KI im Controlling und Finance 2026: was CFOs im Mittelstand wirklich automatisieren koennen

Controlling verbringt 2026 immer noch 60 bis 70 Prozent der Zeit mit manueller Aggregation. 7 Use-Cases, 3 Anti-Pattern und die klare Linie zwischen autonom und Mensch im Loop.

Controlling ist 2026 der Bereich mit dem hoechsten KI-Hebel und gleichzeitig dem geringsten Toleranzbereich fuer Fehler. 60 bis 70 Prozent manuelle Aggregations-Arbeit waeren automatisierbar, aber ein einziger halluzinierter Zahlenwert kann Quartalsberichte und Bank-Termine kippen. Hier ist der Weg, der beides aufloest: 7 Use-Cases, 3 Anti-Pattern, klare Trennung zwischen automatisieren und freigeben.

Warum Finance der heikelste KI-Bereich im Unternehmen ist

In den Sentient-Dynamics-Workshops mit rund 40 DACH-Mittelstaendlern (Maschinenbau, IT-Services, B2B-SaaS, Industrie-Dienstleister) ist das Muster bemerkenswert stabil: Controlling-Teams verbringen 60 bis 70 Prozent ihrer Arbeitszeit mit Daten-Aggregation, Konsolidierung, Reporting-Vorbereitung. Tabellen aus ERP ziehen, Daten in Excel zusammenfuehren, DATEV-Exports abgleichen, Reports formatieren, Vorjahresvergleich bauen. Erst danach beginnt das, was eigentlich CFO-Arbeit ist: Bewertung, Interpretation, Empfehlung.

Diese 60 bis 70 Prozent sind kein Studien-Zitat, sondern ein Workshop-Aggregat aus eigenen Beobachtungen. Aber die Groessenordnung deckt sich mit dem, was in Bitkom-KI-Studien 2025 und im McKinsey State of AI (November 2025) als Bild beschrieben wird: Finance-Funktionen haben hohe Automatisierungs-Potenziale, geringe Adoptions-Tiefe, hohe Risiko-Wahrnehmung. Genau dieser Mix erklaert, warum CFOs zoegern: der Hebel ist offensichtlich, aber das Vertrauen ist nicht da.

Und das ist auch richtig so. Finance vertraegt keine Halluzinationen. Wenn ein Marketing-Text einen Tippfehler hat, korrigierst du ihn. Wenn ein Quartalsbericht eine falsche Zahl hat, hast du ein Compliance-Problem, einen verlorenen Bank-Termin oder einen empoerten Investor. Der Sicherheits-Abstand in Finance ist groesser, und das muss in jedem Use-Case mitgedacht werden.

Die gute Nachricht: der grosse Hebel liegt nicht im "KI rechnet selbst", sondern im "KI holt, sortiert, prueft, bereitet vor". Aggregation und Vorbereitung lassen sich 2026 sehr weit automatisieren. Bewertung und Veroeffentlichung bleiben beim Menschen. Wer diese Trennung sauber zieht, holt einen grossen Teil der 60 bis 70 Prozent zurueck, ohne Vertrauen zu verspielen.

Was 2026 wirklich produktiv laeuft: 7 Use-Cases

Diese sieben Use-Cases haben sich in den Workshops als die Punkte herauskristallisiert, an denen KI im Controlling und Finance Hebel hat. Sie folgen dem typischen Monats-Rhythmus eines Mittelstands-CFOs: von Daten-Sammlung bis Stakeholder-Kommunikation.

1. Daten-Aggregation aus ERP, Excel und DATEV

Der erste Use-Case ist der grosse: das wiederkehrende Zusammenfuehren von Daten aus mehreren Quellen. Ein typischer Mittelstaendler hat ein ERP (Sage, SAP, Microsoft Dynamics, Infor), eine DATEV-Anbindung fuer Buchhaltung, ein bis drei Vorsysteme (Warenwirtschaft, Zeiterfassung, Projekt-Controlling) und eine Sammlung gewachsener Excel-Mappen. Die monatliche Konsolidierung verbraucht in vielen Teams zwei bis vier Personentage, oft mit copy-paste, manuellem Formel-Anpassen und einem nervoesen Letzt-Check.

