Künstliche Intelligenz (KI) ist im Treasury längst mehr als ein Zukunftsthema. Cashflow-Prognosen, Anomalieerkennung oder Abfragen in natürlicher Sprache versprechen schnellere Analysen und weniger manuelle Arbeit. Entscheidend ist jedoch nicht zuerst das Modell, sondern ob die Treasury-Organisation belastbare Voraussetzungen dafür geschaffen hat.
Treasury-Daten sind sensibel, berechtigungsabhängig und entscheidungsrelevant. Deshalb gelten hier andere Maßstäbe als bei allgemeinen KI-Anwendungen. Ergebnisse müssen nicht nur plausibel klingen, sondern nachvollziehbar und überprüfbar sein. Das beginnt mit Vertrauen. Nutzer müssen wissen, auf welche Daten eine Antwort zurückgeht, wie aktuell diese sind und welche Annahmen eingeflossen sind. Ebenso muss klar sein, wo KI unterstützt und wo eine menschliche Prüfung notwendig bleibt.
Daten brauchen Kontext
Eine gute Datenbasis allein reicht nicht aus. Im Treasury hat fast jede Zahl einen Kontext. Eine Forecast-Abweichung kann aus Saisonalität, verspäteten Kundenzahlungen, vorgezogenen Ausgaben oder einer falschen Klassifizierung entstehen. KI muss deshalb nicht nur Datenpunkte verarbeiten, sondern auch die Logik dahinter berücksichtigen. Das setzt konsistente Strukturen voraus: eindeutige Kategorien, aktuelle Bank- und ERP-Daten sowie einen klar definierten Prozessstatus. Eine eingereichte Prognose ist etwas anderes als eine freigegebene oder nachträglich angepasste. Gleiches gilt für Zahlungen, die initiiert, geprüft, abgelehnt oder ausgeführt wurden.
Hinzu kommen Berechtigungen und Funktionstrennung. Nicht jeder Nutzer darf jedes Konto, jede Zahlung oder jede Risikoposition einsehen. Eine natürlichsprachliche Frage oder eine gegebene Aufgabe darf keinen Umweg um bestehende Kontrollen darstellen. Die Antwort muss dieselben Zugriffsrechte einhalten wie jedes andere Treasury-System. Auch die Nachvollziehbarkeit wird zu einem zentralen Kriterium. Wer eine KI-gestützte Analyse verwendet, muss erkennen können, welche Daten und Versionen zugrunde lagen. Sonst entstehen schneller verfügbare Antworten, deren Herkunft sich im Ernstfall nicht erklären lässt – insbesondere dann, wenn ein Treasurer auf dieser Basis eine Entscheidung trifft.
KI hilft in der Cashflow-Prognose
Sind Vertrauen und klare Governance, ein verlässlicher Datenkontext, konsistente Prozesse, eindeutige Berechtigungen und nachvollziehbare Ergebnisse vorhanden, werden die praktischen Anwendungen interessant. In der Cashflow-Prognose kann KI historische Muster auswerten, Referenzprognosen erstellen und Anomalien sichtbar machen. Bei der Anomalieerkennung kann sie Zahlungs- oder Cash-Bewegungen priorisieren, die geprüft werden sollten. Der Nutzen liegt dabei weniger in autonomen Entscheidungen als in besserer Vorbereitung. KI kann Muster schneller erkennen, Informationen zugänglich machen und Routinearbeit reduzieren. Die fachliche Einordnung bleibt jedoch Aufgabe des Treasury.
Vor einem KI-Projekt lohnt sich ein nüchterner Readiness Check: Sind Bank- und ERP-Daten verlässlich angebunden? Sind Forecast-Kategorien konsistent? Sind Rollen, Berechtigungen und Workflows eindeutig? Gibt es Audit Trails, und ist sichtbar, wo Menschen Daten verändert haben? Fehlen diese Grundlagen, ist die wichtigste KI-Initiative möglicherweise zunächst ein Daten- oder Prozessprojekt. Das Treasury ist KI-ready, wenn es Ergebnisse sicher einordnen, kontrollieren und für reale Entscheidungen nutzen kann. KI kann das Treasury schneller und analytischer gestalten. Ein fragiles Fundament repariert sie nicht.
Autor
Marc Vietor
Marc Vietor ist Chief Product Officer (CPO) bei Nomentia in Bexbach.