Olga Rudakova
Guten Morgen, guten Tag, guten Abend, meine Damen und Herren. Mein Name ist Olga Rudakova und ich freue mich, Sie zu unserem FP&A Trends Webinar begrüßen zu dürfen. Heute sprechen wir über die Vorteile der treiberbasierten Planung im KI-Zeitalter. Werfen wir einen Blick auf unsere heutige Agenda. Wir werden auf jeden Fall die wichtigsten Konzepte und Kennzahlen zu treiberbasierter Planung und KI behandeln. Wir haben eine praktische Fallstudie zum Übergang von der jährlichen Budgetierung zu monatlichen treiberbasierten Plänen. Wir sprechen über die strategische Geschwindigkeit von FP&A – von Excel-basierten Treibern bis hin zur auf KI-Agenten basierenden Planung. Außerdem beschäftigen wir uns mit der praktischen Einführung von KI in die treiberbasierte Planung. Zum Abschluss gibt es Schlussfolgerungen, Empfehlungen und eine Fragerunde. Es ist mir eine Freude, Ihnen unsere heutigen Referierenden vorzustellen. Kommen Sie bitte vor die Kamera. Ich beginne mit Mike Uvarov. Mike ist Head of FP&A bei Viskase Companies. Er lebt in Chicago in den USA und ist als Head of FP&A insbesondere für Margenanalysen und die Implementierung von FP&A-Tools im gesamten Unternehmen verantwortlich. Mike, vielen Dank, dass Sie heute dabei sind.
Mike Uvarov
Ich freue mich, dabei zu sein, und fühle mich geehrt, an diesem Webinar teilzunehmen.
Olga Rudakova
Unser zweiter Referent heute ist Vignesh Dumonceau, CFO bei WAGO. Er lebt in der Schweiz und verfügt über umfangreiche Erfahrung in der Leitung von Finance Transformation, M&A-Integration, Post-Merger-Integration sowie der Neugestaltung von Finance-Prozessen in komplexen Multi-Entity-Strukturen. Vignesh, vielen Dank, dass Sie unsere Einladung angenommen haben und heute dabei sind.
Vignesh Dumonceau
Vielen Dank, Olga. Schön, hier zu sein. Danke für die Einladung.
Olga Rudakova
Und nun möchte ich unseren nächsten Referenten vorstellen: Graham Hunter. Graham ist AI/ML Solution Architect bei Wolters Kluwer CCH Tagetik. Sein beruflicher Hintergrund umfasst Corporate Performance Management, Innovationsplanung, Produktmanagement, Finance Transformation Consulting und KI-Strategie. Graham, vielen Dank, dass Sie heute dabei sind.
Graham Hunter
Vielen Dank. Ich freue mich auf unser Gespräch.
Olga Rudakova
Bevor wir beginnen, möchte ich Ihnen die FP&A Trends Group anhand einiger wichtiger Zahlen und Statistiken vorstellen. Wir befinden uns hier bei einem FP&A Trends Webinar, und bisher haben wir 191 solcher Veranstaltungen durchgeführt. Heute beginne ich mit einigen wichtigen Statistiken aus unserer aktuellen FP&A Trends Survey 2026, die Ihnen Anfang Juli zur Verfügung stehen wird. Bislang hatten wir 3.361 Teilnehmende an unseren Umfragen. Wenn Sie unserer FP&A Club LinkedIn-Gruppe beitreten, gehören Sie zu einer Community mit weiteren 60.000 Mitgliedern. Falls Sie noch nicht dabei sind, laden wir Sie herzlich ein, Teil unserer großen Community zu werden. Was erwartet Sie heute? Dieses Webinar dauert eine Stunde. Sie können an zwei interaktiven Umfragen zum Thema des Webinars teilnehmen. Sie können Fragen stellen – damit können Sie bereits jetzt über die Chatbox beginnen. Und bitte gehen Sie am Ende nicht, ohne an unserer kurzen Umfrage teilzunehmen. Sie ist wirklich kurz und hilft uns sehr dabei, unsere Webinare zu verbessern. Ich möchte unserem globalen Sponsor CCH Tagetik von Wolters Kluwer dafür danken, dass er diese Veranstaltung möglich macht. Gestalten Sie die Zukunft des Finanzwesens mit KI-basierter Corporate-Performance-Management-Software. Ich beginne mit einigen Folien und wichtigen Statistiken zu treiberbasierter Planung und KI. Zunächst möchte ich eine Zahl zeigen, die vielleicht etwas ernüchternd wirkt: Nur 1 % der Unternehmen nutzen dynamische, durch KI unterstützte treiberbasierte Modelle, die ihre Treiber automatisch in Echtzeit anpassen. Das mag nach einer sehr niedrigen Zahl klingen. Aber wenn man darüber nachdenkt, zeigt sie auch, dass es möglich ist: 1 % der Unternehmen nutzt bereits nicht nur treiberbasierte Modelle, sondern KI-gestützte Modelle, die Treiber in Echtzeit anpassen. Die Verbreitung treiberbasierter Planung insgesamt ist natürlich deutlich größer. Weitere 18 % nutzen vollständig treiberbasierte Modelle und weitere 41 % teilweise treiberbasierte Modelle. Aber auch dieser Idealzustand ist bereits möglich. Warum spreche ich über diese Statistiken? Weil treiberbasierte Modelle mit weiteren sehr positiven Entwicklungen in FP&A-Teams korrelieren. Unternehmen, die treiberbasierte Modelle einsetzen, bewerten ihre Forecasts in 77 % der Fälle als sehr gut oder gut. Bei Unternehmen ohne treiberbasierte Planung sind es lediglich 35 %. Das ist ein enormer Unterschied. Treiberbasierte Modelle korrelieren außerdem mit Faktoren wie optimierten FP&A-Teams, einem höheren Anteil datenbasierter Entscheidungen und einem größeren Zeitanteil, den FP&A für wertschöpfende Tätigkeiten aufwendet. Wir sehen also klare Vorteile. Kommen wir zur KI. Ich habe gezielt Statistiken zur Nutzung generativer KI herausgesucht, weil wir sehr viel darüber sprechen. Die erste Erkenntnis lautet: Die meisten von uns nutzen generative KI bislang überhaupt nicht in FP&A. Viele planen dies zwar, aber unter den bereits bestehenden Anwendungen nutzen Unternehmen generative KI in 15 % der Fälle für Kommunikation und Entscheidungsunterstützung. Das entspricht auch dem, was ich in der Praxis sehe: Die Arbeit mit Texten, Dokumenten, Präsentationen und Zusammenfassungen funktioniert bereits auf einem recht guten Niveau. Wenn wir dagegen Prozessautomatisierung oder Advanced Insights betrachten, ist die Nutzung noch sehr, sehr gering. Genau dort können wir versuchen hinzukommen und mithilfe von KI wirklich starke Erkenntnisse zu gewinnen. Eine weitere relevante Zahl, weil wir nicht nur über generative KI, sondern auch über Machine Learning im Zusammenhang mit treiberbasierter Planung sprechen: 12 % der Unternehmen nutzen Machine Learning, weitere 17 % planen die Einführung innerhalb der nächsten sechs Monate. Betrachten wir die Auswirkungen von KI – sowohl generativer KI als auch Machine Learning – auf wichtige Parameter von FP&A-Teams. Auch hier sehen wir deutliche Unterschiede bei der Forecast-Qualität: Unternehmen, die KI nutzen, bewerten ihre Forecasts wesentlich häufiger als gut oder sehr gut. Auch beim Anteil optimierter Teams gibt es einen großen Unterschied. Dasselbe gilt für datenbasierte Entscheidungen und die Zeit, die für wertschöpfende Tätigkeiten aufgewendet wird. Was passiert, wenn wir treiberbasierte Modelle und KI gleichzeitig einsetzen? Genau das werden wir gleich von unseren Referierenden erfahren. Wir beginnen mit Mike. Mike Uvarov spricht über den Übergang von der jährlichen Budgetierung zu monatlichen treiberbasierten Plänen. Mike, ich übergebe Ihnen das imaginäre Mikrofon und die Bühne.
