Wie KI den Finance Interim Manager im Turnaround unterstützt
Der Co-Pilot im Krisenraum
KI ersetzt den Turnaround-Manager nicht, sie ergänzt ihn fachlich. Das zeigt ein aktuelles Restrukturierungsmandat:
- Datenqualität: Der Abgleich aller Quellen deckt Widersprüche auf, die eine Prognose angreifbar machen.
- Fortbestehensprognose: Liquidität auf Monatsebene und Sensitivitäten machen aus Annahmen klare Bedingungen und Maßnahmen.
- Marktmodell: Öffentliche Daten belegen die Sekundärprognose. Der Markt ist nicht der Engpass.
- Vertrieb: Dieselben Daten liefern Zielkunden, Regionen, Wettbewerbsbild und Frühindikatoren.
- Verantwortung: Urteil, Entscheidung und Vertrauen bleiben beim Menschen.
Wer als Interim Manager in ein Restrukturierungsprojekt einsteigt, kennt die Ausgangslage. Die
Liquidität ist knapp, die Bank wartet auf Zahlen, und die Geschäftsführung braucht Orientierung. Die
Datenbasis besteht aus Buchhaltungsexporten, mehreren Budgetversionen und einem Forecast mit
anderem Stand. Eine belastbare Fortbestehensprognose ist oft die Voraussetzung dafür, dass
Finanzierungspartner an Bord bleiben.
In einem aktuellen Turnaround-Mandat bei einem mittelständischen Unternehmen haben wir KI-Werkzeuge systematisch eingesetzt. Die Erfahrung: KI ersetzt den Interim Manager nicht. Sie ergänzt
ihn fachlich, weil sie mehr Daten in kürzerer Zeit prüft und damit Fragen sichtbar macht, die sonst
untergehen. Seine Zeit verschiebt sich dorthin, wo sie in der Krise am meisten bringt: zu Urteil,
Entscheidung und Gesprächen.
KI als Co-Pilot, nicht als Autopilot
Die Rollen sind klar verteilt. Die KI liest, rechnet, vergleicht, recherchiert und formuliert Entwürfe.
Der Interim Manager stellt die richtigen Fragen, bewertet die Plausibilität, trifft die Annahmen und
verantwortet das Ergebnis. Eine Fortbestehensprognose unterschreibt kein Algorithmus, und die
Gespräche mit Bank, Gesellschaftern und Belegschaft führt auch keiner. Vertrauen entsteht in der
Krise zwischen Menschen.
Die Fortbestehensprognose: Mehr Tiefe in kürzerer Zeit
Eine Fortbestehensprognose folgt in Österreich etablierten Standards, insbesondere dem
Fachgutachten KFS/BW 7 und dem Leitfaden von KSW und WKÖ. Gefordert sind eine
Primärprognose zur Zahlungsfähigkeit über mindestens zwölf Monate und eine Sekundärprognose
zur nachhaltigen Ertragsfähigkeit. Beide bauen auf einer integrierten Planung und einem schlüssigen
Maßnahmenpaket auf. Im Projekt war eine Prognose vom Jahresbeginn auf Ist-Werte umzustellen
und um drei Planjahre zu erweitern. Die folgenden Beispiele zeigen, wo die KI dabei inhaltlich etwas
beigetragen hat und nicht nur Zeit gespart hat.
Beispiel 1: Der systematische Datenabgleich
Die KI erhielt alle verfügbaren Auswertungen: Ist-Abschluss, Bilanz- und GuV-Forecast, Budget, Worst-Case-Planung und die alte Prognose. Ihr Auftrag war, jede Position gegen jede andere Quelle abzugleichen. Das Ergebnis war eine Liste von Befunden, die in der Hektik leicht übersehen werden:
- Eröffnungsbilanz nicht abgestimmt: Der Forecast startete mit einem Eigenkapital, das um einen sechsstelligen Betrag vom Ist-Abschluss abwich. Die KI fand auch die Ursache. Unter anderem waren die Vorräte noch mit der Inventur des Vorjahres angesetzt.
- Ein „Worst Case“, der keiner war: Beim Zeilenvergleich zeigte sich, dass die Hauptpositionen der Worst-Case-Planung exakt mit einer älteren Planversion übereinstimmten. Der Umsatz lag sogar über dem Base Case.
- Budget als Hochrechnung: Das Budget war keine Planung von unten nach oben, sondern ein einheitlicher Prozentaufschlag auf alle Produktgruppen.
- Unplausible Zinsen: Die KI rechnete Kontokorrent und Darlehen mit marktüblichen Sollzinsen nach. Der realistische Zinsaufwand lag bei einem Vielfachen des budgetierten Werts.
