Der KI-Reifegrad-Report - für CFOs: Teil 1

KI-Reife im Finanzbereich: Warum manche Teams skalieren – und andere stecken bleiben

Die Rolle des CFOs erreicht erneut einen Wendepunkt. KI ist keine Zukunftstechnologie mehr, die am Rand der Organisation getestet wird. Sie ist zunehmend Teil der täglichen Finanzentscheidungen – von Forecasting und Freigaben bis hin zu Kontrollen, Compliance und Reporting. Soweit so eindeutig. Gleichzeitig nehmen wirtschaftlicher Druck, regulatorische Anforderungen und operative Komplexität in rasantem Tempo zu.

Dieser Report untersucht die KI-Reife im Finanzbereich, warum die Einführung von KI zwischen Organisationen so unterschiedlich verläuft und was tatsächlich darüber entscheidet, ob KI innerhalb von CFO-Workflows sicher skalieren kann.

Für Finanzverantwortliche entsteht daraus eine bekannte Spannung. KI greift immer tiefer in Finanzprozesse ein, während zugleich Kontrolle, Risikoexposition und Rechenschaftspflicht steigen.

Wie zuvor bei der „digitalen Transformation“ verspricht auch KI Geschwindigkeit, Effizienz und bessere Einblicke. Doch Finanzteams können Technologie nicht auf Basis von Begeisterung oder reinen Effizienzversprechen einführen. Jedes System, das Ausgaben, Freigaben oder Finanzdaten berührt, muss steuerbar, auditierbar und unter Prüfung belastbar sein – genauso wie jeder andere Finanzprozess. Und genau hier verlangsamen sich viele KI-Initiativen oder kommen ganz zum Stillstand, selbst in Organisationen, die sich als KI-affin oder technologisch fortschrittlich verstehen.

Executive Summary: Ungleiche KI-Reife verstehen – und warum Orchestrierung zuerst kommt

Um Einblicke zu gewinnen, wie CFOs mit diesem Wandel umgehen, hat Payhawk gemeinsam mit IResearch weltweit 1.520 Senior Professionals befragt. Daraus entstand eine vierteilige CFO-Report-Reihe. Die vollständige Methodik finden Sie am Ende des Reports.

Für die Analyse gruppieren wir die Unternehmensgröße in 50–250 Mitarbeitende und 251+ („at scale“).

Die Ergebnisse zeigen schnell, dass ein verbreitetes Narrativ zu kurz greift. Die Vorstellung, KI-Einführung folge schlicht dem Muster „Pilot, Rollout, Skalierung“, ist unvollständig. In diesem Report bezeichnet Orchestrierung die Kontrollen, die es KI ermöglichen, Arbeit zu übernehmen, ohne Freigaben, Audit-Trails oder Verantwortlichkeiten zu unterbrechen.

CFOs fragen heute nicht mehr, ob KI theoretisch funktioniert oder wie leicht sie sich einführen lässt. Sie fragen, ob KI in realen Finanz-Workflows eingesetzt werden kann, ohne Risiken zu erhöhen, Kontrollen zu brechen oder neue Audit-Risiken zu schaffen.

Ziel dieser Studie ist es, die Diskussion weg von allgemeinem **KI-Reife-Denken im Sinne von „frühe vs. späte Einführung“ zu lenken – und hin zu einer für Finanzverantwortliche entscheidenden Frage: Was bestimmt tatsächlich, ob KI innerhalb einer Finanzorganisation sicher skalieren kann? Und wie lässt sich das konkret umsetzen?

** So messen wir KI-Reife in dieser Studie: Die Teilnehmenden bewerteten die KI-Reife ihrer Organisation auf einer Skala von 1 bis 10. Es handelt sich um eine Selbsteinschätzung und damit um eine wahrgenommene Reife, nicht um eine geprüfte Fähigkeitsbewertung. In einem Markt, in dem Budgetentscheidungen auf Wahrnehmung basieren, ist diese wahrgenommene Reife dennoch entscheidungsrelevant.

