Drei Jahre Diskussion. Jetzt ist Schluss damit.

Erinnern Sie sich an die Treasury-Konferenzen 2023 und 2024? Nahezu jede Keynote enthielt irgendwo das Wort „Künstliche Intelligenz". Die Präsentationen zeigten beeindruckende Grafiken, die Möglichkeiten klangen revolutionär, und am Ende des Tages fuhr man nach Hause – fasziniert, aber ohne einen konkreten nächsten Schritt.

2025 wurde es ernst. Erste Pilotprojekte liefen an. Manche scheiterten. Manche überzeugten. Und eine kleine Gruppe von Treasury-Teams begann, echte Ergebnisse zu sehen.

2026 ist das Jahr, in dem die Frage nicht mehr lautet: „Sollten wir KI einsetzen?" Die Frage lautet: „Warum haben wir noch nicht angefangen – und was kostet uns das?"

Dieser Beitrag ist der Auftakt einer siebenteiligen Serie, die KI im Treasury nicht als Technologiethema behandelt, sondern als strategische und operative Realität. Keine Visionen, keine Zukunftsmusik. Sondern eine ehrliche Bestandsaufnahme dessen, was heute möglich ist, was heute bereits getan wird – und was Sie konkret tun können.

Der Wendepunkt: Von der Exploration zur Execution

Die Finanzbranche kennt den Zyklus gut. Neue Technologien erscheinen, werden überhöht, enttäuschen kurzfristig und etablieren sich langfristig. Gartner nennt es den Hype Cycle. KI im Treasury hat diesen Zyklus in bemerkenswerter Geschwindigkeit durchlaufen.

Was 2022 mit ChatGPT als Demonstration sprachlicher KI-Fähigkeiten begann, hat sich in weniger als vier Jahren zu einem vollständigen Ökosystem produktiver KI-Anwendungen entwickelt. Large Language Models (LLMs) sind kein experimentelles Terrain mehr – sie sind Infrastruktur. Multimodale KI, die gleichzeitig Text, Daten, Bilder und Dokumente verarbeiten kann, ist der neue Standard.

Und Agentic AI – autonome KI-Systeme, die nicht nur antworten, sondern eigenständig handeln und Prozesse orchestrieren – ist das dominierende Thema des Jahres 2026.

Für das Treasury bedeutet das: Die technologische Grundlage ist gelegt. Die Frage ist nicht mehr, ob KI funktioniert. Die Frage ist, wie schnell Ihr Unternehmen die Kurve kriegt.

Der Branchenkonsens ist eindeutig: 2026 wird als das Year of AI Execution bezeichnet. Finance-Teams, die 2025 mit kleinen, fokussierten Use Cases begonnen haben – Reconciliation, Cash Visibility, Forecasting – verzeichnen heute messbare Wettbewerbsvorteile. Teams, die noch abwarten, verlieren diese Vorteile täglich.

Was KI im Treasury tatsächlich leistet – mit Zahlen

Reden wir über Substanz. Was bringt KI konkret, wenn sie im Treasury eingesetzt wird?

Cash Flow Forecasting: Auf Basis von Praxisbeobachtungen bei führenden Unternehmen erreichen KI-gestützte Prognosemodelle heute eine Genauigkeit von bis zu 90 Prozent – gegenüber 60 bis 70 Prozent bei klassischen regelbasierten Ansätzen. Das klingt nach einem technischen Detail, hat aber erhebliche praktische Konsequenzen: bessere Liquiditätsplanung, geringere Puffer-Anforderungen, präzisere Entscheidungsgrundlagen für das Management.

Covenant-Analyse und Vertragsmanagement: Ein Praxisbeispiel eines mittelständischen Automobilzulieferers (ca. 180 Mio. EUR Umsatz) illustriert das Potenzial: Was früher Stunden manueller Analyse erforderte – das Durcharbeiten von Kreditverträgen, das Identifizieren relevanter Covenants, das Erstellen strukturierter Berichte – lässt sich mit KI-gestützten Systemen um bis zu 95 Prozent schneller erledigen. Nicht als Ersatz des menschlichen Urteils, sondern als Vorarbeit, die dieses Urteil erst ermöglicht.

Reconciliation und Ausnahmebehandlung: Regelbasierte Automatisierung (RPA) kann Standardfälle abwickeln. KI kann darüber hinaus Muster erkennen, Ausnahmen klassifizieren und priorisieren – und lernt dabei kontinuierlich aus den Entscheidungen, die Menschen treffen.

Risikoerkennung: KI-Systeme analysieren in Echtzeit Marktdaten, Gegenparteienrisiken und Portfoliopositionen auf Anomalien und Muster, die kein menschliches Team in dieser Geschwindigkeit und Vollständigkeit erfassen könnte.

Diese Zahlen stammen nicht aus Hochglanzbroschüren, sondern aus konkreten Projekterfahrungen führender Finanzinstitute und Beratungsunternehmen, die aktive KI-Lösungen im Treasury-Bereich im Einsatz haben. Die Technologie funktioniert – wenn sie richtig implementiert wird.

