Künstliche Intelligenz im Treasury

Ein kritischer Blick auf den Stand der Technologie, Chancen, Arbeitsplätze und sinnvolle nächste Schritte für Unternehmen

Kaum ein Thema wird derzeit so kontrovers diskutiert wie Künstliche Intelligenz (KI). Auch im Treasury versprechen Anbieter Effizienzsprünge, bessere Entscheidungen und automatisierte Prozesse. Doch was steckt wirklich dahinter – und wo bringt KI heute schon echten Nutzen?

In unserem letzten Artikel (Künstliche Intelligenz im Corporate Treasury - KPMG in Deutschland) haben wir uns mit den Treibern der Transformation sowie den Erfolgsfaktoren beschäftigt. In diesem Artikel geht es mehrheitlich um den aktuellen Stand der Technik und die Marktreife der verschiedenen Anwendungsmöglichkeiten sowie Bedeutung für die Treasury Abteilung.

KI im Treasury hat in den letzten Jahren einen deutlich höheren Reifegrad erreicht. Wir befinden uns aktuell in einer Übergangsphase: von regelbasierten Automatisierungen (z.B. Makros, If-Then-Logik) über Machine Learning hin zu generativen und agentischen KI-Systemen.

Während Machine Learning bereits heute in Pilotprojekten produktiv eingesetzt wird, steckt agentische KI – also selbstständig handelnde, entscheidungsfähige Systeme – noch in der Entwicklungsphase. Sie verspricht langfristig ein nahezu autonomes Treasury, in dem KI-Agents eigenständig Szenarien durchspielen, Risiken bewerten und Maßnahmen vorschlagen.

Noch ist das recht experimentell, doch die Richtung ist klar: KI wird das Treasury verändern – schrittweise, nicht disruptiv.

In unserem vorangegangenen Artikel hatten wir Ihnen drei Kernanwendungen mit sofortigem Mehrwert vorgestellt, die wir im Folgenden hinsichtlich ihrer Marktreife aufgreifen.

1. Prädiktive Liquiditätsplanung
KI-Modelle analysieren historische Zahlungsströme, saisonale Effekte und externe Faktoren, um zukünftige Cashflows zu prognostizieren. Dadurch werden Planungen realistischer, Schwankungen früher erkannt und die Möglichkeiten risikoreduzierend gegenzusteuern größer. KI kann zudem schnell mehrere Treiber parallel analysieren und Abhängigkeiten erkennen.

Allerdings gilt: Eine KI kann nur so gut prognostizieren, wie qualitativ hochwertig die zugrunde liegenden Daten sind. Die Datensammlung, sinnvolle Aggregation und die Vergleichbarkeit über die Jahre sind hier die aktuellen Herausforderungen. Die Anwendung steht im Stadium daher zwischen machine learning und generativer AI. 

2. Betrugsprävention im Zahlungsverkehr – Schutz durch Mustererkennung
Im Zahlungsverkehr kann KI verdächtige Muster identifizieren, die auf Betrugsversuche hinweisen. Durch kontinuierliches Lernen aus historischen Transaktionen werden diese Systeme immer treffsicherer. So lassen sich Risiken minimieren, ohne den Zahlungsprozess zu verlangsamen. 

Dennoch bleibt der Mensch entscheidend – KI erkennt Anomalien, beurteilen muss sie letztlich das Treasury-Team. Zusätzlich ist auch hier die verfügbare Datenhistorie entscheidend. Das Stadium ist daher noch bei machine learning.

Den letzten Artikel ergänzend möchten wir Ihnen noch zwei weitere Anwendungsfälle vorstellen: 

3. Kontoauszugsverarbeitung – Automatisierung mit hoher Präzision
KI-gestützte Systeme erkennen und kategorisieren Transaktionen automatisch, gleichen sie mit Buchungsdaten ab und erfassen sie in Sekundenschnelle im System. 

Die KI verbessert dabei, was ein TMS-System bisher über das manuelle Anlegen von Regeln gelöst hat. Hier arbeiten TMS-Anbieter bereits an der Markteinführung entsprechender Funktionalitäten. Um die ganz große Neuerung handelt es sich hierbei aber nicht.

4. Treasury-Assistenten – Unterstützung im Alltag
Virtuelle Assistenten, vergleichbar mit Chatbots, können bei der Informationsbeschaffung oder Entscheidungsfindung helfen: „Wie hoch ist unser Nettozinsaufwand in diesem Monat?“ – Fragen wie diese können künftig in Sekunden beantwortet werden. 

Markteinschätzung: Die Assistenten sind bei einigen TMS-Anbietern schon live aber noch in beschränktem Umfang und in beratendem und unterstützendem Umfang.

Aus den dargestellten Anwendungen ist ersichtlich, wohin die Reise geht: hin zu interaktiven, datenbasierten Treasury-Arbeitsplätzen. Was bedeutet dies jedoch genau für die Mitarbeiter und Arbeitsplätze. 

Front Office
Der Aufwand für die Informationsbeschaffung wird stark reduziert. Die KI übernimmt dabei sowohl die Recherchen, als auch die Interpretation von Marktnachrichten und die Vorhersage bevorstehender Schwankungen. Zusätzlich werden FX-Roll-Overs, Money Market-Dispos oder Intraday-Überweisungen teilautomatisiert erzeugt. Zukünftig werden zudem konkrete Hedging- oder Funding Strategien mit Kosten- und Risikoeffekten vorgeschlagen. Wichtig: Die Rolle bleibt, verschiebt sich aber dahin, dass der Mensch nur noch „in-the-loop“ gehalten wird und Strategien entscheidet und bestätigt.

