KI im Controlling – Forecasts und Varianzanalysen

Lernziele

Sie können KI-gestützte Methoden für einfache Forecast-Erstellungen (lineare Regression, gleitender Durchschnitt, PROGNOSE.ETS) beschreiben und die Excel-Funktion PROGNOSE.ETS mit KI-Unterstützung konfigurieren.

Sie können eine strukturierte Varianzanalyse (Plan-Ist-Vergleich) mit dem Code Interpreter durchführen: Abweichungen berechnen, rangieren und als Wasserfalldiagramm visualisieren.

Sie können mit ChatGPT einen KI-generierten Kommentarentwurf für ein Management-Reporting auf Basis eines Datensatzes und kontextueller Informationen erstellen und finalisieren.

Sie können die Grenzen KI-basierter Forecasts (kein Antizipieren von Strukturbrüchen, Qualität abhängig von Datenbasis) benennen und für geschäftskritische Prognosen angemessene Qualifizierungsschritte einleiten.

Sie können den Unterschied zwischen KI-unterstützten Controlling-Analysen in Excel und spezialisierten FP&A-Tools in eigenen Worten erklären.

Sie können das MECE-Prinzip auf KI-generierte Varianzkommentare anwenden und Kommentarentwürfe entsprechend überarbeiten.

Sie können die PROGNOSE.ETS.KONFINT-Funktion nutzen, um Prognose-Unsicherheiten im Management-Report zu kommunizieren.

Auf einen Blick

Worum geht es? — Der didaktische Einstieg

Controlling-Aufgaben gehören zu den zeitintensivsten Regeltätigkeiten in nahezu jeder Organisation — unabhängig von Branche oder Unternehmensgröße. Monat für Monat dasselbe Muster: Datenexport aus dem ERP-System, manuelle Konsolidierung in Excel, Pivot-Aufbereitung, Abweichungs-Berechnung, Kommentar schreiben, in PowerPoint oder ein Dashboard-Tool einbauen, intern reviewen, versenden. Jeder dieser Schritte ist für sich genommen sinnvoll und notwendig — aber zusammen binden sie erhebliche Zeit, die für die eigentliche intellektuelle Arbeit des Controllings fehlt: die Interpretation der Zahlen, die Ableitung von Konsequenzen und die Beratung der Führungsebene.

KI-Tools können exakt den repetitiven, regelbasierten Teil dieser Arbeit übernehmen: Abweichungen berechnen, rangieren, visualisieren, erste Kommentarentwürfe formulieren. Was bleibt, ist das, was Controller wirklich können und was KI strukturell nicht leisten kann: Strukturbrüche erkennen, Kontextwissen einbringen (der Umsatzeinbruch war erwartbar, weil ein Großkunde abgesprungen ist — das steht nicht im Datensatz), und Geschäftsentscheidungen verantworten.

Stellen Sie sich den typischen monatlichen Controlling-Rhythmus vor: Am Ende jedes Monats liegen Plan-Ist-Daten vor. Der Controller verbringt früher 90 Minuten mit der manuellen Abweichungsanalyse in Excel, weitere 45 Minuten mit dem Schreiben des Management-Kommentars. Mit KI-Unterstützung: 20 Minuten für den Code-Interpreter-Workflow inklusive Wasserfalldiagramm, 15 Minuten für die menschliche Kommentar-Finalisierung. Die verbleibenden 100 Minuten stehen für das, was wirklich zählt — die Frage: Was bedeuten diese Abweichungen für Ihrem nächste strategische Entscheidung?

Diese UE zeigt den realistischen Einsatz von KI im Controlling — nicht als Ersatz für Controller-Kompetenz, sondern als Werkzeug, das mehr Zeit für die wertschöpfenden Tätigkeiten schafft. Und es zeigt auch ehrlich, wo die Grenzen liegen: was KI nicht wissen kann und warum das menschliche Urteil immer am Ende steht.

Lerntext — Theorie und Konzepte

KI im Controlling — vier Einsatzfelder

Controlling-Aufgaben lassen sich in vier Kategorien unterteilen, für die KI unterschiedlichen Mehrwert bietet:

1. Prognosemodelle: Kurzfristige Umsatz-, Cashflow- oder Ressourcenprognosen auf Basis historischer Zeitreihendaten. KI kann Excel-Formeln (PROGNOSE.ETS), Python-Code für lineare Regression oder Exponentialglättung generieren und auf konkrete Datensätze konfigurieren. Der Mehrwert liegt nicht darin, dass KI bessere Prognosen liefert als ein erfahrener Controller — sondern darin, dass sie die technische Konfiguration übernimmt, die bisher Excel-Formelkenntnisse erforderte.

2. Abweichungsanalysen (Varianzen): Identifikation und Quantifizierung von Plan-Ist-Abweichungen. KI kann Abweichungen automatisch berechnen, nach Größe rangieren, nach Treibern gruppieren und als Wasserfalldiagramm visualisieren. Ein Wasserfalldiagramm zeigt die kumulativen Treiber einer Gesamtabweichung — deutlich informativer als eine Tabelle mit 50 Projektzeilen.

3. Automatisierte Kommentierung: Auf Basis eines Datensatzes und kontextueller Informationen formuliert KI Kommentarentwürfe für Management-Reports. Der Controller prüft und finalisiert — statt von null zu schreiben. Der Zeitgewinn beim Schreiben des ersten Entwurfs ist erheblich; die inhaltliche Verantwortung verbleibt beim Controller.

4. Rolling-Forecast-Unterstützung: KI kann dabei helfen, die monatlich zu überprüfenden Prognose-Annahmen zu strukturieren, kritische Kennzahlen-Schwellen zu definieren und Szenario-Analysen (Base/Best/Worst Case) schnell zu berechnen und zu visualisieren.

Merksatz

KI übernimmt im Controlling den regelbasierten Teil: Berechnen, Rangieren, Visualisieren, Erstverschriftlichen. Die zuständige Person übernimmt das, was KI nicht kann: Kontextwissen einbringen, Strukturbrüche erkennen, Ergebnisse vor der Führungsebene verantworten. Diese Aufgabenteilung ist die Grundlage eines effizienten KI-Controlling-Workflows.

Forecasting mit KI — was ist realistisch?

KI-basierte Forecasts in Excel sind keine Machine-Learning-Modelle im Data-Science-Sinne. Sie nutzen klassische statistische Verfahren: gleitende Durchschnitte, lineare Regression, Holt-Winters-Exponentialglättung, die Excel in der Funktion PROGNOSE.ETS implementiert hat. KI (Copilot oder ChatGPT) kann diese Funktion konfigurieren, erklären und auf die eigenen Daten anpassen — ohne dass die nutzende Person die Formel-Syntax auswendig kennen muss.

Prompt-Beispiel für PROGNOSE.ETS-Konfiguration in Excel:

„Ich habe in Excel monatliche Umsatzdaten für 24 Monate in Spalte B (Jan 2024 bis Dez 2025). In Spalte A stehen die Monatsdaten als Datumswerte im Format DD.MM.JJJJ. Ich möchte eine Prognose für die nächsten 6 Monate erstellen. Erstelle eine PROGNOSE.ETS-Formel, die die saisonale Komponente berücksichtigt (Saisonalität = 12). Erkläre jeden Parameter der Formel. Erstelle außerdem die PROGNOSE.ETS.KONFINT-Formel für ein 80 %-Konfidenzintervall.”

Forecast-Methoden im Detail:

Gleitender Durchschnitt (Moving Average): Der einfachste Ansatz — der Forecast für den nächsten Monat ist der Durchschnitt der letzten n Monate. Stärken: einfach zu erklären und zu kommunizieren, stabil gegenüber Ausreißern bei n > 3. Schwächen: reagiert langsam auf Trendwechsel (der Effekt einer Trendwende im August zeigt sich erst in den folgenden Monaten vollständig), ignoriert Saisonalität vollständig. Geeignet für: stabile Zeitreihen ohne ausgeprägte Saisonalität, interne Planungszwecke.

