In unserem zweiten Beitrag zur "Zukunft der KI-Transformation im Finanz- und Rechnungswesen" wollen wir uns mit den relevanten KI-Ansätzen für das Finanz- und Rechnungswesen auseinandersetzen. ChatGPT und die Generative KI dominieren die aktuellen Diskussionen um Künstliche Intelligenz (KI), aber sie sind nur eine Ausprägungsform der KI.
Es ist wichtig zu verstehen, dass es nicht "die KI" gibt, sondern verschiedene Modellansätze, die unterschiedliche Ausrichtungen und Schwerpunkte haben. Allen gemein ist, dass sie auf maschinellen Lernverfahren basieren, um aus Trainingsdaten neue Erkenntnisse über Strukturen und Zusammenhänge zu gewinnen.
Im Folgenden geben wir einen kurzen historischen Abriss zur Entwicklung der KI-Technologien, grenzen die wichtigen KI-Basistechnologien für das Finanz- und Rechnungswesen ab, diskutieren die Herausforderungen und Grenzen und bieten einen Ausblick.
Die Entwicklung der KI ein Auf und Halten bis Anfang der 2000er
Die Geschichte der KI-Forschung und technologischen Errungenschaften ist geprägt von wechselnden Hoch- und Tiefphasen, sogenannten KI-Sommern und KI-Wintern. Doch die jüngsten Durchbrüche und die stetige Weiterentwicklung haben dazu geführt, dass KI-Technologien heute an einem entscheidenden Punkt angekommen sind. Experten sprechen mit Blick auf die exponentielle Entwicklungskurve zwar immer noch von den Anfängen, dennoch lassen sich bereits einige wichtige Meilensteine herausarbeiten.
Frühe Entwicklungen
- Grundlagen der KI (1936-1956): Alan Turing entwickelte 1936 das Konzept der "Turingmaschine", die zeigte, dass Maschinen kognitive Prozesse durch Algorithmen simulieren können. 1950 schlug er den Turing-Test vor, um zu prüfen, ob eine Maschine intelligent ist. Auf der Dartmouth-Konferenz 1956 wurde der Begriff "Künstliche Intelligenz" geprägt und das Forschungsgebiet offiziell begründet.
- Erste technische Fortschritte (1958): Das Perzeptron, eines der ersten neuronalen Netzwerke, wurde entwickelt und legte die Basis für zukünftige Entwicklungen in der KI-Forschung.
Wechselnde Phasen von Fortschritt und Stagnation
- 1960er und 1970er Jahre: Unrealistische Erwartungen an KI führten zu Enttäuschungen und reduzierter Forschungsfinanzierung – der erste "KI-Winter". Ein vernichtender Bericht von Michael J. Lighthill im Jahr 1973 führte zu weiteren Mittelkürzungen, da die anvisierten Ziele nicht erreicht wurden.
- 1980er Jahre: KI erlebte durch Expertensysteme einen Aufschwung. Systeme wie MYCIN und DENDRAL zeigten, dass wissensbasierte Systeme in spezialisierten Bereichen erfolgreich eingesetzt werden können. Die Kommerzialisierung von Expertensystemen begann, und das Fifth Generation Project in Japan setzte einen starken Akzent auf KI-Entwicklung.
- Ende der 1980er Jahre: Viele der neu gegründeten KI-Unternehmen scheiterten, da die angebotenen Lösungen oft zu teuer und fehleranfällig waren. Dies führte zu einem zweiten "KI-Winter".
- Mitte der 1980er Jahre: Die Forschung an neuronalen Netzen wurde wiederbelebt, unterstützt durch Fortschritte wie das Backpropagation-Verfahren von David E. Rumelhart, Geoffrey E. Hinton und Ronald J. Williams. Die beschränkte Rechenleistung und unzureichende Datenbasis bremsten jedoch den Fortschritt.
Moderne KI-Entwicklungen
- Beginn der 2000er Jahre: Ein enormer Aufschwung der KI, getrieben durch mehr Rechenleistung, große Datenmengen und Fortschritte im maschinellen Lernen, insbesondere Deep Learning. Die Verfügbarkeit riesiger Datenquellen und die verbesserte Rechenleistung haben dazu beigetragen, dass maschinelles Lernen und neuronale Netze nun bedeutende Fortschritte erzielen.
