KI in FP&A: treiberbasierte Prognosen, Szenarien und Abweichungsanalyse

Von Jane Ha · Aktualisiert am 11. Oktober 2026

KI in FP&A (Finanzplanung und -analyse) bedeutet, mit maschinellem Lernen und Sprachmodellen Baseline-Prognosen zu erstellen, zu testen, welche Geschäftstreiber die Zahlen bewegen, Szenarien durchzuspielen und Abweichungskommentare zu entwerfen, während Analysten die Annahmen, die Geschichte und die Empfehlung verantworten. Sie beschleunigt die mechanischen und repetitiven Teile der Planung. Sie ersetzt nicht den Teil, in dem jemand entscheidet, was die Zahlen bedeuten und was als Nächstes zu tun ist.

Dies ist der zentrale Beitrag für den Bereich Planung und Treasury der Sammlung AI for Finance. Er richtet sich an CFOs, FP&A-Leiter und Finanzmanager, die wissen müssen, wo KI im Planungszyklus ihren Platz verdient und wo nicht. Für die Sicht auf die gesamte Funktion beginnen Sie mit KI im Finanz- und Rechnungswesen. Von hier aus liegt das Detail zu jeder Aufgabe in einem eigenen Leitfaden: KI-Cashflow-Prognose, KI-Abweichungsanalyse, KI-Szenarioplanung, KI-Ausgabenanalyse und KI im Treasury.

Wichtige Fakten

• Die AFP FP&A Benchmarking Survey 2025 (362 FP&A-Praktiker weltweit) ergab, dass 23 % KI täglich, wöchentlich oder monatlich nutzen und weitere 40 % sie testen und die Einführung innerhalb eines Jahres planen (AFP).
• In derselben AFP-Umfrage nannten 61 % mangelnde Datenzuverlässigkeit und 60 % mangelnde Datenzugänglichkeit als Herausforderungen, und 96 % nutzen für die Planung weiterhin Tabellenkalkulationen (AFP).
• Die AI-in-Finance-Umfrage 2025 von Gartner (183 CFOs und leitende Finanzverantwortliche) ergab, dass 59 % der Finanzfunktionen KI nutzen, gegenüber 58 % im Jahr 2024 und 37 % im Jahr 2023, und dass 91 % der Befragten zunächst eine geringe oder mäßige Wirkung sahen (Gartner, via CPA Practice Advisor).
• In einer PLOS-ONE-Studie mit 1.045 Monatsreihen aus dem M3-Wettbewerb schlugen acht statistische Methoden die getesteten Methoden des maschinellen Lernens bei jedem Genauigkeitsmaß und jedem Prognosehorizont (Makridakis, Spiliotis und Assimakopoulos, 2018).
• Eine Studie von 2024 zu drei LLM-basierten Prognosemodellen ergab, dass das Entfernen des Sprachmodells oder sein Austausch gegen eine einfache Attention-Schicht die Prognoseleistung nicht verschlechterte (Tan et al., arXiv).

Was KI in FP&A verändert

FP&A hat vier wiederkehrende Aufgaben: die Zahlen prognostizieren, erklären, was sie bewegt, Was-wäre-wenn-Fälle testen und der Führung sagen, was das alles bedeutet. KI hilft bei diesen vieren unterschiedlich stark.

Prognose. Maschinelles Lernen liest historische Istwerte, Saisonalität und externe Signale und erzeugt eine Baseline schneller, als sich ein Tabellenmodell jeden Monat neu aufbauen lässt. Denken Sie an prädiktive Analytik, angewandt auf Umsatz, Personalkosten oder Nachfrage. Die Baseline ist ein Ausgangspunkt, kein Urteil.

