Im Jahr 2020 brauchten CFOs neue Tools. Heute verändern diese Tools die Rolle selbst.
Die Position wurde zunehmend strategischer, doch die Software blieb veraltet. CFOs waren halb Datenanalyst, halb Architekt und setzten mühsam Exporte aus einem ganzen Kosmos von Einzellösungen und Excel-Dateien zusammen, die um dreißig Jahre alte ERPs kreisten. Die Daten waren der Flaschenhals. Sie lagen an zu vielen Orten, ließen sich nur schwer bändigen, und die darauf aufbauenden Tools waren fragil und in ihren Möglichkeiten begrenzt.
Heute räumt KI diese Hürden aus dem Weg. Das Zusammenführen von Daten ist einfacher geworden, und die Software übernimmt immer mehr Arbeit selbst. Und wenn sich das ändert, verändern sich auch die Art und Weise, wie gearbeitet wird, und wer diese Arbeit erledigt. Das bedeutet: Die Finanzfunktion selbst wandelt sich – und mit ihr das Team sowie das Profil der Person, die es leitet.
Vom Buchhalter zum Banker zum Builder
Das zeigt sich daran, wen Unternehmen im Laufe der Zeit für diese Aufgabe eingestellt haben:
Die Eigenschaften eines herausragenden CFOs haben sich über alle Epochen hinweg bemerkenswert gut gehalten. Die besten CFOs liefern nicht einfach nur Zahlen oder Board-Decks. Sie nutzen Daten auch, um eine fundierte Meinung darüber zu entwickeln, in welche Richtung sich das Unternehmen bewegen sollte. Was sich ständig ändert, sind die Anforderungen der Rolle – sie folgen stets der jeweils knappsten Kompetenz am Markt.
Das Profil jeder Epoche spiegelt diesen Wandel wider. Als es darum ging, Bücher sauber zu führen, Kontrollen zu etablieren und Ergebnisse zu berichten, rekrutierten Unternehmen ihre CFOs aus den Big-4-Wirtschaftsprüfungsgesellschaften. Als Kapitalbeschaffung und Deal-Abschlüsse im Vordergrund standen, kamen sie aus dem Investmentbanking. Als Planung, Kennzahlen und Business Partnering wichtig wurden, gewann das Planungs-Know-how („FP&A“) an Bedeutung – wobei Unternehmen weiterhin häufig Kandidaten mit Hintergrund im Banking oder Private Equity einstellten.
Die heute knappste Kompetenz ist etwas völlig Neues: das Betriebssystem zu entwerfen, auf dem das Unternehmen läuft. Damit sind die Daten, Workflows, Agents, Skills und Kontrollmechanismen gemeint, die Kontext in Erkenntnisse und Entscheidungen verwandeln. Erkennbar ist das am Aufstieg des „Finance Engineers“ innerhalb der Finanzteams und daran, dass CFOs diese Rolle zunehmend selbst übernehmen.
Finanzverantwortliche, die so arbeiten, beschreiben ihre Funktion anders als ihre Vorgänger. Sarah Friar, CFO von OpenAI, versteht Finance als Echtzeitfunktion. Das Ziel ist ein Zero-Day Close und eine kontinuierlich aktualisierte Prognose – ein gewaltiger Sprung gegenüber dem klassischen monatlichen Abschlussrhythmus. Ob es um die Zuteilung von Compute oder Kapital geht: Die besten Finance Leader klingen heute weniger wie Punktezähler und mehr wie Macher.
Mehr Daten, bessere Tools, schlankeres Team
Der Wandel im Profil des CFOs und in der gesamten Finanzorganisation wird durch die rasante Entwicklung KI-nativer Tools getrieben. Einfacherer, schnellerer Datenzugriff hat bessere Werkzeuge ermöglicht. Das verändert, wie und von wem die Arbeit erledigt wird – und damit auch, wie Finanzteams aufgebaut sind und arbeiten.
