Was macht Treasury-Daten für KI nutzbar?
Für KI nutzbare Treasury-Daten sind für den Anwendungsfall zugänglich, ausreichend vollständig, konsistent definiert und klar verantwortet. Zusätzlich muss feststehen, wer KI-Ergebnisse prüft und wer auf deren Basis handeln darf.
Treasury hat meist genug Daten - das Problem ist ihre Nutzbarkeit für Entscheidungen
Treasury-Daten sind bereits heute in Banken, ERP-Systemen, Treasury-Management-Systemen und Excel-Dateien verteilt. Die eigentliche Herausforderung ist, aus diesen Quellen Informationen zu machen, die aktuell, konsistent und im entscheidenden Moment nutzbar sind.
Viele Teams verbringen weiterhin einen erheblichen Teil ihrer Zeit damit, Daten zu sammeln, zu bereinigen, abzustimmen und zu erklären, bevor eine fachliche Analyse überhaupt beginnen kann.
KI kann diese Distanz verkürzen, etwa durch Transaktionsklassifizierung, Erkennung ungewöhnlicher Bewegungen, Unterstützung bei Prognosen oder erste Erklärungen für Positionsveränderungen. Voraussetzung ist, dass das Modell auf die richtigen Daten mit ausreichendem Kontext und ausreichender Qualität zugreifen kann.
KI-Readiness beginnt mit dem Geschäftsproblem
Der Zugang zu einem KI-Tool macht aus einer Treasury-Funktion noch kein KI-ready Treasury.
Ein besserer Ausgangspunkt ist eine klar definierte Entscheidung oder ein Prozess, der verbessert werden soll. Das Team sollte wissen, welche Daten dafür benötigt werden, wie Erfolg gemessen wird, wer das Ergebnis prüft und was passiert, wenn die KI falsch liegt.
Fehlen diese Antworten, kann ein Pilot trotzdem eine beeindruckende Demo liefern. Deutlich schwieriger wird es, daraus einen dauerhaft nutzbaren Treasury-Workflow zu machen.
Perfekte Daten sind keine Voraussetzung - die relevanten Daten müssen kontrolliert sein
Nur wenige Treasury-Funktionen verfügen über perfekte Daten in allen Gesellschaften, Systemen und Prozessen. Auf ein vollständig abgeschlossenes unternehmensweites Datenprogramm zu warten, würde viele sinnvolle KI-Anwendungsfälle unnötig verzögern.
Praktischer ist es, die Daten auf den konkreten Anwendungsfall zu begrenzen. Bankbestände können sehr verlässlich sein, während Prognosekategorien noch uneinheitlich sind. Ein Pilot kann mit dem Datensatz starten, der für die gewünschte Entscheidung vollständig, aktuell und kontrolliert genug ist.
Die Einschränkung muss transparent bleiben. KI kann Daten mappen, klassifizieren und Bereinigung unterstützen. Gemeinsame Definitionen, Datenverantwortung und Standards ersetzt sie nicht.
Das Operating Model ist häufig ein größerer Fehlerpunkt als das Modell
KI-Initiativen können technisch funktionieren und trotzdem nie Teil des Treasury-Alltags werden.
Das Operating Model legt fest, wer Daten liefert, wer den Prozess besitzt, wie Ausnahmen behandelt werden, welche Zugriffsrechte gelten und wer für die Nutzung des Ergebnisses verantwortlich ist.
Bleiben diese Fragen ungeklärt, landet auch eine gute Empfehlung außerhalb des eigentlichen Workflows. Das Problem liegt dann weniger in der Technologie als in Prozess und Organisation.
KI kann Datenfragmentierung besser handhabbar machen, aber nicht auflösen
Fragmentierte Treasury-Daten sind kein neues Problem. Unterschiedliche Systeme verwenden verschiedene Formate, Hierarchien und Definitionen für Informationen, die auf den ersten Blick dasselbe bedeuten.
KI kann einen Teil des manuellen Mapping-Aufwands reduzieren, Muster zwischen Banken, ERP-Systemen, Excel-Dateien und anderen Quellen erkennen und auf fehlende oder inkonsistente Felder hinweisen.
Was sie nicht sicher allein entscheiden kann: ob zwei unterschiedlich definierte Geschäftskonzepte tatsächlich dasselbe bedeuten. Datenherkunft, Ownership und fachlicher Kontext bleiben notwendig.