KI ist nicht gleich KI: Eine notwendige Abgrenzung

Bevor wir tiefer einsteigen, ist eine Klarstellung wichtig, die in vielen Diskussionen fehlt: Nicht alles, was heute als „KI" vermarktet wird, ist dasselbe. Und die Unterschiede sind für Treasury-Entscheider relevant.

Robotic Process Automation (RPA)

Was RPA kann:

RPA führt regelbasierte Prozesse automatisch aus. Sie ist wertvoll, aber nicht intelligent – sie kann nicht mit Ausnahmen umgehen, die sie nicht kennt, und lernt nicht.

• Daten zwischen Systemen übertragen (z.B. aus E-Mails in TMS)
• Standardisierte Reports erstellen
• Wiederkehrende Klickpfade automatisieren

Was RPA nicht kann:

• Mit unerwarteten Formaten umgehen
• Entscheidungen auf Basis von Kontext treffen
• Aus Fehlern lernen

Treasury-Anwendung: Automatisierte Übernahme von Bankauszügen in standardisierten Formaten, Erstellung wiederkehrender Liquiditätsberichte.

Machine Learning (ML)

ML erkennt Muster in großen Datenmengen und trifft Vorhersagen. Cash Flow Forecasting ist ein klassischer ML-Anwendungsfall. ML lernt, verbessert sich mit mehr Daten und kann mit Unsicherheiten umgehen.

Was ML kann:

• Muster in historischen Daten erkennen
• Vorhersagen treffen und deren Unsicherheit quantifizieren
• Sich mit jedem neuen Datenpunkt verbessern

Was ML nicht kann:

• Mit völlig neuen Situationen umgehen, die keine Entsprechung in den Trainingsdaten haben
• Kausalität verstehen (nur Korrelation)
• Ohne ausreichende Datenhistorie funktionieren

Treasury-Anwendung: Cash Flow Forecasting, FX-Exposure-Prognosen, Working Capital-Optimierung.

Large Language Models (LLMs)

Was LLMs können:

LLMs wie GPT verarbeiten und generieren Sprache auf einem Niveau, das menschliche Kommunikation nachahmt. Im Treasury sind sie besonders wertvoll für die Analyse von Dokumenten, die Beantwortung komplexer Fragen auf Basis interner Wissensdatenbanken und die Erstellung von Berichten.

• Unstrukturierte Dokumente verstehen und zusammenfassen
• Komplexe Fragen in natürlicher Sprache beantworten
• Berichte und Analysen in konsistenter Qualität erstellen
• Mehrere Informationsquellen synthetisieren

Was LLMs nicht können:

• Garantiert faktisch korrekte Informationen liefern (Halluzination-Risiko)
• Mathematische Berechnungen ohne zusätzliche Tools durchführen
• Echtzeitdaten verarbeiten (ohne Integration)

Treasury-Anwendung: Vertragsanalyse, Knowledge Management, Reporting-Automatisierung.

Agentic AI

Agentic AI – das aktuell heißeste Thema – geht einen Schritt weiter: Autonome KI-Agenten können eigenständig Aufgaben planen, Ressourcen nutzen, andere Systeme ansprechen und Prozesse von Anfang bis Ende orchestrieren. Ohne dass ein Mensch jeden Schritt initiiert.

Was Agentic AI kann:

• Komplexe Aufgaben in Teilschritte zerlegen
• Eigenständig entscheiden, welche Tools/Systeme zu nutzen sind
• Mit anderen Agenten zusammenarbeiten
• Auf Basis von Feedback die Strategie anpassen

Was Agentic AI nicht kann:

• Vollständig autonom ohne menschliche Zielvorgabe agieren
• Die Konsequenzen ihres Handelns in allen Dimensionen verstehen
• Mit ethischen Dilemmata umgehen

Treasury-Anwendung: End-to-End-Prozessorchestrierung – z.B. vom Eingang einer Rechnung über Liquiditätsprüfung, Freigabe-Workflow, bis zur optimierten Zahlungsausführung.

Der entscheidende Unterschied: Agentic AI vs. Chatbot

Ein Chatbot – selbst ein LLM-basierter – wartet auf Ihre Frage und gibt eine Antwort. Ein Agentic System erkennt eigenständig, dass eine Aufgabe ansteht, plant die notwendigen Schritte, führt sie aus und informiert Sie über das Ergebnis.

Beispiel:

Chatbot-Ansatz:
Sie: „Welche Liquidität haben wir morgen?"
System: „Basierend auf aktuellen Daten: 12,3 Mio. EUR."

