Eine Finanzprognose kann mathematisch noch so ausgefeilt sein und dennoch aus einem ganz einfachen Grund fehlschlagen: Das Geschäftsumfeld hat sich schneller verändert als die ihr zugrunde liegenden Annahmen.

Ein Kunde verschiebt eine Bestellung, ein Lieferant erhöht die Preise, eine Übernahme verändert die Kostenbasis oder das Management stützt sich weiterhin auf ein Nachfrageverhältnis, das vor der Zinsänderung noch funktioniert hat. Herkömmliche Prognosesysteme erkennen diese Veränderungen oft erst, nachdem sie bereits in den Monatsabschlüssen berücksichtigt wurden. Künstliche Intelligenz verspricht, sie früher zu erkennen, indem sie mehr Informationen verarbeitet, Prognosen häufiger aktualisiert und Zusammenhänge identifiziert, die herkömmliche Modelle möglicherweise übersehen.

Dieses Versprechen ist glaubwürdig, muss jedoch präzisiert werden. KI macht eine ungewisse Zukunft weder vorhersehbar, noch beseitigt sie die Ermessensentscheidung, die mit der Auswahl von Daten, Szenarien und Geschäftsannahmen einhergeht. Ihr größter Beitrag ist in der Regel eher praktischer Natur: Sie ermöglicht es Finanzteams, Prognosen schneller zu erstellen, mehr Variablen zu testen und festzustellen, wo die tatsächliche Entwicklung vom Plan abweicht.

Der Einsatz im Finanzdienstleistungssektor ist bereits weit verbreitet. In einer Umfrage der Bank of England und der Financial Conduct Authority aus dem Jahr 2024 gaben 75 Prozent der befragten Unternehmen an, KI zu nutzen – ein Anstieg gegenüber 58 Prozent im Jahr 2022 –, während weitere 10 Prozent die Einführung innerhalb von drei Jahren planten. Die häufigsten Vorteile lagen jedoch in den Bereichen Datenanalyse, Prävention von Finanzkriminalität, Cybersicherheit und betriebliche Effizienz und nicht in durchweg überlegener Markt- oder Gewinnprognosen.

Diese Unterscheidung ist wichtig. KI kann den Prognoseprozess erheblich verbessern, ohne dass jede einzelne Prognose dadurch genauer wird.

Wo herkömmliche Prognosen versagen

Die meisten Unternehmensprognosen basieren nach wie vor auf einer Kombination aus historischen Ergebnissen, Annahmen des Managements und von den Geschäftsbereichen bereitgestellten Anpassungen. Der Umsatz wird möglicherweise anhand der Vertriebspipeline geschätzt, die Kosten aus früheren Perioden extrapoliert und der Cashflow aus den erwarteten Zahlungszyklen abgeleitet.

Die Methode ist nachvollziehbar und überprüfbar, kann jedoch zeitaufwendig sein. Bis die Daten erfasst, abgeglichen, hinterfragt und konsolidiert wurden, kann sich das Geschäftsumfeld bereits verändert haben. Prognosen können zudem zu politischen Dokumenten werden. Vertriebsteams könnten ehrgeizige Ziele verteidigen, operative Einheiten könnten Budgetpuffer einplanen und die Geschäftsleitung könnte sich gegen Szenarien wehren, die im Widerspruch zu einer bevorzugten Darstellung stehen.

KI beseitigt diese Anreize nicht. Sie kann jedoch einen unabhängigen analytischen Bezugspunkt schaffen.

Modelle des maschinellen Lernens können Transaktionsverläufe, Produktnachfrage, Kundenverhalten, Preisgestaltung, Lieferkettendaten und externe Indikatoren gleichzeitig analysieren. Sie können nichtlineare Zusammenhänge erkennen, wie beispielsweise einen Rückgang bei Nachbestellungen, der erst in Verbindung mit längeren Lieferzeiten und sinkender Website-Nutzung signifikant wird.

Außerdem können sie die Prognosen aktualisieren, sobald neue Informationen vorliegen. Anstatt nach Abschluss des Berichtszeitraums eine vierteljährliche Prognose neu zu erstellen, kann ein Unternehmen eine rollierende Prognose nutzen, die auf tägliche oder wöchentliche Veränderungen bei Umsatz, Lagerbeständen, Zahlungseingängen und Marktdaten reagiert.

