KI im Finanzbereich: So wird KI zum Schlüssel für den Automobilsektor

„The Decision Advantage“: So lautet der Titel des KPMG Global AI in Finance Report 2026. Besonders für den Automobilsektor mit seinen komplexen Lieferketten, volatilen Absatzmärkten und historisch gewachsenen Systemlandschaften zeigen die Ergebnisse eine klare Entwicklung: KI ist in vielen Unternehmen bereits umfassend im Einsatz – entfaltet aber nur dort echten Mehrwert, wo sie gezielt gesteuert wird. Vor allem in Bereichen wie Forecasting, Planung und operativer Steuerung wird deutlich, wie stark sich die Finance-Rolle in der Branche verändert. 

Entscheidend ist dabei nicht die bloße Nutzung von KI, sondern die Umsetzungstiefe – von Datenqualität und Governance bis hin zur Frage, wie belastbar KI-gestützte Entscheidungen im Alltag tatsächlich sind. Unser Automotive-Experte Alexander Bock, Partner, Audit, ordnet im Interview die Studienergebnisse für die internationale Automobilindustrie ein und erläutert, worauf es jetzt in der Praxis ankommt. Sebastian Stöckle, Global Head of Innovation & AI für Audit, analysiert zudem die sich verändernden technischen Rahmenbedingungen.

Alexander Bock: Nein. Breite Investitionen allein reichen nicht aus. Die Studie zeigt zwar, dass KI im Finanzbereich heute umfangreich angekommen ist: Mehr als drei Viertel der Unternehmen nutzen sie bereits in Planung, Reporting und kommerzieller Analyse, und 71 Prozent sagen, dass KI ihre Return-on-Investment-Erwartungen erfüllt oder übertrifft. Gleichzeitig liegt der Anteil der Unternehmen, bei denen KI die Erwartungen wirklich übertrifft, bei nur 23 Prozent. Das ist ein Indiz dafür, dass Nutzung noch kein Wettbewerbsvorteil per se ist.

Für den Automobilsektor heißt das: Ein breites Portfolio an Piloten oder Proof of Concepts führt allein noch nicht zum Ziel. Wettbewerbsvorteile entstehen erst dort, wo KI sehr gezielt auf entscheidungsrelevante Werttreiber angesetzt wird und wo diese Anwendungen messbar, steuerbar und skalierbar gemacht werden. Führende Unternehmen setzen nicht einfach mehr KI in Form allgemeiner Chatbots ein, sondern richten sie mit Hilfe agentischer Workflows auf die Entscheidungen aus, bei denen Urteilsfähigkeit und Wirkung besonders relevant sind. 

Sebastian Stöckle: Datenqualität ist einer der zentralen limitierenden Faktoren — gleichzeitig aber auch der größte Hebel. Die Ergebnisse zeigen, dass Datenqualität, Integration und Systeminteroperabilität zu den häufigsten Hindernissen zählen. Zugleich sehen 36 Prozent der befragten Unternehmen genau in der Verbesserung von Datenqualität, Integration und Interoperabilität die größte Chance, mehr Wert aus KI im Finanzbereich zu ziehen. Das ist kein Nebenaspekt, sondern eine wichtige praxisrelevante Erkenntnis.

Im Automobilsektor wird dieses Thema durch historisch gewachsene Systemlandschaften noch verstärkt. Heterogene Werke, Legacy-Strukturen, uneinheitliche Stammdaten und fragmentierte Datenquellen vor allem aus Altsystemen führen dazu, dass Datenqualität nicht bloß ein IT-Thema ist, sondern ein direkter Performance-Begrenzer für KI. Gleichzeitig liegt genau darin die Chance: Wer Datenzugang, Transparenz und Nutzbarkeit verbessert, schafft nicht nur bessere technische Voraussetzungen, sondern bessere Entscheidungsgrundlagen. Anders gesagt: Im Automotive-Umfeld entscheidet die Datenbasis sehr oft darüber, ob KI interessante Ergebnisse liefert oder tatsächlich steuerungsrelevant wird. 

Alexander Bock: Ja, dorthin entwickelt es sich. Die Studie zeigt sehr deutlich, dass KI ihre stärksten Effekte gerade nicht in rein transaktionalen Prozessen erzielt, sondern in urteilungsintensiven Bereichen. 70 Prozent der Unternehmen berichten von besserer Entscheidungsqualität, 71 Prozent von höherer Entscheidungsgeschwindigkeit und 64 Prozent von verbesserter Forecast Accuracy. Das ist ein Signal: Forecasting wird durch KI deutlich aufgewertet. 