Treibermodellierung. Ein treiberbasierter Plan verknüpft die GuV mit operativen Eingangsgrößen: Leads zu Pipeline zu Bookings zu Umsatz, oder Stückzahl und Preis zur Marge. KI hilft, indem sie testet, welche Treiber die Historie tatsächlich erklären. Ein Modell kann zeigen, dass Churn mehr von Ihrem Umsatzausschlag erklärt als das Neukundenvolumen, was Ihnen sagt, worauf Sie den Plan ausrichten.

Szenarioanalyse. Sind die Treiber erst verdrahtet, dauert das Durchspielen von zehn Fällen Minuten statt Tage. Das ändert, wie oft ein Team Was-wäre-wenn-Fragen gestellt bekommt und Ja sagt. Die Kunst, aussagekräftige Szenarien zu wählen, behandelt die Szenarioplanung, die KI-spezifische Mechanik die KI-Szenarioplanung.

Kommentar. Ein Sprachmodell kann die Hauptbuchdetails hinter einer Abweichung lesen und den ersten Absatz der Erklärung entwerfen. Ein Analyst prüft weiterhin jede Aussage, denn der Entwurf klingt gleich selbstsicher, wenn er falsch liegt.

Wo KI in den Planungszyklus passt

Praxisbeispiele nach Funktion

Ein SaaS-Finanzteam prognostiziert neue Bookings. Statt einer pauschalen Wachstumsrate nutzt das Modell die Pipeline nach Phase, historische Abschlussquoten je Phase und Saisonalität. Der Analyst vergleicht jeden Monat die Zahl des Modells mit der Einschätzung der Vertriebsleitung. Wenn sie um mehr als eine festgelegte Marge auseinanderliegen, ist das das Gespräch, das sich lohnt.

Die Finanzgruppe für Warengruppen eines Händlers prognostiziert die Nachfrage nach Kategorie anhand von Preis, Aktionskalender und Wetter. Granulare Historie mit vielen wiederkehrenden Mustern ist dort, wo maschinelles Lernen die besten Chancen hat. Es gewinnt nicht überall, weshalb das Team es zuerst gegen eine einfache Baseline testet.

Ein Dienstleistungsunternehmen möchte ein schnelleres monatliches Abweichungspaket. Ein Sprachmodell entwirft aus Hauptbuch- und Zeiterfassungsdaten den Satz „Der Umsatz liegt 400.000 $ unter Budget, getrieben durch geringere Auslastung in zwei Practices". Die FP&A-Managerin bestätigt die Auslastungszahlen anhand der Quelle, bevor das Paket zum CFO geht, und formuliert die Empfehlung selbst neu.

Das Operations-Finanzteam eines Herstellers speist Einkaufsdaten in ein Werkzeug für Ausgabenanalyse, das Tausende Freitext-Positionen in Kategorien gruppiert und Lieferanten hervorhebt, deren Preise abdriften. Der Business Partner im Finanzwesen nutzt das zur Vorbereitung von Lieferantengesprächen. KI-Ausgabenanalyse geht tiefer darauf ein, wie das funktioniert.

Ein Treasury-Team prognostiziert die wöchentliche Liquidität aus dem historischen Zahlungszeitpunkt je Kunde und vergleicht die Prognose jeden Montag mit den Istwerten. KI-Cashflow-Prognose und KI im Treasury behandeln Methode und Kontrollen.

