Probabilistische KI in Controlling & Finance
Wo probabilistische KI passt – und wo nicht
KI hält Einzug in Controlling und Finance – nicht als regelbasierte Automatisierung, sondern zunehmend probabilistisch: gemeint sind KI-Modelle, die auf Wahrscheinlichkeiten beruhen, Muster erkennen und Prognosen ableiten. Probabilistische KI entscheidet nicht, sondern bietet Entscheidungsunterstützung inklusive einer statistischen Einschätzung darüber, wie sicher oder unsicher ein Ergebnis ist. Diese KI funktioniert nicht dort, wo Rechtssicherheit ersetzt werden soll, sondern in Kontexten, in denen Entscheidungen vorbereitet, fokussiert und beschleunigt werden. Der eigentliche Wettbewerbsvorteil entsteht nicht durch das Modell, sondern durch die Einbettung in Prozesse, Rollen und Governance der CFO-Organisation.
Was ist Probabilistische Künstliche Intelligenz?
Probabilistische Künstliche Intelligenz bezeichnet KI‑Systeme, die Unsicherheit explizit modellieren und ihre Ergebnisse nicht als festen Wahrheitswert, sondern als Wahrscheinlichkeitsverteilungen oder Erwartungsräume ausgeben.
Im Gegensatz zu deterministischen Systemen arbeiten probabilistische Modelle mit statistischen Wahrscheinlichkeiten, um unvollständige, volatile oder „verrauschte“ Daten abbilden zu können.
Für CFO‑Organisationen stellt sich damit nicht die Frage, ob, sondern wo dieser Ansatz heute belastbaren Mehrwert liefert, ohne Nachvollziehbarkeit, Steuerbarkeit und Governance einzuschränken.
Die gute Nachricht: Es gibt bereits Anwendungsfelder, in denen probabilistische KI sinnvoll, prüfbar und wirtschaftlich einsetzbar ist.
Kernmerkmale probabilistischer KI mit Relevanz für die CFOs-Organisation
- Umgang mit Unsicherheit: Probabilistische Modelle quantifizieren Unsicherheit, statt sie zu verschleiern – z. B. durch Berechnung von Bandbreiten, Konfidenzintervallen oder Eintrittswahrscheinlichkeiten.
- Verteilungsbasierte Ergebnisse statt Punktwerte: Anstelle eines einzelnen Forecast‑Werts liefern sie mögliche Ergebnisse mit zugehörigen Wahrscheinlichkeiten. Das ist besonders relevant für volatile Märkte und Szenarienplanung.
- Lernen aus neuen Informationen: viele probabilistische Modelle (z. B. bayesianische Ansätze) passen ihre Erwartungen an, sobald neue Daten verfügbar sind.
- Unterschiedliche Arten von Unsicherheit:
- aleatorischer Unsicherheit (Zufälligkeit im Geschäftsprozess) und
- epistemischer Unsicherheit (Unwissen infolge fehlender oder schlechter Daten).
- Das ist für Risikobewertung und Governance zentral.
Wo kann probabilistische KI einen Mehrwert liefern – und wo nicht?
Nicht geeignet ist probabilistische KI dort, wo:
- gesetzliche Deterministik gefordert ist (z. B. Kontenfindung, Abschreibungslogik)
- Buchungsentscheidungen final und nicht Review fähig getroffen werden
- die fachliche Erklärung eines Ergebnisses zwingend eindeutig sein muss
Sehr gut geeignet ist sie überall dort, wo:
- Vorschläge, Priorisierungen oder Wahrscheinlichkeiten helfen
- Entscheidungen vom Menschen bestätigt werden
- es um Transparenz, Fokus und Geschwindigkeit geht und nicht um blinden Automatismus
1. Forecasting & Szenarioplanung: von statischen Plänen zu dynamischen Erwartungsräumen
Dynamische Forecasts statt linearer Plan-Fortschreibungen ermöglichen ein frühzeitiges
Erkennen struktureller Abweichungen und eignen sich für die Simulation mehrerer Szenarien (realistic/best/worst). Probabilistische KI funktioniert hier, da Forecasts nie exakt sein können, sondern immer Annäherungen an die ansonsten unsichere Zukunft darstellen. Statt sie zu verstecken, machen probabilistische Modelle diese Unsicherheit sichtbar, indem:
- Wahrscheinlichkeitsintervalle statt Punktwerte zum Einsatz kommen und
- Sensitivitäten im Treiber-Kontext (Preis, Volumen, Kosten) verwendet werden.
