45 % der Finanzverantwortlichen fehlen weiterhin Mindestregeln für den KI-Einsatz

Dieser Artikel erschien zuerst als Pressemitteilung.

Fast die Hälfte (45 %) der Unternehmen, die sich selbst als „KI-Vorreiter“ bezeichnen, verfügen laut einer neuen Studie von Payhawk nicht über die notwendigen grundlegenden Governance-Strukturen, um KI sicher in Finanzprozessen zu skalieren.

Die aktuelle Studie stellt zudem die gängige Annahme infrage, dass die KI-Reife entlang eines definierten Pfads verläuft. Selbst innerhalb der Kategorie der „Vorreiter“ ist die KI-Bereitschaft in verschiedene Einführungsstadien unterteilt, die jeweils mit unterschiedlichen Defiziten einhergehen. Die Daten zeigen, dass die eigentliche Skalierungsbeschränkung nicht in der KI-Leistung, sondern in der Steuerbarkeit liegt: Kann das Unternehmen die KI-Aktivitäten in Finanzprozessen rechtfertigen, nachverfolgen und prüfen?

Die Ergebnisse basieren auf einer globalen Umfrage unter 1.520 Führungskräften aus dem Finanz- und Wirtschaftsbereich. Als „KI-Vorreiter“ (Teilmenge n=405) werden Organisationen definiert, die ihren KI-Reifegrad selbst mit mindestens 7 von 10 möglichen Punkten bewertet haben.

„Regelschulden“ und „Datenschulden“: Warum KI-Programme ins Stocken geraten

Fünf operative Anforderungen entscheiden darüber, ob KI in Finanzprozessen von der Einführungsphase in den operativen Betrieb übergehen kann: implementierte Umsetzungsmaßnahmen, Mindestregeln für die KI-Nutzung, erforderliche Kompetenzen und Tools, ein zugesichertes Budget, sowie für KI-Analysen nutzbare Daten. Nur 26 % der KI-Vorreiter erfüllen alle fünf Anforderungen.

Basierend auf diesen Anforderungen unterteilt die Studie Vorreiter in sechs operative Stadien:

• Skalierte Anwender (26,9 %) – stark in allen fünf Anforderungen. Diese Organisationen verfügen über die vollständige operative Infrastruktur.
• Inkrementelle Verbesserer (17,5 %) – KI-Bereitschaft ist in einzelnen Bereichen vorhanden, aber keine Dimension ist eindeutig stark ausgeprägt.
• Umsetzungsorientierte Implementierer (16,0 %) – stark in Umsetzung und Kompetenzen, aber es fehlen Mindestregeln. Dies ist die deutlichste Ausprägung eines Defizits an Regeln.
• „Agenten zuerst, Kontrolle später“ (14,1 %) – Begeisterung und Experimentierfreude überholen die Governance. Es fehlen Mindestregeln, und die Umsetzungsbereitschaft ist begrenzt.
• „Governance-orientierte Skalierer“ (13,8 %) – starke Regeln und Umsetzung, aber schwache Daten-Kompetenz. Dies ist die deutlichste Ausprägung eines Defizits an Daten.
• „Kontrollorientierte Planer“ (11,6 %) – Kompetenzen, Budget und Daten sind relativ stark, aber Umsetzungsmaßnahmen fehlen. Die Fähigkeiten sind vorhanden, aber die Implementierung fehlt.

Vor allem zwei systemische Lücken – „Regeldefizite“ und „Datendefizite“ – erklären, warum KI-Skalierung scheitert.

Regeldefizite entstehen, wenn Organisationen KI schneller implementieren, als sie Governance etablieren. Dies führt zu Systemen, die nicht geprüft, erklärt oder sicher in Workflows mit Genehmigungen, Compliance- oder Finanzkontrollen integriert werden können. Insbesondere zwei Stadien – umsetzungsorientierte Implementierer und „Agenten zuerst, Kontrolle später“ – weisen dieses Muster auf und machen zusammen etwa 30 % der führenden Unternehmen aus.

Datenschulden entstehen, wenn Governance und Umsetzung vorhanden sind, die zugrunde liegenden Daten jedoch inkonsistent, unvollständig oder fragmentiert sind. In diesen Fällen können Organisationen die KI-Nutzung zwar kontrollieren, aber ihren Ergebnissen im großen Maßstab nicht vertrauen. Am deutlichsten zeigt sich dies bei den Governance-orientierten Skalierern.

Die Studie verdeutlicht ein klares Ungleichgewicht. Während 78 % der gemäß Selbsteinschätzung als „KI-Vorreiter“ bezeichneten Unternehmen über fundierte Kenntnisse und Tools verfügen, haben nur 55 % grundlegende Governance-Regeln implementiert – der am niedrigsten bewertete „Readiness“-Faktor.

Die „Regelschulden“ erklären, warum viele Organisationen zwar aktiv „fortgeschritten“ erscheinen, aber dennoch Schwierigkeiten haben, über eng gefasste, lediglich unterstützende Anwendungsfälle hinauszugehen – häufig zu beobachten in kleineren, dynamischeren Kontexten. Die „Datenschulden“ hingegen erklären, warum manche Organisationen zwar diszipliniert und gut geführt wirken, aber dennoch scheitern, KI in die Kernprozesse des Finanzwesens zu integrieren – häufig zu beobachten in komplexen, regulierten Kontexten.

Die Studie identifiziert zudem eine häufige und kostspielige Diskrepanz: Unternehmen investieren in mehr KI-Kapazitäten, obwohl die eigentliche Hürde die Governance-Infrastruktur ist, oder entwickeln Richtlinien-Frameworks, obwohl die Datenqualität das eigentliche Problem darstellt. In beiden Fällen stagniert der Fortschritt, da die operative Einschränkung, die angegangen wird, nicht diejenige ist, die eine Skalierung tatsächlich begrenzt.

„Die Skalierung von KI im Finanzwesen wirkt deshalb inkonsistent, weil Unternehmen bei den Fähigkeiten, die eine Skalierung ermöglichen, ungleichmäßig schnell vorankommen“, so Hristo Borisov, CEO und Mitgründer von Payhawk. „Viele Unternehmen investieren in mehr KI, obwohl der eigentliche Engpass woanders liegt – bei den Regeln oder den Daten. Die Skalierung von KI im Finanzwesen ist im Kern eine Herausforderung der Orchestrierung, also einer Koordination von Regeln, Daten und Verantwortlichkeiten über verschiedene Arbeitsabläufe hinweg. Unternehmen, die nur einige der erforderlichen Maßnahmen umsetzen, werden zwangsläufig Kompromisse eingehen und auf unterstützende Anwendungsfälle beschränkt bleiben.“

Den dritten Teil des Payhawk CFO AI Readiness Reports finden Sie hier.