1. Daten sind kein Flaschenhals mehr. Die zentrale Kritik unseres Artikels von 2020 lautete, dass der Rohstoff des CFOs – die Daten – veraltet, fragmentiert und mühsam zusammenzuführen war. Finanzteams verbrauchten den Großteil ihrer Energie am unteren Ende der Pyramide damit, Inputs zusammenzubasteln: Exporte ziehen, Tabellen abgleichen und Erklärungen für Abweichungen jagen, die in einer E-Mail-Kette oder – noch schlimmer – in Slack-DMs und Channels vergraben waren. KI macht es schneller und einfacher, Daten aus unterschiedlichsten Systemen und Formaten zu extrahieren, einzulesen und zu interpretieren. Teams verbringen weniger Zeit mit der Beschaffung von Informationen und mehr Zeit damit, daraus Maßnahmen abzuleiten.
2. Der Finance Stack wird Teil des Finanzteams. 2020 haben wir den Finance Stack Schicht für Schicht analysiert und argumentiert, dass eine Welle moderner Tools jede einzelne davon erfassen würde. Da KI nun hilft, das Datenproblem zu lösen, ist diese Welle gekommen. Die neue Generation ist in Tagen statt Quartalen einsatzbereit, automatisiert die Datenerfassung selbst, statt auf Input zu warten, und liefert Erkenntnisse in Echtzeit statt erst am Monatsende. Für jeden Bereich unserer damaligen Market Map gibt es heute einen KI-nativen Herausforderer – vom ERP über Steuern bis hin zum Einkauf.
Einige Beispiele aus unserem Portfolio:
- Das ERP von Rillet verkürzt die Implementierung von Monaten auf Tage oder Wochen, zieht Daten automatisch ein und macht aus einem monatlichen Abschluss einen täglichen.
- Concourse setzt Agents für Finanzplanung und Forecasting ein und nutzt Echtzeit-Pipeline-Daten, um Live-Szenarien zu erstellen.
- Lio verwendet ein Multi-Agent-Modell für den Einkauf, bei dem Agents die Due Diligence von Lieferanten durchführen, Verträge verhandeln, interne Freigaben steuern und die Erfüllung überwachen.
- Stuut managt den gesamten Forderungsprozess von der ersten Ansprache über Nachfassaktionen bis zum Inkasso und zur Klärung von Streitfällen und automatisiert dabei die Zahlungszuordnung.
- Sphere verwandelt komplexe Compliance-Anforderungen bei indirekten Steuern in einen vollständig automatisierten End-to-End-Prozess.
- Petual automatisiert SOX-Tests und unternehmensweite Workflows für die Innenrevision.
All das sind Prozesse, für die früher dedizierte Teams oder externe Dienstleister nötig waren.
Die letzte Software-Generation half Finanzexperten, die Arbeit zu organisieren. Diese Generation erledigt die Arbeit selbst. Die beste KI-native Finanzsoftware macht heute Finance.
3. Der Aufstieg des Finance Engineers. Da das Datenproblem in den Hintergrund tritt, ist etwas entstanden, das wir 2020 nicht vorhergesehen hatten. Die fortschrittlichsten Finanzteams nutzen nicht nur KI-Software, sondern bauen eigene Automatisierungen, Dashboards und weitere interne Tools. Viele dieser Mitarbeiter hatten nie zuvor programmiert, standen KI skeptisch gegenüber und hatten keinen Zugriff auf Engineering-Ressourcen. In den letzten 9 bis 12 Monaten sind sie jedoch komplett auf den KI-Zug aufgesprungen.
Das Finanzteam von Anthropic hat eine Bibliothek mit über 70 finanzspezifischen KI-Skills aufgebaut und pflegt sie wie Produktionscode. Einer davon erstellt einen zu 90–95 % fertigen monatlichen Finanzbericht und komprimiert stundenlange menschliche Arbeit auf etwa dreißig Minuten. Bei OpenAI baut Friars Team maßgeschneiderte GPTs für Investor Relations und Einkauf sowie Live-Dashboards, die statische Board-Books ersetzen.
Ein CFO eines Wachstumsunternehmens aus unserem Portfolio bat sein Team, Agents zu erstellen – nach zwei Wochen gab es 50 davon. Nicht alle waren nützlich, aber jeder hatte die Chance, diesen magischen Moment zu erleben, in dem ein Agent tatsächlich echte Arbeit abliefert. Ein anderer erzählte, dass seine Finanz- und Accounting-Teams zu Produktmanagern werden und gemeinsam mit Entwicklern eigene Tools bauen.