Mike Uvarov
Hallo zusammen. Lassen Sie mich zunächst kurz unser Unternehmen vorstellen. Es wurde vor 100 Jahren in Chicago gegründet und produziert Zellulose- und Kunststoffhüllen für Hotdogs und Würste. Das Unternehmen erzielt einen Umsatz von rund 400 Millionen und beschäftigt weltweit 2.000 Mitarbeitende. In letzter Zeit haben wir einige externe Schocks erlebt: einen neuen Wettbewerber, Störungen in der Lieferkette, eine M&A-Transaktion und den Wechsel von einem privaten zu einem börsennotierten Unternehmen. Daraufhin startete das Unternehmen eine Initiative zur Optimierung des Produktionsnetzwerks, führte detaillierte Margenanalysen nach Produkt und Kunde durch und modernisierte seine analytische Infrastruktur durch die Implementierung eines neuen EPM-Tools. Das FP&A-Team wurde mit der monatlichen integrierten Finanzplanung (GuV, Bilanz, Cashflow) mit Fokus auf die Liquidität beauftragt ebenso wie mit Szenarioanalysen („Was-wäre-wenn“) und einer umfassenden Kommunikation mit verschiedenen Stakeholdern – darunter dem Vorstand, der Bank, dem Wirtschaftsprüfer, dem M&A-Partner sowie internen Interessengruppen. Unsere Ausgangssituation war eine jährliche Budgetplanung mit einer Überarbeitung zur Jahresmitte. Unser Zielzustand war ein monatlicher Rolling Forecast. Hier sehen Sie die wichtigsten Bausteine, die uns geholfen haben, diese Lücke zu schließen. Zunächst haben wir mit bereits vorhandenen grundlegenden Treibern wie Absatzvolumen und Personalbestand gearbeitet. Wir haben zwei ERP-Systeme, deshalb reicht Excel nicht aus. Wir brauchten ein Tool. Voraussetzungen für die Implementierung eines EPM-Tools sind saubere Metadaten – Konten, Kostenstellen und Produkthierarchien –, eine hohe Transaktionsqualität sowie eine konsistente Datenextraktion und -transformation. Interessanterweise bilden genau dieselben Voraussetzungen auch die Grundlage für den Einsatz von KI in FP&A. Es handelt sich also im Wesentlichen um dieselben Bausteine. Der nächste Schritt bestand darin, Zusammenhänge zwischen den Treibern in den einzelnen GuV-Bereichen zu finden. Genau dabei benötigten wir Unterstützung durch KI. Und sie hat uns tatsächlich geholfen – darauf werde ich noch näher eingehen. Wir haben außerdem unsere GuV neu strukturiert, um diese Bereiche abzubilden und die jeweiligen Abteilungen für ihre Eingaben verantwortlich zu machen. Auf der linken Seite sehen Sie unsere GuV-Bereiche. So sieht unsere neue Gewinn- und Verlustrechnung aus. Sie wurde in sinnvolle Komponenten unterteilt, denen jeweils ein bestimmter Treiber zugeordnet ist. Das sieht ein wenig wie ein Fischgrätendiagramm aus. Manche nennen es auch Weihnachtsbaumdiagramm, weil es vertikal statt horizontal aufgebaut ist. Für jede GuV-Position zeigt es die verantwortliche Abteilung. Für das Produktvolumen wäre beispielsweise die S&OP-Abteilung zuständig. Die Plant Controller wären wiederum für die Prognose der Kostenverrechnung beziehungsweise Absorption verantwortlich. Wir haben also jeweils eine Abteilung und einen Treiber. Welche Treiber hat uns die KI geholfen zu identifizieren? Erstens die Saisonalität der Nachfrage nach Produkt und Kunde. Zweitens Maschinenstunden in der Produktion als Treiber für die Kostenverrechnung sowie die Prognose der Ausschussquote für Produktionsabweichungen. Diese zusätzlichen Forecast-Treiber haben uns geholfen, Genauigkeit und Geschwindigkeit zu verbessern und gleichzeitig die Abweichungsanalyse auf ein höheres Niveau zu bringen. Wenn all diese Details vorhanden sind und die GuV entsprechend strukturiert ist, lässt sich viel leichter erkennen, was passiert ist und welche Ursachen dahinterstehen. Dadurch entsteht wiederum eine Feedbackschleife, mit der sich zukünftige Forecasts weiter verbessern lassen. Meine wichtigsten Erkenntnisse: Suchen Sie nach nichtfinanziellen Daten für Einflussfaktoren, beispielsweise Maschinenstunden oder Ausschussquoten. Und scheuen Sie sich nicht davor, die Struktur Ihrer GuV-Bereiche im Forecast an neu identifizierte Treiber anzupassen. Dadurch entstehen Feedbackschleifen, die den Erfolg weiter verstärken.
Olga Rudakova
Vielen Dank, Mike, für diese Fallstudie und die wertvollen Hinweise, insbesondere den Blick auf nichtfinanzielle Einflussfaktoren. Sehr schön fand ich auch den Punkt, dass die Logik der treiberbasierten Planung uns nicht nur dabei hilft, nach vorne zu schauen und zu planen oder Forecasts zu erstellen. Sie hilft uns genauso dabei, zurückzublicken und Abweichungen zu analysieren. Es ist dieselbe Logik: Wir verstehen die Ursachen mithilfe der Einflussfaktoren. Vielen Dank dafür. Wenn Sie Fragen an Mike haben, können Sie sie jetzt über die Chatbox stellen. In der Zwischenzeit habe ich eine Frage an Sie. Ich habe eine Umfrage für alle Teilnehmenden vorbereitet. Dabei geht es um die Grundlage Ihres aktuellen Forecasting-Prozesses. Unsere erste Frage lautet: Was ist die wichtigste Grundlage Ihres derzeitigen Forecasting-Prozesses? Ist es ein Jahresbudget mit regelmäßigen Aktualisierungen, ein Rolling Forecast, ein treiberbasierter Forecast oder ein durch KI und Machine Learning unterstützter Predictive Forecast? Ich bin sehr gespannt auf die Ergebnisse. Ich sehe bereits, wie die Prozentwerte steigen. Was bildet die Grundlage Ihres aktuellen Forecasting-Prozesses: Jahresbudget, Rolling Forecast, treiberbasierter Forecast oder eine auf künstlicher Intelligenz und Machine Learning basierende Variante? Vielen Dank für die schnelle Abstimmung. Die Mehrheit hat bereits abgestimmt. Ich schließe die Umfrage und teile die Ergebnisse mit allen. Wir haben einen eindeutigen Gewinner: das Jahresbudget mit regelmäßigen Aktualisierungen. An zweiter Stelle steht der Rolling Forecast, gefolgt vom treiberbasierten Forecast mit 10 %. Für KI- und Machine-Learning-gestütztes Predictive Forecasting haben wir null Prozent. Vielleicht brauchen wir noch ein wenig Zeit, um Sie wachzurütteln. Ich bin ziemlich sicher, dass jemand im Publikum diese Option bereits nutzt und nur nicht abgestimmt hat. Mike, was denken Sie? Überrascht Sie das Ergebnis?
