Finanz- & Liquiditätsentscheidungen

Ausgangslage & Kontext

Treasury und Finanzsteuerung im Mittelstand arbeiten selten mit einer einzigen Wahrheit. Kontosalden, offene Posten, geplante Investitionen und Förderzusagen liegen in getrennten Systemen und Tabellen. Aus ihnen wird ein Liquiditätsforecast gebaut, der Vorstand, Bank und Gesellschafter tragen sollen.

Die Entscheidungen, die daran hängen — Kreditlinie ziehen, Investition vorziehen, Ausschüttung terminieren — sind wesentlich und teils unumkehrbar. Umso mehr zählt, ob der Forecast reproduzierbar ist: Führt dieselbe Datengrundlage morgen zum selben Ergebnis, und lässt sich jede Zahl gegenüber Aufsichtsrat oder Wirtschaftsprüfer belegen? Der EU AI Act verlangt für entscheidungsvorbereitende Systeme genau diese Nachvollziehbarkeit.

Das Problem

Tabellen-Forecasts sind schwer nachvollziehbar und selten reproduzierbar. Verschachtelte Formeln, manuelle Overrides und gewachsene Verknüpfungen führen dazu, dass niemand mehr sicher sagen kann, warum eine Zahl so und nicht anders ist — und ob sie beim nächsten Öffnen gleich bleibt.

Generative KI ist hier die falsche Antwort. Ein Modell, das Zahlen „schätzt“, erzeugt Scheingenauigkeit ohne Rechenweg und kann Werte frei erfinden. In der Finanzsteuerung ist das untragbar: Eine erfundene Liquiditätszahl kann eine reale Fehlentscheidung auslösen.

Konkrete Schwachstellen

• Forecasts aus Tabellen sind schwer nachvollziehbar und selten reproduzierbar.
• Generative KI erfindet Zahlen — im Finanzkontext untragbar.
• Szenarien lassen sich kaum sauber gegeneinander stellen.
• Unsicherheit wird als Scheinpräzision kaschiert statt ausgewiesen.

Die Kausalkette

Vom Datensilo bis zur riskanten Entscheidung verläuft eine klare Ursache-Wirkungs-Kette:

1. 1
   Getrennte Finanzdatenquellenwerden in einer Tabelle manuell verrechnet
2. 2
   Manuelle, gewachsene Tabellensind nicht reproduzierbar und schwer prüfbar
3. 3
   Nicht reproduzierbare Zahlenverbergen Unsicherheit als Scheinpräzision
4. 4
   Scheinpräzise Zahlenführen zu riskanten Allokationsentscheidungen

Wie cNode es löst

cNode liest die Finanzquellen deterministisch ein und verankert sie im Wissensgraphen: Salden, offene Posten, Planwerte und Zusagen sind eindeutig Perioden und Belegen zugeordnet. Nichts wird abgetippt, nichts frei interpretiert.

Der Forecast selbst ist eine deterministische Berechnung. Über einen festen Seed ist er reproduzierbar: Dieselbe Datengrundlage liefert nachweislich dasselbe Ergebnis — die Grundlage jeder Prüfung und jedes Vergleichs über die Zeit.

Unsicherheit wird explizit modelliert und als p05/p50/p95-Band ausgewiesen. Szenarien lassen sich sauber gegeneinander stellen; das Ranking bleibt auch unter Störung der Annahmen stabil, sodass Robustheit sichtbar wird statt hinter einer Punktzahl zu verschwinden.

Erst zuletzt fasst das Sprachmodell die berechneten, belegten Ergebnisse in eine lesbare Einschätzung. Es rechnet nicht und erfindet nichts — es erklärt die Zahl, die die Engine bereits belegt hat.

Der deterministische Ablauf

1. Finanzquellen deterministisch einlesen und im Graphen verankern.
2. Deterministischer Forecast — reproduzierbar über einen festen Seed.
3. Konfidenzbänder p05/p50/p95 statt Scheingenauigkeit.
4. Szenario-Simulation mit stabilem Ranking unter Störung.
5. Quelle + Rechenweg je Kennzahl; das LLM verbalisiert nur.

Das Ergebnis

Vorstand und Treasury erhalten eine belastbare Liquiditätssicht, in der jede Kennzahl mit Quelle und Rechenweg belegt ist und Unsicherheit ehrlich ausgewiesen wird. Allokationsentscheidungen werden schneller getroffen und zugleich dokumentiert — mit einer Begründung, die einer späteren Prüfung standhält.

Methodik & Belegbarkeit

Die Methodik trennt sauber zwischen Rechnen und Erklären. Die Zahl entsteht deterministisch und reproduzierbar; das Sprachmodell verbalisiert sie nur. So kann eine erfundene Zahl gar nicht in den Forecast gelangen — der einzige Freiheitsgrad des Modells ist die Formulierung, nicht der Wert.

Reproduzierbarkeit über einen festen Seed, Quellen- und Rechenwegnachweis je Kennzahl sowie ein Audit-Trail je Datenpunkt schaffen Anschluss an EU AI Act Art. 12/13. Betrieb wahlweise in Frankfurt oder on-prem bis air-gapped, Auftragsverarbeitung nach DSGVO Art. 28, keine Trainingsnutzung der Daten.