Datenbereitschaft im Finanzwesen für KI: Kontenrahmen, ERP und Stammdaten

Von Jane Ha · Aktualisiert am 11. Oktober 2026

Datenbereitschaft im Finanzwesen ist der Grad, in dem Ihr Kontenrahmen, Ihre ERP-Transaktionen und Ihre Stammdaten (Lieferanten, Kunden, Artikel) so genau, konsistent und verknüpft sind, dass ein KI-System sie lesen und dieselbe Antwort erhalten kann wie ein sorgfältiger Controller. Ein Modell kann nicht erkennen, dass „Acme Corp“, „ACME Corporation“ und „Acme Corp.“ ein und derselbe Lieferant sind oder dass drei Kostenstellen unter verschiedenen Codes dasselbe bedeuten. Es behandelt sie als getrennt, und jede darauf aufbauende Prognose, jeder Abgleich und jede Abweichungserklärung erbt diese Aufspaltung.

Dieser Leitfaden richtet sich an CFOs, Controller, Finanzdirektoren und Finanzmanager, die KI für Abschluss, Kreditorenbuchhaltung, Forderungseinzug, Prognosen oder Berichte pilotieren wollen und wissen möchten, was bei den Daten zuerst stimmen muss. Er liegt auf der Datenebene (Level 0) des ACE Framework, wo Ingest und Analyze stattfinden, bevor etwas vorhergesagt oder generiert wird. Für die Sicht auf die ganze Funktion beginnen Sie mit KI im Finanzwesen, für die konkreten Abläufe siehe Anwendungsfälle für KI im Finanzwesen.

Wichtige Fakten

• In der Studie von RGP vom Dezember 2025 unter 200 US-CFOs nannten 35 % das Vertrauen in die Daten als größte Hürde für den ROI von KI, und nur 10 % sagten, sie vertrauten ihren Unternehmensdaten voll und ganz (RGP CFO survey).
• In derselben Studie sagten 86 % der CFOs, Altsysteme begrenzten ihre KI-Bereitschaft (RGP CFO survey).
• In einer Studie der Harvard Business Review mit 75 Führungskräften, die jeweils kürzlich angelegte Datensätze in ihren eigenen Abteilungen prüften, enthielten 47 % der neuen Datensätze mindestens einen kritischen Fehler, und nur 3 % der Datenqualitätswerte ließen sich nach dem großzügigsten Maßstab als akzeptabel einstufen (Nagle, Redman and Sammon, HBR, 2017). Es handelt sich um allgemeine Geschäftsdaten und eine ältere Studie, nicht um einen reinen Finanz-Benchmark, aber die Erkenntnis über neu angelegte Datensätze gilt für jede Stammdatenmaske.

Warum KI im Finanzwesen mit den Daten steht und fällt

Jeder KI-Anwendungsfall im Finanzwesen liest aus denselben wenigen Quellen. Ein Werkzeug zum Rechnungsabgleich liest Lieferantenstammsätze und Bestellungen. Eine Cashflow-Prognose liest Forderungen, Verbindlichkeiten und Bankdaten. Ein Werkzeug für Abweichungskommentare liest das Hauptbuch und sagt Ihnen, warum sich eine Zahl bewegt hat. Ein Assistent für den Abschluss liest Summen- und Saldenlisten und Buchungssätze und markiert, was ungewöhnlich aussieht.

Die erste Frage lautet also nicht „Ist das Modell gut?“, sondern „Was sieht es sich an?“. Drei Dinge gehen schief, wenn die Antwort „ein Durcheinander“ lautet:

• Modelle lernen Ihre Inkonsistenzen als Muster. Wenn derselbe Aufwand je nach Bearbeiter auf vier Konten landet, lernt ein Klassifikationsmodell vier Gewohnheiten und behandelt sie als gleichermaßen gültig.
• Assistenten erklären Zahlen, die falsch sind. Ein Sprachmodell, das Abweichungskommentare schreibt, beschreibt einen Umsatzsprung flüssig, selbst wenn der Sprung ein Zuordnungsfehler ist. Das ist das Problem der Halluzination im Finanzumfeld: flüssig, selbstsicher und von den Büchern nicht gedeckt.
• Berichte widersprechen sich. Wenn ERP, Planungswerkzeug und BI-Schicht jeweils „Region“ oder „Kunde“ anders definieren, wird der erste KI-generierte Bericht zu einer Debatte über Definitionen statt zu einer Entscheidung.