Mike Uvarov
Wie zu erwarten, ist Option Nummer eins noch immer der Stand, an dem sich die Mehrheit der Unternehmen befindet. Und ich freue mich sehr, dass 10 % Option Nummer drei gewählt haben. Das gibt mir viel Zuversicht, dass es möglich ist.
Olga Rudakova
Genau. 10 % sind eine gute Zahl. Vielen Dank an alle. Ich schließe die Umfrage und komme zur Diskussion mit unseren Panel-Teilnehmern. Vignesh, Graham, kommen Sie bitte vor die Kamera. Ich möchte mit Ihnen allen über den Wechsel von der jährlichen Budgetierung hin zu dynamischeren Ansätzen sprechen. Was ist die wichtigste Veränderung, die erforderlich ist, um von der jährlichen Budgetierung zu einem dynamischeren, treiberbasierten Planungsprozess zu gelangen? Vignesh, ich beginne mit Ihnen. Was ist Ihrer Meinung nach am wichtigsten?
Vignesh Dumonceau
Danke, Olga. Der wichtigste Punkt ist, was wir beim Übergang von Szenario A zu Szenario B erreichen wollen. Wenn wir ein typisches Jahresbudget verwenden, hat das Vor- und Nachteile. Irgendwann wird das Budget alt, die Annahmen verändern sich und es verliert an Relevanz. Ein dynamischerer und treiberbasierter Planungsprozess ist lebendiger und wird kontinuierlich fortgeschrieben. Wichtig ist dabei meiner Meinung nach die Abstimmung mit den zentralen Stakeholdern. Wir müssen ihnen zeigen, dass wir durch einen dynamischeren, transparenteren und proaktiveren Ansatz schnellere Entscheidungen ermöglichen und dadurch die Ergebnisse verbessern können. Diese Abstimmung halte ich für äußerst wichtig.
Olga Rudakova
Vielen Dank für diese Antwort. Graham, was denken Sie? Was ist die wichtigste Veränderung, die wir brauchen, um von der jährlichen Budgetierung zur treiberbasierten Planung zu gelangen?
Graham Hunter
Ich stimme Vignesh vollkommen zu. Er hat es sehr gut auf den Punkt gebracht. Ich war als Architekt an mehreren Dutzend Implementierungen treiberbasierter Planung beteiligt und kann ganz klar sagen: Wenn diese Abstimmung fehlt, führt das jedes einzelne Mal zu Kosten- und Zeitüberschreitungen. Die Abstimmung zwischen den Stakeholdern ist daher entscheidend.
Olga Rudakova
Ja, es sieht so aus, als würde Abstimmung zu einem der Schlüsselbegriffe unserer heutigen Veranstaltung. Mal sehen, wie es weitergeht. Mike, ich komme noch einmal zu Ihnen zurück. Was war aus Ihrer Erfahrung die wichtigste Veränderung beim Übergang von der jährlichen Budgetierung zu einer dynamischeren treiberbasierten Planung?
Mike Uvarov
Manchmal entsteht der Impuls durch externe Anforderungen: Man muss schneller, verlässlicher und präziser werden. Manchmal zwingt einen die Welt gewissermaßen dazu, nach zusätzlichen Methoden wie der treiberbasierten Planung zu suchen.
Olga Rudakova
Richtig. Also externer Druck oder manchmal interne Motivation. Vielen Dank für Ihre Antworten. Damit kommen wir zur zweiten Präsentation des Tages. Vignesh Dumonceau spricht über strategische Geschwindigkeit in FP&A – von Excel-basierten Treibern bis hin zur agentenbasierten Planung. Vignesh, ich übergebe Ihnen das imaginäre Mikrofon und die Bühne.
Vignesh Dumonceau
Vielen Dank, Olga, und willkommen an alle. Ich freue mich, hier zu sein. Das Thema, mit dem wir uns jetzt beschäftigen, lautet: Was ist der nächste Schritt nach den Treibern? Gehen wir zunächst einen kleinen Schritt zurück und betrachten, warum wir überhaupt Controlling betreiben – und das schon seit langer Zeit. Es geht darum, hinter die Zahlen zu schauen und dem, was wir im Reporting sehen, einen Sinn zu geben. Wenn wir diesen Sinn und die Ursachen verstanden haben, wollen wir handeln und Entscheidungen treffen. Wir wollen die Diskussion steuern und durch unsere Fähigkeit, mit dem Business zu sprechen, Entscheidungen beeinflussen, damit sich die Ergebnisse verbessern. Es geht also nicht nur darum, zurückzublicken und zu kommentieren, was passiert ist. Wir wollen stärker selbst Akteur und Architekt dessen sein, was wir in Zukunft erreichen möchten. Dieser Anspruch war eigentlich immer vorhanden. Das ist nichts Neues. Es gab lediglich unterschiedliche Methoden. Nehmen wir als Beispiel die Umsatzprognose. Früher konnte man sagen: Ich habe monatlich 10 Millionen verkauft, also 120 Millionen im Jahr. Nächstes Jahr erhöhe ich die Preise etwas und lande ungefähr bei 130 Millionen. Dann passe ich die Zahl noch etwas an Saisonalität oder andere Einschätzungen an. Viele Unternehmen machen das so. Aber wir haben erkannt, dass wir besser werden können, wenn wir treiberbasiert arbeiten. Dann sagen wir beispielsweise: Der Umsatz setzt sich aus Volumen und Preis zusammen. Vielleicht gibt es weitere Treiber. Anschließend untersuchen wir, wie sich das Volumen nach Regionen entwickelt, wie unsere Preispositionierung aussieht und so weiter. Das ist etwas komplexer. Es vertieft die Kausalanalyse und ermöglicht es, einen Schritt weiterzugehen. Mit dem erweiterten Mandat entwickeln wir uns von einer klassischen, rückwärtsgerichteten Reporting-Funktion hin zu einer Art Orchestrierungsfunktion, in der wir diese Diskussionen führen. Wir wollen die Treiber dynamischer gestalten. Genau hier kommt KI ins Spiel: Sie kann die Treiber proaktiver machen, anstatt sie lediglich in Excel oder reaktiv zu verwalten. Wenn wir den Reifegrad betrachten, haben wir in FP&A, Forecasting und Controlling die Elemente Prozesse, Technologie und Menschen, die gemeinsam Forecasts, Prognosen und Analysen ermöglichen. Der Reifegrad zeigt sich darin, ob wir nur zurückblicken oder ob wir in der Lage sind, die Zukunft zu beeinflussen und zu projizieren und unsere Szenarien im weiteren Verlauf anzupassen. Je mehr autonomes Monitoring wir in unseren Prozessen haben und je stärker uns bereits verfügbare Treiber unterstützen, desto strategischer können unsere Mitarbeitenden arbeiten. Statt hauptsächlich Daten zu verarbeiten und nur begrenzt im Dialog zu stehen, führen wir mehr Gespräche mit unseren wichtigsten Stakeholdern und sind stärker an den Entscheidungen des Unternehmens beteiligt. Nehmen wir ein Beispiel. In praktisch jedem Unternehmen gibt es drei typische Treiber: Volumen, Personalbestand und Maschinenstunden. Ohne KI würden wir diese wahrscheinlich in Excel erfassen, separat überwachen und irgendwann zusammenführen, um daraus Erkenntnisse abzuleiten. Das ist möglich und besser, als diese Treiber überhaupt nicht zu haben – sofern die zusätzliche Komplexität durch eine höhere Forecast-Genauigkeit und eine tiefere Analyse gerechtfertigt ist. Stellen wir uns nun aber KI-Agenten vor, die kontinuierlich das Volumen überwachen, dessen Auswirkungen auf die Kapazität betrachten und auf Basis dieser Kapazität wiederum den erforderlichen Personalbestand und dessen zeitliche Planung berücksichtigen. Zusätzlich könnten sie Maschinenstunden und Stillstandszeiten einbeziehen. Wenn wir all diese Elemente integrieren – möglicherweise auch mit Auswirkungen auf den Lagerbestand, damit das Absatzvolumen nicht