8 Finanz-Workflows, die längst AI Agents sein sollten (und einer, der es nicht sein sollte)

Die meisten Finanzteams wissen bereits, welche Aufgaben ihnen die Zeit rauben. Der Drei-Wege-Rechnungsabgleich erfordert enormen Aufwand. Spesenprüfungen, Compliance-Dokumente von Lieferanten und monatliche Journalbuchungen, die in jedem Abschlusszyklus mühsam in einer Tabelle zusammengefügt werden, belasten die Teams zusätzlich. Dies sind keine unklaren Entscheidungen, die ein hohes Maß an individuellem Ermessen erfordern. Es handelt sich um repetitive, regelbasierte Prozesse, die jedes Mal derselben Logik folgen – und dennoch werden sie weiterhin von Mitarbeitern erledigt, die ihre Zeit für wertvollere Aufgaben nutzen könnten.

Die gängige Rechtfertigung lautet, dass die Finanzabteilung zu sensibel für eine Automatisierung sei und das Risiko eines Fehlers die Kosten für eine manuelle Bearbeitung übersteige. Doch dieses Argument vermengt zwei völlig unterschiedliche Dinge: Prozesse, die menschliches Urteilsvermögen erfordern, und Prozesse, die zufällig noch von Menschen ausgeführt werden. Der Großteil der täglichen Arbeit von Finanzteams fällt in die zweite Kategorie. Gartner schätzt, dass 42 % der Finanzaktivitäten vollständig und weitere 34 % weitgehend automatisiert werden könnten. Die Technologie ist nicht der Flaschenhals. Die Hürde liegt darin, zu wissen, wo man anfangen soll, und zu verstehen, was KI-Agenten anders machen als RPA-Skripte und Makros, die dieses Problem bereits zuvor nicht lösen konnten.

1. Drei-Wege-Rechnungsabgleich

Drei-Wege-Abgleich bedeutet, eine Bestellung, einen Wareneingang und eine Lieferantenrechnung miteinander zu vergleichen, um sicherzustellen, dass Bestellung, Lieferung und Abrechnung übereinstimmen. In der Theorie ist das unkompliziert. In der Praxis ist es eine der zeitaufwendigsten Aufgaben in der Kreditorenbuchhaltung, da die drei Dokumente selten im gleichen Format, zum gleichen Zeitpunkt oder mit identischen Positionsbeschreibungen eingehen.

Warum es immer noch manuell läuft: Kreditrenteams werden Ihnen sagen, dass der Abgleich bereits „automatisiert“ ist, weil ihr ERP-System Abweichungen meldet. Aber eine Abweichung zu melden und sie zu beheben, sind zwei völlig unterschiedliche Probleme. Das ERP-System erkennt die Differenz. Ein Mensch muss jedoch immer noch drei Dokumente öffnen, prüfen, ob es sich um einen Rundungsfehler, eine Teillieferung, eine Preisaktualisierung oder einen echten Abrechnungsfehler handelt, und dann entscheiden, wie weiter verfahren wird. Untersuchungen des APQC zeigen, dass durchschnittlich performende Unternehmen immer noch 6,30 $ für die Bearbeitung einer einzelnen Rechnung ausgeben, während die Top-Performer bei 2,07 $ liegen. Diese Lücke ist fast ausschließlich auf Personalkosten bei der Ausnahmebehandlung zurückzuführen.

Was ein KI-Agent anders macht: Ein KI-Agent gleicht nicht nur stupide Felder ab. Er liest unstrukturierte Rechnungen (PDFs, gespannte Dokumente, E-Mail-Anhänge), extrahiert die relevanten Daten, gleicht sie mit Bestellungen und Belegen im ERP-System ab und löst gängige Ausnahmen selbstständig. Eine Mengenabweichung von 2 % bei einer Bestellung im Wert von 200 $ erfordert keinen Menschen. Eine Preisabweichung, die zu einer bekannten Vertragsänderung passt, erfordert ebenfalls keinen manuellen Eingriff. Der Agent kümmert sich um diese Fälle, lernt aus den Korrekturen, die Menschen bei tatsächlich unklaren Fällen vornehmen, und leitet nur die echten Probleme an das Kreditorenteam weiter.