Im Resultat steigt die Entscheidungsqualität bei identischer Datenbasis unter gleichzeitig verbesserter Reaktionsfähigkeit vor allem in volatilen Märkten.
2. Working Capital & Cash Forecasting: Fokus statt Excel-Zahlenfriedhof
Im Bereich des Working Capital Managements und der Liquiditätsplanung treten an der Schnittstelle zwischen Accounting, Controlling und Corporate Finance regelmäßig Herausforderungen auf. Besonders im Kontext des Cash Conversion Cycles zeigen sich typische Pain Points: Eine Vielzahl offener Posten erschwert den Überblick, die manuelle Priorisierung durch Mitarbeitende des Controllings ist zeitaufwendig, und die Steuerung erfolgt oft reaktiv auf Basis von Feedback der Bereichsleitung.
Hier setzt der Mehrwert KI-gestützter Methoden an: Durch den Einsatz probabilistischer KI lassen sich Wahrscheinlichkeiten für Zahlungseingänge präzise abschätzen. Kritische Debitoren werden automatisch identifiziert und Maßnahmen können auf Basis eines Risikoprofils priorisiert werden. So entsteht eine datengetriebene, transparente Steuerung des Working Capitals, die sich auf die wirklich relevanten Fälle konzentriert.
Wichtig ist: Die finale Entscheidung über das weitere Vorgehen trifft weiterhin der Mensch. Die KI gibt Empfehlungen, wo ein Eingreifen besonders sinnvoll erscheint, übernimmt jedoch nicht die Verantwortung für die Auswahl und Umsetzung der Maßnahmen. Dadurch bleibt die Steuerung des Working Capitals zielgerichtet und effizient ohne im „Excel-Zahlenfriedhof“ unterzugehen.
3. Abweichungs‑ & Anomalieerkennung: „Wo sollte das Controlling genauer hinschauen?“
Im analytischen Vorgehen der Controlling-Abteilung stellt sich häufig das Problem, dass nahezu jede Beobachtung als Abweichung gewertet wird, aber nicht jede davon tatsächlich relevant ist. Hier kommt probabilistische KI als Filter zum Einsatz: Sie erkennt schneller Muster, die über feste Schwellenwerte hinausgehen, und identifiziert ungewöhnliche Kombinationen von Faktoren – beispielsweise die Verbindung aus Kostenstelle, Zeitraum und bestimmten Treibern. Durch diese intelligente Mustererkennung kann die Anzahl von „False Positives“, also fälschlich als relevant eingestuften Ergebnissen, deutlich reduziert werden.
Ein „False Positive“ bezeichnet einen Fehler bei der binären Klassifikation: Das Testergebnis zeigt fälschlicherweise das Vorhandensein eines Zustands an, beispielsweise eine Preis- oder Mengenabweichung, obwohl diese tatsächlich nicht existiert. Im Gegensatz dazu steht das „False Negative“, bei dem das Testergebnis irrtümlich das Fehlen eines Zustands signalisiert, obwohl dieser in Wirklichkeit vorliegt. Probabilistische KI hilft somit dabei, relevante Abweichungen und Anomalien gezielter zu identifizieren und die Aufmerksamkeit des Controllings auf die wirklich bedeutsamen Fälle zu lenken.
4. Predictive Accruals & Rückstellungsbildung: weniger Blind Spot unter Wahrung der Verantwortung
Probabilistische KI kann bei der Abgrenzung von Schuldverhältnissen und Verpflichtungsrückständen im Rahmen von Closing-Prozessen unterstützen.
