Executive Finance Summit

case study

Solutions

Finanzberichterstattung, Management-Berichterstattung, Planung, Autonome Finanzfunktionen

Size

120 führende Finanzexperten aus der DACH-Region

Revenue

„Dies ist nichts, was in der Zukunft liegt. Dies ist Realität. Dies ist etwas, das wir heute erreichen können.“

Daniele Tedesco

CEO bei Apliqo

Daniele Tedesco, CEO von Apliqo, präsentierte auf dem Executive Finance Summit 2026 den Übergang von der traditionellen periodischen Planung hin zu dem, was er als „autonome Finanzwirtschaft“ bezeichnete.

Kern der Präsentation war eine Live-Demonstration von drei KI-Agenten, die durchgängig auf das Finanzmodell eines Beispielunternehmens angewendet wurden: Beschleunigung des Monatsabschlusses, Abweichungsanalyse und autonome Prognoseerstellung.

Daniele stellte das Problem als eine Diskrepanz zwischen der Planungsfrequenz und der geschäftlichen Realität dar. Die Finanzabteilung arbeitet nach wie vor in festen Zyklen: Jahresbudgets, Drei-plus-Neun-, Sechs-plus-Sechs-, Neun-plus-Drei-Prognosen. Das Unternehmen selbst bewegt sich jedoch nicht in diesen Intervallen. Es wird kontinuierlich von Währungsschwankungen, geopolitischen Ereignissen und anderen Störungen beeinflusst.

Einige konkrete Schwachstellen, die er ansprach:

Die Abweichungsanalyse findet im Nachhinein statt. Bis sie also einen Entscheidungsträger erreicht, sind die zugrunde liegenden Daten bereits veraltet. Er zitierte eine Statistik, ohne eine Quelle zu nennen, wonach 47 % der CFOs besorgt sind, dass sie Entscheidungen auf der Grundlage veralteter Informationen treffen.
Die erfahrensten Mitarbeiter im Finanzbereich verbringen die ersten 10 bis 15 Tage eines jeden Monats mit den Mechanismen des Monatsabschlusses und nicht mit der Gewinnung von Erkenntnissen.
Er verwies auf eine Gartner-Prognose aus dem Jahr 2023, nach der 90 % der Finanz- und Analyseaufgaben bis 2027 automatisiert sein würden, was einem Wert von nur 3 % der Finanzorganisationen gegenübersteht, die KI heute bereits vollständig im Performance Management einsetzen. Diese Lücke nutzte er als Rahmen für den Rest des Vortrags.
Die Ursachen für Abweichungen liegen oft unter der Hauptzahl verborgen. In der Demo war die Rentabilität der Gruppe im Jahresvergleich von 1,7 Millionen auf 1,2 Millionen gesunken, aber hinter dieser einzelnen Zahl verbargen sich gegenläufige Schwankungen: Einige Produktlinien und Regionen übertrafen die Erwartungen, während andere hinter den Erwartungen zurückblieben, und die wahre Geschichte kam erst zum Vorschein, nachdem man sich die Details zu Produkten, Kunden, Vertriebskanälen und Kostenstellen genauer ansah.

Was wäre, wenn Istwerte und Abweichungen kontinuierlich überwacht würden, anstatt erst Wochen später analysiert zu werden? Kein größeres Team und keine schnellere Tabellenkalkulation, sondern ein Agent, der Abweichungen sofort meldet, wenn sie auftreten, das dahinterstehende Modell durchdenkt und einem Menschen eine Empfehlung zur endgültigen Entscheidung vorlegt.

Daniele stellte eine Architektur mit drei Agenten vor, die auf IBM Planning Analytics aufbaut und in jeder Phase eine menschliche Kontrollinstanz umfasst. Er betonte ausdrücklich, dass dies als Co-Pilot und nicht als Autopilot konzipiert ist.

Agent 1: Beschleunigung des Monatsabschlusses. Bestätigt die Datenverfügbarkeit und lädt diese. IBM Planning Analytics führt anschliessend die Intercompany-Eliminierung, die Fremdwährungsumrechnung und die anderen Modellberechnungen durch. Der Agent prüft die Saldenbilanzen nach Gesellschaften, markiert nicht zugewiesene Konten und klassifiziert offene Posten nach Wesentlichkeit. Wenn ein wesentlicher Punkt offen ist, stoppt er und übergibt an einen Menschen. Nach der Freigabe verfasst er einen Bericht, der seine Arbeit zusammenfasst.

Agent 2: Abweichungsanalyse. Läuft kontinuierlich gegen Ist-Daten des Hauptbuchs, Budget und Prognosen über sämtliche Gesellschaften und einen definierten Satz von KPIs (Daniele wies darauf hin, dass das Unternehmen entscheidet, welche KPIs überwacht werden, um den Fokus zu wahren). Er wendet absolute und prozentuale Schwellenwerte an, um Abweichungen in Prioritätsstufen einzuteilen, zum Beispiel: Priorität 1, wenn eine Abweichung sowohl gegenüber dem Ist-Wert als auch dem Budget 75.000 $ überschreitet; Priorität 2, wenn sie 75.000 $ gegenüber der Prognose oder der Abweichung der Vorperiode überschreitet. Er analysiert die Ursachen über Dimensionen wie Region, Produkt und Kanal hinweg, kann den verantwortlichen Budgetverantwortlichen identifizieren und verfasst einen bewerteten Bericht, den sowohl ein menschlicher Prüfer als auch der nächste Agent nutzen können. Er greift auch auf eine "Skills"-Bibliothek zu, in der Finanzteams unternehmensspezifische Kontexte hinterlegen, die eine allgemeine Schwellenwertregel nicht erfassen würde, wie beispielsweise einen Produktionsstopp, der gleichzeitig den Umsatz und die COGS (Herstellungskosten) senkt.

