Was OpenAI nach dem Aufbau einer KI-zentrierten Finanzfunktion gelernt hat – und wo Potenzial auf Kontrolle trifft

OpenAI hat sich zwei ungewöhnlich ehrgeizige Finanzziele gesetzt: einen Zero-Day-Close und automatisierte, kontinuierlich aktualisierte Prognosen. CFO Sarah Friar sagt jedoch, dass keines der beiden Ziele bislang erreicht wurde. Dieses Eingeständnis verleiht der Frage, was OpenAI gelernt hat, eine produktive Spannung. Das Unternehmen beschreibt eine laufende Transformation, nicht den Start einer fertigen autonomen Finanzabteilung.

Der Unterschied ist wichtig, denn OpenAI verfügt über Zugang zu eigenen Modellen, ChatGPT Work, Codex, technischen Experten und erheblicher organisatorischer Aufmerksamkeit. Dennoch stellte das Finanzteam fest, dass die Einführung von KI-Tools der einfache Teil war. Entscheidungswege, Datenzugriffe, Freigaben und Verantwortlichkeiten neu zu gestalten, erwies sich als schwieriger.

Damit stehen OpenAIs Aussagen einem weniger schmeichelhaften Branchenbild gegenüber. Gartner zufolge bewegte sich die KI-Einführung im Finanzbereich zwischen 2024 und 2025 kaum. BCG stellte fest, dass viele Finanzteams nur bescheidene oder nicht messbare Erträge meldeten. OpenAIs Erfahrung legt nahe, dass nicht ein weiterer isolierter Assistent fehlt. Erforderlich ist ein neu gestaltetes Betriebsmodell, das Menschen für jedes folgenreiche Ergebnis verantwortlich hält.

Was OpenAI innerhalb der Finanzfunktion verändert hat

OpenAIs Finanzprojekt verlagert das Ziel von der Automatisierung einzelner Aufgaben hin zum Neuaufbau des Wegs zwischen Belegen und Entscheidungen.

Friar veröffentlichte ihre fünf Erkenntnisse am 10. August 2026, fast zwei Jahre nachdem sie als CFO zu OpenAI gekommen war. Sie beschreibt, wie sie eine kleine Finanzorganisation übernahm, die ein Unternehmen mit außergewöhnlichem Wachstumstempo unterstützte. Selbst dort hingen Abschluss und Prognosen weiterhin von wiederkehrender manueller Arbeit ab.

OpenAIs zwei Ambitionen prägen das gesamte Projekt. Ein Zero-Day-Close würde eine kontinuierlich abgestimmte und nachvollziehbare Sicht auf die Finanzlage des Unternehmens liefern. Kontinuierliche Prognosen würden diese Sicht aktualisieren, sobald sich operative Bedingungen, Belege und Annahmen ändern.

Das Unternehmen arbeitet weiterhin auf beide Ziele hin. Diese Einschränkung ist zentral, weil der Zero-Day-Close eine Ambition und kein gemeldetes Produktionsergebnis ist. OpenAI hat keine unabhängigen Kennzahlen zu Abschlussdauer, Prognosegenauigkeit, Ausnahmequote oder finanziellem Ertrag veröffentlicht.

Dennoch zeigen die Finanz-Erkenntnisse des Unternehmens bedeutende operative Veränderungen. Das Team bewegt sich von statischen Tabellenkalkulationen und Präsentationsdecks hin zu Live-Systemen, die auf freigegebenen Geschäftsdaten aufbauen. Diese Systeme verknüpfen Analysen, Belege, Szenarien und Folgefragen.

OpenAI entwickelte außerdem IR-GPT, ein benutzerdefiniertes GPT, das auf freigegebenem Investor-Relations-Material basiert. Das Tool erstellt erste Antworten auf Due-Diligence-Fragen von Investoren, die zuvor umfangreiche Recherche, Ausarbeitung, Konsistenzprüfungen und Abstimmung der Überprüfung erforderten.

Laut Friar kann ein überzeugender erster Entwurf nun in Sekunden statt in Stunden vorliegen. Das Investor-Relations-Team prüft die Antwort weiterhin, ergänzt Kontext und stellt Konsistenz über verschiedene Investoren hinweg sicher. Das Modell beschleunigt die Vorbereitung, während die Mitarbeitenden für die Antwort verantwortlich bleiben.

