Seit langem geht die Idee um, dass Künstliche Intelligenz Gewinnprognosen verbessern kann. In der Praxis blieb das oft ein Versprechen. Veränderungen in Gewinnen und Profitabilität lassen sie nur sehr ungenau vorhersagen, obwohl Kapitalmärkte darauf empfindlich reagieren.
In meiner gemeinsamen Forschung mit Katherine Schipper und Kevin Stanridge zeigen wir, dass dieses Prognoseproblem nicht naturgegeben ist. Der Engpass bei Vorhersagen lag nicht in fehlenden Daten, sondern in den Modellen. Klassische Prognosen behandeln Finanzzahlen so, als seien ihre Zusammenhänge einfach nur linear. Unternehmen funktionieren aber nicht so. Profitabilität entsteht aus nicht-linearen Wechselwirkungen zwischen operativer Leistung, Margen, Kapitaleinsatz und Sondereffekten.
Unsere Ergebnisse liefern nun belastbare Evidenz, dass und wie es funktioniert: Wenn man KI innerhalb eines strukturierten Rechnungslegungsrahmens einsetzt, sinkt der durchschnittliche Prognosefehler bei Profitabilitätsprognosen um rund sieben Prozent gegenüber dem Random-Walk-Benchmark. Der Nutzen kommt vor allem dort, wo die großen Überraschungen entstehen, also bei den schwierigsten Fällen. Zusätzlich zeigen wir, dass unsere KI-basierten Profitabilitätsprognosen dem Markt zeitlich voraus sind und Gewinn und Kursentwicklung antizipieren, bevor sie in Analysteneinschätzungen sichtbar werden.
Für CEOs heißt das konkret: Bei Gewinnprognosen nicht mehr nur klassische Modelle akzeptieren. KI-gestützte Prognosen sollten zusätzlich eingesetzt werden, weil sie nicht-lineare Profitabilitätseffekte erfassen und damit Gewinnüberraschungen und Kursreaktionen reduzieren.
Oliver Binz ist Assistant Professor of Accounting an der ESMT Berlin. Die CEO.Picks sind eine Kooperation zwischen der ESMT und Table.Briefings.