KI im Treasury-Management: Liquidität, FX und Zahlungen

Von Jane Ha · Aktualisiert am 11. Oktober 2026

KI im Treasury-Management ist der Einsatz von maschinellem Lernen und Sprachmodellen, um Cash und Liquidität zu prognostizieren, das Fremdwährungsrisiko zu quantifizieren, Zahlungen auf Betrug zu prüfen und das Working Capital zu straffen, während die Treasury-Mitarbeitenden die Entscheidungsgewalt über Finanzierung, Absicherung und die Freigabe von Geld behalten. Das Treasury ist ein guter Ort für KI, weil die Daten numerisch und zeitgestempelt sind. Es ist aber auch der Ort, an dem sich eine falsche Antwort am schwersten rückgängig machen lässt, denn Geld, das die Bank verlassen hat, ist weg.

Dieser Leitfaden richtet sich an Treasurer, CFOs, Leiter Rechnungswesen (Controller) und Finanzdirektoren, die entscheiden, wo KI in der Treasury-Funktion hingehört und welche Kontrollen dazugehören müssen. Für die Sicht auf die gesamte Funktion beginnen Sie mit KI im Finanz- und Rechnungswesen und dem Planungs-Hub KI im FP&A. Zur Mechanik der Prognose lesen Sie KI-gestützte Cashflow-Prognose.

Wichtige Fakten

• Im AFP Payments Fraud and Control Survey 2026 (465 Treasury-Praktiker, Befragung im Januar 2026) erlebten 76 % der US-Organisationen im Jahr 2025 versuchten oder tatsächlichen Zahlungsbetrug, 74 % waren von Business Email Compromise betroffen, und Schecks waren mit 58 % die am häufigsten angegriffene Methode, gefolgt von ACH-Lastschriften (30 %) und Überweisungen (25 %) (AFP).
• In derselben AFP-Umfrage nutzten nur 17 % der Organisationen KI zur Bekämpfung von Zahlungsbetrug (AFP).
• Der Internet Crime Report 2025 des FBI verzeichnete 24.768 Beschwerden zu Business Email Compromise mit gemeldeten Verlusten von 3.046.598.558 $, nach 2.770.151.146 $ im Jahr 2024 (FBI IC3).
• Im AFP Treasury Benchmarking Survey 2026 (425 Antworten, Befragung im Mai 2026) war die Cash- und Liquiditätsprognose sowohl die wichtigste Treasury-Priorität (63 %) als auch die anspruchsvollste Tätigkeit (49 %) (AFP).
• In derselben Umfrage erreichten die Richtlinien zu KI und neuen Technologien 2,9 von 5 Punkten, den niedrigsten Wert aller gemessenen Richtlinienbereiche, und 38 % nannten den Umgang mit Chancen und Risiken von KI eine erhebliche Herausforderung (AFP).
• Der weltweite Devisenhandel erreichte im April 2025 9,6 Billionen Dollar pro Tag, ein Plus von 28 % gegenüber 2022, wobei der US-Dollar bei 89 % der Geschäfte auf einer Seite stand (BIS).

Was KI im Treasury leistet

Das Treasury hat vier Aufgaben, die KI berühren kann: wissen, wie viel Cash Sie haben werden, wissen, welches Währungs- und Zinsrisiko Sie tragen, Zahlungen sicher abwickeln und nicht mehr Working Capital binden als nötig. KI trägt auf drei Arten bei. Sie prognostiziert aus der Historie (Predictive Analytics auf Bank- und Hauptbuchdaten). Sie markiert, was falsch aussieht (Anomalieerkennung bei Zahlungen und Salden). Und sie entwirft oder fasst zusammen (ein Sprachmodell, das einen Positionsbericht in ein Morgenbriefing verwandelt).

Was sie nicht tun sollte, jedenfalls nicht unbeaufsichtigt, ist Geld zu bewegen oder das Unternehmen auf eine Absicherung festzulegen. Die AFP-Zahlen zeigen, warum der Ausgangspunkt zählt: Treasury-Teams bewerten die Reife ihrer eigenen KI-Richtlinien als die schwächste unter ihren Richtlinienbereichen, während Betrugsversuche drei von vier Organisationen treffen. Das Tool kommt schneller als das Regelwerk drumherum.

Wo KI hilft, nach Treasury-Funktion

Praxisbeispiele nach Funktion

Liquiditätsprognose. Ein Treasurer mit 14 Bankkonten in fünf Ländern baut jeden Montag per Hand eine 13-Wochen-Prognose aus Tabellen neu auf, die ihm die regionalen Finanzteams schicken. Ein Prognosemodell nimmt tägliche Banksalden sowie offene Forderungen und Verbindlichkeiten auf, erstellt eine Baseline und eine Bandbreite und zeigt, welche Regionen am häufigsten danebenliegen. Der Treasurer verbringt den Montag mit den Abweichungen statt mit dem Einsammeln von Dateien. KI-gestützte Cashflow-Prognose behandelt Modellwahl und Genauigkeitsmessung ausführlich. Die Cash-Prognose gilt bei den Treasury-Verantwortlichen selbst als schwierigster Bereich und ist daher das naheliegende erste Ziel.

