Executive Finance Summit

Case Study

Der Executive Finance Summit 2026 fand am 24. Juni in den Räumlichkeiten von IBM in Zürich statt und brachte führende Finanzverantwortliche zusammen, um zu erörtern, wie KI die Fähigkeiten und die Rolle der Finanzabteilung grundlegend verändert.

Verwendete Produkte

Apliqo FPM + Apliqo UX + Apliqo IX

Lösungen

Finanzberichterstattung, Managementberichterstattung, Planung, Autonome Finanzsysteme

Grösse

120 führende Finanzexperten aus der DACH-Region

Einnahmen

Table Of Contents:

Übersicht

Herausforderungen

Lösung

Ergebnisse

„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 Wandel von der traditionellen periodischen Planung hin zu dem, was er als „autonome Finanzierung“ bezeichnete.

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

Daniele stellte das Problem als ein Missverhältnis zwischen Planungsrhythmus und geschäftlicher Realität dar. Die Finanzabteilung arbeitet immer noch in festen Zyklen: Jahresbudgets, Drei-plus-Neun-, Sechs-plus-Sechs-, Neun-plus-Drei-Prognosen. Das Geschäft selbst bewegt sich jedoch nicht in diesen Intervallen. Es wird kontinuierlich durch Währungsschwankungen, geopolitische Ereignisse und andere Störungen beeinflusst.

Einige konkrete Schwachstellen, die er ansprach:

Abweichungsanalysen finden im Nachhinein statt. Bis sie also einen Entscheidungsträger erreichen, sind die zugrunde liegenden Daten bereits veraltet. Er zitierte eine Statistik, ohne eine Quelle zu nennen, wonach sich 47 % der CFOs Sorgen machen, Entscheidungen auf der Grundlage veralteter Informationen zu treffen.
Die erfahrensten Finanzmitarbeiter verbringen die ersten 10 bis 15 Tage eines jeden Monats mit den Mechanismen des Monatsabschlusses, anstatt Erkenntnisse zu generieren.
Er verwies auf eine Prognose von Gartner aus dem Jahr 2023, nach der bis 2027 90 % der Finanz- und Analyseaufgaben automatisiert sein würden, im Vergleich zu einer von ihm genannten Zahl von nur 3 % der Finanzorganisationen, die KI heute im Performance Management vollständig anwenden. Diese Kluft nutzte er, um den Rest des Vortrags zu strukturieren.
Die Hauptursachen für Abweichungen liegen oft unter der Hauptzahl verborgen. In der Demo war die Rentabilität der Gruppe im Vergleich zum Vorjahr von 1,7 Millionen auf 1,2 Millionen gesunken, aber diese einzelne Zahl verdeckte 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 ins Detail von Produkten, Kunden, Vertriebskanälen und Kostenstellen eingetaucht war.

Was wäre, wenn Ist-Werte und Abweichungen kontinuierlich überwacht würden und nicht erst Wochen nach dem Ereignis überprüft würden? Kein größeres Team, keine schnellere Tabellenkalkulation, sondern ein Agent, der Abweichungen sofort meldet, wenn sie auftreten, die Logik dahinter analysiert und dem Menschen eine Empfehlung für die endgültige Entscheidung vorlegt.

Daniele präsentierte eine Drei-Agenten-Architektur, die auf IBM Planning Analytics aufbaut, mit einem menschlichen Kontrollpunkt auf jeder Stufe. Er betonte ausdrücklich, dass dies als Copilot und nicht als Autopilot fungieren soll.

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 pro Einheit, kennzeichnet nicht zugewiesene Konten und klassifiziert alle offenen Fragen nach Wesentlichkeit. Wenn ein wesentlicher Punkt offen ist, stoppt er und übergibt an einen Menschen. Nach der Klärung verfasst er einen Bericht, der seine Arbeit zusammenfasst.

Agent 2: Abweichungsanalyse. Läuft kontinuierlich im Abgleich mit den Ist-Daten des Hauptbuchs, dem Budget und dem Forecast über alle Einheiten und einen definierten Satz von KPIs (Daniele wies darauf hin, dass die Fachabteilung festlegt, welche KPIs überwacht werden, um den Output zielgerichtet zu halten). Er wendet absolute und prozentuale Schwellenwerte an, um Abweichungen in Prioritätsstufen einzuteilen, zum Beispiel: Priorität 1, wenn eine Abweichung sowohl gegenüber dem Ist als auch dem Budget 75'000 $ überschreitet; Priorität 2, wenn sie 75'000 $ gegenüber dem Forecast oder der Abweichung der Vorperiode überschreitet. Er analysiert die Ursachen über Dimensionen wie Region, Produkt und Kanal, 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 Bibliothek von „Fähigkeiten“ (Skills) zurück, in der Finanzteams unternehmensspezifische Zusammenhänge hinterlegen, die eine pauschale Schwellenwertregel nicht erfassen würde – wie etwa einen Produktionsstopp, der Umsatz und Herstellkosten (COGS) gleichzeitig senkt.

