Treibstoff für das Treasury:

Während die ersten großen Revolutionen in der Arbeitswelt noch Jahre und Jahrzehnte benötigten, um vollständig Fuß zu fassen, dringt die Revolution der künstlichen Intelligenz (KI) mit einer beachtenswerten Geschwindigkeit in die Arbeitswelt und auch in weitere Bereiche des Lebens ein. Vereinfacht gesprochen beschreibt KI die Fähigkeit von Computern, bestimmte Aufgaben mit einer „menschenähnlichen“ Intelligenz zu lösen. Bereits heute werden in diversen Unternehmensbereichen Tools und Computer eingesetzt, die auf KI-Modellen aufbauen. Auch im Treasury konnten Unternehmen und Systemanbieter bereits erste Einsatzfelder dieser Technologie für sich entdecken.

Dennoch sind die Dynamik und Schnelligkeit, mit der KI-Lösungen verschiedenste Geschäftsprozesse transformieren, in den Treasury-Abteilungen nur teilweise wahrnehmbar. Derzeit sind die Anwendungsbereiche unklar, auch die Frage, für welche Zwecke die Technologien genutzt werden können, bleibt überwiegend offen. So zeigt eine aktuelle Studie der HSBC gemeinsam mit DerTreasurer: Ein Drittel aller Treasury-Abteilungen beschäftigt sich aktuell sogar noch gar nicht mit den neuen Technologien und Möglichkeiten.¹ Höchste Zeit also, sich den Potenzialen, aber auch den Herausforderungen und Gefahren des Einsatzes von KI-Lösungen für Treasury Abteilungen im Detail zu widmen. 

Kaum ein Thema beschäftigt Unternehmen verschiedenster Größenklassen derzeit so sehr wie das Konzept der künstlichen Intelligenz – in Kurzform: KI. Allein mit der Erklärung der ihr zugrundeliegenden Logik und der Abgrenzung zu artverwandten Begriffen könnte man heutzutage wohl schon mehrere Bücher füllen. Auf eine detaillierte fachliche Definition sei daher an dieser Stelle bewusst verzichtet. Insbesondere im alltäglichen Sprachgebrauch ist die Elastizität des Wortes KI in Bezug auf seine Abkürzungen und Begriffe sehr hoch. Um die Potenziale und Gefahren dieser Lösung für das Treasury bewerten zu können, ist es daher dennoch wichtig, zumindest eine grobe definitorische Abgrenzung zentraler Begriffe des KI-Universums vorzunehmen. 

Künstliche Intelligenz ist aus fachlicher Sicht ein Teilbereich der Informatik und beschreibt die Idee, die Problemlösungs- und Entscheidungsfindungsfähigkeiten des Menschen (also die menschliche Intelligenz) auf Computer und Maschinen zu übertragen. Anders als bei bekannten Automatisierungslösungen (wie zum Beispiel aus dem Bereich der Robotic Process Automation (RPA)), bei denen eine Maschine Einzelschritte vorgegeben bekommt und die in einer bestimmten Reihenfolge abarbeitet, liegen den KI-basierten Tools Algorithmen zu Grunde. Solche Tools können dadurch beispielsweise selbstständig die Parameter einer Entscheidung auf ein bestimmtes Problem hin anpassen. Im Kern versucht die KI dabei, generelle Muster in den zu analysierenden Daten zu finden, diese zu strukturieren und so eigenständig Regeln abzuleiten. Die daraus resultierenden Entscheidungsbäume nutzt die KI, um stetig zu lernen, zu optimieren und so letztendlich auch komplexe Fragestellungen „menschenähnlich“ zu lösen.

Entgegen der weitverbreiteten Annahme handelt es sich bei den Begriffen KI und AI (= Artificial Intelligence, zu Deutsch ebenfalls „künstliche Intelligenz“) nicht um klar abgrenzbare Konzepte, sondern lediglich um eine marginale semantische Unterscheidung. Im Kern sind beide Begriffe bedeutungsgleich und können als Synonyme zueinander benutzt werden. Ebenfalls häufig genannt im Zusammenhang mit KI wird der Begriff des Machine Learning. Machine Learning kann grundsätzlich als Teilmenge des KI-Universums definiert werden. 

