10 Goldene Regeln des Financial Modeling – neu gelesen im Zeitalter von KI und Cloud-Kollaboration

Obwohl die mit Financial Models gewonnen Erkenntnisse oftmals als Grundlage für wesentliche Unternehmens-Entscheidungen herangezogen werden, existieren keine allgemein gültigen Financial-Model-Richtlinien, die einen einheitlichen Qualitätsstandard und eine Vergleichbarkeit garantieren können. Die hieraus resultierende Heterogenität haben wir bei RÖDL mit unseren 10 goldenen Regeln des Financial Modeling langjährig adressiert und gepflegt.

Seit der Erstfassung dieser Regeln haben sich zwei Kernkonzepte derart grundlegend gewandelt, dass wir einen Aktualisierungsbedarf sehen: die Vorstellung von „einem Modellierer“, der eine in sich geschlossene Datei lokal und nacheinander aufbaut.

1. KI-gestützte Modellierung
   KI-Assistenten erzeugen heute in Sekunden Formeln, Strukturen und ganze Berechnungslogiken, schlagen Szenarien vor und kommentieren bestehende Modelle.
2. Cloud-basiertes, simultanes Arbeiten
   Modelle liegen heute in SharePoint bzw. OneDrive, werden von mehreren Personen gleichzeitig bearbeitet (Mitautorenschaft) und beziehen ihre Daten zunehmend über zentral verwaltete An-/Verbindungen statt über manuell eingefrorene Kopien.

Die naheliegende Schlussfolgerung wäre, dass handwerkliche Modellierungsregeln damit an Bedeutung verlieren. Unsere Erfahrung zeigt das Gegenteil – aus drei Gründen, die jeweils beide Entwicklungen betreffen:

1. Struktur bedeutet Maschinenlesbarkeit und Kollisionsvermeidung
   Ein konsistent aufgebautes, sauber beschriftetes Modell kann ein KI-Assistent zuverlässig verstehen und fortschreiben – und mehrere Personen können es im Co-Authoring gleichzeitig bearbeiten, ohne sich gegenseitig zu überschreiben. Dieselbe Disziplin dient beiden Zwecken.
2. Das Fehlerprofil verschiebt sich
   KI erzeugt plausibel aussehende, gleichwohl falsche Ergebnisse; im Co-Authoring entstehen zudem laufend Änderungen, die nicht von einem selbst stammen. Kontroll-Mechanismen und ein unabhängiger Review werden damit zum Sicherheitsnetz, welches immer komplexeren Anforderungen standhalten muss.
3. Die Verantwortung bleibt menschlich
   Weder ein Sprachmodell noch eine Vielzahl gleichzeitiger Beiträger entbindet denjenigen, der das Modell verantwortet, davon, dessen Ergebnisse nachzuvollziehen und fachlich zu vertreten.

Vor diesem Hintergrund gelten die nachstehenden zehn Regeln mit leichten Ergänzungen weiter fort. Die Einhaltung dieser Regeln führt zu einer Reduzierung der Fehleranfälligkeit, zu Effizienzgewinnen bei Modellerstellung und -prüfung, zu einem erhöhten Benutzerkomfort sowie zu einer höheren Akzeptanz bei den Modelladressaten – und sie schafft die Voraussetzung dafür, dass sowohl KI-Unterstützung als auch gemeinsames Arbeiten in der Cloud sicher und mit Mehrwert genutzt werden können.

1) Stringentes Workbook Design

Zur Wahrung der Übersichtlichkeit sowie zur Sicherstellung eines konsistenten Datenflusses sollten die Arbeitsblätter eines Modells in die Bereiche „Rohdaten“, „Annahmen“, „Analyse“ und „Output“ gruppiert und farblich voneinander abgesetzt werden.

• Im Bereich „Rohdaten“ befinden sich die importierten Quelldaten, auf die innerhalb des Modells verlinkt wird. So bleibt die Datenquelle stets nachvollziehbar.
• Der Bereich „Annahmen“ sammelt die veränderbaren Prämissen und fungiert als „Model-Cockpit“ für Szenario- und Sensitivitätsanalysen.
• Im Bereich „Analyse“ finden die eigentlichen Berechnungen statt; sie beziehen Daten ausschließlich aus „Rohdaten“ und „Annahmen“. Harteingaben finden hier nicht statt.
• Der Bereich „Output“ bereitet die wesentlichen Ergebnisse adressatengerecht und – soweit hilfreich – grafisch auf.

