Der KI-Reifegrad-Report - für CFOs: Teil 4

Vorwort: Konstantin Dzhengozov, CFO und Mitgründer von Payhawk

„Nach vier Reports ist das der Teil, auf den ich mich am meisten gefreut habe. In den ersten drei ging es um die Analyse. Dieser letzte Report der Serie zeigt, was Sie jetzt konkret tun können. Wenn Sie die Serie verfolgt haben, wissen Sie bereits mehr über Ihr KI-Programm als die meisten Finanzverantwortlichen. Jetzt geht es darum, dieses Wissen in die Praxis umzusetzen.

Zu Beginn unserer Studie dachten wir, die Einführung von KI würde im Mittelpunkt stehen: Welche Teams schnell vorankommen, welche zurückfallen und warum. Genau diese Geschichte erzählen die meisten KI-Studien. Doch die Daten zeigten etwas anderes. Unter 1.520 leitenden Finanz- und Business-Entscheidern hatten die Teams mit den größten Schwierigkeiten KI längst eingeführt. Das Problem war ein anderes: Sie hatten KI-Fähigkeiten aufgebaut, ohne die operativen Voraussetzungen dafür zu schaffen. Regeln, die nie klar definiert wurden. Daten, die sich nicht sauber nachvollziehen ließen.

In vielen Unternehmensbereichen ist das vor allem unpraktisch. Im Finanzbereich ist es ein ernstes Problem. Finanzteams können nicht sagen: „Die Governance regeln wir später.“ Freigaben, Audit-Trails und klare Verantwortlichkeiten sind keine Funktionen, die man nachträglich ergänzt. Sie sind die Voraussetzung dafür, dass all das überhaupt funktioniert. Die ersten drei Reports haben gezeigt, wo genau diese Spannungen im Markt entstehen. Dieser Report zeigt, wie Sie damit umgehen. Wenn Sie die Serie gelesen haben, wissen Sie bereits, wo Ihr Unternehmen heute steht. Dieser Report liefert Ihnen die nächsten konkreten Schritte.“

Irgendwann erreicht nahezu jedes KI-Programm im Finanzbereich einen entscheidenden Punkt: Die Pilotphase ist nicht länger der Maßstab. Das Unternehmen hat sich weiterentwickelt, die Erwartungen sind gestiegen, und KI soll plötzlich Aufgaben übernehmen, die wirklich relevant sind: Freigaben, Buchungen oder Lieferantenzahlungen. Genau dann zeigt sich die Lücke zwischen dem, was das System leisten kann, und dem, was das Unternehmen tatsächlich verantworten kann.

Der Moment, den jedes KI-Programm im Finanzbereich erreicht

Stellen Sie sich die Situation vor, die viele Finanzteams in unserer Studie beschrieben haben: eine Financial Controllerin in einem produzierenden Unternehmen mit 600 Mitarbeitenden. Ihr Team hatte gerade einen erfolgreichen KI-Piloten umgesetzt: Rechnungsabweichungen wurden erkannt, Vorschläge für die Kontierung erstellt und die Prüfzeit um 40 % reduziert. Der CFO war begeistert. Das Budget für den Ausbau wurde freigegeben.

Sechs Monate später kam der Rollout ins Stocken. Die interne Revision stellte eine Frage, die niemand eindeutig beantworten konnte: Was genau darf dieses System freigeben? Und wer trägt die Verantwortung, wenn es Fehler macht?

Das Team hatte Fähigkeiten aufgebaut, aber nicht die Strukturen geschaffen, die diese Fähigkeiten belastbar machen. Die KI lief weiter an den Rändern der Prozesse – dort, wo Unklarheiten noch akzeptabel waren. Genau dort war ihr Nutzen jedoch am geringsten.

Das ist der Punkt, den die meisten KI-Programme im Finanzbereich erreichen. Der Pilot funktioniert. Das Unternehmen ist begeistert. Und dann stoppt etwas den Rollout abrupt: eine Audit-Frage, eine Eskalation ohne klare Zuständigkeit oder ein Ergebnis, das sich nicht sauber abstimmen lässt.

Tatiana Okhotina, CFO bei Token.io, bringt es auf den Punkt:

Alles muss nachvollziehbar sein.

