Jeden Montag saß HPEs Finanzführung 90 Minuten in einem Operativ-Review, das auf einem 100-seitigen PowerPoint-Deck basierte. Hunderte Arbeitsstunden flossen wöchentlich in die Erstellung. Dann bauten CFO Marie Myers und Deloitte einen KI-Agenten namens Alfred, der das Deck komplett ersetzte, die Reporting-Zykluszeit um 40% verkürzte und 90% der manuellen Vorbereitungsarbeit eliminierte. Die Verarbeitungskosten sanken um mindestens 25%. Das ist die bisher detaillierteste Enterprise-Fallstudie für Agentic AI im Finanzbereich, und die Zahlen sind konkret genug, um für andere Unternehmen verwertbar zu sein.
Das Problem: Ein wöchentliches Ritual, das ein ganzes Team verschlang
Vor Alfred funktionierte HPEs Finanzorganisation wie die meisten Großunternehmen. Jede Woche kompilierten Teams aus Supply Chain, Finanzplanung und Operations ihre Daten in Folien. Diese Folien speisten ein Master-Deck, das auf rund 100 Seiten anwuchs. Dann saß die Finanzführung Montagmorgen 90 Minuten im Raum und blätterte durch statische Diagramme, die zum Zeitpunkt der Präsentation bereits Tage alt waren.
Das Problem war nicht das Meeting selbst. Das Problem war der Workflow dahinter. Laut Fortune verschlang die manuelle Datenerfassung, Formatierung, Gegenprüfung und Folienerstellung Hunderte Stunden pro Woche in HPEs 3.000 Mitarbeiter starker Finanzorganisation. Bis das Deck fertig war, waren die Daten veraltet. Führungskräfte trafen Entscheidungen auf Basis der Zahlen von letzter Woche, formatiert in einer Weise, die Nachfragen verhinderte.
Marie Myers beschrieb den Kern des Problems: Das Montagsmeeting war keine Entscheidungssitzung. Es war eine Statusupdate-Zeremonie. Die Mitarbeiter, die das Deck erstellten, konnten keine Zeit für Datenanalyse aufwenden, weil sie mit dem Formatieren beschäftigt waren.
Warum statisches Reporting bei Enterprise-Skala versagt
HPEs Finanzoperation verarbeitet über 300 Millionen Einzelposten. Bei diesem Volumen ist ein statisches Foliendeck nicht nur ineffizient, es ist strukturell unfähig, die richtigen Informationen zur richtigen Zeit aufzuzeigen. 100 Folien können sich nicht an das anpassen, was der Leser bereits weiß. Sie können keine Nachfragen beantworten. Sie können nicht sagen, welche Kennzahl sich seit gestern geändert hat und warum.
Genau diese Lücke soll Agentic AI schließen: nicht Analysten ersetzen, sondern die Datenaufbereitungsschicht zwischen Rohdaten und menschlichem Urteilsvermögen.
Was Alfred tatsächlich macht: Architektur und Fähigkeiten
Alfred ist HPEs interner Name für eine Plattform, die gemeinsam mit Deloitte auf Basis des Zora-AI-Frameworks entwickelt wurde. Sie läuft auf HPE Private Cloud AI, die die Compute-Infrastruktur und Orchestrierungsschicht bereitstellt. Der Name ist eine Anspielung auf Batmans Butler: ein vertrauenswürdiger Assistent, der die Vorbereitung übernimmt, damit der Entscheider sich auf Entscheidungen konzentrieren kann.
Die Plattform kombiniert generative KI und Agentic AI auf eine spezifische Weise. Die generative KI-Schicht erstellt ein konsolidiertes Daten-Fabric, das Supply-Chain-Daten, Finanzberichte und operative Kennzahlen in einer einheitlichen Sicht zusammenführt. Die Agenten-Schicht arbeitet darauf und leistet drei Dinge, die traditionelle Dashboards nicht können:
Proaktive Insight-Erkennung. Alfred identifiziert Anomalien, Trends und Probleme ohne Aufforderung. Statt dass eine Führungskraft 100 Folien durchblättert und hofft, ein Problem zu erkennen, hebt der Agent hervor, was relevant ist.
Empfohlene nächste Schritte. Wenn Alfred ein Problem aufdeckt, schlägt er vor, was als Nächstes untersucht werden sollte. Das ist nicht nur “hier sind die Daten”, sondern “hier ist, was Sie prüfen sollten und warum.”