Diese Vier-Bereiche-Trennung ist zugleich die wirksamste Form, ein Modell für einen KI-Assistenten lesbar zu machen. Klare Blattbezeichnungen, beschriftete Zeilen und eindeutige Einheiten wirken wie eine Dokumentation, die die KI bei Analyse- und Erweiterungsaufgaben unmittelbar nutzen kann.

Dieselbe Bereichsstruktur ist die Grundlage konfliktfreien gemeinsamen Arbeitens. Klar abgegrenzte Bereiche erlauben es, dass mehrere Personen gleichzeitig an unterschiedlichen Teilen des Modells arbeiten. Die frühere Empfehlung, das gesamte Modell in *einer* Datei abzubilden und externe Verlinkungen strikt zu vermeiden, ist heute zu differenzieren: Maßgeblich ist nicht „die eine Datei“, sondern die nachvollziehbare und zentral verwaltete Datenherkunft. Datenverbindungen über Power Query auf einer zentral abgelegten SharePoint-Quelle erfüllen dieses Ziel in einer Welt aus Mitautorenschaft und gemeinsam genutzten Datenquellen häufig besser als eine manuell eingefrorene Kopie – sofern Quelle, Aktualisierungslogik und Transformationsschritte dokumentiert sind.

2) Vollständige und verständliche Prämissenblätter

Der Aufbau des Prämissenblatts sollte übersichtlich und nachvollziehbar strukturiert werden. Es empfiehlt sich, übergeordnete Bereiche zu definieren (z. B. „I. Allgemeine Annahmen“, „II. GuV-Planung“, „III. Bilanz-Planung“) mit entsprechenden Unterbereichen, die bei Bedarf über die Gruppierungsfunktion ein- und ausgeblendet werden können.

Variable Prämissen, die für Szenario- und Sensitivitätsanalysen verändert werden, sollten farblich markiert und selbsterklärend sein (ggf. mit Anwendungshinweisen wie „Aufwendungen negativ eingeben“). Prämissen aus dem Bereich „Rohdaten“ werden direkt referenziert, damit die Datenquelle stets nachvollziehbar bleibt. Prämissen, deren Quellen nicht in Excel vorliegen (etwa PDF-Dateien), werden direkt eingetragen; in einer separaten Kommentarspalte werden Quelle und zugrundeliegende Annahmen dokumentiert.

Ein gut gepflegtes, beschriftetes Prämissenblatt ist der ideale Ausgangspunkt für KI-gestützte Sensitivitäts- und Szenarioanalysen, weil die KI die Stellschrauben des Modells unmittelbar identifizieren kann. Die Kommentarspalte gewinnt zusätzlich an Bedeutung: Sie hält fest, *woher* eine Prämisse stammt und ob sie KI-gestützt recherchiert wurde – und damit zu validieren ist (siehe Regel 12).

Das Prämissenblatt ist außerdem die „Single Source of Truth“ für alle Mitautoren – es sollte daher genau einen verbindlichen Ort je Prämisse geben. Wer eine Prämisse setzt oder ändert, lässt sich über die threadbasierten Kommentare moderner Excel-Versionen samt @-Erwähnung direkt mit der zuständigen Person verknüpfen; das ersetzt die früher übliche statische Kommentarspalte für Abstimmungszwecke und macht Diskussionen über einzelne Annahmen nachvollziehbar.

3) KISS-Prinzip (Keep It Smart and Simple)

Ein Financial Model sollte so detailliert wie nötig und so einfach wie möglich sein. Der Datenfluss sollte dem natürlichen Leseverhalten entsprechen: Zeitreihen von links (Historie) nach rechts (Planung), Berechnungen von oben (Annahmen) nach unten (Ergebnisse). Überlange Formeln und tief verschachtelte „Wenn-Funktionen“ sind zu vermeiden und in nachvollziehbare Zwischenschritte aufzuteilen. Zwischen- und Endergebnisse sollten nur einmal berechnet und anschließend verlinkt werden, um Redundanzen und Fehler zu vermeiden.

