Künstliche Intelligenz im Corporate Treasury:

Das Corporate Treasury steht an der Schwelle zu einer neuen Ära: Künstliche Intelligenz (KI) ermöglicht präzise Liquiditätsplanung, Echtzeit-Risikosteuerung und fundierte Entscheidungen. Die KPMG-Studie „Generative KI in der deutschen Wirtschaft 2025¹“ zeigt: KI ist eine Schlüsselvoraussetzung für Wettbewerbsfähigkeit, Innovation und Effizienz. Abwarten ist keine Option – die Lücke zwischen Unternehmen, die KI erfolgreich einsetzen, und denen, die zurückhaltend agieren, wird immer größer.

Drei Entwicklungen treiben diesen Wandel besonders im Treasury: steigende Marktkomplexität, verschärfte Regulierung und der Druck, Prozesse zu automatisieren sowie Effizienz und Mitarbeiterzufriedenheit zu steigern. Wer jetzt handelt, kann die Treasury-Funktion vom reinen Prozessabwickler zum strategischen Steuerungszentrum entwickeln.

Volatile Märkte und komplexe Rahmenbedingungen
Globale Krisen, geopolitische Spannungen und dynamische Zinsentwicklungen sorgen für erhebliche Unsicherheiten bei Währungen, Lieferketten und Finanzierungskosten. Gleichzeitig gewinnen ESG-Anforderungen an Bedeutung und müssen in Finanz- und Liquiditätsplanung integriert werden.²

Treasurer benötigen deshalb flexible Werkzeuge, die interne und externe Daten verknüpfen, um schnelle und fundierte Entscheidungen zu treffen. Interne Daten wie ERP-Informationen, Bankkonten und Cashflow-Historien werden mit externen Faktoren wie Marktentwicklungen, Währungsrisiken, Lieferketteninformationen oder ESG-Vorgaben kombiniert. KI-gestützte Modelle können daraus Prognosen ableiten und Handlungsempfehlungen geben.³

Beispiel: Ein Corporate-Treasury-Team muss kurzfristig Liquidität bereitstellen, da eine geplante Zahlung an einen Lieferanten durch Lieferkettenstörungen verzögert wird. KI könnte interne Cashflows und offene Rechnungen sowie externe Wechselkursrisiken analysieren und dem Treasurer empfehlen, welche Zahlungen priorisiert werden sollten, ob kurzfristige FX-Hedges nötig sind oder Liquidität über Kreditlinien abgesichert werden sollte. So könnte das Treasury schnell und präzise reagieren, ohne zeitintensive manuelle Analysen durchführen zu müssen.

Steigender Regulierungsdruck
Neue Vorschriften erhöhen die Anforderungen an Transparenz, Nachvollziehbarkeit und Risikomanagement – auch für das Corporate Treasury. DORA⁴ (Digital Operational Resilience Act) verlangt, dass IT-Risiken in Treasury-Systemen, Bankanbindungen und Payment-Prozessen lückenlos überwacht, dokumentiert und getestet werden. Basel IV wirkt indirekt auf Corporates, da präzisere Risikobewertungen bei Banken die Kreditkonditionen, Sicherheitenanforderungen und Finanzierungskosten beeinflussen.

Corporate Treasury muss daher Risiken bei Liquidität, Währungen und Zinsen noch exakter steuern und gleichzeitig Compliance-Anforderungen erfüllen. KI kann hier unterstützen, indem sie Prozesse automatisiert, Risiken kontinuierlich überwacht und fundierte Szenarioanalysen ermöglicht. So wird die Treasury-Funktion nicht nur regelkonform, sondern gewinnt gleichzeitig strategische Handlungsspielräume.

Effizienz, Mitarbeiterentlastung und Innovationsvorsprung
Laut der KPMG-Studie „Generative KI in der deutschen Wirtschaft 2025⁵“ sehen 63 % der Unternehmen Effizienzsteigerung durch KI als größten Nutzen, 45 % erwarten eine höhere Mitarbeiterzufriedenheit, und 69 % gehen von einem Innovationsvorsprung durch KI aus. Im Treasury zeigt sich dies besonders bei wiederkehrenden Aufgaben wie Cashflow-Abgleichen, Kontenabstimmungen oder Reporting. KI automatisiert diese Prozesse, reduziert Fehler und schafft Freiräume für strategische Analysen, Risikosteuerung und aktive Beratung des Managements.

