Was leistet eine KI-gestützte Abweichungsanalyse im Monatsabschluss?

Eine KI-gestützte Abweichungsanalyse liest im Monatsabschluss automatisch die Ist-Daten aus dem Hauptbuch und die Planwerte aus dem Planungssystem, gleicht beide Ebenen je Kostenstelle und Konto ab und sortiert die gefundenen Abweichungen nach Höhe und Relevanz vor. Für auffällige Positionen entwirft das System einen Kommentar mit Zahlenbezug. Das Controlling prüft diesen Entwurf und gibt ihn frei oder korrigiert ihn.

Der Ablauf beginnt technisch unspektakulär: Ist-Werte werden aus SAP, DATEV oder einem vergleichbaren Buchhaltungssystem gezogen, Planwerte kommen aus Jedox, LucaNet, Board oder einer Excel-Planung, die im Unternehmen bereits genutzt wird. Beide Datensätze werden auf gleicher Ebene, also Kostenstelle, Konto und Periode, zusammengeführt. Erst danach beginnt die eigentliche Analyse.

In der Vorsortierung werden Abweichungen nach absoluter Höhe, relativer Größe und Wesentlichkeit für den Gesamtabschluss geordnet. Kleine, unauffällige Differenzen werden zurückgestellt, damit die Fachabteilung nicht in jeder Periode Hunderte Positionen durchsehen muss. Für die verbleibenden Fälle formuliert das System einen ersten Kommentarentwurf, der Datenquelle und rechnerische Grundlage nennt.

Die Freigabe bleibt bei Menschen: Das Controlling liest jeden Entwurf, ergänzt betriebliche Kenntnis, etwa zu einer Sonderlieferung oder einer Vertragsänderung, und erst nach dieser Prüfung fließt der Kommentar in den Berichtsband. So bleibt die Abweichungsanalyse nachvollziehbar, ohne dass jede Zahl von Hand zusammengetragen werden muss. Wie sich ein solches Vorgehen technisch in bestehende Auswertungen einordnet, zeigt der Beitrag zur Datenanalyse mit maschinellem Lernen.

Was ist der Unterschied zwischen Plan-Ist-Vergleich und Soll-Ist-Vergleich?

Der Plan-Ist-Vergleich stellt die zu Jahresbeginn festgelegten Planwerte den tatsächlichen Ist-Werten gegenüber und wird als Abweichungsrechnung I bezeichnet. Der Soll-Ist-Vergleich rechnet den Plan zusätzlich auf die tatsächliche Beschäftigung um, bevor er mit dem Ist verglichen wird, und heißt deshalb Abweichungsrechnung II. Beide Begriffe stammen aus der flexiblen Plankostenrechnung.

Der Unterschied wirkt auf den ersten Blick akademisch, hat aber praktische Folgen: Wird nur der starre Plan mit dem Ist verglichen, vermischen sich echte Kostenprobleme mit reinen Mengeneffekten aus höherer oder niedrigerer Auslastung. Die flexible Plankostenrechnung trennt diese Beschäftigungsabweichung heraus, sodass die verbleibende Differenz tatsächlich auf Preis, Verbrauch oder Struktur zurückzuführen ist. Fachportale und Anbieter aus dem Controlling-Umfeld führen diese Unterscheidung in ihren Grundlagenbeiträgen konsequent durch, weil sie für die Interpretation jeder Abweichung entscheidend ist.

Eine seriöse Software-Einordnung weist zudem darauf hin, dass gängige Controllingsysteme meist nur die Abweichungshöhe zeigen, nicht aber deren Ursache Plan-Ist-Vergleich anhand qualifizierter Software. Genau an dieser Stelle setzt eine KI-gestützte Abweichungsanalyse an, indem sie den rechnerischen Befund mit einem ersten Ursachenvorschlag verbindet, den die Fachabteilung anschließend fachlich bewertet.

Welche Abweichungsarten unterscheidet die Analyse?

Eine KI-gestützte Abweichungsanalyse unterscheidet vier Grundtypen: Mengenabweichung durch veränderten Verbrauch oder Absatz, Preisabweichung durch andere Einkaufs- oder Verkaufspreise, Struktur- beziehungsweise Mix-Abweichung durch eine veränderte Zusammensetzung des Sortiments und Beschäftigungsabweichung durch abweichende Auslastung. Jede dieser Ursachen erfordert eine andere Reaktion im Controlling und in der Fachabteilung.