KI senkt die Kosten von Komplexität – sie erzeugt verschachtelte Formeln und elegante Code-Konstruktionen mühelos. Genau deshalb ist KISS heute eher noch wichtiger. Der Maßstab verschiebt sich allerdings: Es geht weniger um den Verzicht auf technische Raffinesse als um die Auditierbarkeit – jede Berechnung muss von einem Menschen, und im Zweifel von einem unabhängigen Prüfer wie auch von einem Mitautor, ohne unverhältnismäßigen Aufwand nachvollzogen werden können. Was niemand prüft, ist im Zweifel gefährlich, gleich wie elegant es aussieht.
Es gilt: KI erhöht zwar die Komplexität, die jeder einzelne in Modellen einarbeiten kann –Dynamic Arrays und INDIRECT-Aggregationen können nun ohne größeres Hintergrundwissen implementiert werden – gleichzeitig wird aber auch die Auditierbarkeit ebendieser Komplexität mit KI erhöht. Von beiden Aspekten sollte im modernen Financial Modeling Gebrauch gemacht werden.

Auch Makros (VBA) sollten weiterhin sehr bedacht eingesetzt werden, da sie für Dritte ohne entsprechende Kenntnisse schwer nachvollziehbar sind. Heute stehen transparentere Alternativen zur Verfügung: `LET` und `LAMBDA` für wiederverwendbare, dokumentierte Logik in der Tabelle, dynamische Arrays für regelbasierte Berechnungen sowie Office Scripts und „Python in Excel“ für komplexere Aufgaben.

4) Spaltenkonsistenz (einheitliche Zeitachse)

Bei Modellierungen über mehrere Zeitperioden sollte strikt auf eine konsistente Zeitachse zwischen den Arbeitsblättern geachtet werden. Die Zeitachse wird einmalig im Annahmeblatt definiert und in allen anderen Blättern darauf verlinkt; durch „Fixierung“ am oberen Blattrand bleibt sie auch in unteren Bereichen sichtbar. Zwischen Zeilenbeschriftung und Berechnungsbeginn werden einige Spalten für Kommentierungen freigehalten.

Die Spaltenkonsistenz reduziert die Fehleranfälligkeit deutlich und vereinfacht den Model-Review erheblich, da Verlinkungsfehler zwischen Perioden durch den Bruch der Konsistenz leichter erkannt werden.

Eine durchgehend einheitliche Zeitachse ist eine der wirksamsten Strukturen überhaupt, um KI-gestützte Prüfungen zu ermöglichen: Ein Assistent kann Periodenbrüche, verschobene Verknüpfungen und Inkonsistenzen über Blätter hinweg deutlich zuverlässiger erkennen, wenn jede Periode an derselben Position liegt –dasselbe gilt für einen menschlichen Reviewer, der die Beiträge mehrerer Autoren zusammenführt.

5) Zeilenkonsistenz (eine Formel je Zeile)

Durch eine geeignete Zeilen- und Spaltenfixierung (Dollar-Zeichen) sollte innerhalb einer Zeile dieselbe Formel für alle Perioden verwendet werden. Klassisch wurde die Formel für die erste Periode geschrieben und für die Folgeperioden per copy & paste ausgefüllt; der Reviewer prüfte dann „lediglich“ die erste Periode und konnte Formelbrüche schnell ausschließen.

Dynamische Arrays bzw. Überlaufbereiche heben dieses Prinzip auf eine neue Stufe – eine einzige Formel füllt einen ganzen Bereich, sodass ein Formelbruch innerhalb einer Zeile technisch gar nicht erst entstehen kann. Wo dies nicht möglich ist, gilt der bewährte Grundsatz fort. Die strikte Einhaltung der Zeilenkonsistenz kann jedoch zu erhöhter Komplexität führen, wenn zu viele Eventualitäten in einer Formel abgebildet werden; hier ist mit dem KISS-Prinzip (Regel 3) abzuwägen und ggf. mit Zwischenberechnungen oder „Flags“ (Regel 6) zu arbeiten. Wo Formelbrüche unvermeidbar sind, sollten sie zumindest farblich hervorgehoben werden.

