Proaktive vs. reaktive KI – die KI, die wartet, und die KI, die handelt

Wenn wir im Finanzalltag über KI sprechen, meinen wir meist zwei sehr verschiedene Dinge. Das eine ist die KI, die wir öffnen, wenn wir eine Frage haben – ein Chatfenster, ein Prompt, eine Antwort. Das andere ist die KI, die im Hintergrund mitläuft und sich von selbst meldet, wenn in den Zahlen etwas passiert, das unsere Aufmerksamkeit verdient.

Beide Varianten haben ihren Platz, aber sie funktionieren mechanisch unterschiedlich und fühlen sich im Arbeitsalltag auch unterschiedlich an. Der Unterschied ist weniger eine Frage der Modellqualität als eine Frage der Architektur drumherum. Dieser Artikel beschreibt, wie jede der beiden Varianten funktioniert, wie sie im Finanzkontext konkret aussieht und welche Bausteine proaktive KI überhaupt ermöglichen.

Wie reaktive KI funktioniert

Reaktive KI ist das, was die meisten von uns täglich nutzen. Wir fragen, sie antwortet. Wir laden einen Kontoauszug hoch und bitten um eine Zusammenfassung. Wir lassen eine Rechnung prüfen, einen Text formulieren, eine Varianzanalyse erklären. Für Ad-hoc-Arbeit ist das der direkteste Weg von der Frage zur Antwort.

Typisch für diese Variante ist, dass jede Sitzung bei null beginnt. Die KI hat kein Gedächtnis darüber, was letzte Woche besprochen wurde. Sie kennt weder unseren Kontenrahmen noch unsere Tochtergesellschaften, solange wir sie nicht noch einmal erklären. Und sie meldet sich nie von selbst – kein Hinweis auf eine auffällige Buchung, kein leiser Wink, dass der Cashflow in drei Wochen eng werden könnte. Der Einstieg in ein Thema hängt daran, dass wir fragen – und dazu erst einmal wissen, dass es etwas zu fragen gibt.

Wie proaktive KI funktioniert

Proaktive KI dreht die Logik um. Sie sitzt nicht im Chatfenster und wartet auf eine Eingabe, sondern beobachtet im Hintergrund Datenströme, auf die sie einmal angesetzt wurde: Bankkonten, Rechnungseingang, OP-Listen, Cashflow-Kennzahlen, die Auftragslage im ERP. Sie lernt, wie der Normalfall aussieht, und meldet sich, wenn etwas davon abweicht.

Das Fühlen ist dabei anders als bei klassischer Automatisierung. Ein Cronjob, der jeden Morgen eine Liste schickt, ist kein proaktiver Assistent – er ist ein Wecker, der immer zur selben Zeit klingelt, egal ob es etwas zu sagen gibt. Proaktive KI hingegen bleibt ruhig, solange die Zahlen im erwarteten Korridor laufen, und wird erst dann laut, wenn sie selbst zu dem Schluss kommt, dass eine Information relevant genug ist, um unsere Aufmerksamkeit zu beanspruchen.

Warum Zeitpunkt den Unterschied macht

Der eigentliche Effekt im Finanzalltag liegt weniger in der Qualität einer einzelnen Meldung als im Zeitpunkt, zu dem sie kommt. Abweichungen, die erst im Monatsabschluss sichtbar werden, lassen sich nur noch erklären. Abweichungen, die in dem Moment sichtbar werden, in dem sie entstehen, lassen sich noch beeinflussen. Proaktive KI verschiebt den Zeitpunkt nach vorn, ohne dass jemand daran denken muss, den Report früher abzurufen.

Was proaktiv technisch möglich macht

Hinter proaktiver KI steht keine neue Modellgeneration, sondern eine Kombination aus drei Bausteinen, die bislang getrennt existierten.

Der erste Baustein sind geplante Aufgaben – die KI läuft nicht nur, wenn jemand sie anstupst, sondern in festen oder ereignisgetriebenen Rhythmen. Der zweite sind dauerhafte Konnektoren zu den Systemen, in denen unsere Zahlen entstehen: ERP, Buchhaltung, Bank, Rechnungseingang. Der dritte ist ein Gedächtnis über Zeit, damit „normal“ überhaupt definiert werden kann – Kunde X zahlt typischerweise am 28., Lieferant Y fakturiert immer zum Monatsende, die Payroll ist stabil bei plus/minus 1%.

Einzeln sind diese drei Bausteine unscheinbar. Geplante Aufgaben gibt es seit Jahrzehnten, Konnektoren sind Standardware, und auch Pattern-Erkennung ist kein Novum. Erst die Kombination macht aus reiner Automatisierung etwas, das sich im Alltag wie ein initiativer Kollege verhält.

Wie Teams typischerweise einsteigen

In den meisten Teams, die wir kennen, beginnt die Arbeit mit proaktiver KI nicht mit einem großen Rollout, sondern mit einem einzigen Beobachtungsfall. Wer gleichzeitig fünf Datenströme beobachten lässt und fünf verschiedene Regeln definiert, bekommt schnell viel Rauschen und verliert das Vertrauen ins System – deshalb setzt sich in der Praxis eher ein vorsichtiger Pfad durch.

Ein typischer Einstieg ist das Zahlungsverhalten der größten Kunden: Datenlage übersichtlich, Relevanz hoch, Signale gut interpretierbar. Dieser erste Fall läuft häufig eine Woche parallel zum bisherigen Prozess, damit sichtbar wird, ob die KI-Meldungen tatsächlich hilfreich sind oder eher Stimmungsrauschen produzieren.

Stimmt das Signal-zu-Rausch-Verhältnis, kommt ein zweiter Fall dazu, dann ein dritter. Dieser Pfad ist langsamer, als viele erwarten, aber er sorgt dafür, dass Meldungen, die das Team erreichen, auch ernst genommen werden – statt irgendwann reflexartig weggeklickt.

Die Verschiebung in einem Satz

Der Unterschied zwischen reaktiver und proaktiver KI ist weniger einer der Intelligenz als einer der Richtung. Reaktive KI antwortet auf Fragen, die wir stellen. Proaktive KI beobachtet Datenströme, lernt, was „normal“ heißt, und meldet sich, wenn sich etwas davon entfernt. Beide haben ihren Platz: Reaktive KI bleibt für Ad-hoc-Analysen und Dokumentarbeit der direkteste Weg, proaktive KI verschiebt den Zeitpunkt, an dem ein Thema überhaupt auf den Tisch kommt.

Technisch ist der Sprung zwischen beiden Varianten klein – geplante Aufgaben, Konnektoren und ein Gedächtnis über Zeit sind nichts Neues. Im Arbeitsalltag fühlt er sich trotzdem groß an, weil sich die Richtung der Kommunikation ändert: von uns, die fragen, zur KI, die anspricht.