Agentic-Ansatz:
System erkennt: Morgen ist ein großer Zahlungsausgang geplant (15 Mio. EUR). Es prüft eigenständig alle Konten, identifiziert, dass Liquidität auf zwei Konzernkonten verfügbar ist, erstellt einen Transfervorschlag, prüft ob dieser den internen Richtlinien entspricht, und legt ihn Ihnen zur Freigabe vor – bevor Sie überhaupt danach gefragt haben.

Das ist der qualitative Sprung, den Agentic AI bringt. Nicht reaktiv, sondern proaktiv. Nicht ausführend, sondern orchestrierend.

Diese Unterscheidung ist nicht akademisch. Wer RPA als KI verkauft, übertreibt. Wer KI nur als Chatbot versteht, unterschätzt das Potenzial. Für eine strategische Entscheidung brauchen Sie Klarheit darüber, welche Technologie welches Problem löst.

Wie Machine Learning im Cash Flow Forecasting wirklich funktioniert – und warum Excel scheitert

Lassen Sie uns konkret werden. „KI verbessert Cash Flow Forecasting um 20 Prozentpunkte Genauigkeit" – das ist eine Aussage, die in jedem zweiten Whitepaper steht. Aber was bedeutet das eigentlich? Wie funktioniert das? Und warum kann Excel das nicht?

Das strukturelle Problem klassischer Forecasting-Methoden

Die meisten Unternehmen nutzen für Cash Flow Forecasting eine Kombination aus drei Ansätzen:

• Direkte Methode: Geplante Zahlungseingänge und -ausgänge werden manuell erfasst und aggregiert.
• Indirekte Methode: Aus Gewinn-/Verlustrechnung werden Cashflows abgeleitet.
• Historische Durchschnitte: „Im März hatten wir die letzten drei Jahre durchschnittlich X Millionen Cashflow, also nehmen wir das wieder."

Alle drei haben ein gemeinsames Problem: Sie können Nicht-Linearitäten, Saisonalitäten, externe Schocks und komplexe Wechselwirkungen nur begrenzt abbilden.

Excel-Modelle scheitern strukturell, weil:

• Sie auf statischen Formeln basieren, die menschlich definiert werden müssen. Jede Wenn-Dann-Regel muss explizit programmiert werden.
• Sie keine Mustererkennung über große Datenmengen durchführen können. Ein Mensch kann nicht 50 Variablen gleichzeitig betrachten und deren Interaktion verstehen.
• Sie nicht lernen. Das Modell von heute ist identisch mit dem von vor sechs Monaten – es sei denn, ein Mensch hat es manuell angepasst.
• Sie mit Unsicherheit schlecht umgehen. Excel gibt Ihnen eine Zahl, keine Wahrscheinlichkeitsverteilung.

Wie ein ML-Modell stattdessen vorgeht

Ein Machine Learning-Modell für Cash Flow Forecasting – typischerweise ein Ensemble aus Gradient Boosting-Algorithmen oder neuronalen Netzen – funktioniert grundlegend anders:

Schritt 1: Datensammlung und Feature Engineering

Das Modell benötigt historische Daten – idealerweise mindestens 24 Monate tägliche oder wöchentliche Cashflow-Daten. Aber nicht nur Cashflows. Sondern auch:

• Umsatzdaten (nach Region, Produktlinie, Kunde)
• Forderungs- und Verbindlichkeitenbestände
• Zahlungsbedingungen und historische Zahlungsmuster (DSO, DPO)
• Saisonale Marker (Kalenderwochen, Feiertage, Monatsenden)
• Externe Faktoren (Zinssätze, FX-Kurse, Rohstoffpreise bei relevanten Industrien)
• Makroökonomische Indikatoren (BIP-Wachstum, Einkaufsmanagerindizes)

Das Modell konstruiert daraus „Features" – abgeleitete Variablen, die prädiktive Kraft haben. Beispiel: Nicht nur „Umsatz im März", sondern „Umsatz im März der letzten drei Jahre, Trend, Volatilität, Abweichung vom gleitenden 12-Monats-Durchschnitt".

Schritt 2: Training

Das Modell sucht nach Mustern. Es lernt: „Wenn DSO in den letzten zwei Wochen um 5 Tage gestiegen ist, UND gleichzeitig Umsatz in Region EMEA um 10% gefallen ist, UND wir uns in Kalenderwoche 12 befinden, dann sinkt der Cashflow in den nächsten 7 Tagen im Durchschnitt um 8%, mit einer Standardabweichung von 3%."

Das ist keine Regel, die ein Mensch programmiert hat. Das ist ein statistisches Muster, das der Algorithmus selbst gefunden hat – eines von Tausenden.

Schritt 3: Validierung

Das Modell wird nicht auf allen Daten trainiert. Ein Teil (typisch 20-30%) wird zurückgehalten. Das Modell macht Vorhersagen für diese Daten – und seine Genauigkeit wird gemessen. Das verhindert Overfitting: Das Modell soll nicht historische Daten auswendig lernen, sondern echte Zusammenhänge verstehen.