- Späte 2000er bis erste Hälfte der 2010er Jahre: KI findet breite Anwendung in vielen Bereichen wie Bildverarbeitung, Sprachtechnologie, Medizin, autonomes Fahren und Industrie 4.0. Spracherkennungssysteme wie Siri und Watson sowie die Entwicklung von Deep Learning haben die Leistungsfähigkeit von KI-Systemen drastisch erhöht.
- 2010er Jahre: Bahnbrechende Fortschritte im Deep Learning führten zu erheblichen Verbesserungen in der Leistungsfähigkeit von KI-Systemen. Ein herausragendes Beispiel dafür ist der Sieg von AlphaGo über den besten Go-Spieler der Welt im Jahr 2015, was die Überlegenheit von Deep Learning-Techniken demonstrierte.
- Späte 2010er Jahre: Die Entwicklung der Transformer-Modelle im Jahr 2017 war wegweisend für die Generative KI. Diese Modelle verbesserten die Verarbeitung natürlicher Sprache und bildeten die Grundlage für leistungsstarke Anwendungen wie maschinelle Übersetzung und Textgenerierung.
- 2020: Die Einführung von GPT-3 durch OpenAI markierte einen weiteren Meilenstein. GPT-3 basiert auf massiven Datenmengen und zeigt beeindruckende Fähigkeiten in der Textgenerierung, was das Potential der Generative KI weiter verdeutlichte.
Wie bereits eingangs erwähnt, stehen wir aus Expertensicht immer noch am Anfang der technologischen Entwicklungen, die Entwicklungsgeschwindigkeit hat über die letzten Jahre aber enorm zugenommen.
Relevante KI-Konzepte für die KI-Transformation im Finanz- und Rechnungswesen
Natürlich ist das Finanz- und Rechnungswesen kein "unbestelltes Feld" in Bezug auf den Einsatz von Informationstechnologien zur effizienten und digitalen Prozessdurchführung. Auch Automatisierung gibt es auf Basis von regelbasierten Konzepten und Robotic Process Automation (RPA) schon seit einiger Zeit. Dennoch sehen wir durch die Entwicklungen der Künstlichen Intelligenz (KI) weitere transformative Veränderungen im Finanz- und Rechnungswesen (FuR) bevorstehen. Es ist wichtig, die dahinterstehenden Konzepte zu verstehen, um diese Veränderungen erfolgreich zu nutzen. Im Folgenden stellen wir die uns aktuell bekannten und als zentral erachteten KI-Konzepte vor, die diese Disruption vorantreiben und die es für die praktische Anwendung im Finanzbereich zu verstehen gilt.
Machine Learning (ML)
Maschinelles Lernen wird immer wieder als Rückgrat oder auch Schlüsseltechnologie der KI-Technologien beschrieben.
Definition und Funktionsweise: Maschinelles Lernen (ML) bezeichnet Methoden der Datenanalyse, die mit Hilfe von Algorithmen aus Daten lernen. Die Algorithmen identifizieren Muster und Zusammenhänge in großen Datenmengen, ohne explizit programmiert zu sein, um eine bestimmte Aufgabe zu erfüllen. Dabei wird zwischen strukturierten und unstrukturierten Datenlernverfahren unterschieden. Letztere sind die Basis von Deep Learning Ansätzen, wo die Algorithmen selbstständig die Daten klassifizieren und auswerten können.
Relevanz für die KI-Disruption im FuR: ML kommt bei der Optimierung von Finanzprozessen zum Einsatz und ermöglicht durch automatische Mustererkennung und Prognosen, Fehlbuchungen und Betrugsverdachtsfälle zu identifizieren oder kritische Liquiditätsengpässe zu prognostizieren. Die Fähigkeit, aus historischen Daten zu lernen und diese Erkenntnisse auf zukünftige Ereignisse anzuwenden, ermöglicht präzisere und effizientere Entscheidungsprozesse.
Natural Language Processing (NLP)
Natural Language Processing (NLP) kann als eine spezielle Ausprägung bzw. Anwendungsdomäne des Machine Learnings (ML) verstanden, bei denen die Algorithmen speziell auf die Verarbeitung von Sprache abgestimmt und trainiert sind.