Der wirtschaftliche Vorteil besteht nicht lediglich in einer genaueren Jahresprognose. Vielmehr geht es darum, frühzeitig zu erkennen, dass der bestehende Plan zunehmend unrealistisch wird.

Unterschiedliche Prognosen erfordern unterschiedliche Modelle

“Der Begriff ”Finanzprognose“ umfasst mehrere Aufgaben, die nicht als ein einziges technisches Problem betrachtet werden sollten.

Ein Treasury-Team kann die tägliche Liquidität und den Zeitpunkt von Kundenzahlungen prognostizieren. Ein Einzelhändler kann die Nachfrage auf Produkt- und Filialebene vorhersagen. Eine Bank kann Kreditausfälle unter verschiedenen wirtschaftlichen Szenarien abschätzen, während ein Vermögensverwalter Volatilität, Liquidität oder Marktstress modellieren kann.

Die relevanten Daten, der Zeithorizont und die Fehlerkosten unterscheiden sich von Fall zu Fall.

Die Nachfrageprognose eignet sich oft gut für maschinelles Lernen, da Unternehmen häufig über große Mengen an wiederkehrenden Transaktionsdaten und beobachtbaren Variablen wie Werbeaktionen, saisonale Schwankungen, Preisänderungen und lokale Gegebenheiten verfügen. Bei der Cashflow-Prognose können Modelle von Vorteil sein, die den voraussichtlichen Zahlungstermin einzelner Rechnungen schätzen, anstatt für alle Kunden eine einheitliche durchschnittliche Zahlungsfrist anzunehmen.

Makroökonomische Prognosen und Marktprognosen sind schwieriger. Schwerwiegende Finanzereignisse sind selten, historische Zusammenhänge können sich ändern, und die Marktteilnehmer reagieren auf dieselben Informationen, die das Modell zu nutzen versucht. Ein Modell, das auf der Grundlage einer stabilen Phase trainiert wurde, kann schlechte Ergebnisse liefern, wenn sich Inflation, Zinssätze oder Liquidität außerhalb ihres bisherigen Bereichs bewegen.

KI ist daher am wertvollsten, wenn das Unternehmen über häufige Beobachtungen, ein messbares Ergebnis und einen Prozess verfügt, mit dem Vorhersagen schnell überprüft werden können. Sie ist weniger zuverlässig, wenn das Zielereignis selten eintritt, die Daten begrenzt sind oder sich die Wirtschaftsstruktur selbst verändert.

Mehr Daten führen nicht automatisch zu besseren Erkenntnissen.

KI kann weitaus mehr Informationen verarbeiten als ein herkömmliches Tabellenkalkulationsmodell, darunter auch unstrukturierte Daten wie Nachrichten, Gewinnbekanntgaben, Verträge, Kundenmitteilungen und Korrespondenz mit Lieferanten.

Das verschafft zwar einen scheinbaren Vorteil, erhöht aber auch das Fehlerrisiko.

Interne Finanzdaten können fehlende Felder, inkonsistente Produktcodes, doppelte Transaktionen oder Änderungen in der bilanziellen Behandlung enthalten. Verschiedene Geschäftsbereiche definieren Begriffe wie Umsatz, aktive Kunden oder feststehende Aufträge möglicherweise unterschiedlich. Historische Daten spiegeln möglicherweise eine Organisation wider, die nach einer Umstrukturierung oder einer Übernahme nicht mehr existiert.

Externe Daten bringen weitere Probleme mit sich. Nachrichten und Signale aus sozialen Medien können sich wiederholen, manipuliert sein oder nur einen losen Bezug zu der zu prognostizierenden Finanzvariablen haben. Konjunkturindikatoren werden nach ihrer Veröffentlichung häufig revidiert, was die Gefahr mit sich bringt, dass ein rückblickend getestetes Modell von Informationen profitiert, die zum damaligen Zeitpunkt noch nicht verfügbar waren.

Die erste Investition in den Bereich KI sollte daher häufig eher in die Datenarchitektur als in ein Prognosemodell fließen. Unternehmen benötigen einheitliche Definitionen, zuverlässige Zeitstempel, klare Zuständigkeiten und eine Dokumentation darüber, wie die Daten aufbereitet wurden.

