Skip to content

16.11.2026 | Zuletzt aktualisert am 16.11.2026

3 min

KI im Treasury-Management: Wo heute echter Mehrwert entsteht

 

Welche Rolle sollten KI-Agenten im Treasury heute übernehmen?

Am sinnvollsten sind klar abgegrenzte, wiederkehrende Aufgaben wie Informationssammlung, Prüfungen oder Vorbereitung von Empfehlungen. Wesentliche Finanzentscheidungen und die Definition der Leitplanken bleiben beim Menschen.

mehr

 

KI braucht zuerst einen klaren Anwendungsfall

Treasury hat bereits mehrere Technologiewellen erlebt. Entsprechend sinnvoll ist die Frage, welchen konkreten Prozess eine KI-Funktion heute tatsächlich verbessert.

Die Antwort fällt je nach Unternehmen unterschiedlich aus. Ein Team verbringt vielleicht zu viel Zeit damit, Unterlagen für Freigaben zusammenzusuchen. Ein anderes pflegt umfangreiche Regelwerke oder untersucht Ausnahmen weitgehend manuell. Eine pauschale ROI-Zahl für „KI im Treasury“ würde diese Unterschiede eher verdecken.

Ein belastbarer Business Case beginnt deshalb mit einer klar abgegrenzten Aufgabe, dem heutigen Aufwand und dem Ergebnis, das sich messbar verbessern soll.

Regeln, Automatisierung und KI lösen unterschiedliche Teile desselben Workflows

Regeln sind nützlich, weil sie eindeutig und reproduzierbar sind. Klassische Automatisierung funktioniert besonders gut bei stabilen, vorhersehbaren Prozessen. Aufwand entsteht, wenn sich Rahmenbedingungen ändern und jemand Regeln pflegen, Workflows anpassen oder neue Ausnahmen ergänzen muss.

KI kann bei den Teilen unterstützen, die mehr Interpretation erfordern: Informationen finden, Muster ableiten, Dokumente auslesen oder eine Empfehlung vorbereiten. Das macht Regeln und Workflows nicht überflüssig.

Viele sinnvolle Treasury-Prozesse werden deshalb alle drei Elemente kombinieren. Automatisierung übernimmt deterministische Schritte, Regeln definieren bekannte Grenzen und KI unterstützt dort, wo sonst manuelle Recherche oder Interpretation nötig wäre.

Der greifbarste Mehrwert liegt heute in Produktivität und besserer Evidenz

Für aktuelle Treasury-Anwendungsfälle ist Produktivität ein glaubwürdigerer Ausgangspunkt als pauschaler Personalabbau. Ein gleich großes Team kann mehr Themen untersuchen, wenn weniger Zeit für Datensuche, Routineprüfungen oder die Pflege wiederkehrender Logik verloren geht.

Produktivität sollte dabei auch die Qualität des Ergebnisses berücksichtigen. Ein KI-gestützter Workflow ist besonders hilfreich, wenn er nicht nur schneller eine Empfehlung liefert, sondern gleichzeitig die zugrunde liegende Evidenz bereitstellt.

Wird beispielsweise ein Kunde als regelmäßiger Spätzahler erkannt, sollte der Nutzer die Zahlungshistorie sehen können, auf der diese Einschätzung beruht. Die Empfehlung lässt sich dann fachlich prüfen, statt lediglich akzeptiert werden zu müssen.

Wenn die Begründung fehlt, sollte Treasury die KI überstimmen

Eine überzeugend formulierte Empfehlung reicht für eine Funktion mit finanzieller Verantwortung nicht aus.

Hält ein Nutzer eine KI-Empfehlung für falsch und kann nicht nachvollziehen, weshalb das System zu diesem Ergebnis gekommen ist, sollte die Entscheidung gestoppt und geprüft werden. Vielleicht hat die KI eine Information gefunden, die der Nutzer übersehen hat. Vielleicht liegt das Modell tatsächlich falsch. In beiden Fällen muss die Evidenz den Widerspruch auflösen.

Erklärbarkeit wird damit sehr praktisch. Treasury braucht keine philosophische Erklärung jedes Modellparameters. Es muss wissen, welche Daten und Beobachtungen die vorgeschlagene Handlung stützen.

Die Grenze zwischen Empfehlung und Entscheidung muss sichtbar bleiben

KI kann eine Hedging-Empfehlung vorbereiten, Daten zusammentragen oder den nächsten Arbeitsschritt vorschlagen. Das ist etwas anderes als die eigenständige Ausführung eines Finanzgeschäfts.

Mit zunehmender Reife können bestimmte Treasury-Aktionen stärker automatisiert werden. Die Kontrollgrenzen müssen trotzdem eindeutig sein: Welche Schritte darf das System selbst ausführen? Wo ist eine Bestätigung nötig? Welche Handlungen unterliegen formalen Freigaben?

Besonders wichtig sind die Leitplanken selbst. KI kann Änderungen an Regeln oder Grenzen vorschlagen. Die Verantwortung dafür, wo diese Grenzen liegen, sollte jedoch beim Unternehmen bleiben.

Eine skeptische Treasury-Funktion sollte fragen, was die KI konkret tut

KI-Marketing lässt sich besser beurteilen, wenn Käufer nach dem Mechanismus fragen und nicht nach dem Label.

Arbeitet die Funktion mit festen Regeln? Werden Regeln aus beobachtetem Verhalten vorgeschlagen? Werden Informationen aus Dokumenten extrahiert? Greift die KI auf Daten aus dem führenden Quellsystem zu? Kann der Nutzer die Evidenz nachvollziehen? Und was passiert bei Unsicherheit?

Solche Fragen machen schneller sichtbar, ob es sich nur um eine neue Oberfläche handelt oder ob die Technologie den Treasury-Workflow tatsächlich verändert.

Eng begrenzte, wiederkehrende Aufgaben sind ein sinnvoller Startpunkt für KI-Agenten

Agentenbasierte Workflows müssen nicht mit autonomem Treasury beginnen. Schon eine klar abgegrenzte Aufgabe, die jeden Morgen, jede Woche oder bei einer bestimmten Ausnahme wiederkehrt, kann messbaren Nutzen schaffen.

Ein KI-Agent kann die relevanten Informationen zusammentragen, definierte Prüfungen anwenden und dem Nutzer das Ergebnis vorbereiten. Die Entscheidung bleibt beim Treasurer, der Vorbereitungsaufwand sinkt jedoch.

Das ist für die nächsten Jahre ein sinnvollerer Maßstab als die Frage, ob KI die gesamte Treasury-Funktion ohne Menschen führen kann.

Erfolgreiche KI wird sich irgendwann wie bessere Treasury-Software anfühlen

Viele ausgereifte KI-Funktionen werden langfristig nicht mehr als separates KI-Projekt wahrgenommen. Sie werden in Workflows, Suche, Prognosen, Dokumentenverarbeitung und Ausnahmebehandlung eingebettet sein.

Für Treasury ist das vermutlich die sinnvollste Entwicklung. Die Technologie sollte ihren Platz dadurch verdienen, dass ein Prozess schneller, besser informiert oder leichter kontrollierbar wird.

Wenn der Nutzen einer Funktion verschwindet, sobald das Wort KI entfernt wird, sollte der Anwendungsfall noch einmal kritisch geprüft werden.

Über das Interview

Dieser Artikel basiert auf einem Interview von Nomentia mit Martin Scheid, Product Leader for Intelligence bei Nomentia. Er verantwortet die Strategie und Roadmap für die KI- und Analytics-Funktionen von Nomentia.