Schritt 4: Produktiveinsatz und kontinuierliches Lernen

Das trainierte Modell macht täglich neue Vorhersagen. Es berechnet nicht nur einen Punktwert („Cashflow: 12,3 Mio. EUR"), sondern eine Wahrscheinlichkeitsverteilung: „Mit 70% Wahrscheinlichkeit zwischen 11,5 und 13,1 Mio. EUR, mit 95% Wahrscheinlichkeit zwischen 10,2 und 14,4 Mio. EUR."

Wichtiger noch: Sobald der tatsächliche Cashflow bekannt ist, wird dieser Datenpunkt dem Modell hinzugefügt. Das Modell wird regelmäßig neu trainiert – monatlich, wöchentlich, oder sogar täglich. Es wird kontinuierlich besser.

Warum das 20 Prozentpunkte Genauigkeitsgewinn bringt

Ein klassisches Excel-Modell kann vielleicht 10-15 Variablen sinnvoll verarbeiten. Ein ML-Modell kann Hunderte verarbeiten und deren komplexe, nicht-lineare Wechselwirkungen erkennen.

Ein Excel-Modell kann sagen: „Historisch hatten wir im Q1 15% höheren Cashflow." Ein ML-Modell kann sagen: „In Q1-Jahren mit steigenden Zinsen UND hoher Volatilität der Rohstoffpreise UND überdurchschnittlichem DSO war der Cashflow durchschnittlich 8% niedriger als in normalen Q1-Jahren."

Das ist der Unterschied zwischen einer vereinfachten Faustformel und einem präzisen, datengetriebenen Verständnis der tatsächlichen Dynamik Ihres Unternehmens.

Was das Modell konkret braucht

Die häufigste Frage: „Haben wir genug Daten?"

Die ernüchternde Antwort: Viele Unternehmen haben genug Daten, aber nicht saubere Daten.

Minimale Anforderungen:

• Mindestens 24 Monate historische Cashflow-Daten (täglich oder wöchentlich)
• Konsistente Erfassung (keine Systemwechsel, keine Definitionsänderungen)
• Zuordnung zu relevanten Kategorien (Operating Cash Flow, Investing, Financing)
• Zugang zu begleitenden Daten (Umsatz, Forderungen, Verbindlichkeiten)

Typische Probleme:

• Daten liegen in Silos (ERP, TMS, CRM, Excel – nicht integriert)
• Inkonsistente Zeitreihen (Systemwechsel, M&A-Aktivitäten, COVID-bedingte Strukturbrüche)
• Fehlende Granularität (nur Monatsendwerte statt täglicher Daten)

Die gute Nachricht: Diese Probleme sind lösbar. Aber sie müssen adressiert werden, bevor ein ML-Modell produktiv genutzt werden kann. Datenqualität ist nicht ein technisches Detail – es ist das Fundament. (Mehr dazu in Beitrag 3 dieser Serie.)

Ein konkretes Szenario: Mittelständisches Unternehmen, fragmentierte IT-Landschaft, erfolgreicher KI-Einstieg

Theorie ist wichtig. Aber sie überzeugt nur begrenzt. Lassen Sie uns ein reales Szenario durchspielen – anonymisiert, aber in allen relevanten Details authentisch.

Ausgangssituation

Unternehmen: Mittelständischer Automobilzulieferer, 180 Mio. EUR Umsatz, 450 Mitarbeiter, drei Produktionsstandorte in Deutschland und Osteuropa.

Treasury-Team: Drei Personen. Ein Treasury Manager, zwei Treasury-Sachbearbeiter.

Systemlandschaft:

• ERP: SAP (Hauptstandort Deutschland), lokales ERP-System in Osteuropa
• TMS: Keines. Liquiditätsmanagement über Excel und manuelle Bankauszugsverarbeitung
• Banking: Drei Bankpartner, unterschiedliche Formate, teilweise manuelle Eingabe

Herausforderung: Cash Flow Forecasting basiert auf manueller Zusammenstellung von Daten aus SAP, lokalen Systemen und Excel-Planungen der Fachabteilungen. Zeitaufwand: Zwei Tage pro Woche (einer der Sachbearbeiter ist nahezu vollständig damit ausgelastet). Genauigkeit: 14-Tages-Prognose erreicht eine Accuracy von ca. 75% (Abweichung durchschnittlich 25% vom tatsächlichen Wert). Das Management fordert höhere Genauigkeit und schnellere Updates.

Der pragmatische Einstieg: Schnell starten – aber mit klarem Scope und Governance

Interne Skepsis: „Wir sind zu klein für KI. Unsere Daten sind zu fragmentiert. Wir haben kein Budget für ein 18-Monats-Projekt."

Das Unternehmen entscheidet sich gegen ein großes Transformationsprojekt. Stattdessen: Ein fokussierter Pilotansatz über sechs Monate – mit klarer Definition von Umfang, Erfolgskriterien und Governance von Anfang an. Der Ansatz: Schnell lernen durch begrenzte Iteration, aber nicht übereilt implementieren ohne solide Grundlage.