Exponentielle Glättung (Simple Exponential Smoothing): Ähnlich dem gleitenden Durchschnitt, aber neuere Werte werden stärker gewichtet als ältere — über einen Glättungsparameter alpha (0 < alpha < 1). Hoher alpha-Wert: stärke Reaktion auf aktuelle Werte (schnellere Anpassung, höhere Volatilität). Niedriger alpha-Wert: langsamere Anpassung, glattere Kurve. Geeignet für: Datensätze ohne ausgeprägte Saisonalität mit moderatem Trend.

Holt-Winters-Methode (Dreifache Exponentielle Glättung): Erweiterte Exponentialglättung, die sowohl Trend als auch Saisonalität modelliert — über drei Parameter (Niveau, Trend, Saisonalität). Excel implementiert diese Methode in der Funktion PROGNOSE.ETS mit dem Parameter Saisonalität. Für monatliche Daten mit Jahressaisonalität: Saisonalität = 12. Prompt für KI: „Erkläre, warum PROGNOSE.ETS für meinen monatlichen Umsatz-Datensatz geeignet oder ungeeignet ist. Der Datensatz zeigt eine steigende Gesamttendenz und regelmäßige Einbrüche im August und Dezember.”

Lineare Regression für Trend-Forecasts: Wenn der Trend über Zeit annähernd linear ist, kann eine lineare Regression den zukünftigen Wert als Extrapolation der bisherigen Trendlinie schätzen. In Excel: PROGNOSE.LINEAR oder über Code Interpreter. Prompt: „Führe eine lineare Regression auf meinen Monatsumsatzdaten durch und extrapoliere den Trend für die nächsten 6 Monate. Zeige den Forecast als Liniendiagramm mit 80 %-Konfidenzband. Erkläre die R²-Güte des Modells.”

Grenzen KI-basierter Forecasts — die entscheidende Einschränkung:

Alle statistischen Prognose-Methoden — und damit alle KI-generierten Forecasts, die auf diesen Methoden basieren — extrapolieren Muster aus Vergangenheitsdaten. Sie antizipieren keine Diskontinuitäten: - Strukturbrüche: Ein Großkunde kündigt; ein neuer Wettbewerber tritt in den Markt ein; eine Regulierung ändert die Branchenstruktur. - Qualitative Informationen: Eine geplante Preiserhöhung, ein neues Produkt, eine veränderte Vertriebsstrategie — all das ist nicht im historischen Datensatz und damit für das Modell unsichtbar. - Externe Schocks: Pandemie, Energiepreisschock, geopolitische Ereignisse.

KI-Forecasts sind daher immer durch menschliches Expertenurteil zu qualifizieren. Sie sind der quantitative Ausgangspunkt für die Diskussion, kein fertiges Ergebnis. Ein bewährtes Format: Forecast-Punkt mit Konfidenzintervall kommunizieren, und explizit ein Assumptions-Dokument führen, das die Prämissen des Forecasts beschreibt.

Merksatz

Ein Forecast ohne Konfidenzintervall ist irreführend präzise. Kommunizieren Sie Prognosen immer mit Unsicherheitsangabe: „450.000 € ± 80.000 € bei 80 % Konfidenz” — nicht als einzelne Zahl ohne Bandbreite. Die Funktion PROGNOSE.ETS.KONFINT liefert dieses Intervall direkt in Excel.

Abb. 56.1 — Zwei Controlling-Visualisierungen: Forecast-Chart mit Prognoseband und Wasserfalldiagramm für Varianzanalyse

Varianzanalyse mit Code Interpreter — der vollständige Workflow

Der Workflow für eine KI-gestützte Varianzanalyse folgt einem klaren Muster, das nach dem ersten Einsatz zur Routine wird:

Schritt 1 — Datenvorbereitung: - Plan-Ist-Vergleichsdaten als CSV exportieren (Einheiten: Projekt / Kostenstelle / Segment, Plan-Umsatz, Ist-Umsatz, Plan-Stunden, Ist-Stunden, Plan-Marge, Ist-Marge). - Datenschutz-Prüfung nach UE 55: Enthält der Datensatz Personennamen oder direkte Kundennamen? Falls ja: Anonymisierung vor Upload oder Verwendung von Copilot in Excel (bleibt im M365-Tenant). - Prüfen: Sind fehlende Werte vorhanden? Falls ja: vor dem Upload entscheiden, wie sie behandelt werden sollen (Null, Durchschnitt, ausschließen).

Schritt 2 — Upload und explorative Übersicht: > „Gib mir zunächst eine strukturierte Übersicht über diesen Datensatz: Wie viele Zeilen und Spalten? Welche Spalten enthalten fehlende Werte? Zeige die Gesamtabweichung (Ist-Plan) für alle Projekte summiert in Euro und in Prozent.”

Schritt 3 — Varianzanalyse-Prompt: > „Identifiziere die fünf Projekte/Kostenstellen mit der größten absoluten Marge-Abweichung (Ist minus Plan) in Euro. Berechne für jedes: absolute Differenz in Euro und prozentuale Abweichung relativ zum Plan-Wert. Erstelle eine sortierte Tabelle (absteigend nach absoluter Abweichung). Erstelle außerdem ein Wasserfalldiagramm, das zeigt, wie die Gesamt-Marge-Abweichung durch die einzelnen Treiber zustande kommt.”

Schritt 4 — Kommentierung anfordern: > „Auf Basis dieser Varianzanalyse: Formuliere einen Management-Kommentar für die drei wichtigsten Abweichungstreiber. Format: Sachverhalt (Abweichung in € und %), Ursachenhypothese (2–3 mögliche Gründe), empfohlene Maßnahme (konkret und lösungsorientiert). Max. 80 Wörter pro Treiber. Sachlich, keine Schuldzuweisungen.”

Schritt 5 — Validierungsstichprobe: Fünf zufällige Datenpunkte manuell nachrechnen (vgl. UE 59). Bei einer Varianzanalyse mit 50 Projekten dauert die Stichprobenprüfung von 5 Projekten ca. 5 Minuten — ein kleiner Preis für die Sicherheit, dass die Logik korrekt ist.

Varianzanalyse — Methodik und Kommentierungsstandards

Eine Varianzanalyse ist nicht nur eine Zahlenübung — sie erfordert einen definierten Kommentierungsstandard, damit die Analyse im Management-Reporting konsistent und nachvollziehbar ist.

Das MECE-Prinzip für Varianzkommentare: MECE (Mutually Exclusive, Collectively Exhaustive — gegenseitig ausschließend, gemeinsam vollständig) ist ein Denk-Framework aus der Strategieberatung, das auch für Controlling-Kommentare wertvoll ist. MECE bedeutet: Die genannten Ursachen dürfen sich nicht überlappen (wenn „Stunden-Überschreitung” und „Ineffizienz bei der Projektdurchführung” beide als Ursachen genannt werden, überlappen sie sich), und sie müssen gemeinsam die gesamte Abweichung erklären. Wenn eine Abweichung von −100.000 € erklärt werden soll, müssen die genannten Teilursachen exakt −100.000 € summieren.

KI als MECE-Hypothesen-Generator: Die KI kann auf Basis von Abweichungsmustern eine MECE-strukturierte Hypothesenliste erstellen. Prompt: „Erstelle für die drei größten Abweichungen je eine MECE-Liste von drei bis fünf möglichen Ursachen, die gemeinsam die vollständige Abweichung erklären könnten. Die Ursachen müssen sich gegenseitig ausschließen (keine Überlappungen). Formuliere jeden Hypothesentext in max. 20 Wörtern, sachlich und ohne Schuldzuweisung. Prüfe, ob die genannten Ursachen die gesamte Abweichung rechnerisch abdecken.”

Der dreistufige Kommentierungsrahmen: Für Management-Reports empfiehlt sich eine konsistente Kommentierungsstruktur: (1) Sachverhalt — was ist der Unterschied zwischen Plan und Ist in absoluten und relativen Zahlen? (2) Ursache — welche Faktoren erklären die Abweichung? (3) Maßnahme — was wird getan, um die Abweichung zu korrigieren oder zu akzeptieren? KI generiert Entwürfe für alle drei Stufen — die zuständige Person finalisiert und verantwortet den Kommentar. Eine sinnvolle Arbeitsteilung: KI übernimmt (1) vollständig (aus den Daten) und schreibt einen Entwurf für (2) (aus Mustern) — (3) wird immer menschlich formuliert, weil sie Handlungswillen und Kontext erfordert.