Ein Finance-Hackathon half dabei, dieses System und weitere benutzerdefinierte GPT-Projekte für Beschaffung und Steuern hervorzubringen. OpenAI brachte Finanzmitarbeitende mit Sales Engineers zusammen und bat Teilnehmende, wiederkehrende Aufgaben mitzubringen, die sie verändern wollten. Diese Struktur verwandelte Experimente innerhalb eines Tages in Workflow-Design.

Die Veränderung reicht auch in die Planung hinein. Berichten zufolge nutzte ein Finanzmitarbeiter ohne vorherige Programmiererfahrung Codex, um ein Tool für Werbeprognosen zu entwickeln. Es wandelt monatliche Projektionen in wöchentliche und tägliche Pläne um und berücksichtigt dabei Wochentage und Feiertage.

Das Tool vergleicht Prognosen und hält die Zahlen mit dem freigegebenen Modell verbunden. Marketingverantwortliche können Änderungen prüfen, zusätzliche Ausgaben erwägen und sehen, wo die Renditen offenbar nachlassen. Das Beispiel bleibt ein vom Unternehmen berichteter Fall, verdeutlicht jedoch das eigentliche Ziel des Projekts.

OpenAI versucht nicht, einen Chatbot neben einen unveränderten Tabellenkalkulationsprozess zu stellen. Das Unternehmen will Live-Finanzsysteme, die Quellen bewahren, Annahmen offenlegen und Menschen helfen, vor Ende eines Berichtszeitraums zu handeln.

Das ist die erste wichtige Erkenntnis. Eine KI-native Finanzfunktion wird nicht dadurch definiert, wie oft Mitarbeitende ein Modell prompten. Entscheidend ist, ob sich der Betriebszyklus verändert, ohne die Verantwortlichkeit zu verschleiern.

Eine kontinuierliche Prognose beginnt mit dem Abschluss

Der wichtigste Mechanismus ist eine vernetzte Belegebene, denn schnellere Sprachgenerierung kann fragmentierte Finanzdaten nicht reparieren.

Ein herkömmlicher Monatsabschluss zieht Informationen aus mehreren Quellen zusammen. Tatsächliche Ausgaben können im Hauptbuch stehen, während Bestellungen an anderer Stelle liegen. Abgrenzungen verbleiben in Tabellenkalkulationen, und Erklärungen verbergen sich häufig in Nachrichten oder Präsentationsnotizen.

OpenAI möchte freigegebene Ausgabenpläne, Hauptbuch-Istwerte, Bestellungen, Abgrenzungen und Transaktionsdetails in einer kontinuierlich abgestimmten Sicht verbinden. Abstimmung bedeutet, zusammenhängende Finanzdaten abzugleichen und Unterschiede zu identifizieren, die untersucht werden müssen.

Im vorgeschlagenen Workflow erstellt die KI eine erste Erläuterung von Abweichungen und kennzeichnet Ausnahmen. Das Finanzteam überprüft die Zahlen, wendet fachliches Urteil an und erteilt die endgültige Freigabe. Der Abschluss bleibt bestehen, doch das hektische Rekonstruieren von Ereignissen nach Monatsende beginnt abzunehmen.

Diese Unterscheidung verhindert einen häufigen Fehler. Generative KI kann eine überzeugend klingende Erklärung für eine Abweichung formulieren, doch Selbstsicherheit belegt nicht, dass die zugrunde liegenden Daten übereinstimmen. Das System benötigt nachvollziehbare Quelldaten, bevor generierte Kommentare nützlich werden.

Eine kontinuierlich aktualisierte Prognose baut auf derselben Grundlage auf. OpenAI erklärt, dass seine Workflows statistische Modelle, Vertriebsgespräche, belege auf Kontoebene, Betriebsdaten und Finanzurteile kombinieren. Interaktive Tools bündeln anschließend die Ausgangsbasis, die unterstützenden Belege und alternative Szenarien in einer Ansicht.

Angenommen, eine neue Kundenzusage erscheint nicht in der freigegebenen Prognose. Das System kann die Belege hervorheben und zeigen, wie sich eine Anpassung auf Quartal oder Jahr auswirkt. Das Finanzteam kann die Annahme prüfen, bevor es entscheidet, ob die Ausgangsbasis geändert wird.