Die Arbeit lohnt sich mit oder ohne KI: schnellere Abschlüsse, sauberere Prüfungen und weniger Umbuchungen entstehen aus denselben Korrekturen.

Die drei Ebenen der Finanzdaten

Denken Sie sich Finanzdaten in drei Ebenen. KI hängt von allen dreien ab, und ein Mangel in einer unteren Ebene zeigt sich in jeder Ebene darüber.

Die meisten Teams beginnen bei den Transaktionen, weil dort der Schmerz sichtbar ist. Aber wenn Kontenrahmen und Stammdaten unzuverlässig sind, bekämpft die Bereinigung der Transaktionen nur Symptome.

Kontenrahmen: Die Sprache, die Ihre KI liest

Der Kontenrahmen ist das Vokabular des Finanzwesens. Jede KI-Funktion, die klassifiziert, prognostiziert oder erklärt, übersetzt über ihn. Vier Gestaltungsprobleme verursachen die meisten Schwierigkeiten.

Wildwuchs bei den Konten. Kontenrahmen, die durch Übernahmen gewachsen sind, enthalten oft Tausende Konten, viele davon ruhend und viele fast doppelt („Reisekosten“, „Reisekosten - Inland“, „Sonstige Reisekosten“). Ein Klassifikationsmodell muss zwischen ihnen wählen, und ehrlicherweise wählen auch Menschen uneinheitlich.

Bedeutung, die in Kontonummern versteckt wird. Wenn ein Unternehmen die Ausgaben nach Abteilung oder Region sehen muss und sein System das nicht kann, legt es Konten an wie „Marketing - EMEA - Events“. Das funktioniert, bis es acht Regionen, zehn Abteilungen und eine Reorganisation gibt. Die bessere Gestaltung hält Konten für die Art des Postens und legt Abteilung, Region, Produkt und Projekt in getrennte Dimensionen (Kostenstelle, Segment, Tag). Modelle kommen mit einer kleinen Menge sauberer Konten plus Dimensionen deutlich besser zurecht als mit einer riesigen flachen Liste.

Unterschiede zwischen Gesellschaften und lokalen Rechnungslegungsvorschriften. Tochtergesellschaften mit eigenen lokalen Kontenplänen, die per Tabelle auf einen Konzernkontenrahmen abgebildet werden, sind eine häufige Quelle stiller Fehler. Wenn die Zuordnung in der Arbeitsmappe einer einzelnen Person liegt, kann ein KI-Werkzeug, das Konzerndaten liest, nicht wissen, wann sie sich geändert hat.

Undokumentierte Nutzung. Ein Konto namens „Sonstiges“ oder „Durchlaufposten“ ohne schriftlichen Zweck wird zur Müllhalde. Modelle können ein echtes Sonstiges nicht von einem ungeklärten Posten unterscheiden.

Der praktische Standard ist einfach zu formulieren: Jedes Konto hat eine dokumentierte Definition, einen Verantwortlichen, eine Regel, wann es zu verwenden ist und wann nicht, und eine Zuordnung zu externen Berichtspositionen. Wo das vorhanden ist, funktioniert schon einfache Automatisierung besser, und ein retrieval-basierter Assistent kann den Nutzern die Definitionen wiedergeben, wie in Retrieval-Augmented Generation beschrieben.

Datenqualität im ERP: Woher die Mängel kommen

Ihr ERP ist nicht nur eine Datenquelle. Es ist der Ort, an dem die Mängel entstehen, durch Masken mit Freitext, optionalen Feldern, manuellen Übersteuerungen und Behelfslösungen. Fünf Muster tauchen immer wieder auf.

