Wo sollte ein Treasury-Team mit KI beginnen?
Ein sinnvoller Startpunkt sind wenige wiederkehrende Entscheidungen. Dafür werden Daten, Prozessschritte und notwendiges Urteilsvermögen analysiert. Anschließend kann KI dort eingesetzt werden, wo sie Vorbereitung reduziert oder die Informationsbasis verbessert.
KI verändert Treasury-Aufgaben schneller, als sie die Treasury-Funktion ersetzt
Die Diskussion über KI springt oft sehr schnell von Automatisierung zu Stellenabbau. Für Treasury ist diese Logik zu einfach, weil die Funktion Informationsverarbeitung mit Urteilsvermögen und Verantwortung verbindet.
KI kann zunehmend Arbeit übernehmen, die heute in Datensammlung, Bereinigung und Konsolidierung steckt. Sie kann Prognosen unterstützen, Exposure-Daten vorbereiten und die Informationen zusammentragen, die für eine Entscheidung gebraucht werden.
Dadurch steigt der Wert der verbleibenden Arbeit: Informationen einordnen, Risikobereitschaft definieren, auf Ereignisse reagieren, die nicht in historische Muster passen, und Verantwortung für die Entscheidung übernehmen.
Gute KI-Ergebnisse brauchen zuerst belastbare Daten und Prozesse
Eine Treasury-Funktion kann sehr leistungsfähige KI einsetzen und trotzdem schwache Ergebnisse erhalten, wenn die zugrunde liegenden Daten fragmentiert sind oder der Prozess selbst ineffizient ist.
KI-Readiness lässt sich deshalb sinnvoll in Ebenen betrachten. Zuerst kommen die Daten: Wo liegen sie, wie konsistent sind sie und lassen sie sich zusammenführen? Danach folgt der Prozess: Wie fließen Informationen, wo entstehen Verzögerungen und welche manuellen Schritte existieren nur, weil sie schon immer so gemacht wurden?
Erst auf dieser Basis entfaltet KI ihren eigentlichen Nutzen. Andernfalls produziert sie womöglich sehr selbstbewusst Antworten auf Basis schwacher Daten und beschleunigt damit einen schlechten Prozess.
KI ist im Treasury heute besonders stark als automatisierter Analyst
Die kurzfristige Rolle von KI lässt sich besser verstehen, wenn man sie als Analysten und nicht als autonomen Entscheider betrachtet.
Sie kann Exposure-Daten vorbereiten, Informationen sammeln, eine erste Einschätzung liefern und Bereiche markieren, die genauer untersucht werden sollten. Der Treasurer bewertet diese Arbeit und bleibt für die wesentliche Entscheidung verantwortlich.
Mit wachsendem Vertrauen in die Technologie können standardisierte und risikoärmere Entscheidungen stärker automatisiert werden. Ereignisgetriebene Entscheidungen und Themen mit hohem Ermessensspielraum werden deutlich länger menschlich geprägt bleiben.
Der größte Aufwand im FX-Risikomanagement entsteht vor der eigentlichen Entscheidung
Sander van Tol nennt für das FX-Exposure-Management eine hilfreiche grobe Aufteilung: Rund die Hälfte des Aufwands kann in der Aufbereitung der Daten liegen, ein weiterer großer Teil in der Prognose künftiger Exposures und ein deutlich kleinerer Anteil in der finalen Entscheidung.
Die genauen Werte unterscheiden sich von Unternehmen zu Unternehmen. Die Richtung ist trotzdem aufschlussreich: KI ist besonders stark in den vorbereitenden Schritten, die heute viel Zeit binden - Daten finden, verarbeiten und Prognosen unterstützen.
Die eigentliche Hedge-Entscheidung benötigt womöglich weniger Zeit, trägt aber deutlich mehr Verantwortung. Genau dort bleiben Kontext und menschliches Urteilsvermögen entscheidend.
Operative Treasury-Fähigkeiten werden weniger zentral
Ein erheblicher Teil der heutigen Treasury-Arbeit besteht noch aus Kontenabstimmung, Zahlungsformatierung, dem Zusammentragen von Exposures, Reporting und dem Übertragen von Informationen zwischen Systemen.