Der Satz umfasst nur vier Worte. Für KI hat er jedoch enorme Bedeutung: Was sich nicht nachvollziehen lässt, lässt sich nicht skalieren.

Was diese Serie gezeigt hat

Die ersten drei Reports dieser Serie haben ein klares Bild gezeichnet.

Teil 1 zeigte, dass die KI-Reife im Finanzbereich strukturell unterschiedlich ausgeprägt ist – abhängig von Branche, Unternehmensgröße und operativem Umfeld. Der Markt befindet sich nicht einfach „noch am Anfang“. Er ist gespalten. Einige Teams skalieren KI bereits in zentrale Prozesse. Viele stecken noch zwischen Pilotprojekt und produktivem Einsatz fest. Andere befinden sich weiterhin in der Experimentierphase.

Teil 2 identifizierte die fünf Voraussetzungen, die darüber entscheiden, ob KI im Finanzbereich skalierbar ist: messbare Umsetzung, klare Mindestregeln, Kompetenzen, Budget und nutzbare Daten. Unter den Unternehmen, die sich selbst als KI-Vorreiter bezeichnen, erfüllen nur 26 % alle fünf Voraussetzungen gleichzeitig in hohem Maße. Kompetenzen und Budget sind meist zuerst vorhanden. Klare Regeln und Datenbereitschaft hinken hinterher.

Teil 3 zeigte, dass sich selbst die Vorreiter in sechs unterschiedliche operative Muster aufteilen – jeweils mit eigenen Stärken, Schwächen und Engpässen. Umsetzungsstarke Teams bringen KI schnell in die Praxis, verfügen aber über keine belastbare Governance-Struktur. Governance-orientierte Unternehmen haben klare Regeln, aber schwache Datenfundamente. Skalierte Anwender besitzen bereits den vollständigen Unterbau, müssen ihn jedoch weiter stärken, um mehr Verantwortung an KI delegieren zu können.

Dieser letzte Report beantwortet die Frage, auf die alle drei vorherigen Reports hingearbeitet haben: Wenn Sie wissen, wo Ihr Unternehmen heute steht – was sollten Sie konkret als Erstes tun?

Der Perspektivwechsel: zwei Schulden, eine Entscheidung

Hier liegt die zentrale Erkenntnis, die verändert, wie die meisten CFOs ihr KI-Programm bewerten.

Die meisten Finanzteams führen stockende KI-Initiativen auf fehlende Tools, mangelnde Kompetenzen oder Herausforderungen im Change Management zurück. Die Daten von 1.520 leitenden Entscheiderinnen und Entscheidern zeigen jedoch ein anderes Bild. Der größte Engpass – unabhängig von Branche, Unternehmensgröße oder selbst eingeschätztem Reifegrad – ist fast immer eines von zwei strukturellen Defiziten.

Regelschulden entstehen, wenn die Einführung von KI schneller voranschreitet als die Governance. Die KI ist im Einsatz. Prozesse laufen. Doch das Unternehmen kann nicht klar beantworten, was die KI tun darf, wann eskaliert werden muss, wer die Verantwortung trägt oder wie der Audit-Trail aussieht. Während der Pilotphase bleiben diese Regelschulden meist unsichtbar. Sichtbar werden sie erst, sobald KI Aufgaben übernimmt, die klare Verantwortlichkeit verlangen: Freigaben, Richtlinienkontrollen, Abschlussprozesse oder Zahlungen.

Datenschulden entstehen, wenn Governance-Strukturen vorhanden sind, die Datenbasis jedoch keine verlässlichen Ergebnisse ermöglicht. Stammdaten unterscheiden sich zwischen Gesellschaften. Integrationen brechen an den Schnittstellen ab. KI-Ergebnisse lassen sich nicht sauber auf die führenden Systeme zurückführen. Unternehmen in dieser Situation haben oft bereits viel in Governance investiert und stellen dennoch fest, dass KI nicht über die Rolle eines Assistenten hinauskommt, weil das Fundament darunter nicht belastbar genug ist.

Beide Arten von Schulden funktionieren ähnlich wie finanzielle Schulden: Sie entstehen im Hintergrund und werden genau dann teuer, wenn man sie am wenigsten gebrauchen kann.

