Finanzteams testen seit einiger Zeit, ob KI-Tools und -Plattformen alle Unternehmensausgaben vollständig abbilden können. Fragt man sie allerdings, ob sich diese Investitionen auch auszahlen, fällt die Antwort noch weniger positiv aus: In einer neuen Pleo-Studie* gaben 61 % an, punktuell in KI investiert zu haben, ohne den tatsächlichen ROI zu kennen.
Dass zwischen Investition und tatsächlichem Mehrwert eine Lücke klafft, ist kein Zeichen dafür, dass KI versagt. Ein genauerer Blick zeigt: Das Problem liegt meist nicht bei der KI selbst, sondern bei den Ausgabendaten, mit denen sie arbeiten soll.
Bei den meisten Finanzteams liegen Ausgabendaten gleichzeitig an mehreren Orten. Spesen in einem Tool, Rechnungen im nächsten, Freigaben oft per E-Mail oder Slack. Und jedes System strukturiert dieselben Informationen ein wenig anders. Das eine arbeitet mit Kategorien, das andere mit Tags; Währungsumrechnungen greifen zu unterschiedlichen Zeitpunkten und Händlernamen variieren je nachdem, wie sie eingegeben wurden.
Diese fehlende Einheitlichkeit zwingt Finanzteams dazu, mehrere Reports, Ordner und Spreadsheets zusammenzuführen, nur um ein verlässliches Bild ihrer Ausgaben zu erhalten. Genau diese manuelle Arbeit sollte eigentlich KI übernehmen – damit Teams und Verantwortliche mit Zahlen arbeiten können, statt sie erst mühsam zusammenzusetzen und anschließend wieder gegenzuprüfen.
„Bei uns sind mehrere Geschäftsbereiche angebunden. Wenn man Transaktionen für den Export eines Bereichs vorbereitet und sie versehentlich in den falschen Ordner zieht, kann alles schiefgehen. Dann muss man alles wieder rückgängig machen.“ – Shafier Saboerali, Financial Controller bei SILICON
KI braucht konsistente, strukturierte und verlässliche Daten, um zuverlässig zu antworten und selbst aktiv zu werden. Wenn die Datenmodelle für Ausgaben über verschiedene Tools hinweg nicht zusammenpassen, kann KI kein vollständiges Bild generieren. Sie meldet dann entweder eine Lücke oder füllt sie mit einer plausibel klingenden, überzeugt vorgetragenen Vermutung, die aber gar nicht stimmt. Fragt man etwa nach den Gesamtausgaben bei einem Händler, können Rechnungen in einem separaten System komplett fehlen, ohne dass dies überhaupt auffällt.
Das Problem zeigt sich nicht nur in Sonderfällen, sondern schon bei ganz normalen Fragen. Soll KI beurteilen, ob ein Kauf den Vorgaben entspricht, müssen Richtlinie, Kategorie und Freigabeverlauf dieselbe Sprache sprechen. Ist die Kategorie im Ausgabentool anders benannt als im Richtliniendokument oder wird die Währung in den Systemen zu unterschiedlichen Kursen umgerechnet, kann KI einen echten Verstoß nicht von einem bloßen Zuordnungsfehler unterscheiden. Dann schlägt sie entweder zu oft Alarm und markiert korrekte Ausgaben oder übersieht ein echtes Problem, weil die Zahlen nah genug beieinanderliegen.
Sobald Finance einmal merkt, dass KI danebenliegt, sinkt – zu Recht – auch das Vertrauen in alle anderen Antworten, selbst in die richtigen. Dieses Vertrauen zurückzugewinnen, kostet weit mehr Zeit als die ursprüngliche Aufgabe und führt häufig genau zurück zu dem manuellen Prozess, den KI eigentlich ersetzen sollte.
Für 68 % der Finanzverantwortlichen hinken laut Pleo-Studie* KI-Skills, Schulungsangebote und Anwendungssicherheit in Finanzteams deutlich hinterher. Inkonsistente, unzuverlässige Ergebnisse tragen erheblich dazu bei. Vertrauen in Spend Intelligence lässt sich kaum aufbauen, wenn die Antwort davon abhängt, welches System geprüft wird.
KI-gestützte Plattformen und Tools rechnen sich erst, wenn sie auf eine zentrale, vernetzte Sicht auf alle Ausgaben zugreifen können, mit Ausgaben, Budgets und Freigaben an einem Ort und einem lückenlosen Prüfprotokoll hinter jeder Zahl.
Strategisch richtig eingebunden können KI-Assistenten wie Claude, ChatGPT und Microsoft Copilot auf eine zentrale, vernetzte Datenbasis für Ausgaben zugreifen. Aus einer einfachen Frage in natürlicher Sprache wird so eine belastbare Antwort statt einer, die anschließend noch manuell mit einem Spreadsheet abgeglichen werden muss. Und noch einen Schritt weiter: Im selben konsolidierten System lassen sich wiederkehrende Aufgaben, etwa einen fehlenden Beleg anfordern oder eine Kategorie korrigieren, in einem einzigen Workflow zusammenführen, der über die ohnehin genutzten Tools läuft.
Genau das trennt Spend Intelligence mit echtem ROI von einem Flickenteppich aus KI-Tools, der hinter seinen Versprechen zurückbleibt.
* Die Ergebnisse stammen aus einem Pleo-Report, der im September 2026 erscheint. Grundlage für ihn war eine von Sapio Research im April und Juli 2026 durchgeführte Befragung von Finanzverantwortlichen und -entscheider:innen in Unternehmen mit 51 bis 1.000 Mitarbeitenden in Deutschland, Dänemark, den Niederlanden und Spanien sowie im Vereinigten Königreich.