2. Prüfung und Freigabe von Spesenabrechnungen

Jedes Unternehmen ab etwa 50 Mitarbeitern nutzt eine Variante dieses Prozesses: Mitarbeiter reichen Spesenabrechnungen ein, ein Manager genehmigt sie, und die Finanzabteilung prüft sie vor der Erstattung auf Richtlinienkonformität. Bei der Compliance-Prüfung geht die meiste Zeit verloren. Jemand vergleicht Belege mit den Reiserichtlinien, prüft die Verpflegungspauschalen für die jeweilige Stadt, markiert Mahlzeiten, die das Limit überschreiten, und stellt sicher, dass die Projektcodes korrekt sind.

Warum es immer noch manuell läuft: Die meisten Unternehmen haben versucht, dies mit regelbasierten Spesentools zu automatisieren, und diese Tools erkennen auch die offensichtlichen Verstöße. Aber Spesenrichtlinien haben Grauzonen. Ein Geschäftsessen für 75 $ in New York ist angemessen. Ein Geschäftsessen für 75 $ in Des Moines ist einen zweiten Blick wert. Genau bei dieser Art von kontextuellem Urteilsvermögen scheitern regelbasierte Systeme, weshalb Manager am Ende doch wieder alles manuell prüfen.

Was ein KI-Agent anders macht: Ein Agent kann jeden Spesenposten anhand der gesamten Richtlinie bewerten, einschließlich der kontextuellen Faktoren, die starre Regeln nicht erfassen können. Er kann Muster in verschiedenen Berichten erkennen (z. B. wenn derselbe Mitarbeiter jeden Monat grenzwertige Spesen einreicht), 80 % der Spesenposten, die eindeutig richtlinienkonform sind, automatisch freigeben und die restlichen 20 %, die tatsächlich eine menschliche Prüfung erfordern, mit einer kurzen Begründung vorlegen. Mit der Zeit lernt er, welche Ausnahmen Manager consistently genehmigen und welche sie ablehnen, sodass die Freigabeliste kürzer statt länger wird.

3. Lieferanten-Onboarding und Compliance-Prüfungen

Einen neuen Lieferanten im System anzulegen bedeutet, Steuerformulare wie W-9 oder W-8BEN-E einzuholen, Umsatzsteuer-IDs zu prüfen, Sanktionslisten abzugleichen, Versicherungsnachweise zu kontrollieren, Bankverbindungen zu bestätigen und alles im ERP-System zu erfassen. Für Unternehmen mit einem aktiven Einkauf geschieht dies dutzende Male im Monat.

Warum es immer noch manuell läuft: Das Onboarding von Lieferanten betrifft mehrere Systeme (Einkauf, Recht, Finanzen, Compliance), und die Dokumente treffen in unterschiedlichen Formaten von externen Parteien ein, auf die Sie keinen Einfluss haben. Die meisten Onboarding-Module im ERP setzen strukturierte Dateneingaben voraus. Was jedoch tatsächlich ankommt, ist ein Mix aus PDFs, Scans und E-Mail-Anhängen in höchst unterschiedlicher Qualität und Vollständigkeit.

What an AI agent does differently: Der Agent steuert den gesamten Onboarding-Workflow. Er sendet dem Lieferanten eine strukturierte Anfrage für die erforderlichen Dokumente, extrahiert die Informationen aus jedem bereitgestellten Format, validiert Steuer-IDs mit Behördendatenbanken, führt Sanktionslisten-Prüfungen durch, meldet fehlende oder abgelaufene Dokumente und legt den Lieferanten-Stammdatensatz an. Wenn Unterlagen unvollständig sind, hakt er automatisch nach. Das Compliance-Team wird nur dann eingeschaltet, wenn es eine tatsächliche Warnmeldung gibt und nicht, weil ein Steuerformular Formatierungsfehler aufweist.

4. Intercompany-Abstimmung

Unternehmen mit mehreren Tochtergesellschaften oder rechtlichen Einheiten müssen Transaktionen untereinander abstimmen. Dabei wird das, was Einheit A als Verkauf an Einheit B gebucht hat, mit dem abgeglichen, was Einheit B als Kauf von Einheit A erfasst hat. Abweichungen durch zeitliche Verschiebungen, Währungsumrechnungen und inkonsistente Sachkontokodierungen machen dies zu einem der mühsamsten Schritte beim Finanzabschluss.