Ein KI-Agent kann diese Pipeline orchestrieren: er triggert die Exports, prueft die Vollstaendigkeit (sind alle Konten da, sind alle Kostenstellen befuellt?), merged die Daten in das Konsolidierungs-Tableau, markiert Lueckenfelder und produziert das Ergebnis-Sheet. Wichtig: die eigentliche Aggregation laeuft deterministisch (SQL, Python, Excel-Formel), nicht "die KI rechnet". Der Agent steuert nur den Ablauf und prueft die Plausibilitaet. Damit kippt das Halluzinations-Risiko, weil die Zahlen aus regelbasierten Schritten kommen. Ein typischer Effekt aus den Workshops: was vorher drei Tage gedauert hat, ist mit sauberer Pipeline ein halber Tag, und der Controller hat Zeit fuer die Analyse, statt fuer das Zusammenklicken.

2. Reporting-Vorbereitung

Sobald die Daten da sind, kommt der zweite Schritt: Standard-Reports erstellen, Vorjahresvergleich, KPI-Kommentare. Ein KI-System kann hier den Erst-Entwurf produzieren: Tabellen befuellen, Charts vorbereiten, Auffaelligkeiten markieren, vorgeschlagene Kommentare schreiben ("Umsatz Q1 plus 4,2 Prozent vs Vorjahr, Marge minus 1,1 Prozentpunkte, Treiber: Materialkosten Stahl plus 7,8 Prozent"). Der Controller liest, korrigiert, ergaenzt eigene Beobachtungen. Was vorher ein Reporting-Tag mit Tabellen-Bauen war, wird ein halber Reporting-Tag mit Inhalt-Bewerten.

Wichtig auch hier: die Zahlen im Report kommen nicht aus dem LLM, sondern aus dem Aggregations-Sheet. Der LLM-Anteil ist die Formulierung der Kommentar-Vorschlaege und die Format-Aufbereitung. Wer den LLM Zahlen "ausrechnen" laesst, baut sich genau das Halluzinations-Risiko ein, das Finance nicht vertraegt.

3. Forecast-Annahmen pruefen

Der dritte Use-Case ist subtiler, aber wertvoll. Forecasts im Mittelstand entstehen typischerweise durch Vertriebs-Schaetzungen plus Erfahrungswerte plus Bauchgefuehl. Ein KI-System kann die Annahmen gegen externe und interne Signale pruefen: Vorjahres-Saisonalitaet, allgemeine Branchen-Indikatoren, Auftragseingang-Pipeline aus dem CRM, oeffentliche Konjunktur-Daten. Die KI sagt nicht, was der Forecast sein soll. Sie zeigt, an welchen Stellen die Annahme deutlich vom Vorjahresmuster oder von Markt-Signalen abweicht, und fragt: ist das bewusst so?

In den Workshops ist das oft der Use-Case mit dem hoechsten Aha-Effekt: nicht weil die KI die Wahrheit hat, sondern weil sie Annahmen sichtbar macht, die im manuellen Forecast-Prozess nie diskutiert werden. Der CFO bekommt eine bessere Diskussionsgrundlage, nicht eine "richtige" Zahl.

4. Anomalie-Erkennung in Buchhaltung, Debitoren und Lager

Anomalie-Erkennung ist das, was Wirtschaftspruefer seit Jahren in ihren Tools haben (Datenanalyse-Tools wie IDEA oder ACL). Mit aktuellen LLM-gestuetzten Systemen wird das im laufenden Betrieb zugaenglich: ungewoehnliche Buchungs-Muster, doppelte Lieferantenrechnungen, abweichende Zahlungsziele, Lagerbestaende die ploetzlich von der Saisonalitaet abweichen, Debitoren mit unerklaerlich verlaengertem DSO. Der Agent flaggt Auffaelligkeiten, der Controller pruefen.

Die Pflicht: keine Auto-Aktionen. Der Agent darf melden, nicht mahnen. Eine flaggierte Doppel-Rechnung wird vom Menschen angeschaut, nicht automatisch storniert. Aber die Sichtbarkeit kommt frueher, und das ist in den Workshops oft der Use-Case, der binnen ein bis zwei Monaten konkrete Eurobetraege gerettet hat (vermiedene Doppelzahlungen, fruehere Mahnung, bessere Lager-Disposition).