Was KI-Vorreiter bereits aufgebaut haben – und was noch fehlt:

• Kompetenzen und Tools: 78 % stark ausgeprägt
• Zugewiesenes Budget: 69 %
• Messbare Umsetzung: 64 %
• Nutzbare Daten: 61 %
• Klare Mindestregeln: 55 %

Kompetenzen und Budget stehen meist an erster Stelle. Von den fünf Voraussetzungen hinken klare Regeln und Datenbereitschaft am stärksten hinterher. Genau diese beiden Faktoren bremsen Unternehmen laut den Daten dieses Reports aus, sobald Kompetenzen, Budget und Umsetzung bereits vorhanden sind.

Unter den KI-Vorreitern verfügen 32 % über starke Kompetenzen, aber nicht über klare Mindestregeln. Weitere 22 % haben belastbare Umsetzungskennzahlen etabliert – und trotzdem keine klaren Mindestregeln definiert. In beiden Fällen ist die Fähigkeit vorhanden. Es fehlt jedoch die Struktur, die ihren Einsatz absichert.

Konstantin Dzhengozov, CFO und Mitgründer von Payhawk, erklärt:

„Regelschulden und Datenschulden sind keine abstrakten Probleme. Sie sind der Grund, warum KI in der Pilotphase schnell wirkt, im produktiven Einsatz aber plötzlich langsam wird. Im Finanzbereich kann man Governance nicht auf später verschieben. Man muss sie aufbauen, bevor man sie braucht.“

Die Entscheidung, vor der CFOs heute stehen, ist deshalb einfach: Welche dieser Schulden bauen Sie zuerst ab? Welche Prozesse priorisiert werden, welche Tools zum Einsatz kommen und wie schnell skaliert wird – all das ergibt sich aus dieser Antwort.

Genau hier liegt die operative Erkenntnis, die den meisten KI-Reifegradmodellen fehlt. Sie messen die Einführung von KI. Sie bewerten Anwendungsfälle, Tools und Kompetenzen. Doch nichts davon zeigt einem CFO, was das eigene Programm tatsächlich ausbremst. Das Schuldenmodell dagegen schon.

Abbildung 7. KI-Vorreiter im Verhältnis zu Governance- und Datenfundamenten. Sechs operative Muster entlang des Anteils der Unternehmen, die klaren Mindestregeln zustimmen (horizontale Achse), und des Anteils der Unternehmen, die ihre Daten als KI-ready bewerten (vertikale Achse). Die Quadranten zeigen den jeweils dominierenden Engpass je Muster.

Ihre Ausgangslage bestimmt den ersten Schritt

Die sechs operativen Muster aus Teil 3 bringen jeweils einen typischen Engpass mit sich.

1. Umsetzungsstarke Implementierer (16 %) führen KI schnell ein und verfügen über starke Kompetenzen, aber klare Mindestregeln für die Governance fehlen. Ihr zentraler Engpass sind Regelschulden. Zusätzliche Anwendungsfälle erhöhen das Risiko schneller, als sie Mehrwert schaffen. Der erste Schritt ist deshalb Governance – nicht mehr Funktionalität.

2. Governance-orientierte Skalierer (13,8 %) verfügen über klare Regeln und hohe Umsetzungsdisziplin, doch die Datenbasis ist nicht ausreichend vorbereitet. Ihr Engpass sind Datenschulden. Zusätzliche Richtlinien schaffen keine Skalierung. Der erste Schritt ist die klare Verantwortung für Stammdaten und belastbare Integrationen, bevor KI tiefer in operative Prozesse eingebunden wird.

3. Kontrollorientierte Planer (11,6 %) verfügen bereits über Kompetenzen, Budget und eine solide Datenbasis, haben jedoch noch keine messbaren Umsetzungskennzahlen etabliert. Ihr Engpass ist die Umsetzung. Die Voraussetzungen sind vorhanden. Der erste Schritt besteht darin, einen konkreten Workflow gezielt produktiv einzusetzen, statt abstrakt weiter an der Vorbereitung zu arbeiten.

4. Skalierte Anwender (26,9 %) erfüllen alle fünf Voraussetzungen in hohem Maße. Ihr Engpass ist die Industrialisierung: Freigabeprozesse, Ausnahmebehandlungen und Audit-Trails müssen weiter abgesichert werden, damit mehr Verantwortung sicher an KI delegiert werden kann.

