GenAI
Generative KI ist eine Klasse der Künstlichen Intelligenz, die neue Inhalte erzeugt, darunter Texte, Bilder, Code, Audio, Video und strukturierte Daten, anstatt lediglich bestehende Eingaben zu klassifizieren oder Ergebnisse vorherzusagen.
Generative KI bezeichnet Systeme, die neue Inhalte erzeugen, statt vorhandene Eingaben nur zu klassifizieren oder zu bewerten. Statistisch gesehen lernt ein generatives Modell die gemeinsame Verteilung p(x) oder die bedingte Verteilung p(x|y) und kann so neue Beispiele erzeugen. Ein diskriminatives Modell lernt dagegen nur p(y|x). Das genügt, um eine Transaktion als Betrug oder Nicht-Betrug einzustufen, reicht aber nicht, um eine Mahnung per E-Mail zu formulieren oder Zahlungsavise zusammenzufassen.
Über Jahrzehnte arbeitete KI im Unternehmen nahezu ausschließlich diskriminativ. Ob Bonitätsbewertung, Abwanderungsprognose, Betrugserkennung oder Bedarfsprognose: Am Ende stand immer eine Zahl oder eine Kategorie. Seit 2022 hat sich das gewandelt. Generative Systeme erzeugen nun auf Abruf Texte, Code, Bilder und strukturierte Daten in geschäftstauglicher Qualität. Diese Fähigkeit verändert, welche Prozesse Sie automatisieren können und welche weiterhin einen Menschen im Entscheidungsprozess brauchen.
Generative KI versteht man am besten als Sammelbegriff für mehrere Modalitäten. Bei der Textgenerierung geben große Sprachmodelle wie GPT, Claude und Gemini den Ton an. Zur Bildgenerierung zählen Systeme wie DALL-E, Midjourney und Stable Diffusion. Code erzeugen Tools wie Copilot und Cursor, die oft auf universellen LLMs aufsetzen. Die Audiogenerierung reicht von Musiksystemen wie Suno bis zu Stimmensystemen wie ElevenLabs. Und die Videogenerierung entwickelt sich rasant weiter, etwa durch Modelle wie Sora und Veo.
Strategisch am wichtigsten für Finanzteams sind multimodale Systeme, die mehr als eine Modalität verarbeiten und erzeugen. Ein solches Modell liest das Bild einer Rechnung ein, extrahiert die strukturierten Daten, klassifiziert den Abzugsgrund, entwirft eine Antwort-E-Mail und liefert all das in einem einzigen Aufruf zurück.
Drei architektonische Konzepte bilden das Fundament der aktuellen Systemgeneration. Der Transformer, vorgestellt 2017, ist heute die dominierende Architektur für Sprach- und multimodale Modelle. Er skaliert gut mit Daten und Rechenleistung. Deshalb ist die Leistungsfähigkeit der Modelle so eng mit den investierten Rechenressourcen gewachsen. Die meisten Chat- und Code-Assistenten beruhen auf einem Trainingsziel: der autoregressiven Sprachmodellierung. Das Modell lernt, den nächsten Token vorherzusagen, und dieses eine Ziel genügt, um kohärente Absätze, funktionierenden Code und strukturiertes JSON zu erzeugen.
Für Bild, Audio und Video setzen sich derzeit Diffusionsmodelle durch. Sie beginnen mit Rauschen und lernen, dieses Schritt für Schritt zu entrauschen, gesteuert durch einen Prompt. Ein knapper Zeitstrahl liefert nützlichen Kontext für Diskussionen auf Vorstandsebene: Variational Autoencoders 2013, Generative Adversarial Networks 2014, der Transformer 2017, GPT-3 im Jahr 2020, ChatGPT Ende 2022, GPT-4 und Claude 2023, Sora und GPT-4o 2024 sowie schlussfolgerungsfähige Agenten bis 2025 und 2026.
Die Einführung in Unternehmen ist in drei Phasen verlaufen, die sich überschneiden. Am Anfang stand die Copilot-Phase: Generative KI steckte in bestehenden Tools und half Menschen beim Schreiben, Zusammenfassen und Programmieren. Es folgte die agentische Phase, in der Modelle planen, Tools aufrufen, Systeme abfragen und mehrstufige Aufgaben mit begrenzter Aufsicht erledigen. Als Drittes entsteht gerade die Generierung strukturierter Workflows: Hier liefern Modelle typisierte Ergebnisse, die direkt in nachgelagerte Systeme einfließen, etwa in das ERP-System, das Data Warehouse oder die Cashflow-Prognose.
Für CFOs heißt das konkret: Die zentrale Frage hat sich verschoben. Es geht nicht mehr darum, ob KI einen Entwurf schreiben kann, sondern darum, wie viel eines Workflows KI durchgängig ausführen kann und an welchen Stellen der Mensch weiterhin eingebunden bleiben muss.
Order-to-Cash eignet sich ungewöhnlich gut für generative KI, denn hier treffen unstrukturierte Eingaben, wiederkehrende Textarbeit und hohe Transaktionsvolumina aufeinander. Im Forderungsmanagement entwerfen generative Modelle Kunden-E-Mails, die den Kontext des Kontos, die Zahlungshistorie und den passenden Ton berücksichtigen. Im Streitfall- und Abzugsmanagement ordnen sie den Abzugsgrund anhand von Freitext-Beschreibungen aus Reklamationen ein und formulieren die Antwort. Beim Zahlungsabgleich (Cash Application) ziehen sie strukturierte Avisdaten aus E-Mails, PDFs und Kundenportalen, wo klassische OCR-Verfahren scheitern. Bei der Cashflow-Prognose verfassen sie erläuternde Kommentare, die die Ursachen einer Prognoseabweichung verständlich darlegen, geeignet fürs Board-Reporting.