Im Einkauf zeigt sich eine Preisabweichung, wenn ein Lieferant die Stahlpreise anhebt und dieselbe Bestellmenge nun teurer eingekauft wird, obwohl der Verbrauch unverändert bleibt. Im Vertrieb entsteht eine Mengenabweichung, wenn weniger Einheiten eines Produkts verkauft werden als geplant, während der Preis pro Stück konstant bleibt. Eine Struktur- oder Mix-Abweichung tritt auf, wenn statt der margenstarken Produktvariante überwiegend die günstigere Variante verkauft wird, sodass der Umsatz zwar erreicht, der Deckungsbeitrag aber verfehlt wird.

In der Fertigung zeigt sich die Beschäftigungsabweichung besonders deutlich: Wird eine Anlage nur zu siebzig statt zu neunzig Prozent ausgelastet, steigen die fixen Stückkosten allein durch die geringere Menge, ohne dass ein einzelner Kostenposten teurer geworden wäre. Eine KI-gestützte Abweichungsanalyse ordnet solche Fälle vor, indem sie die Bewegung in Menge, Preis, Struktur und Beschäftigung rechnerisch trennt und der Fachabteilung einen vorsortierten Befund statt einer einzelnen Prozentzahl vorlegt. Wie eine solche Vorsortierung in der industriellen Fertigung konkret aussieht, beschreibt das Praxisbeispiel zur Industrie 4.0.

Ab welcher Abweichung sollte das Controlling reagieren?

Das Controlling sollte reagieren, sobald eine Abweichung die im Unternehmen festgelegte Wesentlichkeitsgrenze überschreitet. Als Referenzwert dient häufig eine Bandbreite von drei bis fünf Prozent der Wesentlichkeit für den Abschluss als Ganzes, ein Konzept aus der Wirtschaftsprüfung, das sich auf Kostenstellen- und Kontoebene sinnvoll herunterbrechen lässt.

Die Wesentlichkeitsgrenze aus den IDW-Prüfungsstandards bezieht sich ursprünglich auf den Jahresabschluss insgesamt, nicht auf einzelne Kostenstellen. Für die laufende Steuerung im Monatsabschluss lässt sich dieses Konzept aber übertragen: Ein Unternehmen legt fest, welcher absolute oder relative Schwellenwert je Konto oder Kostenstelle als wesentlich gilt, und richtet die Bandbreite von drei bis fünf Prozent an der Größenordnung der jeweiligen Position aus. Kleinere Positionen erhalten dabei oft eine höhere prozentuale Toleranz, größere eine niedrigere.

Auf dieser Grundlage lässt sich ein Ampelsystem aufbauen: Grün steht für Abweichungen innerhalb der Toleranzschwelle, die keinen Kommentar benötigen. Gelb markiert Abweichungen, die beobachtet, aber noch nicht kommentiert werden müssen. Rot kennzeichnet Positionen, die zwingend einen Kommentar und in vielen Fällen eine Rückfrage an die Fachabteilung erfordern. Eine KI-gestützte Abweichungsanalyse wendet dieses Ampelsystem automatisch auf jede Buchung an und reduziert damit die Zahl der Positionen, die von Hand geprüft werden müssen.

Wichtig bleibt, dass die Schwellenwerte nicht starr aus einer Norm übernommen werden, sondern im Controlling an die eigene Kostenstruktur angepasst werden. Ein pauschaler Prozentsatz allein wird der unterschiedlichen Größe von Kostenstellen sonst nicht gerecht, wie der folgende Abschnitt an einem Rechenbeispiel zeigt.

Warum reichen Prozentwerte für die Priorisierung nicht aus?

Prozentwerte allein verzerren die Priorisierung, weil sie die absolute Größenordnung ignorieren. Bei einem geplanten Wert von 200 Euro und einem erzielten Wert von 150 Euro ergibt sich eine absolute Abweichung von minus 50 Euro und eine relative Abweichung von minus 25 Prozent. In einer Gewichtung aus absolutem und relativem Wert, etwa durch Multiplikation der Kennzahlen, ergibt sich hier ein Wert von 13, der die Position im Vergleich zu größeren Konten realistisch einordnet.