Bewertet hat diese Befunde der Interim Manager. Er hat entschieden, welche Abweichung ein Buchungsthema ist, welche ein Planungsfehler und welche ein echtes Risiko. Offene Punkte wurden im Dokument gelb markiert und mit der Geschäftsführung geklärt, statt sie stillschweigend zu glätten. Eine Prognose, deren Eröffnungsbilanz die Bank beim ersten Blick als falsch erkennt, ist verbrannt.
Beispiel 2: Warum der letzte Plan nicht gehalten hat
Jede Bank stellt bei einer überarbeiteten Prognose die Frage, warum der letzte Plan verfehlt wurde. Die KI stellte die Planwerte der Vorfassung Zeile für Zeile den Ist- und Forecastwerten gegenüber. Das Bild war eindeutig. Die erwartete Umsatztrendwende war ausgeblieben, die geplante Personalkostensenkung nur teilweise umgesetzt, und der beantragte Restrukturierungskredit war nur zum Teil zugezählt worden. Diese Abweichungsanalyse hat der Interim Manager zum Ausgangspunkt der neuen Management Zusammenfassung gemacht. Die Fehler offen zu benennen, schafft mehr Glaubwürdigkeit als jede optimistische Neuplanung.
Beispiel 3: Lücken in der Planung transparent schließen
Für die Planjahre lagen nur GuV-Budgets vor, keine Planbilanzen und keine Cashflow-Rechnungen. Die KI leitete Bilanz und Cashflow mit offengelegten, vereinfachten Annahmen ab: Working Capital konstant, Investitionen in Höhe der Abschreibungen, Tilgung laut Darlehensvertrag und Restbedarf im Kontokorrent. Gleichzeitig wies sie auf Risiken hin, die das Modell nicht abbildet, etwa mögliche Abfertigungszahlungen bei Personalabbau. Welche Vereinfachung vertretbar ist und welche Annahme mit der Geschäftsführung zu schärfen ist, entschied der Interim Manager.
Beispiel 4: Liquidität auf Monatsebene statt Jahresendstand
Die monatliche Ableitung brachte die wichtigste Erkenntnis der Primärprognose. Wegen des saisonal schwachen ersten Quartals und der Sonderzahlungen im Sommer und im Herbst lag der Spitzenbedarf im Jahresverlauf beim knapp Dreifachen des Jahresendstands. Ein Finanzierungsrahmen, der am Jahresende bemessen wird, wäre mitten im Jahr gerissen. Daraus ergab sich die zentrale Bedingung der Prognose: ein verbindlich zugesagter Rahmen in Höhe des Spitzenbedarfs zuzüglich Sicherheitsreserve.
Beispiel 5: Sensitivitäten, die zu Maßnahmen werden
Die KI rechnete in kurzer Zeit eine Matrix von Szenarien durch: Umsatz minus und plus zehn Prozent, niedrigere Personalkosten, eine um zwei Prozentpunkte höhere Materialquote und Kombinationen daraus. Dazu kam die Frage, bei welchem Umsatz die Gewinnschwelle erreicht wird und welche Personalkostensenkung alternativ nötig wäre. Das Ergebnis: Das Budget allein reicht nicht. Erst die Kombination aus rund zehn Prozent mehr Umsatz und fünf Prozent weniger Personalaufwand drehte das Ergebnis ins Positive. Aus dieser Rechnung formulierte der Interim Manager ein konkretes Ergebnisprogramm. Das Urteil „bedingt positiv“ mit klar benannten Bedingungen, nämlich Finanzierungszusage, qualifizierter Rangrücktritt und Ergebnisprogramm, ist seine fachliche Einschätzung. Die KI hat sie vorbereitet, aber nicht getroffen.
Beispiel 6: Insolvenzrechtliche Prüfung
Auch die insolvenzrechtlichen Tatbestände wurden strukturiert geprüft. Dazu gehörten die rechnerische Überschuldung mit und ohne Rangrücktritt der Gesellschafterverbindlichkeiten sowie die URG-Kennzahlen Eigenmittelquote und fiktive Schuldentilgungsdauer. Die KI lieferte Rechnung und Gliederung. Die Bewertung, welche Bedingungen realistisch erfüllbar sind und wie man sie mit Gesellschafter und Bank verhandelt, erfordert Erfahrung und Fingerspitzengefühl.
Vom Marktmodell zur Vertriebsstrategie
Der vielleicht unterschätzte Teil liegt in der Sekundärprognose. Banken akzeptieren steigende Umsatzpläne nur, wenn sie aus dem Markt heraus begründet sind. Eine pauschale Hochrechnung reicht nicht. Hier hat die KI-gestützte Analyse den größten inhaltlichen Mehrwert gebracht, weil dieselben Daten zwei Zwecke erfüllen. Sie stützen die Prognose, und sie zeigen dem Vertrieb, wo er ansetzen muss.
