Bevor agentische KI im Treasury handelt, müssen CFOs wissen, ob sie ihren Empfehlungen vertrauen können

Die Ankündigung von Mastercard zu Agent Pay ist ein Signal dafür, dass KI-Agenten näher an die Zahlungsebene heranrücken. Für Verbraucher kann das bedeuten, dass KI-Agenten innerhalb definierter Berechtigungen einkaufen, Abonnements abschließen oder Transaktionen durchführen können. Für Treasury-Verantwortliche stellt sich eine interessantere Frage: Was passiert, wenn ein KI-Agent nicht nur berät, sondern tatsächlich finanzielle Entscheidungen ausführt?

Diese nächste Stufe ist wichtig. Eine fehlerhafte KI-generierte Erkenntnis kann hinterfragt werden. Eine fehlerhafte Empfehlung kann geprüft werden. Aber eine bestätigte Zahlung, Investition oder FX-Absicherung lässt sich schwerer rückgängig machen.

Deshalb sollten Treasury-Verantwortliche nicht warten, bis autonome Ausführung Realität wird, um festzulegen, wie sie KI vertrauen werden und wo Menschen in der Schleife bleiben. Die erste Stufe ist grundlegender und unmittelbarer: Können Treasury-Teams KI-generierten Erkenntnissen und Empfehlungen vertrauen?

Viele Gespräche über KI-Readiness im Finanzbereich beginnen mit Datenqualität. Und ich verstehe, warum. Treasury kann unvollständigen Daten nicht vertrauen, ob es sich um fehlendes Bankreporting, nicht abgestimmte Cash-Positionen oder zweifelhafte Kreditoren- und Debitorendaten handelt. KI kann helfen, fehlende Daten zu identifizieren und anzureichern, aber ohne ein geeignetes Rahmenwerk, also treasury-spezifische Workflows, Kontrollen, Best Practices und Fachwissen rund um das LLM, kann sie ebenso leicht mehr Probleme schaffen als lösen.

Ohne ein solches Rahmenwerk kann dieselbe Frage, die an dieselben Daten gestellt wird, an unterschiedlichen Tagen unterschiedliche Antworten erzeugen. Ähnliches Verhalten kann auftreten, wenn KI fehlende Banktransaktionen finden, Cashflows kategorisieren oder Liquiditätstrends interpretieren soll. Im Treasury ist dieser Mangel an präziser Wiederholbarkeit kein technisches Ärgernis. Er ist ein Vertrauensproblem.

Vertrauen erfordert Zuversicht in die Daten, hängt aber auch davon ab, zu verstehen, wie der Agent gebaut wurde. CFOs müssen wissen, welche Teile der Analyse vom LLM gesteuert werden, welche Teile durch treasury-spezifische Kontrollen geregelt sind und wo wiederholbare Workflows Konsistenz durchsetzen.

Wie die alten Griechen vielleicht gesagt hätten: „Erkenne deinen Agenten.“ 

Das erste Vertrauensproblem: KI als Berater

Für viele Treasury-Teams wird der erste praktische Einsatz von KI nicht darin bestehen, direkt in automatisierte Entscheidungsfindung und Transaktionsausführung einzusteigen. Er wird darin bestehen, Erkenntnisse und Empfehlungen zu liefern.

Dazu können Fragen gehören wie:

• Warum hat sich der Cash-Bestand anders entwickelt als erwartet?

• Welche Einheiten zeigen ungewöhnliche Liquiditätsmuster?

• Welche Exposures reagieren am stärksten auf einen Zins- oder FX-Schock?

• Welche Zahlungen sind verdächtig?

• Was passiert mit unserem Cash, wenn die Meerenge wieder geöffnet oder geschlossen wird?

• Was sollten wir als Nächstes tun?