Phase 1: Datenkonsolidierung (Monat 1-2)

Nicht als KI-Projekt, sondern als Treasury-Optimierung. Ziel: Eine zentrale Datenbasis schaffen.

• Automatisierte Bankauszugsverarbeitung: Integration eines Cloud-basierten Tools, das Bankauszüge aller drei Partner in ein standardisiertes Format überführt.
• SAP-Datenexport: Automatisierte tägliche Extraktion von Forderungen, Verbindlichkeiten, geplanten Zahlungen.
• Konsolidierung in einem Data Warehouse (Cloud-basiert, SaaS-Modell, keine eigene Infrastruktur nötig).

Kosten: 15.000 EUR einmalig, 2.500 EUR monatlich.

Zeiterparnis bereits nach zwei Monaten: Ein halber Tag pro Woche.

Phase 2: ML-basiertes Forecasting (Monat 3-4)

Mit sauberer Datenbasis wird ein spezialisierter Forecasting-Service eines Drittanbieters integriert. Das Modell wird auf 28 Monate historischer Daten trainiert.

Besonderheit: Das Unternehmen muss kein eigenes Modell entwickeln oder Data Scientists einstellen. Der Anbieter liefert eine API-basierte Lösung. Das Treasury-Team gibt Feedback: Welche Vorhersagen waren gut, welche schlecht, und warum? Dieses Feedback fließt in das Training ein.

Phase 3: Pilotbetrieb (Monat 5-6)

Parallel zum bestehenden Excel-Modell läuft das ML-Modell. Jeden Montag werden beide Vorhersagen verglichen mit den tatsächlichen Ergebnissen der Vorwoche.

Ergebnis nach sechs Monaten:

• ML-Modell: 14-Tages-Prognose erreicht eine Accuracy von ca. 88% (Abweichung durchschnittlich 12%; zuvor: Accuracy 75%, Abweichung 25%).
• Zeitaufwand für Forecasting: Reduziert von zwei Tagen auf einen halben Tag pro Woche.
• ROI: Die freigewordene Zeit eines Sachbearbeiters wird für strategische Projekte genutzt (Hedging-Strategie-Optimierung, Bankbeziehungsmanagement).

Erfolgsfaktoren – Was hat funktioniert?

• Kleiner, fokussierter Scope: Nicht „KI-Transformation", sondern „besseres Forecasting".
• Klare Erfolgskriterien: Steigerung der Accuracy um mindestens 10 Prozentpunkte (Reduzierung der Abweichung um mindestens 30%), Zeitersparnis von mindestens einem Tag pro Woche.
• Management-Buy-in durch frühe Erfolge: Nach zwei Monaten bereits sichtbare Zeitersparnis durch Datenkonsolidierung – lange bevor das ML-Modell lief.
• Keine Überforderung: Kein Aufbau eigener Kompetenzen, sondern Nutzung spezialisierter Dienstleister.
• Sorgfältige Governance von Anfang an: Dokumentation, Verantwortlichkeiten, Datenschutz- und Compliance-Check vor Pilotstart.

Was dabei gelernt wurde

Die größte Überraschung: Die Datenqualität war besser als erwartet. Das Problem war nicht fehlende Daten, sondern fragmentierte Systeme. Sobald diese integriert waren, war der Schritt zu ML klein.

Die größte Hürde: Nicht Technologie, sondern Change Management. Einer der Sachbearbeiter empfand das neue System zunächst als Bedrohung. Erst als klar wurde, dass die freigewordene Zeit für wertvollere Aufgaben genutzt wird (und seine Rolle aufgewertet wurde), drehte die Stimmung.

Der regulatorische Rahmen: EU AI Act – was Treasury-Abteilungen wirklich betrifft

Ein Aspekt, der in vielen KI-Diskussionen noch immer als „offene Frage" behandelt wird, ist längst entschieden: Der EU AI Act ist Realität.

Stand Februar 2026: Das Gesetz ist seit August 2024 in Kraft. Seit Februar 2025 gelten die Verbote für besonders risikoreiche KI-Praktiken. Und ab August 2026 – das sind weniger als sechs Monate – müssen alle Unternehmen, die sogenannte High-Risk-AI-Systeme einsetzen, vollständig compliant sein.

Hinweis: Die nachfolgenden Informationen zum EU AI Act basieren auf dem Stand Februar 2026. Regulatorische Entwicklungen können sich ändern; konsultieren Sie für verbindliche Auskünfte Ihre Rechtsabteilung oder spezialisierte Berater.

Was sind High-Risk-AI-Systeme im Treasury-Kontext?

Der AI Act definiert High-Risk-Systeme in Anhang III. Für Treasury-Abteilungen sind besonders relevant:

Kategorie 5(b): KI-Systeme zur Bewertung der Kreditwürdigkeit natürlicher Personen

Das betrifft primär Retail-Banking, weniger Corporate Treasury. Aber: Wenn Ihr Unternehmen ein KI-System nutzt, um Kreditlimits für Geschäftspartner zu setzen, die natürliche Personen sind (z.B. Einzelunternehmer), könnte das darunter fallen.

