Vor diesem Hintergrund gewinnen datengetriebene Methoden und künstliche Intelligenz (KI) zunehmend an Bedeutung. Dabei ist eine klare Abgrenzung wichtig: Viele Verbesserungen entstehen zunächst durch Automatisierung – etwa durch die Integration von ERP-, Banking- und Treasury-Daten oder durch automatisierte Reporting-Prozesse. Sie erhöhen Datentransparenz und -qualität und schaffen die Grundlage für weitergehende Analysen. Erst darauf aufbauend kann KI zusätzliche Mehrwerte liefern. Ihr Einsatz erfordert daher nicht nur neue Technologien, sondern auch geeignete Datenstrukturen, Prozesse und organisatorische Voraussetzungen.
Wie KI-gestützte Liquiditätsplanung funktioniert
KI-Modelle analysieren historische Daten, identifizieren Muster und unterstützen bei der Prognose zukünftiger Zahlungsströme. Grundlage sind meist transaktionsbasierte Daten aus ERP- oder Treasury-Systemen, etwa offene Posten aus der Debitoren- und Kreditorenbuchhaltung, historische Zahlungsströme oder Working-Capital-Daten.
Dabei kommen verschiedene Verfahren der künstlichen Intelligenz zum Einsatz, darunter Machine-Learning-Algorithmen, die große Datenmengen analysieren und Zusammenhänge erkennen können, die in klassischen Planungsmodellen schwer abbildbar sind. Beispiele sind systematische Zahlungsverzögerungen bestimmter Kundengruppen oder saisonale Effekte im Zahlungsverhalten. Daraus lassen sich Wahrscheinlichkeiten für Zahlungsströme ableiten und Prognosen für zukünftige Cashflows erstellen.
Prognosen können zudem regelmäßig anhand neuer Daten aktualisiert werden. Abweichungen zwischen erwarteten und tatsächlichen Zahlungsströmen fließen in die Modelle ein und können deren Genauigkeit schrittweise verbessern.
Voraussetzungen für die Implementierung
Die Einführung einer KI-gestützten Liquiditätsplanung erfordert neben technologischen Anpassungen auch organisatorische Voraussetzungen. Vier Faktoren sind besonders relevant:
Datenqualität: Relevante Informationen müssen konsistent und möglichst vollständig vorliegen. In der Praxis sind Daten jedoch häufig über mehrere Systeme verteilt oder nicht einheitlich strukturiert.
Datenintegration: Daten aus ERP-, Treasury- und Banking-Systemen müssen zusammengeführt werden. Dies erfordert geeignete Schnittstellen und eine konsistente Datenarchitektur.
Prozessstandardisierung: Planungs- und Zahlungsprozesse sollten über Gesellschaften hinweg möglichst einheitlich gestaltet sein, damit Modelle zuverlässig arbeiten können.
Kompetenzen und Qualifikation: Neben finanzwirtschaftlichem Know-how gewinnen Datenkompetenz und der Umgang mit analytischen Systemen zunehmend an Bedeutung.
KI versus Excel
Excel bleibt für viele Unternehmen ein wichtiges Werkzeug der Liquiditätsplanung, insbesondere für flexible Modellierungen und kurzfristige Analysen. Mit steigender Datenmenge, wachsender organisatorischer Komplexität oder häufigen Aktualisierungen stößt ein rein Excel-basierter Ansatz jedoch teilweise an Grenzen.
Datengetriebene Systeme und KI-gestützte Modelle können hier unterstützen, indem sie große Datenmengen automatisiert verarbeiten und Prognosen auf Basis historischer Muster ableiten. Voraussetzung sind jedoch eine belastbare Datenbasis sowie entsprechende Investitionen in Datenmanagement, Systemintegration und Infrastruktur.
Eignung einer KI-gestützten Liquiditätsplanung im Restrukturierungskontext
In Krisensituationen, in denen kurzfristig Transparenz über die Liquidität benötigt wird, bleibt Excel häufig das Mittel der Wahl – insbesondere für schnelle Analysen und kurzfristige Szenarien. Für eine nachhaltigere Steuerung im Restrukturierungskontext kann jedoch eine stärker datengetriebene End-to-End-Liquiditätsplanung sinnvoll sein.
Unabhängig von der Technologie bleibt der „Human in the Loop“ entscheidend: Modelle können unterstützen, Entscheidungen und Plausibilisierung sollten jedoch weiterhin durch Fachverantwortliche im Treasury erfolgen.