Dieser Prozess unterscheidet sich davon, ein Modell stillschweigend einen offiziellen Plan überarbeiten zu lassen. Das System empfiehlt, erklärt und vergleicht. Eine autorisierte Finanzfachkraft entscheidet, ob sich die freigegebene Sicht der Organisation ändern soll.

Der Ansatz steht im Einklang mit breiterer Branchenevidenz. Eine Studie zu KI im Finanzbereich von McKinsey ergab, dass Organisationen KI in Planung, Kontrollen, Working Capital und Kostenmanagement einsetzen. Sie berichtete außerdem, dass schwache Integration häufig verhindert, dass Pilotprojekte skaliert werden.

McKinsey befragte 102 CFOs und stellte fest, dass 44 Prozent 2025 generative KI in mehr als fünf Anwendungsfällen einsetzten. In der vorherigen Befragung waren es 7 Prozent gewesen. Allerdings hatten fast zwei Drittel der Befragten einer breiteren Umfrage noch nicht damit begonnen, KI in ihren Unternehmen zu skalieren.

Der Kontrast stützt OpenAIs Mechanismus. Unternehmen können Anwendungsfälle ansammeln, ohne die Daten- und Entscheidungswege, die sie verbinden, neu aufzubauen. Die Aktivität wächst, doch das Betriebssystem bleibt fragmentiert.

OpenAIs Finanzmodell beginnt mit einer folgenreichen Entscheidung und arbeitet rückwärts. Teams erfassen die erforderlichen Daten, Tools, Freigaben und Übergaben. Anschließend bestimmen sie, wo KI Informationen analysieren, Arbeit koordinieren oder einen klar abgegrenzten Schritt erledigen kann.

Diese Methode verändert auch, wie Organisationen Kontext verwalten. Wichtige Belege erstrecken sich häufig über Finanzsysteme, operative Tools, Verträge, Vertriebsnotizen und interne Diskussionen. Ein gut gesteuerter Knowledge-Blending-Workflow kann diese Quellen verbinden und dabei ihren Ursprung und ihre Relevanz bewahren.

Der Nutzen besteht nicht einfach in einem schnelleren Bericht. Führungskräfte erhalten eine aktuellere Sicht darauf, was sich verändert hat, warum es sich verändert hat und welche Maßnahme das Ergebnis beeinflussen könnte. Das Finanzteam verbringt weniger Zeit mit der Zusammenstellung eines Briefings und mehr Zeit damit, dessen Annahmen zu hinterfragen.

OpenAI hat jedoch nicht genügend Daten veröffentlicht, um seine neuen Workflows mit den alten zu vergleichen. Es gibt keine veröffentlichte Zeitreihe zu Prognosefehlern oder einen Benchmark für den Abschlusszyklus. Der Mechanismus ist glaubwürdig, seine messbare Wirkung bleibt jedoch nicht verfügbar.

Diese Lücke trennt ein lehrreiches Betriebsmodell von einem bewiesenen Branchenstandard. Andere CFOs können die Arbeitsabfolge übernehmen, sollten aber nicht annehmen, dass sich OpenAIs Ergebnisse automatisch übertragen lassen.

Finanzfachleute werden zu Buildern

OpenAIs klarste organisatorische Wette lautet, dass Fachexperten ihre eigenen Tools gestalten sollten, statt auf eine zentrale Engineering-Warteschlange zu warten.

Friar sagt, dass jedes Mitglied ihres Finanzteams mit ChatGPT Work und Codex benutzerdefinierte Dashboards und Tools entwickelt. Das bedeutet nicht, dass jeder Buchhalter zum Softwareingenieur wird. Es bedeutet, dass Finanzexpertise weiter in den Systemgestaltungsprozess hineinwirken kann.

OpenAI verweist auf interne Forschung, wonach 40 Prozent der spezialisierten KI-Nutzung durch Finanzfachleute Arbeiten außerhalb des traditionellen Finanzbereichs betreffen. Weitere 22 Prozent betreffen laut Unternehmen ingenieursnahe Aufgaben. Diese Zahlen beschreiben Nutzungsmuster, nicht Stellenersatz oder verifizierte Produktivitätsgewinne.

