KI in der
Finanzfunktion.

Die meisten KI-Initiativen in Finanzteams scheitern nicht an der Qualität der Modelle. Sie scheitern an Entscheidungen, die niemand bewusst getroffen hat: welcher Prozess zuerst, selbst bauen oder kaufen, welcher Anbieter, ab wann sich Eigenentwicklung lohnt, was das in zwölf Monaten kostet. Und wer "ja" sagt, bevor es live geht.

Dieser Leitfaden verdichtet 35 Beiträge, die wir in der Orcha-Community zu diesen Fragen veröffentlicht haben. Er ersetzt kein Beratungsgespräch — er ordnet die Fragen, die Sie ohnehin beantworten müssen. Egal, ob Sie sich am Ende für Orcha, einen Wettbewerber oder Eigenentwicklung entscheiden.

Neun Kapitel. Vom Denkmodell bis zur Einführung. Am Ende jedes Kapitels eine Frage, mit der Sie Ihre Position prüfen — oder die Sie an Ihr Team weitergeben.

— Das Orcha-Team

Moderne KI ist keine Suchmaschine und kein Roboter. Sie ist eine sehr fähige neue Mitarbeiterin am ersten Tag. Sie hat viel gelesen, denkt schnell, arbeitet rund um die Uhr. Aber sie kennt Ihren Kontenrahmen nicht, Ihre Mandanten nicht, Ihre internen Begriffe nicht. Ohne Kontext kein brauchbares Ergebnis.

Eine knappe Anfrage liefert generischen Text. Ein Absatz Kontext liefert einen Entwurf, der in die nächste Vorlage passt. Nicht das Modell entscheidet, sondern wie gut Sie die Aufgabe erklären.

Die Gewohnheit, die alles verändert

Der grösste Hebel ist nicht das "richtige Tool". Es ist die Reihenfolge im Kopf: vor jeder Aufgabe einmal fragen, ob KI dabei helfen kann — nicht erst, wenn man feststeckt. Wer das umdreht, holt den grössten Teil der Produktivitätsgewinne, die andere mit aufwendigen Lösungen vergeblich suchen.

Auswahl schlägt Technik. Wer sich die spannendste Aufgabe vornimmt — komplex, viele Sonderfälle, viel Bauchgefühl — scheitert fast immer. Den repetitiven, strukturierten Prozess, der jeden Monat wiederkehrt, gewinnt fast jeder.

Drei Bedingungen müssen gleichzeitig erfüllt sein, damit ein Prozess für KI taugt:

• Zeitvolumen: Mehr als rund 5 Stunden pro Woche im Team — darunter trägt sich der Einstieg nicht.
• KI-Qualität: Ein 15-Minuten-Test mit echten Dokumenten zeigt, ob die KI das heute schon kann.
• Entwicklungsaufwand: Tage oder Wochen — nicht Monate. Sonst ist es ein IT-Projekt, kein schneller Einstieg.

Stellen Sie diese sieben Fragen für jeden Prozess, den Sie in der Matrix oben rechts einsortiert haben. Sechs oder mehr "Ja": klarer Kandidat. Vier bis fünf: Quick Win möglich. Weniger als vier: lassen Sie ihn manuell.

1. Zeitvolumen: Beansprucht der Prozess im Team mehr als 5 Stunden pro Woche?
2. Wiederholbarkeit: Läuft er regelmässig in ähnlicher Form ab (täglich, wöchentlich, monatlich)?
3. Praxistest bestanden: Liefert die KI bei echten Dokumenten in 15 Minuten ein brauchbares Ergebnis?
4. Fehlertoleranz: Können Sie ein paar Fehler tolerieren — oder gibt es Stichproben-Kontrollen?
5. Entwicklungsaufwand: Schätzen Sie Tage oder Wochen Aufwand — nicht Monate?
6. Datenverfügbarkeit: Liegen die nötigen Daten in einem zugänglichen Format vor?
7. Datenschutz geklärt: Ist klar, welche Daten die KI sehen darf und welche nicht?

Die alte Logik lautet: erst Datenqualität, dann Automatisierung. Bei klassischen Systemen mit starren Schemata stimmte das. Bei KI-basierten Systemen stimmt es nicht mehr — und es ist die teuerste Ausrede gegen den ersten Schritt.

Moderne LLMs lesen "Reisek.", "Reisekosten" und "Travel Expenses" als dieselbe Kategorie. Sie kommen mit gemischten Sprachen, unterschiedlichen Formaten und unsystematisch gepflegten Stammdaten zurecht. Datenqualität bleibt relevant. Aber sie wird in der KI-Schicht erzeugt — nicht vorab im ERP saubergeputzt.

