GenAI im Cash Management: Vielversprechend oder Hype?

In den letzten Monaten habe ich mit Verwaltungsräten und Family Offices über eine Frage gesprochen: Wie weit können wir mit generativer KI in geschäftskritischen Finanzprozessen gehen?

Ein aktuelles Working Paper der Bank für Internationalen Zahlungsausgleich (BIZ) liefert dazu wichtige Erkenntnisse. Die Autoren prüften, ob ein auf dem Reasoning-Modell o3 von ChatGPT basierender KI-Agent untertägige Liquiditätsentscheide innerhalb eines Zahlungssystems simulieren kann.

Die Resultate beeindrucken. Ohne domänenspezifisches Training priorisierte die KI Zahlungen, steuerte Liquiditätspuffer und wog Risiken ab, in einer Weise, die der Logik erfahrener Treasury-Teams nahekommt. Ich habe vergleichbare Szenarien selbst getestet, mit ähnlichen Ergebnissen.

Soweit, so gut. Doch wer wie ich Organisationen durch digitale Transformation, Cybervorfälle, Regulierungsprüfungen und operative Restrukturierungen geführt hat, blickt aufs Ganze und fragt: Ist KI in realen Finanzinfrastrukturen und auf realen Plattformen vertrauenswürdig?

Der Abstand zwischen technischer Fähigkeit und verantwortungsvollem Einsatz bleibt beträchtlich. Genau dort setzt strategische Führung an.

Das BIZ-Paper zeigt das Potenzial von GenAI im Cash Management deutlich auf. GenAI ist für diesen Anwendungsfall vielversprechend; öffentliche und kommerzielle LLMs, wie sie in der BIZ-Studie eingesetzt wurden, sind aus meiner Sicht dafür jedoch nicht zwingend der richtige Ansatz.

Das Versprechen: KI spiegelt Expertenentscheide

Das BIZ-Experiment zeigt, dass GenAI bestimmte Aspekte des Cash-Management-Verhaltens nachbilden kann:

• Liquidität zurückhalten, wenn grosse Zahlungen erwartet werden
• Zahlungen unter Unsicherheit priorisieren
• Operative Risiken gegen Liquiditätskosten abwägen

Das belegt, dass KI Expertenmuster lernen und nachahmen kann, selbst in spezialisierten Finanzdomänen. Nachahmung ist jedoch keine Verlässlichkeit. Technologie kann beeindrucken; entscheidend sind Umsetzung, Governance und Resilienz.

Die Realität: fehlende Governance und Kontrolle

In meinen verschiedenen Rollen habe ich gesehen, was passiert, wenn komplexe Systeme versagen, sei es wegen technologischer Lücken, unklarer Verantwortlichkeiten oder schwacher Governance.

Zahlungs- und Treasury-Systeme sind kein Spielfeld. Diese Plattformen bewegen täglich weltweit Billionenbeträge. Geht dort etwas schief, bleibt es nicht bei einem IT-Vorfall. Es kann ein systemisches Risikoereignis auslösen. Deshalb müssen die BIZ-Resultate durch die Brille realer Verantwortlichkeit gelesen werden, nicht durch technologische Begeisterung.

Vertraulichkeit und Datenintegrität

GenAI-Modelle, wie das in diesem Working Paper verwendete kommerzielle LLM, sind nicht dafür ausgelegt, hochsensible Echtzeit-Transaktionsdaten innerhalb regulierter Infrastrukturen zu verarbeiten. Auch in einer gesicherten Umgebung (z. B. über API, Informationsfalsifizierung usw.) bleiben die Restrisiken erheblich.

• Ein einzelner durchgesickerter Log-Eintrag kann Pflichten nach DSGVO oder FINMA-Vorgaben verletzen.
• Eine falsch konfigurierte Schnittstelle kann Daten aus dem Sicherheitsperimeter hinausschicken.
• Ein von einem Operator verwendeter Prompt kann vertrauliche Details offenlegen.

Aus Erfahrung lässt sich das klar sagen: Diese Risiken sind nicht theoretisch. Sie sind real und im Ernstfall existenzbedrohend.

Nichtdeterminismus widerspricht finanzieller Governance

Eine der grössten Herausforderungen: GenAI ist nichtdeterministisch. Derselbe Input führt nicht immer zum selben Output. Im Forschungslabor ist das akzeptabel. Im operativen Cash Management wird daraus ein Governance-Albtraum.

Verwaltungsrat und Aufsichtsbehörden erwarten:

• Konsistenz
• Nachvollziehbarkeit
• Reproduzierbarkeit
• Klare Verantwortlichkeit

Ein System, das sich jedes Mal anders verhält, unterläuft alle vier Prinzipien.

Bias-Risiken und Lücken im Training

Modelle, die mit generalisierten oder synthetischen Daten trainiert wurden, funktionieren an «normalen Tagen» in Standardsituationen oft gut. Echte Stresssituationen folgen jedoch selten normalen Mustern. Wer schon eine Krise durchlebt hat, weiss: Annahmen brechen unter Druck zusammen, und Krisen warten nicht auf ein Nachtraining der Modelle.

