foto magnific

Management Summary

Viele CFO-Organisationen investieren 2026 weiter massiv in KI, erzielen aber keinen belastbaren Wertbeitrag. Der Engpass liegt nicht in der Technologie, sondern in fehlender Governance, fragmentierten Datenmodellen und einer falschen Verortung von KI als IT-Thema statt als Fachtransformation. Wer jetzt umsteuert, sollte das Fundament priorisieren: integrierte Datenbasis, klare Steuerungslogik und eine Umsetzung, die Business Case, Datensouveränität und schnelle Operationalisierung zusammenführt.

Problem: Hohe KI-Investitionen bleiben in Proof-of-Concepts stecken; messbarer ROI, Skalierung und Verankerung im Finance Operating Model bleiben aus.
Ursache: Fehlende Governance, inkonsistente Daten und die Verwechslung von Reporting mit echter Steuerung verhindern belastbare KI-Anwendungen im Controlling.
Priorität: CFOs sollten zuerst das fachliche und datenlogische Fundament stärken und Umsetzungspartner an Prototyp, Business Case und Datensouveränität messen.

Der KI-Hype kostet Unternehmen oft Millionen, die ohne messbaren Effekt verpuffen: Fast die Hälfte der Unternehmen, die sich selbst als KI-Vorreiter einschätzen, verfügt nicht über die Governance-Grundlagen, um KI sicher in Finanzprozesse zu integrieren. Zugleich kann nur rund die Hälfte der befragten Finanzverantwortlichen den ROI ihrer KI-Initiativen überhaupt beziffern – und wo er gemessen wird, erreicht er bei der Mehrheit weniger als die Hälfte des oft selbstgesetzten Zielwerts von 20 Prozent. Nur jedes fünfte Finance-Team erreicht diese Zielmarke. Für Fabian Eigelt, Managing Partner von SET Management Consulting, liegen die Ursachen auf der Hand. »Die Lücke zwischen Ambition und Wirksamkeit ist kein Technologieproblem, sondern ein Transformationsproblem: KI wird zu oft als IT-Projekt gedacht, Reporting mit Steuerung verwechselt, das fachliche Fundament vernachlässigt. Wer KI im Controlling erfolgreich einsetzen will, braucht drei Dinge: ein integriertes Datenmodell, eine klare Governance und Entscheider, die KI als Business Enabler verstehen – und nicht als ausgefallenes IT-Projekt.«

Kaum ein Vorstandsthema wird derzeit so intensiv diskutiert – und so häufig missverstanden – wie der Einsatz von Künstlicher Intelligenz in der Finanzfunktion, eingebettet in eine konsequente End-to-End-Digitalisierung von Prozessen und Datenmodellen [1]. Investitionsbereitschaft und Erwartungen an ROI, Effizienz und Steuerungsqualität sind hoch.

Die Realität in den Maschinenräumen vieler CFO-Organisationen aber sieht anders aus: Prototypen bleiben im Proof-of-Concept hängen. Use Cases erzeugen keinen messbaren Geschäftsnutzen. Und neue Tools entfalten ihren Nutzen nicht, weil bestehende Datensilos sie ausbremsen – jene Silos, die mit S/4HANA und einem harmonisierten Datenmodell eigentlich aufgelöst werden sollten.

Was sich in den Bilanzen vieler CFO-Organisationen aufgebaut hat, ist eine Form von technischer Verschuldung – mit messbaren Folgen. Der CFO AI Readiness Report 2026 des Fintechs Payhawk – basierend auf einer globalen Befragung von 1.520 Führungskräften – spricht von »Regelschulden« und »Datenschulden«: fehlende Governance auf der einen, inkonsistente Datenbasis auf der anderen Seite [2]. 45 Prozent der selbsternannten KI-Vorreiter verfügen laut der Studie nicht über grundlegende Governance-Regeln; nur 26 Prozent erfüllen alle fünf operativen Anforderungen, die KI von der Einführungsphase in den Regelbetrieb überführen.

Eine Untersuchung von Boston Consulting unter Finanzvorständen kommt zum Ergebnis, dass nur 45 Prozent den ROI ihrer KI-Initiativen quantifizieren können – von ihnen verzeichnet ein Drittel Renditen unter 5 Prozent, ein weiteres Viertel zwischen 5 und 10 Prozent [3]. Die von vielen Unternehmen angesetzte Schwelle von 20 Prozent wird damit in der Mehrheit deutlich unterschritten.

Eine Spendesk-Erhebung aus dem ersten Quartal 2026 ergänzt das Bild: 85 Prozent der CFOs halten KI für einen zentralen Effizienzhebel, doch 61 Prozent der Finanzteams haben die Technologie noch nicht in ihre Arbeitsweise integriert [4].

