Wichtige KI-Prompting-Techniken für das Finanzwesen und ein fertiger Skill zum Ausprobieren

Geschrieben vonAnna Katharina Bollé

July 23, 2026

KI & Intelligenz10 min read

Prompt Engineering im Finanzwesen bedeutet, Anweisungen, Rollen, Datengrenzen und Regeln so zu strukturieren, dass generative KI möglichst verlässliche und nachvollziehbare Ergebnisse liefert. Das ist wichtig, weil KI weiterhin Kontext übersehen, Informationen erfinden oder Ergebnisse liefern kann, die für die Arbeit mit Finanzdaten nicht belastbar genug sind.

In diesem Artikel nutzen wir das Beispiel unübersichtlicher SaaS- und KI-Ausgaben, um zu zeigen, wie wir verschiedene Prompting-Techniken in der Praxis getestet haben. Dabei erklären wir, was zunächst nicht funktioniert hat, wie wir den Arbeitsablauf verbessert haben und welche Grenzen bestehen bleiben. Außerdem teilen wir den fertigen Skill, damit Sie ihn selbst ausprobieren können.

Was ist Prompt Engineering im Finanzwesen?

Prompt Engineering bezeichnet die strukturierte Entwicklung von KI-Anweisungen. Dazu gehören die Aufgabe, die Rolle des Modells, der notwendige Kontext, die verwendeten Quelldaten und klare Regeln für das erwartete Ergebnis.

Im Finanzwesen ist das besonders wichtig, weil eine Antwort nicht nur plausibel klingen darf. Sie muss möglichst vollständig, nachvollziehbar und für eine Fachkraft prüfbar sein.

Je stärker KI in Finanzteams eingesetzt wird, desto wichtiger wird daher die Art, wie sie angewiesen wird. Finanzdaten sind sensibel und Sprachmodelle sind darauf trainiert, wahrscheinliche Antworten zu erzeugen. Sie wurden nicht als klassische Rechen- oder Buchhaltungssysteme entwickelt. Strukturiertes Prompting kann sie für die tägliche Arbeit deutlich nützlicher machen, ersetzt aber keine fachliche Prüfung.

Warum allgemeine Prompts in der Finanzpraxis oft scheitern

Viele Fachkräfte gehen zunächst davon aus, dass die Nutzung von KI lediglich eine passende Frage erfordert. Ein allgemeiner Prompt wie „Fasse diese Bilanz zusammen“ lässt jedoch entscheidende Punkte offen: Welche Kennzahlen sind relevant? Welcher Zeitraum soll betrachtet werden? Welche Abweichungen sind wesentlich? Wie soll mit fehlenden Informationen umgegangen werden?

Bei umfangreichen Transaktionsdaten kann das Modell außerdem Zeilen übersehen, unterschiedliche Schreibweisen desselben Anbieters nicht erkennen oder unzusammenhängende Positionen zusammenfassen. Besonders problematisch ist, dass die Antwort trotzdem vollständig und überzeugend wirken kann.

Im Finanzwesen reicht ein plausibles Ergebnis nicht aus. Sobald echtes Geld, Buchungsdaten oder Compliance-Anforderungen betroffen sind, braucht es klare Regeln und eine verantwortliche Person, die Daten, Logik und Ergebnis prüft.

Einen Prompt entwickeln, um die Übersicht über SaaS- und KI-Ausgaben zu verbessern

Wir wollten herausfinden, wie weit uns die Kalibrierung eines Prompts direkt in einem KI-Chat bringen kann, wenn das Problem real, unübersichtlich und typisch für die Finanzpraxis ist. Dafür nahmen wir uns eine Aufgabe vor, die wir aus dem eigenen Unternehmen kannten: SaaS- und KI-Ausgaben in einem umfangreichen Transaktionsexport sichtbar zu machen.

Wie relevant dieses Problem ist, zeigte später auch unser European SaaS and AI Spending Report 2026. Dafür analysierte Moss 302 Millionen Euro an europäischen Firmenkartenausgaben. Die Daten zeigten unter anderem ein Wachstum der KI-Ausgaben um 309 Prozent.

Für Finanzteams entsteht dadurch schnell ein unübersichtliches Bild. Ein Team meldet sich bei einem neuen Tool an, ein anderes entscheidet sich Monate später für einen weiteren Anbieter und ein drittes testet eine zusätzliche Anwendung. Nach einiger Zeit gleicht der Softwarebestand einer Krimskrams-Schublade: Manche Tools werden regelmäßig genutzt, andere weiterhin monatlich abgerechnet, obwohl sie kaum noch jemand öffnet.