Eine kleine Kostenstelle mit 25 Prozent Abweichung wirkt auf den ersten Blick dramatisch, bewegt aber nur wenige hundert Euro. Eine große Position mit nur drei Prozent Abweichung kann dagegen mehrere zehntausend Euro betreffen und damit für den Abschluss deutlich relevanter sein. Wer allein nach Prozentwerten sortiert, prüft im schlechtesten Fall zuerst die kleine Kostenstelle und übersieht die große Position, die tatsächlich Aufmerksamkeit verdient.

Eine KI-gestützte Abweichungsanalyse verbindet deshalb absolute und relative Kennzahl zu einer gewichteten Abweichung und sortiert danach. So rücken Positionen nach oben, die sowohl in der Höhe als auch im Verhältnis auffällig sind, während statistisch große, aber betrieblich unbedeutende Ausschläge zurückgestuft werden. Das Controlling erhält dadurch eine Prioritätenliste, die der tatsächlichen Bedeutung für den Abschluss näherkommt als eine reine Prozentsortierung.

Wie erzeugt eine KI-gestützte Abweichungsanalyse Kommentare?

Eine KI-gestützte Abweichungsanalyse erzeugt Kommentare in einem festen Aufbau: Sie nennt Konto oder Kostenstelle, Plan- und Ist-Wert, die berechnete Abweichung sowie die Datenquelle, aus der beide Werte stammen. Der Text wird ausdrücklich als Entwurf gekennzeichnet und von der Fachabteilung geprüft, bevor er in den Berichtsband übernommen wird.

Die Struktur eines solchen Entwurfs folgt einem Muster, das im Controlling ohnehin üblich ist: zuerst der Befund in Zahlen, dann ein möglicher Treiber, etwa eine veränderte Bestellmenge oder ein neuer Lieferantenpreis, formuliert als Vermutung und nicht als Tatsache. Ein statistischer Zusammenhang zwischen zwei Kennzahlen ist noch keine betriebswirtschaftliche Ursache, deshalb bleibt die Formulierung bewusst vorsichtig und verweist auf die Datenquelle, aus der sich der Vorschlag ableitet.

Jeder maschinell erzeugte Kommentar wird als solcher gekennzeichnet, etwa durch einen Hinweis im Berichtssystem, damit spätere Prüfungen erkennen, welche Aussage automatisch entstanden ist und welche von Menschen formuliert wurde. Diese Kennzeichnung ist auch mit Blick auf die GoBD sinnvoll, da automatisiert erzeugte Texte nachvollziehbar dokumentiert werden müssen.

Die Fachabteilung übernimmt den Entwurf unverändert, ergänzt ihn um Detailwissen aus dem eigenen Bereich oder verwirft ihn, wenn der vermutete Treiber nicht zutrifft. Wie sich solche Freigabeprozesse technisch mit vorhandenen Systemen verzahnen lassen, etwa über ein Ticket im IT Service Management-Verfahren oder eine Anbindung an ein bestehendes Business Process Management-Werkzeug, hängt von der jeweiligen IT-Landschaft im Unternehmen ab.

Wie zuverlässig sind automatische Ursachenvorschläge?

Automatische Ursachenvorschläge sind zuverlässig bei der Priorisierung möglicher Treiber, aber nicht bei der endgültigen Erklärung. Eine KI-gestützte Abweichungsanalyse erkennt statistische Zusammenhänge zwischen Kennzahlen und zeigt, welche Position eine Abweichung am stärksten beeinflusst. Ob dahinter eine Sonderlieferung, eine Vertragsänderung oder ein Prozessfehler steckt, muss weiterhin ein Mensch fachlich bewerten.

Diese Unterscheidung zwischen Korrelation und Ursache wird in der Fachliteratur zur Abweichungsanalyse ausdrücklich betont: Zusammenhänge zwischen Kennzahlen lassen sich mathematisch belegen, eine betriebswirtschaftliche Ursache dagegen nur im Kontext des jeweiligen Geschäftsvorfalls feststellen. Ein System kann zeigen, dass eine Abweichung bei den Materialkosten zeitgleich mit einem Anstieg bei den Frachtkosten auftritt. Ob das an einer Sonderlieferung wegen eines Lieferengpasses liegt oder an einem neu verhandelten Rahmenvertrag, weiß nur die Fachabteilung.