Dies sind hochwertige Anwendungsfälle. Sie können Finanzteams helfen, aussagekräftige Inputs und schnellere Interpretationen zu liefern, wenn sich etwas Wesentliches ändert. Doch selbst in dieser beratenden Rolle, die KI unterstützt, ist Vertrauen entscheidend.

Ein Beispiel aus jüngerer Zeit war ein Unternehmen mit Datenduplikation in seinem Data Lake. Eine seiner Banken hatte über einen bestimmten Zeitraum Intraday-Reporting sowohl im MT- als auch im CAMT-Format gesendet. Das Reporting des Vortages war nicht das Problem, aber es kam zu Intraday-Duplikationen. Ohne ein Rahmenwerk, das dem LLM half zu erkennen, dass dieselben Transaktionen konsequent zweimal gesendet wurden, erstellte das KI-Modell Prognosen auf Basis von Phantom-Mustern.

Auch wenn das eindeutig nicht dasselbe ist wie ein KI-Agent, der eine Zahlung initiiert, genehmigt und freigibt, entstand dadurch dennoch ein Unsicherheitsfaktor beim Vertrauen in KI, um die Nuancen des täglichen Treasury-Geschäfts zu bewältigen.

Wenn ein KI-Tool eine Cash-Bewegung empfiehlt, einen möglichen Engpass identifiziert oder eine Zahlungsausnahme markiert, müssen Treasury-Teams darauf vertrauen können, dass die Berechnungen richtig sind. Sie müssen wissen, dass die KI die Aufgabe so erledigt hat, wie sie es selbst getan hätten.

Das zeigt, dass Treasury-Fachwissen in Treasury-Agenten eingebaut werden muss, wobei diese spezialisierten Agenten zugleich ihre Begründung anzeigen müssen, um sozusagen „ihre Arbeit zu zeigen“. Andernfalls wird KI zu einer weiteren Blackbox, die auf ohnehin fragmentierte Treasury-Daten aufgesetzt wird.

Datenqualität ist wichtig

Viele Treasury-Verantwortliche sprechen über saubere Daten als Voraussetzung für erfolgreiche KI. Ich gehöre normalerweise auch zu dieser Gruppe; ich sage oft, dass es keine KI-Strategie ohne Datenstrategie gibt. Aber bedeutet das, dass Daten perfekt sein müssen? Ich würde sagen: nein. Denn wenn das der Eintrittspreis wäre, würde niemand jemals mit KI beginnen.

In Kyribas CFO Survey 2026 gaben nur 40,7 % der CFOs an, über vollständig komplette Cash-Transparenz in Echtzeit zu verfügen. Das ist bedeutsam, weil fast sechs von zehn Finanzverantwortlichen Unvollkommenheiten in ihrem Cash Reporting melden. Es bedeutet auch, dass ihre KI-Analysen möglicherweise mit verzögerten, unvollständigen oder fragmentierten Cash-Daten arbeiten. Die Umfrage fragte nicht, wie viele 90 % oder 95 % Transparenz haben, aber wir alle wissen, dass die Zahl der Finanzteams, die sich mit 90 % oder mehr, aber nicht 100 %, arrangiert haben, deutlich höher ist.

Was bedeutet das für KI? Es bedeutet, dass man mit unvollständigen Informationen dennoch komplexe Liquiditätsentscheidungen treffen kann, einschließlich der Absicherung von Cash-Exposures. Treasury-Teams arbeiten ziemlich effektiv ohne sämtliche Daten. Was sie aber nicht opfern können, sind korrekte Daten.

KI kann helfen, Lücken in Ihrer Cash-Transparenz zu schließen oder sogar Annahmen darüber zu treffen, was wir nicht sehen. Aber KI braucht die Daten, die Sie haben, in korrekter Form. Verlässlichkeit ist wichtig, sonst wird KI auf einem wackeligen Fundament aufgebaut. Wenn sie dann gebeten wird, Liquiditätsszenarien zu modellieren oder Zahlungsanomalien zu markieren, besteht das Risiko nicht nur darin, dass das Ergebnis falsch ist. Das eigentliche Problem ist, dass das Ergebnis überzeugend klingen kann, obwohl es falsch ist.