Definition und Funktionsweise: Natural Language Processing (NLP) ermöglicht es Computern, menschliche Sprache zu verstehen, zu interpretieren und darauf zu reagieren. Es umfasst Techniken wie Textanalyse, Sprachsynthese und maschinelle Übersetzung. Hinter den NLP-Technologien stehen Konzepte wie künstliche neuronale Netze. Deep Learning Architekturen wie rekurrente Netze (RNNs), LSTMs und vor allem die Transformer-Architektur sind die Grundlage leistungsfähiger NLP-Modelle wie BERT, GPT und LLaMA.
Relevanz für die KI-Disruption im FuR: NLP ermöglicht die Datenextraktion und Analyse von Finanzdokumenten, verbessert die Kommunikation und erleichtert die Verarbeitung großer Textmengen. In der Praxis bedeutet dies, dass NLP für Aufgaben wie das Auslesen und Verarbeiten von Rechnungen, das Erstellen von Finanzberichten oder die Analyse von Marktberichten eingesetzt wird.
Generative AI
Generative AI stellt besondere Formen neuronaler Netzwerke aus dem NLP-Spektrum dar, die nicht zur Datenmuster analyiseren kann, sondern auch neue Daten und Inhalte erzeugen kann.
Definition und Funktionsweise: Generative AI basiert auf Modellen wie Generative Adversarial Networks (GANs) oder autoregressive Transformer-Modellen wie GPT-4, die neue Texte, Bilder oder andere Datenformate generieren können.
Relevanz für die KI-Disruption im FuR: Mit Generativer AI bietet sich die Möglichkeit, Finanzberichte zu erstellen, Szenarienanalysen durchzuführen und die Entscheidungsfindung durch die Generierung neuer Informationen und Einsichten zu verbessern. Zum Beispiel kann Generative AI verwendet werden, um detaillierte Finanzprognosen zu erstellen, alternative Szenarien zu simulieren oder automatisiert Berichte und Präsentationen zu erstellen, die auf aktuellen Daten basieren.
Analytische Modelle
Analytische Modelle basieren auf klassischen maschinellen Lernverfahren wie überwachtem & unüberwachtem Lernen, Regression und Klassifikation.
Definition und Funktionsweise: Analytische Modelle verwenden statistische Methoden und Algorithmen, um Daten zu analysieren, Vorhersagen zu treffen und Entscheidungen zu optimieren. Diese Modelle reichen von einfachen Regressionsanalysen bis hin zu komplexen prädiktiven Modellen. Sie nutzen neuronale Netzwerke wie Feed-Forward-Netze, Convolutional Neural Networks (CNNs) oder Rekurrente Netze (RNNs) zur Mustererkennung und Vorhersage.
Relevanz für die KI-Disruption: Mit diesen Modellen wird die Risikoanalyse verbessert, Finanzstrategien lassen sich optimieren und die Genauigkeit der Finanzplanung erhöhen. In der Praxis ermöglichen analytische Modelle beispielsweise die präzise Vorhersage von Cashflows, die Optimierung von Investitionsstrategien oder die Durchführung von Risikoanalysen für verschiedene Szenarien.
Autonome Entscheidungssysteme
Autonome Entscheidungssysteme bringen das beste aus zwei Welten zusammen und kombinieren analytische und generative Fähigkeiten.
Definition und Funktionsweise: Autonome Entscheidungssysteme treffen selbstständig Entscheidungen, indem sie LLMs und analytische Modelle integrieren. Sie kombinieren Datenanalyse, maschinelles Lernen und Entscheidungslogiken, um ohne menschliches Eingreifen zu agieren.
Relevanz für die KI-Disruption im FuR: Diese Systeme ermöglichen Echtzeit-Liquiditätsmanagement, dynamisches Forderungsmanagement und fundierte Investitionsentscheidungen. Durch die Integration von Echtzeitdaten und prädiktiven Analysen können autonome Entscheidungssysteme schnell auf Marktveränderungen reagieren, Risiken minimieren und die Effizienz der Finanzprozesse maximieren.
Herausforderungen und Grenzen beim KI-Einsatz im Finanz- & Rechnungswesen
Der Einsatz von KI-Systemen im Finanz- und Rechnungswesen bringt neben vielen Potenzialen auch zahlreiche Herausforderungen und Risiken mit sich. Diese müssen adressiert werden, um negative Auswirkungen zu vermeiden.