KI als Strukturschicht über bestehender Infrastruktur

1. Datenquellen anbinden — ERP, Excel, E-Mail, Bank-Portale. Keine Migration nötig.
2. KI liest, interpretiert, strukturiert — format- und sprachunabhängig, mit einem Vertrauenswert je Extraktion.
3. Saubere Daten landen in einer Datenbank — abfragbar über SQL, BI-Tools oder weitere KI.
4. Bestehende Systeme bleiben — DATEV, SAP, Ihr Kontenrahmen. Nichts wird ersetzt.

Eigenentwicklungen für Standardprozesse sind kein strategischer Vorteil — sie sind Routinearbeit ohne Wettbewerbsvorteil. Werner Vogels (Amazon) nennt das "undifferentiated heavy lifting": Geld, das im Budget besser aufgehoben ist. Für ein Finanzteam heisst das: Kaufen Sie das Rechnungseingangs-System. Bauen Sie nur, was Sie vom Wettbewerb unterscheidet.

1. Echter Wettbewerbsvorteil — oder undifferenzierte Arbeit?
   Wenn drei Wettbewerber dasselbe Problem lösen, ist das kein Vorteil. Sondern Betriebsaufwand.
2. Haben wir die Kapazität, das System über Jahre zu warten — und regulatorische Änderungen selbst umzusetzen?
   Eine GoBD-Anpassung pro Jahr, eine DSGVO-Auditierung, eine API-Migration alle 18 Monate. Wer macht das?
3. Was könnten unsere Entwicklerinnen sonst bauen — etwas, das Umsatz bringt?
   Opportunitätskosten sind unsichtbar, aber real. Jede Entwicklerstunde an einem AP-System ist eine Stunde, die nicht in ein Produkt geht, das Kunden zahlen.

Die versteckten Kosten, die Kalkulationen sprengen

Wartung: 15–20 % der Entwicklungskosten, jedes Jahr. Personalrisiko: Geht die Schlüsselperson, fängt der Wissensaufbau bei null an. Opportunitätskosten: Was hätte das Team sonst gebaut? Regulatorisches Risiko: Wer haftet bei GoBD-Verstössen — der Anbieter oder Sie?

Die andere Hälfte der Make-or-Buy-Entscheidung wird oft übersehen: auch "kaufen" verlangt eine eigene Due Diligence. Die Lizenzgebühr sagt wenig über die Folgekosten. Und das Demo zeigt nicht, was nach drei Jahren übrig bleibt.

1. Passt sich der Anbieter an Ihre Welt an — oder umgekehrt?
   DATEV-Belegtransfer und Buchungsdatenservice im Standard (DATEVconnect für tiefere Integration), offene API zu Ihrem ERP (SAP, proALPHA, abas, Sage, Microsoft Dynamics), Anbindung an Ihren Kontenrahmen, Zusammenarbeit mit Ihrem Steuerberater. Wenn die Antwort "wir machen Workshops und passen unsere Prozesse an" lautet, sind die Folgekosten höher als der Lizenzpreis.
2. Gehören die Daten Ihnen — auch nach einem Wechsel?
   Wo liegen die Daten (EU vs. USA), wer sind die Sub-Prozessoren, gibt es einen dokumentierten Exportpfad in einem nutzbaren Format? "Wir machen das schon" ist keine Antwort — ein schriftlich zugesicherter Exit-Prozess ist eine.
3. Ist das System auditierbar — und der Anbieter belastbar?
   Zertifikate (ISO 27001, SOC 2 Typ II, BSI C5, TISAX), nachvollziehbare Entscheidungen mit Audit-Log und Konfidenz-Score, Verfahrensdokumentation für die Betriebsprüfung, AVV nach DSGVO, EU-AI-Act-konforme Risikoeinstufung. Ohne diese Liste haftet am Ende Ihr Team.

Die versteckten Kosten, die in der Lizenzgebühr nicht stehen

Vier Posten fehlen meist in der Lizenzgebühr: die ERP-Anbindung (zahlt Ihr IT-Dienstleister oder der Anbieter?), Schulung im Team, Umbau interner Prozesse, Anbieter-Risiko (Übernahme, Insolvenz, Produkteinstellung). Der teuerste Posten ist immer der letzte: Lock-in. Was kostet ein Wechsel in fünf Jahren, falls Sie ihn wollen?

Etablierte Anbieter (ABBYY, Kofax, Basware) haben 20 Jahre eine Template-Plattform verfeinert und in den letzten zwei Jahren KI nachgerüstet. KI-native Anbieter starten mit dem LLM als Fundament. Beide kommen am Ende beim selben Demo an — und gehen auseinander, sobald die Lieferanten-Templates fehlen.