Deshalb liefert eine KI-gestützte Abweichungsanalyse bei ANCUD IT immer einen Vorschlag mit Begründung, keine automatische Buchung und keine automatische Kommentierung ohne Freigabe. Der Vorschlag nennt die wahrscheinlichste Kostenstelle, das betroffene Konto und den zeitlichen Zusammenhang. Die Zuordnung zu Sonderlieferung, Vertragsänderung oder Prozessfehler bleibt Aufgabe der Controllerin oder des Controllers, die den Vorschlag bestätigt, ändert oder verwirft.

Diese Arbeitsteilung schützt vor Fehlschlüssen, die bei rein automatisierter Kommentierung entstehen können. Ein System, das jede Korrelation als Ursache ausgibt, erzeugt Scheinsicherheit und verleitet zu falschen Gegenmaßnahmen. Die Trennung von Hinweis und Entscheidung ist deshalb kein Kompromiss, sondern die Voraussetzung dafür, dass eine automatisierte Abweichungsanalyse im Tagesgeschäft Vertrauen findet.

Welche Daten braucht eine KI-gestützte Abweichungsanalyse?

Eine KI-gestützte Abweichungsanalyse braucht Planwerte, Ist-Buchungen, Stammdaten zu Kostenstellen und Konten sowie ein sauberes Mengengerüst mit Preisen. Hinzu kommen der Buchungskalender und die Buchungslogik des jeweiligen Systems. Ohne historische Daten aus mehreren Perioden lassen sich Vergleichsmuster nicht zuverlässig erkennen.

Planwerte und Ist-Buchungen bilden das Grundgerüst jedes Plan-Ist-Vergleichs, wie auch Grundlagenbeiträge zur klassischen Abweichungsermittlung beschreiben. Für die automatisierte Auswertung reicht dieses Grundgerüst allein aber nicht aus. Stammdaten zu Kostenstellen und Konten müssen konsistent gepflegt sein, damit sich Abweichungen eindeutig einer Verantwortlichkeit zuordnen lassen. Fehlt diese Zuordnung oder ist sie über Jahre hinweg uneinheitlich gewachsen, produziert jede Analyse Rauschen statt Klarheit.

Das Mengengerüst mit den zugehörigen Preisen erlaubt es, eine Abweichung in Mengen-, Preis- und Strukturanteile zu zerlegen, statt nur einen Gesamtbetrag zu zeigen. Der Buchungskalender legt fest, welche Periode welchem Vergleichszeitraum zugeordnet wird, was bei unterjährigen Wechseln oder Nachbuchungen entscheidend ist. Die Buchungslogik selbst, etwa Stornoketten oder Sammelbuchungen, muss dem System bekannt sein, sonst entstehen scheinbare Abweichungen, die nur aus der Verbuchung stammen.

Historische Daten aus möglichst vielen Vorperioden sind die Voraussetzung dafür, dass ein System saisonale Muster von echten Ausreißern unterscheidet. Je lückenhafter und uneinheitlicher diese Historie ist, desto vorsichtiger müssen Ursachenvorschläge formuliert werden. Aus diesem Grund beginnt jedes Projekt bei ANCUD IT mit einer Bestandsaufnahme der vorhandenen Datenqualität, wie sie auch im Beitrag zur Bereinigung von Bestandsdaten beschrieben wird, bevor über Modelle oder Schwellenwerte gesprochen wird.

Wie lässt sich die Analyse an SAP, DATEV oder LucaNet anbinden?

Eine KI-gestützte Abweichungsanalyse lässt sich über bestehende Schnittstellen an SAP Analytics Cloud, SAP BPC, DATEV-Exporte, LucaNet, Jedox, Board, Anaplan, CoPlanner, Power BI oder Excel anbinden. Sie ergänzt diese Systeme um automatische Ursachenvorschläge, ersetzt aber weder die Planungssoftware noch die Berichtswege, die im Unternehmen bereits etabliert sind.