Agent 3: Autonome Prognose. Wird nach einem Zeitplan, einem wesentlichen Abweichungsereignis oder einer manuellen Anforderung ausgelöst. Er liest die aktuellen Ist-Daten, die vorherige Prognose, den Abweichungsbericht von Agent 2 sowie bestehende Treiberannahmen und bewertet dann, welche Treiberlogik noch zu jedem Signal passt, markiert einmalige Posten zum Ausschluss und protokolliert jede vorgenommene Änderung. Die Berechnung selbst wird an IBM Planning Analytics übergeben und nicht vom Modell durchgeführt. Danieles Formulierung hierzu: "Sie wollen nicht, dass eine probabilistische Engine versucht, Berechnungen durchzuführen, wenn eine deterministische Engine dies jedes Mal richtig macht." Der Agent führt Szenariovergleiche mit der vorherigen Prognose als Baseline durch und stellt sein Ergebnis dann als separate Version zur Verfügung, die der CFO vor der Veröffentlichung in natürlicher Sprache prüfen, hinterfragen, anpassen und freigeben kann.

Während der Fragerunde fügte Daniele hinzu, dass die Plattform modellunabhängig ist: Kunden können ihr eigenes LLM (lokal oder in der Cloud) mitbringen, ihre eigenen OpenAI- oder Anthropic-API-Schlüssel anbinden oder die SaaS-Version von Apliqo nutzen, die AWS Bedrock mit Spitzenmodellen einschliesslich Claude von Anthropic verwendet. Er sagte auch, dass der grösste geschäftliche Wert im Skill-System und nicht im zugrunde liegenden Modell liegt, da die Finanzteams dort ihr Urteilsvermögen kodieren, das ein generisches Modell nicht besäße.

Dies sind die Ergebnisse der Live-Demo und keine geprüften Zahlen aus einem produktiven Einsatz.

Der Agent für den Monatsabschluss lud die Mai-Daten für alle Einheiten in etwa 120 Sekunden, glich die Master-Saldenliste ab und kennzeichnete eine Differenz als unwesentlich (unter dem für diese Prüfung festgelegten Schwellenwert von 1 USD). Es wurden keine nicht zugeordneten Konten gefunden.
Der Abweichungs-Agent identifizierte den Heimatmarkt der Kern-Zusatzproduktlinie als die größte Einzelbelastung für den Gruppenumsatz und stellte separat fest, dass der E-Commerce-Kanal für Sporternährung um 18 % über dem Budget und um 27 % über dem Vorjahr lag.
Im Prognose-Agenten bat Daniele darum, den Wachstumsfaktor für Sporternährung auf 40 % anzuheben, während die Saisonalität konstant gehalten werden sollte. Der Agent schlug die Änderung vor, zeigte die Auswirkung (eine revidierte Segmentprognose von 6,795 Millionen) und wartete auf die Freigabe vor dem Zurückschreiben. Er wiederholte das Schema beim OpEx-Modell, wechselte zu einer Sechs-Monats-Run-Rate mit einer Kostensteigerung von 3 % und verlangte auch hier eine Genehmigung vor der Buchung.

Daniele schloss mit den Voraussetzungen, die seiner Beschreibung nach erforderlich sind, um diese Ergebnisse in einem echten Unternehmen und nicht nur in einer Demo zu erzielen: ein solides Datenfundament und ein ordnungsgemäßes dreidimensionales Finanzmodell (GuV, Bilanz, Cashflow, die von den Teilmodellen gespeist werden), da KI auf schlechter Datengrundlage nur noch mehr vom Gleichen produziert. Er empfahl, mit der Abweichungsanalyse zu beginnen, bevor man sich an autonome Prognosen wagt, da dies einerseits der risikoärmere Einstieg ist und andererseits die Verbesserungen der Datenqualität erzwingt, von denen die spätere Prognose abhängt. Er wies auch auf das Change Management als ein separates, fortlaufendes Hindernis hin. Seine geäußerte Erwartung (kein gemessenes Ergebnis) war, dass Unternehmen, die dieser Abfolge folgen, überdurchschnittliche Renditen erzielen würden. Unabhängig davon schlug er als Antwort auf eine Frage aus dem Publikum vor, dass dieser Ansatz am besten für mittelgroße Unternehmen (ca. 500 bis 10.000 Mitarbeiter) geeignet ist, da sehr große Organisationen tendenziell eine höhere Datenkomplexität aufweisen, was die KI-Ergebnisse ohne erhebliche Sicherheitsvorkehrungen weniger zuverlässig macht.