5. Vertrags- und Rechnungs-Pruefung

Eingehende Lieferantenrechnungen, Rahmenvertraege, Service-Vereinbarungen: ein typischer Mittelstaendler hat hunderte bis tausende davon pro Jahr. Eine KI-gestuetzte Pruefung kann Beleg gegen Bestellung abgleichen (Menge, Preis, Konditionen), kritische Klauseln in Neu-Vertraegen finden (Haftungsausschluss, Vertragsstrafen, Kuendigungsfristen) und Fristen in einen Termin-Tracker schreiben. Der Buchhalter oder der CFO bekommt eine vorgepruefte Liste mit Hinweisen, statt jedes Dokument von Hand durchzugehen.

Wichtig fuer Mittelstaendler mit sensiblen Vertraegen: Daten bleiben im DSGVO-konformen System. Claude und ChatGPT Business/Enterprise sowie Gemini Enterprise haben das passende Setup, allerdings mit unterschiedlichen Default-Einstellungen. Claude trainiert standardmaessig nicht auf API- oder Enterprise-Inputs. ChatGPT Business und Enterprise haben einen Opt-in-Toggle fuer Training, der standardmaessig aus ist. Gemini for Workspace und Gemini Enterprise (Business/Standard/Plus) nutzen Eingaben standardmaessig ebenfalls nicht fuers Training; bei Gemini Enterprise Starter und der Consumer-Gemini-App ist der Default abweichend, daher Tenant-Edition pruefen. Pruefe die Einstellungen pro Tenant, statt der Voreinstellung blind zu vertrauen.

6. Liquiditaets-Forecast und Cashflow-Szenarien

Liquiditaet ist die Disziplin, in der Mittelstands-CFOs nachts wach werden. Ein KI-System kann hier Wochen- und Monats-Forecasts unterstuetzen: erwartete Eingangszahlungen aus offenen Posten plus statistische DSO-Modellierung, geplante Ausgaben, Working-Capital-Szenarien (was passiert, wenn der groesste Kunde 14 Tage spaeter zahlt). Auch hier gilt: die Rechnung selbst laeuft deterministisch im Liquiditaets-Tool oder im Sheet. Der KI-Anteil ist die Szenario-Beschreibung, die Annahmen-Pruefung und die Identifikation von Risiken im Working Capital.

Die Workshop-Erfahrung: dieser Use-Case ist die zweite Welle, nicht die erste. Er braucht saubere offene-Posten-Daten und ein stabiles DSO-Modell. Wer ihn ohne diese Daten-Hygiene angeht, baut sich falsche Sicherheit. Wer ihn aufbaut, nachdem Use-Case 1 und 2 stehen, hat einen sehr starken Hebel fuer die CFO-Kommunikation Richtung Bank und Gesellschafter.

7. Investor- und Bank-Kommunikation

Der siebte Use-Case ist Stakeholder-naeher: Reporting-Pakete fuer Banken, Gesellschafter und (bei PE-Mittelstaendlern) den Eigentuemer vorbereiten, Q&A-Listen fuer Bank-Termine schreiben, Kommentare fuer den Geschaeftsbericht entwerfen. Hier ist der LLM gut, weil er aus den vorhandenen Zahlen Narrativ-Vorschlaege macht und auf typische Banker-Fragen ("wie reagiert ihr auf das Materialkosten-Thema?") strukturierte Antworten draftet. Der CFO ueberarbeitet, fuegt Tonalitaet und strategischen Kontext hinzu, gibt frei.

Der Schluessel: kein Auto-Versand. Die externe Kommunikation hat das hoechste Reputations-Risiko, und genau dort gehoert der Mensch in den Loop. Use-Case 7 ist nicht Voll-Autonomie, sondern Beschleunigung der Vorbereitung.

Die Grenze: automatisieren versus freigeben

Aus diesen sieben Use-Cases laesst sich eine klare Regel ableiten, die fuer jeden CFO-Auftrag in Sachen KI gilt: nicht jeder Schritt darf vom Agenten allein gemacht werden. Eine pragmatische Drei-Stufen-Aufteilung hat sich in den Workshops bewaehrt.