Während KI das übergeordnete Konzept definiert, wie ein System oder eine Maschine „funktioniert“, beschreibt Machine Learning sozusagen einen Baukasten an Methoden, die im Rahmen der Entwicklung jener Systeme oder Maschinen angewandt wird – also eine Art, wie sich KI implementieren lässt. Wie der Begriff bereits vermuten lässt, steht bei diesen Methoden der Lernprozess der Systeme im Fokus. So werden bei der Konzeption solcher Methoden keine eindeutigen Programmierbefehle erteilt, sondern dem System das „Lernen“ mithilfe von Algorithmen, riesigen Daten und Erkenntnissen ermöglicht. 

Im Vergleich zu KI-Programmen sind Automatisierungslösungen bereits seit geraumer Zeit in den Treasury Abteilungen etabliert. Beispielhaft seien an dieser Stelle die Einsatzfelder Zahlungsverkehr und Trade Finance erwähnt, in der Praxis kommen entsprechende Lösungen jedoch in weitaus mehrer Bereichen des Treasury zum Einsatz.

Zahlungsverkehr 
Im Zahlungsverkehr werden bereits heutzutage häufig Zahlungsanweisungen automatisiert, um den Zahlungsprozess effizienter und schneller zu gestalten. Durch die Automatisierung können Zahlungen schneller bearbeitet werden, was zu einer Reduzierung von manuellen Fehlern und einer höheren Genauigkeit führt. Darüber hinaus können automatisierte E-Mail-Benachrichtigungen an relevante Mitarbeiter gesendet werden, um Treasury-Aktionen oder bevorstehende Fristen zu kommunizieren. Dies ermöglicht es den Mitarbeitern, schnell auf wichtige Ereignisse wie beispielsweise Zahlungsziele zu reagieren und sicherzustellen, dass alle erforderlichen Maßnahmen rechtzeitig ergriffen werden. 

Trade Finance
Auch im Trade-Finance-Bereich wurden Systemlösungen entwickelt, um Prozesse zu automatisieren und zu standardisieren. Viele Unternehmen nutzen beispielsweise automatisierte Workflows für das Lifecycle Management ihrer Avale. Neben der Reduzierung von manuellen Fehlern und einer höheren Genauigkeit können durch Automatisierung Compliance-Anforderungen besser erfüllt werden, da alle Prozesse standardisiert und dokumentiert sind. 

Automatisierungspotenziale des TMS
Nicht immer ist es zwingend notwendig, zur Nutzung von Automatisierungen separate Systemlösungen heranzuziehen. Auch die in vielen Unternehmen bereits vorhandenen Treasury Management Systeme ermöglichen heutzutage die Automatisierung ausgewählter Prozesse. Den Treasurern sei geraten, diese Potenziale eingehend zu analysieren, um so die Potenziale der bereits etablierten Systemlösungen bestmöglich auszuschöpfen. Insgesamt kann die Automatisierung im Treasury-Bereich dazu beitragen, Prozesse effizienter und effektiver zu gestalten und die Risiken zu minimieren.

Zusätzlich zu den bereits etablierten Lösungen zur Automatisierung im Treasury kommen auch immer mehr KI-Lösungen zum Einsatz. KI-Lösungen können nicht nur ebenfalls dazu beitragen, Prozesse effizienter zu gestalten, sondern auch aktiv bei der Entscheidungsfindung helfen. Durch die Analyse großer Datenmengen können KI-Modelle wertvolle Erkenntnisse liefern und können basierend auf vordefinierten Regeln und Algorithmen eigenständig Entscheidungen treffen. Durch die Einführung von KI-Lösungen können Unternehmen ihre Prozesse weiter optimieren und wettbewerbsfähiger werden. Ein Auszug aus dem im Markt erhältlichen Lösungsfeld soll die Potenziale KI-basierter Systeme aufzeigen.