Die Grauzone: Interne Finanzsysteme

Kategorie (nicht explizit, aber interpretiert): Systeme mit erheblichen Auswirkungen auf kritische Infrastrukturen

Wenn Ihr Treasury-System autonome Entscheidungen in einem systemrelevanten Finanzinstitut trifft, könnte es als high-risk klassifiziert werden.

Ein KI-System, das Cash Flow Forecasts erstellt und diese als Informationsgrundlage liefert, ist wahrscheinlich nicht high-risk. Ein KI-System, das eigenständig Liquiditätstransfers zwischen Konzerngesellschaften ausführt, könnte es sein.

Die Rechtslage ist noch nicht vollständig geklärt. Die Empfehlung: Wenn Ihr System autonome, finanzwirksame Entscheidungen trifft, behandeln Sie es vorsorglich als high-risk und implementieren Sie entsprechende Maßnahmen.

Die Compliance-Anforderungen für High-Risk-Systeme

Wenn Ihr System als high-risk klassifiziert wird, müssen Sie folgende Anforderungen erfüllen:

1. Risikomanagement-System

Ein dokumentierter, kontinuierlicher Prozess zur Identifikation, Bewertung und Minderung von Risiken.

• Welche Risiken birgt das System? (Fehlprognosen, Bias, Datenschutzverletzungen)
• Wie werden diese überwacht?
• Welche Maßnahmen gibt es bei Fehlverhalten?

2. Datenqualität und Data Governance

Trainingsdaten müssen:

• Relevant, repräsentativ und fehlerfrei sein
• Angemessene statistische Eigenschaften haben
• Frei von Verzerrungen sein, die zu Diskriminierung führen könnten

Das erfordert dokumentierte Data Governance-Prozesse: Wer validiert Daten? Wie werden Fehler identifiziert? Wie wird Bias getestet?

3. Technische Dokumentation

Umfassende Dokumentation über:

• Design und Entwicklungsprozess des Systems
• Funktionsweise (auf technischer Ebene)
• Leistungsmetriken und Limitationen
• Annahmen und Einschränkungen

Diese Dokumentation muss jederzeit verfügbar sein – für interne Audits und bei Bedarf für Aufsichtsbehörden.

4. Transparenz und menschliche Aufsicht

High-Risk-Systeme müssen:

• So gestaltet sein, dass Menschen ihre Funktionsweise verstehen können
• Klare Informationen an Nutzer liefern (was kann das System, was nicht?)
• Mechanismen für menschliche Aufsicht enthalten (Menschen müssen Entscheidungen überschreiben können)

5. Logging und Nachvollziehbarkeit

Alle relevanten Systemaktivitäten müssen protokolliert werden:

• Welche Entscheidungen wurden getroffen?
• Auf Basis welcher Daten?
• Welche Personen haben interagiert?

Diese Logs müssen mindestens sechs Monate aufbewahrt werden (je nach Anwendungsfall länger).

Was passiert bei Nicht-Compliance?

Die Strafen sind erheblich. Der AI Act sieht Bußgelder von bis zu 35 Millionen Euro oder 7% des weltweiten Jahresumsatzes vor (je nachdem, welcher Betrag höher ist) – für die schwerwiegendsten Verstöße.

Aber die größere Gefahr ist nicht die Strafe, sondern das Risiko:

• Reputationsschaden: „Unternehmen X verstößt gegen KI-Regulierung" ist keine Schlagzeile, die Sie wollen.
• Betriebsunterbrechung: Wenn ein System nicht compliant ist, muss es eventuell abgeschaltet werden – mitten im Betrieb.
• Haftungsrisiken: Wenn ein KI-System fehlerhafte Entscheidungen trifft und dadurch Schaden entsteht, könnten rechtliche Konsequenzen folgen.

Praktische Handlungsempfehlungen

Schritt 1: Klassifizierung

Erstellen Sie eine Liste aller KI-Systeme, die Ihr Treasury nutzt oder plant.

Bewerten Sie für jedes System:

• Welche Entscheidungen trifft es?
• Sind diese Entscheidungen autonom oder unterstützend?
• Könnte das System unter eine High-Risk-Kategorie fallen?

Schritt 2: Governance-Rahmen aufbauen

Selbst wenn Ihre Systeme nicht als High-Risk klassifiziert werden – implementieren Sie Grundprinzipien:

• Dokumentierte Genehmigungsprozesse für neue KI-Anwendungen
• Regelmäßige Reviews der Systemperformance
• Klare Eskalationswege bei Fehlfunktionen

Schritt 3: Schulung

Ihr Team muss verstehen:

• Wie KI-Systeme funktionieren (auf konzeptioneller Ebene)
• Welche Limitationen sie haben
• Wie man mit Fehlern umgeht

Schritt 4: Zusammenarbeit mit Anbietern

Wenn Sie KI-Systeme von Drittanbietern nutzen, stellen Sie sicher, dass diese AI Act-compliant sind. Involvieren Sie frühzeitig Rechtsabteilung und Compliance.