Diese neuen Erkenntnisse liefern einen praxisnahen Blick darauf, wo genau Reibung entsteht – noch bevor sie sich in stockenden Rollouts, zunehmenden Ausnahmen oder Einwänden aus dem Audit zeigt. Konkret macht der Report sichtbar:

• Wo sich KI-Reife tatsächlich bündelt und nicht dort, wo sie oft vermutet wird
• Warum selbsternannte „KI-Leader“ keine einheitliche Gruppe sind
• Warum die Skalierung von KI im Finanzbereich zunehmend ein Operating-Model- und Orchestrierungsproblem ist – und kein rein technisches

Am Ende dieses Reports können CFOs klar erkennen, wo ihre Organisation wirklich steht. Sie verstehen, welche strukturellen Faktoren KI daran hindern, echten ROI zu liefern, und warum Empfehlungen wie „einfach schneller werden“ oder „mehr Piloten starten“ im Finanzbereich ins Leere laufen.

Wie KI-Reife im Finanzbereich 2025/26 wirklich aussieht

Der Markt ist nicht „früh“. Er ist ungleich verteilt.

Im Jahr 2025 wurde KI im Finanzbereich häufig als „früh“ beschrieben. Damit wurde suggeriert, dass die Einführung selbst die größte Hürde sei, entlang einer einfachen Abfolge: erst Piloten, dann Rollout, schließlich Automatisierung in der Breite. Dazwischen lagen vermeintliche Abwägungen zwischen Geschwindigkeit und Transparenz.

Unsere Daten zeigen ein anderes Bild. KI-Reife im Finanzbereich entwickelt sich nicht mehr als eine einzige Welle, sondern spaltet sich in klar erkennbare Cluster auf. KI im Finanzbereich weiterhin als „früh“ zu bezeichnen, verkennt das eigentliche Problem und führt Teams zu pauschalen nächsten Schritten, die nicht zu ihren realen Rahmenbedingungen passen.

Fast ein Drittel der Befragten stuft KI in der eigenen Organisation nicht einmal mehr als „früh“ ein. Stattdessen bewerten sie ihre Organisation als hochreif und positionieren sich selbst als Leader. Diese Bezeichnung wird im gesamten Report konsistent verwendet, ist an dieser Stelle jedoch rein beschreibend und kein Urteil über tatsächliche Einsatzreife. Denn später zeigt sich, dass sich genau diese Gruppe stark unterscheidet, wenn es darum geht, was sie sicher delegieren kann, ohne Risiken schneller auszubauen als die zugrunde liegenden Kontrollen.

Für die Auswertung gruppieren wir die KI-Reife in drei Stufen: niedrig (1–3), mittel (4–6) und hoch (7–10).

• Niedrige Reife: 1–3
• Anteil hoher Reife (7–10)
• Anteil mittlerer Reife (4–6)

Diese Stufen bilden keine Reifeleiter ab. Sie beschreiben, wo Organisationen heute clustern – nicht die Reihenfolge, in der sie sich zwangsläufig weiterentwickeln.

Wenn Sie sich im 4–6-„Mittelfeld“ befinden, ist der nächste Schritt nicht mehr Piloten. Es sind minimale Regeln und nutzbare Daten für die Workflows, die Sie delegieren möchten.

Abbildung 1 zeigt die Verteilung der KI-Reifegrade über die gesamte Stichprobe hinweg (n = 1.520). Drei strukturelle Muster stechen hervor.

Der Schwerpunkt liegt im mittleren Reifegrad. Die meisten Organisationen ballen sich im Bereich 4–6. Diese Teams experimentieren nicht mehr bei null, betreiben KI aber auch noch nicht als verlässliche Kernfähigkeit.

Für CFOs ist dieses Mittelfeld das größte Umsetzungsrisiko: genug Aktivität, um Erwartungen zu erzeugen, aber nicht genug Struktur, um Skalierung sicherzustellen.

Selbsternannte „Leader“ sind zahlreich, nicht außergewöhnlich. Knapp ein Drittel der Befragten bewertet die KI-Reife der eigenen Organisation mit 7–10. Damit ist das Label „Leader“ so verbreitet, dass es genauer betrachtet werden muss, und zugleich so breit, dass es keine einheitliche operative Realität beschreibt.