Diese Aufgaben eignen sich für weitere Automatisierung. Die Fähigkeit, besonders komplexe Excel-Modelle zusammenzubauen oder Daten manuell zu konsolidieren, dürfte dadurch an Bedeutung verlieren.
Treasury-Expertise wird deshalb nicht weniger wichtig. Relevant werden andere Fähigkeiten.
Datenkompetenz und Urteilsvermögen werden zu Kernkompetenzen
Der Treasurer in einer KI-gestützten Finance-Funktion muss kein Data Scientist werden. Wichtiger ist Datenkompetenz: verstehen, wo Informationen herkommen, wie Datenmodelle aufgebaut sind, welche Definitionen gelten und welche Schlussfolgerungen sich daraus seriös ableiten lassen.
Ebenso wichtig ist strukturiertes analytisches Denken. Nutzer müssen ein Geschäftsproblem in Entscheidungen, Datenanforderungen und Prozessschritte zerlegen können.
Hinzu kommt die Fähigkeit, zu kommunizieren und Einfluss zu nehmen. Treasury muss Entscheidungen weiterhin gegenüber Management, Banken und anderen Stakeholdern erklären und vertreten - besonders dort, wo Kontext wichtiger ist als die reine Berechnung.
Einige Entscheidungen bleiben menschliche Ermessensfragen
Die Risikobereitschaft eines Unternehmens ist ein gutes Beispiel. Ein Modell kann Exposures berechnen und Szenarien simulieren. Welche Risiken das Unternehmen tatsächlich tragen will, ist jedoch eine strategische Entscheidung.
Ähnliches gilt für Beziehungen. Die Zahl und Art der Bankenbeziehungen, kritische Lieferanten oder andere strategische Partner lassen sich nicht sinnvoll allein aus Daten ableiten.
Krisensituationen setzen zusätzliche Grenzen. Wenn Krieg, Pandemie, Marktstörungen oder andere Ereignisse den Kontext selbst verändern, verlieren historische Muster an Aussagekraft. Genau dann gewinnt menschliches Urteilsvermögen wieder an Gewicht.
Ein sinnvoller Startpunkt sind die täglichen Entscheidungen im Treasury
Eine KI-Roadmap muss nicht mit einem großen Programm beginnen, das sämtliche Treasury-Workflows gleichzeitig verändern soll.
Praktischer ist eine Diagnose der drei bis fünf Entscheidungen, die das Team regelmäßig trifft. Für jede davon lässt sich fragen: Welche Daten werden benötigt? Wie werden sie heute beschafft? Welche manuellen Schritte verzögern den Prozess? Und an welcher Stelle ist tatsächlich menschliches Urteil erforderlich?
So wird schneller sichtbar, ob das eigentliche Problem bei den Daten, im Prozess oder bei der Entscheidungsunterstützung liegt - und welche kleinere Anwendung einen realistischen Nutzen liefern kann.
Die Teamgröße kann ähnlich bleiben, obwohl sich die Arbeit deutlich verändert
Automatisierung kann in einzelnen Unternehmen Stellen reduzieren. Daraus folgt jedoch nicht zwangsläufig, dass Treasury überall kleiner wird.
Unternehmen können frei werdende Kapazität unterschiedlich nutzen. Manche werden Betriebskosten senken. Andere werden Mitarbeitende stärker auf Finanzrisiken, Business Partnering und Entscheidungen ausrichten, für die heute zu wenig Zeit bleibt.
Die nachhaltigere Veränderung liegt daher wahrscheinlich in der Zusammensetzung der Treasury-Arbeit: weniger manuelle Verarbeitung, mehr Interpretation, Urteilsvermögen und Einfluss auf Stakeholder.
Über das Interview
Dieser Artikel basiert auf einem Interview von Nomentia mit Sander van Tol, Partner bei Zanders und Mitverantwortlicher für die Treasury Advisory Group. Er berät seit fast 30 Jahren internationale Unternehmen zu Corporate Treasury, Risikomanagement und Corporate Finance.
