRS‑Q&A Copilot

    • Frage: „Wie klassifizieren wir Leasing‑Modifikationen nach IFRS 16 in Fall X?“

    • Antwort: GenAI zitiert euer Accounting‑Manual + IFRS‑Paragraph; markiert Unsicherheiten und schlägt Experten‑Review vor.

  3. SQL‑Assist (Read‑Only)

    • Prompt: „Erzeuge eine Abfrage für Top‑10 Debitoren mit > 14 Tagen Skonto‑Verlust, letzte 90 Tage.“

    • Output: SQL + Begründung; Lauf nur auf freigegebenem View; Ergebnis wird gespeichert & referenziert.



Die 5 häufigsten Fehlannahmen (Reality Check)

  1. „Das Modell weiß alles“: Ein gefährlicher Irrtum. Nutzen Sie RAG-only Strategien. Verlassen Sie sich nie auf das Allgemeinwissen eines LLM bei Finanzdaten.

  2. „Security durch Cloud-Verbot“: Nicht nötig. Nutzen Sie Enterprise-Instanzen mit PII-Maskierung und lokaler Datenhoheit.

  3. „Ein Modell für alles“: Reporting benötigt andere Prompts und Architekturen als technischer Code-Support.

  4. „Read-Only genügt“: Für echte Effizienzsprünge ist GenAI nur der erste Schritt. Die Handlungsfähigkeit kommt erst durch die Kopplung mit Agentic AI.

  5. „Halluzinationen sind unvermeidbar“: Mit einer sauberen RAG-Pipeline und „No-Source -> No-Answer“ Policies lassen sich Halluzinationen im Finance fast auf Null reduzieren.


Praxisbeispiel: Monthly Close Commentary

  • Input: KPI-Tabellen, Sales-Mix und aktuelle Energiepreise aus dem Data Warehouse.

  • GenAI-Aktion: Erstellt einen Entwurf für den CFO-Bericht.

  • Sicherung: Der Agent zitiert jede Zahl mit dem entsprechenden View aus dem DWH.

  • Ergebnis: Zeitersparnis von 60 % bei der Erstellung; der Fokus verlagert sich von "Schreiben" auf "Review & Strategie".


Reifegradmodell: GenAI im Finance

  • Level 1 (Exploration): Sichere Sandbox, erste Gehversuche mit öffentlichen Manuals.

  • Level 2 (RAG-Pilot): Copilot für 1-2 interne Quellen (z.B. Accounting Manual) mit Zitatpflicht.

  • Level 3 (Produktiv): Volle Integration in Reporting-Workflows mit Guardrails und RBAC (Rollenrechte).

  • Level 4 (Skalierung): Domänenübergreifend (Tax, ESG, Treasury) im Einsatz.

  • Level 5 (Kopplung): Nahtlose Übergabe von GenAI-Drafts an Agentic AI zur Umsetzung.

NextLevel-Statement

„Generative AI im Finance ist nicht dafür da, Gedichte zu schreiben, sondern um die semantische Lücke zwischen Daten und Entscheidungen zu schließen. Wer GenAI über RAG und Data Contracts absichert, schafft die Basis für das nächste Level: die handelnde Agentic AI.“



bottom of page