Der Unterschied zwischen alter OCR und moderner KI ist nicht die Erkennungsrate — es ist die Konfidenz. Klassisches OCR sagt Ihnen, was es gelesen hat — aber nicht, ob es sich dabei sicher ist. Also müssen Sie alle 200 Belege im Monatsabschluss prüfen. Bei 40 % korrekter Erkennung sparen Sie real vielleicht 20 % Zeit.

KI-native Systeme liefern zu jeder Extraktion einen Konfidenz-Score. Sie prüfen nicht 200 Belege, sondern die 20, bei denen das System unsicher ist. Bei gleichen Erkennungsraten kommen Sie so auf ~90 % echte Arbeitsersparnis. Statt 20 %.

Warum etablierte Anbieter nicht einfach umsteigen

Das ist keine Marketing-Frage, sondern eine architektonische. Wer zwanzig Jahre auf Templates aufgebaut hat, kann KI obendraufsetzen — das Fundament tauscht das nicht aus. Das Geschäftsmodell trägt den Umbau nicht. Die Architektur auch nicht. Und die Bestandskunden wollen genau das, was ihn blockiert.

"Selbst machen" heisst 2026 selten noch "Software bauen". Die drei realistischen Stufen sind: (1) Claude direkt fragen, (2) einen Skill bauen, der den Prozess wiederholbar macht, oder (3) Claude Code einsetzen, um etwas zu generieren, das eigenständig läuft. Code ist die seltenste der drei Stufen — und die mit den meisten Missverständnissen.

Claude Code, Lovable, Cursor: Sie beschreiben, was entstehen soll, und das Werkzeug baut es. Für ein Finanzteam bedeutet das nicht, dass jeder Controller jetzt zum Software-Ingenieur wird. Es heisst: Das Team löst manche Probleme schneller selbst, als die IT die Anfrage überhaupt öffnet.

Wann sich der Aufwand wirklich lohnt

Drei Indikatoren: (a) Sie wollen ein eigenständiges Artefakt (HTML-Dashboard, Skript, kleine App) — kein Chat-Output. (b) Sie können nicht warten, bis ein etablierter Anbieter es im Standard hat. (c) Es ist klein genug, dass die Wartungslast überschaubar bleibt.

Was Finanzverantwortliche daraus mitnehmen

Der Code am Ende ist nicht der Gewinn. Wer einmal selbst hineingegriffen hat, liest Datenmodelle, sieht Fehlerquellen früher und führt IT-Gespräche auf Augenhöhe. Wer einmal selbst ein kleines Tool gebaut hat, stellt danach bessere Fragen — und kauft bessere Software.

Klassische SaaS-Anbieter erreichen 80–90 % Bruttomarge. KI-first-Anbieter liegen bei 50–60 %. Der Grund: Inferenz skaliert mit Tokens, nicht mit Sitzen. Ein Power-User kostet schnell das Zehnfache eines Light-Users. Flatrate-Mischkalkulationen tragen das nicht mehr. Drei Marktbewegungen folgen daraus:

1. Flatrates verschwinden oder bekommen einen Deckel. "Unlimited" steht 2026 nur noch auf dem Deckblatt.
2. Hybrid-Modelle werden Standard — Basisgebühr plus verbrauchsabhängiger Anteil.
3. Verbrauchstransparenz wird zur Verhandlungssache — was früher selbstverständlich war, muss heute schwarz auf weiss im Vertrag stehen.

Das neue KPI: Kosten je Transaktion

Monatssummen sagen wenig aus, sobald die Kostenbasis variabel wird. Die neue Frage: Was kostet die einzelne KI-Aktion — ein Beleg, eine Analyse, ein Dokument? Forecasts werden treiber-basiert: "Belege pro Monat × Tokens pro Beleg × Preis pro Token". Nicht mehr "Vorjahr + X %".

Free- und Consumer-Tarife (OpenAI Free, ChatGPT Plus, Claude Free) trainieren standardmässig auf Ihren Eingaben. Business-Tarife (OpenAI Enterprise, Claude Team/Enterprise, Microsoft 365 Copilot) sind vertraglich davon ausgenommen. Der Wechsel ist Pflicht, keine Kür — und keine Kostenfrage, die eine Diskussion verdient.

Vier Datenklassen, ein Workflow

Sortieren Sie Ihre Daten in vier Stufen. Pro Stufe ein Tarif, der sie sehen darf: öffentlich (alle Tarife), intern (Business-Tarife mit AVV), vertraulich (Business-Tarife mit EU-Residenz), streng vertraulich (gar nicht ohne Bring-Your-Own-Key oder Self-Hosting).