So führen Sie KI in FP&A Schritt für Schritt ein

1. Mit einer Baseline beginnen, die Sie schlagen können. Wählen Sie eine Prognoseposition, etwa monatlichen Umsatz oder Zahlungseingänge, und halten Sie fest, wie genau Ihre aktuelle Methode ist. Ohne diese Zahl können Sie nichts als verbessert belegen.
2. Die Daten vor dem Werkzeug prüfen. Sehen Sie sich an, wie konsistent Ihr Kontenrahmen, Ihre Produkthierarchie und Ihre Kundendatensätze über Perioden hinweg sind. Die größten Hindernisse in der AFP-Umfrage waren Datenzuverlässigkeit und Zugänglichkeit, nicht die Werkzeuge selbst. Die Checkliste in Datenbereitschaft im Finanzwesen für KI ist ein guter erster Durchgang.
3. Eine einfache statistische Methode neben der KI-Methode testen. Lassen Sie eine saisonale Naive-Prognose oder ein einfaches exponentielles Glättungsmodell neben dem Modell des maschinellen Lernens auf derselben Historie laufen. Schlägt das komplexe Modell das einfache nicht außerhalb der Stichprobe, setzen Sie es nicht ein.
4. Den Treiberbaum mit dem Geschäft aufbauen. Setzen Sie sich mit Vertrieb, Betrieb und HR zusammen, um zu vereinbaren, welche drei bis sechs Treiber zählen, wer jeden verantwortet und woher die Daten kommen. Ein Modell, dessen Eingangsgrößen keinen Verantwortlichen haben, wird zur Blackbox, der niemand traut.
5. Ehrlich per Backtest prüfen. Halten Sie die letzten 6 bis 12 Monate zurück, prognostizieren Sie sie blind und messen Sie den Fehler. Halten Sie den Testzeitraum aus dem Training heraus, damit das Ergebnis nicht geschönt ist.
6. Einen ganzen Zyklus parallel laufen lassen. Erzeugen Sie die KI-Prognose und die menschliche Prognose mindestens ein Quartal lang nebeneinander und prüfen Sie die Lücken. Dokumentieren Sie, wo das Modell besser war und wo es danebenlag.
7. Den Prüfschritt festlegen. Benennen Sie für jede Ausgabe, wer sie prüft, womit er sie vergleicht und was er überstimmen kann. Behandeln Sie es als echte Human-in-the-Loop-Prüfung, nicht als Durchklicken.
8. Die Genauigkeit laufend verfolgen. Messen Sie den Prognosefehler in jeder Periode, nicht einmal. Modelle driften, wenn sich das Geschäft ändert, und eine Preisänderung oder ein neues Produkt kann die Zusammenhänge des Vorjahres über Nacht brechen.
9. Erst dann Agenten erwägen. Sobald der manuelle Workflow stabil ist, kann ein KI-Prognoseagent ihn nach Zeitplan ausführen und Ausnahmen zur Prüfung melden.

Einführung: Was die Evidenz zeigt

Die Einführung speziell in FP&A steht früher, als die Zahlen für das gesamte Finanzwesen nahelegen. Die Umfrage der AFP von 2025 ergab, dass nur 23 % der Befragten KI täglich, wöchentlich oder monatlich nutzen, während 40 % testen und planen, innerhalb eines Jahres auszurollen. Das ist ein Berufsfeld in der Experimentierphase, nicht in der Skalierungsphase.

Die breitere Gartner-Reihe zeigt dasselbe Muster aus Sicht der CFOs. Die KI-Nutzung im Finanzwesen stieg von 37 % im Jahr 2023 auf 58 % im Jahr 2024 und 59 % im Jahr 2025, und 91 % der Befragten meldeten zunächst eine geringe oder mäßige Wirkung. Weiter fortgeschrittene Organisationen berichteten fast dreimal so häufig von hoher Wirkung. Das Muster legt nahe, dass der Wert nach dem Pilotprojekt kommt, sobald Daten und Prozesse in Ordnung gebracht sind.

Diese beiden Umfragen messen verschiedene Grundgesamtheiten (FP&A-Praktiker gegenüber CFOs und leitenden Finanzverantwortlichen) mit unterschiedlichen Definitionen von „KI nutzen", legen Sie ihre Prozentwerte also nicht nebeneinander, als wären sie ein Trend.

