Liquiditätsplanung mit KI – Best Practices Ansätze und was heute wirklich anders ist

Im Dezember wurden die maßgeblichen Herausforderungen bei der Planung des Liquiditätsbedarfs in Treasury-Abteilungen eingehend beleuchtet: fragmentierte Datenlandschaften, überwiegend manuelle Prozesse, eine eingeschränkte Transparenz sowie die ausgeprägte Volatilität zentraler Einflussfaktoren prägen den operativen Alltag. Diese Herausforderungen sind seit Jahren bekannt und begleiten viele Treasury-Organisationen kontinuierlich.

In der aktuellen Ausgabe rückt daher weniger das Ob als vielmehr das Wie in den Mittelpunkt: Wie können innovative Ansätze der Künstlichen Intelligenz diesen Problemstellungen heute wirksam begegnen? Worin unterscheiden sich moderne Ansätze von klassischen Prognosemethoden – und wo liegen nach wie vor klare Grenzen? Gerade weil das Thema seit Jahren präsent ist, liegt der Mehrwert heute weniger in der Technologie selbst als in ihrer konkreten Ausgestaltung.

Die Grundlage jeder KI-gestützten Liquiditätsplanung bilden weiterhin strukturierte Finanzdaten wie historische nach Planungspositionen gruppierte Cashflows (beispielsweise Einzahlungen von Kunden oder Auszahlungen an Lieferanten für Betriebsmittel) aus ERP- und Treasury-Systemen. Diese Daten werden gezielt um externe strukturierte oder unstrukturierte Informationsquellen ergänzt. Hierzu zählen beispielsweise makroökonomische Veröffentlichungen, Markt- und Zinsinformationen oder textbasierte Frühindikatoren. Fortschritte in der automatisierten Text- und Signalanalyse ermöglichen es, solche Informationen in quantifizierbare Einflussfaktoren zu überführen und kontrolliert in Prognosemodelle einzubinden. Entscheidend ist dabei nicht die maximale Erweiterung der Datenbasis, sondern die gezielte Auswahl relevanter Treiber, um zusätzliche Volatilität nicht unreflektiert in die Prognose zu übertragen. Die Auswahl erfolgt heutzutage automatisiert durch leistungsfähige KI-Modelle.

Mit der erweiterten Datenbasis haben sich auch die Methoden der Datenbereinigung und -aufbereitung weiterentwickelt. Während früher vor allem manuelle Plausibilitätsprüfungen dominierten, kombinieren moderne Ansätze regelbasierte Logiken mit statistischen und maschinellen Verfahren. Ausreißer, Anomalien oder strukturelle Brüche lassen sich automatisiert identifizieren und bewerten. Der Fokus verschiebt sich damit von einer einmaligen Bereinigung hin zu einer kontinuierlichen Sicherstellung der Prognosefähigkeit, bei der Veränderungen in Datenstruktur oder Geschäftsmodell gezielt durch Anpassungen oder Re-Trainings der Modelle berücksichtigt werden.

Der wesentliche Fortschritt liegt heute weniger in neuen Datenquellen als in der Art der Modellierung: Bekannte KI-Verfahren wie etwa Gradient-Boosting-Modelle oder auch neuere Modelle wie Deep-Learning-basierte Zeitreihenarchitekturen erfassen nichtlineare Zusammenhänge und komplexe zeitliche Abhängigkeiten deutlich robuster als klassische Regressions- oder rein historienbasierte Forecasts. Ergänzend ermöglichen probabilistische Prognosemethoden die Darstellung von Bandbreiten und Szenarien statt einzelner Punktwerte, was die Risikosteuerung verbessert. Ein weiterer Entwicklungsschritt ist der Einsatz erklärbarer Modelle. Explainable-AI-Techniken machen sichtbar, welche Einflussgrößen Prognosen treiben und wie stark deren Wirkung ist. Das erhöht Nachvollziehbarkeit, unterstützt Governance-Anforderungen und erleichtert die fachliche Validierung im Treasury – ein klarer Unterschied zu früheren Black-Box-Ansätzen.