Treasury sollte die fachliche Verantwortung für seine Daten behalten
Datenverantwortung wird wichtiger, sobald KI Informationen über mehrere Systeme hinweg nutzt.
Treasury sollte die fachliche Definition und die erforderliche Qualität jener Daten verantworten, die beispielsweise Liquidität, Intercompany-Finanzierung, Zahlungsverkehr oder Derivate betreffen. IT kann die technische Architektur, Security und Integrationsstandards verantworten. Banken und Technologieanbieter können Daten liefern oder verarbeiten, ohne dadurch zum fachlichen Eigentümer zu werden.
Für jeden kritischen Datensatz sollte klar sein, wer ihn definiert, wer Änderungen vornehmen darf, wer die Qualität kontrolliert und wer ihn verwenden darf.
Die stärksten KI-Anwendungsfälle unterstützen heute Entscheidungen und Ausnahmen
Entscheidungsunterstützung lässt sich derzeit deutlich besser kontrollieren als der direkte Sprung zu autonomem Treasury.
Geeignete Beispiele sind Transaktionsklassifizierung, Anomalieerkennung, Unterstützung der Cashflow-Prognose, Bankgebührenanalyse, Policy-Suche und Daten-Mapping. Diese Aufgaben sind klar begrenzt, die Ergebnisse lassen sich prüfen und der heutige manuelle Aufwand ist meist messbar.
Funding-Entscheidungen, Hedge-Ausführung, Zahlungsfreigaben oder Krisen-Liquiditätsmanagement haben eine andere Materialität und Verantwortungsdimension. KI kann die Analyse vorbereiten, die finale Freigabe sollte bei der autorisierten Person bleiben.
Shadow AI ist ebenso ein Governance- wie ein Technologieproblem
Mitarbeitende werden KI nutzen, wenn sie ihnen hilft. Eine reine Verbotsrichtlinie reicht deshalb selten aus, wenn die freigegebene Alternative zu umständlich ist.
Treasury braucht klare Vorgaben dazu, welche Tools zulässig sind, welche Informationen eingegeben werden dürfen und welche Daten die kontrollierte Umgebung nicht verlassen dürfen. Schulung, technische Kontrollen und vertragliche Absicherung spielen dabei zusammen.
Sicheres Verhalten muss gleichzeitig praktikabel sein. Eine freigegebene Enterprise-KI-Umgebung bietet eine nutzbare Alternative dazu, sensible Finanzinformationen in öffentliche Tools zu kopieren.
Der Business Case sollte mit messbarer manueller Arbeit beginnen
Der ROI von KI lässt sich am besten dort bewerten, wo ein Prozess wiederkehrende Daten, hohen manuellen Aufwand und eine messbare Ausgangsbasis hat.
Weniger Aufwand ist nur ein Teil des Nutzens. Treasury kann auch schnellere Entscheidungen, frühere Risikoerkennung, bessere Prognosequalität und einen sinnvolleren Einsatz von Fachwissen messen.
Der Business Case wird deutlich belastbarer, wenn er mit den heutigen Prozesskosten, Verzögerungen oder Fehlerquellen beginnt - und nicht mit der allgemeinen Vorgabe, „etwas mit KI“ zu machen.
Ein selektiver Einstieg schafft heute Nutzen und bereitet die nächste Stufe vor
Treasury muss weder auf perfekte Technologie noch auf perfekte Daten warten. Es muss jedoch die Anwendungsfälle sorgfältig auswählen und die notwendigen Daten, Kontrollen und Prozesse darum aufbauen.
Kurzfristig kann KI als Assistent arbeiten: Informationen finden, Daten zusammenfassen, Transaktionen klassifizieren, Annahmen hinterfragen und erste Erklärungen für Management und CFO vorbereiten.
So entsteht bereits heute Nutzen, während gleichzeitig die Grundlage für stärker integrierte und agentenbasierte Workflows in den kommenden Jahren wächst.
Über das Interview
Dieser Artikel basiert auf einem Interview von Nomentia mit Dennis Kiratli, Treasury Transformation Lead im Global Center of Excellence for Corporate Treasury Advisory von KPMG. Er berät internationale Unternehmen bei Treasury-Transformationen, unter anderem zu Zentralisierung, Inhouse-Banken, Payment Factories, Cash- und Liquiditätsmanagement, Technologie, Daten, Automatisierung und KI.