beeinträchtigt wird –, wird es deutlich einfacher, Szenarien aufzubauen und darüber zu diskutieren, als wenn wir all diese Faktoren in getrennten Tabellen verwalten. Die Kernaussage lautet: Ein traditioneller Run Rate-Ansatz basiert stärker auf Excel. Es gibt keinen echten kausalen Zusammenhang. Bei strukturellen Veränderungen entsteht eine Verzögerung; wir sind nicht immer einen Schritt voraus. Eine treiberbasierte Orchestrierung könnte – leichter gesagt als getan, und wir müssen schrittweise vorgehen – bei guter Umsetzung mehr Kausalitäten abbilden und strukturelle Probleme früher erkennen. Nehmen wir als Beispiel die Kostenverrechnung beziehungsweise Absorption. Das ist ein typisches Szenario: Das Volumen sinkt, und irgendwann wirken sich höhere Fixkosten auf die Profitabilität aus. Die Verrechnungssätze korrekt zu pflegen, Fixkostenallokationen vorherzusagen, sie möglicherweise separat auszuweisen und Kapazitäten zu steuern, lässt sich mit Excel erledigen. Einfacher wird es jedoch, wenn wir eine integrierte Entwicklung KI-basierter Treiber haben, die Trends prognostizieren können. Wenn wir beispielsweise sagen: Unser Volumen liegt 20 % niedriger und dieser Trend setzt sich fort, dann können wir prognostizieren, was das für unsere Profitabilität, unseren Cash Burn und weitere Kennzahlen bedeutet. Solche vorausschauenden Elemente sind für uns deutlich leistungsfähiger. Was bei zunehmender Skalierung nicht mehr funktioniert, ist der hohe Zeitaufwand für all diese Analysen. Zeit ist eine knappe Ressource in unseren Teams. Wir können diese Arbeit nicht unbegrenzt skalieren und verfügen nicht immer über die richtigen Feedbackschleifen. Der Wechsel zu einem KI-agentenbasierten Ansatz würde genau hier ansetzen. Stellen wir uns vor, jeder dieser Treiber wäre ein KI-Agent – einzelne Agenten, die kontinuierlich überwachen und miteinander kommunizieren können. Dann können wir einen Dialog und eine Orchestrierungsschleife aufbauen, in der wir Szenarien erhalten: Ihr Volumen sinkt, es besteht das Risiko einer Unterauslastung beziehungsweise Unterdeckung, und das könnte sich negativ auf die Preisgestaltung auswirken. Welche Maßnahmen können Sie ergreifen? Sie könnten beispielsweise bestimmte Nachfrage-Forecasts zeitlich vorziehen und so den Lagerbestand steuern, sofern das möglich ist. Wenn die Veränderung strukturell ist, könnten Sie eine Preisdiskussion beginnen, um einen Teil der Fixkosten abzudecken, und so weiter. Diese Szenarien werden wesentlich dynamischer und lassen sich leichter umsetzen als mit Excel-basierten Ansätzen. Es sollte tatsächlich eine Diskussion stattfinden: Welche Szenarien gibt es? Das ist meine Prognose. In diesen Segmenten kann ich Ressourcen neu einsetzen. Dieser Dialog sollte durch eine Simulation im Sinne eines agentenbasierten KI-Business-Partners unterstützt werden. Ich sehe dabei typischerweise drei Vorteile. Erstens sollten wir schneller werden. Wenn wir Daten in Excel übertragen und aktualisieren, entsteht eine Verzögerung. Werden sie automatisch überwacht, ist es einfacher. Zweitens sollte alles integriert sein. Dadurch verstehen wir die Zusammenhänge zwischen den verschiedenen Treibern besser und erhalten ein konsistentes Szenario. Drittens sollten wir eine höhere Forecast-Genauigkeit erreichen. Genau das wollen wir letztlich erreichen. Mit diesen Tools möchten wir das Urteilsvermögen aller Controller verbessern und unterstützen. Ein paar Zahlen dazu, was wir meiner Erfahrung nach in verschiedenen Bereichen erreichen können: Das sind Zielwerte. Abhängig vom Reifegrad und vom jeweiligen Umfeld können sie variieren. Aber dies sind die drei zentralen Werte, die wir erreichen wollen. Wir wollen eine höhere Genauigkeit und weniger Bias. Wenn Sie oder ich denselben Forecast erstellen, sollten die Ergebnisse nicht völlig unterschiedlich sein. Mit denselben Parametern sollten wir ungefähr zu derselben Art von Forecast gelangen. Die Treiber sollten diesen Prozess unterstützen und für mehr Stabilität sorgen. Ein Beispiel für das Reifegradmodell: Wir beginnen mit traditionellem Excel, gehen über eine gewisse Automatisierung und gelangen schließlich zu agentenbasierter KI, die Szenarien kontinuierlich und autonom aktualisieren und bereitstellen kann. Damit komme ich zu meinem Fazit. Wenn ich auf das Reporting und die Entwicklung unserer FP&A-Teams und der Funktion zurückblicke, waren wir früher stärker mit Zahlenverarbeitung, Berichtserstellung und Kommentierung beschäftigt. Die Funktion entwickelte sich vom traditionellen Accounting hin zu einem analytischeren Accounting. Dann wechselten wir zu einem treiberbasierten Ansatz, mit dem wir Zusammenhänge detaillierter aufschlüsseln konnten und näher an das Business, an Variablen und Kausalitäten herankamen. Heute erreichen wir meiner Meinung nach einen weiteren Punkt. Bei Copilot oder anderen KI-basierten Sprachmodellen sehen wir, dass über Agenten ein Dialog möglich wird. Die Agenten können Treiber überwachen, Szenarien vorschlagen, und anschließend können wir diese Modelle diskutieren und validieren. Unsere Teams entwickeln sich daher stärker in Bereiche, in denen sie Modelle validieren, orchestrieren und Empfehlungen geben. Die KI-gestützte Unternehmensplanung ist also eher ein Dialog – und das würde ich als das neue Reporting bezeichnen.
Olga Rudakova
Vielen Dank, Vignesh, für Ihre Präsentation. Unter den vielen hervorragenden Beispielen hat mir besonders gefallen, wie Sie die Verbindung zwischen treiberbasierter Planung und FP&A-Integration sowie zwischen treiberbasierter Planung und Business Partnering hergestellt haben. Treiberbasierte Planung ermöglicht es uns, das Business wesentlich tiefer zu verstehen als zuvor. Genau das verbessert die Integration und den Dialog. Vielen Dank für diese großartige Präsentation. Wenn Sie Fragen an Vignesh haben, zögern Sie nicht und schicken Sie sie uns jetzt. Vielen Dank übrigens für all die Fragen, die bereits eingehen. Es ist wichtig für uns zu wissen, dass Sie zuhören und neugierig sind. Kommen wir nun zu unserer zweiten Umfrage. Diesmal geht es darum, wie Planungstreiber in Ihrem Unternehmen verwaltet werden. Wie werden Planungstreiber heute in Ihrem Unternehmen hauptsächlich verwaltet? Manuell in Tabellen, teilweise automatisiert in Planungssystemen, zentral über Treibermodelle gesteuert oder KI- beziehungsweise agentengestützt? Schauen wir uns an, wie Sie abstimmen. Ich warte, bis die Mehrheit abgestimmt hat. Vielen Dank, Sie stimmen sehr schnell ab. Ich kann die Umfrage schließen und die Ergebnisse teilen. Wir haben einen Gewinner: 51 % verwalten Planungstreiber manuell in Tabellen. Direkt danach folgen mit 46 % teilweise automatisierte Planungssysteme. 4 % steuern sie zentral über Treibermodelle. Das ist immerhin eine Zahl. Vignesh, was denken Sie? Die letzte Antwort, KI-gestützt, hat keine Stimmen erhalten – null Prozent. Überrascht Sie das?