Rolling Forecast und KI-gestützte Planungsprozesse

Ein Rolling Forecast aktualisiert die Prognose jeden Monat auf Basis der neuesten Ist-Daten, anstatt am Jahresbudget festzuhalten. Dieser Ansatz ist in der modernen Unternehmenssteuerung weit verbreitet, weil er realitätsnähere Planungsgrundlagen bietet — aber er ist aufwändig in der Pflege, weil monatlich Prämissen überprüft und Annahmen aktualisiert werden müssen.

KI unterstützt den Rolling-Forecast-Prozess in mehreren Schritten:

Annahmen-Review-Automatisierung: Jeden Monat müssen die Forecast-Prämissen geprüft werden — z. B. „angenommene Wachstumsrate 5 % p. a.”, „angenommene Ressourcenauslastung 85 %“, „geplante Neukundengewinnung 3 pro Quartal”. KI kann auf Basis der neuesten Ist-Daten automatisch prüfen, welche Prämissen noch valide sind. Prompt: „Meine Forecast-Prämissen für das restliche Jahr sind: [Annahmen aufzählen]. Die aktuellen Ist-Daten für den abgelaufenen Monat zeigen: [aktuelle Kennzahlen]. Welche der Prämissen müssen auf Basis der Ist-Entwicklung überprüft oder angepasst werden? Begründe kurz für jede Prämisse.”

Szenario-Analyse: KI kann schnell drei Szenarien (Base Case, Best Case, Worst Case) für den Rolling Forecast berechnen und visualisieren, wenn die Annahmen-Parameter definiert sind. Prompt: „Berechne einen 6-Monats-Forecast in drei Szenarien. Base Case: aktueller Trend fortgeführt (letzten 6 Monate als Basis). Best Case: Umsatzwachstum +15 % gegenüber Base. Worst Case: −10 % gegenüber Base. Visualisiere alle drei Szenarien als Liniendiagramm mit farblicher Unterscheidung. Zeige den Ist-Verlauf als schwarze Linie.”

Konfidenzintervalle kommunizieren: Ein Forecast von „450.000 €” ist weniger informativ als „450.000 € ± 80.000 € bei 80 % Konfidenz”. Das Intervall kommuniziert die inhärente Unsicherheit und verhindert, dass strategische Entscheidungen auf Basis einer Scheinsicherheit getroffen werden. Die PROGNOSE.ETS.KONFINT-Funktion in Excel liefert dieses Intervall direkt: =PROGNOSE.ETS.KONFINT(Zieldatum; Werte; Zeitachse; Konfidenzniveau; Saisonalität).

Excel PROGNOSE.ETS — der eingebaute Zeitreihen-Forecast

Für Teams, die keinen Zugang zu Code Interpreter haben oder eine einfachere Lösung bevorzugen, bietet Excel mit der Funktion PROGNOSE.ETS eine eingebaute Zeitreihen-Prognose, die auf dem Holt-Winters-Verfahren basiert:

Syntax: =PROGNOSE.ETS(Zieldatum; Werte; Zeitachse; [Saisonalität]; [Datenauffüllung]; [Aggregation])

KI kann diese Funktion für konkrete Datensituationen konfigurieren. Prompt: „Ich habe monatliche Umsatzdaten von Januar 2023 bis September 2025 in einer Excel-Tabelle. Die Zeitachsen-Spalte enthält das erste Datum jedes Monats. Wie konfiguriere ich PROGNOSE.ETS für einen 6-Monats-Forecast bis März 2026 mit Saisonalitätserkennung? Schreibe die vollständige Formel, erkläre jeden Parameter und füge die zugehörige PROGNOSE.ETS.KONFINT-Formel für 80 % Konfidenz hinzu.”

Eine ergänzende Funktion ist PROGNOSE.ETS.STAT, die Gütekriterien des Zeitreihenmodells zurückgibt — nützlich für die Beurteilung, wie gut das Modell zu den historischen Daten passt (MASE, SMAPE, MAE, RMSE).

KI-Kommentierung — Qualität und Grenzen

KI-generierte Management-Kommentare sind in ihrer Struktur oft sehr gut: sachlich, klar, auf das Wesentliche fokussiert, ohne die emotionalen Schattierungen, die menschlich geschriebene Kommentare manchmal haben. Typische Schwächen:

Fehlender spezifischer Kontext: Die Ursachen, die KI vorschlägt, sind generisch (Mehraufwand, Verzögerungen, neue Anforderungen). Der spezifische Grund — z. B. „der Systemwechsel beim Kunden hat drei Wochen länger gedauert als geplant” — ist nicht im Datensatz und muss manuell ergänzt werden.

Zu optimistische Formulierungen: KI neigt dazu, konstruktive Formulierungen zu bevorzugen und kritische Befunde zu mildern. Wenn die Abweichung gravierend ist, muss der Kommentar entsprechend klar formuliert sein.

Keine Handlungsverantwortung: KI empfiehlt abstrakt, handelt aber nicht. Die Formulierung „Es wird empfohlen” muss durch „[Person/Bereich] wird bis [Datum]…” ersetzt werden.

Empfohlener Workflow: KI-Entwurf als Ausgangspunkt, mit eigenem Kontextwissen ergänzen, auf Stil und Zielgruppe anpassen, Verantwortlichkeiten und Termine ergänzen. Eine Person, die bisher 45 Minuten für das Schreiben eines Kommentars benötigte, kann mit diesem Workflow in 15 Minuten ein besseres Ergebnis produzieren.

Vertiefung — Integrations-Szenarien: KI und bestehende Controlling-Tools

In der Praxis arbeiten Controlling-Teams bereits mit spezialisierten Tools — wie verhält sich KI-Unterstützung zu diesen bestehenden Lösungen?

Excel + KI (Einstiegslevel): Copilot in Excel oder ChatGPT ergänzen die bestehende Excel-Arbeit, ohne das Tool zu ersetzen. Die KI übernimmt repetitive Aufgaben (Bereinigung, Kommentierung, Formelkonfiguration), während Excel für die finale Darstellung, die Ablage und die Verteilung genutzt wird. Keine Zusatzinvestitionen außer der KI-Lizenz erforderlich. Dieser Ansatz ist für die meisten Teams der sinnvolle Einstieg.

Power BI + Copilot (Mittelstufe): Für Unternehmen, die Power BI bereits nutzen, ist Copilot in Power BI die natürliche Erweiterung (Details in UE 57). DAX-Formeln und Report-Generierung werden beschleunigt. Der Vorteil gegenüber Excel: Reports aktualisieren sich automatisch, wenn neue Daten in der Datenbank verfügbar sind — kein manueller Export-Import-Zyklus.

Spezialisierte FP&A-Software (Fortgeschritten): Tools wie Jedox (Deutschland), Planful, Anaplan oder SAC (SAP Analytics Cloud) bieten eigene KI-Integrationen oder können über APIs mit LLMs verbunden werden. Diese Tools sind auf komplexe, mandantenfähige Planungsprozesse ausgerichtet und eignen sich für Unternehmen mit dediziertem Controlling-Team und Planungsprozessen, die über Excel-Kapazitäten hinausgehen. Als Ausblick für wachsende Unternehmen relevant — als unmittelbarer nächster Schritt meist nicht das Richtige.

Die Kernbotschaft für die Praxis: KI ergänzt bestehende Controlling-Prozesse und macht sie effizienter — sie ersetzt sie nicht. Die Entscheidungsverantwortung, das fachliche Urteil und die inhaltliche Verantwortung für Controlling-Aussagen verbleiben immer bei den Fachleuten.

Controlling-spezifische Prompt-Bibliothek

Für den Controlling-Kontext empfiehlt sich eine Prompt-Bibliothek mit standardisierten Bausteinen, die für jeden regelmäßigen Einsatz direkt verfügbar sind:

Prompt-Bibliothek — Controlling

Monatsbericht-Starter: „Ich habe Plan-Ist-Daten für [Zeitraum]. Zeige mir zunächst: Gesamtabweichung in € und %. Dann: Top-3-Positionen nach absoluter Abweichung. Dann: Gibt es Segmente oder Kategorien mit systematischen Mustern (alle positiv oder alle negativ)? Erstelle eine strukturierte Übersichtstabelle.”

