So gelingen KI-Projekte in der Finanzabteilung: Buy, Build & Blend

Digitalisierung, Automatisierung und Agentic AI sind die treibenden Kräfte für unternehmerischen Erfolg. Große Motivatoren für den KI-Einsatz im Finanzwesen sind dabei vor allem die Erhöhung der Effizienz, gefolgt von Kosteneinsparungen und dem Ausgleich des Fachkräftemangels. (1)

Finanzabteilungen zeigen dahingehend allerdings in vielen Bereichen noch deutliches Verbesserungspotenzial. So liegt der Modernisierungsbedarf im Financial Reporting & Consolidation bei 45%, gefolgt von Revenue & Cost Accounting (37%), Master Data Management (25%), Asset Accounting (25%) und den Closing Operations (13%). (2)

Dabei stehen insbesondere Kostensenkung und Effizienzsteigerung im Fokus. 

Unternehmen, die wiederkehrende Prozesse konsequent automatisieren, können ihre operativen Kosten um 20–30% senken, gleichzeitig durch Automatisierung bis zu 75% weniger Fehler erzielen und in einzelnen Anwendungsfällen dank intelligenter Automatisierung bis zu 90% des manuellen Aufwands reduzieren. (3)
Manuelle Fehler folgen außerdem einem sehr kostspieligen Muster: Die Überprüfung einer Eingabe kostet wenig, eine spätere Bereinigung jedoch kostet das Zehnfache und falsche Finanzberichte führen zu Kosten, die ein Hundertfaches betragen können. Eine schlechte Datenqualität, die häufig eine Folge manueller Eingabefehler ist, kostet Unternehmen im Durchschnitt 12,9 Millionen US-Dollar pro Jahr. (4) Weiters benötigen 50% der Teams über eine Woche für Monatsabschlüsse, was wiederum einen massiven Engpass darstellt. 94% der Abschlussprozesse laufen über Excel anstatt systembasiert und weniger als ein Drittel der Rechnungen werden vollautomatisch verarbeitet. Dadurch entstehen jährlich potenziell mehrere hunderttausend Euro an Kosten. (5)

Inzwischen haben viele Unternehmen die großen Pain Points bereits durch Softwarelösungen adressiert, darunter ERP-Systeme für die Buchhaltung, Treasury-Management-Tools sowie Konsolidierungsplattformen

Was dabei allerdings häufig unterschätzt wird, ist der enorme Hebel für Effizienzsteigerungen in den immer noch manuellen Aufgaben zwischen den Systemen.
Nach wie vor existieren hunderte Workflows, die menschliches Eingreifen erfordern; eine bestehende Herausforderung für effiziente Skalierung!

Unternehmen stehen diesbezüglich vor einer zentralen Entscheidung: 

Die Buy vs. Build Debatte

Bei der Buy vs. Build Entscheidung geht es grundsätzlich darum, ob Unternehmen eine Softwarelösung selbst entwickeln oder eine fertige Lösung von externen Anbietern nutzen wollen. Dabei gilt es, verschiedene wesentliche Faktoren wie Kosten, Zeit, vorhandene Expertise und strategische Ziele zu berücksichtigen, um den für das Unternehmen passenden Weg zu finden. (6)

Die Buy-Strategie

Die Build-Strategie

Allerdings muss es nicht immer ein Trade-off sein. Immer mehr Unternehmen setzen heute nicht nur auf Kaufen oder Eigenentwicklung, sondern kombinieren beide Ansätze miteinander.

Die Blend-Strategie

Dieser sogenannte „Blend“-Ansatz bietet die Flexibilität, dort Standardlösungen zu nutzen, wo sie passen, und individuelle Software dann selbst zu entwickeln, wenn besondere Anforderungen oder Differenzierung nötig sind. Mit dem Aufkommen leistungsfähiger KI-Plattformen (für Generative AI, Automatisierung und Code-Generierung) findet ein spürbarer Shift in Richtung Build und Blend statt. Denn einerseits lassen sich eigene Lösungen schneller und kosteneffizienter umsetzen, andererseits können Standardprodukte gezielt mit KI-gestützten, maßgeschneiderten Komponenten ergänzt werden. So können Unternehmen schneller auf wechselnde Marktanforderungen reagieren, ohne sich auf einen einzigen Weg festlegen zu müssen. (7)

Barrieren bei der Skalierung von KI im Finanzwesen

Um KI im Finanzwesen erfolgreich zu skalieren, reicht es nicht, einfach neue Technologien auf bestehende Prozesse zu legen. Vielmehr müssen Kernprozesse überdacht und die Personalentwicklung aktiv eingebunden werden, um Akzeptanz und echten Mehrwert zu schaffen. Häufig stehen Teams vor der Hürde, auf perfekte und vollständig vernetzte Daten zu warten, obwohl auch mit vorhandenen, teils unvollständigen Daten bereits erfolgreiche Use Cases möglich sind. Zudem verlangsamt der Versuch, die gesamte Finanzfunktion auf einmal „KI-ready“ zu machen, die Umsetzung, während kleine, fokussierte Projekte schneller Mehrwert schaffen. Oft scheitern Projekte daran, dass sie ohne klaren Fahrplan starten und somit nur schwer skaliert werden können.