Vignesh Dumonceau
Das ist eine großartige Umfrage, und ich finde die Ergebnisse sehr interessant. Nein, ich bin nicht überrascht. In vielen Unternehmen haben wir noch immer ein sehr traditionelles FP&A, das sich langsam in Richtung Automatisierung entwickelt. KI ist für viele von uns neu. Deshalb überrascht es mich nicht, dass dies noch ein neues Gebiet ist, in das wir uns Schritt für Schritt vorwagen. Die Ergebnisse entsprechen ziemlich genau dem, was ich erwartet hatte.
Olga Rudakova
Vielen Dank für Ihre Einschätzung und an alle für Ihre Antworten. Während wir auf weitere Fragen warten, möchte ich eine kurze Diskussion mit allen Teilnehmenden führen. Wenn wir über die Einführung von Treibermodellen, KI oder einer Kombination aus beidem sprechen, geht es sehr stark um Dialog. Wie sollten Finance-Verantwortliche den Wert KI-gestützter Treibermodelle Stakeholdern erklären, denen Ergebnisse wichtiger sind als die Methodik? Graham, ich beginne mit Ihnen. Wie sollten Finance-Verantwortliche dabei vorgehen?
Graham Hunter
Ausgezeichnete Frage. Der entscheidende Punkt ist: Bei treiberbasierten Modellen spricht Finance mit den Geschäftsbereichen in deren eigener Sprache. Es ist sehr wichtig, über die Ergebnisse zu sprechen, die erreicht werden sollen. Der wichtigste Hebel, den Finance hat, ist das Budget. Die Implementierung treiberbasierter Planung erleichtert normalerweise genau dieses Gespräch: Wir haben dieselben Ziele – Unternehmenswachstum. Stimmen wir uns über die gewünschten Ergebnisse ab und richten wir unsere Budgetierungspraktiken und Investitionen auf diese Ergebnisse aus. Das ist ein hervorragender Einstieg in das Gespräch und die weitere Zusammenarbeit.
Olga Rudakova
Vielen Dank. Mike, was denken Sie? Wie erklären Sie als Finance-Verantwortlicher den Wert KI-gestützter Treibermodelle?
Mike Uvarov
Die offensichtlichen Vorteile sind Geschwindigkeit und Genauigkeit. Aber die neue Reporting- und Forecasting-Methode sollte eigentlich für sich selbst sprechen. Wir haben unsere alte, traditionelle Reporting- und Forecasting-Methode parallel zur neuen Methode laufen lassen. Nach einigen Monaten konnten wir sehen, welche besser funktioniert. Das war unser Ansatz, und er funktioniert.
Olga Rudakova
Das ist eine ziemlich überzeugende Methode für den Übergang und die Einführung. Vignesh, zurück zu Ihnen. Wie sollten Finance-Verantwortliche den Wert KI-gestützter Treibermodelle erklären?
Vignesh Dumonceau
Ich schließe mich dem an, was Graham zuvor gesagt hat. Vereinfacht gesagt bleibt KI für mich ein Werkzeug. Zu unterschiedlichen Zeiten hatten wir unterschiedliche Weiterentwicklungen unserer Werkzeuge. Es ist besser, auf einem Pferd zu reiten als zu Fuß zu gehen, und besser, ein Auto zu haben als auf einem Pferd zu reiten. Jedes Mal erhalten wir also zusätzliche Möglichkeiten. Die Frage ist dann immer die Abwägung zwischen Kosten und Nutzen: Werden wir durch diese Implementierung tatsächlich die zusätzliche Leistungsfähigkeit erreichen? Ich glaube, dass wir das werden. Ich persönlich bin überzeugt, dass KI helfen wird und auch die wertschöpfenden Tätigkeiten unserer Teams verbessern kann. Aber wir müssen zeigen, dass sich dies positiv auf die Führungskräfte, ihre Arbeitsergebnisse und die Ergebnisse für das Unternehmen auswirkt. Das wird mit der Zeit kommen.
Olga Rudakova
Vielen Dank für diesen Ausblick. Nun kommen wir zu Grahams Präsentation. Graham Hunter spricht über die praktische Einführung von KI in die treiberbasierte Planung. Graham, ich übergebe Ihnen das Mikrofon und die Bühne.
Graham Hunter
Vielen Dank, Olga. Es ist wichtig zu verstehen, dass es sich hierbei um Transformationsprojekte handelt. Schon vor zehn Jahren, noch ohne KI, erforderte treiberbasierte Planung ein erhebliches Maß an Unternehmenstransformation – unabhängig davon, ob es sich um ein großes oder kleines Projekt handelte. KI bringt zusätzliche Dimensionen hinein und erhöht die Komplexität. Es ist sehr einfach, nur auf die rechte Seite zu schauen und all die neuen Möglichkeiten zu sehen. Dem stehen jedoch andere Faktoren gegenüber, die ebenfalls berücksichtigt und gesteuert werden müssen – nicht nur innerhalb der Finance-Organisation, sondern auch bei den Business Partnern, mit denen Sie zusammenarbeiten müssen, um eine vollständig treiberbasierte Planung zu ermöglichen. Die Enablement-Lücke wurde meiner Meinung nach auch durch die letzte Umfrage deutlich. In Unternehmen gibt es nur selten zentrale Ressourcen, die dabei helfen zu verstehen, was mit agentenbasierten Systemen und KI generell möglich ist. Dies in die eigene Planung einzubeziehen, ist sehr wichtig. Wenn wir uns einige Vorteile ansehen, liegen sie ziemlich klar auf der Hand. Verantwortlichkeit ist ein wichtiger Bestandteil der treiberbasierten Planung und dessen, was KI im gesamten Unternehmen bewirken kann. Natürlich wird das Business fragen: Wie viel Veränderung bringt ihr damit in das Unternehmen? Und daraus kann schnell eine politische Frage werden. Dann ist da die Transparenz. Gerade Vertriebsteams fragen häufig: Müssen wir Finance wirklich alle unsere Daten geben? Sobald Sie damit beginnen festzulegen, welche Daten für Prognosen in Finance-Systeme übernommen werden sollen, steigt die Komplexität. Wer bezahlt die Systemintegration? Sie kostet Zeit und Geld. Aus wessen Budget kommt das? Und schließlich ist da die Agilität. Sie ist meiner Meinung nach das, was jedes Finance-Team letztlich erreichen möchte. Auch dabei kommen weitere politische Fragen ins Spiel. Wo sollte man also anfangen? Das ist eine der Fragen, die uns am häufigsten gestellt werden. Natürlich ist es nicht sinnvoll, gleich zu versuchen, alles auf einmal zu lösen. Es gibt dazu verschiedene bekannte Aussagen. Eine davon lautet sinngemäß: Das Perfekte ist der Feind des Guten. Ich habe kürzlich ein 400 Jahre altes Zitat aus König Lear gefunden, das im Grunde genau dasselbe aussagt. Und lustigerweise wurde mir inzwischen sogar gesagt, ich solle einen bestimmten Satz nicht mehr verwenden: Wir wissen nicht, was wir nicht wissen. Aber genau das ist 2026 die Wahrheit. Wo also beginnen? Ich möchte zwei Erfolgsrezepte vorschlagen. Das erste stammt aus der Softwareentwicklung und insbesondere aus der Startup-Welt. Wenn man ein neues Unternehmen ist und etwas auf den Markt bringen möchte, definiert