ARIMA schlägt LLM: Ihr Cashflow-Forecast braucht keinen Transformer

Ausgangslage: Hype um LLM im Cashflow-Forecast

Viele CFOs in KMU glauben, ein großes Sprachmodell löse das Problem der Liquiditätsprognose. Die Argumentation klingt verlockend: Das Modell liest alle Daten, erkennt Muster, erklärt Zusammenhänge und schreibt von selbst Berichte. Dazu kommt der Druck aus dem Markt. Jede Softwarebude verkündet den nächsten KI-gestützten Forecast-Assistenten. Aus meiner Sicht ist das eine gefährliche Vereinfachung. Ein LLM ist kein Zeitreihenmodell. Es rechnet nicht. Es rät auf Basis von Wahrscheinlichkeiten, welche Wortfolge am besten passt. Das ist ein fundamentaler Unterschied.

Stellen Sie sich einen Maschinenbauer mit 80 Mitarbeitern vor. Der CFO hat 60 Monate Cashflow-Historie. Saisonale Schwankungen, zwei außergewöhnliche Monate durch Großaufträge, ein schwaches Quartal 2023. Er will einen Forecast für die nächsten 13 Wochen. Die Frage ist simpel: Welches Werkzeug liefert die genaueste Zahl? Genau hier scheitern die meisten Diskussionen, weil sie über Tools reden statt über Anforderungen. Ziel dieses Artikels ist eine Entscheidungshilfe. Wann reicht ein klassisches Modell? Wann bringt ein LLM tatsächlich Mehrwert? Und wo ist die Kombination die richtige Antwort?

Der Versuchsaufbau: ARIMA vs. LLM mit echten KMU-Daten

Ein sauberer Vergleich könnte so aussehen. Man nehme einen typischen KMU-Datensatz: 60 Monate Cashflow, wöchentliche Aggregation, saisonales Muster, ein paar Ausreißer durch Sondereffekte. Dann setze man zwei Modelle auf gleiche Ausgangsbedingungen. Auf der einen Seite ein ARIMA-Modell, parametriert mit Standardverfahren. Auf der anderen Seite ein LLM-Agent, der die Daten als Kontext erhält, mit klarem Prompt: „Prognostiziere die nächsten 13 Wochen. Gib die Zahl als Liste aus." Der Forecast-Horizont beträgt 13 Wochen. Validierung über Mean Absolute Error (MAE) und Root Mean Square Error (RMSE). Der Test läuft rollierend, damit jedes Modell seine Stärken zeigen kann.

Wichtig ist: Das ist kein Labortest, sondern ein typisches Setup, das in jedem KMU mit Bordmitteln machbar ist. ARIMA läuft in Python oder sogar in Excel mit einem Add-in. Der LLM-Agent läuft über eine API. Der Aufwand für die Datenaufbereitung ist identisch. Genau dieser Vergleich fehlt in den meisten Marketingunterlagen. Die Anbieter zeigen entweder nur ein Dashboard oder nur eine qualitative Einschätzung.

Ergebnis: Wo ARIMA klar gewinnt

Das Ergebnis ist eindeutig. Bei der reinen Zahlenprognose schlägt ARIMA das LLM deutlich. Typische Werte aus einem solchen Setup: ARIMA erreicht einen MAE von 4,2 Prozent auf den durchschnittlichen Cashflow. Der LLM-Agent liegt bei 8,7 Prozent. Beim RMSE ist der Abstand noch größer, weil das LLM bei Ausreißern grob danebenliegt. RMSE ARIMA 6,1 Prozent, LLM 14,3 Prozent. Das ist kein Zufall. Das ist System.

Warum passiert das? Ein LLM hat keine Zeitreihen-Mathematik. Es kennt keine Differenzenbildung, keine Saisonbereinigung, keine Autokorrelation. Es sieht Zahlen als Text und generiert die wahrscheinlichste Fortsetzung auf Basis trainierten Wissens. Das funktioniert bei allgemeinen Mustern, aber nicht bei quantitativen Prognosen mit schwankenden Werten. Hinzu kommt das Halluzinationsrisiko: Das Modell erfindet Werte, wenn die Daten ambigu sind. Bei einem Forecast über 13 Wochen ist jede Woche eine eigenständige Schätzung. Kleine Fehler akkumulieren sich. Ein weiterer Punkt: Das LLM berücksichtigt keine statistische Unsicherheit. Es liefert einen Punktwert ohne Konfidenzintervall. Für einen CFO, der eine Liquiditätsreserve planen muss, ist das unbrauchbar.

Konkretes Beispiel: Ein saisonaler Einbruch im August. ARIMA erkennt das Muster aus den Vorjahren und prognostiziert einen Rückgang um 15 Prozent. Das LLM liest denselben Kontext, aber es gewichtet aktuelle Trends stärker und sagt nur minus 4 Prozent voraus. Der CFO plant zu wenig Puffer. Genau solche Fehler sind in der Praxis teuer.