Ein weiterer zentraler Stolperstein ist mangelndes Change Management: Ohne die aktive Einbindung und Schulung der Mitarbeitenden bleibt die Akzeptanz aus, wodurch der nachhaltige Nutzen ausbleibt. Schließlich kann die Automatisierung fragmentierter und nicht optimierter Prozesse die Komplexität sogar erhöhen und so Skalierungsbemühungen behindern. Finanzleiter, die KI mit der Geschäftsstrategie verknüpfen, klare Prioritäten setzen und Prozesse vereinfachen, schaffen Raum für wertschöpfende Tätigkeiten und sorgen dafür, dass ihre Teams zukunftsfähig aufgestellt sind. (8)

So gelingt KI im Finanzwesen

IT‑Projekte sind zwar oft sehr individuell, doch es gibt klare Muster, in welchen Bereichen KI‑Agenten in Finanzabteilungen zuverlässig Wirkung entfalten. Finanzabteilungen schaffen den größten Mehrwert durch KI insbesondere in drei Kernbereichen: der strategischen Planung und Steuerung, dem Cash- und Working-Capital-Management sowie der Kostenoptimierung.

• Strategische Planung und Steuerung:

KI-gestützte Tools helfen Finanzteams, schneller auf wichtige Unternehmensdaten zuzugreifen, Prognosen zu erstellen und verschiedene Szenarien durchzuspielen. Sie liefern gezielte Benachrichtigungen, ermöglichen Ursachenanalysen und fassen Informationen aus unterschiedlichen Quellen zusammen. So gewinnen CFOs eine ganzheitliche und vorausschauende Sicht auf das Geschäft. Beispielsweise spart ein Konsumgüterunternehmen mit einem solchen KI-Assistenten rund 30% der Zeit im Reporting ein.

• Cash- und Working-Capital-Management:

Agentische KI überwacht automatisch die Einhaltung von Vertragsbedingungen in Rechnungen, erkennt Rabatte, Staffelpreise und kumulative Effekte über mehrere Belege hinweg. Ein globales Biotechunternehmen konnte so „Contract Leakage“ von etwa 4% des Einkaufsvolumens aufdecken und seine Marge deutlich verbessern.

• Kostenoptimierung:

KI klassifiziert Ausgaben automatisch sehr detailliert und macht so ineffiziente Zahlungen und Verschwendung sichtbar. Beispielsweise senkte eine große europäische Finanzinstitution dank KI-basierten Analysen indirekte Ausgaben um rund 10%, besonders in den Bereichen Energie, Reisen und Facility Management.

Ergänzende Best Practices für KI-Projekte

• KI nicht als reines IT-Projekt sehen

Erfolgreiche Projekte werden von den Fachabteilungen geführt, IT unterstützt dabei nur. Denn wenn die Einführung von KI ausschließlich in der IT-Abteilung angesiedelt wird, liegt der Fokus oft nur auf Technik, Sicherheit und Infrastruktur. Der strategische Blick auf die tatsächlichen Abläufe in der Abteilung wird so oft übersehen.

• Nicht zu viel zugleich automatisieren

Unternehmen versuchen oft, KI in vielen verschiedenen Bereichen gleichzeitig einzuführen. Dabei fehlt oft ein ganzheitlicher Überblick und klare Priorisierungen.

• Den realen Prozess automatisieren

Offizielle Arbeitsabläufe unterscheiden sich oft von der täglichen Praxis, in der Mitarbeitende mit Ausnahmen und Sonderfällen umgehen. KI-Lösungen, die nur den theoretischen Prozess abbilden, scheitern, da sie diese wichtigen Ausnahmen nicht berücksichtigen und so schnell ineffizient werden.

• KI als Unterstützung einsetzen

Der Agent übernimmt repetitive, klare Fälle, während komplexe Entscheidungen bei den Menschen bleiben. So arbeitet Ihr Team konzentriert an wertschöpfenden Aufgaben, und die Lösung lernt ständig dazu, um immer genauer zu werden.

• KI nicht nur auf reine Chatbots beschränken

Häufig wird KI genutzt, um einfache Fragen zu beantworten, etwa zu offenen Rechnungen oder Umsätzen. Solche Chatbots reduzieren jedoch nicht den tatsächlichen Arbeitsaufwand, da sie keine Aufgaben selbstständig erledigen. Stattdessen sollte der Fokus auf Operators liegen, durch die KI aktiv Prozesse übernimmt und so die Arbeitsbelastung der Mitarbeitenden reduziert.

• Keine zusätzliche Komplexität schaffen

Vermeiden Sie es, für jeden Prozess einen eigenen KI-Agenten zu entwickeln. Das führt zu Technik-Frust und unübersichtlichen Systemlandschaften. Stattdessen sollten KI-Systeme über eine einheitliche Oberfläche arbeiten und die vorhandenen Softwarelösungen intelligent miteinander verbinden.

• Innerhalb bestehender Systeme arbeiten

Die KI sollte in den bereits genutzten Tools agieren, genau wie ein Mitarbeiter. So vermeidet man neue, umständliche Benutzeroberflächen und erleichtert den Teams den Umgang mit der Technik.

