Sollte Treasury einer KI-Prognose mehr vertrauen als der eigenen Einschätzung?
Nicht automatisch. Eine statistische Prognose ist eine wertvolle unabhängige Referenz. Verfügt Treasury über belastbare neue Geschäftsinformationen, die in historischen Daten nicht enthalten sein können, sollte diese Information in die endgültige Prognose einfließen.
Cashflow-Prognosen funktionieren - ihr manueller Aufwand ist das eigentliche Problem
Cashflow-Prognosen sind nicht grundsätzlich fehlerhaft. Treasury-Teams erstellen seit Jahren brauchbare Prognosen. Schwierig wird der Prozess dort, wo Qualität und Geschwindigkeit stark davon abhängen, wie viel Zeit vorhanden ist und wer im jeweiligen Reporting-Zyklus beteiligt ist.
Prognosen aus Tochtergesellschaften können verspätet eintreffen. Die Qualität schwankt, wenn die verantwortliche Person ausgelastet oder abwesend ist. Erfahrene Mitarbeitende kennen häufig Besonderheiten einzelner Zahlungsströme, die nirgendwo dokumentiert sind - und dieses Wissen kann mit einem Personalwechsel verschwinden.
KI-gestützte Cashflow-Prognosen sind besonders dann wertvoll, wenn sie diese Abhängigkeiten reduzieren. Der Business Case ist oft sehr konkret: weniger Zeit für Erstellung und Prüfung der Prognosen, mehr Zeit für die Risiken, die tatsächlich zu einer Liquiditätsüberraschung führen könnten.
Prognosequalität ist ein Daten- und ein Modellierungsproblem
Fehlerhaft klassifizierte Cashflows begrenzen jede Prognosemethode. Treasury braucht konsistente Kategorien und eine brauchbare Historie, bevor ein Modell belastbare Muster erkennen kann.
Gute Daten machen jedoch nicht jeden Zahlungsstrom vorhersehbar. Projektgeschäft, unregelmäßige Kundenzahlungen oder strukturelle Veränderungen können auch dann schwierig bleiben, wenn die zugrunde liegenden Transaktionen korrekt klassifiziert sind.
Deshalb greift „Garbage in, garbage out“ als alleinige Erklärung zu kurz. Datenqualität ist ein Teil der Aufgabe. Die Technologie muss zusätzlich mit Saisonmustern, Ausreißern, unterschiedlichen Zahlungstagen und Zeitreihen umgehen, die sich je nach Cashflow stark voneinander unterscheiden.
Mehrere Jahre Historie helfen, Muster von Zufällen zu unterscheiden
Johannes Pöschl nennt drei bis vier Jahre historischer Daten als sinnvollen Zielwert, um wiederkehrende Muster und Saisonalität zu erkennen. Bei einer kurzen Historie ist schwer zu beurteilen, ob ein besonders hoher oder niedriger Monat tatsächlich saisonal ist oder lediglich einen einmaligen Effekt darstellt.
Zusätzlich braucht der Prognoseprozess einen Testzeitraum. Im Nomentia-Ansatz treten mehrere Modelle für jede einzelne Cashflow-Zeitreihe gegeneinander an und werden anhand eines Zeitraums bewertet, dessen tatsächliches Ergebnis bereits bekannt ist.
Wiederholtes Testen liefert mit der Zeit mehr Evidenz dafür, dass ein Modell für genau diesen Zahlungsstrom zuverlässig funktioniert und nicht nur einmal zufällig besser abgeschnitten hat.
Ein gutes Modell sollte zeigen, worauf seine Prognose beruht
Nachvollziehbarkeit ist wichtig, weil Treasury für die Prognose verantwortlich bleibt. Eine Zahl ohne Kontext reicht für eine finanzielle Entscheidung nicht aus.
Hilfreich sind Informationen zu erkannten Ausreißern, Saisonmustern, früheren Trendänderungen oder wiederkehrenden Zahlungstagen. Sie helfen einzuordnen, warum die automatisierte Prognose von der manuellen Erwartung abweicht.
