Googles neue KI: Das Ende der unsicheren Quartalsplanung?

Was ist passiert?

In der Finanzplanung ist die Qualität der Prognose alles. Doch die meisten Prognosen sind kaum mehr als eine Extrapolation der Vergangenheit. Das könnte sich bald ändern. Am 3. September 2026 hat Google Research mit TimesFM-3 ein neues KI-Modell vorgestellt, das speziell für Zeitreihenprognosen entwickelt wurde. Das Besondere daran: Es handelt sich um ein sogenanntes multivariates Prognosemodell, das in den kommenden Wochen direkt in Googles Datenplattform BigQuery integriert werden soll.

Für Schweizer Controller und Finanzchefs ist dies mehr als nur eine technische Neuerung. Es ist ein Angriff auf eine der grössten Schwachstellen im Controlling: den ungenauen, isolierten und oft manuell in Excel erstellten Forecast.

Der Sprung: Von der Trendlinie zum Systemverständnis

Um die Bedeutung dieser Ankündigung zu verstehen, muss man den Unterschied zwischen bisherigen und neuen KI-Prognosen kennen:

• Bisher (Univariat): Herkömmliche Modelle betrachten eine einzelne Variable isoliert. Sie prognostizieren den Umsatz des nächsten Quartals ausschliesslich auf Basis der historischen Umsatzzahlen. Das ist eine mathematisch verfeinerte Trendlinie, die aber blind ist für die echten Treiber des Geschäfts.

• Neu mit TimesFM-3 (Multivariat): Dieses Modell kann die Zusammenhänge zwischen mehreren, gleichzeitig ablaufenden Zeitreihen lernen. Es prognostiziert den Umsatz, indem es nicht nur die Umsatzhistorie, sondern auch Ihre Marketingausgaben, die Lagerbestände, die Webseiten-Besucherzahlen und sogar externe Faktoren wie den SMI-Index oder Wetterdaten berücksichtigt. Das Modell versteht, wie diese Faktoren sich gegenseitig beeinflussen.

Dieser Sprung von univariat zu multivariat ist der Unterschied zwischen dem Blick in den Rückspiegel und dem Blick auf ein Cockpit mit allen relevanten Instrumenten.

Warum das für Schweizer Finanzteams entscheidend ist

Für Schweizer Unternehmen, vom KMU bis zum Konzern, ergeben sich daraus drei konkrete Vorteile:

1. Höhere Prognosegenauigkeit: Indem das Modell die tatsächlichen Geschäftstreiber einbezieht, werden Prognosen robuster und präziser. Die Wahrscheinlichkeit von unliebsamen Überraschungen am Quartalsende sinkt, weil das System frühzeitig auf Veränderungen bei den Einflussfaktoren reagieren kann. Die Planungssicherheit für Investitionen, Personal und Ressourcen steigt.

1. Demokratisierung von Advanced Analytics: TimesFM-3 ist als sogenanntes "Zero-Shot"-Modell konzipiert. Das bedeutet, es muss nicht für jeden einzelnen Anwendungsfall neu und aufwändig trainiert werden. Finanzanalysten und Controller mit SQL-Kenntnissen können das Modell direkt in BigQuery über den Befehl `AI.FORECAST` auf ihre Daten anwenden. Komplexe Prognosen werden so von einem monatelangen Data-Science-Projekt zu einer Aufgabe von Stunden, ohne dass die Daten die zentrale, sichere Plattform verlassen müssen.

1. Agile Szenario-Planung: Was passiert mit unserem Cashflow, wenn wir die Online-Marketing-Ausgaben um 15 % erhöhen und die Nationalbank den Leitzins um 0.25 % anhebt? Mit einem multivariaten Modell können solche Szenarien schnell und datengestützt durchgespielt werden. Die Geschäftsleitung erhält so eine fundierte Grundlage für strategische Entscheidungen, anstatt sich auf Bauchgefühl verlassen zu müssen.

Für Schweizer Unternehmen ist zudem relevant, dass Google Cloud mit Zürich einen lokalen Rechenzentrumsstandort anbietet. Die sensiblen Finanzdaten können somit im Einklang mit den Anforderungen des Schweizer Datenschutzgesetzes (revDSG) verarbeitet werden.

Kein magischer Automat, sondern ein scharfes Werkzeug

Trotz der beeindruckenden Möglichkeiten ist das neue Modell kein Allheilmittel. Der Erfolg hängt von zwei kritischen Faktoren ab:

• Datenqualität: Das "Garbage In, Garbage Out"-Prinzip gilt uneingeschränkt. Das Modell kann nur so gut sein wie die Daten, mit denen es arbeitet. Voraussetzung ist eine saubere, konsolidierte Datenbasis in einer zentralen Plattform wie BigQuery.

• Fachwissen: Die KI identifiziert statistische Korrelationen. Die Aufgabe des Controllers ist es, diese zu interpretieren und auf Kausalität zu prüfen. Nur weil die Speiseeis-Verkäufe mit den Einbruchsdelikten korrelieren (beides steigt im Sommer), heisst das nicht, dass das eine das andere verursacht. Das betriebswirtschaftliche Wissen des Menschen bleibt unverzichtbar, um die Ergebnisse der KI zu validieren und in den richtigen Kontext zu setzen.

Konkrete Handlungsempfehlung für CFOs und Controller

Wie können Sie sich auf diese Entwicklung vorbereiten?

1. Führen Sie eine Dateninventur durch: Identifizieren Sie die 3-5 wichtigsten Treiber für Ihre zentrale Kennzahl, zum Beispiel den Auftragseingang. Wo liegen die Daten zu diesen Treibern heute? Im CRM, im Web-Analytics-Tool, im ERP? Der erste und wichtigste Schritt ist, diese Datensilos aufzubrechen und die Daten an einem zentralen Ort zugänglich zu machen.

1. Investieren Sie in SQL-Kompetenzen: Die Steuerung moderner KI-Funktionen in Datenplattformen erfolgt über Datenbanksprachen wie SQL. Dies wird zur Kernkompetenz für ein zukunftsfähiges Controlling. Fördern Sie entsprechende Weiterbildungen in Ihrem Team.

1. Starten Sie ein Pilotprojekt: Sobald TimesFM-3 in BigQuery verfügbar ist, definieren Sie einen klar abgegrenzten Anwendungsfall. Prognostizieren Sie beispielsweise den Absatz einer einzelnen Produktlinie für das nächste Quartal. Erstellen Sie die KI-Prognose parallel zu Ihrem bestehenden Prozess und vergleichen Sie die Resultate. Nutzen Sie dies als Lernübung, um die Stärken und Schwächen des neuen Ansatzes für Ihr Geschäft zu verstehen.