Ein zentraler Treiber für den Einsatz von KI im Treasury ist der interne Druck auf Effizienz, Kosten und Mitarbeiterzufriedenheit. Laut der KPMG-Studie „Generative KI in der deutschen Wirtschaft 2025“ sehen 63 % der Unternehmen die Effizienzsteigerung als größten Nutzen. Im Treasury bedeutet das: Wiederkehrende Aufgaben wie Cashflow-Abgleiche, Kontenabstimmungen oder Standardreportings werden automatisiert. Das reduziert Fehlerquoten und schafft Freiräume für wertschöpfende Tätigkeiten – vom Szenario-Management bis zur aktiven Beratung des Managements.

Auch die Mitarbeiter profitieren: 45 % der Unternehmen erwarten eine höhere Zufriedenheit durch den Einsatz von KI. Im Treasury zeigt sich das konkret in einer geringeren Belastung durch Ad-hoc-Krisenmaßnahmen, einer besseren Planbarkeit von Monatsendaktivitäten und einer spürbaren Entlastung im Tagesgeschäft. KI-gestützte Assistenzsysteme machen komplexe Analysen leichter zugänglich, fördern neue Kompetenzen im Umgang mit Daten und steigern so die Attraktivität des Arbeitsumfelds.

Darüber hinaus gehen 69 % der Unternehmen davon aus, dass KI ihnen einen Innovationsvorsprung verschafft. Treasury kann dadurch neue Rollen übernehmen: Statt statischer Reports entstehen dynamische Dashboards mit Szenario-Simulationen, die Zins- oder FX-Entwicklungen in Echtzeit abbilden. Risiken werden nicht nur schneller erkannt, sondern aktiv gesteuert. Auch im Working Capital eröffnen sich neue Spielräume – KI prognostiziert das Zahlungsverhalten von Kunden und ermöglicht die gezielte Anpassung von Zahlungsbedingungen. Erste Pilotprojekte wie KI-gestütztes Hedging oder automatisierte Forecasts zeigen, wie Innovationszyklen deutlich beschleunigt werden.⁶

Nachdem wir einige Treiber der Transformation – volatile Märkte, zunehmende Regulierung und den Druck auf Effizienz, Mitarbeiterzufriedenheit und Innovation – skizziert haben, zeigt sich in der Praxis, warum KI im Treasury unverzichtbar ist: Ihre größten Vorteile entfalten sich in drei zentralen Anwendungsfeldern – Liquiditätsplanung, FX-Risikomanagement und Betrugsprävention/Forderungsmanagement.⁷

Prädiktive Liquiditätsplanung: Vom Rückspiegel zur Echtzeit-Steuerung
Traditionelle Cashflow-Prognosen sind oft ungenau und reagieren zu langsam auf volatile Märkte. KI-Modelle können hier deutlich besser unterstützen. Spezielle Algorithmen wie LSTM-Netze („Long Short-Term Memory“)⁸ analysieren historische Cashflow-Daten über die Zeit, erkennen Muster und berücksichtigen komplexe Zusammenhänge zwischen internen Daten (wie beispielsweise ERP, Bankkonten) und externen Faktoren wie Marktentwicklungen oder Lieferketteninformationen. So entstehen hochpräzise Prognosen, die Treasurer in Echtzeit unterstützen und Handlungsspielräume aufzeigen. Zum Beispiel reduzierte Bosch den Cash-Buffer um 30 Prozent⁹.

Intelligentes FX-Risikomanagement: KI als Hedging-Co-Pilot
Manuelle Hedging-Entscheidungen sind oft zu langsam. Treasury-Teams müssen zahlreiche interne und externe Datenquellen gleichzeitig berücksichtigen – von Cashflow-Prognosen über Markt- und Währungsinformationen bis hin zu geopolitischen Entwicklungen. Das kostet Zeit und führt dazu, dass Entscheidungen häufig verzögert umgesetzt werden. Zudem können Unsicherheit und kognitive Verzerrungen wie übermäßige Vorsicht oder Orientierung an anderen Marktteilnehmern die Qualität der Entscheidungen beeinträchtigen.

