Neue Rollen in der Finanzfunktion: Mensch, Maschine und KI im Zusammenspiel

Die Aufgaben der Finanzfunktion sind nicht nur zahlreich – sie sind zunehmend komplex, datengetrieben und zeitkritisch. Wer heute regulatorische Anforderungen wie die CSRD effizient umsetzen oder valide Reports fristgerecht liefern will, stößt schnell an operative Grenzen: fehlende Kapazitäten, fragmentierte Datenlandschaften und überlastete Teams bremsen die Umsetzung.

Der zunehmende Druck trifft auf einen Arbeitsmarkt, der kaum noch qualifizierte Fachkräfte bereitstellt – und auf Systeme, die nicht für diese Anforderungen gebaut wurden. Klassische Automatisierung hilft nur bedingt weiter. Es braucht ein neues Verständnis von Zusammenarbeit: eine dynamische Rollenverteilung zwischen Mensch, Maschine und künstlicher Intelligenz.

KI muss sich in dieses Zusammenspiel sinnvoll einfügen – nicht als Ersatz, sondern als Erweiterung. Sie übernimmt Aufgaben dort, wo klassische Automatisierung an ihre Grenzen stößt. Sie trägt dazu bei,

• Entscheidungen vorzubereiten,
• Datenflüsse zu strukturieren und
• Kapazitäten gezielter einzusetzen.

Damit verändert sich auch das bestehende Effizienzmodell: Aus dem klassischen Dreieck von Zeit, Kosten und Qualität wird ein dynamisches Gefüge, das durch die neue Rolle der KI neu austariert werden muss.

In der Finanzfunktion wird Effizienz traditionell entlang des magischen Dreiecks aus Zeit, Kosten und Qualität gedacht.

Ziel ist es, diese drei Faktoren möglichst gut miteinander in Einklang zu bringen – auch wenn sie sich oft gegenseitig begrenzen.

Klassische Automatisierung hat in den letzten Jahren dazu beigetragen, Prozesse zu beschleunigen, Fehler zu reduzieren und Ressourcen zu schonen. Doch sie stößt an Grenzen, wenn es um unstrukturierte Daten, situative Entscheidungen oder dynamische Anforderungen geht.

Hier kommt KI ins Spiel – nicht als Ersatz, sondern als zusätzliche Ebene im Zusammenspiel zwischen Mensch und Maschine.

„KI ist kein Ersatz für menschliche Expertise, sondern ein Beschleuniger intelligenter Zusammenarbeit.“

Korbinian Reiter

Das Spannungsfeld aus Zeit, Kosten und Qualität prägt operative Entscheidungen in der Finanzfunktion – und wird durch steigende regulatorische Anforderungen sowie knappe Ressourcen zunehmend verschärft. Klassische Ansätze stoßen hier an Grenzen.

Mit dem Fortschritt im Bereich der KI, insbesondere durch Large Language Models, tritt eine neue Dimension in die Informationsverarbeitung ein – vergleichbar mit einem universell einsetzbaren, flexiblen Industrieroboter für den digitalen Raum.

Diese Systeme erweitern den Möglichkeitsraum automatisierbarer Aufgaben jedoch nicht linear, sondern verschieben ihn. Denn obwohl KI komplexe Informationen verarbeiten kann, ist sie nicht immer schneller, fehlerfrei oder zuverlässig nachvollziehbar.

Das bedeutet: KI kann Aufgaben lösen, die klassische Programmroutinen nicht leisten – etwa das Erkennen semantischer Zusammenhänge oder das Ableiten von Handlungsempfehlungen aus unstrukturierten Daten. Gleichzeitig ist sie nicht geeignet für Aufgaben, die hohe Präzision bei klaren Vorgaben erfordern. Hier bleiben klassische Automatisierung und menschliches Urteilsvermögen führend.

Die Herausforderung besteht also darin, die jeweiligen Stärken in eine dynamisch austarierte Aufgabenverteilung zu überführen. So lässt sich das erweiterte magische Dreieck aus Zeit, Kosten, Qualität und kognitiver Komplexität wirksam gestalten – und gezielt auflösen.

Das Zusammenspiel von Mensch, Maschine und KI erfordert eine grundlegend neue Denkweise. Die klassische Logik – automatisieren, was geht, und den Rest manuell abdecken – greift zu kurz. Denn KI verschiebt nicht nur bestehende Aufgabenverteilungen, sie bringt auch neue Anforderungen mit sich. Sie kann Aufgaben übernehmen, die klassische Automatisierung nicht bewältigt – etwa das Verstehen inhaltlicher Zusammenhänge oder das Generieren von Hypothesen aus komplexen Datenlagen.

Gleichzeitig ist KI – anders als Programmroutinen – nicht immer schnell, eindeutig oder vollständig nachvollziehbar. Das verlangt eine neue Kalibrierung der Zuständigkeiten. Wo klassische Tools standardisierte Prozesse schnell und zuverlässig ausführen, entfaltet KI ihr Potenzial vor allem in komplexen, auswertungsintensiven Szenarien. Für finale Bewertungen und Entscheidungen bleibt menschliche Expertise unersetzlich.