Ein fortschrittlicher Algorithmus, der auf unzureichenden Betriebsdaten trainiert wurde, kann eine äußerst überzeugende Version der falschen Antwort generieren.

Die Prognosegenauigkeit muss anhand eines Maßstabs gemessen werden

Behauptungen, dass KI die Prognosegenauigkeit um 30 oder 40 Prozent verbessert, lassen sich nur schwer beurteilen, wenn man den Referenzwert, den Zeitraum und das Fehlermaß nicht kennt.

Ein ausgeklügeltes System sollte zunächst mit einem einfachen Modell verglichen werden. Wenn die Umsätze des letzten Monats oder ein saisonaler Durchschnittswert die Geschäftsentwicklung fast ebenso gut vorhersagen, rechtfertigt die zusätzliche Komplexität möglicherweise nicht die damit verbundenen Kosten.

Unternehmen müssen zudem entscheiden, welcher Fehler von Bedeutung ist. Eine Prognose kann im Durchschnitt gute Ergebnisse liefern, dabei jedoch die extremen Ergebnisse außer Acht lassen, die das größte finanzielle Risiko darstellen. Sie kann den Jahresumsatz zwar genau vorhersagen, versäumt es aber möglicherweise, kurze Phasen mit Liquiditätsengpässen zu antizipieren. Ein Nachfragemodell kann den Gesamtfehler zwar minimieren, unterschätzt dabei jedoch wiederholt die Produkte mit den höchsten Margen.

Kennzahlen wie der mittlere absolute Fehler können die typische Größenordnung einer Abweichung aufzeigen. Prozentuale Kennzahlen können beim Vergleich von Produkten oder Geschäftsbereichen unterschiedlicher Größe hilfreich sein, werden jedoch unzuverlässig, wenn sich die tatsächlichen Werte gegen Null bewegen. Die Richtungsgenauigkeit kann von Bedeutung sein, wenn die Entscheidung eher davon abhängt, ob sich die Bedingungen verbessern oder verschlechtern, als von einem exakten Zahlenwert.

Die Prognose sollte letztendlich anhand der Entscheidung bewertet werden, die sie stützt. Hat sie die Bestandsverteilung verbessert, die Notkreditaufnahme reduziert, eine sich verschlechternde Bonität erkannt oder es dem Management ermöglicht, früher einzugreifen?

Ein Modell, das einen statistischen Wert verbessert, ohne eine geschäftliche Entscheidung zu beeinflussen, hat nur begrenzten Wert.

Das nützlichste System könnte Modelle und Menschen miteinander verbinden

Die Entscheidung wird oft als Wahl zwischen menschlichem Urteilsvermögen und künstlicher Intelligenz dargestellt. In der Praxis sieht das bessere Konzept jedoch vor, dass beiden unterschiedliche Rollen zukommen.

Ein Modell ist gut darin, dieselbe Logik auf große Datensätze anzuwenden, Muster zu erkennen und regelmäßig Aktualisierungen zu liefern. Ein Finanzexperte kann erkennen, dass ein Unternehmen ein Werk schließt, in einen Markt eintritt oder einen Vertrag auf eine Weise neu verhandelt, für die es in der Vergangenheit kaum Präzedenzfälle gibt.

Menschliches Eingreifen wird problematisch, wenn es nicht dokumentiert ist oder automatisch Vorrang erhält. Führungskräfte können ein Modell außer Kraft setzen, weil sie über relevante Informationen verfügen, aber auch, weil dessen Schlussfolgerung unbequem ist.

Im Rahmen eines strukturierten Prozesses werden jede Materialanpassung, die entsprechenden Belege sowie das daraus resultierende Ergebnis erfasst. Im Laufe der Zeit kann das Unternehmen so prüfen, ob manuelle Korrekturen die Prognosen verbessert oder zu einem systematischen Optimismus geführt haben.

Dadurch entsteht ein wichtiger Regelkreis. Das Unternehmen erfährt nicht nur, ob das Modell zutreffend ist, sondern auch, wo das Urteilsvermögen der Führungskräfte einen Mehrwert schafft und wo es das Ergebnis wiederholt verzerrt.

Die Prognose wird somit zu einem geregelten Entscheidungsprozess und nicht mehr zu einer Zahl, die entweder von einer Maschine oder von einer Führungskraft generiert wird.