Der modelltheoretisch geeignete Einsatz resultiert aus Vorschlägen auf Basis historischer Muster, Erwartungswerten zur Plausibilisierung bzw. Hinweisen auf fehlende oder ungewöhnliche Rückstellungen.
Im Rahmen der Accounting-Governance schlägt KI also Untersuchungsgegenstand und Maßnahmen vor und der Mensch entscheidet final. Dabei müssen die Ergebnisse erklärbar (explainable) und dokumentierbar sein. Abweichungen vom Vorschlag sind relevant, wie dessen Annahme: mehr Konsistenz, weniger Blind Spots ohne Negierung der Verantwortung des Human in the Loop.
5. Narrative Finance & Management Reporting: FP&A verständlich vermittelt und integrativ kommuniziert
Die automatische Strukturierung von Kommentaren im Budget-Prozess sowie im Interim Management Reporting bietet einen bedeutenden Mehrwert, insbesondere im Hinblick auf die Zusammenfassung komplexer finanzieller Informationen. Durch diese strukturierte Herangehensweise wird es möglich, die relevanten Daten und Analysen klar und nachvollziehbar darzustellen. Dies unterstützt nicht nur die Transparenz in den Finanzprozessen, sondern erleichtert auch die Kommunikation der Ergebnisse auf unterschiedlichen Ebenen.
Gleiches gilt für den permanenten Review der Equity Story und das Upstreaming an das Management Board: Die kontinuierliche Überprüfung und Anpassung der Equity Story sorgt dafür, dass die wesentlichen Aspekte des Geschäftsmodells und der finanziellen Entwicklung stets aktuell und verständlich präsentiert werden können.
Im Ergebnis wird Finance verständlicher, ohne dabei an Klarheit oder Verlässlichkeit zu verlieren. Die Verantwortlichkeiten bleiben eindeutig erkennbar und werden nicht verwässert. Dadurch wird das Management Reporting nicht nur effizienter, sondern auch integrativer und transparenter, was die Grundlage für fundierte Entscheidungen bildet.
Operative Umsetzung: Probabilistic Programming im Kontext des Bayes-Theorem
Bayesianische und probabilistische Programmierung stellen innovative Ansätze im Bereich des maschinellen Lernens und der Statistik dar. Im Gegensatz zu klassischen Modellierungsverfahren werden hierbei Modelle nicht als feste Regeln betrachtet, sondern als Wahrscheinlichkeitsverteilungen formuliert.
Das zentrale Instrument dieser Methode ist das Bayes-Theorem: Es ermöglicht die Kombination von vorhandenem Wissen (Prior) mit neuen Daten (Likelihood). Durch diese Aktualisierung entsteht eine präzisere Vorhersage (Posterior), die sowohl die bisherigen Erkenntnisse als auch die aktuellen Beobachtungen berücksichtigt.
Typische PPL-Bibliotheken und Tools für probabilistische Modellierung im Finance-Kontext
Im Bereich der probabilistischen Programmierung kommen verschiedene spezialisierte Bibliotheken und Tools zum Einsatz, die sich insbesondere für die Modellierung von Risiken, die Erkennung von Anomalien und die Analyse von Finanzdaten eignen.
Aktuell häufig verwendete PPL-Bibliotheken
- PyMC (PyMC3/PyMC4): Diese Python-Bibliothek ist weit verbreitet für bayesianische Modellierung und eignet sich besonders für Aufgaben wie Impairment-Risiken, die Berechnung von Default-Wahrscheinlichkeiten sowie für Rückstellungsmodelle.
- TensorFlow Probability (TFP): TFP bietet probabilistische Layer und unterstützt Bayesian Neural Networks. Die Bibliothek ist insbesondere für skalierbare Forecasts geeignet, etwa für Umsatz- und Cashflow-Prognosen.
- Pyro/NumPyro: Basierend auf PyTorch, sind diese Bibliotheken besonders leistungsfähig für Deep Probabilistic Modeling und eignen sich für komplexe, datenintensive Anwendungen.
- Stan: Stan ist eine mächtige, sprachunabhängige Plattform für statistische Inferenz. Sie ist besonders stark bei hierarchischen Modellen und eignet sich für Konzern-, Länder- und BU-Strukturen.