Warum es immer noch manuell läuft: Die Intercompany-Abstimmung umfasst oft verschiedene ERP-Instanzen, unterschiedliche Kontenrahmenstrukturen und abweichende Buchungsregeln zwischen den Einheiten. Die Differenzen sind im buchhalterischen Sinne selten Fehler. Es handelt sich meist um zeitliche oder klassifikatorische Unterschiede. Jemand muss die Transaktion manuell durch zwei oder mehr Systeme verfolgen und feststellen, ob der Unterschied real ist oder nur darauf zurückzuführen ist, wann und wie gebucht wurde.

Was ein KI-Agent anders macht: Ein Agent verbindet sich mit den Hauptbüchern der einzelnen Einheiten, ordnet Transaktionen über verschiedene Kontenrahmen hinweg zu, identifiziert passende Paare, klassifiziert Differenzen nach Typ (zeitlich, FX, Kodierung) und löst die vorhersehbaren Fälle automatisch. Eine zeitliche Verschiebung, bei der Einheit A am 30. März und Einheit B am 1. April gebucht hat, benötigt keinen menschlichen Eingriff. Der Agent bereinigt diese Fälle während des Abschlussprozesses gesammelt und liefert einen sauberen Abstimmungsbericht, in dem nur echte Differenzen zur Prüfung markiert sind. Für Unternehmen, die mit den Fristen des Finanzabschlusses kämpfen, kann dies allein den Prozess um Tage verkürzen.

5. Vorbereitung von monatlichen Journalbuchungen

Zu jedem Monatsende bereiten Finanzteams Dutzende wiederkehrender Journalbuchungen vor: Rückstellungen, Rechnungsabgrenzungen, Abschreibungen, Umlagen. Viele davon folgen Monat für Monat derselben Logik, wobei sich nur die Beträge ändern. Dennoch werden sie in den meisten Unternehmen immer noch manuell erstellt oder aus der Vorlage des Vormonats kopiert und mit neuen Zahlen überschrieben.

Warum es immer noch manuell läuft: Journalbuchungen fühlen sich zu wichtig an, um sie einer Automatisierung zu überlassen, da eine falsche Buchung direkt das Hauptbuch betrifft. Zudem erfordern die Vorlagen oft minimale Anpassungen – hier eine neue Kostenstelle, dort ein geänderter Umlageschlüssel –, was eine vollständig berührungslose Automatisierung mit traditionellen Tools riskant erscheinen lässt.

Was ein KI-Agent anders macht: Der Agent generiert wiederkehrende Buchungen auf Basis der Daten des aktuellen Monats. Er wendet dieselbe Logik wie in den Vormonaten an, zieht jedoch aktuelle Zahlen aus den Nebenbüchern. Er vergleicht jede Buchung mit der Version des Vormonats und markiert alles, was über einen bestimmten Schwellenwert hinaus abweicht (z. B. eine Abschreibung, die sich plötzlich verdoppelt hat, oder eine Rückstellung, die auf null gesunken ist). Der Buchhalter prüft nur noch die markierten Ausnahmen, anstatt 40 Buchungen von Grund auf neu zu erstellen. Dies ist kein einfaches Makro. Der Agent versteht die Buchhaltungslogik, passt sich an Änderungen der zugrunde liegenden Daten an und lernt aus den Korrekturen der Buchhalter.

6. Liquiditätsprognose aus Debitoren- und Kreditorendaten

In den meisten mittelständischen Unternehmen sieht die Liquiditätsprognose so aus: Jemand exportiert Offene-Posten-Listen aus der Debitoren- und Kreditorenbuchhaltung, führt sie in einer Excel-Tabelle zusammen, korrigiert sie um bekannte Zahlungsmuster („dieser Kunde zahlt immer 10 Tage zu spät“) und erstellt eine Prognose, die bereits veraltet ist, wenn sie den CFO erreicht.

Warum es immer noch manuell läuft: Prognosen erfordern die Kombination von strukturierten Daten (Rechnungen, Zahlungsbedingungen) mit unstrukturiertem Erfahrungswissen (Zahlungsverhalten der Kunden, saisonale Muster, bekannte anstehende Ausgaben). Die meisten ERP-Prognosetools beherrschen den strukturierten Teil, vernachlässigen jedoch die Verhaltensebene. Daher füllt ein Mitarbeiter mit internem Know-how diese Lücken manuell.