Für den Automobilsektor ist das besonders relevant. In kaum einer anderen Industrie greifen Nachfrage, Produktion, Materialversorgung und Margen so eng ineinander. Wenn Forecasts schneller, präziser und szenariofähiger werden, verändert das die Rolle von Finance fundamental. Der Report spricht in diesem Zusammenhang davon, dass sich Finance vom „cost lever“ zur „decision-engine“ entwickelt. Auf den Bereich Automotive übertragen heißt das: Forecasting wird von einem eher rückblickenden Reporting-Werkzeug zu einer zentralen Basis für operative Steuerung — etwa in Nachfrageplanung, Produktionsabstimmung und Supply-Chain-Steuerung. 

Sebastian Stöckle: Nein. Die Studie zeigt, dass die Verbreitung von KI deutlich schneller wächst als die Fähigkeit vieler Unternehmen, sie perfekt zu operationalisieren. Aktive KI-Nutzung in Finance hat sich seit 2024 von 30 auf 75 Prozent erhöht. Gleichzeitig bestehen Datenprobleme weiterhin — sie haben Unternehmen aber offenkundig nicht davon abgehalten, zu starten. 

Entscheidend ist dabei ein zweiter Befund: Unternehmen mit stärkerer Governance, besseren Kontrollen und höherer Assurance Readiness erzielen deutlich bessere Ergebnisse. Organisationen, die KI-Audit-Nachweise effizient erbringen können, berichten drei- bis sechsmal häufiger von signifikanten Verbesserungen als Unternehmen, die das nicht können — etwa bei Fehlerreduktion oder beim Vertrauen in die Skalierung. Das zeigt sehr klar: Man muss nicht auf perfekte Voraussetzungen warten, aber man muss kontrolliert vorgehen. 

Für den Automobilsektor bedeutet das: Warten auf perfekte Daten ist strategisch nachteilig und praktisch unrealistisch. Erfolgreiche Unternehmen starten in relevanten Use Cases, bauen Governance parallel auf und verbessern ihre Datenqualität iterativ. Der entscheidende Unterschied liegt nicht in Perfektion vor dem Start, sondern in der Fähigkeit, Umsetzung und Lernkurve gleichzeitig aufzubauen.

Technologische Fortschritte, beispielsweise in Form sogenannter MCP-Server (Model-Context-Protokoll), erlauben agentischen KI-Frameworks den Zugriff auf dezentrale und vor allem Legacy-Systemstrukturen, also bestehende Strukturen. Dadurch können Daten virtuell verbunden und der KI zugänglich gemacht werden. 

Alexander Bock: Die wichtigste Botschaft ist: KI wird nicht durch Nutzung allein zum Differenzierungsfaktor, sondern durch Umsetzungstiefe. Adoption ist inzwischen breit, aber außergewöhnliche Wirkung konzentriert sich auf eine deutlich kleinere Gruppe von Unternehmen. Der Unterschied liegt also nicht darin, ob KI eingesetzt wird, sondern wie konsequent sie auf relevante Entscheidungen ausgerichtet, gesteuert und gemessen wird. Eine zweite klare Botschaft betrifft Datenqualität: Sie ist der zentrale Engpass, aber kein legitimer Grund für Nicht-Handeln. Die Studie beschreibt sie zugleich als Barriere und als große Wertchance. Das heißt für Unternehmen: Datenprobleme sind real, aber sie entbinden niemanden vom Handeln. Sie müssen parallel zur Umsetzung adressiert werden — nicht davor.

Außerdem ist das Forecasting essenziell: Gerade dort zeigt sich besonders gut, wie KI Finance verändert. Wenn bessere Entscheidungsqualität, höhere Geschwindigkeit und präzisere Forecasts die stärksten Werttreiber sind, dann wird Forecasting zu einem zentralen Steuerungsinstrument. Für den Automobilsektor ist das ein Kernelement, weil die operative Komplexität hoch und die Reaktionsgeschwindigkeit wettbewerbskritisch ist. 

Und daraus folgt sogar noch ein vierter Punkt: Abwarten ist im Moment die riskanteste Strategie. Adoption wächst schneller als operative Reife. Wer heute nicht beginnt, die notwendigen Governance-, Daten- und Workforce-Voraussetzungen aufzubauen, verliert nicht nur Zeit bei der Technologieeinführung, sondern vor allem in der organisatorischen Umsetzung. Genau dort entscheidet sich aber künftig, wer aus KI tatsächliche Wirkung macht. 

Vielen Dank für das Gespräch.