Die Lücke zwischen Ambition und Wirksamkeit ist kein Technologieproblem. Sie ist ein Transformationsproblem.

Drei Denkfehler, die KI-Strategien im Finanzbereich aushebeln

KI wird als IT-Projekt gedacht, nicht als Fachtransformation.
Wer ein KI-Programm der IT-Organisation überstülpt, hat die erste strategische Weiche falsch gestellt. Finanzberichte, Forecasts, Maßnahmenlogiken – das sind fachlich tief verankerte Arbeitsgegenstände. Sie lassen sich ohne Controlling, Accounting und Fachbereichs-Commitment weder automatisieren noch sinnvoll mit Agenten unterstützen. Der blinde Fleck: Technologie wird beschafft, bevor der fachliche Zielkorridor definiert ist.
Reporting wird mit Steuerung verwechselt.
In vielen Organisationen existiert die Hoffnung, KI möge auf einer bestehenden Datengrundlage endlich jene Antworten liefern, die das Reporting selbst nie geben konnte. Doch Reporting bildet ab. Steuerung entscheidet. KI wird erst dann zum Entscheidungsinstrument, wenn klar ist, welche Werttreiber und Maßnahmenhebel überhaupt steuerungsrelevant sind – und welche lediglich im Datensatz sichtbar werden. Reporting-Modelle und Steuerungsmodelle müssen Hand in Hand arbeiten. Reporting allein erfüllt die Steuerungsanforderungen nicht.
KI wird als Autopilot verkauft, nicht als Entscheidungssystem mit sauberer Daten- und Governance-Basis.
Besonders gefährlich ist die Erzählung, KI ersetze die Aufräumarbeit am Fundament. Das Gegenteil ist der Fall. Wer integrierte Datenmodelle und ein abgestimmtes Target Operating Model gebaut hat, kann mit wenigen Agenten elegant Root-Cause-Analysen fahren, Forecasts ableiten und Maßnahmen simulieren [5]. Wer dagegen auf einem Flickenteppich aus Silosystemen sitzt, braucht plötzlich zwanzig Subagenten – und wundert sich, dass deren Aussagen widersprüchlich werden. Die KI halluziniert dann nicht. Die Datengrundlage ist schlecht. Je integrierter das Fundament, desto größer der Hebel und die Wirksamkeit.

Volatilität verschärft das Grundproblem

Hinzu kommt eine Marktlage, die den sauberen Aufbau erschwert. Zölle, geopolitische Brüche, Restrukturierungsdruck in Energie- und Automobilindustrie – der CFO des Jahres 2026 steuert durch Dauerungewissheit. In dieser Gemengelage wird fast jeder KI-Fall am kurzfristigen Euro-Gewinn gemessen. Use Cases, die erst in drei Jahren fundamental wirken, bekommen oft keine Freigabe. Das ist betriebswirtschaftlich nachvollziehbar, strategisch jedoch riskant: Die Arbeit am Fundament ist ein Investitionsthema, kein Effizienzthema. Wer nur dort investiert, wo der Business Case im ersten Jahr unterschrieben wird, baut sich die Zukunft nicht auf, sondern verschiebt sie – bestenfalls. Auf jeden Fall verschafft er dem Wettbewerb einen Vorsprung.

Wie ein integrierter Ansatz tatsächlich Wert schafft

Wie anders das aussieht, wenn das Fundament steht, zeigt ein Reporting-Prototyp, an dem SET gemeinsam mit einem Technologiepartner arbeitet [6]. Grundlage für das AI-Empowered Financial Reporting ist ein integriertes Finanzdatenmodell, auf dem alle Finanzinformationen in derselben Struktur vorliegen. Die Dashboards für die Profitabilitätsanalyse werden im Prototyp nicht mehr über klassische Frontend-Tools zusammengeklickt, sondern über Prompts erzeugt. Wer sich fragt, ob die großen Reporting-Flaggschiffe in ihrer heutigen Form in fünf Jahren noch existieren, bekommt hier eine Ahnung.

Interessanter als die Oberfläche ist aber das, was darunter läuft. Entdeckt ein Controller im Dashboard eine Abweichung, übergibt er den Zellkontext per Klick an einen Chat-Agenten, der die Varianz interpretiert, Ursachen entlang der Profit & Loss herleitet und bei Bedarf in granularere Ebenen drillt. Aus dieser Analyse heraus lässt sich unmittelbar eine Maßnahme definieren – mit Region, Profit Center, Mengen- und Preisveränderung. Der Agent berechnet die Forecast-Wirkung in derselben Datenstruktur wie die Ist-Daten. Ein separates Forecast-Tool wird nicht mehr benötigt. Aus Root-Cause-Analyse (Ursachenanalyse) wird unmittelbar Closed-Loop-Steuerung (geschlossener Steuerungskreislauf).