Stufe 1, rein aggregierend, autonom. Daten holen, mergen, plausibilisieren, formatieren, Auffaelligkeiten flaggen. Hier darf der Agent allein laufen, vorausgesetzt, die Aggregation ist deterministisch und der Agent triggert/prueft nur. Use-Case 1 in Reinform, Teile von Use-Case 4 (Flagging, nicht Aktion).

Stufe 2, bewertend mit Mensch im Loop. Forecast-Annahmen pruefen, Reports kommentieren, Anomalien priorisieren, Liquiditaets-Szenarien rechnen. Der Agent liefert einen Vorschlag mit begruendeter Empfehlung, der Mensch entscheidet, ob er den Vorschlag uebernimmt, anpasst oder verwirft. Mit Audit-Trail: was hat der Agent vorgeschlagen, was wurde freigegeben, was wurde geaendert. Use-Cases 2, 3, 5, 6 fallen typischerweise hier rein.

Stufe 3, externe Kommunikation, immer Mensch. Reports an Bank, Investor-Briefe, Geschaeftsbericht-Texte, Kommunikation an Wirtschaftspruefer. Der Agent darf vorbereiten, der Mensch verantwortet die Veroeffentlichung. Audit-Trail Pflicht. Use-Case 7 lebt komplett auf dieser Stufe.

Wer diese drei Stufen sauber zieht, vermeidet die zwei haeufigsten Fehler. Erstens: dem Agenten zu wenig zutrauen und ihn auf Stufe 2 in Aufgaben einsperren, die eigentlich Stufe 1 sind (verschenktes Tempo). Zweitens: dem Agenten zu viel zutrauen und Stufe-3-Aufgaben automatisieren (verschenktes Vertrauen, manchmal verschenkter Job).

3 Anti-Pattern, die 2026 Vertrauen zerstoeren

Bei aller Begeisterung fuer Use-Cases ist die Liste der zu vermeidenden Muster genauso wichtig. In den Workshops sind drei davon immer wieder aufgetaucht.

LLM rechnet selbst statt deterministisch zu aggregieren. Der haeufigste Fehler. Ein Controller kippt ein Datenpaket in ChatGPT und fragt "wie hoch ist die Marge?". Das Modell antwortet mit einer Zahl, die plausibel aussieht und gelegentlich um 5 bis 15 Prozent daneben liegt, weil das Modell rundet, Zahlen falsch liest oder Plus-Minus-Operationen halluziniert. LLMs sind keine Rechner. Aggregationen muessen in Code, SQL oder Excel-Formel passieren. Der LLM-Agent orchestriert den Aufruf und prueft das Ergebnis, er rechnet nicht selbst. Wer das einmal verstanden hat, baut Finance-Pipelines deutlich robuster.

Auto-Versand von Investor- oder Bank-Reports ohne CFO-Freigabe. Verstaendlicher Reiz: die monatliche Investor-Mail koennte einfach automatisch rausgehen, sobald der Report fertig ist. Der Schaden, wenn eine falsche Zahl, eine missverstaendliche Formulierung oder ein nicht abgestimmter Ton drin ist, ist groesser als der gesparte Aufwand. Externe Finance-Kommunikation muss durch den CFO oder einen klar autorisierten Stellvertreter. Der Agent bereitet vor, der Mensch klickt Senden.

Kundendaten oder Finance-Daten in Gratis-Tools. Manche Mitarbeiter laden zur Bequemlichkeit Lieferantenrechnungen oder Debitoren-Listen in ein kostenloses ChatGPT-Konto, eine kostenlose Claude-Web-Oberflaeche oder ein Browser-Plugin. Das ist ein DSGVO-Problem (keine Auftragsverarbeitung), ein Datenschutz-Problem (sensible Geschaeftsdaten ausserhalb der Kontrolle) und im naechsten Audit ein Befund. Die Antwort ist nicht "KI verbieten", sondern "ordentlichen Enterprise-Account einrichten und den Mitarbeitern eine bessere Variante anbieten". Wer Use-Case 5 oder 7 produktiv fahren will, muss vorher den Tool-Tenant sauber haben.

Was im 200-1500-MA-Mittelstand realistisch ist

Wenn man die rund 40 Workshop-Faelle nach Praxis-Reife sortiert, ergibt sich eine klare Reihenfolge.