Eine Szenarioanalyse kann wichtiger sein als eine einzelne Prognose

Die Forderung nach einer einzigen, präzisen Prognose spiegelt oft eher die Gewohnheiten des Managements bei der Berichterstattung wider als die Art der Unsicherheit.

KI kann die Szenarioanalyse verbessern, indem sie zahlreiche Kombinationen aus Nachfrage, Preisgestaltung, Finanzierungskosten, Wechselkursen und Betriebsstörungen modelliert. Sie kann dem Management dabei helfen, zu erkennen, welche Variablen am wichtigsten sind und wo bereits eine kleine Änderung unverhältnismäßig große Auswirkungen auf den Cashflow oder die Rentabilität hat.

Dies ist besonders dann hilfreich, wenn die Rahmenbedingungen außerhalb der jüngsten Erfahrungen des Unternehmens liegen. Anstatt das Modell zu beauftragen, den genauen Wechselkurs oder die Ausfallquote für die nächsten sechs Monate vorherzusagen, kann die Unternehmensleitung untersuchen, was unter verschiedenen, miteinander vereinbaren Szenarien geschieht.

Der Wert liegt in der Vorsorge. Eine Prognose sollte aufzeigen, wann zusätzliche Finanzmittel benötigt würden, welche Kosten gesenkt werden könnten, in welcher Höhe ein Bestandsrisiko bestehen bliebe und welche Frühindikatoren darauf hindeuten würden, dass sich das ungünstige Szenario abzeichnet.

Generative KI kann dabei helfen, Modellausgaben in verständliche Erklärungen umzuwandeln oder internes Material nach relevanten Einflussfaktoren zu durchsuchen. Es sollte ihr jedoch nicht gestattet sein, kausale Zusammenhänge zu erfinden, nur weil das zugrunde liegende numerische Modell eine Korrelation festgestellt hat.

Die Erklärung muss auf reale Daten und bekannte Geschäftsmechanismen zurückzuführen sein.

Modelldrift ist ein Governance-Problem

Eine KI-Prognose ist nicht fertig, sobald sie in den Einsatz geht. Ihre Leistungsfähigkeit kann nachlassen, wenn sich das Kundenverhalten, die Marktstruktur oder interne Prozesse ändern.

Dies wird als Modelldrift bezeichnet. Ein Kreditmodell kann nach einer Zinsänderung an Zuverlässigkeit verlieren. Ein Nachfragemodell kann an Aussagekraft verlieren, wenn das Unternehmen seine Preisstrategie oder seine Vertriebskanäle ändert. Ein Inkassomodell kann das Verhalten falsch einschätzen, nachdem neue Zahlungsbedingungen eingeführt wurden.

Die Überwachung sollte daher die Eingabedaten, den Vorhersagefehler und die Stabilität der Zusammenhänge, auf denen das Modell beruht, umfassen. Anhand von Schwellenwerten sollte festgelegt werden, wann das System überprüft, neu trainiert oder außer Betrieb genommen werden muss.

Selbstlernende Modelle heben diese Anforderung nicht auf. Ein Modell, das sich automatisch aktualisiert, kann sich zwar an eine tatsächliche Veränderung anpassen, aber es kann auch vorübergehende Störsignale verstärken oder aus Daten lernen, die durch einen Betriebsfehler verfälscht wurden.

Wesentliche Prognosen sollten einen eindeutig identifizierbaren Verantwortlichen, dokumentierte Einschränkungen und ein genehmigtes Verfahren für Änderungen aufweisen. Die Umfrage der Bank of England und der FCA ergab, dass 84 Prozent der befragten Unternehmen eine verantwortliche Person für ihr KI-Rahmenwerk benannt hatten, wobei die Verantwortung jedoch häufig auf mehrere Personen oder Gremien verteilt war.

Diese Rechenschaftspflicht gewinnt an Bedeutung, je näher die Prognosen an eine autonome Entscheidungsfindung heranrücken. In derselben Umfrage wiesen 55 Prozent der KI-Anwendungsfälle einen gewissen Grad an automatisierter Entscheidungsfindung auf, doch nur 2 Prozent waren vollständig autonom.

Die derzeitige institutionelle Präferenz gilt daher der Stärkung und nicht der Aufhebung der menschlichen Verantwortung.