Middle Office
Die oben genannten Möglichketien zur Fraud Detection werden sich weiterentwickeln und es wird ein Limit- & Policy-Überwachungssystem geben, das Verstöße erkennt bevor sie operativ relevant werden. Die Aufgaben verlagern sich in Richtung Validierung und Governance Instanz für die KI, also der Überprüfung der Richtigkeit der zugrunde gelegten Algorithmen zur Berichtserstellung. In Summe wird das Middle Office also kleiner aber qualifizierter, insbesondere technisch.

Back Office
Hier ist die größte Veränderung zu erwarten. Beispielsweise durch eine KI-gestützte Verarbeitung von Dokumenten (SWIFT-Nachrichten, KYC Dokumentation, Verträge) aber auch durch Automatisierung von Kontrollen, Fehlerbehebung bei Fehlbuchungen, Counterparty und Settlement Informationen. In der Theorie würde die Back Office Funktion ganz verschwinden. Aber ganz frei von Sonderfällen wird ein Unternehmen vermutlich nie sein. Beispielsweise müssen Systemanomalien und Fehler behoben und regulatorische Sonderthemen entsprechend eingearbeitet werden. Über die Zeit wird die Abteilung stark schrumpfen und je nach Erfolg bei der Automatisierung sogar ganz verschwinden.

Der erfolgreiche Einsatz von KI beginnt nicht mit dem Kauf einer Software, sondern mit der richtigen Vorbereitung. Unternehmen, die heute die Grundlagen legen, können später schneller und sicherer skalieren. Im letzten Artikel haben wir die strategische Roadmap für Ihr Unternehmen in Phasen aufgezeigt. Im Folgenden gehen wir konkret auf die technischen Schritte zum Einstieg ein:

1. Datenvorbereitung:
   Aufbau eines zentralen modernen Data Lakes, in dem alle relevanten Treasury-Daten gesammelt, strukturiert und qualitätsgesichert (!) werden.
2. Vorselektion von Kriterien:
   Definition relevanter Indikatoren und unternehmensindividuellen Treibern (z.B. Zahlungseingänge, Volatilitäten, FX-Kurse), die als Basis für Analysen dienen.
3. Anwendung von Machine Learning:
   Nutzung statistischer Modelle zur Identifikation von Mustern, Zusammenhängen und Anomalien für den konkreten unternehmensspezifischen Anwendungsfall.
4. Maschinengestützte Auswertung:
   Interpretation der Ergebnisse – noch immer mit menschlichem Urteilsvermögen – zur Ableitung von Handlungsoptionen.
5. Automatisierung:
   Integration in bestehende Systeme (z.B. TMS), um die entsprechende Aufgabe zu automatisieren.
6. Reporting:
   Entwicklung klarer, nachvollziehbarer Reports, die KI-Ergebnisse transparent und verständlich machen.

So viel Potenzial KI bietet – sie ist kein Allheilmittel. Vier Grenzen sind aktuell besonders relevant:

• Datenqualität und -sicherheit:
  KI ist nur so gut wie die Daten, die sie verarbeitet. Unvollständige oder fehlerhafte Datensätze führen zu falschen Ergebnissen. Zudem müssen Datenschutz und Compliance jederzeit gewährleistet sein.
• Komplexität der Implementierung:
  Die Einführung von KI erfordert Fachwissen, Ressourcen und Anpassungen der bestehenden Systemlandschaft. „Plug & Play“ funktioniert selten.
• Anpassung der Mitarbeiterprofile und Change Management
  Integration von KI-Kompetenzen, z.B. Parametrisierung von KI Modellen, Data Steward, Prompt-/Workflow Design und Integration dieser Skills im Team
• Compliance:
  Treasury-Entscheidungen haben finanzielle Tragweite. Es muss nachvollziehbar bleiben, wie ein Algorithmus zu einer Empfehlung gelangt. Nur so lässt sich Vertrauen aufbauen – intern wie extern.

Keine Panik – KI wird den Treasury-Bereich nicht von heute auf morgen auf den Kopf stellen. Vielmehr handelt es sich um einen schrittweisen Evolutionsprozess.

Unternehmen sollten heute damit beginnen, ihre Datenlandschaft zu strukturieren, Kompetenzen aufzubauen und mit ihren Treasury-Management-System-(TMS)-Anbietern eng zusammenzuarbeiten. Gemeinsam lassen sich Pilotprojekte umsetzen, aus denen praxisnahe und maßgeschneiderte Lösungen entstehen.

Der wahre Mehrwert von KI liegt nicht in der Technologie selbst, sondern in ihrer intelligenten Anwendung – kombiniert mit menschlicher Erfahrung, Kontrolle und Verantwortung. Wer diesen Weg konsequent geht, bleibt nicht nur wettbewerbsfähig, sondern gestaltet aktiv das Treasury der Zukunft.

Quelle: KPMG Corporate Treasury News, Ausgabe 160, November 2025
Autoren:
Nils Bothe, Partner, Finance and Treasury Management, Corporate Treasury Advisory, KPMG AG
Hansjörg Behrens-Ramberg, Senior Manager, Finance and Treasury Management, Corporate Treasury Advisory, KPMG AG