In derselben CFO-Umfrage identifizierten 31,2 % der CFOs Datenverlässlichkeit als eine kritische operative Priorität für 2026. Das ist eine bedeutsame Zahl, aber es bedeutet auch, dass fast sieben von zehn CFOs Datenverlässlichkeit nicht als Priorität behandeln. Das ist besorgniserregend, insbesondere da KI stärker in Treasury-Analysen und Empfehlungen einbezogen wird. Es zeigt auch, wo KI-Readiness beginnen muss: mit verlässlichen Daten und klaren Kontrollen darüber, wie Agenten sie verwenden.

Fünf Fragen, bevor Treasury KI-Empfehlungen vertraut

Bevor KI in Treasury-Workflows eingesetzt wird, sollten CFOs und Treasury-Verantwortliche fünf Kernfragen beantworten können.

1. Können wir die Antwort der KI reproduzieren?

Treasury-Teams können sich nicht auf Erkenntnisse verlassen, die sich manchmal jedes Mal ändern, wenn dieselbe Frage an dieselben Daten gestellt wird. Wenn KI ein Liquiditätsrisiko markiert, eine Cash-Bewegung empfiehlt oder ein mögliches Betrugsereignis identifiziert, sollten Nutzer verstehen können, ob dieselben Bedingungen erneut dieselbe Empfehlung erzeugen würden.

Wiederholbarkeit ist entscheidend. In einem nicht eingerahmten Agenten kann derselbe Prompt mit denselben Daten weiterhin unterschiedliche Antworten erzeugen. Das mag akzeptabel sein, wenn KI ein Dokument zusammenfasst. Es ist nicht akzeptabel, wenn das Ergebnis Liquiditäts-, Zahlungs-, Absicherungs- oder Investitionsentscheidungen beeinflussen kann.

„Die KI hat es gesagt“ ist keine Treasury-Kontrolle. „Die KI hat diesmal etwas anderes gesagt“ ist es aber auch nicht.

2. Wissen wir, welche Daten, Tools und Skills die KI verwendet hat?

KI ist nur so verlässlich wie die Daten und Fähigkeiten, die sie nutzen darf. Wenn ein Bankfeed verspätet ist, eine ERP-Datei unvollständig ist, die Abstimmung nicht erfolgt ist oder ein Agent das falsche Tool für die Aufgabe nutzt, kann das Ergebnis trotzdem überzeugend klingen.

Treasury-Teams benötigen Transparenz über Quelldaten, Datenaktualität, Ausschlüsse, bekannte Lücken und die Skills oder Tools, die zur Erstellung der Empfehlung verwendet wurden. Eine Empfehlung, die auf veralteten oder unvollständigen Daten basiert, sollte nicht dasselbe Gewicht haben wie eine Empfehlung, die auf vollständigen und abgestimmten Informationen basiert. Eine Empfehlung, die außerhalb eines genehmigten Rahmenwerks erstellt wurde, sollte nicht dasselbe Gewicht haben wie eine Empfehlung, die durch kontrollierten Datenzugriff, definierte Skills und wiederholbare Workflows erzeugt wurde.

3. Können Nutzer die Empfehlung hinterfragen?

Vertrauen bedeutet nicht, jedes Ergebnis zu akzeptieren. Es bedeutet zu wissen, wie man es hinterfragt.

In der Praxis habe ich Treasury-Teams gesehen, die fragen, ob eine KI-generierte Empfehlung korrekt ist. Ich habe weniger Teams gesehen, die fragen, welche Alternativen das System berücksichtigt hat, welche Annahme die Antwort verändern würde oder ob die Empfehlung weiterhin gilt, wenn eine Quelle veraltet ist.