Das Beispiel der Werbeprognose zeigt, wie das Builder-Modell funktioniert. Der Mitarbeiter verstand das monatliche Planungsproblem, das freigegebene Modell und die Entscheidungen, die Marketingverantwortliche treffen mussten. Codex half dabei, dieses Wissen in ein Tool mit kleineren Planungsintervallen zu übersetzen.

Der Vorteil liegt in der Nähe zur Arbeit. Eine zentrale Softwaregruppe kann eine technisch ausgefeilte Anwendung entwickeln und dabei eine wichtige Freigaberegel oder Geschäftsannahme übersehen. Eine Finanzfachkraft versteht bereits, wo die Arbeit mehrdeutig wird und welche Ausnahmen wichtig sind.

Diese Nähe schafft jedoch auch neue Governance-Anforderungen. Ein nützlicher Prototyp kann operativ werden, bevor Sicherheits-, Dokumentations-, Test- und Wartungsverantwortlichkeiten geklärt sind. Ein Tabellenkalkulationsmakro verursachte ähnliche Probleme, doch KI kann Geschwindigkeit und Umfang informeller Entwicklung erhöhen.

OpenAI begegnet dem mit einer Kombination aus Experimenten von unten nach oben und Strategie von oben nach unten. Mitarbeitende identifizieren wiederkehrende Probleme, während Führungskräfte Ressourcen auf Workflows mit wesentlichem Geschäftswert ausrichten. Technische Spezialisten helfen den Teilnehmenden, ihre Ideen zu entwickeln und zu testen.

Das ist disziplinierter, als Lizenzen zu kaufen und zu hoffen, dass die Nutzung Wert schafft. Zugang bleibt notwendig, weil Mitarbeitende Raum brauchen, um relevante Probleme zu erkennen. Strukturierte Veranstaltungen, freigegebene Daten und klar benannte Prioritäten verwandeln diesen Zugang in ein Betriebsprogramm.

Das Modell verändert auch die Beziehung zwischen Finanzen und IT. Die IT verantwortet weiterhin Infrastruktur, Identität, Sicherheit und Integrationskompetenz. Die Finanzfunktion bringt die Rechnungslegungslogik, den operativen Kontext, Kontrollanforderungen und Entscheidungskriterien ein.

BCG kam nach der Befragung von mehr als 280 im Umgang mit KI erfahrenen Finanzführungskräften zu einem ähnlichen Schluss. Die KI-ROI-Forschung ergab stärkere Ergebnisse, wenn Finanzteams mit IT und Anbietern zusammenarbeiteten. Auch vollständig besetzte dedizierte Teams verbesserten die berichteten Erfolgsquoten.

BCG stellte fest, dass 40 Prozent der befragten CFOs nicht wussten, welche KI-Funktionen ihre bestehenden Anbieter bereits boten. Daraus entstehen zwei gegensätzliche Risiken. Ein Unternehmen könnte Standardfunktionen neu entwickeln, oder es könnte ein generisches Produkt akzeptieren, das seinen einzigartigen Entscheidungskontext nicht abbilden kann.

OpenAIs Ansatz weist auf eine praktische Grenze hin. Bestehende Plattformen sollten für gängige Kontrollen und Infrastruktur genutzt werden, während Workflows dort angepasst werden sollten, wo unternehmensspezifische Daten und Urteilsvermögen wesentlichen Mehrwert schaffen. Algorithmische Prognosen fallen häufig in die zweite Kategorie.

Das Builder-Modell setzt auch traditionelle Anbieter von Finanzsoftware unter Druck. SAP, BlackLine und andere Enterprise-Anbieter integrieren bereits KI in Reporting, Abstimmung, Zahlungsprognosen und Abschlussmanagement. Ihr Vorteil liegt in etablierten Integrations- und Kontrollschichten.

OpenAIs Modell fordert sie aus einer anderen Richtung heraus. Wenn Beschäftigte im Finanzbereich schnell Schnittstellen über genehmigten Unternehmensdaten erstellen können, verlagert sich der Wert von vorgefertigten Oberflächen hin zu vertrauenswürdigem Kontext und flexiblen Workflows. Anbieter müssen Anpassungen vereinfachen, ohne die Prüfbarkeit zu schwächen.