Das neue Modell folgt daher keiner linearen Logik, sondern einem integrativen Ansatz: Automatisierung durch klassische Tools, Analyse durch KI, Einordnung und Steuerung durch den Menschen. Diese dreigliedrige Arbeitsteilung ist nicht nur effizient – sie ist auch notwendig, um Komplexität beherrschbar zu machen.

Ein typischer Anwendungsfall liegt in Data-Warehouse-Projekten oder bei der Einführung neuer regulatorischer Standards. Gerade bei der Umsetzung von Vorgaben wie der CSRD müssen Daten aus verschiedenen Systemen zusammengeführt werden. Diese sind oft historisch gewachsen und unterschiedlich benannt. Ein manuelles Mapping tausender Felder würde je nach Umfang der Anforderungen Wochen oder Monate dauern. Herkömmliche Tools oder reine KI-Lösungen stoßen hier an Grenzen – sei es durch mangelnde Präzision oder zu hohe Rechenaufwände.

Ein kombinierter Ansatz aus KI, Programmroutinen und Fachwissen schafft Abhilfe: Die KI erkennt semantisch ähnliche Felder und priorisiert aus Millionen möglicher Zuordnungen. Anschließend strukturiert eine Programmroutine die Ergebnisse vor. Die Mitarbeitenden prüfen dann nur noch die besten Treffer.

So werden komplexe Matching-Prozesse auf wenige, gezielte Entscheidungen reduziert – bei deutlich geringerem manuellem Aufwand, schnellerer Umsetzung und konsistenteren Ergebnissen über Systemgrenzen hinweg.

Auch in der Abschlusserstellung bietet sich ein innovativer Anwendungsfall: Durch die Kombination aus KI-gestützter Kontextanalyse und regelbasierter Programmlogik lassen sich potenzielle Inkonsistenzen zwischen Tabellen und begleitendem Text erkennen – sowohl innerhalb eines Dokuments als auch über mehrere hinweg.

So funktioniert der Prozess:

• Zahlenwerte werden automatisch extrahiert – inklusive ihres semantischen Kontexts (z. B. „Zinsaufwände“, „Erlöse“, „Abschreibungen“) mithilfe klassischer Programmroutinen und KI-Module.
• Konsistenzprüfung über das gesamte Dokument hinweg – etwa ob die „Risikokosten“ im GuV-Tabellenblatt, in einer Fußnote und im Lagebericht übereinstimmen.
• Regelbasierte Logik für den Abgleich – der eigentliche Vergleich erfolgt bewusst ohne KI, um die Fehleranfälligkeit beim massenhaften Zahlenabgleich zu vermeiden.

Für die finale fachliche Bewertung bleibt weiterhin das menschliche Urteil entscheidend, aber auf Basis einer klar priorisierten Liste potenzieller Widersprüche. Das führt zu mehr Sicherheit in der Berichterstattung, weniger manuellen Kontrollaufwänden und einer deutlich höheren Datenqualität, insbesondere bei prüfungs- bzw. steuerungsrelevanten Dokumenten wie IFRS-Abschlüssen, regulatorischen Meldungen oder internen Managementberichten.

Es zeigt sich, dass KI durch seine fundamentale Abgrenzung von menschlicher Arbeit und klassischen Programmroutinen nicht einfach nur bestehende Automatisierungsmöglichkeiten erweitert, sondern eine komplett neue Handlungsdimension darstellt. Das Spannungsfeld zwischen Zeit, Kosten und Qualität kann durch diese neuen Möglichkeiten erheblich reduziert werden.

Die größere Anzahl an unterschiedlich geeigneten Handlungsmöglichkeiten führt jedoch auch zu einer höheren Komplexität. Ihr lässt sich am ehesten dadurch begegnen, dass beim Einsatz und der Entwicklung von Software von Anfang an darauf geachtet wird, dass das Zusammenspiel der Stärken und Schwächen gemäß des neuen magischen Dreiecks gezielt berücksichtigt wird.

Bei Tools, die nach dem Ansatz des beschriebenen Zusammenarbeitsmodells entwickelt wurden, wie die oben genannten Beispiele, zeigt sich, dass ein hohes Potenzial in der Synergie zwischen Mensch, klassischen Programmroutinen und KI liegt, das weit über die Nutzung von Chatbots hinausgeht.

Gerade im komplexen Umfeld von Finanzen, Compliance und Datenanalyse zeigt sich, dass nur durch die Kombination von Stärken wie menschlichem Urteilsvermögen, maschineller Verarbeitungsgeschwindigkeit und der flexiblen Mustererkennung von KI wirklich nachhaltige und anwenderfreundliche Lösungen entstehen können. Eine korrekte Anwendung dieser Tools kann somit vielen aktuellen Herausforderungen in Finanzabteilungen entgegenwirken.