Die Psychologie des Abwartens – warum „nicht jetzt" selten rational ist

Es gibt legitime Gründe, mit KI-Projekten zu warten. Unzureichende Datenqualität. Fehlende IT-Kapazitäten. Regulatorische Unsicherheit.

Aber oft sind die Gründe andere. Lassen Sie uns ehrlich sein.

Einwand 1: „Wir warten, bis die Technologie ausgereift ist"

Dieser Einwand war 2023 berechtigt. 2024 diskutabel. 2026 ist er überholt.

LLMs sind seit mehr als drei Jahren im produktiven Einsatz. Machine Learning für Forecasting ist seit einem Jahrzehnt etabliert. Die Technologie ist nicht mehr experimentell.

Was sich ändert, ist die Geschwindigkeit der Verbesserung. Aber wer darauf wartet, dass „alles fertig ist", wartet für immer. Die Frage ist nicht, ob die Technologie reif genug ist. Die Frage ist, ob Sie bereit sind, den Lernprozess zu beginnen.

Einwand 2: „Wir haben aktuell keine Ressourcen"

Das ist der häufigste Einwand – und oft der ehrlichste.

Die Realität: KI-Projekte müssen keine Mammutprojekte sein. Große Beratungsunternehmen bieten „KI Quick Wins"-Programme an: Vier bis sechs Wochen, fokussiert auf einen Use Case (typischerweise Reconciliation oder Forecasting), mit garantierter messbarer Verbesserung.

Das Ziel: Die psychologische Hürde senken und Erfahrung aufbauen.

Das bedeutet: Der Wettbewerb investiert nicht Millionen. Sie investieren Zeit – und die investieren sie jetzt. Wer 2026 noch nicht mit einem ersten Piloten begonnen hat, verliert nicht nur Effizienzpotenzial. Sondern auch Lernkurve.

Einwand 3: „Das ist zu komplex für uns"

Dieser Einwand basiert auf einem Missverständnis: KI ist keine Frage der Unternehmensgröße, sondern der Prozesskomplexität.

Die Realität: Ein mittelständisches Unternehmen mit drei Standorten und komplexen Konzernstrukturen hat oft mehr Nutzen von KI als ein Großkonzern mit standardisierten Prozessen.

Warum? Weil KI besonders gut darin ist, mit Heterogenität umzugehen.

Und: Sie müssen kein KI-Experte werden. Sie müssen wissen, welche Probleme Sie haben – und welche Anbieter diese lösen können. Das ist keine technische Frage, sondern eine strategische.

Einwand 4: „Das rechnet sich nicht"

Die Frage nach dem ROI ist berechtigt. Aber oft wird sie zu eng gestellt.

Typische ROI-Betrachtung:

• Kosten: Implementierung, Lizenzgebühren, Schulung
• Nutzen: Zeitersparnis, höhere Genauigkeit

Der ROI: Wenn Sie einen halben FTE (Full-Time Equivalent) durch Automatisierung freisetzen, haben Sie das in 12-18 Monaten wieder drin. Jede weitere Verbesserung ist reiner Gewinn.

Die versteckten Kosten des Abwartens:

• Opportunity Cost: Während Sie abwarten, nutzen Wettbewerber KI, um bessere Forecasts zu erstellen, schneller auf Marktveränderungen zu reagieren, und strategischere Entscheidungen zu treffen.
• Lernkurve: Jeder Monat, den Sie später beginnen, ist ein Monat, in dem Sie keine Erfahrung aufbauen.
• Talentabwanderung: Die besten Treasury-Professionals wollen mit moderner Technologie arbeiten. Wer das nicht bietet, verliert sie an Wettbewerber.

Einwand 5: „Unser Team ist skeptisch"

Das ist der ehrlichste – und oft unterschätzteste – Einwand.

Niemand mag Veränderung. Besonders, wenn sie als Bedrohung wahrgenommen wird.

Das Gegenmittel:

• Frühe Einbindung: Lassen Sie das Team Teil des Entscheidungsprozesses sein. Nicht: „Wir implementieren KI." Sondern: „Welches Problem nervt euch am meisten – und könnten wir das mit KI lösen?"
• Kleine Erfolge: Beginnen Sie mit einem Use Case, der schnell Ergebnisse liefert. Nichts überzeugt so sehr wie messbare Verbesserung.
• Transparenz über Konsequenzen: Freigesetzte Zeit ist kein Stellenabbau. Es ist Aufwertung. Machen Sie klar: Wer sich von Routineaufgaben befreit, kann strategisch wertvoller werden.