Auch zentrale Technologieteams geraten unter Druck. Ihre Rolle verlagert sich davon, jede Dashboard-Anfrage entgegenzunehmen, hin zur Bereitstellung sicherer Bausteine. Sie müssen Datenzugriff, Evaluierungsmethoden, wiederverwendbare Komponenten, Protokollierung und Eskalationswege definieren.

Die Veränderung wird spezialisierte Finanzrollen nicht abschaffen. Sie erhöht den Wert von Menschen, die finanzielles Urteilsvermögen mit Systemverhalten verbinden können. Die stärksten Builder werden sowohl verstehen, warum eine Kennzahl wichtig ist, als auch, wie der zugrunde liegende Workflow scheitern kann.

Dadurch wird Schulung anspruchsvoller als bloße Prompt-Anleitung. Beschäftigte müssen Ergebnisse testen, Datenlücken erkennen, Annahmen dokumentieren und wissen, wann ein Modell nicht handeln sollte. Geschwindigkeit beim Erstellen ohne diese Gewohnheiten kann Fehler lediglich beschleunigen.

Stärkere Kontrollen sind der Preis für mehr Geschwindigkeit

OpenAIs wichtigste Umkehrung lautet, dass breiterer KI-Zugang mehr explizite Kontrolle erfordert, nicht weniger Finanzaufsicht.

Das IR-GPT-Beispiel des Unternehmens macht diese Spannung sichtbar. Ein System, das auf genehmigtem Material basiert, kann schnell eine Antwort vorbereiten, doch eine Antwort an Investoren birgt rechtliche, reputationsbezogene und Konsistenzrisiken. OpenAI hält deshalb die menschliche Prüfung im Zentrum.

Friar sagt, CFOs sollten festlegen, auf welche Daten ein KI-System zugreifen darf und welche Maßnahmen es ergreifen kann. Sie sollten zudem Genehmigungsanforderungen, Eskalationsbedingungen und die Verantwortung für Änderungen an einer genehmigten Ausgangsbasis festlegen.

Jedes Ergebnis sollte mit einer verlässlichen Quelle verknüpft sein. Prognosen sollten Erläuterungen enthalten, während Änderungen an genehmigten Zahlen eine Finanzfreigabe erfordern. Diese Prinzipien klingen vertraut, weil sie bestehende Finanzkontrollen auf KI-vermittelte Arbeit ausweiten.

Die Herausforderung liegt in der Umsetzung. Ein Quellenlink garantiert nicht, dass eine generierte Schlussfolgerung die Quelle getreu wiedergibt. Auch ein menschlicher Genehmigungsschritt bietet wenig Schutz, wenn Prüfer ihn als routinemäßigen Klick behandeln.

Wirksame Aufsicht erfordert rollenbasierten Zugriff, Aktivitätsprotokolle, Versionshistorien, Evaluierungstests und eine klare Trennung zwischen Vorbereitung und Autorisierung. Maßnahmen mit hohem Risiko sollten stärkere Nachweise und zusätzliche Prüfung erfordern. Für Entwurfsaufgaben mit geringerem Risiko können leichtere Kontrollen genügen.

OpenAI verweist außerdem auf Nutzungsgrenzen, Regeln für Model Routing, Budgetkontrollen und Genehmigungsschwellen. Model Routing wählt unterschiedliche Modelle entsprechend den Aufgabenanforderungen, Kostenlimits oder Risiken aus. Diese Kontrollen ermöglichen es CFOs, KI als variable Betriebsausgabe zu steuern.

Das Unternehmen hat jedoch weder seine Kontrolltests noch Fehlerquoten, Audit-Ergebnisse oder die Historie von Vorfällen offengelegt. Seine Empfehlungen beschreiben das angestrebte Design. Sie belegen nicht unabhängig, dass jedes interne Tool diesen Standard durchgängig erfüllt.

Branchenbelege stützen diese Skepsis. Gartners Adoptionsumfrage ergab, dass 59 Prozent der Führungskräfte im Finanzbereich im Jahr 2025 KI nutzten. Das war nur ein Prozentpunkt mehr als im Vorjahr.

Gartner führte das langsamere Wachstum teilweise auf Komplexität, Datenprobleme und Fachkräftemangel zurück. Einundneunzig Prozent der Befragten berichteten während der anfänglichen Einführung von geringer oder moderater Wirkung. Reifere Nutzer berichteten deutlich häufiger von stärkeren Ergebnissen.