Besonders große Hebel entstehen außerdem überall dort, wo Menschen Routinetätigkeiten ausführen, Daten zwischen Systemen vergleichen und kontinuierlich Ausnahmen nachbearbeiten müssen.

KI-Agenten können diese Aufgaben in Echtzeit übernehmen: Sie klären fehlende Belege oder PO-Nummern, beseitigen Ausnahme-Rückstaus vor dem Monatsabschluss, führen systemübergreifende Abstimmungen durch, kommunizieren strukturiert mit Lieferanten und Kunden und bereiten Prüfungs- sowie Compliance-Unterlagen automatisch vor. Dadurch wird die manuelle „Klebearbeit“ signifikant reduziert, sauberere Daten entstehen bereits während des laufenden Monats und Finanzprozesse werden beschleunigt und stabilisiert. So haben Finanzteams die Möglichkeit, sich verstärkt auf relevante Entscheidungen und strategische Aufgaben zu konzentrieren, während die KI-Agenten den Rest erledigen. (9)

Wo Sie beginnen sollten:

Statt voreilig eine pauschale Fertiglösung zu kaufen und damit alle Prozesse gleichzeitig zu automatisieren empfiehlt es sich, gezielt mit einem klar abgegrenzten Bereich zu beginnen, der ein hohes Optimierungspotenzial aufweist. Finden Sie jemanden, der gemeinsam mit Ihnen die spezifischen Anforderungen und individuellen Herausforderungen Ihrer Organisation analysiert. Auf Basis dieser fundierten Bedarfsanalyse kann eine maßgeschneiderte Lösung entwickelt werden, die einen nachhaltigen Mehrwert schafft.

Wir unterstützen Sie gerne!

Das PwC-Team begleitet Unternehmen auf dem gesamten Weg von der strategischen Ausrichtung über die Entwicklung passender Governance-Strukturen bis hin zur praktischen Implementierung. Gemeinsam schaffen wir die Grundlage für AI-Systeme, denen Ihre Kunden, Mitarbeitenden und Partner vertrauen können.

Quellen:

(1)   PwC (2025): Einblicke zur Künstlichen Intelligenz im deutschen Finanzsektor.
https://www.pwc.de/de/finanzdienstleistungen/pwc-studie-ki-im-finanzsektor-2025.pdf.

(2)  PwC (2024): Die Finanzfunktion der Zukunft.
https://www.pwc.de/de/finanzdienstleistungen/die-finanzfunktion-der-zukunft.html.

(3)  McKinsey (2025): Superagency in the workplace: Empowering people to unlock AI’s full potential.
https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/superagency-in-the-workplace-empowering-people-to-unlock-ais-full-potential-at-work.
Gartner (2025): Magic Quadrant™ for Digital Commerce.
https://commercetools.com/resources/analyst-report/gartner-magic-quadrant?utm_source=Paid-Search&utm_medium=Google-Search&utm_content=GMQ25&utm_campaign=analyst-report-gartner&utm_term=gartner%20magic%20quadrant&utm_campaign=GAds_Search_leads_Gartner_cold_Q1_2025_EMEA-DACH&utm_source=adwords&utm_medium=ppc&hsa_acc=1309061964&hsa_cam=20938403660&hsa_grp=202023252908&hsa_ad=798201983027&hsa_src=g&hsa_tgt=kwd-94900530&hsa_kw=gartner%20magic%20quadrant&hsa_mt=b&hsa_net=adwords&hsa_ver=3&gad_source=1&gad_campaignid=20938403660&gbraid=0AAAAADSNXz3bs8FZaRMViBeE0VFI5LTZT&gclid=EAIaIQobChMIkJ_G_Jz3kgMVtLODBx2j9Ak7EAAYASAAEgIEdvD_BwE.

(4)  Gartner (2024): Data Quality: Best Practices for Accurate Insights
https://www.gartner.com/en/data-analytics/topics/data-quality#:~:text=What%20is%20data%20quality%20and,data%20standardization%20becomes%20much%20harder.

(5)  Varick Agents (2026): AI for Enterprise Finance.

(6)  McKinsey (2025): How P&C insurers can successfully modernize core systems: updating technology.
https://www.mckinsey.com/industries/financial-services/our-insights/how-p-and-c-insurers-can-successfully-modernize-core-systems.

(7)  Informatik Aktuell (2025): Der “Blend”-Ansatz.
https://www.informatik-aktuell.de/entwicklung/methoden/die-aera-von-buy-vs-build-ist-vorbei.html.

(8) McKinsey & Company (2025): How finance teams are putting AI to work today.
https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/how-finance-teams-are-putting-ai-to-work-today.

(9)  PwC (2020): Künstliche Intelligenz im Finanzsektor.
https://www.pwc.de/de/finanzdienstleistungen/kuenstliche-intelligenz-im-finanzsektor.html.

Kontaktieren Sie uns – wir freuen uns auf den Austausch mit Ihnen!

Autor:in


Thomas Inführ, Director 

Pauline Prinz, Intern/Trainee