Der Monatsabschluss ist in vielen mittelständischen Unternehmen kein einzelner Prozess, sondern eine Kette aus Excel-Dateien, ERP-Exporten, Rückfragen und manuellen Plausibilitätsprüfungen. Genau hier setzt ein Praxisbeispiel KI im Controlling an: Nicht mit einem allgemeinen Chatbot, sondern mit einem kontrollierten Workflow, der Daten zusammenführt, Abweichungen sichtbar macht und den Controller bei der Einordnung unterstützt.
Das Ziel ist nicht, das Controlling zu automatisieren, bis niemand mehr Verantwortung übernimmt. Das Ziel ist, den Anteil wiederkehrender Such-, Prüf- und Aufbereitungsarbeit deutlich zu reduzieren. So bleibt mehr Zeit für das, was den Unterschied macht: Ursachen verstehen, Szenarien bewerten und Führungskräften eine belastbare Entscheidungsgrundlage geben.
Ausgangslage: Der Forecast hängt an manueller Vorarbeit
Betrachten wir ein typisches produzierendes mittelständisches Unternehmen mit mehreren Vertriebsregionen, komplexen Materialkosten und einem etablierten ERP-System. Zum Monatsende exportiert das Controlling Ist-Zahlen aus dem ERP, ergänzt Budget- und Forecast-Dateien, gleicht Kostenstellen ab und fordert bei stärkeren Abweichungen Erläuterungen aus Vertrieb, Einkauf und Produktion an.
Die Zahlen liegen grundsätzlich vor. Das Problem liegt in ihrer Verarbeitung. Unterschiedliche Datenstände, uneinheitliche Bezeichnungen und Erklärungen in E-Mails oder lokalen Dateien verlängern die Analyse. Bis ein Managementbericht fertig ist, haben sich einzelne Annahmen oft bereits verändert. Der Forecast ist dann formal korrekt, aber operativ nur noch eingeschränkt aktuell.
Eine KI-Lösung ist in diesem Fall nicht dazu da, Buchungen selbstständig zu bewerten oder den Jahresabschluss zu verantworten. Sie übernimmt klar abgegrenzte Aufgaben innerhalb eines kontrollierten Prozesses: Daten standardisieren, Auffälligkeiten priorisieren, interne Erläuterungen verdichten und erste Analyseentwürfe erstellen. Die fachliche Freigabe bleibt beim Controller.
Praxisbeispiel KI im Controlling: Abweichungen schneller erklären
Im dargestellten Szenario wird ein geschlossener KI-Workflow in die bestehende Reporting-Logik eingebunden. Er greift ausschließlich auf freigegebene Datenquellen zu: ERP-Exporte, Kostenstellenstrukturen, Planungsdateien, definierte Kennzahlen und dokumentierte Kommentare aus den Fachbereichen. Sensible Unternehmensdaten verlassen dabei nicht die kontrollierte Systemumgebung.
Nach dem Datenimport prüft der Workflow zunächst technische Grundlagen. Sind alle erwarteten Kostenstellen enthalten? Stimmen Währungen, Perioden und Versionen? Gibt es ungewöhnliche Ausreißer gegenüber Vormonat, Budget oder Forecast? Statt dass der Controller jede Abweichung manuell durchsucht, erstellt das System eine priorisierte Liste der Positionen mit dem größten Ergebnis- oder Liquiditätseffekt.
Ein Beispiel: Die Materialkosten einer Produktgruppe liegen 9 Prozent über Forecast. Die KI erkennt nicht nur die Abweichung, sondern setzt sie in Beziehung zu Einkaufsvolumen, Rohstoffpreisindizes, Lagerbeständen und hinterlegten Kommentaren des Einkaufs. Aus mehreren Quellen entsteht ein nachvollziehbarer Analyseentwurf: Ein Teil der Abweichung beruht auf einem verspäteten Wareneingang, ein weiterer auf einer Preisänderung bei zwei Lieferanten. Zusätzlich weist das System darauf hin, dass sich der Effekt im Folgemonat teilweise umkehren kann.
Der Wert liegt nicht in einer spektakulären Prognose. Der Wert liegt darin, dass der Controller nicht bei null beginnt. Er prüft die Quellen, bewertet die Plausibilität und ergänzt die operative Einschätzung. Aus einer Recherche von mehreren Stunden wird ein strukturierter Vorgang, der sich auf die entscheidenden Fragen konzentriert.
Vom Rohdatenbestand zum Managementkommentar
Besonders wirksam wird der Ansatz bei der Erstellung von Managementkommentaren. Viele Berichte enthalten dieselben Fragen: Was hat sich verändert? Warum ist es passiert? Ist der Effekt einmalig oder strukturell? Was bedeutet er für Ergebnis, Liquidität und Forecast?
Ein unternehmensspezifisches Sprachmodell kann dafür auf einen verbindlichen Datenkontext zugreifen. Es formuliert keinen freien Text auf Basis allgemeiner Wahrscheinlichkeiten, sondern verarbeitet die zuvor geprüften Kennzahlen und freigegebenen Erläuterungen. Der Controller erhält einen Entwurf, der sich an der Reporting-Struktur des Unternehmens orientiert und Quellenbezüge transparent hält.
So könnte aus mehreren Einzelinformationen ein Kommentar entstehen: Der Umsatz liegt unter Plan, weil sich ein Abruf eines Großkunden in die nächste Periode verschoben hat. Die Marge bleibt zugleich unter Druck, da ein temporärer Sondereffekt im Einkauf nicht vollständig kompensiert werden konnte. Der Forecast wird angepasst, sofern der bestätigte Liefertermin eingehalten wird. Diese Aussage ersetzt keine fachliche Prüfung. Sie verkürzt jedoch den Weg zu einer klaren, entscheidungsfähigen Darstellung.