Was ein KI-Agent anders macht: Ein Agent zieht Debitoren- und Kreditorendaten in Echtzeit ab, legt historische Zahlungsmuster auf Kunden- und Lieferantenebene darüber, berücksichtigt bekannte Verpflichtungen aus Verträgen sowie Bestellungen und erstellt eine rollierende Prognose, die sich kontinuierlich aktualisiert. Wenn sich das Zahlungsverhalten eines Großkunden ändert (z. B. von 25 auf 40 Tage), erkennt der Agent dies und passt die Prognose an, noch bevor die Finanzabteilung den Trend überhaupt wahrgenommen hat. Das Ergebnis ist keine statische Tabelle, sondern eine dynamische Prognose, die die tatsächliche Geschäftsentwicklung widerspiegelt.

7. Klassifizierung und Weiterleitung von Steuerdokumenten

Die Steuersaison und vierteljährliche Meldungen bringen eine Flut von Dokumenten mit sich: Steuerbescheinigungen, Bundesland-Bescheide, Korrespondenz von Finanzbehörden. Diese müssen nach Typ klassifiziert, der richtigen Einheit oder dem richtigen Steuergebiet zugeordnet und an die zuständige Person oder den passenden Workflow weitergeleitet werden. In Unternehmen, die in mehreren Bundesländern oder Ländern aktiv sind, macht das Volumen eine manuelle Sortierung unpraktikabel – und genau das tun viele Steuerteams immer noch.

Warum es immer noch manuell läuft: Steuerdokumente gehen in zu vielen Formaten und aus zu vielen Quellen ein, als dass sie über einfache, regelbasierte Pfade verteilt werden könnten. Ein Bescheid einer Landesfinanzbehörde sieht völlig anders aus als ein Schreiben des Bundeszentralamts für Steuern. OCR-basierte Dokumentenmanagementsysteme können diese zwar digitalisieren, scheitern jedoch an der Klassifizierung, wenn die Formate nicht standardisiert sind.

Was ein KI-Agent anders macht: Der Agent liest eingehende Dokumente, klassifiziert sie nach Typ sowie Zuständigkeit, extrahiert wichtige Datenpunkte (Steuernummer, Zeitraum, Betrag, Einheit) und leitet sie an den entsprechenden Workflow oder das Teammitglied weiter. Er bewältigt das Volumen, das eine manuelle Sortierung unmöglich macht, und erfasst auch Dokumente, die in unerwarteten Formaten oder von neuen Absendern eintreffen. Je mehr Dokumente der Agent verarbeitet, desto genauer wird seine Klassifizierung – insbesondere bei den Sonderfällen, an denen frühere Automatisierungsversuche gescheitert sind.

8. Vertragsverlängerungsverfolgung und Benachrichtigungen

Finanzteams müssen Hunderte von Lieferanten- und Kundenverträgen im Blick behalten – jeder mit unterschiedlichen Laufzeiten, automatischen Verlängerungsklauseln, Kündigungsfristen und Preisanpassungsklauseln. Wird eine Kündigungsfrist verpasst, kann dies bedeuten, dass man ein weiteres Jahr an einen ungünstigen Vertrag gebunden ist oder einen Kunden verliert, weil niemand rechtzeitig das Gespräch gesucht hat.

Warum es immer noch manuell läuft: Verträge liegen in verschiedenen Systemen (CLM-Tools, freigegebene Laufwerke, E-Mails, manchmal auch einfach in einer Schublade), und die entscheidenden Fristen sind in juristischen Formulierungen versteckt, die von Vertrag zu Vertrag variieren. Kalendererinnerungen funktionieren bei fünf Verträgen, aber nicht bei fünfhundert.

Was ein KI-Agent anders macht: Der Agent erfasst Verträge unabhängig von ihrem Speicherort, extrahiert Kündigungsfristen, Verlängerungsbedingungen sowie Preisanpassungsklauseln und führt sie in einem zentralen Tracking-System zusammen. Er sendet in den richtigen Abständen Benachrichtigungen (z. B. 90 Tage vor Ende der Kündigungsfrist, 60 Tage vor einer automatischen Verlängerung, 30 Tage als letzte Warnung) inklusive einer Zusammenfassung der wichtigsten kommerziellen Bedingungen. Sobald der Vertriebsprozess neue Verträge hervorbringt, erfasst der Agent diese automatisch. Keine manuelle Dateneingabe, keine vergessenen Verlängerungen, keine unschönen Überraschungen.

Was nicht automatisiert werden sollte: Die finale Audit-Freigabe

Nicht jede Aufgabe eines Finanzteams sollte an einen KI-Agenten übergeben werden. Die finale Audit-Freigabe – insbesondere die persönliche Beurteilung, ob Finanzberichte im Wesentlichen korrekt und sachgerecht dargestellt sind – ist das beste Beispiel dafür.

