Neue KPMG-Studie: Warum 77% der Finanzteams am KI-ROI scheitern

Die neue Realität: Hohe KI-Adoption, enttäuschender Return on Investment

Gerade als sich Schweizer Finanzabteilungen an den Gedanken gewöhnt haben, dass an Künstlicher Intelligenz kein Weg vorbeiführt, platzt eine neue Studie in die Budgetplanungen für 2027. Der am 2. Oktober 2026 veröffentlichte "Q3 AI in Finance Report" von KPMG zeichnet ein alarmierendes Bild: Während die Akzeptanz von KI in Finanzabteilungen weltweit auf 75% gestiegen ist (ein massiver Sprung von unter 33% im Jahr 2024), geben nur 23% der befragten Führungskräfte an, dass die Technologie ihre ROI-Erwartungen übertrifft.

Das bedeutet im Umkehrschluss: Über drei Viertel der Unternehmen investieren in KI-Tools für Finanzplanung, Reporting oder kommerzielle Analysen, ohne den erhofften Mehrwert zu realisieren. Für Schweizer Controller und CFOs, die unter ständigem Effizienzdruck stehen und jede Investition rechtfertigen müssen, ist dies mehr als nur eine statistische Randnotiz. Es ist eine direkte Warnung vor der KI-Investitionsfalle.

Das Problem liegt nicht in der Technologie, sondern in der Strategie

Die KPMG-Studie, für die über 1.000 leitende Finanzmanager befragt wurden, macht deutlich, dass die Hürden selten technologischer Natur sind. Die wahren Bremsklötze sind hausgemacht: fehlende Governance, unklare Zielsetzungen und eine massive Qualifikationslücke.

Für Schweizer Unternehmen, insbesondere im Finanzsektor und in stark regulierten Branchen, sind diese Erkenntnisse von besonderer Brisanz. Die Anforderungen an Datensicherheit und Compliance (revDSG, FINMA-Regularien) sind hierzulande ungleich höher. Eine KI-Initiative ohne klare Governance ist nicht nur unwirtschaftlich, sondern ein existentielles Risiko.

Die Studie identifiziert vier Prioritäten, die erfolgreiche von erfolglosen Finanzteams unterscheiden:

1. Fokus auf Wertschöpfung, nicht auf Aufgaben: Statt nur einzelne Aufgaben wie die Rechnungserfassung zu automatisieren, müssen KI-Projekte auf strategische Ziele wie die Genauigkeit von Prognosen oder die Entscheidungsfindung ausgerichtet sein.
2. Priorisierung der KI-Governance: Erfolgreiche Unternehmen haben klare Regeln für den Einsatz von KI, für Datenqualität und für die Überwachung der Modelle. Laut KPMG erzielen Firmen mit starker Governance drei- bis sechsmal bessere Ergebnisse.
3. Messbarkeit von Anfang an: Der ROI muss von Beginn an in die Projektplanung integriert und kontinuierlich gemessen werden. Ein vages "Wir wollen effizienter werden" reicht nicht aus.
4. Gezielte Personalentwicklung: Es geht nicht nur darum, technische Fähigkeiten zu schulen. Gefragt sind vor allem "menschliche" Kompetenzen wie Urteilsvermögen, Agilität und die Fähigkeit, die Ergebnisse der KI kritisch zu hinterfragen und zu interpretieren.

Ein konkretes Beispiel aus dem Controlling

Stellen Sie sich vor, ein Schweizer Industrie-KMU führt einen KI-Agenten für die Budgetplanung ein. Die Erwartung: schnellere und präzisere Budgets. In der Praxis generiert das Tool zwar schnell Zahlen, aber das Team verbringt mehr Zeit damit, die obskuren Vorschläge der KI zu validieren und zu korrigieren, als es zuvor für die manuelle Planung benötigte. Der ROI ist negativ.

Was ist schiefgelaufen? Das Projekt wurde als reines Automatisierungs-Tool für eine Aufgabe (Budgeterstellung) betrachtet. Es fehlte die Governance (Wer validiert wie die KI-Ergebnisse?) und die Messbarkeit (Was ist unsere Definition von "präziser"?). Vor allem aber wurde das Team nicht darin geschult, die richtigen Fragen an das System zu stellen und dessen Output als Ausgangspunkt für strategische Diskussionen zu nutzen, statt als fertige Wahrheit.

Ihre Handlungsempfehlung: Das KI-Controlling Framework

Als Finanz- oder Unternehmensleitung können Sie nicht auf die perfekten Tools warten. Sie müssen jetzt handeln, um nicht den Anschluss zu verlieren und gleichzeitig Fehlinvestitionen zu vermeiden. Stoppen Sie unkoordinierte KI-Experimente und implementieren Sie ein einfaches KI-Controlling Framework, bevor Sie die nächsten Budgets freigeben.

1. KI-Scorecard pro Initiative: Definieren Sie für jedes KI-Projekt klare, messbare Ziele (KPIs). Beispiele: Reduktion der Zeit für den Monatsabschluss um X%, Steigerung der Prognosegenauigkeit im Absatz um Y%, Senkung der Fehlerquote in der Spesenabrechnung um Z%.
2. Governance-Checkliste: Erstellen Sie eine Checkliste, die vor jeder KI-Implementierung durchlaufen werden muss. Fragen Sie nach Datenherkunft, Verantwortlichkeiten für das Modell, Compliance mit dem revDSG und einem Prozess für den Umgang mit fehlerhaften KI-Ergebnissen.
3. Kompetenz-Audit: Analysieren Sie, welche Fähigkeiten Ihrem Team fehlen. Geht es um Prompt Engineering für Finanzanalysten, um das Verständnis von KI-Metriken im Management oder um die Fähigkeit, KI-gestützte Business Cases zu erstellen? Planen Sie gezielte Weiterbildungen, um diese Lücken zu schliessen.

Die KPMG-Studie ist kein Todesstoss für KI im Finanzwesen. Im Gegenteil, sie ist ein Weckruf. Sie zeigt, dass der Erfolg von KI weniger eine Frage des Geldes als vielmehr eine Frage der strategischen Disziplin und der Befähigung der Mitarbeitenden ist. Unternehmen, die jetzt ihre Hausaufgaben machen, werden die sein, die in Zukunft tatsächlich einen messbaren ROI aus ihren KI-Investitionen ziehen.