Bei SAP-Landschaften liegen Planwerte häufig in SAP BPC oder SAP Analytics Cloud, während Ist-Daten aus dem Hauptbuch stammen. Die Abweichungsanalyse liest beide Quellen über die vorhandenen Schnittstellen aus und liefert die Ursachenvorschläge zurück in die gewohnte Berichtsstruktur, statt eine parallele Oberfläche zu erzwingen. Bei DATEV-basierten Mandanten übernimmt sie die Exportformate, die die Kanzlei oder die Finanzbuchhaltung ohnehin bereitstellt.

In FP&A-Umgebungen wie LucaNet, Jedox, Board, Anaplan oder CoPlanner sind Planungslogik und Konsolidierung bereits abgebildet. Die KI-gestützte Abweichungsanalyse setzt hier als zusätzliche Auswertungsebene auf, die Muster über mehrere Perioden und Kostenstellen hinweg erkennt und die Software um automatisierte Kommentierungsvorschläge erweitert. Für Unternehmen, die ihren Plan-Ist-Vergleich noch in Power BI oder Excel pflegen, lässt sich die Analyse ebenso andocken, ohne dass diese Werkzeuge abgelöst werden müssen.

Diese Ergänzung statt Ersatz spiegelt die Herangehensweise wider, die auch bei der Anbindung von Dokumenten und Wissen gilt, etwa wenn Fachwissen aus bestehenden Systemen wie in der KI-Beratung mit RAG und agentischer KI weiterverwendet wird. Der erste Schritt jeder Anbindung ist eine technische Bestandsaufnahme der vorhandenen Landschaft, aus der sich der konkrete Integrationsweg und der Aufwand ableiten lassen, wie ihn auch unser Bereich Data Engineering regelmäßig durchführt.

Wie oft sollte ein Plan-Ist-Vergleich durchgeführt werden?

Ein Plan-Ist-Vergleich sollte im Regelfall monatlich erfolgen, bei Liquidität und Auftragseingang eher wöchentlich. Ergänzend empfiehlt sich ein rollierender Forecast, der die Restjahresplanung laufend aktualisiert. Wichtig ist dabei die Unterscheidung zwischen kumulierter Abweichung über das Jahr und der Abweichung der einzelnen Periode, da beide unterschiedliche Signale liefern.

Der monatliche Rhythmus hat sich als Regelfall etabliert, weil er sich an den ohnehin vorhandenen Abschlussterminen orientiert und genug Datenpunkte für belastbare Muster liefert. Für Kennzahlen mit hoher Schwankung, insbesondere Liquidität und Auftragseingang, reicht ein monatlicher Blick oft nicht aus. Hier zeigt ein wöchentlicher Vergleich Trends, bevor sie sich zu größeren Abweichungen aufsummieren.

Ein rollierender Forecast ersetzt die starre Jahresplanung durch eine laufend aktualisierte Restjahressicht und macht damit auch die Abweichungsanalyse dynamischer, weil sie nicht gegen einen im Januar fixierten Plan, sondern gegen die aktuellste Erwartung prüft. Dabei lohnt sich der Blick auf beide Abweichungsarten: Die Periodenabweichung zeigt, was in einem einzelnen Monat passiert ist, die kumulierte Abweichung zeigt, ob sich das Jahr insgesamt noch im Rahmen bewegt.

Als Orientierung für die Güte der Planung gilt in vielen B2B-Vertrieben eine Forecast-Genauigkeit von unter plus minus 10 Prozent als guter Wert. Dieser Benchmark eignet sich als Ausgangspunkt für die eigene Wesentlichkeitsgrenze, sollte aber je nach Branche und Kostenart angepasst werden, statt unreflektiert übernommen zu werden.

Wie wird aus der Abweichungsanalyse ein Frühwarnsystem?

Aus der Abweichungsanalyse wird ein Frühwarnsystem, indem Schwellenwerte festgelegt werden, die automatisch eine Handlung auslösen, statt nur einen Bericht zu erzeugen. Ein Beispiel aus der Praxis: Überschreitet die Abweichung bei A-Artikeln 15 Prozent, löst das System automatisch eine Eilbestellung aus, damit Lieferengpässe nicht erst im Monatsabschluss auffallen.