Dies ist keine Wissenslücke oder technologische Einschränkung, sondern eine strukturelle Realität. Die Freigabe eines Audits ist für den unterzeichnenden Partner mit persönlicher rechtlicher Haftung verbunden. Regulatorische Rahmenbedingungen schreiben ausdrücklich das professionelle Urteilsvermögen von Menschen bei Wesentlichkeitsschwellen, Fortführungsprognosen und der Bewertung von Schätzungen des Managements vor. Die Beurteilung von Fehldarstellungen ist kein reiner Musterabgleich. Sie erfordert das Abwägen unvollständiger Informationen, die Berücksichtigung möglicher Anreize des Managements und die Anwendung einer professionellen Skepsis, die sich per Definition nicht in Regeln pressen lässt.

KI-Agenten können Prüfern bei der Arbeit, die zu diesem Moment führt, enorm helfen. Sie können 100 % der Transaktionen prüfen, anstatt nur Stichproben zu nehmen. Sie können Anomalien aufdecken, die menschlichen Prüfern entgehen würden. Sie können die Erstellung von Arbeitspapieren automatisieren. Aber das finale Urteil, bei dem ein Mensch mit seiner Unterschrift und seiner Karriere haftet, muss beim Menschen bleiben. Nicht, weil die KI die Daten nicht verarbeiten könnte, sondern weil die Verantwortungsstruktur der Wirtschaftsprüfung eine Person verlangt, die für das Ergebnis geradesteht.

Diese Unterscheidung ist nicht nur akademischer Natur. Sie ist wichtig, weil die Angst, etwas zu automatisieren, das nicht automatisiert werden sollte, Finanzteams oft davon abhält, die oben genannten acht Workflows zu automatisieren, die es absolut sein sollten. Zu wissen, wo die Grenze verläuft, macht es leichter, auf der anderen Seite dieser Grenze aktiv zu werden.

Wo man anfangen sollte

Das Muster hinter allen acht Workflows ist identisch: Der Prozess folgt einer konsistenten Logik, die Inputs sind größtenteils strukturiert (oder können durch Extraktion strukturiert werden) und die Ausnahmen sind so vorhersehbar, dass ein Agent mit der Zeit lernen kann, die meisten davon selbstständig zu lösen. Dass diese Workflows immer noch manuell ablaufen, liegt nicht an fehlender Technologie. Es liegt daran, dass Finanzteams von früheren Automatisierungsversuchen enttäuscht wurden (RPA-Skripte, die bei der kleinsten Formularänderung fehlschlugen, oder Makros, die niemand mehr warten konnte) und verständlicherweise vorsichtig sind.

KI-Agenten gehören zu einer völlig neuen Kategorie von Tools. Sie verlassen sich nicht auf bildschirmgenaue Koordinaten oder starre Wenn-Dann-Regeln. Sie lesen Dokumente, verstehen den Kontext, lernen aus Korrekturen und meistern die Varianz, die frühere Automatisierungen so fehleranfällig gemacht hat. Das Problem ist nicht die Machbarkeit, sondern das Bewusstsein: Die meisten Finanzverantwortlichen wissen, dass ihr Team zu viel Zeit mit Aufgaben verbringt, die eigentlich automatisiert gehören, haben aber kein klares Bild davon, was moderne Agenten-Plattformen tatsächlich leisten können.

Wenn Ihnen zwei oder drei der oben genannten Workflows bekannt vorkommen, ist der nächste Schritt kein sechsmonatiges KI-Strategieprojekt. Wählen Sie stattdessen genau den einen Workflow aus, der den größten Aufwand oder die meiste Zeit kostet, und starten Sie ein gezieltes Pilotprojekt. Die Plattform von Beam AI ist genau für solche Einsätze konzipiert: selbstlernende KI-Agenten, die sich an Ihre bestehenden Systeme anbinden, die Ausnahmen bewältigen, an denen Ihre letzte Automatisierung gescheitert ist, und mit jeder Korrektur durch Ihr Team besser werden.

Die acht Workflows auf dieser Liste sind schon seit Längerem bereit für den Einsatz von Agenten. Die einzige Frage ist, wie viel Zeit Ihr Team noch mit der manuellen Bearbeitung verbringen soll.