Cash Management
Zunehmend mehr Treasurer beschäftigen sich angesichts hoher Marktvolatilität und Unsicherheit mit der Liquidität ihres Unternehmens für Krisenzeiten. Die Vorhersage von Cashflows ist entscheidend für effektives Finanzmanagement, fundierte Geschäftsentscheidungen und langfristigen Erfolg. Machine Learning und Predictive Analytics helfen, automatisierte, genaue Prognosen zu erstellen, Risiken zu minimieren und optimierte Entscheidungen zu ermöglichen. Durch die Simulation von Szenarien und Stresstesting quasi auf Knopfdruck werden Finanzierungsentscheidungen unterstützt. Die großen Anbieter von Treasury Management Systemen haben bereits KI in ihre Cash Management und Liquidity Planning Module integriert. Dabei bedienen sie sich verschiedener Modellierungsoptionen, wie zum Beispiel ARIMA(X), Additiver Regression und Neuronalen Netzen. ML-Tools können komplexe Zusammenhänge erkennen, die von Menschen möglicherweise übersehen werden. Dennoch ist menschliche Expertise in Kombination mit modernen Tools wichtig, um Vorhersagen zu optimieren und auf unvorhergesehene Ereignisse vorbereitet zu sein. Die erfolgreiche Anwendung erfordert saubere Daten, korrekte Treiberwahl, passende IT-Architektur, Fach- und Technikkompetenz sowie klare Kommunikation. Darüber hinaus ist analytische Kompetenz von entscheidender Bedeutung, um die Ergebnisse richtig zu interpretieren und in fundierte Geschäftsentscheidungen umzusetzen. In unserem Beitrag „Cash Forecasting mit Unterstützung von künstlicher Intelligenz (KI)“ (Ausgabe 131) haben wir uns dem Thema bereits umfangreich gewidmet.

Payments Fraud Detection
Die Verwendung von KI im Zahlungsverkehr ist ein weiteres Beispiel für den Einsatz von Machine Learning, um Anomalien zu erkennen und Betrug zu vermeiden. Auch diese Lösungen integrieren immer mehr Systemanbieter in ihre Treasury Management Lösung. Zahlungsbetrugserkennungssoftware nutzt KI, um Zahlungen gegen historische Zahlungsdaten aus einer Datenquelle zu prüfen. Eine Maschine analysiert dann diese Daten, was es ihr ermöglicht, Anomalien in zukünftigen Aktivitäten zu identifizieren. In der Regel gewähren die Lösungen den Nutzern Einsicht in Berechnungsvariablen und zeigen, wie der Abgleich von Zahlungen berechnet wird. Benutzer können ihre eigenen Toleranzwerte bestimmen und damit die Sensitivität für die Betrugserkennung festlegen. Dies ist wichtig, denn eine der größten Herausforderungen besteht darin, sicherzustellen, dass das System nicht zu viele falsch positive Ergebnisse liefert und damit der Zahlungsprozess gestört wird. Durch einen integrierten Workflow im Treasury Management System können auffällige Zahlungen zunächst überprüft und dann entweder abgelehnt oder für die weiteren Freigaben genehmigt werden. Die Verwendung von KI im Zahlungsverkehr bietet somit viele Vorteile, insbesondere in Bezug auf die Betrugserkennung und die Verbesserung der Effizienz des Zahlungsprozesses.

KI-Algorithmischer Handel 
Auch außerhalb vom Treasury Management System kommen KI-Lösungen verstärkt zum Einsatz. Im Hochvolumen-Handel von Derivaten (für zum Beispiel Rohstoffe, FX-Geschäfte oder Zinsabsicherungsgeschäfte) können sie beispielsweise eingesetzt werden, um Handelsstrategien vorzuschlagen und automatisierte Handelssysteme zu steuern. Dabei werden die konventionellen algorithmischen Handelssysteme um KI-Komponenten erweitert. Unter dem konventionellen algorithmischen Handel (englisch „Algorithmic trading“) versteht man die Methode des Handels, bei der Lösungen verwendet werden, um Handelsentscheidungen automatisiert zu treffen. Diese Programme analysieren Marktdaten und treffen Entscheidungen basierend auf vordefinierten Regeln und Algorithmen mit dem Ziel, den Handel schneller und effizienter zu machen.

KI-basierte Systeme können darüberhinausgehend eigenständig Trades identifizieren und ausführen, Risikomanagement betreiben und den Fluss von Aufträgen verwalten. Auf diese Weise können sie das Liquiditätsmanagement und die Ausführung großer Aufträge verbessern, indem sie Größe, Dauer und Auftragsgröße dynamisch optimieren, basierend auf aktuellen Marktbedingungen. Was KI-gesteuerte Systeme von konventionellem Handel unterscheidet, ist das Lernen und Anpassen des KI-Modells an sich ändernde Marktbedingungen. Die Zeitverzögerung durch menschlichen Eingriff wird dabei drastisch reduziert.

