Die meisten Unternehmen planen ihre Liquidität noch von Hand. Künstliche Intelligenz kann die Prognose genauer machen – und dem Treasury das Einsammeln der Zahlen abnehmen.
Kurz gesagt: Mehr als die Hälfte der mittelgroßen und großen Unternehmen stellt ihre Liquiditätsplanung noch manuell zusammen (PwC Global Treasury Survey 2025). Machine Learning wertet die Zahlungen der Vergangenheit aus und macht die Prognose in der Praxis spürbar genauer. Voraussetzung sind gute Daten und ein schrittweiser Einstieg.
So läuft es heute in vielen Unternehmen
Jede Woche oder jeden Monat melden die Gesellschaften ihre erwarteten Ein- und Auszahlungen – per Excel, per E-Mail, manchmal per Telefon. Das Treasury trägt alles zusammen, prüft auf Plausibilität, ergänzt Erfahrungswerte und baut daraus die Liquiditätsvorschau. Das dauert Tage. Und am Ende weiß niemand genau, wie belastbar die Zahlen sind, weil jede Gesellschaft anders schätzt.
Die Folge: Wer seiner Prognose nicht traut, hält lieber zu viel Liquidität vor. Bei den heutigen Zinsen kostet das pro Million ungenutztem Geld schnell einen fünfstelligen Betrag im Jahr. Und wenn die Prognose doch einmal daneben liegt, wird kurzfristig teuer nachfinanziert.
Was KI konkret ändert
Drei Dinge passieren anders:
- Die Zahlen kommen aus den Systemen, nicht aus Excel. Kontoauszüge, offene Rechnungen, Bestellungen und Planwerte fließen automatisch zusammen – täglich, nicht monatlich.
- Das Modell lernt aus der Vergangenheit. Es erkennt, dass ein bestimmter Großkunde fast immer zehn Tage zu spät zahlt, dass im Dezember die Eingänge einbrechen oder dass Lieferant X seine Rechnungen gebündelt zum Monatsende stellt. Solche Muster stecken in den Daten, aber keine Tabelle findet sie.
- Szenarien gibt es auf Knopfdruck. Was passiert, wenn der größte Kunde einen Monat später zahlt? Was, wenn die Zinsen steigen? Solche Fragen lassen sich sofort durchrechnen, statt in mehreren Tabellen nachgebaut zu werden.
Das Treasury prüft die Prognose, statt sie zu bauen – und hat Zeit, Abweichungen zu verstehen.
Was das bringt – und was nicht
In veröffentlichten Praxisfällen ist die Prognosegenauigkeit deutlich gestiegen und der Aufwand für die Erstellung deutlich gesunken. Genauere Prognosen heißen kleinere Puffer, weniger teure Nachfinanzierung und bessere Anlageentscheidungen.
Ehrlich gesagt werden muss auch: Ein Modell ist nur so gut wie die Daten, mit denen es arbeitet. Wer wenig Historie hat oder unsaubere Stammdaten, bekommt eine selbstbewusste, aber falsche Prognose. Und ein Modell, dessen Ergebnis niemand erklären kann, wird im Unternehmen nicht akzeptiert – zu Recht.
Fazit
Die Technik ist in den gängigen Treasury-Systemen bereits enthalten; ein Systemwechsel ist dafür in der Regel nicht nötig. Noch nutzt aber nur jedes zehnte Treasury KI im Tagesgeschäft (KPMG Global Treasury Survey 2025). Wer jetzt seine Daten und Prozesse vorbereitet, ist früh dran.
Wie CAPARIS Sie dabei unterstützt
KI-gestützte Planung scheitert selten am Algorithmus – sondern an unvollständigen Daten, unklaren Zuständigkeiten und Erwartungen, die zu hoch oder zu niedrig sind. Genau da setzen wir an.
Wir beginnen mit einer Bestandsaufnahme: Welche Daten haben Sie, in welcher Qualität, über welchen Zeitraum? Wie entsteht Ihre Prognose heute, und wo liegt sie regelmäßig daneben? Daraus leiten wir mit Ihnen einen realistischen Einstieg ab – meist ein klar abgegrenzter Bereich, in dem sich der Nutzen schnell messen lässt. Bei der Umsetzung begleiten wir Sie unabhängig von Softwareanbietern, von der Auswahl der Lösung über die Anbindung Ihrer Systeme bis zur Abnahme.
Das Ergebnis: eine Prognose, der Sie trauen können, weniger gebundene Liquidität und ein Treasury-Team, das Zeit für Analyse statt für Datensammeln hat.
Lassen Sie uns über Ihre Liquiditätsplanung sprechen. In einem unverbindlichen Erstgespräch zeigen wir Ihnen, wo bei Ihnen die größten Hebel liegen.
Quellen: PwC Global Treasury Survey 2025 · KPMG Global Treasury Survey 2025