Abschlussvortrag

Von der Zauberkugel
zum Werkzeug

Was wir beim Bau eines AI-Agenten in Finance wirklich gelernt haben

Christian · EY-Parthenon | Max · [Unternehmen]

1 / 19

Wer hat in den letzten 12 Monaten einen KI-Pitch gesehen, der zu gut klang?

"Wir auch. Wir haben ihn sogar gehalten."

2 / 19

Der Use Case

Jeden Monat erklärt jemand die Zahlen —
und niemand macht es gerne

P&L Commentary = monatliche Abweichungsanalyse & Kommentierung
Zeitintensiv, repetitiv, fehleranfällig
Jede Finance-Abteilung kennt das Problem

3 / 19

Ein Agent, der Hypothesen bildet, analysiert und kommentiert — Schritt für Schritt

Business-Frage → Hypothesenbildung → iterative Analyse → Commentary → QA
Transparent & nachvollziehbar — keine Black Box
Der Mensch bleibt im Loop

4 / 19

Dieser Use Case war der Anfang —
nicht das Ziel

First Learnings · Daten-Infrastruktur · Team-Kompetenz

"Das klingt aufgeräumt. Der Weg dahin war es nicht."

5 / 19

Akt 3

Was euch keiner sagt —
egal welches AI-Projekt

6 / 19

Learning 1

"Wir wissen, was wir wollen" —
Spoiler: Nein.

Moving Targets killen jedes Projekt — das Zielbild muss stehen
Der Fachbereich kennt seine eigene Business-Logik oft weniger gut als er denkt
Der Praktikanten-Test: Kannst du es einem Praktikanten erklären? Dann kann die KI es lernen.

7 / 19

Learning 2

"Unsere Daten sind super" —
Spoiler: Auch nein.

Daten ohne Kontext sind nur Zahlen
"AI-ready" heißt: Struktur, Metadaten, Business-Kontext — nicht nur ein Data Lake
Daten fit machen ist nicht sexy, aber der halbe Erfolg

$Daten-Eisberg$

8 / 19

Was Sie sehen vs. was darunter liegt

$Daten-Eisberg Vollbild$

9 / 19

Learning 3

"KI kann doch alles" —
der teuerste Irrtum

ChatGPT-Moment ≠ produktiver Einsatz
Pitch-Mockup vs. finales Produkt: Spielzeug-Excitement vs. echtes Tool
Mensch + KI = Impact. KI alleine = teures Experiment.

10 / 19

Learning 4

"Die Leute werden das schon nutzen" —
Adoption ist der härteste Teil

Angst vor KI ist real, legitim, und in jeder Abteilung
Entmystifizieren statt Buzzword-Bingo: Zeigt, was die KI wirklich macht
Erfolg = der Fachbereich arbeitet OHNE euch weiter

11 / 19

Finance hatte in den 80ern auch
Angst vor Spreadsheets

Lotus 1-2-3 und Excel haben Finance revolutioniert — nach anfänglichem Widerstand
KI ist die nächste Welle — kein Grund zur Panik, aber zum Handeln
Wer sich nicht anpasst, rechnet morgen noch mit dem Taschenrechner

12 / 19

Learning 5

Wie Sie einen unseriösen KI-Pitch
in 60 Sekunden erkennen

Buzzword-Dichte hoch, Daten-Diskussion fehlt
"Das macht die KI schon" — ohne zu erklären wie
Seriös: Daten zuerst, Mensch im Loop, klarer Scope

13 / 19

Was ein seriöses AI-Angebot ausmacht

Startet mit Ihren Daten & Prozessen, nicht mit Technologie
Plant Adoption & Change von Tag 1
Definiert klaren Scope — und sagt ehrlich, was NICHT geht

"Wenn Ihr Berater Ihnen sagt, dass etwas nicht geht — behalten Sie ihn."

14 / 19

Fünf Learnings.
Ein roter Faden:

Es geht um Menschen,
nicht um Technologie.

15 / 19

Vom Fundament zum Wert

Ein Pilot beweist, dass es geht —
nicht, dass es bleibt

Pilot = Proof of Concept + Infrastruktur + Team-Kompetenz
Danach: Ownership, Skalierung, kontinuierliche Anpassung
Die entscheidende Frage: "Der Berater geht — und dann?"

16 / 19

Was Sie morgen tun können —
ohne Budget, ohne Berater

1 Machen Sie den Praktikanten-Test für Ihren wichtigsten Prozess
2 Fragen Sie Ihr Team: "Wo verbringt ihr Zeit mit Dingen, die eine Maschine besser könnte?"
3 Prüfen Sie einen Datensatz auf AI-Readiness — Struktur, Kontext, Metadaten

17 / 19

Drei Sätze, die Sie mitnehmen sollten

1 KI ist ein Werkzeug, kein Orakel — behandeln Sie sie so
2 Der Fachbereich ist der Schlüssel — nicht die Technologie
3 Fangt an, aber fangt richtig an — Fundament vor Features

$Vorher vs Nachher$

18 / 19

Vielen Dank.
Jetzt Sie.

Christian · EY-Parthenon | Max · [Unternehmen]

Q&A

19 / 19

Von der Zauberkugelzum Werkzeug

Was wir beim Bau eines AI-Agenten in Finance wirklich gelernt haben

Wer hat in den letzten 12 Monaten einen KI-Pitch gesehen, der zu gut klang?

Jeden Monat erklärt jemand die Zahlen —und niemand macht es gerne

Ein Agent, der Hypothesen bildet, analysiert und kommentiert — Schritt für Schritt

Dieser Use Case war der Anfang —nicht das Ziel

Was euch keiner sagt —egal welches AI-Projekt

"Wir wissen, was wir wollen" —Spoiler: Nein.

"Unsere Daten sind super" —Spoiler: Auch nein.

Was Sie sehen vs. was darunter liegt

"KI kann doch alles" —der teuerste Irrtum

"Die Leute werden das schon nutzen" —Adoption ist der härteste Teil

Finance hatte in den 80ern auchAngst vor Spreadsheets

Wie Sie einen unseriösen KI-Pitchin 60 Sekunden erkennen