Sofort produktiv-faehig: Use-Case 1 (Daten-Aggregation), Use-Case 2 (Reporting-Vorbereitung), Use-Case 4 (Anomalie-Erkennung). Diese drei haben gemeinsam, dass sie unmittelbar Zeit aus dem Controlling-Team herausnehmen, klares Risiko-Management erlauben (Stufe 1 oder 2) und in der Regel binnen acht bis zwoelf Wochen umsetzbar sind, sofern eine ordentliche Daten-Anbindung besteht.

Brauchen Daten-Hygiene: Use-Case 3 (Forecast-Annahmen), Use-Case 5 (Vertrags-Pruefung), Use-Case 6 (Liquiditaets-Forecast). Diese drei sind hochwertvoll, aber sie scheitern haeufig nicht an der KI, sondern an der Datenqualitaet im Vorsystem. Wer einen halbgar gepflegten Offene-Posten-Bestand hat, baut auf Use-Case 6 keine belastbare Liquiditaetsplanung. Erst Daten-Hygiene, dann KI.

Pilot-tauglich, nicht Voll-Autonomie: Use-Case 7 (Investor- und Bank-Kommunikation). Hier ist der Hebel da, das Risiko aber das hoechste. Anfangen ist sinnvoll, aber als Vorbereitungs-Tool fuer den CFO, nicht als autonomer Output-Kanal.

Womit ein CFO 2026 anfaengt

Wenn nur eine Empfehlung uebrig bleibt, dann diese: starte mit Reporting-Vorbereitung und Anomalie-Erkennung. Das sind die zwei Use-Cases mit dem hoechsten Hebel im Verhaeltnis zum Risiko. Beide sind in zwei bis drei Monaten produktivierbar, beide entlasten das Controlling-Team sichtbar, beide haben einen klaren Mensch-im-Loop-Schritt eingebaut.

Wichtig fuer die ersten Wochen: nicht versuchen, das Mega-Cockpit zu bauen. Eine einzige, gut ausgewaehlte Stelle in der Monats-Routine, an der die KI 60 Prozent der Vorbereitungszeit herausnimmt, ist mehr wert als ein Full-Stack-Projekt, das in neun Monaten Go-Live haben soll. Pilot ueber drei Monate, danach naechster Use-Case. Die zweite Welle (Liquiditaet, Vertrags-Pruefung) profitiert dann von den Daten-Investitionen, die in der ersten Welle ohnehin noetig waren.

Sehr empfehlenswert ist ein Begleitgespraech mit dem Wirtschaftspruefer am Anfang. Nicht als Genehmigungs-Schritt, sondern als Frueh-Klaerung: wie wird der Pruefer die Aggregations-Logik beurteilen, welche Audit-Trails erwartet er, wie dokumentiert ihr Aenderungen. Das spart spaeter die teure Nachjustierung.

Wo der EU AI Act den Finance-Use-Case beruehrt

Der EU AI Act ist 2026 Pflichtthema, aber er ist fuer Finance nicht pauschal das, was er fuer HR ist. Stand heute (Mai 2026) gilt: Finance-Anwendungen sind im Regelfall nicht High-Risk. Standard-Pflichten greifen (Transparenz, gegebenenfalls Kennzeichnung bei externer Kommunikation, dokumentierte Verarbeitung).

Aber es gibt eine Ausnahme, die jeder CFO im Hinterkopf haben sollte: Kredit-Scoring und Bonitaets-Bewertung natuerlicher Personen koennen High-Risk sein. Anhang III Nummer 5b des AI Acts adressiert genau diesen Punkt. Wer im Mittelstand Bonitaets-Bewertung gegenueber natuerlichen Personen (also nicht nur B2B-Kunden, sondern Privatpersonen oder Einzelunternehmer) ueber ein KI-System automatisiert, sollte vor dem Stichtag 02.08.2026 pruefen, ob er in den Anhang-III-Anwendungsbereich faellt. Wenn ja: Risikomanagement-System, Daten-Governance, technische Dokumentation, Aufsicht, alles Pflicht.

Fuer den klassischen Mittelstand-CFO mit B2B-Kunden und ohne automatisierte Bonitaets-Entscheidungen ist die Lage entspannter, aber der Check ist Pflicht. Die Bussgeldstaffel falls relevant: 35 Millionen Euro oder 7 Prozent Jahresumsatz gelten nur fuer verbotene Praktiken nach Artikel 5. High-Risk-Verstoesse stehen bei 15 Millionen oder 3 Prozent, falsche Behoerden-Informationen bei 7,5 Millionen oder 1 Prozent. Wer keine High-Risk-Anwendung hat, lebt mit den Standard-Pflichten. Wer eine hat, ist ab 02.08.2026 in der Pflicht.