Interaktives Drill-Down. Führungskräfte können Nachfragen in natürlicher Sprache stellen und erhalten Antworten aus dem zugrundeliegenden 300-Millionen-Posten-Datensatz in nahezu Echtzeit.
Die deterministische Besonderheit
Ein technisches Detail sticht hervor. Deloitte, NVIDIA und HPE haben die NVIDIA NIMs (NVIDIA Inference Microservices) so umgebaut, dass sie deterministische Ergebnisse liefern. Das bedeutet: Wer Alfred dieselbe Frage zweimal stellt, bekommt dieselbe Antwort. Im Finanzwesen ist das keine Option, sondern Pflicht. Ein CFO kann dem Vorstand keine Zahlen präsentieren, die sich ändern, je nachdem wann die Abfrage läuft. Determinismus ist Grundvoraussetzung für jedes KI-System, das Finanzdaten berührt.
Für europäische Unternehmen kommt hier ein weiterer Aspekt hinzu: Die DSGVO und der EU AI Act stellen hohe Anforderungen an Nachvollziehbarkeit und Erklärbarkeit von KI-Systemen. Deterministische Ausgaben erleichtern die Compliance erheblich, weil Ergebnisse reproduzierbar und damit prüfbar sind.
Die Zahlen: 40% schneller, 90% weniger Handarbeit, 25% Kostenreduktion
CFO Dive berichtet folgende Kennzahlen aus HPEs Alfred-Deployment:
- 40% Reduktion der Finanzreporting-Zykluszeit
- 90% Reduktion des manuellen Aufwands für die wöchentliche Review-Vorbereitung
- Mindestens 25% Reduktion der Verarbeitungskosten
- 100-Folien-Deck vollständig eliminiert, ersetzt durch dynamische Echtzeit-Insights
Das sind keine Hochrechnungen aus einem Business Case. Das sind gemessene Ergebnisse eines Produktiv-Deployments, das seit Mitte 2025 läuft. Die 90% manuelle Reduktion ist besonders bemerkenswert, weil sie genau den Workflow misst, der die meiste Analystenzeit verschlang: Daten für den Konsum durch die Führungsebene aufzubereiten, statt sie zu analysieren.
Diese Zahlen im Kontext
Deloittes Q4 2025 CFO Signals Survey ergab, dass 54% der CFOs die Integration von KI-Agenten als Priorität für die digitale Transformation 2026 nennen. Aber die meisten stecken noch in der Pilotphase. KPMG-Daten zeigen: 99% der Unternehmen planen autonome Agenten in Produktion zu bringen, aber nur 11% haben es tatsächlich getan. HPE gehört zu den wenigen Unternehmen mit belastbaren Produktionszahlen.
Für den DACH-Raum ist das besonders relevant: Deutsche Finanzvorstände sind traditionell konservativer bei der Einführung neuer Technologien. Die HPE-Zahlen liefern genau die Art von harten Metriken, die ein skeptischer CFO in Frankfurt oder Zürich sehen will, bevor er ein ähnliches Projekt genehmigt.
Die Wette auf 3.000 umgeschulte Mitarbeiter
Die Technologie ist nur die halbe Geschichte. Fortune berichtet, dass Myers und Gustav van der Westhuizen über ein Jahr damit verbrachten, HPEs 3.000-köpfiges Finanzteam umzuschulen. Nicht nur, um Alfred zu benutzen, sondern um eigene Agenten zu bauen.
Das ist der Teil, den die meisten Enterprise-Fallstudien auslassen. Einen KI-Agenten zu deployen ist ein Technologieprojekt. 3.000 Finanzfachleute dazu zu bringen, ihre Arbeitsweise zu ändern, ist eine organisatorische Transformation. Myers’ Ansatz war bewusst gewählt: Wenn Mitarbeiter selbst Agenten entwerfen können, die ihre repetitiven Aufgaben automatisieren, werden sie zu “Gestaltern ihres eigenen Schicksals” statt zu Menschen, die darauf warten, wegautomatisiert zu werden.
Das Umschulungsprogramm umfasste:
- KI-Grundlagentraining für alle 3.000 Finanzmitarbeiter
- Agenten-Bau-Workshops, in denen Teams eigene Workflow-Automatisierungen entwarfen
- Führungskräfte-KPIs mit konkreten Vorgaben für KI-Adoption und messbare Ergebnisse
- Eine Finance-First-KI-Strategie, die das CFO-Büro als KI-Kompetenzzentrum für das gesamte Unternehmen positioniert
Warum Finance-Led KI-Transformation funktioniert
Myers’ größere Vision: Finance soll der Brückenkopf für die unternehmensweite KI-Adoption sein. Die Logik dahinter: Finance hat die strukturiertesten Daten, die höchsten Genauigkeitsanforderungen und die klarsten ROI-Metriken. Wenn Agentic AI im Finanzwesen funktioniert, hat man eine belastbare Blaupause für jede andere Funktion.
