10 Irrtümer von CFOs rund um KI im Treasury

Drei Prozent. So gering ist laut der PwC Global Treasury Survey 2025 der Anteil der Unternehmen, die ihre KI-Fähigkeiten im Treasury heute bereits als voll integriert ansehen. Das ist überraschend, da 53 % der Finanzfachleute KI mittlerweile als den wichtigsten Trend in ihrem Bereich identifizieren. Diese Lücke zwischen Absicht und Umsetzung ist kein Zufall. Sie entsteht durch Annahmen, die sich hartnäckig halten, obwohl sie einer sachlichen Prüfung selten standhalten.

Wenn wir von KI im Treasury sprechen, geht es um Systeme, die Transaktionskategorisierung, Bankabstimmung und Cashflow-Prognosen automatisieren, nicht um Systeme, die eigenständig finanzielle Entscheidungen treffen oder ‘Chatbots’. 

Die EU-KI-Verordnung stuft dabei Corporate-Treasury-KI-Tools typischerweise als minimales oder begrenztes Risiko ein, was bedeutet, dass sie zwar den Rahmenbedingungen der EU-KI-Verordnung unterliegen, jedoch meist nur minimale Transparenzpflichten erfüllen müssen. Vielmehr müssen sie primär für die Geschäftsprozesse bewertet und in das bestehende IKT-Risikomanagement eingebettet werden. Hier sind die zehn häufigsten Irrtümer, die sich rund um solche Systeme hartnäckig halten. 

Irrtum 1: „KI wird mein Treasury-Team ersetzen"

Das ist der meistgehörte Einwand und gleichzeitig der, der am wenigsten durch Daten gedeckt ist. KI im Treasury automatisiert nämlich repetitive Aufgaben, nicht die menschliche Expertise. 

Der „Future of Jobs Report 2025“ des Weltwirtschaftsforums prognostiziert jedoch, dass bis 2030 schätzungsweise 92 Millionen Arbeitsplätze wegfallen, gleichzeitig aber etwa 170 Millionen neue Stellen entstehen könnten. Dies würde einen weltweiten Nettozuwachs von 78 Millionen Arbeitsplätzen bedeuten.

Zu den Arbeiten, die KI im Treasury erledigen kann, zählen beispielsweise Bankportal-Logins, die mehrere Stunden kosten können und sich auf unter eine Stunde mittels KI und modernen TMS reduzieren lassen. Auch manuelle Abstimmungen, die zehn Stunden dauern könnten, schrumpfen etwa auf eine, wenn eine KI nur Ausnahmen markiert.

Betrachten wir ein fiktives Beispiel aus einer Treasury-Abteilung und Stunden pro Woche, die ein fiktiver Treasury-Analyst mit verschiedenen Auflagen verbringt. Hier sieht man, wie mittels KI wertvolle Zeit für strategische Aufgaben freigesetzt werden könnte: 

Irrtum 2: „Finanzielle Daten sind zu sensibel für KI"

Unsere Umfrage ergab zudem, dass 35 % der Befragten die Sicherheit und den ethischen Umgang mit sensiblen Daten als ihr Hauptanliegen nannten. Dies war die mit Abstand am häufigsten genannte Befürchtung. Hier ist aber ein entscheidender Unterschied: Consumer-Tools wie ChatGPT und Enterprise-Plattformen für das Treasury funktionieren nach grundlegend verschiedenen Regeln. Erstere können beispielsweise User-Eingaben für das Modelltraining verwenden. Letztere tun dies im Rahmen von Enterprise-Verträgen in der Regel nicht.

Die richtigen Fragen dabei an einen Anbieter lauten:

• Wo werden Daten verarbeitet und gespeichert?
• Werden sie für das Modelltraining genutzt?
• Welche Verschlüsselungsstandards gelten?
• Besteht eine ISO-27001-Zertifizierung?

Ein nach DORA (Digital Operational Resilience Act) konform arbeitender Enterprise-Anbieter bietet in vielen Fällen mehr Datensicherheit als eine verteilte Excel-Umgebung mit zwanzig manuellen Zugangspunkten.

Irrtümer 3 und 4: „KI handelt eigenständig" und „Ich verstehe ihre Entscheidungen nicht"

Beide Bedenken haben dieselbe Wurzel: Angst vor Kontrollverlust. 

Ausgereifte Treasury-KI ist so gebaut, dass jede Empfehlung eine menschliche Genehmigung erfordert, bevor sich etwas in den Büchern ändert oder Zahlungen ausgelöst werden (“Entscheidungsunterstützende KI”). Das sollte kein optionales Feature sein, sondern ein Prinzip wie solche Systeme entwickelt werden. 