Wissensmanagement war mit 49 Prozent der häufigste Anwendungsfall unter Finanzorganisationen, die KI einsetzen. Die Automatisierung der Kreditorenbuchhaltung folgte mit 37 Prozent, während Fehler- und Anomalieerkennung 34 Prozent erreichte.

Diese Zahlen deuten darauf hin, dass Organisationen klar abgegrenzte Workflows mit identifizierbaren Eingaben und Prüfpunkten bevorzugen. Vollständig autonome Prognosen oder Abschlussmanagement bleiben schwieriger, weil sich die Folgen auf Reporting, Kapitalallokation, Compliance und Entscheidungen der Geschäftsleitung auswirken.

Die Erzählung „openai what“ wird weniger überzeugend, wenn Leser „AI-native“ als „KI-gesteuert“ verstehen. Friars tatsächliches Modell erhält die Verantwortung des Finanzbereichs. KI sammelt, entwirft, vergleicht und kennzeichnet, während Menschen folgenreiche Ergebnisse genehmigen.

Diese Anordnung schafft auch ein Messproblem. Die Zeit für menschliche Prüfung kann scheinbare Automatisierungsgewinne aufzehren. Spät entdeckte Fehler können Nacharbeit verursachen, Entscheidungen verzögern und Vertrauen schwächen. Ein Modell, das schnell eine Antwort erzeugt, verkürzt nicht zwangsläufig die gesamte Durchlaufzeit.

Kontrollen sollten daher in die ROI-Berechnung einfließen. Teams müssen Prüfaufwand, Nachbesserung, Integration, Monitoring und laufende Evaluierung berücksichtigen. Andernfalls kann eine effiziente Demonstration einen kostspieligen Produktionsworkflow verbergen.

Es besteht außerdem ein Konzentrationsrisiko, wenn viele Prozesse vom selben Modellanbieter oder derselben Kontextebene abhängen. Ein Modellupdate kann das Verhalten bei Prognosen, Beschaffung, Steuern und Investor Relations verändern. Finanzteams benötigen Regressionstests, bevor sie geänderte Ergebnisse akzeptieren.

Dasselbe Prinzip gilt für Datenberechtigungen. Ein maßgeschneiderter Assistent sollte sensible Datensätze nicht allein deshalb abrufen, weil sie eine Antwort verbessern könnten. Der Zugriff muss die Rolle des Mitarbeiters, den Zweck der Aufgabe und die Aufbewahrungsrichtlinien der Organisation widerspiegeln.

OpenAIs Argument ist am stärksten, wenn es als Kontrollkonzept und nicht als Autonomiebehauptung gelesen wird. Schnellere Vorbereitung erhöht den Bedarf an Nachvollziehbarkeit, weil mehr Ergebnisse in kürzerer Zeit Prüfer erreichen können. Geschwindigkeit erhöht die Zahl der Ermessensentscheidungen.

KI-ROI braucht eine Workflow-Scorecard

OpenAI möchte, dass CFOs erledigte, verlässliche Arbeit messen statt Lizenzen, Prompts oder Tokenverbrauch.

Friar schlägt für jeden Workflow vier Fragen vor. Hat KI Arbeit erledigt, die relevant war? Was kostete das Ergebnis nach Mitarbeiterzeit, Prüfung und Nacharbeit? War es nutzbar, und verbesserte es Geschwindigkeit oder Entscheidungen?

Dieser Rahmen verwirft Aktivitätskennzahlen. Eine steigende Zahl von Nutzern kann auf Akzeptanz hinweisen, zeigt aber nicht, ob sich der Abschluss verbessert hat. Der Tokenverbrauch kann Nutzung offenlegen, ohne geschäftlichen Wert nachzuweisen.

Finanzteams benötigen operative Kennzahlen, die an jeden Prozess gebunden sind. Eine Scorecard für den Abschluss kann Durchlaufzeit, automatisierte Abstimmungen, prüfpflichtige Ausnahmen und die Zeit zur Erklärung von Abweichungen erfassen. Eine Scorecard für Prognosen kann Genauigkeit, Aktualisierungsfrequenz, Zeit für Szenarien und Entscheidungsqualität erfassen.