Nicht nur KI im Allgemeinen ist derzeit in aller Munde, sondern auch ganz speziell die Chatbot-Entwicklung ChatGPT, die mithilfe von KI den textbasierten Austausch mit Nutzern ermöglicht. Die Abkürzung "GPT" steht für "Generative Pretrained Transformer". Es handelt sich dabei um eine Art von künstlicher Intelligenz, die auf der Transformer-Architektur basiert und darauf trainiert wurde, natürliche Sprache zu verstehen und zu generieren („Natural Language Processing“, kurz NLP). Mithilfe von GPT-Modellen können Texte generiert, Fragen beantwortet, Texte übersetzt und vieles mehr erreicht werden. Wer bereits ChatGPT genutzt hat, dem fallen schnell mehrere Anwendungsfälle für das Treasury ein: Erstellung und Kommentierung von Finanzberichten, Datenanalyse oder Bearbeitung und Zusammenfassung von Verträgen. Die Einsatzmöglichkeiten scheinen nahezu unbegrenzt. Aber dennoch: ChatGPT und artverwandte, öffentlich zugängliche Programme können aufgrund von Datenschutzbedenken im Treasury zunächst nicht bedenkenlos zum Einsatz kommen. Eine wachsende Anzahl von Unternehmen entwickelt daher eigene abgesicherte Lösungen, um diesen Herausforderungen zu begegnen. Doch selbst bei unternehmensinternen und geschützten Lösungen steht die Frage im Raum: Wird das Treasury dazu bereit sein, sensible Finanzdaten innerhalb des Unternehmenskreises zu teilen?

Eine mögliche Antwort auf diese Frage könnte in der Integration von GPT-Modellen in Treasury Management Systemen liegen. Die Lösung könnte dazu beitragen, eine Brücke zwischen dem strengen Datenschutz und dem Informationsbedürfnis des Treasury zu bauen. Die Idee dabei ist, dass die Integration dazu beitragen könnte, sensible Daten zu verarbeiten, ohne die Grenzen der internen Sicherheitsmaßnahmen zu überschreiten. Die Bereitschaft der Anbieter von Treasury Management Systemen zu entsprechenden Investitionen wird die Richtung weisen, in die sich die Entwicklung dieser Technologie bewegt. Es bleibt in jedem Fall spannend, diese Entwicklungen zu beobachten.

KI im Treasury ist bereits im Einsatz und wird in Zukunft zahlreiche Bereiche der Funktion verändern und prägen. Bereits jetzt sorgt die fortschreitende Automatisierung dafür, dass repetitive Aufgaben effizient und schnell durchgeführt werden. KI wird diesen Trend noch weiter verstärken und neue Maßstäbe bei der Datenverarbeitung und -analyse setzen. Durch die Verarbeitung großer Datenmengen und im besten Fall auch noch in Echtzeit wird die Prognosefähigkeit auf vielen Ebenen erhöht. Dies führt dazu, dass bei sämtlichen Steuerungselementen, wie zum Beispiel Liquiditäts oder Risiko fundiertere Entscheidungen getroffen werden können. KI-basierte Modelle haben das Potenzial, eine wachsende Bedeutung in der Prognose von Marktentwicklungen, Zinsraten und Währungsschwankungen sowie im Risikomanagement einzunehmen. Durch die Verwendung von Machine-Learning-Algorithmen können diese Modelle große Datenmengen analysieren und Muster erkennen, die für menschliche Experten nur schwer zu erkennen sind. Dies kann dazu beitragen, Risiken effektiver zu identifizieren und informierte Entscheidungen zu treffen. 

Jedoch bringt der Einsatz von KI nicht nur Chancen, sondern auch Risiken und Herausforderungen, die es bei jedem neuen Einsatz von KI-Funktionalitäten zu berücksichtigen gilt. Aufgrund ihrer Funktion als zentrale Anlaufstelle für finanzielle Informationen und Kennzahlen sammeln und verarbeiten die Treasury-Abteilungen regelmäßig hoch sensible Daten. Daher gilt, wie bei allen neuen Implementierungen im Treasury darauf zu achten, die Anforderungen an den Datenschutz im Auge zu behalten. Der Einsatz von Cloud-Lösungen, welche aufgrund der großen Datenmengen bei KI-Technologien häufig genutzt werden, ist daher mit Vorsicht zu genießen: Es sollte stets sorgfältig geprüft werden, wo die sensiblen Finanz- und personenbezogenen Daten gespeichert werden (das heißt wo die Server des Anbieters geografisch verortet sind) und ob die Datenhaltung den unternehmensspezifischen Datenschutzanforderungen genügen. Wie bei jeglicher Datenverarbeitung kommt darüber hinaus das Garbage-In/Garbage-Out Prinzip zum Tragen. Auch KI-Systeme sind abhängig von validen bzw. hochwertigen Input-Daten, ansonsten können fehlerhafte Analyseergebnisse entstehen.