5. Schrittweise Optimierer (17,5 %) erzielen bereits spürbare Fortschritte, jedoch nicht durchgängig. Manche Voraussetzungen sind stark ausgeprägt, andere bleiben zurück. KI entwickelt sich weiter, hat sich jedoch noch nicht zu einem konsistenten Betriebsmodell verdichtet. Ihr Engpass ist Konsistenz: Identifizieren Sie die schwächste Voraussetzung und schließen Sie diese Lücke, bevor Sie den Einsatzbereich weiter ausbauen.

6. Agent-first, Control-later-Teams (14,1 %) verfügen über hohe Ambitionen, aber noch nicht über die nötige operative Disziplin in mehreren Bereichen. Ihr Handlungsspielraum ist enger. Wählen Sie einen klar abgegrenzten Workflow, bauen Sie dafür die kleinstmögliche operative Struktur auf und beweisen Sie das Modell, bevor Sie den Umfang erweitern. Breite Transformationsprogramme führen aus dieser Ausgangslage oft zu monatelanger Aktivität, ohne dass ein einziger Workflow tatsächlich skaliert.

Nicht sicher, welches Muster auf Ihr Unternehmen zutrifft? Finden Sie unten die Variante, die Ihrer Situation am ehesten entspricht – und erkennen Sie, welche Art von Schulden Sie aktuell am stärksten ausbremst.

Der 30/60/90-Tage-Plan

Jede der folgenden Varianten beginnt mit einer kurzen Situationsbeschreibung. Wenn sie Ihrer aktuellen Lage entspricht, ist das Ihr Ausgangspunkt.

Variante 1: Regelschulden zuerst angehen

Diese Variante passt zu Ihnen, wenn Ihre Situation so aussieht: KI schafft bereits Mehrwert, aber Ihr Unternehmen kann den Einsatz nicht klar verantworten.

Tag 1–30: Die minimale Kontrollstruktur für einen aktiven Workflow definieren

Wählen Sie den Workflow aus, in dem KI bereits eingesetzt wird und der am wahrscheinlichsten weiter ausgebaut wird. Halten Sie für genau diesen Workflow vier Punkte fest – nicht mehr:

• Was die KI tun darf und ab welchem Schwellenwert sie stoppen und eskalieren muss
• Wer eskalierte Fälle übernimmt und wie schnell reagiert werden muss
• Welche Informationen standardmäßig protokolliert werden
• Wer die Verantwortung trägt – als klar benannte Rolle, nicht als Team

Das ist eine einseitige operative Spezifikation für einen einzelnen Workflow. Halten Sie sie kurz genug, um sie konsequent umzusetzen, und präzise genug, um sie auditieren zu können.

Tag 31–60: Den Workflow unter den neuen Regeln betreiben und dokumentieren, was nicht funktioniert

Das Ziel ist kein perfekter Ablauf. Ziel ist es, Lücken sichtbar zu machen: unklare Eskalationswege, fehlende Log-Einträge oder Verantwortlichkeiten, die niemand eindeutig beantworten kann. Jede Ausnahme liefert wertvolle Erkenntnisse. Bis Tag 60 sollten Sie exakt nachvollziehen können, was die KI getan hat, was eskaliert wurde, wer entschieden hat und wie der Vorgang dokumentiert ist.

Tag 61–90: Dasselbe Modell auf einen zweiten Workflow übertragen

Entwickeln Sie für den zweiten Workflow keine neue Governance von Grund auf. Nutzen Sie dieselbe Mindeststruktur und passen Sie sie an den neuen Kontext an. Ziel ist ein wiederholbares Modell, keine Einzellösung. Bis Tag 90 verfügen Sie über zwei kontrollierte Workflows, ein funktionierendes Eskalationsmodell und eine Log-Struktur, die auch externer Prüfung standhält.

Der Maßstab für Erfolg: Ein Auditor oder Regulator fragt: „Was durfte die KI in diesem Workflow tun, und wer trug die Verantwortung?“ – und Ihr Team beantwortet die Frage in weniger als zwei Minuten.

