KI im Controlling: Einsatzfelder, Grenzen und die neue Rolle des Controllers

Das Wichtigste in Kürze

• KI im Controlling erkennt Muster, prognostiziert Werte und entwirft Kommentare. Sie ersetzt keine Steuerungsentscheidung.
• Die größten Effekte liegen im operativen Controlling: Forecast, Soll-Ist-Vergleich, Abweichungsanalyse, Kostenstellenrechnung und Reporting.
• Die Rolle verschiebt sich von der Datensammlung zur Interpretation, Beratung und Überwachung der Systeme.
• Datenqualität, Erklärbarkeit und der rechtliche Rahmen aus EU AI Act, DSGVO und GoBD entscheiden über den Erfolg.
• Der Einstieg gelingt über einen abgegrenzten Pilotfall mit messbarem Ziel, nicht über ein konzernweites Programm.

Was bedeutet KI im Controlling?

KI im Controlling wertet Plan-, Ist- und operative Daten aus und erkennt darin wiederkehrende Muster und Auffälligkeiten. Diese Muster legt niemand vorab als Regel fest. Das Modell lernt sie aus der Historie und zeigt, auf welche Treiber es sich stützt. Das unterscheidet KI von regelbasierter Automatisierung und von klassischer Business Intelligence. Eine Automatisierung führt aus, was Sie vorgeben. Ein BI-System stellt dar, was Sie abgefragt haben. Ein KI-Modell leitet aus historischen Daten ab, welcher Wert wahrscheinlich ist und welche Abweichung auffällt, und weist aus, worauf diese Einschätzung beruht.

Controlling umfasst vier Kernaufgaben: Planung, Kontrolle, Koordination und Informationsversorgung. Für jede gibt es einen KI-Bezug. In der Planung liefert KI datenbasierte Ausgangswerte statt Fortschreibungen. In der Kontrolle markiert sie Abweichungen und schlägt Ursachen vor. In der Koordination macht sie Brüche in Strukturen und Stammdaten sichtbar, etwa abweichende Kostenstellenzuordnungen oder Kennzahlendefinitionen zwischen Gesellschaften. Controller und Fachbereiche entscheiden gemeinsam, wie sie diese Brüche auflösen. In der Informationsversorgung verkürzt sie den Weg von der Zahl zum verständlichen Kommentar.

Machine Learning, Predictive Analytics und generative KI: drei Techniken, drei Aufgaben

Machine Learning bezeichnet Verfahren, die aus historischen Daten lernen, statt festen Regeln zu folgen. Im Controlling erkennen sie Muster und melden Anomalien, etwa eine Kostenstelle, deren Verlauf nicht zum eigenen Vorjahresmuster passt.

Predictive Analytics nutzt diese Modelle, um Werte vorherzusagen: den Umsatz der kommenden Quartale, den Personalaufwand einer Gesellschaft, den Zahlungseingang offener Forderungen.

Generative KI erzeugt Texte, Formeln und Auswertungsvorschläge. Sie beruht auf Large Language Models, also Sprachmodellen, die aus großen Textmengen gelernt haben, wie Sprache aufgebaut ist. Im Controlling entwirft sie Managementkommentare, formuliert Abweichungserklärungen aus und übersetzt Fachfragen in Auswertungen.

KI im Controlling und KI im Rechnungswesen: der Unterschied

Das Rechnungswesen dokumentiert, das Controlling steuert. Diese Trennung gilt auch für den KI-Einsatz. Belegerfassung, Kontierung und die dunkle Verarbeitung von Rechnungen gehören ins Rechnungswesen; welche Verfahren dort greifen, lesen Sie im Beitrag zu KI im Rechnungswesen. Im Controlling setzt KI eine Ebene später an: auf den bereits gebuchten Daten, die sie mit Planwerten, Treibern und operativen Kennzahlen verknüpft.

Was sich mit KI an der Steuerung ändert

Controller planen, erstellen Forecasts und rechnen Szenarien durch. KI ändert nicht diese Aufgaben, sondern die Daten, mit denen sie arbeiten. Statt einzelner Stichtage stehen fortlaufend aktualisierte Zahlen zur Verfügung. Prognosen passen sich neuen Ist-Werten an, und Abweichungen werden schon während der Periode sichtbar. Diese Entwicklung und die Rolle des Controllers als Business Partner fasst die Fachliteratur häufig unter dem Begriff Controlling 4.0 zusammen.