Tools zur Risikomodellierung und Anomalieerkennung im Rechnungswesen
Für die Risikomodellierung und Anomalieerkennung, beispielsweise zur Erkennung von Buchungsfehlern, Fraud-Risiken oder zur Analyse von Accounts Payable Zahlungswahrscheinlichkeiten, werden im Finance-Bereich aktuell folgende Tools häufig eingesetzt:
- Vic.ai: Setzt auf wahrscheinlichkeitsbasierte Methoden zur Erkennung ungewöhnlicher Buchungen und unterstützt so die automatisierte Prüfungsunterstützung.
- Trullion: Bietet eine unsicherheitsgetriebene Automatisierung von Accounting-Workflows und ein Audit-Interface, das die Kontrolle und Dokumentation von Prozessen erleichtert.
- Zest AI: Fokussiert auf die Bestimmung von Kredit- und Ausfallwahrscheinlichkeiten für Financial Institutions und ermöglicht so eine präzise Risikobewertung.
Viele moderne Finance‑Tools kommunizieren nicht offen ihre „Bayesian AI DNA“, nutzen aber probabilistische Modelle intern, z.B.:
- Sage Intacct (Predictive Insights)
- Workiva
- SAP Analytics Cloud (Predictive / Smart Predict)
New Generation Finance Consulting – Beratung wird „tech native“
Die Finanzberatung befindet sich im Wandel: Immer mehr Beratungshäuser setzen auf „tech-native“ Ansätze und integrieren KI-basierte Analyseplattformen direkt in ihre Beratungsleistungen. Ein konkretes Beispiel hierfür ist der Einsatz von Plattformen, die durch KI unterstützt werden und es erlauben, Daten aus unterschiedlichen Datenquellen automatisiert zu analysieren, Risiken frühzeitig zu erkennen und individuelle Handlungsempfehlungen abzuleiten. Die künftige SAP Business AI Platform ist dafür ein konkretes Beispiel. Sie vereint Daten, AI und Plattform in einer Umgebung, integriert Business-Kontext über Knowledge Graphs und stellt Governance, Compliance und Sicherheit sicher. Auch Daten von Non-SAP-Systemen werden dabei berücksichtigt. Joule als neue Interaktionsschicht orchestriert dann automatisch die passenden Prozesse und Agenten.
Schon jetzt können Berater gemeinsam mit ihren Kunden datenbasierte Entscheidungen treffen und komplexe Finanzsachverhalte verständlich visualisieren. Im Mittelpunkt steht dabei eine konsequente individuelle Kundenorientierung: Statt standardisierter Lösungen werden Beratungsangebote gezielt auf die spezifischen Anforderungen und Ziele jedes einzelnen Unternehmens zugeschnitten. Durch diese individuelle Perspektive wird sichergestellt, dass die vorgeschlagenen KI-gestützten Maßnahmen tatsächlich einen messbaren Mehrwert für den Kunden schaffen.
Die professionelle Interpretation der durch KI generierten Ergebnisse ist dabei von zentraler Bedeutung. KI-Systeme liefern Wahrscheinlichkeiten, Muster oder Anomalien die fachlich fundierte Bewertung und Einordnung dieser Resultate bleibt jedoch Aufgabe erfahrener Berater.
Insgesamt entsteht durch die Kombination aus technologischer Innovation, individueller Kundenorientierung und starker Governance eine neue Qualität in im Finance Consulting – transparent, effizient und vertrauenswürdig.
Verfasst von
Prof. Dr. Martin Wünsch ist Experte für Financial Reporting und SAP S/4Hana Finance Consulting. Dieses Aufgabengebiet kennt er aus verschiedenen Perspektiven, z.B. in Big4-Audit, Corporate Functions oder Management-Beratung. Er hat einen Lehrstuhl für ABWL, insb. Int, Rechnungslegung & Controlling, an der FOM Hochschule Düsseldorf inne und publiziert regelmäßig zu aktuellen Themen der Finanzberichterstattung.