KI im Controlling: Warum nur 21% der Firmen echte Erfolge sehen

Die neue Realität: Hohe KI-Investitionen, ernüchternde Resultate

Seit Monaten dominieren KI-Ankündigungen die Wirtschaftspresse. Doch was kommt davon wirklich in den Finanzabteilungen an? Eine neue, brisante Studie liefert eine Antwort, die Schweizer Controller und CFOs aufhorchen lassen sollte. Am 16. September 2026 veröffentlichte Auditoria.AI, ein führender Anbieter für KI-Automatisierung im Finanzwesen, seinen jährlichen "State of AI Automation in the Finance Office Report". Die zentralen Zahlen sind ein Weckruf.

Die Studie zeigt eine klare Diskrepanz zwischen Wollen und Können: Zwar erhöhen 66.5% der befragten Finanzorganisationen ihre Investitionen in Künstliche Intelligenz, und für 24.2% ist es sogar eine Top-Budgetpriorität. Die Realität der Umsetzung sieht jedoch anders aus. Nur 21% der Unternehmen berichten von "bedeutungsvollen, messbaren Ergebnissen" ihrer KI-Initiativen. Ganze 64.8% bewerten ihre Projekte als durchwachsen oder gar als Misserfolg.

Diese Zahlen belegen, was viele Führungskräfte im Stillen bereits ahnen: Der Weg vom KI-Experiment zum verlässlichen, wertschöpfenden Prozess ist steinig. Die blosse Anschaffung von KI-gestützten Tools führt nicht automatisch zu Effizienzgewinnen. Vielmehr befinden sich laut der Studie 58.4% der Finanzteams noch immer in der Evaluations- oder Pilotphase. Nur eine kleine Elite von 12.8% hat den Schritt zur Optimierung oder zu autonomen Abläufen geschafft.

Warum die Umsetzung in Schweizer KMU und Konzernen harzt

Die Ergebnisse der Auditoria-Studie spiegeln die Herausforderungen wider, denen sich auch Schweizer Unternehmen stellen müssen. Der Enthusiasmus ist gross, doch die operative Integration scheitert oft an denselben Hürden:

1. Fragmentierte Prozesse und Daten: KI-Systeme benötigen saubere, strukturierte und zugängliche Daten. In vielen Unternehmen sind Finanzdaten jedoch über verschiedene ERP-Systeme, Excel-Tabellen und Abteilungs-Silos verstreut. Ein KI-Agent, der den Cash-Cycle von der Rechnungserfassung bis zur Zahlungseingangsprognose autonom verwalten soll, scheitert, wenn er nicht auf alle relevanten Systeme zugreifen kann. Die Studie nennt den Cash-Cycle explizit als den Lackmustest, bei dem viele KI-Projekte an ihre Grenzen stossen.

1. Fehlende Brücken zwischen IT und Fachbereich: Controller und Finanzmanager wissen, *was* automatisiert werden muss. IT-Teams und Data Scientists wissen, *wie* es technisch umsetzbar ist. Oft fehlt jedoch die gemeinsame Sprache und ein strukturiertes Vorgehen. Die Fachanforderungen werden unklar formuliert, die technischen Möglichkeiten falsch eingeschätzt. Das Ergebnis sind Insellösungen, die den Arbeitsalltag nicht wirklich erleichtern.

1. Unterschätzter Aufwand für Change Management: Die Einführung eines KI-Copiloten für die Budgetierung ist mehr als ein Software-Update. Sie verändert Arbeitsabläufe, die sich über Jahre eingespielt haben. Mitarbeiter müssen nicht nur geschult, sondern auch von den Vorteilen überzeugt werden. Die Angst vor Kontrollverlust oder gar Arbeitsplatzverlust kann zu erheblichem Widerstand führen, wenn der Prozess nicht aktiv begleitet wird.

1. Fokus auf Tools statt auf Probleme: Der Markt wird mit KI-Lösungen überflutet. Viele Unternehmen kaufen Lizenzen, ohne vorher das konkrete betriebswirtschaftliche Problem klar definiert zu haben. Statt sich zu fragen "Welches Tool sollen wir kaufen?", lautet die richtige Frage: "Welches ist der zeitaufwendigste, fehleranfälligste und wertvollste Prozess in unserem Finanzreporting, den wir mit KI gezielt verbessern können?"

Ein weiteres interessantes Detail der Studie: Der manuelle Nachfassaufwand ist trotz KI-Einsatz explodiert. Der Anteil der Finanzteams, die mehr als 11 Stunden pro Woche damit verbringen, internen und externen Stakeholdern nachzujagen, stieg von rund 20-30% in den Vorjahren auf 44.5% im Jahr 2026. Dies deutet darauf hin, dass KI-Tools zwar einzelne Aufgaben beschleunigen, aber die komplexen, menschlichen Abstimmungsprozesse noch nicht meistern.

Ihre Handlungsempfehlung: Vom Experiment zur Strategie

Die Studie von Auditoria.AI ist kein Grund zur Resignation, sondern ein Aufruf zur Professionalisierung. Für Sie als Fach- oder Führungskraft im Finanzbereich bedeutet das, den Fokus zu verschieben. Statt auf die nächste grosse KI-Ankündigung zu warten, sollten Sie die Grundlagen für eine erfolgreiche Implementierung schaffen.

Konkreter Schritt: Führen Sie einen 2-wöchigen "Process Mining Sprint" für einen klar abgegrenzten Finanzprozess durch, zum Beispiel die Kreditorenbuchhaltung. Das Ziel ist nicht, sofort eine KI zu implementieren, sondern den Prozess datengestützt zu verstehen.

1. Identifizieren: Wählen Sie einen Prozess aus, der schmerzhaft ist (hoher manueller Aufwand, viele Fehler, lange Durchlaufzeiten).
2. Messen: Erfassen Sie eine Woche lang systematisch jeden einzelnen Schritt: Welche Systeme werden genutzt? Wie lange dauert jeder Teilschritt? Wo gibt es Medienbrüche (z.B. PDF-Rechnung per Mail, manuelle Eingabe ins ERP)? Wo entstehen Wartezeiten und Rückfragen?
3. Analysieren: Visualisieren Sie den Prozessablauf. Identifizieren Sie die 2-3 grössten Engpässe und Ineffizienzen. Genau das sind die Anwendungsfälle, bei denen eine gezielte KI-Automatisierung den grössten Hebel hat.

Dieser Ansatz kehrt die Logik um. Sie starten nicht mit einer KI-Lösung, die ein Problem sucht, sondern mit einem klar verstandenen Problem, für das Sie gezielt eine technologische Lösung evaluieren. Das erhöht die Erfolgswahrscheinlichkeit massiv und stellt sicher, dass Ihre KI-Investitionen zu den 21% gehören, die messbare Resultate liefern.