Der eigentliche Unterschied liegt in der Architektur des Vertrauens. Das bedeutet: in der Frage, was die KI tut und was der Code tut – und genau diese Trennung ist die Grundlage für Vertrauen in die Ergebnisse. Mathematische Operationen laufen zu 100 Prozent deterministisch über geprüften Code ab – nicht probabilistisch über das Sprachmodell. Die KI interpretiert und kommentiert, sie rechnet nicht auf Verdacht. Kontextwissen – Geschäftsmodell, Besonderheiten einzelner Werke, KPI-Definitionen – wird den Agenten über strukturierte Memory-Ebenen an die Hand gegeben. So entstehen rollenspezifische Sichten: Beispielsweise liefert ein Produktionscontroller-Agent dem Group-Controller binnen Sekunden die Antwort, für die er sonst Tage gewartet hätte. Der Mensch bleibt im Loop: Er entscheidet, was freigegeben wird.

Solche Architekturen entstehen nicht über Nacht – und schon gar nicht aus dem Werkzeugkasten eines einzelnen IT-Anbieters. Sie verlangen das Zusammenspiel aus fachlicher Steuerungslogik, Datenmodell-Verständnis und KI-Architektur. Genau hier entscheidet sich, ob ein KI-Programm wirkt oder ein Millionengrab wird – und genau hier liegt die wahrscheinlich folgenreichste Einzelentscheidung des Vorstands: die Wahl des Umsetzungspartners.

Checkliste: Woran Entscheider den richtigen Umsetzungspartner erkennen

Die wahrscheinlich folgenreichste Einzelentscheidung aber ist die Wahl des Partners in einer KI-Transformation der Finanzfunktion. Sechs Kriterien trennen den seriösen Begleiter vom Buzzword-Anbieter:

Fachliche und technologische Tiefe in Personalunion.
Verlangen Sie nicht Berater, die entweder CFO-Agenda oder KI-Technologie beherrschen, sondern beides. Nur wer Monatsabschluss, Forecast-Prozess und Steuerungslogik im Detail versteht, kann entscheiden, wo ein Agent mehr Wert stiftet als ein klassisches Tool – und wo nicht.
Einfache Sprache statt Buzzword-Gewitter.
Wer Ihnen in den ersten zwanzig Minuten fünf Anglizismen an den Kopf wirft, ohne Ihr spezifisches Problem präzise zurückzuspiegeln, wird es auch im Projekt nicht tun. Ein guter Berater paraphrasiert Ihre Herausforderung, bevor er über Lösungen spricht.
Ein vorzeigbarer Prototyp – kein Hochglanzdeck.
Lassen Sie sich konkret zeigen, wie eine Lösung heute funktioniert. Fragen Sie, ob sich das auf Ihre Systeme und Datenwelt übertragen ließe. Eine Diskussion über einen laufenden Prototyp ist aussagekräftiger als Hypothesen auf schönen Folien.
Ein klar kalkulierter KI-Business-Case.
Ein seriöser Anbieter erklärt, wofür Sie tatsächlich Geld ausgeben: Token-Kosten bei API-Anbindung an große Modelle, Infrastrukturkosten bei lokal gehosteten LLMs, Break-Even-Punkte in Abhängigkeit vom Nutzungsgrad. Fehlt dieser Dialog, fehlt die Seriosität.
Garantierte Datensouveränität, realistisch kommunizierte Aussagequalität.
Ihre Daten müssen und sollten das Unternehmen nicht verlassen – lokal gehostete Modelle sind Standard. Was kein seriöser Anbieter versprechen kann: dass jede probabilistische Antwort einer KI zu 100 Prozent identisch reproduzierbar ist. Wer das behauptet, verkauft ein Risiko. Worauf es ankommt, ist Kontext-Schärfung zu einem belastbaren Gütegrad – und ein deterministischer Rechenkern darunter.
Ein scharf abgegrenztes MVP statt Millionen-Vorschuss.
Der beste Qualitäts-Check ist ein zehntägiger Test: Sie stellen unkritische Daten zur Verfügung, der Partner baut in einer sicheren Umgebung etwas Greifbares, Sie sehen den Mehrwert selbst. Zehn Tage verloren sind verschmerzbar. Fünf Millionen für einen Piloten, der nie in den Betrieb findet, nicht.