In Private-Credit-Studien meldet proaktive KI Bonitätssignale 6–8 Wochen früher als der klassische Reporting-Zyklus. Für ein Finanzteam heisst das: Cashflow-Abweichungen, Auffälligkeiten im AR-Aging und Gehaltsvarianzen werden sichtbar, solange noch Handlungsspielraum besteht — nicht erst im Quartalsbericht, wo das Team sie nur noch erklärt.

Woche 1 — Das Mandat einrahmen

Ein einseitiges Mandatspapier: Welcher Prozess (genau einer) ist der Kandidat? Was wird in 90 Tagen gemessen? Wer ist Pate aus Ihrem Team, wer aus IT, wer aus Audit/Recht? Was ist explizit nicht im Scope? Aus dieser Seite wird später die Zwischenstandsmeldung an die Geschäftsführung.

Wochen 2–4 — Pilot aufsetzen

Testen Sie zwei Anbieter parallel am selben Prozess: 30 Beispielbelege, identische Kennzahlen, Datenschutz-Check signiert vor dem ersten Datensatz. Erfolgsmetrik vor dem ersten Beleg festlegen: Wie viele Belege laufen ohne Hand durch, wie lange dauert Nachbearbeitung. Demos zählen nicht. Nur Ihre Daten.

Wochen 5–8 — Entscheiden, anbinden, schulen

Anbieter wählen — die Pilot-Zahlen entscheiden, nicht der Pitch. Parallel: AVV unterschreiben, EU-Datenresidenz aktivieren, Team schulen, interne Policy verabschieden, Verfahrensdokumentation an den Steuerberater versenden. Den Go-Live-Check aus Kapitel 7 abarbeiten — vor dem ersten produktiven Beleg, nicht danach.

Wochen 9–13 — Produktiv, messen, ausweiten

Erster Prozess produktiv, mit Human-in-the-Loop bei niedriger Konfidenz. Wöchentliches Review: Welche Ausnahmen tauchen auf? Welche Skill-Kandidaten lassen sich daraus ableiten? Nach 90 Tagen folgt der Zwischenbericht — Kosten je Transaktion, gewonnene Zeit im Team, der nächste priorisierte Prozess.

Orcha baut Finanz-Software, die es vor Large Language Models nicht geben konnte. Wir verarbeiten Belege, Rechnungen, Kontenabgleiche und Auswertungen vollautomatisch, über bestehende ERP-Systeme hinweg. Ohne Migration.

Diesen Leitfaden gibt es, weil viele Finanzteams die richtigen Werkzeuge zwar kennen — und bei der Entscheidung allein bleiben. Die Werkzeuge in diesem Leitfaden funktionieren unabhängig davon, ob Sie sich am Ende für Orcha entscheiden.

Mehr erfahren

getorcha.com — Produkt, Demo, Case Studies, weitere Beiträge der Orcha-Community.

Acht Begriffe, die in diesem Leitfaden vorkommen

LLM (Large Language Model)

Das Modell hinter Claude, ChatGPT oder Gemini. Erzeugt Text anhand statistischer Muster — nicht durch Datenbankabfragen.

Token

Worteinheit, die KI-Kosten bestimmt. 200 Seiten ≈ 80 000 Tokens.

Kontextfenster

Wie viel Text die KI "auf einmal" lesen kann. Reicht heute für ganze Verträge oder Quartalsberichte.

Prompt

Die Anweisung an die KI. Bessere Prompts = bessere Ergebnisse — wichtiger als das gewählte Modell.

Halluzination

Wenn die KI eine plausibel klingende falsche Antwort gibt. Kein Fehler, sondern ein Systemmerkmal. Kritische Angaben stets gegenprüfen.

RAG (Retrieval-Augmented Generation)

Methode, mit der KI auf Ihre internen Dokumente zugreift, bevor sie antwortet.

Agent

KI, die eigenständig mehrere Schritte ausführt — nicht nur antwortet, sondern handelt.

Konfidenz-Score

Masszahl dafür, wie sicher sich die KI bei einer Extraktion ist. Grundlage für Workflows mit menschlicher Prüfinstanz. Schwelle pro Use Case konfigurierbar.

Quellen

Standish Group (Erfolgsquote interner IT-Projekte) · Gartner (TCO, Build-vs-Buy-Regel) · Ardent Partners 2025 (AP-Automatisierungsgrade) · McKinsey 2025 (ERP-Migration vs KI-Layer, Monatsabschluss) · APQC, Billentis, PYMNTS, IOFM (AP-Benchmarks) · Bessemer (KI-Margen) · Anthropic Wall Street Prep Benchmark (Excel-Modellierung) · BaFin / FINRA 2026 (Governance) · EU AI Act (Feb 2025 in Kraft, Aug 2026 High-Risk-Enforcement).

Alle 35 Originalbeiträge der Orcha-Community: getorcha.com/de/community