FX-Risiko. Ein Unternehmen fakturiert in Euro, bezahlt Lieferanten in Yen und finanziert eine Tochtergesellschaft in Singapur-Dollar. Die Daten zur Berechnung des Netto-Exposures liegen in drei Systemen. Eine KI-Schicht liest offene Rechnungen und Bestellungen, ordnet sie Währungen und Zahlungsterminen zu und aktualisiert täglich einen Bericht zum Netto-Exposure. Die Hedging-Entscheidungen bleiben beim Treasurer und bei der Hedging-Richtlinie. Zur Einordnung zählt die Rolle des Dollars: Er stand im April 2025 bei 89 % der weltweiten Devisengeschäfte auf einer Seite, das Dollar-Risiko ist also selten vermeidbar, nur steuerbar.

Betrugsprüfung bei Zahlungen. Business Email Compromise funktioniert, indem jemand überredet wird, eine Zahlung an ein geändertes Bankkonto zu senden. Die Beschwerdedaten des FBI für 2025 zählen 24.768 solcher Fälle und über 3 Milliarden Dollar gemeldete Verluste. Ein Modell, das jede ausgehende Zahlung gegen die Historie des Lieferanten bewertet (neue Kontonummer, ungewöhnlicher Betrag, auffälliger Zeitpunkt), kann den kleinen Anteil anhalten, der einen Anruf verdient. Es wird nicht alles erkennen und sollte neben dem menschlichen Rückruf an eine bekannte Nummer stehen, ihn nicht ersetzen. Nur 17 % der AFP-Befragten nutzten KI gegen Zahlungsbetrug, die meisten Unternehmen verlassen sich also weiter auf manuelle Prüfung.

Working Capital. Ein KI-Modell, das die Zahlungshistorie liest, sagt voraus, welche Kunden spät zahlen und welche Lieferantenzahlungen sich um einige Tage verschieben lassen, ohne die Konditionen zu verletzen. Die Gewinne zeigen sich im Working Capital: weniger überraschende Fehlbeträge, bessere Nutzung von Skonti. Die Eingaben kommen aus der Debitorenbuchhaltung und der Kreditorenbuchhaltung, weshalb das Treasury mit am Tisch sitzen sollte, wenn diese Prozesse automatisiert werden.

Kontrollanforderungen: Was gelten muss, bevor KI Cash berührt

Die klassischen Kontrollen im Treasury existieren, weil eine einzelne Person mit Zugriff auf Geld ein Risiko ist. KI fügt einen neuen Akteur hinzu, der ebenfalls falsch liegen oder manipuliert werden kann. Halten Sie diese Kontrollen aufrecht.

Funktionstrennung. Die Person oder das System, das eine Zahlung vorbereitet, darf sie nicht freigeben, und keiner von beiden sollte allein Bankverbindungen von Lieferanten ändern können. Ein KI-Agent, der Zahlungsstapel entwirft, ist ein Ersteller. Geben Sie ihm keine Freigaberechte, und lassen Sie nicht zu, dass ein Servicekonto sowohl erstellt als auch freigibt.

Freigabe von Zahlungen. Jede Zahlung über Ihrer Schwelle braucht einen menschlichen Freigeber mit den Informationen, um Nein zu sagen: Betrag, Begünstigter, Änderungshistorie des Kontos und der Risikowert der KI mit Begründung. Ein Freigeber, der nur einen grünen Haken sieht, lernt, ihn anzuklicken. Das ist eine Human-in-the-Loop-Kontrolle, und sie funktioniert nur, wenn die Person echte Zeit und echte Befugnis hat.

Änderungen der Bankverbindung. Behandeln Sie jede Änderung eines Empfängerkontos als hohes Risiko. Verlangen Sie eine unabhängige Verifizierung über Kontaktdaten, die bereits hinterlegt sind, nie über die in der Anfrage. Das ist die Abwehr gegen Business Email Compromise, und da KI die betrügerischen E-Mails überzeugender macht, wird die Kontrolle wichtiger.

Modellaufsicht. Geben Sie jedem Modell einen Verantwortlichen, einen dokumentierten Zweck, die verwendeten Daten, Testergebnisse und ein Änderungsprotokoll. Führen Sie Backtests der Prognosen gegen das tatsächliche Cash nach Zeitplan durch und legen Sie eine Toleranz fest, die eine Prüfung auslöst. Halten Sie fest, was das Modell empfohlen hat und was der Mensch getan hat.

Zugriffs- und Datengrenzen. Ein Modell braucht Lesezugriff auf Salden und Transaktionen. Schreibzugriff auf ein Bankportal braucht es selten. Halten Sie API-Zugangsdaten für die Zahlungsauslösung aus jedem Tool heraus, das auch E-Mails oder Dokumente liest, und halten Sie sensible Bankdaten aus nicht freigegebenen öffentlichen Chatbots heraus.

Rückfallebene. Wissen Sie, wie das Treasury arbeitet, wenn das Tool falsch liegt oder ausfällt: eine manuelle Prognose, eine manuelle Prüfcheckliste, eine benannte Person, die die Automatisierung anhalten kann.