Des Weiteren setzt der Einsatz von KI neue ethische Anforderung an das Treasury. Bei jedem Einsatz sollte überprüft werden, inwiefern unbeabsichtigte Verzerrung oder Diskriminierung stattfinden könnte. Ein Beispiel dafür ist die Verwendung von KI-basierten Modellen zur Vorhersage von Kreditrisiken, bei denen die Modelle auf der Grundlage von historischen Daten und anderen Faktoren wie demografischen Merkmalen und Kreditverhaltensmustern Vorhersagen treffen können. Hierbei ergeben sich auch neue rechtliche Fragestellungen in Sachen Haftung bei KI-basierten Entscheidungen im Treasury. 

Die bisherigen Ausführungen machen deutlich: Der stärkere Einzug künstlicher Intelligenz wird zweifellos nicht nur die Systeme und Prozesse verändern, sondern auch deren Nutzer. Das Anforderungsprofil an einen Treasury Manager wird zukünftig unter anderem eine stärkere technologische Ausprägung haben. Denn der Nutzen und die Auswirkungen von KI auf das Treasury sind zu bewerten, um sicherzustellen, dass Technologien gezielt eingesetzt werden und die Unternehmensziele bestmöglich unterstützen. Der Treasurer wird außerdem sicherstellen müssen, dass die generierten Daten und Ausführungen valide und verlässlich sind. Auch die Sicherheit und der Schutz der KI-Systeme vor Cyberattacken müssen berücksichtigt werden. Das kritische Hinterfragen von Ergebnissen der KI-Lösungen wird dabei zu einer essenziellen Aufgabe der Treasurer. Ein probates Mittel, um die Mitarbeiter für die neuen Herausforderungen zu wappnen, könnten beispielsweise gezielte Schulungen zum Umgang mit KI-Lösungen darstellen.

Gleichwohl werden die Treasurer durch den steigenden Automatisierungsgrad vermehrt Zeit für strategische Überlegungen und Entscheidungen aufwenden können. Statt Datenaufbereitung und Kennzahlberechnungen rückt der Fokus stärker auf die Bedürfnisse verschiedener Stakeholder. Anforderungen von Kunden, Lieferanten, Banken und anderen Business Units gilt es zu erfassen und zu berücksichtigen - letztendlich mit dem Ziel, dass die finanzielle Ausrichtung des Unternehmens den Geschäftszielen entspricht. Allerdings ist es von wesentlicher Bedeutung, zu unterstreichen, dass trotz des Einsatzes von KI die menschliche Validierung und Datenüberprüfung unverzichtbar bleiben. Der Treasurer wird in der Lage sein müssen, die Datenpräzision zu bewerten und sicherzustellen, dass die KI-Analysen im Einklang mit den Unternehmenszielen stehen.

In einer sich immer schneller und immer stärker wandelnden Welt wird künstliche Intelligenz die nächste große Revolution sein. Chancen wie Effizienzsteigerungen, Flexibilität und verbesserte Entscheidungsfindungen müssen sowohl grundsätzlich als auch im Treasury-Bereich konsequent genutzt werden. KI bringt dennoch auch Herausforderungen und Gefahren mit sich. Künstliche Intelligenz bedarf der richtigen Nutzung und Behandlung, insbesondere im Aspekt der sensiblen Daten, die unter anderem wesentlich im Treasury angesiedelt sind. Auch bei der Podiumsdiskussion des diesjährigen Digital Treasury Summit 2023 werden wir dieses Thema aufgreifen und vertiefende Einblicke rund um Chancen und Grenzen der Anwendungsmöglichkeiten von KI im Treasury diskutieren.

Quelle: KPMG Corporate Treasury News, Ausgabe 136, September 2023
Autoren:
Nils Bothe, Partner, Finance and Treasury Management, Corporate Treasury Advisory, KPMG AG
Karin Schmidt, Senior Managerin, Finance and Treasury Management, Corporate Treasury Advisory, KPMG AG

¹Der Treasurer & HSBC, 2023: KI, Robotics @ Co.: So beurteilen Treasurer die Chancen neuer Technologien