6) Flags können Transparenz und Effizienz erhöhen

Unter „Flags“ werden binäre Hilfswerte (1 oder 0) verstanden. Durch Multiplikation mit der Flag-Zeile können einzelne Faktoren über die Zeitachse „aktiviert“ (Multiplikation mit 1) oder „deaktiviert“ (Multiplikation mit 0) werden – etwa bei Unternehmensbewertungen zur Abgrenzung von Detailplanungszeitraum („0″) und ewiger Rente („1″).

Durch den bewussten Einsatz von Flags lassen sich komplexe „Wenn-Funktionen“ teilweise vermeiden und die Zeilenkonsistenz (Regel 5) unter Beachtung des KISS-Prinzips (Regel 3) einhalten. Flags erhöhen zudem die Transparenz darüber, wann welche Ereignisse eintreten, und erlauben eine Variabilisierung zwischen den Perioden.

7) Kontroll-Mechanismen

Modellersteller und Modellanwender sind oft unterschiedliche Personen. Um fehlerhafte Eingriffe zu vermeiden, sollten sämtliche Berechnungsformeln für den Anwender nicht veränderbar sein; lediglich die Prämissenfelder im Annahmeblatt dürfen verändert werden.

Zur schnellen Identifikation von Fehlern sollte das Modell über „Check-Zeilen“ verfügen. Man unterscheidet technische Checks (z. B. Prüfung, ob die Summe der Aktiva der Summe der Passiva entspricht) und Quell-Checks (z. B. ob der Jahresüberschuss in der Modellrechnung dem Jahresüberschuss in der Rohdatei entspricht). Die Check-Zeilen werden im unteren Bereich der Arbeitsblätter eingefügt und in ein gemeinsames Arbeitsblatt („Master-Check“) verlinkt, das eine Übersicht über alle Checks bietet und etwaige Modellfehler samt Herkunft unverzüglich anzeigt.

Diese Regel rückt in unserem Alltag nun immer mehr ins Zentrum. KI erzeugt plausibel aussehende Fehler, die sich der visuellen Plausibilitätsprüfung entziehen. Ein ausgewogenes Netz aus sinnvollen Check-Zeilen und ein aussagekräftiger Master-Check sind das wirksamste Mittel, um KI-induzierte Fehler abzufangen: Bei jeder KI-gestützten Änderung am Modell ist zuerst der Master-Check zu beobachten – läuft eine Check-Zeile auf, ist die Änderung fehlerhaft oder unvollständig. Bei gleichzeitiger Mitautorenschaft entstehen laufend Änderungen, die nicht von einem selbst stammen. Der Master-Check wird damit zum gemeinsamen Frühwarnsystem für das ganze Team – er zeigt sofort an, wenn der Eingriff eines anderen Autors das Modell inkonsistent gemacht hat.

Auch die meist qualitative „Big-Picture“-Plausibilisierung rückt mehr in den Fokus: Outputs müssen sich derart gestalten, dass Trends übersichtlich und nachvollziehbar von Erstellern erklärbar gemacht werden können.

8) Benutzerfreundlichkeit

Insbesondere bei „Standard-Modellen“, die von mehreren Anwendern für vergleichbare Sachverhalte genutzt werden (z. B. ein standardisiertes Bewertungsmodell), kommt Layout und Benutzerfreundlichkeit hohe Bedeutung zu. Der Anwender kennt die Details des Modells oft nicht; er muss es lediglich bedienen und die Ergebnisse nachvollziehen können.

Bewährt hat sich ein „Modell-Menü“: ein eigenes Arbeitsblatt mit übersichtlichen Verlinkungen auf die relevanten Blätter, ergänzt um einen Rücklink auf das Menü in jedem Arbeitsblatt (z. B. in Zelle A1). Ähnlich wie bei einer Website oder App wird das gesamte Modell über das Menü gesteuert. Ein klares Menü und konsistente Bedienlogik helfen nicht nur menschlichen Anwendern, sondern auch agentischen KI-Werkzeugen, sich im Modell zu orientieren. Wo Modelle zunehmend über natürliche Sprache bedient werden, ersetzt das eine gute Beschriftung und Struktur jedoch nicht – es setzt sie voraus.

Wird ein Standard-Modell über SharePoint von vielen Anwendern genutzt, sollte berücksichtigt werden, dass nicht alle Funktionen in Excel im Web identisch verfügbar sind (z. B. bestimmte Makros). Robuste, plattformunabhängige Bedienkonzepte sind daher vorzuziehen; der Zugriff auf einzelne Bereiche lässt sich über Berechtigungen steuern.