Ähnlich wie beim GTM Engineer, Growth Engineer oder Talent Engineer setzen viele Unternehmen inzwischen auf den „Finance Engineer“. Wie bei diesen anderen Rollen, die Fachwissen mit technischer Umsetzungskompetenz verbinden, handelt es sich meist um jemanden aus dem Finanzbereich – häufig mit Engineering-Hintergrund –, der sich in Codex oder Claude Code eingearbeitet hat und den Aufbau von Tools für das Team vorantreibt. Oft verbinden diese Personen Systeme miteinander und beseitigen Engpässe in Workflows. Das kann zum Beispiel bedeuten, ein Tool zu bauen, das Kundenerlöse mit Modell-Inferenzkosten, Cloud-Nutzung und Supportaufwand kombiniert und anschließend Accounts markiert, bei denen die Margen schrumpfen oder die Nutzung einen bestimmten Vertrag unrentabel gemacht hat.
Früher erforderte das unwahrscheinliche Unterstützung aus dem Kern-Engineering oder den Versuch, Entwickler direkt ins Finanzteam zu holen. Heute verbringen viele CFOs selbst mehr Zeit damit, mit KI zu bauen oder KI-native Tools zu nutzen, und weniger Zeit in Meetings. „Diese neuen Produkte machen einfach Spaß“ ist ein Feedback, das wir oft hören.
Die Arbeitsregel hinter dem Finance Engineer ist simpel: Wenn du etwas zweimal machst, schreib einen Workflow; wenn du den Workflow zweimal schreibst, bau einen Agent.
4. Das Finanzteam wird kleiner und wirkungsvoller. Die meisten Finanzteams sind noch klassisch organisiert: Controller-Ebene, FP&A-Ebene, Ops-Ebene und ein CFO. Alles ausgelegt auf einen monatlichen Rhythmus und klare Einzelverantwortlichkeiten pro Aufgabe. Diese Struktur ergab Sinn, als jede Ebene nur dazu diente, Daten zu verschieben und abzugleichen.
Auch die alte Faustregel – Finance macht rund 5 % der Belegschaft aus – gerät ins Wanken. Die schlanksten Teams, die wir sehen, peilen 2 % an und setzen auf Talentdichte statt auf Headcount. Neue Mitarbeiter im Finanzbereich können mehrere Systeme per API-Call verbinden, SQL schreiben und Automatisierungen prototypisieren. KI-Kompetenz wird zur Grundvoraussetzung. Aus „Erklären Sie mir Ihr Modell“ wird „Führen Sie mich durch Ihre Prompt-Sequenz“.
Erfahrene Fachexperten können den größten Hebel aus KI ziehen. Bei Anthropic ist der intensivste Nutzer im Finanzteam der Head of Tax. Wie es einer unserer CFOs aus dem Wachstumssegment formulierte: Es liegt nahe anzunehmen, dass die Junior-Mitarbeiter die stärksten Early Adopters sind – doch ihnen fehlen Erfahrung und Kontext, um zu wissen, was „großartig“ aussieht oder was man überhaupt bauen sollte.
5. Planung wird kontinuierlich. Nutzungsabhängige Erlöse (z. B. Tokens, Minuten, API-Calls) waren schon immer schwer zu prognostizieren. Zudem sind Standardprozesse und -tools im Monatstakt schlicht zu langsam – besonders seitdem Agents zu aktiven Faktoren in der GuV geworden sind. Viele Finanzverantwortliche setzen deshalb auf Continuous Forecasting: eine Live-Sicht basierend auf statistischen Modellen, datenbasierten Erkenntnissen auf Account-Ebene und finanziellem Urteilsvermögen. FP&A entwickelt sich von der Jahresbudgetierung hin zu laufenden operativen Entscheidungen. Komplexe Szenarien lassen sich jetzt live im Meeting durchspielen.