Beispiel 7: Ein treiberbasiertes Marktmodell aus öffentlichen Daten
Die KI baute aus öffentlich verfügbaren Daten ein Marktmodell mit sieben Treibern. Grundlage waren der Gebäudebestand nach Gemeinden und Postleitzahlen aus der Gebäude- und Wohnungszählung der Statistik Austria, der Anteil sanierungsreifer Objekte, Sanierungsquoten aus einer aktuellen Studie von IIBW und Umweltbundesamt, der durchschnittliche Auftragswert, der Kanal Hausverwaltungen, der Förderimpuls und der erreichbare Marktanteil. Für mehrere hundert Postleitzahlen ergab sich ein Gesamtmarkt mit Worst-, Base- und Best-Szenario. Jeder Wert ist im Excel-Modell per Formel auf eine markierte Annahme rückführbar. Zusätzlich wurde das Ergebnis von oben gegen veröffentlichte Branchenumsätze plausibilisiert, und die Abweichung zwischen den beiden Modellstufen wurde dokumentiert.
Beispiel 8: Die richtige Schlussfolgerung ziehen
Hier zeigt sich besonders deutlich, wie Mensch und KI sich ergänzen. Der Base Case des Marktmodells ergab einen Umsatz, der ein Mehrfaches des aktuellen Unternehmensumsatzes betrug. Die KI wies selbst darauf hin, dass dafür ein Vielfaches an Mitarbeitern und Montageteams nötig wäre. Der Interim Manager zog daraus die entscheidende Konsequenz. Das Marktmodell dient als Beleg für die Sekundärprognose, nicht als neues Budget. Selbst das vorsichtigste Marktszenario lag deutlich über dem Planumsatz. Für die Gewinnschwelle reicht ein Marktanteil von deutlich unter einem Prozent. Die Botschaft an die Bank lautete deshalb: Der Markt ist nicht der Engpass. Die Engpässe sind Vertriebsleistung, Marge und Kapazität. Genau dort setzt das Maßnahmenprogramm an.
Beispiel 9: Die Umsatzlücke in steuerbare Ziele übersetzen
„Zehn Prozent mehr Umsatz“ ist für ein Vertriebsteam abstrakt. Die KI rechnete die Lücke zur Gewinnschwelle über den durchschnittlichen Auftragswert in Stück um: rund dreieinhalb Dutzend zusätzliche Projekte pro Jahr, also weniger als eines pro Woche. Alternativ entspricht das einer Handvoll neuer Hausverwaltungskunden mit je mehreren Aufträgen pro Jahr. Über einen Branchenbenchmark für Umsatz je Mitarbeiter wurde zugleich sichtbar, ab welchem Wachstum ein zusätzliches Montageteam nötig wird. Damit wurden Vertriebsziel und Personalplanung miteinander verknüpft.
Beispiel 10: Hausverwaltungen als Key-Account-Kanal
Die Analyse zeigte, dass ein großer Teil des Sanierungsbedarfs in Mehrparteienhäusern liegt, die professionell verwaltet werden. Die KI stellte aus Kammerstatistiken, Verbandsstatistiken gemeinnütziger Bauvereinigungen, Prüfberichten und Unternehmenswebsites eine Liste der fünfzig größten Verwaltungen im Vertriebsgebiet zusammen. Für jede Verwaltung sind Typ (kommunal, gemeinnützig oder gewerblich), Sitz und verwaltete Einheiten erfasst, dazu das daraus abgeleitete Tauschpotenzial pro Jahr. Ansprechpartner wurden nur aufgenommen, wenn sie öffentlich publiziert sind, und mit dem Hinweis versehen, sie vor der Kontaktaufnahme zu prüfen. Das Ergebnis ist eine priorisierte Zielkundenliste mit wenigen Entscheidern, die viele Objekte verantworten. Welche Verwaltungen zuerst angesprochen werden, wo bestehende Beziehungen genutzt werden können und mit welchen Referenzen man überzeugt, entscheiden Geschäftsführung und Interim Manager.
Beispiel 11: Wettbewerb je Zielsegment
Eine strukturierte Wettbewerbsanalyse erfasste rund zwanzig Anbieter, von Premium-Markenherstellern über Preis- und Importanbieter bis zu Objektspezialisten und kleinen Sanierern. Jeder Anbieter wurde je Zielsegment nach Relevanz und Wettbewerbsintensität bewertet. Die Erkenntnis: Im Einfamilienhaus-Segment ist der Wettbewerb um Marke und Partnernetz am härtesten. Im Objektgeschäft mit Hausverwaltungen sind die Gegenspieler weniger zahlreich, dafür spezialisiert. Für ein Unternehmen mit eigener Montage und regionaler Nähe ist dort eine glaubwürdige Positionierung möglich, ohne in den Preiskampf mit Importware zu geraten.