Laut CFO.com positioniert Myers den CFO jetzt als “Hüter der KI im Unternehmen” und nutzt die Finance-Transformation als Türöffner für Agentic AI in Forecasting, Investor Relations, Beschaffung und interner Revision.
Was andere CFOs daraus lernen können
HPEs Fall ist nicht deshalb lehrreich, weil jedes Unternehmen ihn genau replizieren kann (die wenigsten haben eigene Cloud-AI-Infrastruktur). Sondern weil er Prinzipien validiert, die breit anwendbar sind:
Mit einem konkreten, schmerzhaften Workflow starten. HPE hat nicht versucht, “Finance mit KI zu transformieren.” Sie haben einen absurden Workflow identifiziert (das 100-Folien-Montagsmeeting) und rückwärts davon gebaut. Der Scope war eng genug zum Liefern und breit genug, um relevant zu sein.
Determinismus ist im Finanzwesen nicht verhandelbar. Der Engineering-Aufwand für deterministische Alfred-Outputs war erheblich, aber er beseitigte die größte Vertrauenshürde. 79% der CFOs nutzen KI-Agenten, aber nur 14% vertrauen ihnen vollständig, hauptsächlich wegen Genauigkeitsbedenken. Deterministische Outputs adressieren das direkt.
Umschulung vor Deployment. HPE investierte über ein Jahr in die Teamvorbereitung, bevor Ergebnisse erwartet wurden. Die meisten Enterprise-KI-Projekte scheitern, weil sie die Technologie deployen und erwarten, dass Adoption folgt. HPE drehte die Reihenfolge um.
Die Vorarbeit messen, nicht nur das Ergebnis. Die 90% Reduktion manueller Vorbereitung ist eine bessere Metrik als das 40% schnellere Reporting, weil sie die versteckten Kosten erfasst, die nie in einer GuV auftauchen: Tausende Stunden für Datenformatierung statt Datenanalyse.
Häufig gestellte Fragen
Was ist HPEs KI-Agent Alfred?
Alfred ist HPEs interner Name für eine Agentic-AI-Plattform, die gemeinsam mit Deloitte auf Basis des Zora-AI-Frameworks entwickelt wurde. Sie läuft auf HPE Private Cloud AI und ersetzt statisches Finanzreporting durch dynamische Echtzeit-Insights. Der Name spielt auf Batmans Butler an und steht für einen vertrauenswürdigen Assistenten.
Wie viel hat HPE durch Agentic AI im Finanzbereich gespart?
HPE berichtet eine 40%ige Reduktion der Finanzreporting-Zykluszeit, 90% weniger manuelle Vorbereitungsarbeit für wöchentliche Reviews und mindestens 25% geringere Verarbeitungskosten. Das 100-Folien-PowerPoint-Deck wurde vollständig eliminiert.
Wie stellt HPEs Alfred korrekte Finanzdaten sicher?
Deloitte, NVIDIA und HPE haben die NVIDIA NIMs so umgebaut, dass sie deterministische Ergebnisse liefern. Dieselbe Abfrage liefert immer dieselbe Antwort. Das ist für Finanzreporting unverzichtbar, weil inkonsistente Zahlen Vertrauen und Compliance untergraben würden.
Wie viele HPE-Mitarbeiter wurden für KI umgeschult?
HPEs CFO Marie Myers und ihr Team investierten über ein Jahr in die Umschulung von mehr als 3.000 Finanzfachleuten. Das Training umfasste KI-Grundlagen, Agenten-Bau-Workshops und neue Führungskräfte-KPIs für KI-Adoption.
Ist HPEs Ansatz auf deutsche Unternehmen übertragbar?
Die spezifische Infrastruktur (HPE Private Cloud AI, Deloittes Zora AI) steht nicht jedem Unternehmen zur Verfügung. Aber die Prinzipien sind übertragbar: einen konkreten schmerzhaften Workflow identifizieren, deterministische Outputs für Finanz-Usecases sicherstellen, in Umschulung vor dem Deployment investieren, und die Reduktion der Vorarbeit messen. Die DSGVO-Konformität durch deterministische Outputs ist für DACH-Unternehmen ein zusätzlicher Vorteil.