Varianzanalyse mit Wasserfalldiagramm: „Identifiziere die fünf Positionen mit den größten absoluten Abweichungen. Berechne für jede: absolute Differenz in € und prozentuale Abweichung. Erstelle ein Wasserfalldiagramm mit den kumulativen Treibern der Gesamtabweichung (von Plan zu Ist, mit positiven und negativen Balken je Treiber).”

MECE-Kommentierungsvorlage: „Für die Abweichung von [€-Betrag] / [%] im Bereich [X]: Erstelle einen Management-Kommentar in drei Stufen. 1. Sachverhalt (ein Satz, Zahlen). 2. Mögliche Ursachen (MECE: 2–3 Punkte, die sich nicht überlappen). 3. Empfohlene Maßnahme (konkret, mit Verantwortungsträger und Zeitrahmen wenn möglich). Gesamtlänge: max. 80 Wörter. Sachlich, lösungsorientiert.”

PROGNOSE.ETS Konfiguration: „Meine Daten: Monatsumsatz von [Startmonat] bis [Endmonat] in Spalte [X], Datumswerte in Spalte [Y]. Erstelle die PROGNOSE.ETS-Formel für die nächsten 6 Monate. Erkläre: Saisonalitäts-Parameter, Datenauffüllungs-Parameter, Aggregations-Parameter. Füge außerdem die PROGNOSE.ETS.KONFINT-Formel für 80 % Konfidenz hinzu.”

Forecast-Review (MAPE): „Vergleiche meinen letzten Forecast [Daten einfügen oder hochladen] mit den tatsächlichen Ist-Daten [Daten]. Berechne den Mean Absolute Percentage Error (MAPE). Zeige: War der Forecast systematisch zu optimistisch oder zu pessimistisch? In welchen Monaten war die Abweichung am größten?”

Szenario-Analyse: „Berechne einen 6-Monats-Forecast in drei Szenarien: Base Case (aktueller Trend der letzten 6 Monate fortgeführt), Best Case (+15 % vs. Base), Worst Case (−10 % vs. Base). Visualisiere als Liniendiagramm mit farblicher Unterscheidung und zeige die Ist-Werte als schwarze Referenzlinie.”

Branchen-Anwendungen

IT-Dienstleistung & Beratung

Im IT-Consulting-Umfeld ist die monatliche Plan-Ist-Analyse für Projektmargen die zentrale Controlling-Aufgabe. Ein typisches Szenario: 30–50 Projekte gleichzeitig in der Pipeline, jedes mit Stunden-Plan und Stunden-Ist, Umsatz-Plan und Umsatz-Ist, Material-Plan und Material-Ist. Die Datenbasis kommt aus dem Projektmanagement-Tool (Jira, MS Project, TimeCockpit) und wird monatlich exportiert.

Der Code Interpreter erstellt in weniger als 5 Minuten eine vollständige Rangfolge der Abweichungen nach Projekten — was bisher 45–60 Minuten manuelle Excel-Arbeit kostete. Die drei auffälligsten Projekte werden identifiziert. Für jedes Projekt wird ein Kommentarentwurf formuliert, den der Projektcontroller dann mit spezifischem Kontextwissen anreichert.

Besonderer Mehrwert im Consulting: Bei 50 Projekten ist die visuelle Aufbereitung als Wasserfalldiagramm für das Management-Meeting deutlich informativer als eine Tabelle mit 50 Zeilen. KI kann automatisch die „Top 5 Abweichungen” und „Sonstige” zusammenfassen — ein Standard in großen Consulting-Firmen, der bisher manuell aufwändig war.

Datenschutz-Hinweis für den Anwendungsfall: Projektdaten aus dem Projektmanagement-Tool enthalten häufig Kundennamen und Mitarbeiterkürzel. Vor dem Upload in externe KI-Tools (ChatGPT, Code Interpreter): Kundennamen durch Codes ersetzen (Kunde_A, Kunde_B), Mitarbeiterkürzel beibehalten falls keine direkte Personenidentifikation möglich. Alternativ: Copilot in Excel (bleibt im M365-Tenant, DSGVO-AVV abgedeckt).

Industrie & Fertigung

Im Produktionscontrolling sind die Kennzahlen andere — OEE (Overall Equipment Effectiveness), Ausschussquoten, Materialverbrauch, Energiekosten pro Produktionseinheit — aber die Methodik ist identisch. Eine Produktionsplanerin möchte die Quartalsergebnisse für 12 Fertigungslinien visualisieren und kommentieren.

Der Code Interpreter erstellt einen Vergleichs-Chart (Plan vs. Ist für jede Linie) und identifiziert die drei Linien mit den größten negativen Abweichungen. PROGNOSE.ETS wird genutzt, um auf Basis der letzten 18 Monate den Materialverbrauch für das nächste Quartal zu prognostizieren — für die Beschaffungsplanung ein wertvoller Input.

Besonderheit im Fertigungsumfeld: Saisonalitätsmuster sind oft stark ausgeprägt (Sommerstillstand, Weihnachtsauftragsspitze, Branchenspezifika). PROGNOSE.ETS mit korrekt konfigurierter Saisonalität (Parameter = 12 bei monatlichen Daten) erfasst diese Muster zuverlässig. Der Controller qualifiziert die Prognose mit bekanntem Sonder-Wissen: „Im nächsten Quartal gibt es eine Betriebsunterbrechung für 2 Wochen wegen Wartung — das Modell weiß das nicht.”

Finanzdienstleistung & Versicherung

Im Versicherungs-Controlling ist die Schadenentwicklung die zentrale Zeitreihe: Wie entwickeln sich die Schadenquoten (Schadenaufwand / Prämieneinnahmen) über Zeit? Für welche Sparten zeigen sich systematische Abweichungen von der Plan-Combined-Ratio? KI unterstützt durch automatische Trendlinien, Saisonalitäts-Erkennung in den Schadensdaten und die schnelle Erstellung von Spartevergleichen.

Wichtig: Schadensdaten enthalten häufig Personenbezug (Policennummer, die einem Versicherungsnehmer zugeordnet werden kann). Datenschutz-Check nach UE 55 zwingend vor Upload. Für aggregierte Schadenquoten nach Sparte und Region: Kategorie Grün (keine Personenidentifikation). Für Einzelschadenlisten: Kategorie Rot (nur in M365-Tenant oder Enterprise-Tool verarbeiten).

Für Banken ist das Liquiditäts-Forecasting ein zentraler Anwendungsfall: KI konfiguriert PROGNOSE.ETS auf tägliche Cashflow-Daten und generiert rollierende 30-Tages-Prognosen. Der menschliche Treasury-Controller qualifiziert die Prognose mit Marktinformationen, die das Modell nicht kennt: bevorstehende Fälligkeiten großer Anleihen, geplante Ausschüttungen, bekannte Großzahlungen von Kunden.

Öffentliche Verwaltung

In Behörden ist das Haushalts-Controlling besonders streng reguliert — durch die Haushaltsordnung (BHO/LHO), das Kassenwirksamkeitsprinzip und jährliche Budgetabschlüsse ohne Übertragsmöglichkeit. Die zentrale Frage ist weniger „Marge” als vielmehr „Budgetausschöpfungsgrad und Mittelabfluss-Prognose”.

Ein Kämmerer im Stadtamt möchte wissen, ob die bewilligten Investitionsmittel bis Jahresende vollständig abgerufen werden können (Nicht-Ausschöpfung führt zu Mittelverfall). PROGNOSE.ETS auf monatlichen Mittelabfluss-Daten liefert eine Prognose — qualifiziert durch den Sachbearbeiter mit dem Wissen über geplante Vergaben, bereits erteilte Aufträge und bekannte Verzögerungen im Vergabeverfahren.

Besonderheit: Im öffentlichen Haushalt ist das Kassenwirksamkeitsprinzip (Zahlungsflüsse, nicht Periodenerfolge) die maßgebliche Größe. Beim Konfigurieren von PROGNOSE.ETS gilt: Der Datensatz zeigt Zahlungsabflüsse, nicht Budgetverpflichtungen — und Zahlungsabflüsse folgen anderen Saisonmustern (Jahresendspurt bei Investitionen ist strukturell bedingt). Prompt: „Berücksichtige beim Forecast, dass Zahlungen zum Ende des Haushaltsjahres typischerweise höher sind (Jahresendspurt-Effekt). Erkläre, wie du diesen Effekt in der Prognose berücksichtigst.”