Beispiel 12: Regionale Fokussierung und Förderung als Argument
Die Auswertung nach Gemeinden zeigt, wo sanierungsreifer Bestand, Gebäudetyp und Nähe zum Standort zusammentreffen. Damit lassen sich Außendienstrouten, regionale Werbung und Messeauftritte gezielt planen, statt das Budget mit der Gießkanne zu verteilen. Parallel stellte die KI die aktuellen Förderprogramme zusammen, etwa die Sanierungsoffensive des Bundes und die Landesförderungen. Daraus entstand ein Verkaufsargument: Wer Kunden durch die Förderung begleitet, verkauft eine Lösung und kein Produkt. Ergänzend wurde der Zusatzverkauf von Sonnenschutz zu jedem Fensterprojekt als eigene Umsatzlinie modelliert. Gleichzeitig wurde die Förderabhängigkeit in der Prognose offen als Risiko benannt.
Beispiel 13: Frühindikatoren statt Hoffnung
Zum Abschluss wurden die Marktrisiken mit Frühindikatoren hinterlegt: ein möglicher Förderstopp, Preisdruck durch Importe, die Zahl aktiver Hausverwaltungskunden und der Auftragseingang. Sie werden monatlich verfolgt und an die Bank berichtet. Für die Freigabe wurden außerdem die nötigen Belege definiert, nämlich aktueller Auftragsbestand, Liste der aktiven Hausverwaltungskunden sowie Personal- und Montageplan. So zeigt sich früh, ob die Sekundärprognose auf Kurs ist, und nicht erst beim Jahresabschluss.
Manuell hätte das Wochen gedauert, mit KI-Unterstützung lagen die Ergebnisse in wenigen Tagen vor.
Grenzen und Spielregeln
KI im Turnaround ist kein Selbstläufer. In der Praxis gelten klare Regeln:
- Prüfpflicht: Jede Zahl, jede Quelle und jede Aussage wird verifiziert. KI kann plausibel klingende Fehler produzieren, und in einem haftungsrelevanten Dokument ist das inakzeptabel.
- Vertraulichkeit: Krisendaten sind hochsensibel. Es kommen nur Werkzeuge mit geeigneten Datenschutzregeln zum Einsatz, und Daten werden sparsam geteilt.
- Annahmen sind Chefsache: Die KI rechnet Szenarien. Welche Annahme realistisch ist, entscheidet der Mensch, der Unternehmen, Branche und Beteiligte kennt.
- Transparenz: Offene Punkte werden sichtbar gemacht, nicht wegformuliert.
Fazit: Fachliche Ergänzung statt Ersatz
KI ergänzt den Turnaround- und Restrukturierungsmanager fachlich auf drei Ebenen. Sie prüft Daten vollständiger, als es unter Zeitdruck manuell möglich wäre, und findet so Widersprüche, die eine Prognose angreifbar machen. Sie rechnet Szenarien und Liquidität in einer Tiefe, die aus Annahmen konkrete Bedingungen und Maßnahmen macht. Und sie erschließt Marktdaten, die die Sekundärprognose belegen und zugleich zeigen, welche Kunden, Regionen und Kanäle der Vertrieb angehen sollte.
Was sie nicht leistet, ist der Kern der Interim-Rolle: die richtigen Schlüsse ziehen, Verantwortung übernehmen, Menschen durch eine schwierige Phase führen und das Vertrauen von Bank und Gesellschaftern zurückgewinnen. Die Kombination aus erfahrenem Interim Manager und KI als Co-Pilot ist deshalb kein Kompromiss, sondern ein neuer Standard für professionelle Restrukturierung.
Sie stehen vor einer Restrukturierung, brauchen eine belastbare Fortbestehensprognose oder wollen Ihre Planung bankfähig machen? Die Finance- und Turnaround-Profis von Wolkenblau unterstützen Sie rasch und pragmatisch, von der Analyse bis zur Umsetzung.
Autor

Mit 25 Jahren Erfahrung in leitenden Finanzpositionen internationaler, marktführender Konzerne ist Michael ein Finanz-Experte mit weitreichender Erfahrung. Er zeichnet sich durch seine gewinnbringende Fähigkeit aus, verschiedene Stakeholder in komplexen Situationen zusammenzubringen, und ist ein engagierter Teamplayer.
Mit Freude gibt er Wissen und Erfahrung aus unterschiedlichen Branchen weiter. KI setzt er dabei gezielt als Co-Piloten ein, etwa für Datenabgleich, Szenarien und Marktanalysen. Das Urteil bleibt bei ihm.
Bei weiteren Fragen dazu können Sie gerne ein unverbindliches Erstgespräch vereinbaren.