Das Finanzteam darf diese Ausgaben anschließend in den Büchern finden. Dort stehen sie selten so übersichtlich, wie man es erwarten würde. Manche Tools sind als Softwarekosten verbucht, andere in allgemeinen Verwaltungskosten. Jährlich bezahlte Abonnements können über Rechnungsabgrenzungsposten verteilt werden. Andere erscheinen lediglich als schwer verständlicher Kartentext, aus dem kaum hervorgeht, was tatsächlich gekauft wurde.

Wird das Finanzteam gefragt, für welche Tools das Unternehmen bezahlt, liegt die Antwort deshalb häufig irgendwo in Tausenden von Transaktionszeilen verborgen.

Da wir unsere rund 15.000 Excel-Zeilen aus dem vergangenen Jahr nicht vollständig manuell durchsuchen wollten, testeten wir, wie weit sich diese Aufgabe mit einem strukturierten Prompt automatisieren lässt. Dafür waren mehrere Durchläufe notwendig, aus denen wir einige wichtige Erkenntnisse mitnahmen.

Wichtige Erkenntnisse aus der Optimierung unseres Prompts

Für die Analyse entwickelten wir den Software Spend Surface Skill. Er durchsucht einen Transaktionsexport nach möglichen SaaS- und KI-Anbietern und erstellt eine alphabetische Tabelle mit Anbieternamen, Beschreibungen und Markierungen für Positionen, die geprüft werden sollten.

1. Ohne ausreichende Anweisungen klingt KI überzeugend, übersieht aber vieles

Bei unserem ersten Test mit einem einfachen Prompt fand die KI nur 68 Anbieter. Unsere manuell geprüfte Vergleichsbasis enthielt 267.

Die Antwort wirkte trotzdem sauber und brauchbar. Genau das machte sie problematisch: Fast drei Viertel der Anbieter fehlten, ohne dass dies im Ergebnis unmittelbar erkennbar war.

Transaktionsexporte bestehen nicht aus einem übersichtlichen Textabschnitt. Sie enthalten Zeilen, Spalten, Buchungstexte, unterschiedliche Schreibweisen, Duplikate, Datumsangaben, Währungen und weitere Informationen. Ohne genaue Anweisungen vermittelt das Modell schnell den Eindruck, die gesamte Datei verarbeitet zu haben, obwohl es möglicherweise nur einen Teil berücksichtigt hat.

2. Der Skill braucht einen verlässlichen Arbeitsablauf

Bei umfangreichen Finanzdaten kann das Modell nicht lediglich über die Datei „nachdenken“. Es muss die Daten tatsächlich verarbeiten.

In unserem Fall bedeutete das, Skripte zu verwenden, die die hochgeladene Datei einlesen, alle Zeilen durchgehen, dieselben Prüfungen wiederholt anwenden und ein strukturiertes Ergebnis erzeugen.

Die Verwendung von Skripten macht das Ergebnis nachvollziehbarer, aber nicht automatisch korrekt. Ein Skript kann falsche Spalten verwenden, Zeilen überspringen oder relevante Transaktionen durch ungeeignete Filter ausschließen. Deshalb müssen auch bei einer sichtbaren Codeausführung die verarbeiteten Daten, Zeilenanzahl und Kontrollsummen geprüft werden.

3. Eine Anbieter-Taxonomie verbessert die Ergebnisse

Wir konnten die KI nicht einfach bitten, Tausende von Transaktionszeilen zu prüfen und jeden Softwareanbieter zuverlässig selbst zu erkennen. Das wurde schnell teuer, inkonsistent und schwer kontrollierbar.

Deshalb ergänzten wir den Skill um eine Anbieter-Taxonomie als Referenzdatei. Sie enthält bekannte Muster von SaaS- und KI-Anbietern, mit denen die Transaktionsdaten abgeglichen werden können. Dadurch muss das Modell nicht jede Zuordnung von Grund auf neu erraten.

Da wir mit tatsächlichen Unternehmensdaten arbeiteten, konnten wir auf Anbietermuster zurückgreifen, die in realen Buchungsdaten vorkommen. Die Taxonomie half sowohl beim Auffinden möglicher Anbieter als auch bei der Vereinheitlichung unübersichtlicher Namen.