Der Markt bewegt sich ungleichmäßig, nicht sequenziell. Die Verteilung zeigt keinen gleichmäßigen Aufwärtstrend. Stattdessen existieren mehrere Zustände gleichzeitig: eine kleine Gruppe skaliert, ein großes Mittelfeld kämpft damit, Aktivität in operative Prozesse zu überführen, und ein Rand bleibt früh. Diese Streuung, nicht ein einzelner Durchschnittswert, prägt den aktuellen Markt.

Was Abbildung 1 nicht zeigt, ist, ob diese Reife steuerbar ist. Genau deshalb hängt Skalierung im Finanzbereich weniger von Ambition ab als von Orchestrierung über Regeln, Daten und Verantwortlichkeiten hinweg. KI-Einsatz hält nur dann stand, wenn er Richtlinien, Kontrollen, Audits und Verantwortlichkeiten überlebt.

Die in Abbildung 1 sichtbare ungleiche Verteilung ist daher kein Zufall. Sie sagt voraus, wo KI-Initiativen zu dauerhaften Veränderungen in Workflows führen und wo sie ins Stocken geraten – unabhängig von frühem Enthusiasmus oder Umfang.

Das Risiko für Finanzteams liegt darin, das Problem falsch zu diagnostizieren. Wenn KI-Initiativen stagnieren, liegt der Bruchpunkt selten im Anwendungsfall selbst. Er entsteht dort, wo automatisierte Entscheidungen auf Richtlinien, Audits oder Ausnahmebehandlungen treffen, die nie für Delegation ausgelegt waren.

Wird Reife als einheitliches Label betrachtet, verschwimmen diese Unterschiede. Genau deshalb erklären allgemeine Empfehlungen für „Leader“ oft nicht, warum KI in manchen Finanzteams skaliert und in anderen scheitert.

Konstantin bringt es auf den Punkt:

Im Finanzbereich ist die Skalierung von KI weniger ein Integrations- als ein Orchestrierungsproblem. Integration verbindet Systeme und Daten, Orchestrierung steuert, wie Arbeit durch Freigaben, Ausnahmen, Protokolle und Verantwortlichkeiten fließt. CFOs brauchen richtliniengetriebene Kontrolle, Nachvollziehbarkeit und ein klares Ausnahmehandling über alle Workflows hinweg.

Damit stellt sich die nächste Frage. Wenn KI-Reife ungleich verteilt ist, wo konzentriert sie sich strukturell – und welche Bedingungen prägen diese Ergebnisse?

Wie Branche, Größe und Komplexität die KI-Adoption im Finanzbereich prägen

Die Daten zeigen deutlich, dass ungleiche KI-Reife kein Zufall ist, sondern klaren strukturellen Mustern folgt.

Ein weiterer zentraler Befund der Analyse ist, dass KI-Readiness im Finanzbereich stark vom jeweiligen Kontext abhängt. Zwei Organisationen können gleich motiviert sein und dennoch sehr unterschiedliche Reifegrade aufweisen, weil sie unter unterschiedlichen Rahmenbedingungen arbeiten. Dazu zählen unter anderem Datenlandschaften, der Grad der Prozessstandardisierung, regulatorische Anforderungen, Skaleneffekte sowie der Aufwand, Veränderungen kontrolliert zu steuern.

Bevor wir analysieren, wie sich KI-Leader konkret verhalten, betrachten wir daher zunächst, wo sich KI-Reife im Markt tatsächlich bündelt.

Kontextdimensionen der Analyse:

1. Branche:

• Tech: Software & Internet; IT & Elektronik
• Services: Unternehmensdienstleistungen; Medien & Entertainment
• Regulated: Finanzdienstleistungen; Healthcare & Pharma; Energie & Versorger
• Core Economy: Alle übrigen Branchen, darunter Handel, Produktion, Großhandel, Logistik, Reisen, Bildung und Consumer Services

2. Unternehmensgröße:

• 50–250 Mitarbeitende
• 251+ Mitarbeitende

Im gesamten Report bezeichnet „at scale“ die Gruppe mit 251+ Mitarbeitenden. Sie markiert den Punkt, an dem Koordination, Kontrollen, Systemlandschaften und Change Management zu dominanten Einschränkungen werden.