Wo Sie konkret starten können – drei realistische erste Schritte

Theorie ist wichtig. Aber was können Sie konkret tun – diese Woche, nicht nächstes Jahr?

Schritt 1 – Reconciliation

Was es ist: Automatisierte Abstimmung von Zahlungsströmen zwischen Bank, ERP und TMS. Identifikation von Ausnahmen (unmatched items).

Warum hier starten:

• Geringer Bedarf an historischen Daten (das System lernt aus aktuellen Transaktionen)
• Schnelle Implementierung (oft 6-12 Wochen)
• Sofortiger, messbarer Nutzen (Zeitersparnis)
• Geringes Risiko (unterstützende Funktion, keine strategische Entscheidung)

Erwartbare Ergebnisse:

• 70-90% der Transaktionen werden automatisch gematched
• Verbleibende Ausnahmen werden priorisiert und strukturiert vorgelegt
• Zeitersparnis: 50-80% (je nach Ausgangssituation)

Anbieter-Beispiele:

Spezialisierte Lösungen wie HighRadius, BlackLine, oder TMS-integrierte Automatisierung bei SAP, FIS, Kyriba.

Schritt 2 – Cash Visibility & Reporting

Was es ist: Automatisierte Aggregation und Visualisierung von Cashbeständen über mehrere Banken, Währungen und Rechtseinheiten hinweg. LLM-gestützte Berichtserstellung.

Warum hier starten:

• Unmittelbare Wertschöpfung (Management bekommt bessere, schnellere Information)
• Fundament für weitere KI-Anwendungen (saubere, konsolidierte Datenbasis)
• Moderate Komplexität (keine Vorhersagemodelle, „nur" Aggregation und Visualisierung)

Erwartbare Ergebnisse:

• Echtzeit-Übersicht über globale Liquidität (statt manueller Excel-Konsolidierung)
• Automatische Berichtserstellung (z.B. „Weekly Cash Report" in natürlicher Sprache)
• Zeitersparnis: 1-2 Tage pro Woche

Schritt 3 – Cash Flow Forecasting

Was es ist: ML-basierte Vorhersage zukünftiger Cashflows auf Basis historischer Daten, Umsatzentwicklung, Zahlungsverhalten und externer Faktoren.

Warum nicht gleich hier starten:

• Benötigt saubere, konsistente Datenhistorie (die Sie in Schritt 1+2 aufgebaut haben)
• Größte messbare Genauigkeitsgewinne (typisch +15-25 Prozentpunkte Accuracy-Steigerung)
• Hoher strategischer Wert (bessere Planung, geringere Liquiditätspuffer)

Erwartbare Ergebnisse:

• Forecasting-Genauigkeit steigt von 60-75% Accuracy auf 85-92% Accuracy
• Wahrscheinlichkeitsverteilung statt Punktschätzung (besseres Risikoverständnis)
• Kontinuierliche Verbesserung (Modell lernt mit jedem neuen Datenpunkt)

Die Botschaft dieses Beitrags: Handeln, nicht abwarten

Dieser erste Beitrag hat den Kontext gesetzt – die Realität des Jahres 2026, die regulatorischen Anforderungen, die Marktentwicklungen und die strategische Dringlichkeit. Die folgenden sechs Beiträge gehen tiefer:

• Beitrag 2 beleuchtet KI-Agenten und Assistenzsysteme im Treasury – was sie konkret leisten, wie sie sich von Chatbots unterscheiden, und welche Anwendungsfälle bereits produktiv laufen.
• Beitrag 3 widmet sich der Datenqualität und Infrastruktur – dem oft unterschätzten Fundament jeder erfolgreichen KI-Implementierung.
• Beitrag 4 analysiert Blockchain und DeFi im Treasury-Kontext – jenseits des Hypes, mit Fokus auf reale Anwendungsfälle.
• Beitrag 5 behandelt Risikomanagement und Compliance – wie Sie KI sicher und regelkonform einsetzen.
• Beitrag 6 zeigt die strategische Perspektive – wie KI die Rolle des Treasurers verändert und welche neuen Kompetenzen gefordert sind.
• Beitrag 7 blickt in die Zukunft – wohin entwickelt sich KI im Treasury, und wie bereiten Sie sich darauf vor?

Aber der wichtigste Punkt ist: Sie müssen nicht alle sieben Beiträge lesen, bevor Sie handeln. Sie können heute beginnen.

Die Unternehmen, die 2026 führend sind, haben eines gemeinsam: Sie haben 2024 oder spätestens 2025 angefangen. Nicht mit einem perfekten Plan. Sondern mit einem fokussierten Piloten, klaren Erfolgskriterien und der Bereitschaft, zu lernen.

Die Frage ist nicht, ob KI im Treasury funktioniert. Die Frage ist, wann Sie anfangen.

Blogartikel 2 erscheint in vier Wochen: KI-Agenten im Treasury – Wie autonome Systeme Prozesse neu definieren.