man häufig ein Minimum Viable Product. Das ist nicht das Produkt, das Sie als Version eins veröffentlichen. Es ist nicht einmal eine Beta-Version. Es geht um die Frage: Welches Produkt können wir zusammenstellen, das wir Menschen in unserem Zielmarkt geben können und das bereits einen messbaren Nutzen liefert? Von dort aus entwickelt man auf Basis des grundlegenden Feedbacks iterativ weiter. Ich würde vorschlagen, bei treiberbasierter Planung – insbesondere wenn KI hinzukommt – genau diese Denkweise anzuwenden. Der potenzielle Umfang eines solchen Projekts kann sehr groß sein. Die zweite Strategie lautet „Crawl, Walk, Run“, also schrittweise Vorgehen. Ich habe einige Unternehmen gesehen, die das sehr gut umsetzen. Sie verwenden PowerPoint-Vorlagen, die ungefähr so aussehen wie das, was Sie gerade sehen: drei Spalten. In der Crawl-Phase steht bewusst der größte Detailgrad. Hier definieren Sie, was Sie in den nächsten drei bis sechs Monaten erreichen wollen. Was sind Ihre unmittelbaren Ziele für die erste Phase? Die Walk-Spalte ist absichtlich ungefähr halb so groß. Hier geht es darum: Was kommt als Nächstes? Und rechts steht Run, bewusst nur mit ein oder zwei Sätzen. Dabei ist kulturelle Disziplin wichtig, denn zwangsläufig wird jemand versuchen, den Run-Bereich ausführlicher zu gestalten und das Feld größer zu ziehen. Dann muss man sagen: Nein, stopp. Run bleibt bei ein bis zwei Sätzen. Wir denken zu weit voraus. Das Feld wird wieder verkleinert. Ein weiterer wichtiger Punkt: Wenn Sie den Zeitraum von etwa 90 Tagen abgeschlossen und erste Dinge umgesetzt haben, beginnen Sie wieder von vorne. Was ist Ihr nächster Crawl? Was ist Ihr nächster Walk? Und was ist Ihr Run? Der Ansatz wird auf Basis der gewonnenen Erkenntnisse angepasst. So kann man schnell beginnen, ohne auf den großen perfekten Plan zu warten. Dann kommt die Priorisierung. Das ist eine Frage der Perspektive, und ich bin sicher, dass jeder hier etwas anders priorisieren würde. Aus Business-Sicht könnte es Probleme in der Sales Pipeline geben. Vielleicht beobachten Sie stark schwankende Rohstoffpreise und möchten diese zuerst besser in den Griff bekommen. Aus Finance-Sicht gibt es möglicherweise einen bestimmten Finance-Prozess, auf den Sie sich konzentrieren möchten. Oder Sie betrachten die menschliche Perspektive und die drei übergeordneten Risiken und Vorteile, die wir zuvor genannt haben. Vielleicht sind ein oder zwei davon für Sie besonders wichtig. Denken Sie also bei der Priorisierung des Startpunkts daran, dass Sie verschiedene Blickwinkel einnehmen können. Ich habe hier Beispiele für drei unterschiedliche Stufen und mögliche Ziele. Eine der einfachsten Möglichkeiten ist zunächst eine reine Umsatzprognose und ein Forecast der Gewinn- und Verlustrechnung zum Jahresende. Verwenden Sie Ihre vorhandenen Hauptbuch-Zusammenfassungen; monatliche Zusammenfassungen reichen aus. Sie müssen keine einzelnen Transaktionen laden. Führen Sie eine einfache Machine-Learning-Prognose mit einem linearen Regressionsmodell durch. Fügen Sie einige Eingabevariablen hinzu: Wir gehen davon aus, dass der Umsatz um 5 % steigt. Wir glauben, dass wir diese OPEX-Kategorie steuern und um 5 % reduzieren können. Beginnen Sie mit einigen grundlegenden Modellen und leiten Sie daraus ab, wie Ihre Gewinn- und Verlustrechnung zum Jahresende aussehen könnte. Ich habe das einige Male als Pilotprojekt durchgeführt, und interessanterweise lagen die Ergebnisse tatsächlich innerhalb von 2 bis 3 % des späteren Ist-Werts. Über zwei oder drei Jahre funktioniert das allerdings nicht. Dafür gibt es schlicht nicht genügend Daten, um genaue Prognosen zu erstellen. Für einen längeren Prognosehorizont oder eine höhere Genauigkeit müssen Sie zu einer stärker treiberbasierten Planung übergehen. Die Walk-Phase könnte dann eine integrierte Umsatzplanung sein. Das ist ein sehr logischer zweiter Schritt, nachdem Sie Ihre erste Crawl-Phase abgeschlossen haben. Dieser Schritt wird dann natürlich zu Ihrem neuen Crawl. CRM-Systeme enthalten in der Regel eine Fülle von Daten, die sich für Umsatzprognosen nutzen lassen. Sie können beginnen, diese Daten einzubeziehen. Gemeinsam mit Revenue Operations können Sie anschließend fortgeschrittenere Algorithmen einsetzen, die beispielsweise die Validierung von Vertriebsphasen unterstützen. Ein Vertriebsmitarbeiter prognostiziert für einen Abschluss eine Wahrscheinlichkeit von 80 %. Kann ein KI-Algorithmus oder Agent prüfen und bestätigen: Ja, 80 % sind realistisch? Oder sagt er: Moment, Sie haben den richtigen Käufer noch gar nicht identifiziert und noch nicht einmal ein Angebot erstellt. Die tatsächliche Wahrscheinlichkeit für diesen großen Deal liegt eher bei 60 %. Allein eine präzisere Validierung der Vertriebsphase könnte Ihren Umsatz-Forecast erheblich verbessern. Sie haben dann einen Umsatz-Forecast zum Jahresende. Ergänzen Sie die OPEX-Aufwendungen aus der Crawl-Phase, und Sie erhalten eine noch genauere, aktuellere und stärker in Echtzeit verfügbare Prognose Ihrer Gewinn- und Verlustrechnung zum Jahresende. Und dann gibt es die Referenzarchitektur. Es kann leicht ein bis zwei Jahre dauern, bis man sich diesem Zustand überhaupt nähert. Das ist nichts, was Sie einfach sofort einsatzbereit aus einer Box bekommen. Auch hier handelt es sich um eine Transformation – des Unternehmens, der Unternehmenskultur und der Technologie. Ich hatte das Vergnügen, einige solcher Systeme für große Unternehmen zu implementieren. Es lohnt sich. Es lohnt sich, einen Zustand zu erreichen, in dem externe Daten einbezogen werden, Geschäftsbereiche vereinheitlicht sind, die Finanzabteilung Variablen einbringen und Was-wäre-wenn-Analysen durchführen kann und die Transaktionssysteme aufeinander abgestimmt sind. Die Vorteile unten auf der Folie möchte ich noch einmal vorlesen, weil sie es wert sind, betont zu werden: planbare Umsätze, planbare Ausgaben – keine unerwarteten Überraschungen aus Coupa – und Agilität in der Planung. Wenn etwas in Ihrem Unternehmensumfeld passiert, haben Sie das Gefühl, die Situation unter Kontrolle zu haben. Und als übergeordnetes Ziel kann Finance in diesem Umfeld strategischer werden und ist nicht mehr nur die Funktion, die am Ende die Zahlen berichtet oder das Jahresbudget erstellt. Vielen Dank. Ich freue mich auf Ihre Fragen.