Übung 1 — Varianzanalyse mit Code Interpreter

Übung 1

Aufgabe: Laden Sie den bereitgestellten Plan-Ist-Datensatz uebung_plan_ist.csv in ChatGPT Advanced Data Analysis und erstellen Sie eine vollständige Varianzanalyse: Top-5-Abweichungen, prozentuale und absolute Differenzen, Wasserfalldiagramm und Management-Kommentarentwurf.

Material: ChatGPT Plus oder Team, uebung_plan_ist.csv (bereitgestellt vom Trainer, 30 Projekte, vollständig anonymisiert).

Schritt-für-Schritt: 1. Datei hochladen. Ersten Prompt: „Wie viele Zeilen enthält dieser Datensatz? Zeige mir die Spaltenbezeichnungen und die ersten 5 Zeilen.” 2. Gesamtabweichung anfordern: „Berechne die Gesamtabweichung der Marge (Ist minus Plan) in Euro und in Prozent. Zeige das Ergebnis als einzelne Kennzahl.” 3. Varianzanalyse-Prompt: „Identifiziere die fünf Projekte mit der größten absoluten Marge-Abweichung (Ist minus Plan) in Euro. Berechne für jedes: absolute Differenz in € und prozentuale Abweichung. Erstelle eine sortierte Tabelle absteigend nach absoluter Abweichung.” 4. Wasserfalldiagramm: „Erstelle ein Wasserfalldiagramm, das zeigt, wie die Gesamt-Abweichung durch die fünf Haupttreiber zustande kommt. Nutze grüne Balken für positive Beiträge, rote für negative. Exportiere als PNG.” 5. Stichprobenprüfung: Wähle zwei Projekte aus der Tabelle. Rechne die Abweichung manuell nach (Ist-Marge minus Plan-Marge aus der Original-CSV). Stimmt das Ergebnis überein? 6. Management-Kommentarentwurf: „Formuliere für die drei Projekte mit den größten negativen Abweichungen je einen Kommentartext (Sachverhalt + Ursachenhypothese + empfohlene Maßnahme, max. 80 Wörter). Sachlich, lösungsorientiert.” 7. Überarbeiten Sie einen der Kommentarentwürfe: Ergänzen Sie spezifischen Kontext (erfinden Sie einen plausiblen Grund für die Abweichung) und passen Sie die Maßnahme konkret an.

Erwartetes Ergebnis: Sortierte Varianzanalyse-Tabelle, Wasserfalldiagramm als PNG, drei Management-Kommentarentwürfe (KI-Entwurf und eine menschlich überarbeitete Version).

Musterlösung: Der Management-Kommentar für das Projekt mit der größten negativen Abweichung könnte lauten: „Projekt 12 weist eine Marge-Abweichung von −42.000 € (−18 % vs. Plan) auf. Mögliche Ursachen: Stunden-Überschreitung in der Implementierungsphase (+23 % vs. Plan), ungeplante externe Dienstleister-Kosten. Empfohlene Maßnahme: Projektleitung wird bis 15. des Monats eine Ursachenanalyse vorlegen und Ressourcenplanung für verbleibende Laufzeit anpassen.” (Überarbeitung durch menschliche Person: Ursachen durch tatsächliche Hintergrundinformationen ersetzen.)

Übung 2 — Forecast in Excel mit PROGNOSE.ETS

Übung 2

Aufgabe: Sie haben Monatsumsatzdaten für 24 Monate. Lassen Sie ChatGPT eine PROGNOSE.ETS-Formel für die nächsten 6 Monate konfigurieren und visualisieren. Ergänzen Sie das Konfidenzintervall. Diskutieren Sie anschließend: Welche Ereignisse könnten den Forecast ungültig machen, und wie würden Sie diese als Assumptions dokumentieren?

Material: Excel, ChatGPT; Übungsdatensatz mit 24 Monatswerten (simuliert oder vom Trainer bereitgestellt).

Schritt-für-Schritt: 1. Erstellen Sie in Excel eine Tabelle: Spalte A = Datum (1. jeden Monats als Datumswert, 24 Monate), Spalte B = Monatsumsatz (simulierte Werte: Trend steigend, saisonal mit August-Einbruch). 2. Formulieren Sie den PROGNOSE.ETS-Konfigurations-Prompt (exakte Dateistruktur beschreiben: Spalte A = Datum, Spalte B = Umsatz, 24 Werte, Saisonalität gewünscht). 3. Übertragen Sie die generierte Formel für die nächsten 6 Monate (Zeilen 25–30, Spalte B). 4. Fügen Sie die PROGNOSE.ETS.KONFINT-Formel in Spalte C ein (80 %-Konfidenz). 5. Berechnen Sie die obere und untere Grenze des Konfidenzintervalls: obere Grenze = Forecast + KONFINT, untere Grenze = Forecast − KONFINT. 6. Erstellen Sie ein Liniendiagramm: Ist-Werte (Spalte B, Monate 1–24) durchgezogen schwarz, Forecast (Spalte B, Monate 25–30) gestrichelt blau, obere und untere Grenze (Spalten C/D) gepunktete Linien. 7. Diskussion im Kurs: Welche drei externen Ereignisse würden diesen Forecast sofort ungültig machen? Wie würden Sie diese als Assumptions in einem separaten Dokument festhalten?

Musterlösung: Typische Ereignisse, die einen statistischen Forecast ungültig machen: (1) Großkunde kündigt — Umsatzeinbruch nicht in historischen Daten. (2) Neues Produkt launcht — Wachstumsschub nicht antizipiert. (3) Marktveränderung — Wettbewerbs-Druck. Qualifizierung: Forecast mit Konfidenzintervall versehen (bereits in Schritt 4 getan), monatliche Anpassung bei neuen Informationen, explizites Assumptions-Dokument: Annahme 1: Keine Großkundenabgänge; Annahme 2: Keine signifikanten Produktänderungen; Annahme 3: Stabiles Wettbewerbsumfeld.

Cheat-Sheet — UE 56

Reflexionsfragen

Welche Controlling-Aufgaben in Ihrem Arbeitsbereich sind am stärksten repetitiv und regelbasiert — und welche davon könnte KI übernehmen?

Wo liegen die Grenzen zwischen dem, was KI im Controlling leisten kann, und dem, was menschliches Urteilsvermögen erfordert? Nennen Sie ein konkretes Beispiel aus Ihrem Alltag.

Wie würden Sie sicherstellen, dass KI-generierte Forecasts im Management-Meeting nicht unkritisch übernommen werden? Welches Format (Konfidenzintervall, Assumptions-Dokument) würden Sie einführen?

Welche Qualitäts-Checkpoints würden Sie in einen KI-gestützten Controlling-Workflow einbauen — und wer ist für jeden Checkpoint verantwortlich?

Wie verändert KI im Controlling die Rolle des Controllers — und welche neuen Kompetenzen (Prompt Engineering, statistische Grundkenntnisse, kritisches Validieren) werden wichtiger?

Vertiefung — KI-gestütztes Chancen- und Risikoradar im Controlling

Neben der rückwärtsgerichteten Plan-Ist-Analyse kann KI auch vorwärtsgerichtete Frühwarn-Analysen unterstützen:

Chancenradar: Identifiziere in Ihren Controlling-Daten Projekte oder Segmente, die überdurchschnittlich gut performen und von denen mehr gemacht werden sollte. Prompt: „Identifiziere in diesem Datensatz die drei Segmente mit der höchsten Wachstumsdynamik in den letzten drei Perioden. Berechne für jedes Segment die Wachstumsrate und extrapoliere, wenn das aktuelle Wachstumstempo anhält, den Wert in sechs Monaten.”

Risikoradar: Identifiziere Projekte oder Segmente, bei denen sich negative Trends ankündigen, bevor sie im monatlichen Controlling sichtbar werden. Prompt: „Analysiere diesen Datensatz auf folgende Frühwarn-Indikatoren: (a) Rückgang über zwei aufeinanderfolgende Perioden, (b) Wachstum deutlich unter Vorjahr, (c) Kostenanstieg bei gleichzeitig stagnierendem Umsatz. Erstelle ein Risikoradar mit Ampelkennzeichnung.”