Agent 3: Autonomer Forecast. Wird nach Zeitplan, bei einer wesentlichen Abweichung oder auf manuelle Anfrage ausgelöst. Er liest aktuelle Ist-Daten, den vorherigen Forecast, die Abweichungsanalysen von Agent 2 sowie bestehende Treiberannahmen aus. Anschliessend beurteilt er, welche Treiberlogik noch zu den jeweiligen Signalen passt, kennzeichnet einmalige Posten zum Ausschluss und protokolliert jede vorgenommene Änderung. Die eigentliche Berechnung wird an IBM Planning Analytics übergeben, anstatt vom Modell selbst durchgeführt zu werden. Danieles Formulierung hierzu: „Man möchte nicht, dass eine probabilistische Engine Berechnungen anstellt, wenn eine deterministische Engine dies jedes Mal fehlerfrei erledigt.“ Der Agent führt Szenarienvergleiche mit dem vorherigen Forecast als Baseline durch und stellt sein Ergebnis als separate Version bereit, die der CFO in natürlicher Sprache prüfen, hinterfragen, anpassen und vor der Veröffentlichung freigeben kann.

In der anschliessenden Fragerunde fügte Daniele hinzu, dass die Plattform modellunabhängig ist: Kunden können ihr eigenes LLM nutzen – lokal oder in der Cloud –, ihre eigenen OpenAI- oder Anthropic-API-Schlüssel anbinden oder die SaaS-Version von Apliqo nutzen, welche über AWS Bedrock mit führenden Modellen wie Claude von Anthropic arbeitet. Er betonte auch, dass das „Skills“-System noch vor dem zugrunde liegenden Modell den grössten geschäftlichen Wert darstellt, da die Finanzteams dort das Fachurteil hinterlegen, welches einem generischen Modell fehlt.

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

Der Agent für den Monatsabschluss lud die Mai-Daten für alle Einheiten in etwa 120 Sekunden, stimmte die Summen- und Saldenliste ab und markierte eine Differenz als unwesentlich (unter dem für diese Prüfung festgelegten Schwellenwert von 1 $). Es wurden keine nicht zugeordneten Konten gefunden.
Der Abweichungsagent markierte den Heimatmarkt der Sparte Kernnahrungsergänzungsmittel als den größten Einzelfaktor, der den Konzernumsatz belastet, und wies separat darauf hin, dass der E-Commerce-Kanal für Sportnahrung 18 % über dem Budget und 27 % über dem Vorjahr lag.
Im Prognose-Agenten bat Daniele darum, den Wachstumsfaktor für Sportnahrung auf 40 % anzuheben und gleichzeitig die Saisonalität konstant zu halten. Der Agent schlug die Änderung vor, zeigte die Auswirkung (eine revidierte Spartenprognose von 6,795 Millionen) und wartete auf die Genehmigung, bevor er sie zurückschrieb. Er wiederholte dieses Muster beim OpEx-Modell, indem er auf eine sechsmonatige Run-Rate mit einer Kostensteigerung von 3 % umstellte, was ebenfalls eine Genehmigung vor dem Buchen erforderte.

Daniele schloss mit den Voraussetzungen, die seiner Meinung nach erfüllt sein müssen, um diese Ergebnisse in einer realen Organisation und nicht nur in einer Demo zu erzielen: eine solide Datengrundlage und ein ordnungsgemäßes dreidimensionale Finanzmodell (GuV, Bilanz, Cashflow mit den entsprechenden Teilmodellen), da eine auf schlechten Daten basierende KI nur noch mehr der gleichen Fehler produziert. Er empfahl, mit der Abweichungsüberwachung zu beginnen, bevor man sich an autonome Prognosen wagt, sowohl weil dies der risikoärmere Einstieg ist als auch weil es die Verbesserungen der Datenqualität erzwingt, von denen die Prognosen später abhängen. Er wies auch auf das Change Management als ein separates, fortlaufendes Hindernis hin. Seine geäußerte Erwartung, kein gemessenes Ergebnis, war, dass Organisationen, die dieser Reihenfolge folgen, überdurchschnittliche Renditen erzielen würden. Unabhängig davon schlug er als Antwort auf eine Publikumsfrage vor, dass sich dieser Ansatz am besten für mittelgroße Unternehmen (ca. 500 bis 10.000 Mitarbeiter) eignet, da sehr große Organisationen tendenziell eine höhere Datenkomplexität aufweisen, die die KI-Ausgabe ohne erhebliche Sicherheitsvorkehrungen weniger zuverlässig macht.