Die Abweichungsanalyse ist fertig, bevor der Kaffee durchgelaufen ist. Der KI-Assistent hat Daten aus drei Systemen zusammengeführt, eine Grafik gebaut und die Ursache gleich mitgeliefert, sauber formuliert und plausibel begründet. Genau hier liegt das Problem: KI im Controlling liefert Ergebnisse in Minuten, kann aber nicht beurteilen, ob sie stimmen. Diese Beurteilung bleibt beim Menschen, und damit wird Fachwissen wichtiger, nicht unwichtiger.
Schneller fertig heißt nicht schneller richtig
Ein großer Teil der Controlling-Arbeit ist Routine: Daten zusammentragen, Abweichungen berechnen, den ersten Forecast-Entwurf erstellen. Das kann KI heute gut übernehmen. Die gewonnene Zeit ist aber nicht automatisch Netto-Gewinn. Ein Teil davon fließt in das Prüfen, Nachfragen und Nachjustieren der Ergebnisse.
Wie viel, hängt vom Gegenüber ab. Wer eine Analyse fachlich sicher einordnen kann, erkennt eine Fehldeutung in wenigen Minuten. Wer das nicht kann, merkt es oft gar nicht. Die eigentliche Beschleunigung entsteht also nicht durch das Werkzeug allein, sondern durch die Kombination aus Werkzeug und Urteilsvermögen.
Ein Beispiel: Die Materialkosten, die keine Preisfrage waren
Ein produzierendes Unternehmen, Monatsbericht. Der KI-Assistent meldet: Die Materialkosten liegen gut 8 Prozent über Plan, rund 100.000 Euro. Als Ursache nennt er gestiegene Rohstoffpreise und verweist auf die allgemeine Marktentwicklung. Klingt schlüssig, die Schlagzeilen der letzten Monate passen dazu.
Der Controller zerlegt die Abweichung in Preis- und Mengeneffekt. Das Bild dreht sich:
- Preiseffekt: Der durchschnittliche Einkaufspreis lag mit 11,60 Euro je Kilogramm sogar leicht unter dem Planwert von 12 Euro. Das spart gut 40.000 Euro.
- Mengeneffekt: Bei planmäßiger Produktionsmenge wurden 112.000 statt 100.000 Kilogramm Material verbraucht. Das kostet rund 144.000 Euro.
Die Ursache liegt nicht im Einkauf, oder allgemeiner Marktentwicklung sondern in der Fertigung: Nach der Umstellung einer Produktionslinie ist der Ausschuss deutlich gestiegen.
Hätte man die KI-Deutung übernommen, wäre der Einkauf losgezogen, um Preise nachzuverhandeln oder Lieferanten zu wechseln. Viel Aufwand an der falschen Stelle, während der Ausschuss weiterläuft. Die KI war schnell. Die richtige Deutung brauchte jemanden, der die Methode kennt und die richtige Frage stellt – und den Austausch von Menschen über Unternehmensbereiche hinweg.
Drei Fallstricke beim Einsatz von KI im Controlling
1. Überzeugend ist nicht gleich richtig. Sprachmodelle formulieren falsche Aussagen genauso flüssig und sicher wie richtige. Eine gut geschriebene Begründung ist kein Qualitätsmerkmal. Wer den Unterschied nicht erkennt, wird mit KI schneller, aber nicht besser. Eventuell trifft man sogar falsche Entscheidungen, obwohl man nur das Beste wollte.
2. Strukturänderungen werden als Geschäftsentwicklung gelesen. Werden Daten aus mehreren Systemen zusammengeführt, entstehen Abweichungen oft allein aus Stammdaten und Hierarchien: Kunden werden einer anderen Region zugeordnet, Kostenstellen umgehängt, Mappings geändert, konzerninterne Umsätze nicht eliminiert. Die KI erklärt das vielleicht als Marktentwicklung, oder kann überhaupt nicht mehr zuverlässig Daten auswerten. Tatsächlich hat sich im Geschäft nichts bewegt, nur in der Struktur.
3. Sondereffekte im Forecast und schleichendes Blindvertrauen. Statistische Forecasts schreiben fort, was in den Daten steht, auch Einmaleffekte wie ein Großprojekt, eine Preiserhöhung oder verschobene Feiertage. Die Annahmen dahinter sind oft nicht sichtbar. Dazu kommt ein organisatorisches Risiko: Liegt die KI zehnmal richtig, wird beim elften Mal kaum noch geprüft. Dagegen helfen nur feste Prüfpunkte im Prozess, nicht guter Wille.
Vom Erstellen zum Beurteilen: Was das für die Rollen bedeutet
KI-Agenten beschaffen Daten, rechnen Szenarien durch und verschicken Berichte, zunehmend ohne Einzelfreigabe. Die Wertschöpfung des Controllings verschiebt sich damit vom Produzieren der Zahlen zum Erklären und Bewerten. Die Verantwortung bleibt beim Menschen: Fehlsteuerung lässt sich nicht an einen Agenten delegieren. Wer die Planung unterschreibt und vor der Geschäftsführung vertritt, trägt die Konsequenzen.
- Controller werden vom Zahlenlieferanten zum Sparringspartner. Gefragt sind Methodenwissen, Analysefähigkeit und die Fähigkeit, eine Ursache so zu erklären, dass die Fachbereiche richtig reagieren.
- Die Controlling-Leitung entscheidet, welche Aufgaben Werkzeuge und Agenten übernehmen, welche Kompetenzen das Team in zwei Jahren braucht und wie sich Mitarbeitende entwickeln, deren Routinearbeit wegfällt.
- Entscheider in Vertrieb, Produktion und Einkauf müssen Zahlen selbst lesen können. Wer Preis- und Mengeneffekte nicht trennen kann, übersieht Fehldeutungen, auch wenn das Dashboard professionell aussieht. Eine gemeinsame betriebswirtschaftliche Sprache zwischen Controlling und Führung verhindert viele Missverständnisse.
Mehr KI braucht mehr Fachwissen
Das klingt paradox, ist aber folgerichtig: Je mehr die Maschine übernimmt, desto genauer muss man wissen, was sie tut. Wer einen automatisierten Forecast nutzt, muss die Planungslogik dahinter verstehen. Wer KI-Analysen beauftragt, muss ihre Grenzen kennen. Sonst wird aus einer Prognose schnell eine Glaskugel mit schöner Grafik.
Die Zeit, die KI im Controlling freisetzt, kann in noch mehr Output fließen. Besser angelegt ist sie in das, was Maschinen nicht ersetzen: Urteilsvermögen, Erklärungskompetenz und Führung.
Sie möchten KI in Ihre Planung und Ihr Reporting bringen, ohne dass die fachliche Prüfung auf der Strecke bleibt? Wir unterstützen Sie dabei, Daten, Modelle und Prozesse so aufzustellen, dass Ergebnisse nachvollziehbar bleiben. Lassen Sie uns den Status quo klären: kontakt@datenwert.gmbh
Wir machen aus Daten Entscheidungen – und aus Entscheidungen Wert.
Schreibe einen Kommentar