Auf Ebene der Prognosemethoden zeigt sich, dass es keinen universell besten Ansatz gibt. Stattdessen werden heute unterschiedliche Modellklassen parallel eingesetzt, validiert und objektiv miteinander verglichen. Neben klassischen Zeitreihenverfahren wie ARIMA oder exponentieller Glättung und etablierten Machine-Learning-Modellen kommen zunehmend auch Deep-Learning-Modelle zum Einsatz, die komplexe Abhängigkeiten, nichtlineare Effekte und zeitliche Dynamiken besser abbilden können. Die deutlich gestiegene Leistungsfähigkeit moderner Modelle resultiert dabei weniger aus einzelnen Algorithmen als aus dem Zusammenspiel von höherer Rechenleistung, verbesserter Datenverfügbarkeit, automatisierter Modellauswahl, kontinuierlichem Re-Training sowie fortgeschrittenem Feature Engineering. Damit verschiebt sich der Fokus von der einmaligen Modellerstellung hin zu einem kontinuierlichen, adaptiven Prognoseprozess.

Ein weiterer wesentlicher Unterschied zu früheren Planungsansätzen liegt im Umgang mit Unsicherheit. KI-gestützte Forecasts werden nicht mehr als statische Punktprognosen verstanden, sondern als Ausgangspunkt für systematische Szenario- und Sensitivitätsanalysen. Durch die gezielte Variation zentraler Einflussfaktoren lassen sich alternative Entwicklungen simulieren und deren Auswirkungen auf die Liquidität transparent darstellen. KI ersetzt dabei nicht das Szenariodenken, sondern macht es skalierbarer, reproduzierbarer und datengetriebener. Entscheidungsräume werden klarer sichtbar, ebenso wie die Sensitivität der Prognosen gegenüber einzelnen Treibern.

Die zugrunde liegende Datenmodellierung und Architektur moderner Lösungen folgen zunehmend modularen Prinzipien. Daten-, Feature-, Modell- und Entscheidungsebene sind klar voneinander getrennt, was die Skalierbarkeit erhöht, die Nachvollziehbarkeit verbessert und die Integration in bestehende Treasury-Prozesse erleichtert (beispielsweise Übertragung auf das Finanzrisikomanagement für Fremdwährungen, Zinsen, Counterparties). Prognosemodelle entwickeln sich damit von isolierten Rechenlogiken hin zu steuerbaren und überprüfbaren Entscheidungsinstrumenten. Dies erleichtert nicht nur die Weiterentwicklung einzelner Modelle, sondern auch deren Einbettung in operative Entscheidungsprozesse.

Trotz dieser Fortschritte bleibt KI kein Allheilmittel. Stark irreguläre Cashflows, einmalige Sondereffekte oder abrupte strukturelle Veränderungen lassen sich auch heute nur eingeschränkt prognostizieren. Zudem nimmt mit steigender Modellkomplexität häufig die Transparenz der Ergebnisse ab. Gerade im Treasury-Umfeld bleiben daher die fachliche Plausibilisierung, Governance und Verantwortung beim Menschen unverzichtbar. KI liefert Entscheidungsunterstützung – nicht die Entscheidung selbst.

Vor dem Hintergrund der beschriebenen Entwicklungen hat auch KPMG in eine eigene Lösung zur KI-gestützten Liquiditätsprognose investiert, die sich konsequent an den dargestellten Prinzipien orientiert. Im Fokus stehen dabei eine modulare Datenarchitektur, die parallele Nutzung unterschiedlicher Prognosemethoden, eine kontinuierliche Überwachung der Modellgüte sowie die systematische Integration von Szenario- und Sensitivitätsanalysen. Ziel ist es, moderne Forecasting-Ansätze praxisnah und kontrollierbar in bestehende Treasury-Umgebungen einzubetten – mit dem klaren Verständnis, dass KI die Entscheidungsfindung unterstützt, aber nicht ersetzt.

In der Praxis des verantwortlichen Treasurers muss abgewogen werden, wieviel Kontrolle zugunsten probabilistischer Genauigkeit und Prozesseffizienz an die KI abgegeben werden soll. Je früher sich mit dem Einsatz der KI ernsthaft und unter realen Bedingungen auseinandergesetzt wird, desto besser kann Sicherheit gewonnen werden und die Entscheidung für die Einsatzgebiete getroffen werden. Dazu bedeutet dies auch ein Paradigmenwechsel in der Finanz- und Treasurysteuerung, der in der Governance abgebildet werden muss.