KI im Finanzwesen – Teil 2: Wenn Self Service zur Softwareentwicklung wird

So beginnt sinngemäß ein Werbevideo für eine neue Generation KI-gestützter Entwicklungsplattformen, das mir in den letzten Wochen mehrfach begegnet ist. Eine Mitarbeiterin baut ohne Programmierkenntnisse eine Budgetierungs-App. Wenige Sekunden später entstehen im Büro weitere Anwendungen, vom Inventar-Tracker bis zum Workflow-Manager.

Die Szene ist bewusst euphorisch erzählt. Jeder kann plötzlich Anwendungen bauen. Fachbereiche müssen nicht mehr warten, bis Anforderungen spezifiziert, priorisiert und entwickelt wurden. Ein Problem wird beschrieben, die Anwendung entsteht im Dialog mit der KI, die nächste Idee folgt sofort.

Aus Sicht vieler Fachbereiche ist das extrem attraktiv. Aus Sicht von Finanz- und Datenarchitektur schrillen dabei allerdings auch einige Alarmglocken. Denn die Szene wirkt fast wie eine Karikatur dessen, was Unternehmen aus früheren Self-Service-Wellen bereits kennen: viele gute Ideen, sehr hohe Geschwindigkeit, kaum sichtbare Fragen nach Ownership, Wartbarkeit, Governance oder Compliance.

Im ersten Teil dieser Serie ging es um fünf Ebenen der KI-Integration: Verstehen, Erzeugen, Fachlogik verändern, Fachlogik operationalisieren und Entscheidungen treffen. Die ersten beiden Ebenen betreffen vor allem Analyse, Reporting, Forecasting oder Szenarioanalysen. In diesem zweiten Teil geht es um die Ebenen 3 bis 5, also um KI-generierte Fachlogik, KI-gestützte Anwendungen und Systeme, die perspektivisch auch auf Entscheidungen und Prozesse einwirken.

Der Wunsch nach schneller Umsetzung neuer Anforderungen und größerer Unabhängigkeit von langwierigen Entwicklungs- und Abstimmungsprozessen ist im Finanzwesen alles andere als neu. Fachbereiche wollten schon immer näher an ihren eigenen Daten, Auswertungen und Prozessen arbeiten, ohne jede Änderung erst durch komplexe IT- oder Entwicklungsprozesse schleusen zu müssen.

Deshalb haben Unternehmen über Jahre immer neue Formen von Self Service erlebt:

Fast immer entstand daraus dieselbe Dynamik. Fachbereiche wurden schneller, flexibler und unabhängiger. Gleichzeitig entstanden allerdings auch neue Insellösungen, lokale Sonderwege und fachliche Kopfmonopole. So wie früher in den Excel-Sammlungen mit tonnenweisen, gut versteckten und undokumentierten VBA-Codes können dadurch Lösungen entstehen, die fachlich immer kritischer werden, ohne dass Wartbarkeit, Dokumentation oder Governance Schritt halten. Besonders problematisch wird das dort, wo Prototypen „sesshaft“ werden, also ursprünglich nur als schnelle Übergangslösung gedachte Konstruktionen über Jahre produktiv genutzt werden.

Neu ist weniger die Existenz von Self Service als dessen Reichweite. Fachbereiche erzeugen heute nicht mehr nur Berichte oder Formeln, sondern zunehmend Anwendungen, Workflows und operative Fachlogik.

Die dritte Ebene der KI-Integration beginnt dort, wo KI nicht mehr nur analysiert oder Prognosen erzeugt, sondern bestehende Fachlogik beeinflusst. Im Finanzumfeld betrifft das vor allem Themen wie Mapping, Harmonisierung, Klassifikationen oder fachliche Regelwerke.

Gerade in Reporting-, FP&A- und Integrationsprojekten entstehen hier erhebliche Aufwände, etwa bei Konten-Mappings oder der Harmonisierung heterogener Datenstrukturen. KI kann solche Prozesse spürbar beschleunigen.

Ein typisches Beispiel wäre die Zuordnung lokaler Konten zu Konzernkonten oder Standardmodellen. Auch fachliche Vorschläge für Datenharmonisierungen, Klassifikationen oder Plausibilisierungen lassen sich heute bereits sinnvoll unterstützen.

Unterstützung und Eingriff lassen sich an dieser Stelle kaum noch sauber voneinander trennen. Solange KI Berichte formuliert oder Analysen vorbereitet, bleibt die fachliche Logik weitgehend unverändert. Bei Mappings oder Klassifikationen verändert das System dagegen bereits die semantische Bedeutung von Daten. Fachlogik entsteht damit zunehmend halbautomatisch statt ausschließlich durch explizite Modellierung.

Damit verändern sich automatisch auch die Anforderungen an Governance. Sobald KI fachliche Zuordnungen oder Regelwerke beeinflusst, reicht eine reine Sichtprüfung nicht mehr aus. Fachbereiche müssen nachvollziehen können, warum bestimmte Regeln entstehen und wer diese fachlich verantwortet. Gerade im Finanzwesen muss nicht nur erklärbar bleiben, warum eine bestimmte Zuordnung vorgeschlagen oder verändert wurde, sondern auch der Nachweis eines fachlichen Approvals dokumentiert sein.

Die vierte Ebene beginnt dort, wo aus Fachlogik produktive Anwendungen und Prozesse entstehen. Genau an dieser Stelle entwickelt sich Self Service derzeit in Richtung Self Service Softwareentwicklung.