Technologische Herausforderungen
Die technologischen Aspekte beim Einsatz von KI im Finanzwesen sind vielfältig und komplex. Drei wesentliche Herausforderungen sind dabei besonders zu beachten:
- Datenqualität: Eine der größten Herausforderungen bei der Implementierung von KI-Systemen ist die Qualität der verfügbaren Daten. Vor dem Hintergrund der spezifischen Anforderungen im Finanzbereich ist es fraglich, ob allgemeine kommerzielle Modelle die notwendigen Qualitätsstandards erfüllen können. Unvollständige, inkonsistente oder veraltete Daten können zu ungenauen oder schädlichen Vorhersagen führen. Es ist entscheidend, hochwertige, saubere und aktuelle Daten zu nutzen, um die Leistung der KI-Modelle zu maximieren.
- Rechenleistung: Die Verarbeitung großer Datenmengen und das Training komplexer Modelle erfordern erhebliche Rechenressourcen. Insbesondere bei Deep-Learning-Modellen, die auf großen Datensätzen trainiert werden, ist der Rechenaufwand hoch. Da Finanz- und Rechnungsprozesse betriebswirtschaftlich kritische Vorgänge sind, die jederzeit funktionieren müssen, gilt es, in eine zuverlässige und ausfallsichere Infrastruktur zu investieren.
- Komplexität der Modelle: KI-Modelle, insbesondere tief neuronale Netzwerke, können sehr komplex und schwer zu interpretieren sein. Diese Komplexität erschwert die Implementierung und Wartung sowie die Nachvollziehbarkeit der Ergebnisse. Die "Black Box"-Problematik macht es schwierig, die Entscheidungsprozesse der KI-Modelle zu verstehen und zu erklären.
Regulatorische und ethische Überlegungen
Neben den technologischen Herausforderungen spielen regulatorische und ethische Überlegungen eine zentrale Rolle beim Einsatz von KI im Finanzwesen.
- Datenschutz: Der Einsatz von KI im Finanzwesen erfordert die Verarbeitung großer Mengen sensibler Daten. Der Schutz dieser Daten ist essenziell, um die Privatsphäre der Kunden zu gewährleisten und gesetzliche Vorschriften einzuhalten. Unternehmen müssen sicherstellen, dass ihre KI-Systeme den Datenschutzgesetzen entsprechen und geeignete Maßnahmen zum Schutz der Daten ergreifen. Besonders im Finanz- und Rechnungswesen müssen Datenintegrität und -sicherheit gewährleistet sein, um das Vertrauen der Stakeholder zu erhalten und regulatorische Anforderungen zu erfüllen.
- Compliance: Neben dem Datenschutz müssen Unternehmen auch andere regulatorische Anforderungen berücksichtigen. Dazu gehören die Einhaltung von Vorschriften zur Datenspeicherung, Transparenz und Verantwortlichkeit. Insbesondere die Berücksichtigung von ESG-Richtlinien (Environmental, Social, Governance) und die Vorbereitung auf den AI Act der Europäischen Union sind von Bedeutung. Regulierungsbehörden verlangen, dass KI-Systeme transparent und nachvollziehbar sind, um sicherzustellen, dass sie fair und ethisch handeln.
- Ethische Fragestellungen: Der Einsatz von KI im Finanzwesen wirft ethische Fragen auf, wie die Gefahr von Diskriminierung, Voreingenommenheit und unfairen Entscheidungen. KI-Systeme müssen so entwickelt und eingesetzt werden, dass sie ethische Standards und Prinzipien einhalten. Es ist entscheidend, dass die Modelle keine bestehenden Vorurteile reproduzieren oder verstärken und dass die Entscheidungsprozesse transparent und nachvollziehbar sind, um das Vertrauen der Nutzer zu gewährleisten.
Organisatorische Herausforderungen
Die Einführung von KI im Finanz- und Rechnungswesen bringt erhebliche organisatorische Herausforderungen mit sich.
- Kosten: Die Energiekosten für den Betrieb von KI-Modellen sind nicht unerheblich. Zum Beispiel verbraucht eine Abfrage von GPT-3 im Durchschnitt 6,8 Wattstunden. Diese Kosten müssen entweder für den Betrieb einer eigenen KI-Infrastruktur oder die Nutzung von APIs berücksichtigt werden. Aus ESG-Überlegungen müssen die Energiekosten auch aus Nachhaltigkeitsperspektive kritisch beleuchtet werden. Insgesamt sollte hier nicht nur der Effizienzfaktor, sondern der ganzheitliche Performance-Faktor berücksichtigt werden.