Fehlende Erklärbarkeit

Auch wenn generative Modelle Denkprozesse simulieren, bleibt ihre Entscheidungslogik schwer überprüfbar. KI «erklärt» Entscheide mit plausiblem Text, nicht mit nachvollziehbaren Berechnungen. Anders als regelbasierte oder deterministische Algorithmen können LLMs nicht rekonstruieren, weshalb sie eine bestimmte Zahlung priorisiert oder Liquidität zurückgehalten haben. In einer Prüfung oder einem Compliance-Fall wäre das ein ernsthaftes Problem.

Neue Angriffsflächen für Cyberattacken

Agentische KI schafft neue Schwachstellen: Prompt Injection, Modellmanipulation und Input Tampering sind reale und sich weiterentwickelnde Risiken. Setzen viele Institute ähnliche Modelle ein, entsteht daraus ein systemisches Risiko.

Mitglieder von Verwaltungsrat und Geschäftsleitung müssen unter Druck stets in Kategorien des Risikomanagements denken und Fehlerbilder antizipieren, bevor sie auftreten. Bei KI-gestützten Finanzsystemen fehlt diese Reife heute noch weitgehend.

Der Mensch bleibt die letzte Sicherheitsebene

Die BIZ-Autoren betonen einen wichtigen Punkt: Generative KI kann unterstützen, ersetzt aber kein professionelles Urteilsvermögen. Ich gehe einen Schritt weiter: KI muss in eine Governance-Struktur eingebettet sein, in der Menschen die Entscheidungshoheit behalten, statt bloss passiv zuzusehen.

Das erfordert mindestens:

• Human-in-the-Loop-Mechanismen (HITL)
• Klare Verantwortungsketten
• Prüfbare Entscheidprotokolle
• Regulatorische Rahmenbedingungen vor dem Einsatz

KI wird wertvoll, wenn sie menschliche Entscheidungen stärkt, nicht wenn sie diese ersetzt.

Agentische KI: heute auf die Assistenzrolle beschränkt

Am Markt herrscht offenbar ein Missverständnis. Viele nehmen an, KI-Agenten seien bereit für den autonomen Betrieb, nur weil sie «denken» und «handeln» können. Die aktuelle Generation agentischer KI bleibt jedoch auf Assistenzniveau:

• Sie kann Szenarien vorbereiten.
• Sie kann Entscheide simulieren.
• Sie kann Empfehlungen liefern.

Sie darf jedoch nicht eigenständig Liquidität freigeben, Zahlungen auslösen oder bindende Entscheide treffen.

Echte Autonomie verlangt:

• Deterministische Kontrollpfade
• Zertifizierte Entscheidmodelle
• Sichere, souveräne Dateninfrastrukturen
• Echtzeitüberwachung und Kill-Switch-Mechanismen

Diese Autonomie zu erreichen, braucht weit mehr als technologischen Fortschritt. Es braucht Einigkeit auf Stufe Verwaltungsrat, regulatorische Klarheit und kulturelle Bereitschaft.

Der Weg nach vorn für Verwaltungsrat und Geschäftsleitung

Das Potenzial von KI im Cash Management ist unbestritten. In der Führung darf Tempo nie Verantwortung ersetzen. Für ein sicheres Vorgehen sollten Organisationen sich konzentrieren auf:

• Robuste KI-Governance aufbauen: Datensouveränität, Erklärbarkeit und Aufsicht müssen die Grundlage bilden.
• KI in überwachten Sandboxes testen: Kontrollierte Umgebungen ermöglichen Lernen, ohne reale Systeme Risiken auszusetzen.
• KI-Kompetenz auf Stufe Verwaltungsrat aufbauen: Fähigkeiten und Grenzen zu verstehen, ist heute strategisch zwingend.
• Cyberresiliente KI-Architekturen aufbauen: Vertraulichkeit by Design und Resilienz dürfen nicht verhandelbar sein.

Fazit

Generative KI eröffnet im Cash Management spannende neue Möglichkeiten. Die BIZ-Studie zeigt, dass KI in strukturierten Testumgebungen überraschend gut abschneidet. Zwischen beeindruckender Leistung im Testlabor und verantwortungsvollem Einsatz im realen Betrieb bleibt jedoch eine grosse Lücke. Die Modelle sind leistungsfähig, aber nicht vorhersehbar. Sie sind «intelligent» und effizient, ohne Governance jedoch nicht von sich aus vertrauenswürdig.

Für Verwaltungsrat und Geschäftsleitung muss ein Punkt klar sein: Governance kommt vor Automatisierung, bei jedem digitalen Transformationsprojekt, nicht nur bei KI. Erst dann kann sich GenAI von einem vielversprechenden Experiment zu einem stabilen Baustein der globalen Finanzinfrastruktur entwickeln.

Quelle: BIZ: KI-Agenten für das Cash Management in Zahlungssystemen