Die einfache Faustregel fuer 2026: HR-KI ist regelmaessig High-Risk, Finance-KI nicht pauschal, Kredit-Scoring und Bonitaets-Bewertung sind die zwei Themen in Finance, die einen genaueren Blick verdienen.

FAQ

Halluziniert die KI bei Zahlen? Wenn man sie selbst rechnen laesst, ja. LLMs sind keine Rechner. Aggregationen muessen deterministisch laufen (Code, SQL, Excel-Formel). Der KI-Agent triggert die Aggregation und prueft das Ergebnis, er fuehrt sie nicht selbst aus. Bei dieser Trennung ist das Halluzinations-Risiko praktisch eliminiert, weil keine Zahl aus dem LLM kommt.

Brauche ich eine neue ERP-Anbindung? Meistens nicht, oder zumindest nicht sofort. Die ersten Use-Cases (Aggregation, Reporting-Vorbereitung, Anomalie-Erkennung) laufen oft schon mit den vorhandenen Exports und Schnittstellen. Eine sauberere Anbindung lohnt sich erst, wenn der Pilot bewiesen hat, dass der Hebel da ist und der Engpass tatsaechlich die Daten-Bereitstellung ist.

Was sagt mein Wirtschaftspruefer dazu? Wirtschaftspruefer sind in der Regel nicht gegen KI im Controlling, sie sind gegen schlecht dokumentierte Veraenderungen. Wer Aenderungen an Aggregations-Logiken, KI-gestuetzte Schritte und Mensch-Freigaben sauber dokumentiert (Audit-Trail, Versionierung, Rollen), bekommt typischerweise eine konstruktive Haltung. Frueh einbinden ist guenstiger als spaet nachjustieren.

Was kostet das realistisch? Die Lizenzkosten fuer Enterprise-LLMs liegen 2026 typischerweise im Bereich von ein- bis zweistelligen Euro pro Nutzer und Monat. Die echten Kosten sind nicht die Lizenz, sondern die Einrichtung: Daten-Schnittstellen, Aggregations-Logik, Audit-Trail, Prozess-Anpassung. Realistisch sind im Mittelstand zwischen 30.000 und 150.000 Euro fuer die ersten zwei produktiven Use-Cases inklusive Daten-Hygiene, in zwei bis vier Monaten umsetzbar. Die TCO ueber zwoelf Monate ist im Verhaeltnis zum eingesparten Controller-Aufwand in der Regel klar positiv, sofern man nicht versucht, alles auf einmal zu bauen.

Welche Tools sind heute fuer Finance-Use-Cases geeignet? Es gibt keine pauschale Antwort, aber das Setup-Pattern ist stabil: ein Enterprise-LLM mit klarer Datenschutz-Konfiguration (Claude oder ChatGPT Business/Enterprise oder Gemini Enterprise) plus eine deterministische Aggregations-Schicht (Excel/Python/SQL) plus ein Orchestrierungs-Layer (kann ein einfaches Skript-Tool oder eine Agent-Plattform sein). Wer ein "Finance-spezifisches KI-Tool" sucht, findet 2026 Anbieter, aber Stand heute ist die robusteste Variante das genannte Setup-Pattern mit klaren Verantwortlichkeiten.

Sources

Bitkom KI-Studie 2025
McKinsey State of AI Report (November 2025)
Gartner Press Release 06/2025
MIT NANDA Report 2025
Sentient-Dynamics-Workshop-Aggregat (40 DACH-Mittelstands-Workshops 2025/2026)

Naechster Schritt

Wenn du Reporting-Vorbereitung oder Anomalie-Erkennung in deinem Controlling pilotieren willst, lass uns 30 Minuten reden. Wir schauen gemeinsam, welcher der sieben Use-Cases bei deinem Setup zuerst produktiv-faehig waere, und wie der erste Pilot ohne Risiko fuer Quartalsabschluss und Pruefer-Diskussion aussieht.

Demo-Termin vereinbaren