Der Befund von RGP, dass 86 % der CFOs Altsysteme als Grenze für die KI-Bereitschaft sehen, passt zu diesem Bild (RGP). Alt-ERPs sind nicht unbrauchbar, haben aber tendenziell die lockersten Kontrollen dafür, wie Datensätze entstehen, und die ältesten Datensätze.

Sie müssen das ERP nicht ersetzen, um voranzukommen. Viele Teams kommen weit, indem sie bei der Anlage von Datensätzen Validierungen ergänzen und die Bereinigung auf die wenigen Felder verlegen, die ein bestimmter Anwendungsfall liest.

Stammdaten: Lieferanten, Kunden und Artikel

Stammdaten sind die Datensätze, auf die Transaktionen verweisen. Sind sie falsch, ist auch jede Transaktion falsch, die darauf verweist, und zwar auf eine Weise, die ein Modell nicht erkennen kann.

Lieferanten. Der Lieferantenstamm steuert die Automatisierung der Kreditorenbuchhaltung, die Ausgabenanalyse und Betrugskontrollen. Typische Mängel sind Duplikate, fehlende Steuernummern, mehrere Bankkonten je Lieferant ohne Freigabenachweis und nicht erfasste Konzernbeziehungen (sodass Sie nicht sehen, dass Sie über vier Gesellschaften bei einer Gruppe einkaufen). Ein KI-Werkzeug, das Rechnungen mit Bestellungen abgleicht, arbeitet mit einer sauberen Lieferantenliste gut und mit einer Liste, in der derselbe Lieferant in Varianten auftaucht, schlecht.

Kunden. Der Kundenstamm steuert den Forderungseinzug, das Kreditrisiko, die Umsatzanalyse und die Cashflow-Prognose. Achten Sie auf doppelte Konten, Verwechslungen zwischen Rechnungs- und Lieferadresse, fehlende Hierarchie (sodass das Risiko auf Konzernebene unsichtbar bleibt) und Zahlungsbedingungen, die zwischen CRM und ERP abweichen. Ein Einzugsmodell, das verspätete Zahlungen vorhersagt, braucht über Jahre hinweg eine konsistente Kundenidentität in der Historie.

Artikel und Produkte. Artikel- oder SKU-Stammdaten sind dort am wichtigsten, wo Bestände, Kostenrechnung oder Umsatz nach Produkt im Fokus stehen. Uneinheitliche Mengeneinheiten, doppelte SKUs und fehlende Kosten- oder Kategoriefelder stören Bestandsbewertung, Margenanalyse und Bedarfsprognosen.

Gemeinsame Regeln für alle drei. Geben Sie jedem Datensatz eine dauerhafte ID, die nie wiederverwendet wird. Standardisieren Sie Namen und Adressen nach einem dokumentierten Format. Halten Sie fest, wer einen Datensatz wann angelegt oder geändert hat. Führen Sie einen Status „inaktiv“, statt Datensätze mit Historie zu löschen. Und entscheiden Sie, wer neue Lieferanten, Kunden und Artikel freigibt, denn der Freigebende ist der eigentliche Kontrollpunkt für die Datenqualität.

Wenn Sie diese Daten in ein Data Warehouse oder Lakehouse überführen wollen, damit Modelle sie lesen können, behandelt Daten-Pipelines die Integrationsseite.

Eine Checkliste zur Datenbereitschaft für KI im Finanzwesen

Nutzen Sie sie, bevor Sie einen Piloten freigeben. Markieren Sie jede Zeile mit Bereit, Teilweise oder Nicht bereit. Zwei oder mehr Antworten „Nicht bereit“ in den Zeilen, von denen Ihr Anwendungsfall abhängt, bedeuten: erst die Daten beheben, dann pilotieren.

Nicht jeder Pilot braucht jede Zeile. Ein Werkzeug, das Kommentare aus einem freigegebenen Satz von Managementberichten entwirft, braucht vor allem die Zeilen zu Kontenrahmen und Zuordnung. Ein Werkzeug für die Kreditorenbuchhaltung stützt sich auf den Lieferantenstamm und die Anlagekontrollen. Eine Cashflow-Prognose braucht Kundenstamm, Historie und Integration.