9) Adressatengerechter Output

Eine der größten Herausforderungen besteht darin, die Komplexität des Modells für die Adressaten auf die wesentlichen Kennzahlen und Aussagen zusammenzufassen. Oftmals sind für unterschiedliche Adressaten individuelle Output-Blätter zu erstellen (z. B. Management Summary für die Geschäftsführung, Back-up-Informationen für das Controlling).

Aussagekräftige Outputs umfassen tabellarische und grafische Auswertungen, sind selbsterklärend und mit Hinweisen (Währungen, Datum) sowie Ergebnisinterpretationen versehen. Soweit möglich sollten sie unter Beachtung des Corporate Designs präsentations- und druckfähig formatiert sein. Werden ausgewählte Prämissen variabel auf dem Output-Blatt hinterlegt, lassen sich Ergebnisauswirkungen in Echtzeit nachvollziehen.

Statt Dateikopien per E-Mail zu versenden, können Outputs als ein über SharePoint geteiltes, stets aktuelles Ergebnis bereitgestellt werden („Single Source of Truth“). Das vermeidet die klassische Fehlerquelle veralteter, parallel kursierender Versionen und stellt sicher, dass alle Adressaten auf denselben Stand zugreifen.

KI kann die Erstellung adressatengerechter Outputs erheblich beschleunigen – von der Verdichtung der Kennzahlen bis zum Entwurf einer Ergebnisinterpretation. Die fachliche Verantwortung für Auswahl, Gewichtung und Aussage der dargestellten Kennzahlen bleibt jedoch beim Ersteller; ein KI-Entwurf ist Ausgangspunkt, nicht Endergebnis.

10) 4-Augen-Prinzip und strukturierter Model-Review

In der Praxis schleichen sich bei der Erstellung von Financial Models häufig Fehler ein, die zu falschen Ergebnissen und erheblichen finanziellen Folgen führen können (z. B. zu hohe Kaufpreise bei Unternehmenstransaktionen). Abhilfe schafft ein strukturierter Model-Review, der idealerweise von jemandem durchgeführt wird, der nicht an der Modellerstellung mitgewirkt hat („4-Augen-Prinzip“). Der Review gliedert sich in drei Ebenen:

• Technische Überprüfung: Sind alle Verlinkungen korrekt gesetzt und die Formeln fehlerfrei? Unterstützt wird dies durch spezialisierte Review-Software (z. B. Operis Analysis Kit) sowie zunehmend durch KI-gestützte Audit-Werkzeuge.
• Strukturelle Überprüfung: Liegen eine stringente Modellarchitektur und ein konsistenter Datenfluss vor?
• Logische Überprüfung: Sind die Berechnungslogiken und die zugrundeliegenden Annahmen sachgerecht?

Die technische Überprüfung lässt sich teilweise automatisieren und durch KI beschleunigen. Die logische Überprüfung – passen Annahmen, ist die betriebswirtschaftliche Logik tragfähig? – bleibt eine menschliche und mit KI sogar anspruchsvollere Aufgabe, weil ein KI-Modell auch eine fachlich falsche Logik überzeugend formuliert. Zwei Grundsätze sind dabei unabdinglich: Erstens darf das prüfende „zweite Augenpaar“ nicht dieselbe KI sein, die das Modell erstellt hat. Zweitens ersetzt KI-gestützte Prüfung den unabhängigen menschlichen Review nicht – sie ergänzt ihn.

Drei neue Regeln für das moderne Modellierungsumfeld

Die zehn vorstehenden Regeln betreffen das Modell selbst. KI und kollaboratives Cloud-Arbeiten bringen eine zweite Dimension hinzu, die das Vorgehen betrifft – und gerade in einem berufsständischen Umfeld unverzichtbar ist.