Variante 2: Datenschulden zuerst angehen

Diese Variante passt zu Ihnen, wenn Ihre Situation so aussieht: Ihre Governance ist belastbar, aber den KI-Ergebnissen wird noch nicht genug vertraut, um darauf zu handeln.

Tag 1–30: Die konkreten Datenlücken eines Workflows identifizieren

Wählen Sie den Workflow aus, in dem KI theoretisch bereits skalieren sollte, dessen Ergebnisse jedoch noch nicht zuverlässig genug sind. Beantworten Sie dann ausschließlich für diesen Workflow folgende Fragen:

• Von welchen Stammdaten hängt dieser Workflow ab – Lieferanten, Kontierungslogiken, Kostenstellen oder Gesellschaftsstrukturen?
• Wo entstehen Brüche oder Abweichungen zwischen Systemen oder Gesellschaften?
• Welche Nachweise müsste ein Auditor sehen, um die Richtigkeit eines KI-Ergebnisses zu bestätigen?

Das ist ein gezieltes Daten-Audit für einen konkreten Workflow. Die entscheidende Frage lautet: Welche Lücken verhindern, dass die KI-Ergebnisse dieses Workflows sauber nachvollziehbar sind?

Tag 31–60: Die Datenbasis für diesen Workflow gezielt stabilisieren

Benennen Sie eine verantwortliche Person für jede relevante Stammdatenbasis. Standardisieren Sie Strukturen wie Kategorien, Gesellschaftszuordnungen und Kontenpläne speziell für diesen Workflow. Schaffen oder validieren Sie Integrationen, damit Ergebnisse eindeutig auf das führende System zurückgeführt werden können.

Widerstehen Sie dem Impuls, Datenqualität sofort umfassend anzugehen. Große Datenprogramme liefern selten schnell genug die konkreten Verbesserungen, die einen produktiven Workflow wirklich voranbringen. Lösen Sie zuerst die Anforderungen dieses Workflows – und erweitern Sie anschließend Schritt für Schritt.

Tag 61–90: Nachvollziehbarkeit der Ergebnisse validieren und anschließend skalieren

Die Ergebnisse sollten nun unabhängig überprüfbar sein: nachvollziehbar bis zur Quelldatenbasis, erklärbar für Auditoren und klar einer verantwortlichen Person zugeordnet. Wenn das gelingt, haben Sie bewiesen, dass Ihr Governance-Modell KI in produktive Prozesse tragen kann. Übertragen Sie denselben Ansatz anschließend auf den nächsten Workflow.

Der Maßstab für Erfolg: Ein KI-Ergebnis aus diesem Workflow lässt sich innerhalb von weniger als fünf Minuten auf eine verlässliche Datenquelle zurückführen – auch durch jemanden, der nicht an seiner Erstellung beteiligt war.

Variante 3: Beide Schulden gleichzeitig vorhanden

Diese Variante passt zu Ihnen, wenn Ihre Situation so aussieht: KI ist bereits aktiv, aber weder Governance noch Datenbasis reichen aus, um zentrale Prozesse sicher zu skalieren.

In dieser Ausgangslage ist der Impuls am größten, alles gleichzeitig lösen zu wollen – und genau das wird meist am teuersten. Breite Programme führen hier oft zu monatelanger Richtlinienarbeit und Infrastrukturinvestitionen, ohne dass auch nur ein einzelner Workflow tatsächlich skaliert.

Tag 1–30: Einen klar abgegrenzten Workflow auswählen und die minimale operative Struktur definieren

Wählen Sie den Workflow aus, bei dem Fehler beherrschbar sind und die Datenlage am saubersten ist. Entscheiden Sie sich für den Workflow, mit dem sich das Modell am schnellsten beweisen lässt – nicht für den, der auf dem Papier am wertvollsten wirkt.

Definieren Sie für genau diesen Workflow auf einer Seite die Mindestregeln aus Variante 1 sowie die minimalen Datenanforderungen. Welche Stammdaten, Integrationen und Abstimmungslogiken werden konkret benötigt? Nicht mehr.

Tag 31–60: Umsetzen, betreiben und dokumentieren, was nicht funktioniert

Setzen Sie den Workflow um. Protokollieren Sie alles. Beheben Sie die Probleme, die sichtbar werden. Ziel ist ein funktionierender Workflow mit klarer Governance und belastbarer Datenbasis – ein Modell, das Sie im Audit verteidigen, Ihrem Vorstand erklären und als Vorlage für den nächsten Schritt nutzen können.