Die neuere agentische Ebene geht noch weiter. Ein KI-Agent liest eine Kunden-E-Mail, ruft im ERP-System die strittige Rechnung ab, prüft die ursprüngliche Bestellung, entwirft eine Antwort, hängt die Belege an und reiht die Nachricht zur menschlichen Freigabe ein, alles in einem einzigen Durchlauf. Genau dieses Muster verwandelt personalintensive Debitorenprozesse in reine Prüf- und Freigabe-Workflows.
Transformance.ai setzt generative KI im gesamten Debitorenbereich ein, vom Textentwurf über Extraktion und Klassifizierung bis hin zu agentischen Workflows. Werfen Sie einen Blick auf unsere Forschungsnotizen zu praxiserprobten Einsatzmustern.
Generative KI bringt Fehlerquellen mit sich, mit denen sich Finanzteams bisher nicht auseinandersetzen mussten. Das größte Risiko ist die Halluzination: Das Modell liefert flüssige, aber falsche Ergebnisse. Eindämmen lässt sie sich durch Retrieval-Grounding, Schema-Validierung und eine klare Richtlinie, die festlegt, welche Ergebnisse automatisch verbucht werden dürfen und welche ein Mensch freigeben muss. Auch Prompt Injection ist eine reale Gefahr: Nicht vertrauenswürdige Eingaben verändern das Verhalten des Modells, sobald Systeme der Debitorenbuchhaltung Kunden-E-Mails direkt in ein Modell einspeisen. Ebenso müssen Ihre Richtlinien Datenabfluss, Risiken für geistiges Eigentum und Urheberrecht sowie Missbrauch durch Deepfakes ausdrücklich abdecken.
Für den Einsatz im Finanzbereich brauchen Sie vier Schutzmaßnahmen. Erstens: Jedes von der KI erzeugte Ergebnis, das das Hauptbuch oder den Kunden berührt, prüfen Sie gegen ein Schema oder gegen Referenzdaten. Zweitens: Jede Aktion protokollieren Sie revisionssicher mit Prompt, Modellversion und Ergebnis. Drittens: Wo Sie Daten speichern und welcher Modellanbieter dahintersteht, dokumentieren Sie für die Aufsichtsbehörden. Und viertens legt Ihr Betriebsmodell fest, welche Entscheidungen ein Mensch vor der Freigabe prüft und welche vollautomatisch durchlaufen.
Klassische KI arbeitet überwiegend diskriminativ. Sie ordnet vorhandene Eingaben ein oder bewertet sie, indem sie etwa einen Kunden nach dem Kreditrisiko einstuft oder eine Transaktion als Betrug markiert. Generative KI dagegen erzeugt neue Inhalte: Text, Bilder, Code, Audio, Video und strukturierte Daten. Dabei lernt sie, wie ihre Trainingsdaten verteilt sind, und erkennt nicht nur die Grenze zwischen Kategorien.
Nein. Large Language Models sind eine wichtige Kategorie generativer KI, konzentriert auf Text und Code. Generative KI ist der übergeordnete Begriff und umfasst auch Systeme für Bild, Audio, Video und multimodale Anwendungen. Der überwiegende Teil des heutigen Einsatzes in Finanzteams von Unternehmen baut auf LLMs und multimodalen Modellen auf, doch die breitere Kategorie wächst kontinuierlich weiter.
Generative KI entwirft Mahn-E-Mails und Antworten auf Streitfälle, extrahiert strukturierte Daten aus Rechnungen und Zahlungsavis, klassifiziert Abzugsgründe aus Freitext-Reklamationen und formuliert erläuternde Kommentare zu Abweichungen in der Cashflow-Prognose. Agentische Systeme gehen noch weiter: Sie führen mehrstufige Prozesse aus, die zuvor mehrere Sachbearbeiter erforderten.
Die wesentlichen Risiken sind Halluzinationen, Prompt Injection über nicht vertrauenswürdige Kundeneingaben, Datenabfluss und die Preisgabe geistigen Eigentums. Im Finanzbereich wiegt vor allem ein Risiko schwer: dass eine KI-generierte Zahl oder Nachricht ohne Validierung ins Hauptbuch oder zum Kunden gelangt. Absichern lässt sich das über Schema-Validierung, Retrieval-Grounding, Audit-Protokollierung und klar definierte menschliche Freigabepunkte.
In der Praxis verändert generative KI die Rollen im Finanzbereich, statt sie abzuschaffen. Routinemäßiges Entwerfen, Extrahieren und Klassifizieren nimmt stark ab, während Prüfung, Ausnahmebehandlung, die Gestaltung von Kontrollen und urteilsintensive Entscheidungen beim Menschen bleiben. Der realistische Rahmen für CFOs lautet: Kapazitäten umverteilen, nicht in erster Linie Personal abbauen.
Zumindest sollte jede KI-Ausgabe, die das Hauptbuch oder den Kunden berührt, schema-validiert sein. Jede Aktion sollte mit Prompt, Modellversion und Ausgabe für die Revision protokolliert werden. Datenstandort und Modellanbieter sollten für Aufsichtsbehörden dokumentiert sein. Und das Betriebsmodell sollte festlegen, welche Entscheidungen ein Mensch vor der Freigabe genehmigt und welche vollautomatisch durchlaufen.