Die Grenzen von KI in FP&A

Komplex heißt nicht genauer. In der PLOS-ONE-Studie mit M3-Daten wurden die Methoden des maschinellen Lernens bei jedem Genauigkeitsmaß und jedem Horizont von einfachen statistischen dominiert, und sie brauchten erheblich mehr Rechenleistung. Die Autoren warnen, dass die Ergebnisse von den Daten abhängen können, etwa von ihrer Länge und ihrem geschäftsorientierten Charakter. Sehen Sie darin einen Grund, an Ihrer eigenen Historie zu testen. Halten Sie im Test immer einen einfachen Vergleichswert bereit.

Sprachmodelle sind keine Prognostiker. Eine Studie von 2024 zu LLM-basierten Zeitreihenprognosen ergab, dass das Entfernen des Sprachmodells oder sein Austausch gegen eine einfache Attention-Schicht die Genauigkeit nicht beeinträchtigte. Nutzen Sie Sprachmodelle für das, was sie gut können, lesen und entwerfen, und Zeitreihenmodelle für das Projizieren von Zahlen.

Die Historie ist nicht immer ein Wegweiser. Jede statistische Prognose nimmt an, dass die Zukunft der Vergangenheit ähnelt. Eine Preisänderung, ein verlorener Kunde, eine regulatorische Verschiebung oder ein Lieferschock bricht das. Hier zählen das Urteil des Analysten und die Szenarioarbeit am meisten.

Halluzinierte Kommentare. Ein Modell kann eine überzeugende Erklärung einer Abweichung schreiben, die einen Treiber anführt, der sich nicht verändert hat. Das Problem der KI-Halluzination ist in Finanzfragen real: FinanceBench, ein Test mit 10.231 Fragen zu börsennotierten Unternehmen, ergab, dass GPT-4 Turbo mit einem Retrieval-System 81 % falsch beantwortete oder verweigerte. Das war ein Test bestimmter Modelle aus dem Jahr 2023, und neuere schneiden besser ab, aber er rechtfertigt, dass jede Zahl in einem Entwurf auf eine Quellzelle verweisen muss.

Datenqualität. Sowohl die AFP- als auch die Gartner-Umfrage stellen Datenprobleme vor die Technologie als größtes Hindernis. Modelle, die mit uneinheitlichen Zuordnungen trainiert wurden, erzeugen selbstsichere, falsche Baselines.

Übervertrauen. Eine polierte Prognose, die niemand hinterfragt, ist der Fehler, auf den Sie achten sollten. Halten Sie für jede Zahl eine Person verantwortlich und vergleichen Sie weiter die Vorhersagen mit den Istwerten.

Was Sie messen sollten

• Prognosegenauigkeit: mittlere absolute prozentuale Abweichung nach Position und Horizont, gegenüber Ihrer Baseline vor der KI.
• Verzerrung: ob Fehler durchgängig zu hoch oder zu niedrig ausfallen, was oft teurer ist als zufälliger Fehler.
• Durchlaufzeit: Tage vom Periodenende bis zum Prognose- und Abweichungspaket.
• Zeit der Analysten: Stunden für die Zusammenstellung gegenüber der Analyse.
• Entscheidungsnutzung: wie oft Prognosen und Szenarien eine Entscheidung verändert haben, nicht nur eine Folie.

Wie es weitergeht

Wenn Sie in diesem Quartal nur eines tun, wählen Sie eine einzelne Prognoseposition, halten Sie die heutige Genauigkeit fest und lassen Sie ein einfaches statistisches Modell einen ganzen Zyklus lang neben jedem KI-Werkzeug laufen. Arbeiten Sie dann die Leitfäden in diesem Bereich durch: Beginnen Sie mit der KI-Abweichungsanalyse, wenn Kommentare Ihre Abschlusswoche fressen, mit der KI-Cashflow-Prognose, wenn die Liquidität die Sorge ist, und mit der KI-Szenarioplanung, wenn die Führung immer wieder „Was wäre wenn" fragt. Das beste Ergebnis ist eine Prognose, der Ihr Team traut, weil sie eine Erfolgsbilanz hat, nicht weil sie aus einem Modell kam.