Was früher oft mit Excel-Makros, lokalen Access-Datenbanken oder umfangreichen VBA-Konstruktionen begann, lässt sich heute zunehmend direkt im Dialog mit einem LLM erzeugen. Fachanwender beschreiben Anforderungen in natürlicher Sprache und erhalten daraus SQL-Prozeduren, Datenprozesse, Schnittstellen oder kleinere Fachanwendungen.

Prompts wie:

funktionieren für klar abgegrenzte Anforderungen bereits erstaunlich gut. Ein Dashboard, ein Importskript oder eine kleinere Analyseanwendung kann innerhalb kürzester Zeit entstehen. Der Reiz solcher Ansätze ist nachvollziehbar. Fachbereiche umgehen langwierige Entwicklungszyklen und gelangen schneller zu verwertbaren Ergebnissen.

Im Finanzumfeld entsteht daraus allerdings schnell eine Dynamik, die viele Unternehmen bereits aus früheren Self-Service-Wellen kennen. Lösungen entstehen zunächst als pragmatische Abkürzung für ein akutes Problem. Mit der Zeit hängen weitere Prozesse daran, zusätzliche Logik wird ergänzt, immer mehr Fachwissen steckt nur noch in einzelnen Dateien, Skripten oder Anwendungen. Irgendwann läuft ein produktionskritischer Prozess auf einer Lösung, die ursprünglich nie für einen dauerhaften Betrieb gedacht war.

Mit KI entstehen statt einzelner Dateien und Makros zunehmend vollständige Anwendungen und Datenprozesse. Gleichzeitig steigt die technische Reichweite dieser Lösungen erheblich. Eine KI-generierte Anwendung bleibt selten isoliert. Sie greift auf Datenbanken zu, verarbeitet sensible Informationen, erzeugt Schnittstellen oder wird Teil operativer Abläufe.

Damit rücken Themen in den Vordergrund, die im Prototyping oft kaum Beachtung finden:

Viele dieser Lösungen funktionieren technisch erstaunlich schnell. Die schwierigen Fragen beginnen meist erst danach. Entscheidend wird, ob solche Lösungen kontrolliert in belastbare Betriebs- und Governance-Strukturen überführt werden können.

Die fünfte Ebene der KI-Integration unterscheidet sich grundlegend von den vorherigen Stufen. Bis hierhin unterstützte KI Analysen, erzeugte Forecasts, veränderte Fachlogik oder half bei der Erstellung von Anwendungen. Auf dieser Ebene beginnt KI, selbst auf Entscheidungen und Prozesse einzuwirken.

Im Finanzumfeld betrifft das beispielsweise:

Dabei lohnt sich eine wichtige Unterscheidung. Operative Entscheidungen und strategische Entscheidungen sind im Finanzwesen nicht dasselbe.

Operative Entscheidungen folgen häufig klaren Regeln und lassen sich technisch vergleichsweise gut unterstützen oder automatisieren. Gleichzeitig skaliert hier allerdings auch das Risiko. Fehlerhafte Regeln oder fehlerhafte Modelle wirken nicht mehr nur analytisch, sondern unmittelbar operativ.

Noch sensibler wird die Diskussion bei strategischen Entscheidungen. Strategische Entscheidungen entstehen selten als einzelner Knopfdruck. Interessant wird vielmehr, wie stark KI beginnt, Wahrnehmung, Priorisierung und Entscheidungsgrundlagen zu beeinflussen. Systeme, die Risiken gewichten, Maßnahmen priorisieren oder Managementberichte vorsortieren, greifen indirekt bereits tief in Entscheidungsprozesse ein.

Gerade im Finanzwesen entsteht hier ein Spannungsfeld. Monatsabschlüsse, Risikobewertungen, Zahlungsfähigkeit oder regulatorische Berichte funktionieren nicht wie ein Chatbot für Marketingtexte. Entscheidungen in diesem Umfeld brauchen Nachvollziehbarkeit, Verantwortlichkeit und belastbare Prozesse.

Ein Large Language Model darf keine Blackbox für operative oder strategische Finanzentscheidungen werden.
Damit verändert sich auch die Bedeutung von Datensicherheit. Auf den ersten Ebenen der KI-Integration ist Datensicherheit vor allem ein Hygienefaktor. Natürlich müssen Daten geschützt, Modelle kontrolliert und Compliance-Vorgaben eingehalten werden. Solange KI analysiert, bleibt Datensicherheit vor allem ein Architekturthema. Mit operativen Berechtigungen wird daraus ein Kontrollthema.

Autonome Entscheidungen funktionieren nur mit umfangreichen Zugriffen auf Daten, Prozesse und Berechtigungen. Ein Agentensystem, das Zahlungen vorbereitet, Workflows steuert oder operative Prozesse beeinflusst, benötigt zwangsläufig Zugriff auf sensible Informationen und produktive Systeme. Datensicherheit dadurch Teil der Entscheidungsarchitektur.

Spätestens dann stellen sich Fragen wie:

Nach Jahrzehnten von Self Service, Excel-Schattenwelten und sesshaft gewordenen Prototypen wäre es zumindest keine gute Idee, dieselben Fehler jetzt lediglich mit deutlich mächtigeren Werkzeugen zu wiederholen.

Interessant wird im Finanzumfeld zunehmend weniger, was KI technisch kann, sondern welche Verantwortung Unternehmen bereit sind an solche Systeme abzugeben. Die Budgetierungs-App aus der Werbeszene ist deshalb ein gutes Bild für die aktuelle Diskussion. Der beeindruckende Moment ist nicht, dass eine Anwendung entsteht. Kritisch wird es, wenn diese Anwendung echte Daten verarbeitet, in Prozesse eingebunden wird und irgendwann niemand mehr genau weiß, ob sie noch Prototyp, Hilfsmittel oder produktiver Bestandteil der Finanzarchitektur ist.