Olga Rudakova
Vielen Dank. Und wir freuen uns tatsächlich auf Ihre Fragen – und auf die Antworten. In unserem Chat sind bereits sehr viele Fragen eingegangen. Vielen Dank, Graham, für die großartigen Beispiele und für die Einführung dieses „Crawl, Walk, Run“-Frameworks. Es eignet sich offensichtlich nicht nur für treiberbasierte Planung, sondern für jede Art von Veränderung. Lassen Sie uns direkt in die Fragerunde einsteigen, denn ich möchte zumindest einige der Fragen beantworten. Wenn Ihre Frage heute nicht beantwortet wird, warten Sie bitte auf eine schriftliche Antwort im Anschluss. Beginnen wir. Mike, ich habe eine Frage, die direkt an Sie gerichtet ist und unmittelbar nach Ihrer Präsentation eingegangen ist: Was verwenden Sie als Erfolgsmaßstab und als Grundlage für Boni, wenn Sie keinen Jahresplan beziehungsweise Annual Operating Plan mehr haben?
Mike Uvarov
Erfolgsmaßstab – ich würde hier an das anknüpfen, was Graham gesagt hat. Setzen Sie sich zu Beginn Ziele für Ihre erste Crawl-Phase, sodass Sie mit schnellen Erfolgen ein gutes Gefühl bekommen. Diese Quick Wins sind sehr wichtig, um das Projekt zu stärken und voranzubringen. Wenn Sie erste Erfolge sehen, selbst kleine – Sie haben beispielsweise eine bestimmte Struktur bereinigt, sie eingebunden und sie funktioniert –, dann erkennen Sie, dass Erfolg nicht erst am Ende des Projekts steht. Es muss eine Folge aufeinander aufbauender Erfolge geben. Und der zweite Teil der Frage bezog sich auf Boni? Den habe ich nicht ganz verstanden.
Olga Rudakova
Normalerweise sind Boni daran gekoppelt, ob die Ziele des Jahresplans erreicht werden. Wenn man sich davon entfernt und treiberbasiert plant, wie entscheidet man dann über Boni?
Mike Uvarov
Dann muss möglicherweise auch die Bonusstruktur angepasst werden. Es gibt unterschiedliche Ansätze, wie man das machen kann. Aber das wäre vielleicht ein Thema für ein anderes Webinar.
Olga Rudakova
Richtig. Vignesh, kommen wir zu Ihnen. Ich habe eine ganze Reihe von Fragen für Sie, aber ich habe eine sehr praktische Frage zur treiberbasierten Planung ausgewählt. Nutzen Sie eine begrenzte Anzahl von Treibern für die gesamte GuV oder haben Sie für jede einzelne GuV-Position eigene Treiber?
Vignesh Dumonceau
Das ist eine sehr gute Frage. Ich würde sagen, es ist tatsächlich eine Kombination. Das ist mein persönlicher Ansatz – jeder Controller und CFO geht etwas anders vor. Ich versuche, die Anzahl der Treiber zu begrenzen, sie aber sehr gezielt auszuwählen, miteinander zu verbinden und sicherzustellen, dass sie einfach genug sind, damit die Menschen sie verstehen und ein echter Zusammenhang besteht. Treiber sind ein wenig wie Allokationen. Wir können die Anzahl der Treiber erhöhen und damit auch die Komplexität. Ich tendiere jedoch zu einer kleineren Anzahl von Treibern, die dafür leistungsfähiger und besser miteinander verknüpft sind.
Olga Rudakova
Genau. Es ist immer eine Abwägung zwischen Einfachheit und Transparenz auf der einen Seite und einer möglicherweise etwas höheren Genauigkeit bei deutlich größerer Komplexität auf der anderen. Letztlich muss der jeweilige Controller hier ein gutes Gleichgewicht finden. Graham, eine weitere technische Frage an Sie. Wir versuchen wirklich, möglichst praktische Fragen auszuwählen. Wie viel analytisches Know-how muss FP&A realistischerweise aufbauen, um treiberbasierte Modelle zu entwickeln und zu validieren, wenn die Zusammenhänge nicht offensichtlich sind? Und in welchem Umfang kann KI diese Aufgaben übernehmen, beziehungsweise wann braucht man dedizierte Data-Science-Unterstützung? Einfach gesagt: Kann ein durchschnittliches FP&A-Team ein solches Modell mithilfe von KI ohne tiefgehendes Spezialwissen aufbauen, oder brauchen wir weiterhin Data Scientists?
Graham Hunter
Ich werde jetzt eine wahrscheinlich sehr unpopuläre Meinung äußern: Data Scientists wissen häufig nicht, wie sie mit Finance sprechen sollen, und verstehen oft auch nicht, wie man mit den Menschen im Business kommuniziert. Entschuldigung an alle Data Scientists, die gerade zuhören. Aber ich würde Sie ermutigen, die Sprache des Business zu lernen und zu verstehen, was Finance macht. Ein kurzer Exkurs: Ich hatte das große Glück, meine Karriere als Statistiker zu beginnen. Dann sah ich in den 1990er-Jahren Arbor Essbase und wechselte sofort in die Welt des Enterprise Performance Management, in der ich seitdem arbeite. Ich habe also diesen Hintergrund. Und etwas, das ich immer wieder beobachtet habe: Wenn man Data Science einbezieht – sofern es im Unternehmen ein entsprechendes Team gibt –, muss man oft mit langen Zyklen rechnen. Wenn man mit Data Scientists über „Crawl, Walk, Run“ spricht, gefällt ihnen dieser Ansatz häufig nicht. Sie wollen vollständiges Design und vollständige Anforderungen von Anfang an. Um direkt auf die Frage zu antworten: Ich würde empfehlen, entweder jemanden aus dem bestehenden Finance-Team entsprechend weiterzubilden – dafür gibt es sehr viele Kurse – oder jemanden einzustellen, der nicht unbedingt Data Scientist sein muss. Und Sie müssen auch nicht sofort mit Machine Learning beginnen; zunächst reichen statistische Algorithmen. AWS, Azure und Google Cloud bieten Kurse und grundlegende Zertifizierungen an, die Menschen aus Finance meiner Meinung nach gut absolvieren können. Alternativ können Sie jemanden einstellen, der kein klassischer Data Scientist ist – oder, falls doch, jemanden, der die Finance-Rolle wirklich versteht. Von dort aus sollten Sie die ersten Schritte selbst gehen können. Noch einmal Entschuldigung an die Data Scientists: Die erste Crawl-Phase sollte wahrscheinlich nicht unbedingt das Data-Science-Team einbeziehen. Das Finance-Team sollte zunächst selbst erste Erfahrungen mit diesen neuen Technologien sammeln. Wenn Sie diese erste Phase abgeschlossen haben, können Sie ein wesentlich fundierteres Gespräch mit Data Science führen, falls Sie zu diesem Zeitpunkt entscheiden, dass deren Unterstützung sinnvoll ist. Ich hoffe, das beantwortet die Frage.