Korrelationsanalyse für Treiber-Identifikation: „Analysiere den Zusammenhang zwischen [Kostentreiber-Variable] und [Zielgröße]. Gibt es eine statistisch signifikante Korrelation? Wenn ja: Bei welchem Schwellenwert des Treibers sollte das Controlling eine automatische Eskalation auslösen?”

Vertiefung — Controlling-spezifische Daten-Governance: Zahlen müssen stimmen

Im Controlling gilt ein besonders hoher Qualitätsanspruch: Zahlen, die in Entscheidungsvorlagen, Management-Berichte oder Abschlussunterlagen einfließen, müssen korrekt sein. Das gilt auch — und besonders — für KI-gestützte Analysen.

Das Vier-Augen-Prinzip für KI-Zahlen: Jede wesentliche Zahl in einem Controlling-Report, die durch KI-Analyse entstanden ist, wird von einer zweiten Person gegengeprüft. Diese Person prüft nicht die KI-Methodik, sondern das Ergebnis: Macht die Zahl inhaltlich Sinn? Stimmt sie mit bekannten Benchmarks überein?

Konfidenz-Kennzeichnung in Reports: Führen Sie in Ihren Reports eine einfache Kennzeichnung ein: ✓ = manuell geprüft, ~ = KI-generiert, stichprobenartig geprüft. Diese Transparenz schützt sowohl die Empfänger als auch Sie als Ersteller.

Änderungshistorie für KI-Kommentare: Wenn KI-generierte Kommentare überarbeitet werden, halten Sie die wesentlichen Änderungen kurz fest: Was hat KI vorgeschlagen, was wurde geändert? Diese kurzen Notizen zeigen über Zeit, wo KI zuverlässig ist — und wo systematische Korrekturen nötig sind.

Erweiterte Reflexionsfragen — UE 56

In welchen Situationen in Ihrem Controlling-Alltag wäre ein KI-generierter Forecast hilfreich als erster Entwurf — und in welchen würde er mehr Schaden als Nutzen anrichten?

Wie würden Sie die KI-Kommentierungsqualität über drei Monate systematisch verbessern? Welchen Feedback-Mechanismus würden Sie einführen?

Wenn ein Management-Bericht auf Basis eines fehlerhaften KI-Forecasts eine falsche Entscheidung verursacht — wie ist die Verantwortung verteilt?

Prompt-Vorlage — Plan-Ist-Analyse mit Treiberbaum

Prompt: Vollständige Plan-Ist-Analyse mit Treiberbaum-Interpretation

„Ich lade eine CSV-Datei mit Plan-Ist-Daten hoch. Führe folgende Analyse durch:

Teil 1 — Plan-Ist-Tabelle: Berechne für jede Position: Ist, Plan, Abweichung absolut, Abweichung %, und kategorisiere die Abweichung als: wesentlich positiv (> +5 %), leicht positiv (+1–5 %), plan-konform (±1 %), leicht negativ (−1–5 %), wesentlich negativ (< −5 %).

Teil 2 — Treiberbaum: Zerlege die Gesamtabweichung in Beiträge der einzelnen Positionen. Welche drei Positionen erklären den größten Anteil der Gesamtabweichung?

Teil 3 — Kommentar nach MECE: Schreibe einen Varianzkomentar (max. 120 Wörter) nach MECE-Prinzip.

Teil 4 — Visualisierung: Erstelle ein Wasserfalldiagramm: Start = Plan, Enden = Ist, Zwischenstäbe = Beiträge der Haupttreiber. Farbe: positive Beiträge grün, negative orange.”

Vertiefung — Szenario-Analyse im Controlling: Best Case, Base Case, Worst Case

Eine der wertvollsten Anwendungen von KI im Controlling ist die automatisierte Szenario-Analyse:

Prompt-Vorlage — Dreistufige Szenario-Analyse automatisiert erstellen

Prompt: Best/Base/Worst-Case-Analyse

„Ich habe folgende Baseline-Annahmen für das nächste Quartal: - Umsatz: [X] € - Kosten: [Y] € - Marge: [Z] %

Erstelle eine dreistufige Szenario-Analyse: - Best Case: +15 % Umsatz, -5 % Kosten - Base Case: Baseline (keine Veränderung) - Worst Case: -20 % Umsatz, +10 % Kosten

Ausgabe: 1. Tabelle: Absolute Zahlen für alle drei Szenarien 2. Tabelle: Prozentuale Abweichungen zur Baseline 3. Die drei wichtigsten Kostenpositionen, die im Worst Case zuerst optimiert werden könnten 4. Empfehlung: Ab welchem Szenario sollten Gegenmaßnahmen eingeleitet werden?”

Übung 6 — Varianzanalyse: Ursachendiagnose mit KI

Aufgabe: Führen Sie eine strukturierte Varianzanalyse durch und nutzen Sie KI für die Ursachendiagnose.

Datenbasis: Eine Tabelle mit Plan- und Ist-Werten für mindestens 5 Kostenpositionen.

Schritt 1: Berechnen Sie die absoluten und prozentualen Abweichungen.

Schritt 2: Prompt: „Ich habe folgende Plan-Ist-Abweichungen: [Tabelle]. Identifiziere die drei größten Abweichungstreiber. Schlage für jede Abweichung drei mögliche Ursachen vor — geordnet nach Wahrscheinlichkeit. Formuliere eine Management-Summary (max. 100 Wörter) mit einer Handlungsempfehlung.”

Zeit: 20 Minuten

Erweiterte Reflexionsfragen — UE 56

Welche Controlling-Aufgaben in Ihrem Alltag werden heute noch rein manuell durchgeführt — und welche davon eignen sich für KI-Unterstützung?

Wie verändert sich die Verantwortung des Controllers, wenn KI die Analyse-Aufgaben übernimmt?

Welchen Controlling-KPI würden Sie gerne automatisch prognostizieren lassen — und welche Daten bräuchten Sie dafür?

Branchen-Vignette — Industrie: KI-gestützte Abweichungsanalyse in der Fertigungskostenstelle

Ein Fertigungsunternehmen mit 8 Kostenstellen erstellt monatlich Abweichungsberichte. Bislang: 3 Tage Aufwand für Datenerhebung, Analyse und Kommentierung. Mit KI-Unterstützung lädt der Controller die Rohdaten als CSV hoch, der Analyse-Prompt erzeugt eine strukturierte Abweichungsanalyse mit Ursachenhypothesen in 45 Minuten. Die Wertschöpfung des Controllers verlagert sich von der Datenaufbereitung zur strategischen Interpretation.

Vertiefung — Cashflow-Prognosen mit KI: Liquiditätsplanung automatisieren

Neben der klassischen Plan-Ist-Analyse ist die Cashflow-Prognose eine der wertvollsten Controlling-Anwendungen:

Prompt für 13-Wochen-Cashflow-Prognose: „Ich habe folgende historische Cashflow-Daten (wöchentliche Ein- und Auszahlungen der letzten 26 Wochen): [Daten].

Erstelle eine 13-Wochen-Prognose: 1. Lineare Trendextrapolation für Einzahlungen und Auszahlungen getrennt 2. Saisonale Anpassung falls erkennbar 3. Kumulativer Netto-Cashflow pro Woche 4. Frühwarnung: In welchen Wochen droht ein negatives Kassenbestand?”

Merksatz

KI-generierte Prognosen sind immer Schätzungen auf Basis historischer Muster. Unvorhergesehene Ereignisse (Zahlungsausfälle, Sonderinvestitionen) fließen nicht automatisch ein. Der Controller trägt die Verantwortung für die Plausibilität der Eingabe-Annahmen.

Praxis-Tipp — KI-Kommentare für Management-Berichte

Controlling-Berichte brauchen nicht nur Zahlen — sondern auch präzise Kommentare. KI-Prompt: „Schreibe einen Management-Kommentar (max. 60 Wörter) für folgende Abweichung: [Abweichung und Kontext]. Stil: sachlich, direkt, ohne Floskeln. Nenne Ursache, Auswirkung und vorgesehene Maßnahme in je einem Satz.”