11) Governance und Vertraulichkeit – vor dem ersten Zugriff

Bevor ein Modell in der Cloud geteilt oder einem KI-Werkzeug zugänglich gemacht wird, ist zu klären, welche Daten wohin gelangen und wer worauf zugreifen darf. Mandanten-, Deal- und personenbezogene Daten unterliegen der berufsständischen Verschwiegenheitspflicht und dem Datenschutz (DSGVO). Diese Regel verbindet beide roten Fäden, denn Governance betrifft zwei Seiten:

• Datenzufuhr an KI: Unterscheidung zwischen freigegebenen Enterprise-Lösungen mit vertraglich gesicherter Datenverarbeitung (keine Nutzung der Eingaben zu Trainingszwecken, definierte Speicherfristen, ggf. EU-Datenhaltung) und nicht freigegebenen Consumer-Werkzeugen; Anonymisierung oder Pseudonymisierung sensibler Inhalte, wo immer möglich.
• Zugriff und Freigabe in der Cloud: bewusste Steuerung der Berechtigungen auf dem SharePoint-/OneDrive-Ablageort, restriktiver Umgang mit externen Freigabelinks sowie der Einsatz von Vertraulichkeitskennzeichnungen (Sensitivity Labels / Microsoft Purview), um sensible Modelle technisch zu schützen.

Ein Vertraulichkeitsverstoß – ob durch ein falsches Werkzeug oder einen zu weit gefassten Freigabelink – lässt sich nachträglich nicht reparieren.

12) Nachvollziehbarkeit, Versionierung und Validierung

Der rote Faden des klassischen Financial Modeling – die lückenlose Nachvollziehbarkeit jeder Zahl – gilt für KI-Beiträge und für gemeinsam bearbeitete Modelle erst recht. Daraus folgen drei Pflichten:

• Festhalten, welche Modellteile KI-gestützt entstanden sind (z. B. in der Kommentarspalte oder einem Änderungsprotokoll) – und damit auch, was besonderer Prüfung bedarf.
• Cloud-Speicher führen automatisch einen Versionsverlauf; das ist ein Gewinn, ersetzt aber keine bewusste Change-Control. Zentrale Stände sollten als benannte Meilensteinversionen gesichert und mit einem kurzen Änderungsvermerk versehen werden – gerade weil KI und Mitautorenschaft Änderungen stark beschleunigen.
• Kein KI-Ergebnis und keine fremde Änderung geht ungeprüft in die maßgebliche Version ein. KI ist Co-Pilot, nicht Pilot. Die Validierung knüpft unmittelbar an die Check-Mechanismen (Regel 7) und den 4-Augen-Review (Regel 10) an.

13) Die Verantwortung bleibt beim Menschen

KI unterstützt die Erstellung, und die Cloud verteilt sie auf viele Hände – die Verantwortung jedoch bleibt eindeutig zuzuordnen. Wer ein Modell verantwortet – insbesondere als Berufsträger im Rahmen einer Bewertung, einer Fairness Opinion oder einer Due Diligence –, muss dessen Ergebnisse vollständig nachvollziehen und fachlich vertreten können, unabhängig davon, wie viele Beiträger und Werkzeuge mitgewirkt haben. Die berufsständische und haftungsrechtliche Verantwortung ist nicht delegierbar; sie lässt sich weder an ein Sprachmodell noch an ein Team abtreten. Effizienzgewinne durch KI und gemeinsames Arbeiten sind willkommen – sie dürfen jedoch nie auf Kosten der Verstehbarkeit und der eigenen fachlichen Durchdringung des Modells gehen.

Fazit

KI-gestützte Werkzeuge und cloud-basiertes, simultanes Arbeiten verändern, wie Financial Models entstehen, geprüft und genutzt werden – nicht aber, worauf es bei einem guten Modell ankommt. Im Gegenteil: Eine stringente Architektur, konsistente Strukturen und belastbare Kontroll-Mechanismen sind heute zugleich die Voraussetzung dafür, dass eine KI ein Modell zuverlässig versteht und dass mehrere Personen es konfliktfrei gemeinsam bearbeiten können. Beide Entwicklungen heben das Qualitätsniveau – aber nur dort, wo handwerkliche Disziplin die Voraussetzung dafür schafft. Genau diese Disziplin beschreiben die hier dargestellten Regeln.

*Anmerkung: Diese Fassung ist eine inhaltliche Überarbeitung der ursprünglichen „10 Goldenen Regeln des Financial Modeling“ (Stand 2019). Die zehn Grundregeln wurden beibehalten und um Hinweise zum KI- und zum kollaborativen Cloud-Umfeld sowie um drei neue Regeln ergänzt.*