Warum Controlling und KI zwei verschiedene Gespräche führen

Wenn im Controlling über KI gesprochen wird, laufen zwei Gespräche parallel. Das eine Gespräch ist technisch: Welche Tools, welche Modelle, welche APIs. Das andere Gespräch ist betrieblich: Welche Aufgaben werden dadurch schneller, zuverlässiger, günstiger?

Die meisten Implementierungen scheitern, weil nur das technische Gespräch geführt wurde. Dieser Artikel führt das betriebliche Gespräch.

Die vier Aufgabenfelder, in denen KI-Agenten heute produktiv sind

1. Datenkonsolidierung und Monatsabschluss

Der Monatsabschluss beginnt für die meisten Controlling-Teams mit demselben Problem: Daten aus ERP, Banksystem, eventuell CRM und mehreren Excel-Dateien müssen zusammengeführt werden. Unterschiedliche Formate, unterschiedliche Spaltenbezeichnungen, unterschiedliche Buchungslogiken.

40–60 Stunden im Monat für ein Team von drei Controllern ist nach unserer Erfahrung aus Kundenprojekten kein Ausnahmefall — ein allgemeingültiger Branchen-Benchmark existiert für diesen Wert nicht. Die konkrete Zahl hängt stark vom ERP-Setup, der Konzernstruktur und der Reife der Reporting-Prozesse ab.

Was ein KI-Agent hier übernehmen kann: automatisiertes Einlesen der Quelldaten, Normalisierung nach definierter Mapping-Logik, Plausibilitätsprüfungen, Flaggen von Ausreißern und Datenqualitäts-Problemen. Was er nicht übernehmen kann: fachliche Buchungsurteile und Entscheidungen bei echten Ausnahmen.

Ergebnis in der Praxis: Der manuelle Aufwand für die Konsolidierung reduziert sich erheblich. Die Controller verbringen ihre Zeit mit Analyse statt mit Datenpflege.

2. Abweichungsanalyse

Abweichungen von Plan und Vorjahr zu identifizieren ist algorithmisch einfach. Den richtigen Kommentar dazu zu formulieren — weniger.

Ein KI-Agent kann die quantitative Analyse vollständig übernehmen: Abweichung berechnen, nach Größe sortieren, nach Kostenstelle und Kategorie gruppieren, Schwellwert-Ausreißer markieren. Die qualitative Einordnung — warum diese Abweichung, was bedeutet das für Q3 — bleibt beim Controller.

Das Ergebnis: Der Abweichungskommentar, den der Controller schreibt, ist von Anfang an fundiert, weil die Datenbasis vollständig aufbereitet ist. Die Zeit für das Durchsuchen der Rohdaten entfällt.

3. Forecasting-Unterstützung

Forecasting ist eine der KI-anfälligsten Aufgaben im Controlling — und eine der am häufigsten überverkauften. Was KI heute zuverlässig kann: statistische Fortschreibung auf Basis historischer Daten, Szenarienrechnung nach vordefinierten Parametern, Erkennung saisonaler Muster.

Was KI heute nicht zuverlässig kann: diskretionäre Urteile einschließen. Der Controller, der weiß, dass ein Großkunde nächsten Monat einen ungewöhnlichen Auftrag geben wird, hat Information, die kein Modell aus historischen Daten ableiten kann. Forecasting-KI, die das ignoriert, produziert konsistente, aber falsche Prognosen.

Die sinnvolle Rollenverteilung: KI liefert das statistische Modell als Ausgangspunkt, der Controller passt es auf Basis von qualitativen Informationen an. Das ist kein halber Weg — es ist die korrekte Arbeitsteilung.

4. Bankreporting und Covenant-Monitoring

Für kapitalmarktnahe Mittelständler ist Bankreporting eine wiederkehrende, hochstrukturierte Aufgabe. Daten aus ERP und Banksystem zusammenführen, Financial Covenants berechnen, nach Reporting-Template formatieren, Abweichungen kommentieren.

Das ist genau die Art von Aufgabe, für die agentische Applikationen gemacht sind: klar definierte Logik, mehrere Datenquellen, wiederkehrend, mit dokumentationspflichtigem Ergebnis. Ein Agent, der das übernimmt, liefert einen vollständigen Report mit Audit Trail für jeden Berechnungsschritt — was die Bank verlangt, und was AI-Act-Konformität erfordert.