Statt das Modell beispielsweise jedes Mal neu entscheiden zu lassen, ob „WWW.SPRINGER.COM“, „Springer Nature“ und ein verkürzter Kartentext zusammengehören, konnte der Arbeitsablauf auf einen bekannten Referenzpunkt zurückgreifen.

4. Das verwendete KI-System verändert das Ergebnis

Nachdem Prompt und Referenzdatei standen, zeigte sich eine weitere Erkenntnis: Derselbe Skill funktioniert nicht in jeder KI-Umgebung gleich gut.

Wir nutzen intern verschiedene KI-Tools, weil sie sich für unterschiedliche Aufgaben eignen. Claude funktionierte für unseren Arbeitsablauf gut, weil es die benötigten Skripte direkt im Chat ausführen konnte. Diese Codeausführung und Dateiverarbeitung ist inzwischen sowohl in kostenlosen als auch in kostenpflichtigen Claude-Tarifen verfügbar, sofern die Funktion aktiviert und nicht durch Unternehmenseinstellungen eingeschränkt ist.

Auch die von uns getestete kostenpflichtige Version von ChatGPT konnte den Arbeitsablauf ausführen. ChatGPT kann Code verwenden, um Tabellen, CSV-Dateien und andere strukturierte Daten zu analysieren. Welche Funktionen zur Verfügung stehen, hängt jedoch vom Tarif, Modell, Konto und den Einstellungen des jeweiligen Arbeitsbereichs ab.

Der Gemini-Chat unterstützte zum Zeitpunkt unseres Tests nicht den durchgängigen Ablauf, den wir für diesen Skill benötigten. Das ist keine allgemeine Bewertung des Tools, sondern beschreibt unsere Erfahrung mit dem konkreten Aufbau. Produktfunktionen ändern sich, und Gemini unterstützt inzwischen ebenfalls das Hochladen und Analysieren verschiedener Dateitypen.

Die Erkenntnis lautet daher nicht nur: Schreiben Sie einen besseren Prompt. Beim Wechsel zwischen KI-Systemen verändern sich auch Dateiverarbeitung, Skriptausführung, Kontextgrenzen und Modellverhalten. Ein Arbeitsablauf lässt sich deshalb nicht immer unverändert auf ein anderes Tool übertragen.

5. Kalibrierung kostet Geld, bevor sie Zeit spart

Die Entwicklung eines solchen Skills besteht aus mehreren Durchläufen. Wir führten den Arbeitsablauf aus, prüften das Ergebnis, passten die Logik an, ergänzten Anbietermuster und testeten erneut.

Bis wir den Skill an unserer großen Datei mit zahlreichen Zeilen und Spalten ausreichend kalibriert hatten, entstanden rund 500 US-Dollar an Token-Kosten. Das war unangenehm, aber aufschlussreich.

Es zeigt, warum ein bereits getesteter Skill einen Wert hat. Ein Teil der Kosten und Arbeit entsteht während der Kalibrierung, wenn die Ergebnisse noch unvollständig sind und wiederholt geprüft und verbessert werden müssen. Bei einem wiederverwendbaren Arbeitsablauf fällt dieser Aufwand nicht bei jeder Nutzung erneut im gleichen Umfang an.

6. KI bleibt wahrscheinlichkeitsbasiert

Auch nach strukturierten Anweisungen, Skripten, einer Anbieter-Taxonomie und wiederholten Tests bleibt KI ein wahrscheinlichkeitsbasiertes System.

In unserem Test verbesserten wir die Abdeckung von 68 gefundenen Anbietern im ersten Durchlauf auf rund 97 Prozent im finalen Aufbau. Das war eine erhebliche Verbesserung und deutlich näher an dem, was wir für die praktische Prüfung brauchten.

Die 97 Prozent beziehen sich jedoch auf unseren Testdatensatz und sind keine allgemeine Leistungszusage. Andere Transaktionsexporte, Kontenstrukturen oder Buchungstexte können neue Fehlermuster enthalten.

Der Skill ersetzt deshalb nicht das fachliche Urteil. Er soll einen ersten Durchlauf erzeugen, der gut genug ist, damit das Finanzteam die Ergebnisse gezielt prüfen, hinterfragen und verbessern kann.