Gleiches gilt für Erklärbarkeit. Jede Ausgabe sollte einen sichtbaren Grund liefern: Welche Regel wurde ausgelöst? Welches Muster erkannt? Wie hoch ist der Konfidenz-Score?

Eine KI, die nicht erklären kann, warum sie eine Transaktion einer Kategorie zugeordnet hat, ist kein Treasury-Werkzeug, sondern eine Haftungsfalle.

Irrtümer 5 und 6: „KI macht Fehler, die ich nicht erkenne" und „Man muss Technik-Experte sein"

Ausgereifte Plattformen kennzeichnen Ausgaben, die sie nicht als extrem sicher ansehen, explizit; sie stoppen den Workflow und fragen bei einem Mitarbeiter nach, anstatt einfach ohne menschliche Prüfung fortzufahren. Das ist ein grundlegender Unterschied zur Excel-Tabelle, in der sich ein Fehler monatelang unbemerkt fortpflanzen kann. 

Dies ist besonders wichtig, da 39 % der von uns befragten Führungskräfte die Automatisierung von Bankabstimmungen als den Bereich mit dem stärksten KI-Potenzial identifizieren.

Zur Expertise: Unsere Umfrage ergab, dass 24 % der Führungskräfte Bedenken hinsichtlich des Erwerbs neuer Kompetenzen haben. Das Hindernis ist dabei eher organisatorischer als technischer Natur. Denn: Moderne Plattformen werden über Geschäftslogik konfiguriert, nicht über eigens für ein Unternehmen geschriebenen Code. Die relevante Expertise ist das Verständnis der eigenen Cashflows und Daten, und die haben Treasury-Teams bereits.

Irrtümer 7 und 8: „KI passt nicht zu unserem Geschäft" und „Implementierung dauert Monate"

Moderne Treasury-KI lernt aus Korrekturen. Jede Korrektur durch einen Analysten aktualisiert das Modell. Was anfangs beispielsweise mit 70 Prozent Präzision startet, kann innerhalb von wenigen Wochen auf 90 Prozent und mehr kommen. Die KI wird also mit der Zeit treffsicherer für Ihre Prozesse, nicht generischer.

Zur Implementierung: Ältere Treasury-Management-Systeme brauchten früher sechs bis achtzehn Monate Einführungszeit. API-verbundene Plattformen gehen heute oft in wenigen Wochen live. So konnte thePower, ein in über 60 Ländern aktives Unternehmen, seinen Monatsabschluss durch automatisierte Abstimmung um mehr als vier Tage verkürzen.

Irrtümer 9 und 10: „Meine Wettbewerber sind schon weit voraus" und „Wir sind noch nicht bereit"

Die Ausgangslage ist weniger schwierig als viele annehmen. Laut dem PwC Global Treasury Survey 2025 befinden sich 42 Prozent der Unternehmen noch in der Experimentier- oder Pilotphase. Zudem zeigt der AFP FP&A Benchmarking Survey 2025, dass 96 Prozent der Finanzexperten weiterhin Tabellenkalkulationen nutzen. Die meisten Unternehmen starten also von einem ähnlichen Punkt aus. 

Fünf Grundelemente reichen in der Regel aus um zu starten:

• Ein Cloud- oder Hybrid-ERP im Einsatz
• Zugängliche Bankdaten via API oder Datenträger 
• Definierte Cashflow-Prozesse
• Ein benannter Treasury-Verantwortlicher
• Einigkeit auf Führungsebene über die Ziele

Perfekt aufbereitete Daten sind dafür keine Voraussetzung. "Wir sind noch nicht bereit" ist also der einzige Irrtum auf dieser 10-Punkte-Liste, der mit der Zeit eher wahr als falsch wird.

Was alle zehn Irrtümer gemeinsam haben

Alle zehn lassen sich auf eine einzige Kernfrage reduzieren: Wer hat oder verliert die Kontrolle? Gut konzipierte Treasury-KI gibt CFOs mehr Kontrolle, nicht weniger. Mehr Transparenz über jeden Datenzugriff. Mehr Kapazität für strategische Entscheidungen. 

Die Frage ist deshalb nicht mehr, ob KI im Treasury sinnvoll ist, sondern wie sie so eingeführt wird, dass sie tatsächlich Mehrwert bringt. Die Technologie ist gereift, und der rechtliche Rahmen ist durch die BaFin und die EU gesetzt.