Abschluss-Checkliste UE 56 — KI im Controlling: - [ ] Plan-Ist-Abweichung automatisiert berechnet - [ ] Ursachenhypothesen mit KI generiert und bewertet

Quellen

Vertiefung — Szenarioanalyse und Treiberbaum-Modelle im KI-gestützten Controlling

Die Varianzanalyse zeigt, was passiert ist. Die Szenarioanalyse fragt: Was passiert, wenn bestimmte Annahmen sich verändern? Beide zusammen geben dem Controlling ein vollständiges Bild — die Vergangenheit und die möglichen Zukünfte.

Treiberbaum-Modelle: Ein Treiberbaum (Driver Tree) zerlegt eine übergeordnete Kennzahl (z. B. Betriebsgewinn) in ihre treibenden Komponenten auf jeder Ebene: Betriebsgewinn = Umsatz − Kosten. Umsatz = Preis × Menge. Menge = Anzahl Kunden × Kauffrequenz × Basket Size. Kosten = Fixkosten + Variable Kosten. Variable Kosten = Materialkosten + Personalkosten + … Die Baumstruktur zeigt sofort, welche Hebel den größten Einfluss auf den Betriebsgewinn haben — und wo KI-gestützte Forecasts besonders wertvoll sind.

KI kann bei der Erstellung von Treiberbaum-Modellen helfen: „Erstelle einen Treiberbaum für den Betriebsgewinn eines produzierenden Unternehmens. Gehe drei Ebenen tief. Zeige für jeden Treiber auf Ebene 3, welche Datenquellen zur Messung genutzt werden können.” Das Ergebnis ist ein strukturierter Ausgangspunkt für die Controlling-Konzeption — in 5 Minuten statt einer Stunde Whiteboard-Arbeit.

Drei-Szenario-Analyse (Base / Best / Worst Case): Rolling Forecasts berücksichtigen Unsicherheit durch drei parallele Szenarien. KI kann alle drei Szenarien in einem Prompt berechnen: „Berechne für den Upload-Datensatz drei Szenarien: Base Case (Wachstum +3 %), Best Case (+8 %), Worst Case (−5 %). Stelle alle drei als Liniendiagramm mit unterschiedlichen Strichtypen dar und berechne die Cashflow-Implikationen für das nächste Quartal.”

KI-gestützte Anomalie-Erkennung im Controlling: Moderne Controlling-Systeme müssen nicht warten, bis der Monatsabschluss vorliegt, um Abweichungen zu erkennen. KI kann tägliche oder wöchentliche Transaktionsdaten automatisch auf Anomalien prüfen: „Identifiziere in diesem Datensatz alle Projektmargen, die mehr als 2 Standardabweichungen vom Monatsdurchschnitt abweichen — und für jede Anomalie, erkläre mögliche Ursachen auf Basis der Datenmuster.” Diese Frühwarnung ermöglicht schnellere Gegensteuern als das klassische monatliche Reporting.

Verknüpfung mit ERP-Systemen: Langfristig ist die manuelle Datei-Export-und-Upload-Methode durch direkte ERP-Konnektoren zu ersetzen. Zunehmend bieten ERP-Hersteller (SAP, Microsoft Dynamics, Oracle) KI-Copilot-Funktionen direkt im System an, die Varianzanalysen und Forecasts ohne Dateiexport ermöglichen. Die Kompetenz aus dieser UE (Promptformulierung, MECE-Kommentierung, Validierungsstichprobe) bleibt dabei dieselbe — nur der Datentransferweg ändert sich.

Vertiefung — Internationale Controlling-Standards und KI-Unterstützung

IFRS vs. HGB im Controlling-Kontext: Unternehmen, die nach IFRS bilanzieren, haben andere Anforderungen an das Controlling als HGB-bilanzierende Unternehmen. Besonders relevant für KI-Forecasts: IFRS 9 (Finanzinstrumente) schreibt Expected-Credit-Loss-Modelle vor, die auf Wahrscheinlichkeitsgewichteten Szenarien basieren — ein statistischer Ansatz, der von modernen KI-Modellen gut unterstützt werden kann. IFRS 15 (Umsatzrealisierung) hat Auswirkungen auf die Umsatz-Planung: Wann darf Umsatz geplant und bilanziert werden? KI kann bei der Modellierung dieser zeitlichen Verschiebungen helfen.

Integrierte Unternehmensplanung: Moderne Controlling-Konzepte gehen über die departmentale Plan-Ist-Analyse hinaus zu einer integrierten Unternehmensplanung: Finanzplanung, Personalplanung, Produktionsplanung und strategische Planung sind miteinander verknüpft. KI-Tools können Szenariosimulationen über diese verknüpften Dimensionen durchführen: Was passiert mit dem Personalaufwand, wenn die Produktionsleistung um 15 % steigt? Was ist die Cashflow-Auswirkung einer Verlängerung der durchschnittlichen Forderungslaufzeit um 10 Tage?

Beyond Budgeting: Das Beyond-Budgeting-Konzept (Jeremy Hope, Robin Fraser) ersetzt den starren Jahresplan durch flexible, rollierende Zielsysteme und relative Benchmarks. KI unterstützt Beyond Budgeting besonders gut: Rolling Forecasts mit monatlicher Aktualisierung, Peer-Vergleiche (relative Benchmarks statt absolute Budgetziele), und schnelle Szenario-Berechnungen für dynamische Zielanpassungen.

Merksatz

KI-generierte Forecasts sind Ausgangspunkte, keine Endpunkte. Der Mehrwert entsteht nicht aus dem Zahlenergebnis allein, sondern aus dem Interpretationsgespräch: Was bedeutet diese Prognose für Ihrem Planung? Welche Annahmen stecken darin? Unter welchen Bedingungen würde sie nicht eintreffen? Diese Fragen stellt die KI — aber beantwortet werden müssen sie vom Management.

Ergänzung Finanzdienstleistung: Eine Regionalbank möchte ihren monatlichen Risikobericht an den Vorstand modernisieren. Bisher werden Kreditausfallquoten, Liquiditätskennzahlen und Marktrisikopositionen in einer 40-seitigen Excel-Auswertung manuell zusammengestellt. Mit KI-Unterstützung wird ein Forecast-Modell implementiert, das auf Basis historischer Ausfallquoten, makroökonomischer Indikatoren (Arbeitslosenquote, Zinsniveau) und dem eigenen Kreditportfolio eine 12-Monats-Prognose der erwarteten Kreditausfälle erstellt. Die Varianzanalyse zeigt systematisch, wo Abweichungen vom Vorjahresplan entstehen. Ergebnis: Der Risikobericht wird von 40 auf 8 Seiten reduziert, enthält aber mehr entscheidungsrelevante Information als zuvor.

Ergänzung Öffentliche Verwaltung: Eine Bundesbehörde verantwortet die Budgetplanung für Förderprogramme. Die Planung basiert traditionell auf Fortschreibung der Vorjahreswerte. Mit KI-gestützter Zeitreihenanalyse werden Antragstellen-Muster analysiert: In welchen Monaten treffen die meisten Anträge ein? Wie verändert sich die Antragszahl in Abhängigkeit von Förderbedingungen? Das Forecast-Modell verbessert die Mittelbereitstellungsplanung erheblich und reduziert sowohl Mittelrückflüsse (zu viel bereitgestellt) als auch Engpässe (zu wenig verfügbar).

Hinweise für AI Champions — So vermitteln Sie das Thema — UE 56

Zeitplanung (45 Min): - 0–8 Min: Einstieg — „Wie viel Zeit verbringt jemand von Ihnen monatlich mit dem Erstellen von Controlling-Reports?” (kurze Runde in der Gruppe oder allein). Ziel: Kontext schaffen und Zeitersparnis motivieren. - 8–20 Min: Input zu den vier Einsatzfeldern, Forecast-Methoden und PROGNOSE.ETS — an Whiteboard mit einer Beispiel-Formel demonstrieren. - 20–32 Min: Übung 1 — Varianzanalyse mit Code Interpreter (Einzelarbeit oder zu zweit). - 32–42 Min: Übung 2 — PROGNOSE.ETS-Konfiguration (Schritt 1–5 individuell, Schritt 6–7 in der Gruppe oder allein diskutieren). - 42–45 Min: Kernbotschaft Grenzen + Übergang zu UE 57.