Eine Reihenfolge, die funktioniert

Sie brauchen kein mehrjähriges Datenprogramm, bevor Sie anfangen. Eine Reihenfolge, die den Schwung erhält:

1. Wählen Sie zuerst einen Anwendungsfall. Wählen Sie ihn mit den Kriterien aus Priorisierung von KI-Anwendungsfällen und listen Sie dann nur die Felder und Tabellen auf, die er braucht.
2. Profilieren Sie die Daten für diesen Anwendungsfall. Zählen Sie Duplikate, Leerfelder und uneinheitliche Werte in genau diesen Feldern. Eine Seite mit Zahlen bewegt die Führung schneller als eine allgemeine Klage über Daten. Die einfache Methode der HBR, bei der Menschen eine Stichprobe aktueller Datensätze prüfen und zählen, wie viele fehlerfrei sind, taugt für einen ersten Durchgang (HBR).
3. Beheben Sie es an der Quelle, nicht nachgelagert. Eine Kopie im Data Warehouse zu bereinigen, während das ERP weiter fehlerhafte Datensätze erzeugt, heißt, sie nächstes Quartal erneut zu bereinigen. Ergänzen Sie Validierungen in den Masken, machen Sie Felder zu Pflichtfeldern und ersetzen Sie Freitext durch Auswahllisten.
4. Beheben Sie den Prozess, der die Mängel erzeugt. Doppelte Lieferanten entstehen meist aus einem Anlageantrag, der den Suchschritt überspringt. Wildwuchs bei den Konten entsteht, wenn jeder ein neues Konto beantragen darf. Setzen Sie an diesen Stellen eine Freigabeschranke.
5. Dokumentieren Sie Definitionen. Halten Sie schriftlich fest, was jedes Konto, jede Dimension und jedes wichtige Stammdatenfeld bedeutet. Das wird auch zum Referenzmaterial, auf das ein Assistent zurückgreifen kann.
6. Weisen Sie Verantwortung zu. Eine Person im Finanzwesen ist für jeden größeren Datenbestand zuständig, mit einem monatlichen Qualitätsbericht an die Finanzleitung.
7. Pilotieren Sie mit menschlicher Kontrolle, dann weiten Sie aus. Führen Sie den Piloten auf dem sauberen Ausschnitt durch und behalten Sie einen Prüfer im Prozess, wie unter Human-in-the-Loop beschrieben. Weiten Sie aus, wenn der erste Anwendungsfall stabil läuft.

Wenn Sie Agenten erwägen, die handeln statt nur zu antworten, etwa Buchungen erfassen oder Zahlungen freigeben, liegt die Latte für Daten und Berechtigungen höher. Das behandelt KI-Agenten für das Finanzwesen.

Häufige Fallstricke

• Zuerst das Werkzeug kaufen und die Datenprobleme erst im Piloten entdecken. Anbieter führen auf aufgeräumten Beispieldaten vor. Ihre erste Woche im Echtbetrieb wird nicht wie die Demo aussehen.
• Nur einmal bereinigen. Ohne Steward und wiederkehrende Prüfung verfällt die Qualität binnen eines Jahres, weil neue Lieferanten, Reorganisationen und Übernahmen sich anhäufen.
• Den Kontenrahmen mitten im Piloten umbauen. Wenn sich die Struktur ändert, während ein Modell aus der Historie lernt, haben Sie den Vergleich zerstört. Frieren Sie sie ein oder stellen Sie zuerst die Historie neu dar.
• KI-Ausgaben vertrauen, ohne sie ans Hauptbuch zu binden. Jede Zahl, die ein KI-Werkzeug liefert, sollte sich auf das Hauptbuch oder einen benannten Quellbericht zurückführen lassen.
• Die Zugriffsfrage überspringen. Finanzdaten enthalten Gehälter, Bankverbindungen und unveröffentlichte Ergebnisse, daher sollten Sie nach Rolle begrenzen, was ein Assistent lesen kann.
• Stammdaten als Aufgabe der IT behandeln. Wer einen neuen Lieferanten oder Kunden freigibt, entscheidet täglich über die Datenqualität. Machen Sie das zu einer Verantwortung des Finanzwesens.