Tag 61–90: Die Erkenntnisse nutzen, um den nächsten Schwerpunkt festzulegen

Nach 60 Tagen im produktiven Betrieb wissen Sie, welcher Engpass schwieriger war als erwartet. Waren die Regeln schwer umzusetzen? Oder war die Datenlandschaft stärker fragmentiert als angenommen? Die Antwort zeigt Ihnen, welche Art von Schulden Sie als Nächstes abbauen sollten – und liefert eine belastbare Grundlage für Investitionsentscheidungen statt Vermutungen.

Der Maßstab für Erfolg: Ein einzelner Workflow arbeitet unter klaren Mindestregeln und auf einer Datenbasis, die nachvollziehbare Ergebnisse ermöglicht. Nicht fünf Workflows. Einer – sauber umgesetzt.

Variante 4: Industrialisierung

Diese Variante passt zu Ihnen, wenn Ihre Situation so aussieht: KI skaliert bereits, aber das Betriebsmodell muss weiter abgesichert werden, bevor zusätzliche Verantwortung sicher delegiert werden kann.

Tag 1–30: Governance-Abweichungen über alle aktiven Workflows hinweg prüfen

Je mehr Workflows hinzukommen, desto häufiger werden Regeln aus einem Kontext informell auf andere übertragen. Verantwortlichkeiten, die anfangs klar waren, werden mit der Zeit unscharf. Prüfen Sie deshalb strukturiert alle aktiven KI-Workflows: Sind Berechtigungsgrenzen noch korrekt definiert? Funktionieren Eskalationswege weiterhin? Ist der Audit-Trail vollständig und über alle Gesellschaften hinweg konsistent?

Tag 31–60: Lücken bei Ausnahmebehandlungen und Eskalationen schließen

In dieser Phase entstehen Risiken vor allem dort, wo Sonderfälle durch die Eskalationslogik fallen: ungewöhnliche Transaktionen, gesellschaftsübergreifende Ausnahmen oder Grenzfälle in Richtlinien. Im Tagesgeschäft bleiben diese Lücken oft unsichtbar – bis sie im Abschlussprozess oder Audit teuer werden. Erfassen Sie alle Ausnahmefälle aus den aktiven Workflows. Stellen Sie sicher, dass jeder Fall eine verantwortliche Person, einen klaren Lösungsweg und einen dokumentierten Eintrag besitzt.

Tag 61–90: Governance auf die nächste Workflow-Ebene ausweiten

Sobald das Betriebsmodell belastbar ist, erweitern Sie die KI-Delegation auf die nächste Kategorie von Workflows – meist komplexere, wertvollere oder näher an zentralen Finanzkontrollen liegende Prozesse. Jeder neue Workflow sollte denselben Standard an Nachvollziehbarkeit erfüllen wie die ersten produktiven Prozesse.

Der Maßstab für Erfolg: Jede KI-gestützte Entscheidung in allen aktiven Workflows lässt sich nachvollziehen, erklären und eindeutig verantworten – auch in Workflows, die erst nach der ursprünglichen Einführung hinzugekommen sind.

Die zentrale Erkenntnis: KI im Finanzbereich ist eine Frage der Legitimität

Die meisten CFOs beginnen diese Serie mit der Annahme, ihr KI-Programm habe ein Tool-, Change-Management- oder Dateninfrastrukturproblem, das sich mit der Zeit lösen wird. Die Daten zeigen jedoch etwas Konkreteres – und vor allem etwas Lösbares.

Im Finanzbereich muss KI drei Arten von Legitimität erreichen, bevor sie skaliert werden kann.

Operative Legitimität bedeutet, dass KI echte Aufgaben in relevanten Prozessen übernehmen kann. Die meisten Teams erreichen diesen Punkt früh. Deshalb liefern Pilotprojekte oft schnell messbare Ergebnisse.

Institutionelle Legitimität bedeutet, dass das Unternehmen den Einsatz von KI gegenüber Audits, Richtlinien und Verantwortlichkeiten klar verteidigen kann. Genau hier werden Regelschulden zum entscheidenden Engpass: eine Governance-Lücke, die sich nicht allein durch bessere Tools schließen lässt.