Wo KI im Controlling-Regelkreis ansetzt

Der Einsatz von KI im Controlling lässt sich am Regelkreis ablesen. Er beschreibt den wiederkehrenden Ablauf der Steuerung in fünf Phasen. In jeder Phase gibt es einen Ansatzpunkt für KI und eine Entscheidung, die beim Menschen bleibt.

1. Ziele und Planung: Die KI liefert datenbasierte Ausgangswerte und rechnet Szenarien durch. Sie legen die Annahmen und das Zielniveau fest.
2. Umsetzung und Messung: Die KI prüft laufend Datenqualität und Vollständigkeit der Ist-Daten. Sie entscheiden, welche Korrekturen nötig sind.
3. Soll-Ist-Vergleich: Die KI gleicht Plan und Ist automatisch ab, auch über mehrere Gesellschaften. Sie legen Wesentlichkeitsgrenzen fest.
4. Abweichungsanalyse: Die KI gewichtet Abweichungen, sucht Treiber und formuliert Erklärungsvorschläge. Sie bewerten, welche Erklärung trägt.
5. Steuerungsmaßnahme: Die KI simuliert die Wirkung von Alternativen. Sie entscheiden, was das Unternehmen tut, und verantworten es.

Operatives, strategisches und normatives Controlling: wo KI heute wirkt

Das operative Controlling steuert das laufende Geschäft über kurze Zyklen und klar definierte Kennzahlen. Hier ist KI am weitesten: Forecast, Abweichungserkennung und Kostenstellenanalysen laufen auf Daten, die in ausreichender Menge und Struktur vorliegen.

Das strategische Controlling blickt über mehrere Jahre und arbeitet mit Annahmen über Märkte, Wettbewerb und Portfolio. Dort unterstützt KI beim Durchrechnen von Szenarien und beim Auswerten externer Daten. Die Annahmen selbst setzen Menschen.

Das normative Controlling betrifft Werte, Ziele und die Ausrichtung des Unternehmens. Hier liefert KI höchstens Material. Die Entscheidung bleibt beim Management.

KI im Controlling: Beispiele aus der Praxis

Die folgenden Anwendungsbeispiele folgen demselben Muster: Ausgangslage, Aufgabe der KI, Entscheidung des Controllers, Ergebnis. Sie stammen aus Organisationen mit mehreren Gesellschaften, Einrichtungen oder Geschäftsbereichen, weil dort der manuelle Aufwand am höchsten ist.

Forecast und Hochrechnung automatisch erstellen

Ein Soll-Ist-Vergleich stellt Planwerte den tatsächlichen Werten einer abgeschlossenen Periode gegenüber. Eine Hochrechnung rechnet aus Ist-Daten und Erwartungen auf das Jahresende hoch. Die Budgetierung wiederum legt zu Beginn fest, welche Mittel zur Verfügung stehen. KI greift bei der Hochrechnung an: Sie verknüpft Ist-Daten mit Treibern wie Auftragsbestand, Personalkapazität oder Saisonverlauf und aktualisiert die Prognose, sobald neue Daten eintreffen.

Ausgangslage: Die Hochrechnung entsteht quartalsweise in Tabellen, je Gesellschaft mit eigener Logik. KI: Sie berechnet je Gesellschaft fortlaufend eine Prognose und weist eine Bandbreite aus. Controller: Er prüft Ausreißer, ergänzt bekannte Sondereffekte und gibt die Zahlen frei. Ergebnis: Eine aktuelle Hochrechnung zu jedem Zeitpunkt statt vier Momentaufnahmen im Jahr.

Soll-Ist-Vergleich und Abweichungsanalyse: Ursachen statt Zahlen

Der Soll-Ist-Vergleich läuft in drei Schritten ab: Planwert und Ist-Wert gegenüberstellen, Differenz berechnen, Ursache klären. Der dritte Schritt kostet die meiste Zeit, und genau dort entstehen Fehlschlüsse. Typische Fallen sind Periodenverschiebungen durch spät gebuchte Rechnungen, Einmaleffekte wie Abfindungen oder Versicherungserstattungen, geänderte Kostenstellenstrukturen nach einer Umstrukturierung und Vergleiche gegen einen Plan, der längst überholt ist.