Auf dieser Basis definieren wir sechs Kontextsegmente, die im Report durchgängig mit Name und Definition verwendet werden:

• Tech at scale (Tech, 251+)
• Services at scale (Services, 251+)
• Fast adopters, thin controls (Tech/Services, 50–250)
• Regulated at scale (Regulierte Branchen, 251+)
• Core economy at scale (Sonstige Branchen, 251+)
• SMB core operators (Regulierte Branchen/Core Economy, 50–250)

Core Operators sind Organisationen, in denen Finance primär an operativer Stabilität und Audit-Festigkeit gemessen wird, mit geringer Toleranz für Experimente in Kernprozessen.

Core Economy bezeichnet Branchen, in denen Wertschöpfung vor allem durch den Betrieb und die Koordination realer Systeme in großem Maßstab entsteht, etwa in Produktion, Handel, Logistik, Energie oder der Gesundheitsversorgung, und nicht durch Softwareprodukte oder professionelle Dienstleistungen.

„At scale“ bedeutet hier vor allem eines: Dieselbe KI-Intention verhält sich grundlegend anders, sobald eine Organisation groß genug ist, dass Koordination, Kontrollen und Systemkomplexität zum limitierenden Faktor werden.

Abbildung 2. Kontextsegmente zeigen, wo sich KI-Reife konzentriert (n = 1.520).
Abbildung 2 ordnet jedes Kontextsegment nach seinem Anteil an der Stichprobe sowie nach dem Anteil der Organisationen, die eine hohe KI-Reife (7–10) angeben.

Der Anteil hoher KI-Reife reicht von 73,3 % bei Tech at scale (6,6 % der Stichprobe) bis zu 13,5 % bei SMB Core Operators (29,8 % der Stichprobe). Das verdeutlicht, wie stark sich KI-Readiness je nach „Kontext“ unterscheidet.

Was heißt das konkret? Nutzen Sie die Segmente, um den richtigen ersten Schritt zu wählen. Jedes Umfeld stößt an einer anderen Stelle an seine Grenzen. Ein einheitliches „AI-Maturity“-Playbook ist daher irreführend.

(Siehe Segmentierungstabelle unten).

Das ist bewusst auf hoher Ebene gehalten. Ziel ist nicht perfekte Governance. Ziel ist es, einen konkreten Workflow zu wählen und genau die Einschränkung zu beseitigen, die Skalierung in Ihrem Kontext verhindert. Wenn sich Skalierung langsam anfühlt, beginnen Sie mit dem Engpass in Ihrer jeweiligen Kategorie oben. Ihre Aufgabe ist es, Orchestrierung so aufzubauen, dass Delegation jederzeit vertretbar bleibt. Genau deshalb hängt der Fortschritt von KI im Finanzbereich von der Orchestrierung über Kontrollen, Daten und Verantwortlichkeiten ab – nicht allein von der Integration neuer Tools. Arbeit muss Freigaben, Ausnahmen, Protokollierung und Zuständigkeiten durchlaufen können, ohne neue Audit-Risiken zu erzeugen.

Für die meisten CFOs hängt Fortschritt weniger davon ab, wie schnell Teams experimentieren, sondern davon, ob Kontrollen, Daten und Prozesse delegierte Arbeit im großen Maßstab tragen können.

Der jeweilige Kontext bestimmt häufig den ersten Engpass. Skalierung gelingt dann, wenn Orchestrierung zuerst gelöst wird, bevor Experimente ausgeweitet werden. Wie zuvor gilt: Begeisterung trägt nur begrenzt. Drei zentrale Implikationen stechen hervor:

Erstens setzt Tech at scale die obere Grenze der Einsatzreife, ist aber nicht der Regelfall. Dieses Segment weist die höchste Konzentration hochreifer Organisationen auf, macht jedoch nur einen kleinen Teil des Marktes aus. Was hier funktioniert, spiegelt günstige Rahmenbedingungen wider, nicht eine Blaupause, die sich auf die meisten Finanzteams übertragen lässt.

