Die Finanzfunktion verabschiedet sich vom monatlichen Takt. Statt eines Plans, der einmal pro Quartal aktualisiert und anschließend zwei Wochen lang zerredet wird, arbeiten Teams mittlerweile mit Continuous Forecasting gegen laufende Ist-Zahlen – inklusive Szenariomodellen, die sich aktualisieren, sobald neue Zahlen eintreffen. Der Nutzen liegt auf der Hand. Schwierig ist die Verdrahtung darunter, und genau daran scheitern die meisten FP&A-Automatisierungsprojekte still und leise.
Das Feature, das alle haben wollen, ist die KI-gestützte Abweichungsanalyse: ein System, das markiert, wo die Ist-Zahlen vom Plan abweichen, und dann in ein, zwei Sätzen erklärt, warum. Gut gemacht nimmt das den Teil der Arbeit ab, den niemand mag – nämlich die Daten zusammenzutragen, bevor überhaupt jemand über sie nachdenken kann. Schlecht gemacht entstehen flüssig formulierte Kommentare, die mit voller Überzeugung falsch sind. Und eine falsche Erklärung kostet mehr als gar keine.
Den Forecast mit den laufenden Ist-Zahlen verdrahten
Ein Forecast, der monatlich abgestimmt wird, ist eine Momentaufnahme. Ein Forecast, der ein kontinuierliches Reporting speist, muss Ist-Zahlen verarbeiten, sobald sie gebucht werden – und damit zählt die Datenmechanik mehr als das Modell selbst.
- Mapping, damit eine gebuchte Position aus dem Hauptbuch jedes Mal auf der richtigen Forecast-Zeile landet, nicht nur meistens
- Abstimmung gegen das Ledger, damit Forecast und Abschluss sich nie darüber uneinig sind, was tatsächlich passiert ist
- Point-in-Time-Korrektheit, damit ein Backtest des Forecasts aus dem Vorquartal keine Ist-Zahlen sieht, die damals noch gar nicht gebucht waren
- Lineage, damit sich jede markierte Abweichung von der Spitzenkennzahl bis hinunter zu den zugrunde liegenden Transaktionen nachverfolgen lässt
Der letzte Punkt entscheidet darüber, ob ein Finance Copilot brauchbar ist oder nur eine Spielerei. Eine Analystin, der man eine Abweichung ohne Weg zurück zur Quelle vorlegt, wird ihr nicht vertrauen – zu Recht.
Der Kommentar muss Treiber und Zahl benennen
Der Unterschied zwischen einer nützlichen Abweichungserklärung und einer bloß plausibel klingenden liegt in der Konkretheit. „Der Umsatz lag aufgrund schwächerer Nachfrage unter Plan“ ist genau der Satz, den ein Modell bereitwillig generiert und eine Analystin bereitwillig ignoriert. Vertrauen schafft ein Kommentar, der Treiber und Größenordnung benennt: welche Produktlinie, welche Region, welchen Anteil an der Lücke das ausmacht und was als Rest übrig bleibt.
Wir erreichen das, indem wir den Generierungsschritt einschränken. Das Modell erzählt nicht frei. Es bekommt eine zerlegte Abweichung, die von der Datenpipeline bereits den Treibern zugeordnet wurde, und seine Aufgabe ist es lediglich, in Worte zu fassen, was die Zerlegung ohnehin schon zeigt. Die Rechenarbeit ist erledigt, bevor das Sprachmodell überhaupt etwas zu sehen bekommt. Diese Reihenfolge ist der ganze Trick. Sie erklärt auch, warum generische Chat-Tools hier scheitern: Sie erfinden die Zuordnung, statt sie übergeben zu bekommen.
Plattformen liefern inzwischen eigens entwickelte Finance-Agenten dafür, aufgeteilt nach Rolle: ein Analyst-Agent, der Trends und Anomalien erkennt, ein Planner-Agent und ein Modeller-Agent, der das Szenario entwirft. Die Rollenaufteilung ist sinnvoll, sie ersetzt aber nicht die Ingenieursarbeit. Ein Agent, der eine Anomalie hervorhebt, ist nur so gut wie das Eval-Set, das belegt, dass er echte Anomalien erkennt und nicht bei saisonalem Rauschen falschen Alarm schlägt.
Den Menschen bei der Erklärung halten und gegen Überzeugung absichern
Es gibt einen Fehlermodus, der für schriftliche Abweichungskommentare typisch ist: Das Modell ist genau dann am flüssigsten, wenn es falsch liegt – denn eine sauber klingende Kausalgeschichte lässt sich leichter schreiben als eine unübersichtliche wahre. Deshalb behandeln wir den Kommentar als Entwurf, niemals als Schlussfolgerung. Ein Reviewer gibt frei, bevor irgendetwas in eine Board-Vorlage gelangt, und das Review selbst wird als Teil des Audit-Trails protokolliert.
Konkret legen wir an das Ergebnis denselben Maßstab an wie an den Rest des Finance-Stacks:
- Jede Erklärung verweist auf die Zahlen zurück, die sie zu erklären beansprucht, sodass ein Reviewer sie in Sekunden prüfen kann, statt sie zu rekonstruieren
- Drift-Monitoring auf der Zuordnungslogik, denn ein Mapping, das im letzten Quartal noch korrekt war, kann nach einer Änderung am Kontenrahmen unbemerkt verrotten
- Ein Eval-Set historischer Abweichungen mit bekannten Ursachen, damit eine Modelländerung gemessen wird, bevor sie ausgeliefert wird – und nicht erst, wenn jemand bemerkt, dass die Kommentare schlechter geworden sind
Das ist die eigentliche Verschiebung hinter all dem. Die Analystin hört auf, Daten zusammenzutragen und Rechenoperationen zu prüfen, und rückt hin zur Arbeit des strategischen Beraters, um die es immer ging. Doch das geschieht nur, wenn das System sich die Übergabe verdient. Ein Finance Copilot, dessen jeder Satz neu hergeleitet werden muss, hat niemandem Zeit gespart.
Wenn Ihr Continuous-Forecasting-Plan beim Kommentar beginnt, beginnt er an der falschen Stelle. Beginnen Sie bei der Zuordnung – und lassen Sie die Worte zuletzt kommen.