Eine KI markiert solche Fälle, weil sie den Verlauf kennt: Sie erkennt, dass eine Abweichung auf eine einzelne Buchung zurückgeht, dass eine Kostenstelle erst seit drei Monaten existiert oder dass sich zwei Perioden gegenseitig ausgleichen. Der Controller entscheidet dann, welche Abweichung er dem Management vorlegt. Wie dieser Weg von der Kennzahl zur Erklärung in der Praxis aussieht, zeigt der Use Case von der Kennzahl zur Ursache.

Kostenstellenrechnung: Auffälligkeiten und Fehlbuchungen erkennen

Die Kostenstellenrechnung verteilt Kosten auf die Bereiche, in denen sie entstehen, und verrechnet interne Leistungen über Umlagen weiter. KI prüft diese Verteilung auf zwei Arten. Sie erkennt Buchungen, die nicht zum Muster einer Kostenstelle passen, etwa Materialkosten auf einer Verwaltungsstelle. Und sie plausibilisiert Umlagen, indem sie die Umlageschlüssel gegen die tatsächlichen Leistungsmengen hält. Der Controller korrigiert die Fehlbuchung oder passt den Schlüssel an.

Reporting und Managementkommentare mit generativer KI

Ein Controlling-Bericht enthält Kennzahlen, den Vergleich zu Plan und Vorjahr, die wesentlichen Abweichungen mit Erklärung und einen Ausblick. Den Zahlenteil erzeugen Systeme längst automatisch. Neu ist der Textteil: Generative KI entwirft aus den Daten einen Kommentar zu jeder wesentlichen Abweichung, in gleicher Struktur und gleichem Sprachstil. Der Controller prüft die Aussage, streicht Fehlinterpretationen und gibt frei. Wie Sie die Kennzahlen dahinter aufbereiten, lesen Sie im Beitrag zum Dashboard für Finanzkennzahlen.

Liquiditätsprognose und Szenarien

KI sagt Zahlungsein- und -ausgänge auf Basis von Zahlungsverhalten, Auftragslage und Saisonalität voraus und rechnet Szenarien durch: verspätete Großzahlung, Investitionsvorzug, Zinsänderung. Der Controller wählt die Szenarien und leitet Maßnahmen ab. Die Grundlagen dazu finden Sie im Beitrag Liquiditätsplan erstellen.

Konzern-Controlling: Intercompany-Beziehungen und Verrechnungspreise prüfen

Verrechnungspreise sind die Preise, zu denen verbundene Gesellschaften Leistungen untereinander abrechnen. Sie müssen konsistent sein, sonst stimmen weder Konzernabschluss noch Bereichsergebnisse. KI vergleicht die Buchungen beider Seiten, findet Differenzen in Betrag, Periode oder Währung und weist auf Preise hin, die vom üblichen Niveau abweichen. Der Controller klärt die Fälle mit den Gesellschaften vor dem Abschluss statt danach.

Wie verbreitet ist KI im Controlling? Zahlen und Trends

Der Einsatz von KI in Finanzabteilungen nimmt zu, verteilt sich aber ungleich: Pilotprojekte und einzelne Anwendungen sind verbreitet, der durchgängige produktive Betrieb über den gesamten Controlling-Prozess ist die Ausnahme.

Drei Entwicklungen prägen die kommenden Jahre:

• Generative KI im Reporting: Der Kommentar zum Bericht entsteht zunehmend als Entwurf aus dem System, nicht als leeres Textfeld.

• KI-Agenten im Controlling: Systeme führen mehrstufige Aufgaben selbstständig aus, etwa Daten ziehen, prüfen und eine Abweichungsanalyse vorbereiten, und legen das Ergebnis zur Freigabe vor.
• Erklärbare KI bei Forecasts: Prognosen müssen begründbar sein. Modelle weisen daher aus, welche Treiber wie stark auf das Ergebnis wirken.

Chancen und Risiken von KI im Controlling

Chancen: schnellere Zyklen, bessere Prognosen, mehr Zeit für Analyse

KI verarbeitet große Datenmengen in gleichbleibender Qualität. Sie prüft jede Kostenstelle mit demselben Maßstab, nicht nur die zehn größten. Sie ermüdet nicht am Ende des Monatsabschlusses. Daraus folgen drei Effekte: Der Forecast-Zyklus verkürzt sich, weil die Daten bereits verknüpft vorliegen und KI sie schneller auswertet. Prognosen werden genauer, weil mehr Treiber einfließen als in einer Fortschreibung. Und Auffälligkeiten erscheinen früher, oft schon während der laufenden Periode. Die gewonnene Zeit fließt in Analyse und Beratung.