Zwei überverkaufte Anwendungsfälle

Vollautomatisches Forecasting. KI-Forecasting ohne Controller-Input produziert im Mittelstand oft Prognosen, die statistisch korrekt, aber betrieblich irrelevant sind. Mittelständische Unternehmen haben zu viele diskretionäre Faktoren (Einzelkunden mit großem Gewicht, neue Produkte ohne Historik, externe Schocks ohne Vorlauf), als dass ein rein datengetriebenes Modell ausreicht. KI als Assistenz: ja. KI als Ersatz des Controller-Urteils: nein.

Intelligente Anomalie-Erkennung ohne Kontext. Systeme, die jede statistische Abweichung als Alert melden, produzieren in der ersten Woche 200 Alerts — wovon 180 buchhalterische Normalvorgänge sind. Das ist kein Fortschritt, das ist Rauschen. Brauchbare Anomalie-Erkennung braucht unternehmensspezifische Schwellwerte und Kategorisierungslogik, die ein Mensch definiert hat. Ohne diese Kalibrierung ist der Mehrwert gering.

Was die Einführung wirklich bedeutet

Drei Dinge, die unterschätzt werden:

Datenhygiene ist Voraussetzung, nicht Nebenprodukt. Ein KI-Agent, der auf schlecht strukturierte ERP-Daten trifft, produziert schlechte Ergebnisse — schnell. Bevor ein Agent eingeführt wird, muss die Datenqualität ehrlich bewertet werden. In vielen Mittelstands-Unternehmen ist das der aufwendigste Teil des Projekts.

Prozessdokumentation ist Pflicht. Um einen Prozess zu automatisieren, muss er vollständig beschrieben sein. „Das macht der Klaus“ ist keine Prozessdokumentation. In vielen Controlling-Abteilungen ist das implizite Wissen des Teams der größte Hebel — und die größte Hürde für Automatisierung.

Change Management ist keine Option. Ein Monatsabschluss, der bisher sieben Schritte mit drei Personen hatte, sieht nach KI-Einführung anders aus. Wer das dem Team nicht erklärt, und wer die veränderten Rollen nicht aktiv begleitet, hat nach sechs Monaten ein System, das läuft, aber keiner nutzt.

Der Business Case in Zahlen

Für Mittelständler mit klassischem Controlling-Setup (ERP, Excel, monatliche Berichte):

  • Datenkonsolidierung: 40–70 % Aufwandsreduktion für die manuelle Datenzusammenführung, je nach Ausgangslage
  • Abweichungsanalyse: Die quantitative Analyse läuft automatisch — der Controller fokussiert auf Interpretation
  • Bankreporting: Von 2–3 Tagen auf 2–4 Stunden, bei höherer Konsistenz und vollständigem Audit Trail

Die Entwicklungskosten für einen produktionsreifen Controlling-Agenten amortisieren sich typischerweise in 8–14 Monaten. Voraussetzung: saubere Daten, dokumentierte Prozesse, konsequentes Change Management.

Wie AthenaRun das angeht

Wir starten nicht mit der Technologie-Frage, sondern mit der Prozess-Frage: Welche Controlling-Aufgaben laufen heute manuell, wiederkehrend, und mit klar beschreibbarer Logik? Das ist die Kandidatenliste für Automatisierung.

Für jeden Kandidaten bauen wir zunächst eine Stufe-3-Lösung: Der Prozess läuft automatisch, die Freigabe liegt beim Controller. Erst wenn sich das bewährt hat, erhöhen wir die Autonomie. Kein Sprung direkt zu Stufe 4 ohne Erfahrungsbasis.

Audit Trail ist Standard. Jeder Berechnungsschritt ist dokumentiert, exportierbar, und für die Bank vorlegbar. Das ist keine Compliance-Entscheidung — es ist die Grundlage dafür, dass das System im Betrieb vertrauenswürdig ist.

Wenn Sie wissen wollen, welche Prozesse in Ihrem Controlling heute Kandidaten sind: Erstgespräch buchen, 30 Minuten, kostenfrei.

Stand: 2026-05-26 · AthenaRun GmbH, Frankfurt am Main