Zweitens ist die Core Economy das Gravitationszentrum des Marktes. Organisationen der Core Economy, sowohl at scale als auch im Mid-Market, stellen die Mehrheit der Finanzteams, zeigen jedoch deutlich geringere Reifegrade. Diese Lücke ist strukturell, nicht motivational. Diese Unternehmen arbeiten typischerweise mit vielfältigeren Workflows, fragmentierteren Systemen und einer geringeren Toleranz für unkontrollierte Veränderungen. Das erschwert die Skalierung von KI selbst bei klarer strategischer Absicht.

Drittens verändert Regulierung die Einführung, statt sie zu blockieren. Überraschenderweise können größere, stärker regulierte Organisationen ähnliche Reifegrade erreichen wie schnelle Adopter – allerdings über engere und klarere Rahmenbedingungen.

Ein weiteres strukturelles Signal zeigt sich bei der organisatorischen Komplexität.

Über alle Kontextsegmente hinweg weisen Segmente mit hoher Reife auch einen höheren Anteil komplexer Multi-Entity-Strukturen (11+ Einheiten) auf:

• Tech at scale: 48,5 % komplex
• Services at scale: 45,6 %
• Regulated at scale: 44,7 %
• Core economy at scale: 43,9 %

Auf den ersten Blick wirkt das kontraintuitiv. Warum sollte höhere Komplexität mit höherer Reife korrelieren?

Weil Komplexität Investitionen erzwingt. Etwa in Shared-Service-Modelle, standardisierte Prozesse, zentrale Kontrollen und stärkere Anreize zur Automatisierung.

Komplexität allein garantiert jedoch keine Reife. Die beiden Core-Economy-Segmente sind ebenfalls komplex, weisen aber dennoch niedrigere Reifegrade auf. Das zeigt, dass Standardisierung und Governance-Kapazität genauso entscheidend sind wie Komplexität selbst.

Konstantin ergänzt:

Komplexität erzwingt Investitionen, garantiert aber keine Reife.

Größere Multi-Entity-Organisationen investieren früher in Standardisierung und Kontrollen, hinken jedoch häufig hinterher, weil Datenkonsistenz und Prozessabstimmung ungelöst bleiben. Größe erzeugt Modernisierungsdruck, doch Governance-Kapazität entscheidet, ob KI tatsächlich tragfähig ist.

Was das jetzt für CFOs bedeutet

Ab hier werden die Implikationen für Finanzverantwortliche konkret. KI-Reife im Finanzbereich hinkt nicht wegen mangelnder Ambition oder falschem Timing hinterher. Sie ist ungleich verteilt, weil Finanzteams unter unterschiedlichen strukturellen Rahmenbedingungen arbeiten.

Deshalb scheitern generische Empfehlungen wie „schneller werden“ oder „mehr Piloten starten“ so häufig. Die eigentliche Einschränkung ist nicht Motivation oder Tooling. Entscheidend ist, ob KI innerhalb Ihres operativen Kontexts auditfest, regelkonform und verantwortbar skaliert werden kann.

Bevor CFOs fragen, wie sie KI skalieren, sollten sie innehalten und eine einfachere Reihe von Fragen beantworten, um die eigenen Einschränkungen zu prüfen.

Fragen Sie sich:

1. Wo ist KI heute bereits in unseren Finanz-Workflows aktiv, auch informell?
2. Welche dieser Einsätze würden einer Prüfung standhalten, wenn sie über einen kleinen Kreis hinaus ausgeweitet würden?
3. Wo erzwingen Freigaben, Ausnahmen oder Datenlücken weiterhin manuelle Umgehungslösungen?
4. Welche Entscheidungen könnten wir morgen weiter delegieren, ohne das Risiko zu erhöhen?
5. Wo würde eine Skalierung von KI zuerst ansetzen: bei Regeln, Daten oder Verantwortlichkeiten?

Wie Sie jetzt mit Zuversicht vorgehen

Diese Untersuchung zeigt einen klareren Weg nach vorn. Behandeln Sie KI-Reife als kontextabhängig, nicht als einheitliche Leiter. Erkennen Sie an, dass „KI-Führerschaft“ unterschiedliche Ausprägungen haben kann, mit jeweils eigenen Stärken und Grenzen. Und konzentrieren Sie sich darauf, wo Steuerbarkeit tatsächlich gegeben ist, bevor Automatisierung auf breitere Workflows ausgeweitet wird.