Datenlegitimität bedeutet, dass das Unternehmen der Datenbasis vertrauen kann, auf der die KI arbeitet. Hier werden Datenschulden zum limitierenden Faktor. Denn starke Governance auf einer fragmentierten Datenbasis führt zu KI, die zwar kontrolliert ist, aber operativ nicht zuverlässig funktioniert.

Im Zusammenhang mit den vorherigen Reports wird deutlich: Institutionelle Legitimität ist die andere Seite von Regelschulden. Datenlegitimität ist die andere Seite von Datenschulden. Beide beschreiben dieselbe Lücke – nur aus unterschiedlichen Perspektiven: die operativen Voraussetzungen dafür, dass KI nicht nur eingeführt, sondern auch belastbar verantwortet werden kann.

Operative Legitimität entsteht zuerst. Deshalb sind Pilotprojekte vergleichsweise einfach. Institutionelle und datenbezogene Legitimität brauchen deutlich länger und lassen sich nicht überspringen. Genau deshalb ist Skalierung so anspruchsvoll.

Die Teams, die diese Lücke am schnellsten schließen, erkennen, welche Form von Legitimität fehlt – und bauen genau diese gezielt auf. Statt weitere Tools einzuführen oder zusätzliche Pilotprojekte auf derselben Schwachstelle aufzusetzen.

Genau diese Abstimmungsarbeit – Regeln, Daten und Verantwortlichkeiten innerhalb eines Workflows zusammenzuführen – beschreibt in der Praxis Finance Orchestration. Deshalb liegt die eigentliche Weiterentwicklung des Betriebsmodells nicht in der Einführung von KI, sondern in ihrer Orchestrierung.

Konstantin ergänzt:

„Die CFOs, die KI am erfolgreichsten skalieren, werden nicht die sein, die am schnellsten gestartet sind. Sondern diejenigen, die verstanden haben, welchen Engpass sie zuerst lösen müssen, diesen gezielt behoben haben und erst dann weiter skaliert haben, als ihr Betriebsmodell dafür bereit war. Das ist keine Vorsicht. So baut man ein System, das langfristig Wirkung entfaltet.“

CFOs: Die wichtigste Erkenntnis

Über vier Reports hinweg und auf Basis von 1.520 Befragten zeigt sich über alle Branchen, Unternehmensgrößen und Reifegrade hinweg ein klares Muster: Der Unterschied zwischen KI, die skaliert, und KI, die stagniert, liegt nicht in der Technologie selbst, sondern in den operativen Voraussetzungen rund um die Technologie.

Die erfolgreichsten CFOs teilen dabei eine zentrale Gewohnheit: Bevor sie KI auf einen neuen Workflow ausweiten, fragen sie nicht nur, ob Ergebnisse erzielt werden – sondern auch, ob sich der Einsatz unter kritischer Prüfung verantworten lässt.

Genau diese Frage – „Können wir das verantworten?“ – ist der praktische Test für beide Arten von Schulden. Wenn Sie nicht klar benennen können, was die KI tun darf und wer die Verantwortung trägt, haben Sie Regelschulden. Wenn Sie Ergebnisse nicht eindeutig auf eine verlässliche Datenquelle zurückführen können, haben Sie Datenschulden. Wenn beides möglich ist, sind Sie bereit zu skalieren.

Die Reihenfolge ist entscheidend. Die falschen Schulden zuerst abzubauen – oder alles gleichzeitig lösen zu wollen, ohne klar abgegrenzten Startpunkt – ist das Muster hinter den meisten gescheiterten KI-Programmen im Finanzbereich. Unternehmen, die die richtigen Schulden in der richtigen Reihenfolge abbauen, schaffen dagegen nachhaltige Effekte: Jeder kontrollierte Workflow macht den nächsten einfacher einzuführen, belastbarer gegenüber Kritik und wertvoller als den vorherigen.

Genau so sieht Orchestrierung in der Praxis aus: nicht als einzelne Einführung, sondern als Finanz-Betriebsmodell, das mit jedem weiteren Baustein stärker wird.

Nächste Schritte

Bestimmen Sie Ihre Ausgangslage. Und lösen Sie dann genau das eine Problem.