Diese Kennzahlen sollten eine glaubwürdige Ausgangsbasis nutzen. Teams müssen den neuen Workflow über vergleichbare Zeiträume und Bedingungen hinweg mit dem vorherigen Prozess vergleichen. Andernfalls können saisonale Veränderungen oder Unterschiede bei der Personalbesetzung fälschlich als KI-Gewinne gelten.

Auch Qualitätsgrenzen sind wichtig. Ein erster Entwurf, der in Sekunden eintrifft, schafft nur begrenzten Wert, wenn Analysten ihn neu erstellen müssen. Maßgeblich ist die nach Prüfung akzeptierte Arbeit, nicht das reine Outputvolumen.

BCG stellte fest, dass nur 45 Prozent der befragten Führungskräfte die Rendite ihrer KI-Initiativen im Finanzbereich quantifizieren konnten. Unter denjenigen, die Renditen maßen, berichtete ein Drittel von weniger als 5 Prozent. Die gemeldete Medianrendite lag bei 10 Prozent und damit unter den 20 Prozent, die viele anstrebten.

Nur etwa einer von fünf Befragten meldete Renditen von mindestens 20 Prozent. BCG stellte außerdem stärkere Ergebnisse fest, wenn Organisationen KI mit einer umfassenderen Transformation des Finanzbereichs verknüpften, statt sie als eigenständiges Projekt zu behandeln.

Ein Beispiel betraf ein Finanzteam eines Konsumgüterunternehmens, das ein Driver-Tree-Modell entwickelte, das operative und finanzielle Kennzahlen verband. Eine generative KI-Schnittstelle beantwortete anschließend Fragen über diese Struktur. BCG berichtete, dass das System die Zeit zur Berichtserstellung um 50 Prozent reduzierte.

Dieselbe Grundlage unterstützte später algorithmische Prognosen, die 30 Prozent schneller bereitgestellt wurden. Diese Zahlen beschreiben einen einzelnen Beratungsfall und kein universelles Ergebnis. Dennoch zeigen sie, warum gemeinsame Daten und eine Neugestaltung von Workflows kumulativen Wert schaffen können.

Das günstigste Modell kann in der Praxis auch teurer sein. Ein schwächeres System kann wiederholte Versuche, mehr Überprüfung und zusätzliche Korrekturen erfordern. Ein hochwertigeres Modell kann den gesamten Arbeitsaufwand ausreichend senken, um höhere Nutzungskosten auszugleichen.

Deshalb ist der Wert pro Einheit Intelligenz nützlicher als alleinige Modellkosten. Der Nenner sollte Modellnutzung, Implementierung, Mitarbeiterzeit, Prüfung und Nacharbeit umfassen. Der Zähler sollte akzeptierte Arbeit oder verbesserte Entscheidungen widerspiegeln.

CFOs sollten außerdem zwischen Produktivitätskapazität und verbuchter finanzieller Rendite unterscheiden. Zeitersparnis bei Analysten senkt nicht automatisch Ausgaben oder schafft Umsatz. Die Organisation muss diese Kapazität auf andere wertvolle Arbeit umlenken, damit der Gewinn wirtschaftlich wird.

Die Genauigkeit von Prognosen bringt eine ähnliche Komplikation mit sich. Eine genauere Prognose schafft nur dann Wert, wenn Führungskräfte sie nutzen, um Bestände, Einstellungen, Marketing, Infrastruktur oder Kapitalallokation zu verändern. Die Messung muss die Vorhersage mit einer Entscheidung verbinden.

Dasselbe Prinzip gilt für schnellere Abschlusszyklen. Frühere Zahlen können Planung und Risikoreaktion verbessern. Dennoch hat Geschwindigkeit wenig Wert, wenn Korrekturen später eintreffen oder Prüfer das Vertrauen in die Zahlen verlieren.

OpenAIs Scorecard setzt daher sowohl Käufer als auch Anbieter unter Druck. Käufer müssen akzeptable Arbeit vor der Einführung definieren. Anbieter müssen Evaluierungen unterstützen, die Workflow-Ergebnisse und nicht nur technische Benchmarks abbilden.

Das Unternehmen hat keine eigenen Scorecard-Ergebnisse veröffentlicht. Leser sollten den Rahmen als vorgeschlagene Disziplin und nicht als Beleg für erzielte Renditen behandeln. OpenAIs nächster Schritt besteht darin, genügend operative Daten zu veröffentlichen, um seine Behauptungen zu prüfen.

