KI im Treasury: vom Hype zur Umsetzung

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

KI ist in Treasury-Planungsrunden allgegenwärtig, und dennoch können nur wenige Teams ein abgeschlossenes Projekt mit messbarer Rendite vorweisen. Ein Dilemma. Denn gescheiterte Pilotprojekte verschwenden Budget und erschüttern das Vertrauen, was die nächste Investition schwerer finanzierbar macht. Der Ausweg: „KI im Treasury“ darf nicht auf eine isolierte Kategorie beschränkt werden. Vielmehr hat jeder Anwendungsfall eigene Datenanforderungen, ein eigenes Risikoprofil und eine eigene Faktenlage. Diese Faktoren müssen zusammengedacht werden.

Was heute bereits funktioniert: Modelle zur Liquiditätsprognose, die mit einer langjährigen, sauberen Datenhistorie trainiert wurden, können Spreadsheet-basierte Ansätze bei der kurzfristigen Liquiditätsplanung übertreffen – vorausgesetzt, Datenqualität und Prognosehorizont stimmen. Die Genauigkeit lässt sich anhand von Ist-Werten klar benchmarken.

Anomalien im Zahlungsverkehr erkennen

Ein weiteres Beispiel sind Tools zur Anomalieerkennung im Zahlungsverkehr: Diese können Betrug schneller identifizieren als regelbasierte Systeme und dabei die Falsch-Positiv-Rate senken, was die Alarmmüdigkeit reduziert. Mustererkennung bei Kontrahenten- oder Marktrisikopositionen kann Warnsignale sichtbar machen, die ein Analyst übersehen würde. Allerdings erfordert der so entstehende Output weiterhin menschliche Interpretation.

Darüber hinaus existiert eine schnell reifende mittlere Ebene zwischen reinen Beratungs-Tools und vollständiger Autonomie: Dies umfasst vor allem KI-Agenten, die innerhalb definierter Richtlinien operieren, Maßnahmen innerhalb dokumentierter Limits vorschlagen und diese zur menschlichen Freigabe weiterleiten. Diese Nachvollziehbarkeit überzeugt Risikokomitees, die eine unbeaufsichtigte Ausführung grundsätzlich nicht genehmigen würden.

Vorsicht bleibt für Treasurer geboten

Das riskanteste Szenario bleibt ein Modell, das ohne menschliche Aufsicht Absicherungsgeschäfte ausführt oder Investitionen allokiert: Die Kosten sind hoch, die Datenbasis ist dünn, und die meisten Modelle erfüllen die Anforderungen an Erklärbarkeit nicht. Ein bewährtes Schutzprinzip lautet: Deterministische KI-Modelle berechnen jeden Wert, während eine generative Schicht ausschließlich zur Erläuterung dient – so kann ein Modell keine Zahl halluzinieren, die es nie berechnet hat.

Kurzum: Für große internationale Treasury-Abteilungen ist Governance nicht optional, sobald KI Liquiditäts- oder Risiko-Exposures berührt. Residenzvorschriften bestimmen zudem oft, wo die Verarbeitung stattfinden darf. Der Datenreifegrad steht somit immer an allererster Stelle: Die meisten Treasury-Systeme wurden nicht für maschinelles Lernen konzipiert – eine Bereinigung der Datenbasis ist daher vorab einzuplanen. Validierung ist ebenso entscheidend: Verbesserungen sollten konkret gemessen werden, nicht mit dem vagen Verweis auf „bessere Erkenntnisse“. 

Fest steht auch: Keines dieser Tools funktioniert ohne menschliche Aufsicht. Jede Prognose erfordert weiterhin jemanden, der diese einordnen kann, und ein Betrugsalarm erfordert die menschliche Freigabe, bevor Zahlungen blockiert werden. KI ist im Treasury letztlich nur dann erfolgreich, wenn sie auf belastbaren Daten und klarer Governance fußt.

Autor