Treasury-Nutzer sollten fragen können, warum eine Empfehlung abgegeben wurde, welche Alternativen berücksichtigt wurden und welche Bedingungen die Antwort verändern würden. Wenn ein Liquiditätsengpass markiert wird, sollten Nutzer testen können, ob sich die Schlussfolgerung unter anderen Annahmen oder Datenkorrekturen ändert.

4. Wo findet die menschliche Prüfung statt?

Selbst wenn KI nur berät, muss menschliche Aufsicht ausdrücklich definiert sein. Eine Cash-Forecast-Empfehlung kann eine Prüfung durch Treasury Operations erfordern. Eine Hedging-Empfehlung kann Input vom Risikomanagement erfordern. Eine Zahlungsausnahme kann eine Eskalation erfordern, bevor eine Handlung erfolgt.

Hier werden viele Governance-Gespräche zu abstrakt. „Human-in-the-loop“ klingt beruhigend, aber es zählt nur, wenn die Organisation den Menschen benennen, die richtige Entscheidung treffen und zeigen kann, wo diese Prüfung stattfindet, bevor die Empfehlung zur Handlung wird.

Human-in-the-loop-Governance muss nicht alles verlangsamen, aber sie muss definieren, wo Urteilsvermögen und Verantwortlichkeit in den Prozess eintreten.

5. Können wir KI an realen Treasury-Szenarien testen?

Readiness ist nicht theoretisch. Treasury-Teams sollten KI an den Bedingungen testen, denen sie tatsächlich begegnen: eine verzögerte Bankdatei, ein Liquiditätsengpass, ein FX-Schock, eine sanktionierte Gegenpartei, eine Zahlungsanomalie oder eine fehlgeschlagene Genehmigung.

Der Zweck besteht nicht einfach darin zu sehen, ob KI eine plausible Antwort erzeugt. Es geht darum zu sehen, ob die Organisation diese Antwort erklären, hinterfragen, eskalieren oder ablehnen kann, bevor sie eine Treasury-Entscheidung beeinflusst.

In jedem Treasury-KI-Deployment, das wir bei Kyriba begleitet haben, waren die Teams, die am schnellsten vorankamen, nicht diejenigen, die am aggressivsten experimentierten. Es waren diejenigen, die ihre Eskalationspfade, Genehmigungsgrenzen und Anforderungen an Datentransparenz definierten, bevor der Agent in den Workflow eintrat.

Erst kriechen, dann laufen

Wenn KI-Agenten näher an die finanzielle Ausführung heranrücken, wird die Vertrauensfrage dringlicher. Treasury sollte aber nicht mit dem Moment beginnen, in dem ein Agent Geld bewegt. Es sollte einen Schritt früher beginnen, mit der Empfehlung, die jemanden dazu veranlasst, eine Zahlung, Investition, Absicherung oder einen Cash Sweep zu genehmigen.

Das ist die Crawl-Phase der KI-getriebenen Treasury: der Nachweis, dass KI-generierte Erkenntnisse und Empfehlungen wiederholbar, erklärbar und gesteuert sind, bevor KI-initiierte Handlungen überhaupt eintreten. Die nächsten Phasen werden schwieriger, denn die Prüfung von KI-Empfehlungen ist nicht dasselbe wie die Prüfung von KI-Handlungen nach der Ausführung.

73,5 % der CFOs in unserer Umfrage sagten, dass KI- und Technologiekompetenz im Bereich neuer Technologien die wichtigste Fähigkeit für zukünftige Finanzverantwortliche ist. Der erste Test dieser Kompetenz ist nicht, ob ein CFO das Potenzial von KI erkennt. Er besteht darin, ob die Organisation die Ratschläge steuern kann, die KI gibt, bevor diese Ratschläge zu Handlungen werden.

Bevor KI handelt, müssen Treasury-Teams eine Frage beantworten: Können wir nachweisen, warum der Agent den Rat gegeben hat, bevor jemand danach handelt?