Drei Signale werden zeigen, ob OpenAIs Modell übertragbar ist

Der nächste Test besteht darin, ob OpenAI eine interne Betriebsphilosophie unter realen Finanzkontrollen in messbare, wiederholbare Ergebnisse umsetzen kann.

Das erste Signal sind veröffentlichte Fortschritte hin zu einem Abschluss am selben Tag und kontinuierlichen Prognosen. OpenAI sollte Durchlaufzeit, Abstimmungsabdeckung, Ausnahmequoten, Prognosegenauigkeit und Überarbeitungshäufigkeit offenlegen. Verbesserungen über mehrere Zeiträume hinweg würden seine Behauptung stärken, dass die Neugestaltung von Workflows verlässlichen Wert erzeugt.

Das Fehlen von Kennzahlen würde die Geschichte schwächen. OpenAI muss keine vertraulichen Finanzdetails offenlegen, kann aber normalisierte Verbesserungen oder Prozesskennzahlen veröffentlichen. Ohne sie können Außenstehende keinen fortgeschrittenen Prototyp von einem stabilen Betriebssystem unterscheiden.

Das zweite Signal ist ein Beleg dafür, dass Governance mit von Beschäftigten erstellten Tools skaliert. OpenAI beschreibt umfangreiche Entwicklungstätigkeit in seinem Finanzteam. Die wichtige Frage lautet, ob diese Systeme einheitliche Berechtigungen, Tests, Quellennachvollziehbarkeit, Versionskontrolle und Genehmigungsrichtlinien verwenden.

Unabhängige Audit-Nachweise wären besonders nützlich. Gleiches gilt für einen offengelegten Evaluierungsrahmen für IR-GPT, Prognosetools und andere Workflows mit hoher Wirkung. Schwerwiegende Vorfälle oder unkontrolliertes Tool-Wachstum würden das Builder-Modell infrage stellen.

Das dritte Signal ist die Reaktion von Enterprise-Finanzanbietern und Großkunden. SAP, BlackLine und andere etablierte Anbieter stellen bereits KI-gestützte Abstimmung und Berichterstattung bereit. Ihre nächsten Releases werden zeigen, ob konfigurierbare, kontextreiche Workflows zu Standarderwartungen an Produkte werden.

Deloittes CFO-Prioritäten unterstreichen den Druck. Die Umfrage umfasste 200 nordamerikanische Finanzchefs von Unternehmen mit beträchtlichen Jahresumsätzen. Die Untersuchung ergab, dass die technologische Transformation für 2026 auf der Prioritätenliste von Führungskräften weiter nach oben rückt.

Die fünf Lehren von OpenAI liefern einen schärferen Maßstab als eine breit angelegte Einführung. Mitarbeitenden Zugang geben, vollständige Workflows neu gestalten, Fachexperten bauen lassen, Verantwortlichkeit wahren und verlässliche Arbeit messen. Jeder Schritt hängt von den anderen ab.

Zugang ohne klare Richtung führt zu verstreuten Experimenten. Eine Neugestaltung von Workflows ohne verlässliche Daten erzeugt professionell aufbereitete Unsicherheit. Wenn Mitarbeitende ohne Governance bauen, entstehen operative Risiken; Kontrollen ohne aussagekräftige Kennzahlen können vielversprechende Arbeit hingegen ausbremsen.

Die OpenAI-What-Geschichte handelt daher nicht davon, Finanzfachleute aus finanziellen Entscheidungen herauszunehmen. Es geht darum, ihr Urteilsvermögen näher an Live-Daten zu bringen und gleichzeitig die vorbereitenden Tätigkeiten darum herum zu automatisieren.

Für CFOs besteht der unmittelbare Schritt darin, einen folgenreichen Workflow auszuwählen und dessen Nachweise, Freigaben, Ausgangsbasis und Ergebniskennzahlen zu definieren. Anschließend sollte geprüft werden, ob KI den Gesamtaufwand reduziert, ohne die Kontrolle zu schwächen. Welchen Prozess würde Ihr Finanzteam zuerst neu aufbauen, wenn jede generierte Antwort nachvollziehbar, überprüfbar und wirtschaftlich messbar bleiben müsste?