In einem ungleich verteilten Markt entsteht Fortschritt durch Orchestrierung. Wird KI mit klaren Regeln, eindeutiger Verantwortlichkeit und einer belastbaren Datenbasis eingesetzt, schafft Geschwindigkeit Wert statt Risiko.

Praktisch bedeutet das für CFOs, die zentrale Frage zu verschieben: weg von „Wie schnell können wir KI einführen?“ hin zu „Wo können wir heute Arbeit sicher delegieren?“

1) Vor dem Skalieren diagnostizieren
Ordnen Sie Ihre aktuellen KI-Anwendungsfälle den Realitäten im Finanzbereich zu. Wo beeinflusst KI bereits Entscheidungen, Freigaben oder Klassifizierungen? Welche davon würden Sie morgen unter Audit verteidigen?

2) Den ersten Engpass identifizieren
Benennen Sie klar, was Skalierung aktuell begrenzt. Sind es fehlende Regeln, unklare Verantwortlichkeiten, fragmentierte Daten oder inkonsistente Prozesse? In der Regel ist nur eines davon der tatsächliche Blocker.

3) Minimale Leitplanken definieren, keine perfekte Governance
Setzen Sie klare Grenzen für den Einsatz von KI: erlaubte Aufgaben, Eskalationsschwellen, Protokollierungspflichten und klare Verantwortung für Ergebnisse. Es geht um vertretbare Delegation, nicht um den Aufbau eines Governance-Apparats.

4) KI-Ausweitung an vertrauenswürdige Daten koppeln
Priorisieren Sie Anwendungsfälle, bei denen Stammdaten, Transaktionshistorie und Integrationen stabil genug sind, um konsistente Ergebnisse zu ermöglichen. KI skaliert dort, wo Daten bereits nutzbar sind.

5) Expansion bewusst sequenzieren
Erweitern Sie KI nur so schnell, wie Kontrollen und Daten es zulassen. Jeder neue Workflow sollte mehr delegierte Arbeit ermöglichen, als er zusätzliches Risiko erzeugt.

Dieser Ansatz macht KI-Einführung zu einer operativen Entscheidung statt zu einem Wettlauf. Er führt auch zur nächsten Frage, die der folgende Report dieser Reihe direkt adressiert: Welche Teile des Operating Stacks fehlen selbst bei Organisationen, die sich als Leader bezeichnen, wenn KI nicht skaliert?

Im nächsten Report gehen wir gezielt in die Gruppe der „KI-Leader“ hinein und untersuchen, was tatsächlich darüber entscheidet, ob KI innerhalb von Finanz-Workflows skaliert. Wir blicken hinter die Labels und analysieren den Operating Stack selbst: Ausführung, minimale Regeln, Skills, Budget und Datenreife.

Wenn Sie sehen möchten, wie steuerbare KI in realen Finanz-Workflows aussieht, entdecken Sie, wie Payhawk KI mit eingebauten Kontrollen, Audit-Trails und klarer Verantwortlichkeit einsetzt. Sie sehen konkrete Beispiele dafür, wie KI Delegation unterstützt, ohne Freigaben, Richtliniendurchsetzung oder Audit-Bereitschaft zu schwächen – basierend darauf, wie Payhawk KI in Ausgaben-, Accounts-Payable- und Financial-Control-Workflows einsetzt.

Methodik:

Auf Basis bestätigender Aussagen, die in enger Zusammenarbeit mit Finanz- und Business-Verantwortlichen entwickelt wurden, führte IResearch Interviews in acht Ländern durch. Ziel war es, reale operative Gegebenheiten und Herausforderungen authentisch abzubilden.

Abdeckung umfasste:

• Regionen: DACH, EU, Spanien, Frankreich, Benelux, UK & Irland, Vereinigte Staaten*
• Seniorität: C-Level, VPs, Directors sowie erfahrene Individual Contributors*
• Funktionen: Finance, Accounting, Sales, HR, Procurement*
• Branchen: Services, Digital, Industrie, Healthcare, Bildung & Non-Profit, B2C*
• Unternehmensgröße: 50–100 FTE, 101–250 FTE, 251–500 FTE, 501–1.000 FTE und 1.000+ FTE*