Die folgende Einordnung führt direkt zu den vier Varianten dieses Reports. Wenn Sie nicht sicher sind, welcher Engpass Ihr KI-Programm aktuell ausbremst, beginnen Sie hier:

1. Wählen Sie einen Workflow aus, in dem KI bereits eingesetzt wird oder zeitnah geplant ist.
2. Frage 1: Können Sie klar benennen, was die KI tun darf und wer die Verantwortung trägt? Wenn nein: Regelschulden.
3. Frage 2: Können Sie KI-Ergebnisse eindeutig auf ein führendes System zurückführen? Wenn nein: Datenschulden.
4. Wenn beide Antworten Nein sind: Variante 3. Wenn beide Antworten Ja sind: Variante 4.

Genau diesen Weg ging auch Farah Rouassi, VP Finance and Strategic Partnerships bei Paradox, als sie gemeinsam mit Payhawk KI in ihr Finanzteam integriert hat.

Reisebuchungen, die früher mehr als eine Stunde Abstimmung erforderten, dauern heute nur noch vier Minuten. Das Nachverfolgen von Belegen, das zuvor zwei volle Arbeitstage pro Monat beanspruchte, läuft jetzt automatisiert. Die KI arbeitet innerhalb klar definierter und kontrollierter Workflows. Jede Transaktion, Freigabe und Einreichung folgt den Regeln, die ihr Team festgelegt hat. Mit Payhawk hat Paradox erreicht:

• 93 % schnellere Reisebuchungen – von über einer Stunde auf vier Minuten
• Kein Zeitaufwand mehr für das Nachverfolgen von Belegen – zuvor zwei Tage pro Monat
• Eine zentrale Plattform für Karten, Rechnungen, Reisen und Freigaben – gesteuert durch Regeln, die das Finanzteam selbst definiert

Farah sagt:

„Mein Financial Controller Agent versendet alle Erinnerungen automatisch während des Monats. Zum Monatsende muss ich keine einzige Nachricht mehr verschicken. Kein Stress, keine Geduldsspielchen mehr.“

So sieht es aus, wenn die operativen Voraussetzungen stimmen: nicht nur KI, die funktioniert, sondern KI, die belastbar ist, skaliert und Finanzteams Zeit für die Aufgaben zurückgibt, die wirklich wichtig sind.

Wenn Sie sehen möchten, wie das in der Praxis funktioniert, entdecken Sie, wie Payhawk KI im Spend Management, in der Kreditorenbuchhaltung und im Reisemanagement einsetzt – mit integrierten Kontrollen, Audit-Trails und klaren Verantwortlichkeiten von Anfang an. Demo buchen mit einem Mitglied des Payhawk-Teams.

Dies ist der vierte und letzte Report der Serie „CFO AI Readiness“ und basiert auf einer Originalstudie, die gemeinsam mit IResearch unter 1.520 leitenden Finanz- und Business-Entscheidern weltweit durchgeführt wurde.

Methodik: Die Interviews wurden in der DACH-Region, Spanien, Frankreich, Benelux, Großbritannien & Irland sowie den USA durchgeführt. Zu den Befragten gehörten Führungskräfte auf C-Level, VPs, Directors und Senior Specialists aus den Bereichen Finance, Accounting, Sales, HR und Procurement. Vertreten waren Unternehmen aus den Branchen Dienstleistungen, Digitalwirtschaft, Produktion, Gesundheitswesen, Bildung & Non-Profit sowie B2C. Die Unternehmensgrößen reichten von 50–100 Mitarbeitenden über 101–250, 251–500 und 501–1.000 bis hin zu Unternehmen mit mehr als 1.000 Mitarbeitenden. Die fünf Skalierungsvoraussetzungen wurden jeweils auf einer Zustimmungsskala von 1 bis 7 bewertet. „Stark ausgeprägt“ bezeichnet Bewertungen von 6–7.

Lesen Sie auch die Teile 1–3 der Serie:

• Teil 1: KI-Reife im Finanzbereich – warum manche Teams skalieren und andere stagnieren
• Teil 2: Die fünf Voraussetzungen, die darüber entscheiden, ob KI skaliert
• Teil 3: CFO Readiness Report – warum selbst KI-Vorreiter im Finanzbereich stagnieren