Die Abhängigkeit von externen Anbietern muss genau geprüft werden

Viele Unternehmen entwickeln Prognosemodelle nicht vollständig intern. Sie nutzen stattdessen Cloud-Plattformen, Basis-Modelle, Finanzplanungssoftware und spezialisierte Datenanbieter.

Dies kann die Einführung beschleunigen und Zugang zu Fachwissen verschaffen, dessen interne Bereitstellung kostspielig wäre. Gleichzeitig entstehen dadurch Konzentrations- und Kontrollrisiken.

Ein Modell eines Drittanbieters lässt sich möglicherweise nur schwer erklären oder validieren. Der Anbieter könnte die Methodik, die Datenquellen oder die Geschäftsbedingungen ändern. Sensible Informationen könnten über eine Infrastruktur übertragen werden, die auch von vielen anderen Finanzunternehmen genutzt wird.

Die britische Umfrage aus dem Jahr 2024 ergab, dass ein Drittel der gemeldeten KI-Anwendungsfälle auf Implementierungen von Drittanbietern beruhte. Außerdem wurde eine erhebliche Konzentration bei Cloud-, Modell- und Datenanbietern festgestellt, während fast die Hälfte der Befragten angab, nur ein teilweises Verständnis der von ihnen genutzten KI-Technologien zu haben.

Unternehmen sollten daher ermitteln, welche Komponenten von externen Anbietern bezogen werden, welche Informationen in diese einfließen und ob die Prognose fortgesetzt werden kann, falls ein Anbieter ausfällt. In den Verträgen sollten Fragen wie Dateneigentum, Modelländerungen, Sicherheitsvorfälle, Prüfungsrechte und die Möglichkeit zum Abruf historischer Ergebnisse geregelt werden.

Die Beschaffung lässt sich nicht von der Modell-Governance trennen.

Wie Finanzverantwortliche KI-Prognosen umsetzen sollten

Der beste Ausgangspunkt ist eine eng gefasste Prognose, die sich auf ein kostspieliges betriebliches Problem bezieht. Dabei kann es sich um kurzfristige Liquiditätsengpässe, Zahlungsverzögerungen, die Produktnachfrage oder Kundenabwanderung handeln.

Das Unternehmen sollte vor der Einführung von KI seinen derzeitigen Prognosefehler und Entscheidungsprozess festlegen. Ohne eine Ausgangsbasis lässt sich nicht feststellen, ob das neue System die Leistung verbessert hat oder lediglich die Benutzeroberfläche verändert hat.

Das Pilotprojekt sollte lange genug parallel zum bestehenden Prozess laufen, damit unterschiedliche Bedingungen abgedeckt werden. Die Ergebnisse müssen außerhalb der Stichprobe gemessen werden, unter Berücksichtigung der entsprechenden Kosten und ohne selektiven Ausschluss schwieriger Zeiträume.

Die Teams aus den Bereichen Finanzen, Technologie, Risikomanagement und Geschäftsstrategie sollten sich darauf einigen, wer für das Modell verantwortlich ist, wer es außer Kraft setzen kann und wie Änderungen genehmigt werden. Die Nutzer benötigen zudem eine Erläuterung der wichtigsten Einflussfaktoren für die Prognose, selbst wenn das zugrunde liegende Modell technisch komplex ist.

Der entscheidende Test ist der verhaltensbezogene. Ein Unternehmen hat kaum einen Nutzen davon, eine Verschlechterung drei Wochen früher zu erkennen, wenn die Führungskräfte nicht wissen, welche Maßnahmen zu ergreifen sind, oder sich weigern, den Plan anzupassen.

KI kann die Zeitspanne zwischen dem Eintreffen neuer Informationen und einer aktualisierten Prognose verkürzen. Sie kann jedoch nicht garantieren, dass ein Unternehmen intelligent darauf reagiert.

Die Technologie verbessert bereits jetzt die Datenverarbeitung, die Mustererkennung und die Geschwindigkeit, mit der Finanzteams Annahmen überprüfen können. Ihr nachhaltigerer Beitrag ist möglicherweise weniger spektakulär als die Behauptung, sie könne die Zukunft mit beispielloser Präzision vorhersagen. Sie kann Unsicherheiten sichtbarer machen, schwache Annahmen früher aufdecken und dem Management mehr Zeit zum Handeln verschaffen.

Das ist eine erhebliche Verbesserung. Das ist jedoch nicht dasselbe wie Gewissheit.