Methodische Empfehlung: Übung 1 ist die Kern-Übung dieser UE — hier erleben Teilnehmende konkret, was KI im Controlling leisten kann. Den Wasserfalldiagramm-Output per Beamer zeigen, damit alle die Visualisierungsqualität einschätzen können. Anschließend die manuellen Stichproben gemeinsam durchführen — das verankert die Validierungspflicht direkt in der praktischen Erfahrung. Besonders eindrucksvoll: Die KI erstellt das Wasserfalldiagramm in Sekunden — es dauert manuell in Excel oft 30 Minuten.

Stolpersteine: - Controlling-erfahrene Teilnehmende wollen sofort über FP&A-Software diskutieren — kurz einordnen und auf den Excel-Einstiegs-Kontext fokussieren. - PROGNOSE.ETS mit Parameter „Saisonalität = 0” (automatische Erkennung) vs. „= 12” (manuelle Angabe) führt manchmal zu Verwirrung — den Unterschied demonstrieren: Bei manuellem Saisonalitätsparameter ist der Forecast besser kontrollierbar und erklärbarer. - Teilnehmende ohne Controlling-Hintergrund kennen den Plan-Ist-Vergleich möglicherweise nicht — kurze 2-Minuten-Erklärung zu Beginn der UE ist sinnvoll.

Differenzierung Power-User / Einsteiger: - Einsteiger: Fokus auf Übung 1 (Varianzanalyse). PROGNOSE.ETS als Demo zeigen, nicht selbst bauen lassen. - Power-User: Rolling Forecast mit Assumptions-Dokument, MECE-Kommentierung, Szenario-Analyse (Base/Best/Worst Case), PROGNOSE.ETS.STAT für Modellgüte.

Tipp zur Branchenauswahl: Bei Gruppen mit Produktionsunternehmen: OEE und Ausschussquoten als Kontext für die Varianzanalyse verwenden (Übungsdatei entsprechend anpassen). Bei Gruppen aus dem Finanzsektor: Schadenquoten oder Liquiditätskennzahlen als Kontext. Bei Verwaltungsgruppen: Mittelabfluss und Budgetausschöpfungsgrad.

Übergang zu UE 57: „Wir haben Excel und Code Interpreter als Werkzeuge für Controlling-Analysen kennengelernt. In UE 57 schauen wir uns an, wann der nächste Schritt — Power BI mit Copilot — sinnvoll ist und was die KI-Funktionen dort leisten. Wann ersetzt Power BI Excel für das Reporting, und wann reicht Excel?”

Vertiefung — KI-gestützte Budgetplanung: Vom Entwurf zur Freigabe

Die Budgetplanung ist eine der zeitaufwändigsten Controlling-Aufgaben — und eine der am stärksten strukturierten, was sie für KI-Unterstützung besonders geeignet macht. Ein typischer Budget-Planungsprozess umfasst: Basisjahr-Analyse, Annahmenformulierung, Bottom-up-Planung, Konsolidierung, Top-down-Adjustierung, Kommentierung und Freigabe.

KI kann in diesem Prozess an mehreren Stellen unterstützen:

1. Basisjahr-Analyse beschleunigen: Der explorative Überblick mit Code Interpreter (Ist-Zahlen des laufenden Jahres, Trend-Analyse, Abweichungsidentifikation) liefert in 15 Minuten den vollständigen Ausgangspunkt — statt 2–3 Stunden manueller Excel-Arbeit.

2. Annahmen dokumentieren und strukturieren: „Ich plane für das kommende Jahr folgende Budget-Annahmen: [Liste von Annahmen]. Strukturiere diese nach: (a) Marktannahmen, (b) interne Kapazitätsannahmen, (c) Preisannahmen, (d) Risiko-Annahmen. Identifiziere Annahmen, die sich gegenseitig widersprechen oder die von einer gemeinsamen Basis-Annahme abhängen.”

3. Kommentierungsvorlagen: Für Standard-Budgetbesprechungen kann KI konsistente Kommentierungsvorlagen erstellen, die dann nur noch mit den aktuellen Zahlen befüllt werden müssen.

Prompt-Vorlage — KI-gestützte Abweichungskommentierung nach MECE

Prompt: MECE-Varianzkommentar für Management-Report

„Ich habe folgende Plan-Ist-Abweichungen für [Zeitraum, Abteilung/Kostenart]: [Tabelle mit Positionen, Plan, Ist, Abweichung absolut, Abweichung %].

Schreibe einen Varianzkommentar nach dem MECE-Prinzip (Mutually Exclusive, Collectively Exhaustive) für den Management-Report:

Format: - Gesamtabweichung: Ein Satz (Richtung, Betrag, %). - Haupttreiber (2–3 Punkte): Für jede wesentliche Abweichung (> 5 % oder > [Schwellenbetrag €]): Betrag, Richtung, kurze Ursache. - Kompensationseffekte: Abweichungen, die sich gegenseitig ausgleichen. - Ausblick: Ein Satz zur erwarteten Entwicklung.

Stil: Controllingsprache — konkret, mit Zahlen, ohne Füllwörter. Länge: max. 120 Wörter.”

Vertiefung — Rolling Forecasts mit KI: Monatliche Pflege und Qualitätssicherung

Ein Rolling Forecast ist nur dann wertvoll, wenn er konsequent aktualisiert und validiert wird. KI kann dabei als strukturierter Partner eingesetzt werden:

Monatliche Aktualisierungsroutine (15 Minuten): 1. Aktuellen Ist-Stand exportieren und hochladen. 2. Forecast-Aktualisierungs-Prompt: „Basierend auf dem aktuellen Ist-Stand und den ursprünglichen Forecast-Annahmen [Annahmen benennen]: Aktualisiere den Forecast für die verbleibenden Monate. Zeige, wo die Abweichung vom ursprünglichen Plan am größten ist — und schlage für die drei größten Abweichungen mögliche Ursachen vor.” 3. Annahmenreview: Welche Annahmen aus dem Ursprungsplan wurden durch den aktuellen Ist-Verlauf bestätigt, welche müssen angepasst werden? 4. Dokumentation: Neue Forecast-Version mit Datum und geänderten Annahmen im Forecast-Log vermerken.

Forecast-Genauigkeit messen: Wer die eigenen Forecasts systematisch misst, verbessert sie über Zeit. KI kann helfen: „Vergleiche meine Forecasts der letzten 12 Monate mit den tatsächlichen Ergebnissen. Berechne den MAPE (Mean Absolute Percentage Error) und identifiziere, in welchen Monaten oder für welche Kostenkategorien die Forecasting-Genauigkeit am geringsten ist. Was sind mögliche systematische Ursachen?”

Zusatzübung — Eigener Controlling-Kontext

Zusatzübung — KI-Kommentierung für eine eigene Controlling-Auswertung

Aufgabe: Nehmen Sie eine echte oder simulierte Plan-Ist-Auswertung aus Ihrem Arbeitsumfeld und erstellen Sie mithilfe von KI eine vollständig ausformulierte Abweichungskommentierung nach professionellem Controlling-Standard.

Schritt-für-Schritt: 1. Tabelle vorbereiten: Plan, Ist, Abweichung (absolut und %) für mindestens 5–8 Positionen. 2. Tabelleninhalte (vollständig anonymisiert) in ChatGPT eingeben. 3. MECE-Kommentierungs-Prompt senden (s. Prompt-Vorlage). 4. Kommentar lesen und bewerten: (a) Sind alle wesentlichen Abweichungen erwähnt? (b) Sind die Ursachen korrekt interpretiert — oder spekuliert KI zu weit? (c) Welche Zusatzinformation würde die Kommentierung verbessern? 5. Einen Feedback-Prompt formulieren und den Kommentar verfeinern. 6. Finaler Vergleich: Wie gut ist der KI-Kommentar im Vergleich zu Ihrem eigenen Entwurf?

Erwartetes Ergebnis: Ein fertig ausformulierter Abweichungskommentar und eine ehrliche Einschätzung der KI-Qualität für diese Aufgabe.

Materialliste: Übungsdatei uebung_plan_ist.csv (30 Projekte, vollständig anonymisiert), Excel-Vorlage mit 24-Monats-Umsatzdaten für PROGNOSE.ETS-Übung, Taschenrechner oder Excel für Stichprobenprüfung.

Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung mit Anhängen und Musterlösungen: als PDF anfordern.