KI im Treasury einführen, Schritt für Schritt

1. Beginnen Sie mit rein lesenden Aufgaben. Prognosen, Exposure-Reporting und tägliche Positionszusammenfassungen können kein Geld bewegen. Sie schaffen Vertrauen und decken Datenprobleme günstig auf.
2. Kartieren Sie die Daten. Listen Sie Bankfeeds, ERP-Module, TMS-Daten und Tabellen auf. Beheben Sie zuerst nicht passende Kontocodes, doppelte Gegenparteien und veraltete Lieferantendatensätze; Datenbereitschaft im Finanzwesen geht durch, was zu prüfen ist.
3. Ermitteln Sie die heutige Genauigkeit als Baseline. Halten Sie fest, wie weit Ihre aktuelle Prognose nach Horizont danebenliegt (nächste Woche, nächster Monat, nächstes Quartal). Ohne Baseline können Sie nicht beurteilen, ob das Modell hilft.
4. Laufen Sie parallel. Lassen Sie das Modell mindestens zwei oder drei Zyklen lang neben dem bestehenden Prozess prognostizieren und vergleichen Sie Zeile für Zeile.
5. Setzen Sie die Prüfung als Markierer ein, nicht als Blocker. Lassen Sie das Betrugsmodell Prüfungen anstoßen, bevor Sie ihm erlauben, etwas automatisch anzuhalten. Verfolgen Sie Fehlalarme, denn ein Team, das mit Alarmen überflutet wird, hört auf, sie zu lesen.
6. Schreiben Sie die Freigaberegeln auf. Wer gibt was frei, bei welcher Schwelle, mit welchen Informationen auf dem Bildschirm. Lassen Sie die interne Revision es vor dem Start lesen.
7. Starten Sie ein Pilotprojekt mit einer Einheit oder Region. Messen Sie Prognosefehler, ausgelöste Alarme, abgefangene bestätigte Betrugsfälle, gesparte Stunden und Vorfälle.
8. Überprüfen Sie vierteljährlich. Führen Sie Backtests durch, prüfen Sie Zugriffsrechte erneut und bestätigen Sie, dass die Menschen weiterhin selbst prüfen.

Häufige Fallstricke

• Eine Prognose als Tatsache behandeln. Ein Modell liefert eine zentrale Schätzung und eine Bandbreite. Planen Sie die Finanzierung auf die Bandbreite.
• Schlechte Bankdaten als Eingabe. Cash, das im Hauptbuch falsch klassifiziert ist, erzeugt Prognosen, die durchgehend in dieselbe Richtung falsch liegen.
• Dem Agenten die Schlüssel geben. Rechte zur Zahlungsauslösung auf einem KI-Servicekonto fassen die Funktionstrennung in einer einzigen Zugangsberechtigung zusammen.
• Alarmmüdigkeit. Eine Prüfung, die einen großen Anteil der Zahlungen markiert, wird ignoriert. Stimmen Sie die Schwellen mit den Prüfern ab.
• Keine Richtlinie. Der AFP-Benchmark fand die KI-Richtlinie als den am wenigsten reifen Bereich im Treasury. Schreiben Sie die Regeln vor dem Pilotprojekt, nicht nach dem ersten Vorfall.
• Modellüberwachung auslassen. Das Zahlungsverhalten der Kunden verschiebt sich nach einer Zinsbewegung oder einem Marktschock, und ein Modell, das auf ruhigen Monaten trainiert wurde, driftet. Wiederholen Sie den Backtest nach Zeitplan.
• Halluzinierte Erzählungen. Ein Sprachmodell, das die Cash-Position zusammenfasst, kann eine falsche Zahl flüssig formulieren. Füttern Sie es mit den Zahlen und lassen Sie es diese zitieren, statt es zu bitten, sie aus dem Gedächtnis abzurufen.

Was Sie messen sollten

• Prognosequalität: Fehler nach Horizont, Verzerrung (durchgehend zu hoch oder zu niedrig) und Anteil der Wochen innerhalb der Toleranz.
• Liquiditätsergebnisse: brachliegende Kassenbestände, Nutzung von Kreditlinien und Kosten kurzfristiger Kredite.
• Betrug und Kontrolle: angehaltene Zahlungen, bestätigt verhinderte Verluste, Fehlalarmquote und Zeit bis zur Klärung einer Sperre.
• Prozess: Stunden für die Zusammenstellung der Cash-Position und Anteil der am selben Tag geschlossenen Ausnahmen.

Wie es weitergeht

Wenn Sie in diesem Quartal nur eines tun, dann ermitteln Sie die Genauigkeit Ihrer aktuellen Cash-Prognose als Baseline und stellen Sie ein Modell im rein lesenden Modus daneben. Lesen Sie danach KI-gestützte Cashflow-Prognose für den Aufbau, KI im FP&A, um das Treasury mit der Planung zu verbinden, und die Übersicht KI im Finanzwesen für das größere Governance-Bild. Schreiben Sie die Regeln für Freigaben und Bankänderungen auf, bevor ein Tool in die Nähe eines Zahlungslaufs kommt.