Wo KI im Controlling an ihre Grenzen stößt

Planannahmen und Ermessen: Ein Modell lernt aus der Vergangenheit. Welche Preissteigerung Sie für das kommende Jahr ansetzen oder wie ambitioniert ein Ziel sein soll, ist eine Ermessensentscheidung.

Strukturbrüche und Sondereffekte: Zukäufe, Werksschließungen, neue Geschäftsmodelle oder Marktschocks haben keine Historie. Genau dort liegen Prognosen daneben.

Datenqualität über mehrere Systeme: Wenn Kostenstellen je Gesellschaft unterschiedlich geschnitten sind und Plan- und Ist-Daten in getrennten Systemen liegen, lernt das Modell auf wackeligem Boden. KI gleicht fehlende Integration nicht nachträglich aus. Sie braucht eine gemeinsame Datenbasis als Grundlage.

Erklärbarkeit: Eine Prognose, die Sie dem Management nicht begründen können, setzen Sie nicht durch. Modelle müssen ihre Treiber offenlegen.

Verantwortung: Für die Zahl, die in den Aufsichtsrat geht, haftet kein Algorithmus. Die Freigabe bleibt eine menschliche Handlung.

Ersetzt KI den Controller? Wie sich die Rolle verändert

Nein, aber sie verschiebt den Schwerpunkt der Arbeit deutlich. Liegen Finanz-, Personal- und Planungsdaten in einer integrierten Datenbasis, muss niemand mehr Zahlen aus verschiedenen Systemen zusammentragen. KI wertet diesen Kontext schneller aus: Sie entwirft den Standardbericht und liefert den ersten Erklärungsversuch für eine Abweichung. Interpretation, Priorisierung und die Beratung der Fachbereiche bleiben beim Controller.

Ehrlich benannt heißt das: Tätigkeiten fallen weg. Das manuelle Zusammenkopieren von Auswertungen, das Pflegen paralleler Tabellen, das Nachtelefonieren nach Zahlen und das Schreiben von Standardkommentaren verlieren an Umfang. Wer seine Position vor allem über diese Aufgaben definiert, muss sich verändern. Wer Zusammenhänge erklärt und Entscheidungen vorbereitet, gewinnt Zeit dafür.

Was ein Controller künftig macht

Der Tag verschiebt sich von der Aufbereitung zur Auseinandersetzung mit den Ergebnissen. Konkret: KI-Vorschläge zu Abweichungen prüfen und einordnen, mit Fachbereichen über Ursachen und Maßnahmen sprechen, Annahmen für Planung und Szenarien setzen, die Qualität der Modelle und der zugrunde liegenden Daten überwachen und Sonderfragen des Managements beantworten, für die kein Standardbericht existiert.

Welche Kompetenzen Controller jetzt aufbauen sollten

• Datenkompetenz: verstehen, woher eine Zahl kommt, wie sauber sie ist und welche Verknüpfung sie belastbar macht.
• KI-Ergebnisse prüfen und erklären: einschätzen, wann eine Prognose trägt, und die Logik dahinter im Management verständlich darstellen.
• Kommunikation: aus Zahlen eine Empfehlung machen, adressatengerecht und ohne Fachjargon.
• Prozessverständnis: wissen, wie Daten durch die Systeme laufen, um Automatisierung sinnvoll anzusetzen.

Wie sich daraus das Rollenbild des Business Partners entwickelt, beschreibt der Beitrag zu Controlling 4.0.

Rechtlicher Hinweis:

Die Inhalte dieses Beitrags dienen ausschließlich der allgemeinen Information. Sie ersetzen keine rechtliche oder steuerliche Beratung im Einzelfall. Trotz sorgfältiger Erstellung übernehmen wir keine Gewähr für die Richtigkeit, Vollständigkeit oder Aktualität der Angaben. Für Inhalte externer Webseiten, auf die wir ggf. verlinken, sind ausschließlich die jeweiligen Betreiber verantwortlich.