- Organisatorische Befähigung: Die Einführung von KI erfordert eine umfassende Reorganisation und die Schaffung neuer Rollen und Aufgaben. Statt der traditionellen Ausübung von Prozessen liegt der Fokus nun auf deren Governance. Es sind spezifische Kompetenzen notwendig, um KI-basierte Prozesse zu kontrollieren. Die Reorganisation sollte entlang der Dimensionen Zeit und Komplexität der Aufgaben erfolgen. Ein Beitrag von Gartner zeigt: Je geringer die Zeit- und Komplexitätsanforderungen, desto höher der Automatisierungsgrad; komplexe Entscheidungen erfordern hingegen eine sorgfältige Abwägung vieler Faktoren.
- Individuelle Befähigung: Mitarbeitende müssen über die notwendigen Fähigkeiten und Kenntnisse verfügen, um mit KI-Systemen effektiv zu arbeiten. Dies erfordert ein tiefes Verständnis der Fachthematik sowie der KI-Logik, um Anomalien in den Ergebnissen erkennen und überprüfen zu können. Fortlaufende Schulungen und Weiterbildungen sind daher unerlässlich. Nur so kann sichergestellt werden, dass das Personal in der Lage ist, die neuen Technologien effizient und verantwortungsvoll zu nutzen.
Diese Herausforderungen verdeutlichen, dass der erfolgreiche Einsatz von KI im Finanz- und Rechnungswesen mehr ist als die bloße Anbindung von Cloud-basierten KI-Services. Insbesondere in diesem Bereich bedarf es einer sorgfältigen Planung und kontinuierlichen Anpassung. Nur so können die Potenziale der Technologie voll ausgeschöpft und Risiken minimiert werden.
Fazit: Die transformative Kraft der KI im Finanz- und Rechnungswesen erkennen und nutzen
Die rasante Entwicklung der KI-Technologien transformiert das Finanz- und Rechnungswesen grundlegend. Machine Learning, Natural Language Processing, Generative AI, analytische Modelle und autonome Entscheidungssysteme bieten neue Möglichkeiten zur weiteren Automatisierung und Effizienzsteigerung. Trotz der Chancen gibt es erhebliche Herausforderungen entlang der technologischen Infrastruktur und der regulatorischen wie auch organisatorischen Anforderungen.
Wie schon bei der Einführung der elektronischen Rechnung und anderen technologischen Innovationen gilt es, sich früh damit zu beschäftigen und erste Gehversuchen zu unternehen. Natürlich unterliegen die Finanz- und Rechnungsprozesse kritischen Anforderungen, auch ist die technologische Entwicklung noch weit entfernt von "ausgereift". Dennoch braucht es eine aktive Auseinandersetzung mit den Möglichkeiten und Anästzen, um nicht morgen signifikante Wettbewerbsnachteile zu haben.
In den kommenden Beiträgen unserer Serie werden wir die spezifischen Veränderungen in verschiedenen Bereichen des Finanz- und Rechnungswesens durch KI beleuchten. Dazu gehören:
- Veränderungen im digitalen Rechnungseingangsprozess & der AP Automation: Der Status Quo der Rechnungsautomatisierung und die Fortschritte durch Generative AI.
- Veränderungen im ganzheitlichen Purchase-to-Pay Prozess: Der aktuelle Stand der P2P-Automatisierung und "Next Level"-Entwicklungen durch analytische Modelle.
- Veränderungen im Liquiditätsmanagement & der AR sowie Working Capital Automation: Traditionelle Methoden versus moderne KI-gestützte Ansätze und praktische Anwendungsbeispiele.
- Veränderungen im Berichtswesen & der Record-to-Report Automation: Der Status Quo der Berichterstattung und Verbesserungen durch Generative AI.
Insgesamt soll die Beitragsreihe damit die kritische Diskussion und Auseinandersetzung mit dem Thema vorbereiten und die wichtigen Themen für die Diskussionen unseres Shift/Finance Automation SUMMITs definieren.