Was Entscheider morgen früh anpacken sollten

Wer heute Verantwortung in einer CFO-Organisation trägt, sollte sich nicht der Illusion hingeben, man könne die Entscheidung über KI an einen Use-Case-Beauftragten delegieren. Das Thema gehört auf C-Level – mit Ressourcen, Energie und persönlicher Rückendeckung. Es verlangt zentrale Governance als Ermöglicher, nicht als Bremse. Denn nur so können dezentral Assistenten entstehen, ohne neue Silos zu bauen. Und es verlangt die ehrliche Frage, ob das fachliche Fundament trägt.

Ob ein Unternehmen seine KI-Investitionen in den nächsten Jahren in Wirkung umsetzt oder weiter Millionen verbrennt, entscheidet sich nicht in der Tool-Auswahl. Es entscheidet sich daran, ob das Fundament steht – und ob die Geschäftsführung den Mut hat, das Fundament zu finanzieren.

Fabian Eigelt

Fabian Eigelt ist Managing Partner der SET Management Consulting GmbH in Frankfurt am Main , einer meinungsstarken Boutique-Beratung für ganzheitliche Transformationen an der Schnittstelle von Finance, Organisation und Technologie. SET begleitet DAX-Konzerne und den Mittelstand vom strategischen Zielbild über Governance und Change bis zur Implementierung – mit besonderer Tiefe in der CFO-Agenda. Kontakt (https://www.set-mc.com/kontakt)

[1] https://set-mc.com/consulting-services/digital-empowered-business

[2] https://payhawk.com/en-us/blog/finance-leaders-lack-ai-use-rules

[3] https://bcg.com/publications/2025/how-finance-leaders-can-get-roi-from-ai

[4] https://spendesk.com/de/blog/ki-im-finanzwesen/

[5] https://www.set-mc.com/success-story/aufbau-und-weiterentwicklung-eines-integrierten-finanzdatenmodells-fur-konzern–einzelabschluss

[6] https://www.set-mc.com/set-products/ai-empowered-financial-reporting

Häufig gestellte Fragen (FAQ)

Was bedeutet »AI-empowered Financial Reporting«?

AI-empowered Financial Reporting beschreibt einen Ansatz, bei dem KI-Agenten auf einem integrierten Datenmodell aufsetzen und Reports, Root-Cause-Analysen sowie Forecast-Simulationen in einer einzigen Arbeitsumgebung ermöglichen. Mathematische Operationen laufen deterministisch, die KI interpretiert und kommentiert.

Warum scheitern so viele KI-Projekte im Finanzwesen?

Die häufigsten Gründe sind fehlende Governance («Regelschulden«), inkonsistente Datenbasis («Datenschulden«) und ein Verständnis von KI als IT-Projekt statt als Fachtransformation. Ohne integriertes Datenmodell bleibt jede KI auf einem Flickenteppich aus Silosystemen wirkungslos.

Welcher ROI ist bei KI im Controlling 2026 realistisch?

Laut BCG-Finance-Survey 2025 können nur 45 Prozent der Finanzverantwortlichen den ROI ihrer KI-Initiativen quantifizieren; von ihnen erreichen rund ein Drittel weniger als fünf Prozent Rendite, ein weiteres Viertel liegt zwischen fünf und zehn Prozent – deutlich unter der von vielen angesetzten 20-Prozent-Schwelle. Höhere Renditen sind möglich, setzen aber belastbare Datengrundlagen und klare Governance voraus.

Was unterscheidet eine seriöse KI-Beratung von einer Buzzword-Beratung?

Fachliche und technologische Tiefe in Personalunion, ein vorzeigbarer Prototyp, ein transparent kalkulierter Business Case (inklusive Token-Kosten und Break-Even), garantierte Datensouveränität sowie die Bereitschaft, mit einem abgegrenzten MVP zu starten, statt einen Millionenvorschuss zu verlangen.

Muss ich meine Daten ins Ausland senden?

Nein. LLM-Modelle lassen sich lokal hosten – die Daten verlassen das Unternehmen nicht. Ein seriöser Anbieter macht Datensouveränität zur Grundvoraussetzung und stellt das technisch sicher.

343 Artikel zu „CFO KI“

Ausgabe 3-4-2026 | News | Business | Effizienz | Künstliche Intelligenz

Fünf Gründe, warum KI für CFOs zur Führungsfrage wird: KI rechnet sich – oder sie scheitert

3. Mai 2026

Künstliche Intelligenz (KI) ist für CFOs von einer experimentellen Technologie zu einer zentralen Führungs‑ und Steuerungsfrage geworden. Angesichts von Volatilität, Effizienzdruck und Regulierung reicht »Pilotieren« nicht mehr aus; KI muss messbaren wirtschaftlichen Nutzen (ROI) liefern. Fünf Handlungsfelder zeigen wie CFOs KI pragmatisch, kontrolliert und wertschöpfend einsetzen können.