KI kann diese Herausforderungen adressieren: Sie analysiert Echtzeit-Marktdaten, erkennt Muster, bewertet Risiken objektiv und empfiehlt optimale Hedging-Zeitpunkte. Durch Reinforcement-Learning-Algorithmen können Transaktionen automatisiert ausgeführt werden, wodurch ein Treasury schneller, effizienter und datenbasiert handeln kann.

Betrugsprävention & Forderungsmanagement: KI als Watchdog
Betrug und verspätete Zahlungen, vor allem Zahlungseingänge belasten Treasury und Unternehmen erheblich. KI erkennt verdächtige Muster, analysiert Zahlungsströme und Kommunikation in Echtzeit und prognostiziert das Zahlungsverhalten von Kunden.¹⁰

Der erfolgreiche Einsatz von KI im Treasury erfordert eine strukturierte Vorgehensweise, klare Prioritäten und erprobte Praktiken. Unternehmen, die KI effizient einführen, verbinden strategische Planung mit pragmatischem Handeln – von der Datenbasis bis zur Skalierung.¹¹

Der erfolgreiche Einsatz von KI im Treasury erfordert mehr als einzelne Tools – er ist eine kontinuierliche, strategisch gesteuerte Transformation. Treasury- Organisationen müssen nicht nur konkrete Use Cases identifizieren, sondern auch eine übergeordnete Datenstrategie entwickeln, welche interne Systeme, Bankanbindungen und externe Informationsquellen zentral zusammenführt. Nur so entstehen valide Entscheidungsgrundlagen für Automatisierung, Risikoanalysen und Reporting.

Die Einführung von KI lässt sich in fünf aufeinander aufbauende Phasen gliedern:

1. Strategie: Zunächst werden die wichtigsten Treasury-Use Cases identifiziert, etwa die Reduzierung von DSO oder die Optimierung von Cashflow-Prognosen. Klare KPIs werden definiert, und eine zentrale Datenarchitektur wird aufgebaut. Bereits in dieser Phase sollten KI-Champions benannt werden, die als interne Treiber die Umsetzung begleiten, Teams schulen und dafür sorgen, dass die KI-Lösungen praxisnah eingesetzt werden.
2. Daten: Eine robuste Dateninfrastruktur bildet die Basis für zuverlässige Analysen. ERP-Systeme und Bankkonten werden integriert, Daten bereinigt und strukturiert. Externe Informationen, wie Marktdaten, Währungsentwicklungen oder ESG-Risiken, werden eingebunden. Nur so entstehen valide Entscheidungsgrundlagen. Cloud-Lösungen sorgen zusätzlich für Skalierbarkeit und Flexibilität.
3. Change Management: Um die Akzeptanz im Team zu erhöhen, werden Schulungen durchgeführt und Quick Wins umgesetzt. KI-Champions unterstützen die Anwender, vermitteln Best Practices und fördern die Entwicklung von Prompting-Skills¹², die für eine effiziente Zusammenarbeit mit KI notwendig sind.
4. Pilotphase: In kleinem Rahmen werden Use Cases getestet, zum Beispiel KI-gestütztes Reporting oder prädiktive Cashflow-Analysen. Durch den Ansatz „Fail fast, learn fast“ lassen sich Modelle schnell optimieren und wertvolles Feedback sammeln, bevor die Lösungen im gesamten Treasury skaliert werden.
5. Skalierung: Governance-Regeln werden implementiert, Modelle kontinuierlich trainiert und Echtzeit-Verarbeitung eingeführt. Langfristige KPIs wie Krisenresilienz sichern den nachhaltigen Erfolg. Die Technologie wird gezielt ausgewählt, sodass sie skalierbar, anpassbar und datenschutzkonform bleibt.