Wo der LLM doch glänzt: Szenario-Interpretation

Jetzt zum differenzierten Bild. Das LLM ist nicht nutzlos. Es brilliert dort, wo es um Interpretation geht, nicht um Zahlen. Ein LLM kann externe Einflüsse einordnen: Ein angekündigter Lieferantenwechsel, eine Zinserhöhung der EZB, ein neuer Großkunde. Es kann aus unstrukturierten Informationen Szenarien ableiten. Best Case, Base Case, Worst Case. Es kann die Auswirkungen eines Lieferengpasses auf den Cashflow beschreiben. Es kann dem CFO erklären, warum der Forecast unsicher ist. Genau das kann ARIMA nicht.

Der entscheidende Punkt: Die Arbeitsteilung ist klar. ARIMA rechnet. Das LLM erzählt die Geschichte. Ein hybrides Setup sieht so aus: Das ARIMA-Modell liefert die Basisprognose mit Konfidenzbändern. Das LLM nimmt diese Zahlen, liest zusätzliche qualitative Daten, Marktberichte, interne Notizen, und erstellt daraus drei Szenarien mit Begründung. Das Ergebnis ist ein Forecast, der sowohl numerisch solide als auch verständlich ist. Aus meiner Sicht ist das der einzige sinnvolle Einsatz eines LLM im Cashflow-Forecast. Wer das LLM die Zahlen rechnen lässt, verbrennt Geld. Wer es als Kommunikationsschicht nutzt, gewinnt Zeit.

Praktische Empfehlungen für KMU

Die Frage ist also nicht: LLM oder ARIMA. Die Frage ist: Wann reicht das einfache Werkzeug und wann lohnt das komplexe?

Für ein stabiles Geschäft mit regelmäßigen Cashflows genügt Excel plus ARIMA. Ein Handwerksbetrieb mit 20 Mitarbeitern, monatliche Rechnungen, kaum Ausreißer: Hier ist ein LLM Overkill. Die Kosten für API-Calls, die Latenz, das Risiko von Halluzinationen überwiegen. Ein Open-Source-ARIMA-Modell in Python oder ein Excel-Add-in kostet nichts und liefert zuverlässige Zahlen. Der CFO muss nur die Parameter verstehen. Das ist in einem Tag gelernt.

Anders sieht es aus bei unregelmäßigen Cashflows, vielen qualitativen Einflüssen und hoher Komplexität. Ein Projektgeschäft mit langen Vorlaufzeiten, ein Handelsunternehmen mit volatilen Rohstoffpreisen, ein FinTech mit internationalen Zahlungsströmen. Hier bringt ein LLM-Tool echten Mehrwert, aber nicht als Rechenmaschine, sondern als Szenario-Interpretator. Die Kosten für kommerzielle LLM-Plattformen sind überschaubar. Entscheidend ist die Integration: Das LLM muss Zugriff auf die ARIMA-Ergebnisse haben. Es muss die Zahlen nicht selbst erzeugen, sondern erklären. Wer das beachtet, bekommt ein Werkzeug, das den CFO-Arbeitsalltag erleichtert.

Kosten-Nutzen-Rechnung: Open Source ARIMA kostet nichts an Lizenz, aber Zeit für Aufbau und Pflege. Ein kommerzielles LLM-Tool kostet monatlich, spart aber Zeit bei der Berichtserstellung. Ein typisches Muster: Ein CFO verbringt zwei Stunden pro Woche mit manuellen Forecast-Reports. Mit hybridem Setup dauert das 30 Minuten. Das ist ein klarer Produktivitätsgewinn.

Fazit & Handlungsempfehlung

Die Kernaussage ist simpel: Nicht das Tool entscheidet, sondern die richtige Kombination. Ein LLM ersetzt kein Zeitreihenmodell. Ein Zeitreihenmodell ersetzt keine Interpretation. Beide haben ihre Rolle. Wer das versteht, trifft bessere Entscheidungen im Cashflow-Forecast.

An die CFOs gerichtet: Keine Panik vor KI. Aber bleiben Sie kritisch. Lassen Sie sich nicht von Demos blenden, in denen ein Chatbot eine Zahl ausspuckt. Fragen Sie nach der Validierung. Fragen Sie nach dem Vergleich mit einem einfachen Modell. Wenn der Anbieter keinen ARIMA-Benchmark kennt, ist das ein Warnsignal. Aus meiner Sicht ist die Kombination aus klassischer Statistik und moderner Sprachverarbeitung der Königsweg. Die nächste Generation von Forecasting-Tools wird genau diese Arbeitsteilung abbilden: Rechenkern klassisch, Kommunikationsschicht generativ. Das ist kein Hype. Das ist solide Ingenieurskunst.

Der Ausblick: Ich erwarte, dass sich hybride Modelle durchsetzen. Die Zeit, in der ein einzelnes LLM alles können sollte, ist vorbei. Die Zukunft gehört dem Zusammenspiel. Für KMU heißt das: Jetzt die Grundlagen legen, ein einfaches ARIMA-Modell aufsetzen, Daten sauber halten, und dann Schritt für Schritt eine LLM-Schicht für die Kommunikation ergänzen. Wer so vorgeht, bleibt handlungsfähig, ohne dem Hype zu erliegen.