Agentic AI in der Finanzabteilung

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

Im Finance-Bereich geht es oft noch erstaunlich altmodisch zu. Daten aus unterschiedlichen Systemen werden zusammengetragen, Prozesse laufen nebeneinander, und am Ende landet vieles in Excel. Das ist aufwendig, fehleranfällig und zu langsam. Gerade im Cash Management ist das kritisch: Unternehmen müssen täglich wissen, wie es um ihre Liquidität steht, wo Risiken entstehen und wo sie handeln müssen. Hier wird Agentenbasierte Künstliche Intelligenz (Agentic AI) relevant.

Ich sehe dabei drei Ausbaustufen: In einem ersten Schritt geht es darum, Transparenz zu schaffen. Dafür müssen Daten aus unterschiedlichen Quellen harmonisiert und zu einem belastbaren Liquiditäts-Forecast zusammengeführt werden. Viele Unternehmen befinden sich derzeit noch auf dieser Stufe.

Die zweite Ausbaustufe besteht darin, aus den Daten Maßnahmen abzuleiten. Ein intelligenter Agent identifiziert die nächste beste Aktion, begründet seine Empfehlung nachvollziehbar und schlägt sie dem Menschen zur Entscheidung vor. Der „Human in the Loop“ bleibt dabei zentral.

In einer dritten Stufe führt der Agent Prozesse weitgehend autonom aus. Auf dieser Ebene unterstützt er nicht mehr nur bei der Analyse und liefert Empfehlungen, sondern übernimmt operative Abläufe zunehmend eigenständig.

KI-Agenten im Finanzmanagement

Ein Beispiel ist das Forderungsmanagement. Ist ein Debitor insolvent, zieht das heute viele manuelle Schritte nach sich: Mahnsperren setzen, Debitoren sperren, Finance und Vertrieb informieren, weitere Maßnahmen anstoßen. Ein Agent könnte diese Informationen erkennen und über Prozessgrenzen hinweg weitergeben. Damit entstehen Brücken zwischen Cash Management, Forderungsmanagement und Vertrieb.

Ein zweites für Corporate Finance relevantes Beispiel ist das FX Exposure. Bei Intercompany-Beziehungen muss laufend entschieden werden, welche Währungspositionen abgesichert werden sollten. Ein Agent kann Daten analysieren, Risiken sichtbar machen und konkrete Maßnahmen empfehlen. Das Potenzial liegt nicht nur in der Effizienz, sondern ebenso in der Qualität, in der Geschwindigkeit und in der Risikominimierung.

KI steigert Effizienz im Finanzbereich

Die Diskussion sollte sich nicht auf die Frage beschränken, wie viele Stellen sich durch Künstliche Intelligenz einsparen lassen. In vielen Finance-Organisationen bleiben Aufgaben liegen, weil Kapazitäten fehlen. Wenn von 800 offenen Forderungen nur 400 bearbeitet werden, ist der größte Hebel zunächst einmal, künftig alle 800 sauber und schnell bearbeiten zu können. Das verbessert Prozesse und am Ende auch das Cash.

Hinzu kommt der demographische Wandel. Viel Knowhow liegt heute bei erfahrenen Mitarbeitern. Verlassen sie das Unternehmen, droht dieses Wissen verloren zu gehen. Ein Teil davon wird in Agenten überführt werden müssen.

Wir erleben gerade einen Wandel: Im vergangenen Jahr ging es oft noch darum, sinnvolle Anwendungsfälle zu finden. Jetzt muss es darum gehen, Mehrwert zu schaffen – also Anwendungsfälle prototypisch umzusetzen, sie produktiv zu setzen und dann zu skalieren. Das umfassende Zielbild mag für viele Unternehmen noch weit entfernt sein. Doch wer sich damit auseinandersetzt, legt Prozessbrüche, manuelle Tätigkeiten und Einzelaufgaben offen, die sich schon heute mit Agenten adressieren lassen.

Mein Plädoyer lautet daher: anfangen. Wer noch nichts gemacht hat, sollte schnell aufholen. Wer bereits erste Use Cases hat, sollte sie ausbauen und über Prozessgrenzen hinausdenken. Denn dort beginnt Agentic AI im Finance-Bereich interessant zu werden.

Autor