So können Sie den Software Spend Surface Skill selbst testen

Wenn Sie sehen möchten, wie der Prompt funktioniert und welche SaaS- und KI-Anbieter in Ihren Transaktionen auftauchen, können Sie den Skill in einer von Ihrem Unternehmen freigegebenen KI-Umgebung ausprobieren.

1. Laden Sie die Skill-Datei herunter und speichern Sie sie lokal.
2. Öffnen Sie ein KI-Tool, das den IT- und Sicherheitsrichtlinien Ihres Unternehmens entspricht.
3. Laden Sie die Skill-Datei in das Tool, um die vorbereiteten Anweisungen und Referenzdaten bereitzustellen.
4. Laden Sie einen Transaktionsexport aus Ihrem Buchhaltungssystem hoch, beispielsweise aus DATEV, Xero, QuickBooks oder NetSuite.
5. Verwenden Sie möglichst einen Export für ein vollständiges Jahr, da sich monatliche und jährliche Ausgaben über verschiedene Zeiträume verteilen können.
6. Lassen Sie den Skill den ersten Durchlauf ausführen und beantworten Sie mögliche Rückfragen zur Struktur Ihrer Daten.
7. Prüfen Sie die erstellte Anbietertabelle und insbesondere alle als unsicher markierten Zeilen.
8. Exportieren Sie die geprüfte Tabelle als Excel- oder CSV-Datei für die weitere Verwendung.

Das passende KI-Tool zum Testen des Skills auswählen

Für einen fortgeschrittenen Prompting-Skill benötigen Sie ein KI-Tool, das Dateien vollständig lesen und die vorgesehenen Skripte ausführen kann. Nicht jede Plattform verarbeitet strukturierte Dateien und Code auf die gleiche Weise.

• Claude: Funktionierte in unserem Test sowohl für die Dateiverarbeitung als auch für die Ausführung der benötigten Skripte sehr gut. Die entsprechende Codeausführung ist in kostenlosen und kostenpflichtigen Tarifen verfügbar, muss jedoch aktiviert sein und kann in Unternehmensumgebungen eingeschränkt werden.
• ChatGPT: Die von uns getestete kostenpflichtige Version konnte die Skripte ebenfalls ausführen und umfangreiche Tabellen analysieren. Ob diese Funktionen verfügbar sind, hängt vom jeweiligen Tarif, Modell und den Einstellungen des Arbeitsbereichs ab.
• Gemini: Der Gemini-Chat unterstützte zum Zeitpunkt unseres Tests nicht den vollständigen Ablauf, den wir für diesen Skill brauchten. Da sich Produktfunktionen laufend ändern, sollte dies für die aktuell verwendete Version erneut geprüft werden.
• Andere freigegebene KI-Tools: Entscheidend ist, dass das Tool die vollständige Transaktionsdatei lesen, Skripte ausführen und strukturierte Ergebnisse ausgeben kann. Fehlt eine dieser Funktionen, kann eine vollständig wirkende Tabelle entstehen, obwohl Teile der Daten nicht verarbeitet wurden.

Auch die Dateigröße kann die Stabilität beeinflussen. Wenn Genauigkeit besonders wichtig ist, können Sie den Skill zweimal in getrennten, leeren Chats ausführen und die Tabellen vergleichen. Übereinstimmende Ergebnisse erhöhen das Vertrauen, ersetzen aber keine sorgfältige Prüfung anhand der Originaldatei.

KI kann Finanzteams für höherwertige Arbeit freispielen

Gutes Prompt Engineering macht KI nicht zur letzten Entscheidungsinstanz. Es macht sie zu einem leistungsfähigen Assistenten für die Arbeit vor der finalen Prüfung: Transaktionsexporte strukturieren, Anbietertabellen erstellen, ungewöhnliche Positionen markieren und Unsicherheiten sichtbar machen.

Bei Prüfungs- und Compliance-Aufgaben bleibt die fachliche Verantwortung beim Menschen. Auch der Financial Reporting Council stellt klar, dass der Einsatz generativer oder agentischer KI nichts an der Verantwortung von Prüfungsgesellschaften und den zuständigen Personen für die Prüfungsqualität ändert.

Ein kalibrierter Skill kann Finanzteams daher vor allem bei der zeitaufwendigen Vorbereitung unterstützen. So bleibt mehr Zeit, um Ergebnisse zu prüfen, Abweichungen einzuordnen und fundierte Entscheidungen zu treffen.