KI im Treasury: Chancen und Grenzen

Artikel anhören
Artikel zusammenfassen
Teilen auf LinkedIn
Teilen per Mail
URL kopieren
Drucken
Fachbeitrag aus der Sonderbeilage zur Structured FINANCE 2026. Foto: KI-generiert via stock.adobe.com
Fachbeitrag aus der Sonderbeilage zur Structured FINANCE 2026. Foto: KI-generiert via stock.adobe.com

Wie viel Liquidität wird in vier Wochen benötigt? Welches Währungsrisiko sollte abgesichert werden? Und welche Zahlung verdient einen zweiten Blick? Im Treasury müssen Entscheidungen unter Unsicherheit getroffen werden. Künstliche Intelligenz (KI) kann die Informationsbasis dafür verbreitern. Die Verantwortung für die Entscheidung bleibt jedoch stets beim Treasurer.

KI-Anwendungen im Treasury

Im Treasury sind die Einsatzmöglichkeiten von KI vielfältig. Machine-Learning-Modelle können Muster in Zahlungsströmen erkennen und zusätzliche Einflussgrößen in Liquiditätsprognosen einbeziehen. Sie können Forderungen und Verbindlichkeiten analysieren, Währungs-Exposures sichtbar machen und ungewöhnliche Transaktionen identifizieren. Dadurch lassen sich Liquidität und Finanzierungsaktivitäten vorausschauender planen, Hedging-Entscheidungen breiter fundieren oder potenzielle Betrugsfälle gezielter prüfen.

Generative KI setzt an anderer Stelle an. Viele Informationen, die für das Treasury relevant sind, stecken in Verträgen und Dokumentationen. Große Sprachmodelle (Large Language Models, kurz: LLMs) können Finanzierungsverträge durchsuchen, relevante Klauseln herausarbeiten oder Dokumente aufbereiten. Das Reporting und Recherchen lassen sich damit ebenfalls beschleunigen.

Die Beispiele zeigen: Auch im Treasury gibt es nicht „die eine KI“. Unterschiedliche Anwendungen erfordern unterschiedliche Modelle und Daten. Entscheidend für die Auswahl ist, welches Problem ein Unternehmen lösen will. Voraussetzung für belastbare Ergebnisse sind gleichwohl immer verlässliche Daten, geeignete Schnittstellen, klare Verantwortlichkeiten und eine fachliche Validierung. Auch die Grenzen der Modelle müssen berücksichtigt werden.

Machine Learning leitet Zusammenhänge aus historischen Daten ab. Verändern sich diese grundlegend – etwa durch Markt- oder Strukturbrüche –, können Prognosen an Verlässlichkeit verlieren. Bei generativer KI besteht auch die Gefahr von Halluzinationen, also plausibel klingenden, aber falschen Antworten. Besonders bei entscheidungsrelevanten Ergebnissen ist daher eine fachliche Prüfung unerlässlich.

KI-Governance und menschliche Kontrolle

Dabei spielen auch regulatorische Anforderungen eine Rolle: Finanzielle Entscheidungen müssen nachvollziehbar und begründbar sein, intern ebenso wie gegenüber Wirtschaftsprüfern. Der Verweis auf die Entscheidung eines KI-Modells reicht nicht aus. Mit dem europäischen AI Act gewinnt die Governance von KI-Systemen weiter an Bedeutung. Verantwortlichkeiten, Transparenz und menschliche Aufsicht werden umso wichtiger, je stärker KI nicht nur analysiert, sondern selbstständig handelt.

Genau hier setzt eine weitere Entwicklungsstufe an: Agentic AI. Diese KI-Systeme können Aufgaben planen und über angebundene Systeme mehrstufige Prozesse selbstständig anstoßen und ausführen. Der Human-in-the-Loop-Ansatz bleibt jedoch unerlässlich: Die KI analysiert und bereitet vor – die finale Entscheidung und die Verantwortung verbleiben beim Treasurer. Je näher KI an die Ausführung von Zahlungen, Hedges oder Finanzierungen rückt, desto wichtiger werden zudem klare Freigaberegeln.

Damit kann sich auch die Rolle des Treasurers verändern: Weniger Arbeitszeit fließt in operative Prozesse, mehr in Analyse, Entscheidung und strategische Steuerung. Die Chance von KI liegt nicht darin, den Treasurer zu ersetzen, sondern seinen Handlungsspielraum zu erweitern und mehr Raum für das zu schaffen, was Treasury ausmacht: gute Entscheidungen zu treffen.

Autor