Bewährte Praktiken aus der Praxis
Ergänzend zur Roadmap haben sich in führenden Unternehmen einige Best Practices bewährt:

• Robuste Dateninfrastruktur: Eine zentralisierte und strukturierte Datenbasis, die interne Systeme (ERP, Bankkonten, Cashflow-Daten) und externe Quellen (Marktdaten, Währungsinformationen, Lieferketten- und ESG-Daten) miteinander verbindet, erhöht die Genauigkeit von Prognosen und Analysen. Gleichzeitig erleichtert sie die bereichsübergreifende Zusammenarbeit zwischen Treasury, Controlling und Risikomanagement.
• Multidisziplinäres KI-Team: Erfolgreiche Treasury-KI-Projekte profitieren von Teams, die Experten aus Treasury, Datenwissenschaft, Compliance und Business-Analyse zusammenbringen. So wird sichergestellt, dass KI-Lösungen die richtigen Probleme adressieren, praxisnah bleiben und regulatorische Anforderungen erfüllen.
• Gezielte Technologieauswahl: Unternehmen müssen entscheiden, ob bestehende Tools für ihre Anforderungen ausreichen oder eine maßgeschneiderte interne Plattform nötig ist. Kriterien sind dabei Skalierbarkeit, Anpassbarkeit, Integrationsfähigkeit und Datenschutz. Eine bewusste Technologieentscheidung verhindert Insellösungen und sorgt für nachhaltige Nutzung.
• Strikte Governance: Klare Regeln für Datenzugriff, Ergebniskontrolle, Modell-Validierung und Mitarbeiterschulungen reduzieren rechtliche und Compliance-Risiken. Governance sorgt dafür, dass KI-Lösungen vertrauenswürdig, nachvollziehbar und revisionssicher bleiben.
• Pilotprojekte: Beginnen Sie mit risikoarmen, messbaren Anwendungsfällen, wie etwa KI-gestütztes Monatsreporting oder Forecasting. Pilotprojekte schaffen Akzeptanz, liefern wertvolles Feedback für die Anpassung der Modelle und bilden die Basis für die erfolgreiche, skalierte Einführung im gesamten Treasury.

Durch die Verbindung von strukturierter Roadmap und bewährten Praktiken wird KI im Treasury nicht nur implementiert, sondern strategisch wirksam, steigert Effizienz, senkt Risiken und fördert Innovation.

KI entwickelt sich zunehmend zum strategischen Co-Piloten im Treasury. Sie macht beispielsweise die Liquiditätsplanung in Echtzeit steuerbar, ermöglicht Intraday-Optimierungen im FX-Risikomanagement und liefert dynamisches Reporting. Gleichzeitig laufen Betrugsprävention und Forderungsmanagement automatisiert ab und liefern kontinuierlich belastbare Daten. Zentrale Datenhaushalte¹³, Cloud-Lösungen und modulare Schnittstellen sorgen dafür, dass das Treasury schneller, flexibler und transparenter agieren kann.

Die technologische Infrastruktur¹⁴ wird dabei immer zentraler: Konsolidierte Datenhaushalte schaffen eine umfassende Sicht auf Bilanz, Kapital und Liquidität, während Cloud-Technologien skalierbare Analysen ohne großen Hardware-Aufwand ermöglichen. Modulare Systeme und offene Schnittstellen erlauben zudem eine flexible Integration neuer KI-Funktionen.

Auch die Kompetenzen im Treasury verändern sich: Treasurer werden von reinen Prozessabwicklern zu strategischen Analysten, die KI gezielt steuern. Prompting-Skills gewinnen an Bedeutung und werden zum zentralen Erfolgsfaktor.

Ebenso zentral ist die Datensouveränität: Treasury-Teams müssen sicherstellen, dass Datenqualität, -zugriff und -nutzung jederzeit den regulatorischen Vorgaben entsprechen und gleichzeitig den maximalen Steuerungsnutzen entfalten. Das erfordert ein tiefes Verständnis für Datenarchitekturen, Governance und die Integration externer Quellen wie Marktdaten oder ESG-Kennzahlen.

Für Unternehmen bedeutet dies: Investitionen in zentrale Datenarchitekturen, gezielte Pilotprojekte und neue Kompetenzprofile sind entscheidend. Agile Steuerungsprozesse, die schnelle Entscheidungen ermöglichen, werden ebenso unerlässlich wie eine kontinuierliche Weiterentwicklung der KI-Modelle (Prompting).