Dasselbe sollte übrigens auch für geerbte Excel-Modelle gelten. Vertrautheit ist nicht automatisch Nachvollziehbarkeit. Treasury sollte die Logik hinter jeder Prognose verstehen, auf die es sich stützt - unabhängig davon, ob die Berechnung aus Excel oder aus einem KI-Modell stammt.
Bei strukturellen Veränderungen bleibt Treasury-Erfahrung entscheidend
Historische Modelle sind besonders stark, wenn vergangenes Verhalten weiterhin relevant bleibt. Deutlich schwieriger wird es, wenn sich das zugrunde liegende Geschäft abrupt verändert oder die entscheidende Information in historischen Daten gar nicht enthalten sein kann.
Eine große Akquisition, eine grundlegende Veränderung des Geschäftsmodells oder eine echte Krise kann Wissen erfordern, das nur intern vorhanden ist. In solchen Situationen sollte Treasury-Erfahrung stärker gewichtet werden.
Der sinnvolle Ansatz nimmt dem Treasury die Verantwortung nicht ab. Die KI liefert eine zusätzliche, konsistente Perspektive und kann repetitive Teile der Liquiditätsplanung standardisieren. Neue Geschäftsinformationen bleiben ein legitimer Grund, die Modellprognose anzupassen.
Der Vergleich zwischen menschlicher und statistischer Prognose macht Bias sichtbar
Auch menschliche Prognosen können systematisch verzerrt sein. Teams oder Regionen können tendenziell optimistischer oder konservativer planen oder sich stärker vom jüngsten Ereignis beeinflussen lassen.
Eine statistische Prognose schafft einen gemeinsamen Referenzpunkt. Weichen Business-Prognose und KI-generierte Prognose deutlich voneinander ab, entsteht daraus eine konkrete Frage zur Analyse statt eines automatischen Siegers.
Treasury kann dann erklären, welches Geschäftswissen in den historischen Daten fehlt - oder umgekehrt prüfen, welches Muster die Daten zeigen, das im manuellen Prozess bislang übersehen wurde.
Der stärkste Business Case liegt in Zeitgewinn und Konsistenz
Treasury-Teams sind häufig schlank aufgestellt. Der Wert einer KI-gestützten Cashflow-Prognose liegt daher weniger darin, die verantwortliche Person zu ersetzen, sondern repetitive Prognosearbeit zu reduzieren.
Eine verlässliche automatisierte Prognose, die zu einem planbaren Zeitpunkt vorliegt, schafft Zeit für Gegenparteirisiken, Finanzierung, ungewöhnliche Exposures und andere Themen, bei denen menschliches Urteilsvermögen gefragt ist.
Dabei ist die Unternehmensgröße nicht der einzige Faktor. Auch ein kleineres Finance-Team kann profitieren, wenn eine Person regelmäßig einen relevanten Teil ihrer Arbeitszeit mit der Erstellung und Prüfung der Liquiditätsplanung verbringt.
Eine gute KI-Prognose verspricht keine Gewissheit
Keine Prognose kann jedes zukünftige Ereignis kennen. Externe Schocks können menschliche Einschätzungen genauso treffen wie statistische Modelle.
Treasury sollte KI-gestützte Prognosen deshalb anhand des Prozesses bewerten: Welche Daten werden verwendet? Wie wird getestet? Welche Erklärungen liefert das Modell? Wie werden Prognosen mit Ist-Werten verglichen? Und wie leicht lässt sich ein Ergebnis fachlich hinterfragen?
Das Ziel ist eine bessere Cashflow-Prognose mit weniger wiederkehrender Arbeit und einer klareren Einschätzung, bei welchen Zahlen Vertrauen gerechtfertigt ist.
Über das Interview
Dieser Artikel basiert auf einem Interview von Nomentia mit Johannes Pöschl, Data Scientist bei Nomentia. Er entwickelt seit sieben Jahren prädiktive Prognosefunktionen und war am Aufbau der KI-Funktion von Nomentia beteiligt.