6. Kontrollmechanismen werden zum entscheidenden Produktfeature. Wenn Software mehr Arbeit im Finanzbereich übernimmt, ist eine prüffähige, vertrauenswürdige Kette von jeder Zahl zurück zur Quelle unverzichtbar. Finance muss wissen, woher jede Zahl stammt, wie sie berechnet wurde und wo welche Agents beteiligt waren. Entwirft ein Agent beispielsweise eine Buchung, muss er die zugehörigen Arbeitspapiere und Belege speichern und Genehmigungsregeln einhalten, bevor gebucht wird. KI kann weiterhin Datensätze abgleichen sowie Abweichungen und Ausnahmen markieren und erklären – aber Finance definiert die Regeln und trägt die Freigabeverantwortung. Kontrollen ermöglichen Geschwindigkeit. Das Team kann sich auf strategische Aufgaben konzentrieren, ohne jeden Schritt manuell nachvollziehen und prüfen zu müssen.
7. Finance bekommt ein größeres Mandat. Mit Echtzeitdaten und der Möglichkeit, Szenarien schnell durchzuspielen, wird Finance in deutlich mehr strategische Entscheidungen einbezogen. Für viele KI-Unternehmen ist Compute einer der größten Betriebskostenblöcke und eine der folgenreichsten Entscheidungen bei der Kapitalallokation. Finanzteams können heute aktuelle Nutzungsdaten, Infrastrukturkosten und Kundenerlöse zusammenführen, während KI-Tools helfen zu berechnen, wie sich ein neues Feature oder eine höhere Kundennutzung auf die Margen auswirken würde. Das gibt Finance eine viel stärkere Grundlage, um bei Preisgestaltung, Produktlaunches und Ausgabenentscheidungen mitzureden.
Unternehmen treffen zudem viel mehr Entscheidungen, bei denen der CFO eine Schlüsselrolle spielt. Etwa die Frage, wie Teams Arbeit zwischen Menschen und Software aufteilen – ein zentrales Thema in allen Organisationen und letztlich eine Finanzentscheidung. Mit detaillierteren Daten zu Trade-offs zwischen Zeitaufwand, Token-Nutzung, Softwareauslastung und mehr kann Finance diese Abwägungen bewerten. Auch Build vs. Buy gehört zu diesem Entscheidungsfeld. „Bauen“ kann heute ein großes Engineering-Projekt bedeuten – oder einfach ein nicht-technisches Team, das per Vibecoding ein kleineres Tool zusammenbaut. „Kaufen“ kann heißen, für Nutzung oder fertige Ergebnisse zu zahlen, sodass die Kosten mit der Adoption schwanken. Dank KI kann Finance diese komplexeren Szenarien heute schneller und präziser modellieren.
Die Rolle, neu geschrieben
Der Job des CFOs hat sich schon früher gewandelt. Neu ist heute, wie stark die Finanzfunktion und die Organisation selbst umgebaut werden. Historisch haben CFOs ihre Teams um jene Schichten von Mitarbeitern herum aufgebaut, die nötig waren, um Daten aus unzähligen Tools zu sammeln, abzugleichen und zu prüfen – alles darauf ausgelegt, Arbeit zu verfolgen und zu steuern. Heute kann der CFO mit einem kleineren Team und größerem Hebel die Tools bauen und nutzen, die die Arbeit erledigen. Entscheidungen, die früher im Wochen- oder Monatstakt fielen, können nun kontinuierlich getroffen werden.
Der CFO wird zum Builder und Architekten des Betriebssystems seines Unternehmens. Das bedeutet herauszufinden, was das Team am besten macht und was die Software. Der KI-native CFO muss Automation First denken und wissen, wie man ein modernes Finanzteam aufbaut, trainiert und ausstattet. Er braucht außerdem neue Frameworks dafür, was gebaut und was gekauft wird – und wie sich der ROI dieser Entscheidungen berechnet. Der Gewinn: mehr Zeit für das eigentliche Geschäft und dafür, strategischer Sparringspartner des CEO zu sein. Der Job ist weiterhin Finance, aber ein immer größerer Teil besteht darin, zu gestalten, wie Finance gemacht wird.
cc: @IvanoMakSF David Borecky
Vielen Dank an @astrange und @BKRoberts für ihre Unterstützung bei diesem Artikel!