KI ist längst mehr als ein einmaliges Projekt – sie ist eine kontinuierliche Transformation, die das Treasury effizienter macht, Risiken besser steuert und strategische Entscheidungen in Echtzeit unterstützt. Drei zentrale Erkenntnisse zeigen, worauf es jetzt ankommt:

• KI ist unverzichtbar: Unternehmen, die KI frühzeitig und erfolgreich einsetzen, sichern sich klare Wettbewerbsvorteile – von bis zu 30 % Kosteneinsparungen bis zu 90 % präziseren Prognosen .
• Erfolg liegt in der Umsetzung: Entscheidend sind hochwertige Daten, Pilotprojekte mit messbarem Mehrwert und konsequentes Change Management, das die Organisation mitnimmt.
• Die Zukunft gehört den Pionieren: KI wird in naher Zukunft das Treasury vom operativen Dienstleister zum strategischen Co-Piloten machen – wer jetzt handelt, gestaltet diese Entwicklung aktiv mit.

Wer früh handelt, verschafft sich nicht nur Effizienz- und Innovationsvorteile, sondern stärkt auch die Position des Treasury als zentrales Steuerungszentrum für das gesamte Unternehmen.

Quelle: KPMG Corporate Treasury News, Ausgabe 158, September 2025
Autoren:
Nils Bothe, Partner, Finance and Treasury Management, Corporate Treasury Advisory, KPMG AG
Nils Bentzien, Manager, Finance and Treasury Man-agement, Corporate Treasury Advisory, KPMG AG

___________________________________________________________________________________________________________

¹ KPMG: Studie Generative KI in der deutschen Wirtschaft 2025, URL: https://kpmg.com/de/de/home/themen/2025/04/studie-generative-ki-in-der-deutschen-wirtschaft-2025.html 
² esgnew.com: IBM bringt KI-gestützte Lösungen für verbessertes Asset Management und Emissionstracking auf den Markt - ESG News
³ TraidingView: Citi und Ant International pilotieren KI-gestütztes FX-Tool für Kunden, um Hedging-Kosten zu senken — TradingView News
⁴ Vgl.: eur-lex.europa.eu: Regulation - 2022/2554 - DE - DORA - EUR-Lex; BaFin.de: DORA - Digital Operational Resilience Act
⁵ KPMG: Studie Generative KI in der deutschen Wirtschaft 2025, URL: https://kpmg.com/de/de/home/themen/2025/04/studie-generative-ki-in-der-deutschen-wirtschaft-2025.html 
⁶ DerTreasurer: Was Künstliche Intelligenz für das Hedging leistet
⁷ McKensey: AI in the workplace: A report for 2025 | McKinsey
⁸ Unter Long Short-Term Memory“, kurz LSTM-Netze  sind Spezielle neuronale Netze zur Analyse zeitlicher Abfolgen zu verstehen, z. B. für Cashflow-Prognosen über Monate hinweg.
⁹ Reitzenstein, B., Pinzger, A., & Pottmeyer, T. (2020). Net Working Capital Optimierung mit Prescriptive Analytics bei der Robert Bosch GmbH. Controlling, 32(1), 50–57. https://doi.org/10.15358/0935-0381-2020-1-50
¹⁰ acfe.com: Global Fraud Survey
¹¹ Wildhirt, K., Bub, U. & Vogel, M. Generative KI erfolgreich in Unternehmen implementieren. Wirtsch Inform Manag (2025); 
Schäffer, Utz. „Generative KI ist schneller Realität als jeder andere Hype“. In.: Controlling & Management Review, Vol. 69, 32–37 (2025); 
Breiter, K., Lohmann, T., Stahl, B. et al. Generative KI in der Finanzbranche: Strategische, technologische und organisationale Implementierung am Beispiel der DZ BANK AG. HMD (2025)
¹² Prompting - Das gezielte Stellen von Fragen oder Anweisungen an KI-Systeme, um präzise Ergebnisse zu erhalten.
¹³ Unter Datenhaushalte, bzw. zentralisierte sind konsolidierte Speicherung und Strukturierung aller relevanten Treasury- und Finanzdaten für KI-Analysen zu verstehen
¹⁴ KPMG: Treasury Management 2030: Mit generativer KI und neuer Infrastruktur
¹⁵ KPMG: Studie Generative KI in der deutschen Wirtschaft 2025, URL: https://kpmg.com/de/de/home/themen/2025/04/studie-generative-ki-in-der-deutschen-wirtschaft-2025.html