Welche Voraussetzungen über den Erfolg entscheiden
KI im Controlling scheitert selten daran, dass ein Modell keine Texte formulieren kann. Häufiger scheitert der Einsatz an unklaren Datenständen, fehlenden Verantwortlichkeiten oder Erwartungen, die über den tatsächlichen Reifegrad der Prozesse hinausgehen. Vor der Implementierung sollten vier Punkte sauber geklärt sein:
- Es braucht verbindliche Datenquellen und eindeutige Definitionen für Kennzahlen, Perioden und Versionen.
- Die Zugriffsrechte müssen dem Rollenmodell des Unternehmens entsprechen. Nicht jede Information gehört in jeden Analysekontext.
- Für kritische Aussagen müssen Quellen, Rechenlogik und Freigaben nachvollziehbar bleiben.
- Der Prozess benötigt einen klaren Übergabepunkt: Die KI bereitet vor, der Controller bewertet und verantwortet.
Gerade im Mittelstand ist es nicht sinnvoll, zuerst eine umfassende Plattform aufzubauen und auf Wirkung zu hoffen. Besser ist ein abgegrenzter Anwendungsfall mit hohem manuellen Aufwand und messbarem Ergebnis. Monatsreporting, Forecast-Kommentierung oder Abweichungsanalysen eignen sich, weil Prozessdauer, Fehlerquote und Bearbeitungsaufwand vor und nach der Einführung vergleichbar sind.
Datenschutz und Governance sind Teil der Lösung
Controlling-Daten zählen zu den sensibelsten Informationen eines Unternehmens. Umsatzentwicklungen, Margen, Lieferantenkonditionen, Personalaufwand und Planungsannahmen dürfen nicht unkontrolliert in öffentliche KI-Dienste gelangen. Eine produktive Lösung benötigt daher eine geschlossene Architektur, klare Berechtigungen und dokumentierte Datenflüsse.
Das betrifft auch die Qualität der Ergebnisse. Ein KI-System darf keine scheinbar plausiblen Erklärungen erfinden, wenn ihm belastbare Informationen fehlen. Deshalb sollten Workflows so gestaltet sein, dass sie Quellen benennen, Unsicherheiten markieren und bei fehlendem Kontext gezielt Rückfragen auslösen. Eine Antwort ohne Beleg kann ein Impuls sein, aber keine Grundlage für einen Vorstandsbeschluss.
Solara AI entwickelt solche Systeme nicht als isolierte Oberfläche neben der bestehenden IT, sondern als kontrollierbare Erweiterung realer Unternehmensprozesse. Entscheidend ist dabei die Verbindung aus Unternehmensdaten, Fachlogik und technischer Integration. Ein allgemeines Sprachmodell kennt weder den Kontenplan noch die Kostenstellenhierarchie oder die Reportingregeln eines Unternehmens. Erst der sichere Kontext macht die Anwendung belastbar.
Der wirtschaftliche Nutzen: Geschwindigkeit mit besserer Steuerung verbinden
Der Nutzen eines KI-gestützten Controllings zeigt sich nicht allein in eingesparten Stunden. Natürlich kann sich der manuelle Aufwand für Datensichtung, Kommentierung und wiederkehrende Rückfragen deutlich reduzieren. Für die Unternehmenssteuerung ist aber ein zweiter Effekt oft relevanter: Entscheidungen werden auf Basis aktuellerer und besser erklärter Informationen getroffen.
Wenn Abweichungen früher erkannt werden, lassen sich Gegenmaßnahmen früher diskutieren. Wenn Forecast-Annahmen transparent dokumentiert sind, wird die Planung weniger abhängig von einzelnen Excel-Dateien oder implizitem Wissen. Und wenn das Management nicht nur Zahlen, sondern nachvollziehbare Ursachen und Bandbreiten erhält, verbessert sich die Qualität der Steuerung.
Die Wirkung hängt allerdings vom Anwendungsfall ab. Bei stark standardisierten Reportings sind Effizienzgewinne schnell erreichbar. Bei heterogenen Datenlandschaften oder vielen manuellen Sonderfällen muss zunächst die Datengrundlage stabilisiert werden. Auch dann kann KI sinnvoll sein, aber der erste Schritt ist möglicherweise die Strukturierung von Wissen und Prozessen, nicht die Vollautomatisierung.
Mit einem kontrollierten Pilot beginnen
Ein sinnvoller Einstieg startet mit einem Reportingprozess, der regelmäßig stattfindet und spürbar Ressourcen bindet. Zunächst werden Datenquellen, Rollen, Qualitätskriterien und Freigabeschritte festgelegt. Danach wird der Workflow an historischen Perioden getestet: Erkennt er bekannte Abweichungen? Sind seine Analyseentwürfe fachlich verwendbar? Wo fehlen Daten oder eindeutige Regeln?
Erst wenn diese Fragen belastbar beantwortet sind, gehört der Workflow in den Regelbetrieb. Das schafft Akzeptanz im Controlling und verhindert, dass ein technisch überzeugender Prototyp an der operativen Realität scheitert.
Der entscheidende Schritt ist nicht, möglichst viel KI einzuführen. Er besteht darin, den Moment zu identifizieren, an dem ein Controller heute Zeit mit Suchen, Zusammenführen und wiederholtem Formulieren verliert. Dort kann ein sicherer KI-Workflow aus Datenarbeit wieder Steuerungsarbeit machen.