Olga Rudakova
Das hoffe ich ebenfalls. Vielen Dank für die Antwort. Das ist ein weiterer Hinweis darauf, dass Finance ein Stück weit die Sprache von Data Science lernen muss und Data Science wiederum die Sprache des Business. Dann können wir irgendwann alle miteinander sprechen. Vielen Dank für diesen Kommentar. Ich habe noch eine praktische Frage, die ich an Sie alle richten möchte: Wie fängt man an? Ich beginne mit Ihnen, Vignesh, aber lassen Sie mich zunächst die Frage vorlesen. Wo sollte ein FP&A-Team anfangen, das bisher noch keine KI einsetzt und aktuell mit einem EPM-System und Excel arbeitet? In welchem FP&A-Bereich lässt sich KI am einfachsten einführen – Reporting, Planung, Modellierung, Analyse oder etwas anderes? Wie beginnt man also mit KI, wenn man sie bislang nicht nutzt, aber EPM und Excel bereits vorhanden sind? Vignesh, was denken Sie?
Vignesh Dumonceau
Das ist eine sehr gute Frage, und ich denke, genau damit beschäftigen sich viele FP&A-Teams in ihrem Arbeitsalltag. Bei KI würde ich zunächst auf die Richtlinien Ihres Unternehmens schauen. Manchmal gibt es ein internes KI-Tool, das entwickelt oder bereitgestellt wurde. In FP&A arbeiten wir mit vertraulichen Daten und Informationen über Geschäftsentscheidungen. Deshalb muss man die Datenrichtlinien des Unternehmens berücksichtigen. Wenn Sie ein internes KI-Tool oder eine entsprechende Lizenz zur Verfügung haben, würde ich im ersten Schritt eher auf der Reporting-Seite beginnen. Nutzen Sie Ihre Reporting-Daten. Im einfachsten Fall können Sie beispielsweise Inhalte aus Excel in das Tool übertragen, einen Dialog beginnen und versuchen, ein Modell aufzubauen. Wenn Sie kein internes Tool haben und auf ein externes KI-Tool zurückgreifen müssen, prüfen Sie unbedingt die Unternehmensrichtlinien. Klären Sie, ob Sie interne Daten dort verwenden dürfen. Mit dem richtigen Kontext können Sie dann wahrscheinlich ähnlich vorgehen. Das wäre – wie Graham gesagt hat – die Crawl-Phase, also der erste Schritt. Machen Sie sich zunächst damit vertraut, wie das Tool reagiert und welche Ergebnisse es liefert. Der nächste Schritt wäre, etwas über KI-Agenten und agentenbasierte KI zu lernen. Dann könnten Sie versuchen, selbst einen Agenten zu erstellen, der beispielsweise einen Forecast für Sie erstellt. Sie stellen Basisdaten bereit, geben ihm ein Modell und bitten ihn, auf Grundlage eines Treibers einen beispielhaften Forecast zu erstellen, über den Sie anschließend in einen Dialog treten können. Das wäre die zweite Stufe. Auf der dritten Stufe hätten Sie mehrere Agenten, aber das wäre noch einmal ein weiterer Schritt. Der erste Schritt lautet also ganz einfach: Nehmen Sie das Tool, geben Sie einige Basisdaten ein und beginnen Sie einen Dialog. So würde ich vorgehen.
Olga Rudakova
Genau. Einfach anfangen und experimentieren. Mike, kommen wir zu Ihnen. Vignesh hat bereits sehr ausführlich geantwortet. Aber wenn Sie noch etwas ergänzen möchten: Wie können wir mit der Implementierung von KI in FP&A beginnen?
Mike Uvarov
Wenn das vergangene Jahr für KI noch ein bisschen der Wilde Westen war, in dem einige Menschen begonnen haben zu experimentieren und Daten in GPT oder Claude hochzuladen, dann haben die Unternehmen inzwischen – wie Vignesh gesagt hat – mit ihren Richtlinien nachgezogen. Wenn Sie bereits ein EPM-Tool haben, würde ich Ihnen dringend empfehlen, sich die neuesten Releases anzusehen. Die Wahrscheinlichkeit ist groß, dass KI-Funktionen inzwischen bereits in diese Tools integriert werden.
Olga Rudakova
Richtig. Also mit dem beginnen, was bereits vorhanden ist, und prüfen, welche Möglichkeiten die bestehenden Tools bieten. Sehr gut. Graham, was denken Sie? Wie können wir mit der Implementierung von KI in FP&A beginnen?
Graham Hunter
Die offensichtlichste Lücke am Anfang sind meiner Meinung nach Prompting-Kompetenzen – also die Fähigkeit, effektive Prompts zu schreiben, um das gewünschte Ergebnis zu erhalten. Das ist in Finance häufig die erste Hürde für eine effektive Analyse und für den Einstieg in die agentenbasierte Welt. Ich stimme Vignesh vollkommen zu. Ich würde lediglich noch einen Punkt ergänzen. Wenn Sie Zugang zu M365 Copilot haben: Es ist vielleicht nicht die beste KI, aber es ist auf jeden Fall sicher und unmittelbar mit Ihren Unternehmensdaten verbunden. Ich warte gewissermaßen darauf, dass jemand mit einer deutlich besseren Business-KI kommt. Bis dahin ist M365 Copilot die rund 30 Dollar im Monat durchaus wert. Gründen Sie eine kleine Arbeitsgruppe, ein Tiger Team oder wie auch immer Sie es nennen möchten. Identifizieren Sie Ihre Champions und machen Sie ihnen klar, dass es wichtig ist, auch denjenigen zu helfen, die noch nicht so weit sind. In Copilot gibt es eine Möglichkeit, Prompts zu teilen. Microsoft hat sie ziemlich gut versteckt. Finden Sie diese Funktion und zeigen Sie allen, wie sie Prompts untereinander teilen können. Das wäre tatsächlich mein Vorschlag für den ersten Schritt. Sobald Sie lernen, gute Prompts zu schreiben – umfangreichere, längere und bessere Prompts –, ergibt sich vieles Weitere fast von selbst. Es ist erstaunlich, wie schnell Menschen, sobald sie das Prinzip verstanden haben, zu fortgeschritteneren Anwendungsfällen übergehen. Ohne diese Grundlagen bleiben sie jedoch hängen. Dann sitzen sie vor ihrem Prompt-Fenster und fragen sich: Was soll ich die KI eigentlich tun lassen?
Olga Rudakova
Großartig. Graham, ich freue mich sehr, dass Sie genau das angesprochen haben. Vom Prompt Engineering gelangt man dann zum Context Engineering, zu guten Anweisungen, Skills und Plugins. Am Ende kommt all das hinzu – aber der Ausgangspunkt ist ein guter, präzise formulierter Prompt. Vielen Dank für all Ihre Antworten. Wir werden versuchen, die verbleibenden Fragen schriftlich zu beantworten. Bitte haben Sie ein wenig Geduld mit uns. Noch einmal möchte ich unserem Sponsor CCH Tagetik von Wolters Kluwer dafür danken, dass er diese Veranstaltung möglich gemacht hat. Ich möchte Ihnen außerdem zeigen, wie Sie über verschiedene Kanäle mit unserer globalen FP&A Trends Community in Kontakt bleiben können. Wählen Sie einfach den Kanal, den Sie selbst am häufigsten nutzen. Bitte nehmen Sie am Ende an unserer kurzen Umfrage teil und helfen Sie uns damit, uns weiter zu verbessern. Ihr Feedback ist für uns sehr wichtig. Und vor allem möchte ich unseren heutigen Referierenden und Panel-Teilnehmern dafür danken, dass Sie Ihr Wissen, Ihre praktischen Erfahrungen und Fallstudien mit uns geteilt haben. Vielen Dank dafür. Ein großes Dankeschön auch an unser Publikum, dass Sie heute live dabei waren. Ich wünsche Ihnen einen schönen Tag beziehungsweise einen schönen Abend und freue mich darauf, Sie beim nächsten FP&A-Webinar wiederzusehen. Auf Wiedersehen.
Graham Hunter
Vielen Dank. Vielen Dank an alle.