Dieses Prinzip lässt sich auf andere Bereiche übertragen. Bei Kostenstellen kann eine Überschreitung der Wesentlichkeitsgrenze eine Benachrichtigung an die Kostenstellenverantwortlichen auslösen, bei rückläufigem Deckungsbeitrag eine Eskalation an die Vertriebsleitung. Ein Ampelsystem mit gestuften Schwellenwerten hilft dabei, zwischen einer Abweichung, die nur beobachtet werden muss, und einer, die sofortiges Handeln verlangt, zu unterscheiden. Wie ein solches System auch bei der Erkennung dringender Fälle in anderen Bereichen eingesetzt wird, zeigt der Beitrag zur Eskalationserkennung mit KI.

Automatische Auslöser haben aber klare Grenzen. Sie eignen sich für Fälle mit eindeutiger Handlungslogik, etwa die Nachbestellung eines Standardartikels bei bekanntem Lieferanten. Sobald eine Entscheidung finanzielle oder vertragliche Tragweite hat, etwa eine außerplanmäßige Bestellung bei einem neuen Lieferanten oder eine Anpassung der Personalplanung, bleibt die Freigabe bei einer verantwortlichen Person.

Ein Frühwarnsystem ist deshalb kein Ersatz für Controlling-Entscheidungen, sondern ein Filter, der die relevanten Fälle sichtbar macht. Die automatisierte Abweichungsanalyse sorgt dafür, dass diese Fälle früh auffallen und nicht erst am Monatsende, wenn Gegenmaßnahmen kaum noch wirken.

Welche Governance braucht eine KI-gestützte Abweichungsanalyse?

Eine KI-gestützte Abweichungsanalyse braucht eine GoBD-konforme Aufbewahrung aller maschinell erzeugten Kommentare, eine Versionierung der Ursachenvorschläge und eine Vier-Augen-Freigabe, bevor ein Kommentar in den offiziellen Bericht übernommen wird. Sobald Personalkostenplanung betroffen ist, gelten zusätzlich die Anforderungen der DSGVO an personenbezogene Daten.

Die GoBD verlangen, dass Buchungen und die zugrunde liegenden Erläuterungen nachvollziehbar und unveränderbar dokumentiert werden. Für automatisiert erzeugte Ursachenvorschläge bedeutet das, dass jede Version eines Kommentars mit Zeitstempel und Ersteller gespeichert wird, auch wenn er später von einer Person überarbeitet wurde. So bleibt erkennbar, welcher Anteil eines Kommentars aus dem System stammt und welcher von einem Menschen ergänzt wurde. Ähnliche Protokollpflichten kennt auch das Hinweisgebersystem, in dem gemeldete Sachverhalte lückenlos dokumentiert werden müssen.

Die Vier-Augen-Freigabe stellt sicher, dass ein Ursachenvorschlag nicht ungeprüft in den Bericht an die Geschäftsführung oder an Banken gelangt. Eine Fachperson aus dem Controlling bestätigt oder korrigiert den Vorschlag, eine zweite Person, etwa die Controlling-Leitung, gibt den Bericht insgesamt frei. Dieses Protokoll der Ursachenvorschläge lässt sich später auswerten, um zu prüfen, wie oft automatisierte Hinweise bestätigt oder verworfen wurden, was wiederum die Qualität der Analyse über Zeit sichtbar macht.

Sobald Abweichungen die Personalkostenplanung betreffen, etwa bei Abweichungen einzelner Abteilungen aufgrund von Fluktuation oder Krankenständen, greift die DSGVO. Auswertungen, die auf einzelne Personen rückschließbar wären, dürfen nur mit klar definiertem Zugriffskreis erstellt werden. Diese Governance-Fragen werden bei ANCUD IT vor der technischen Umsetzung geklärt, nicht danach, damit die Automatisierte Abweichungsanalyse von Anfang an in einem Rahmen läuft, der auch einer Prüfung standhält.

Welche Risiken bestehen bei automatisierten Abweichungsanalysen?

Die größten Risiken einer KI-gestützten Abweichungsanalyse sind Scheinkausalität, Datenlücken durch Umbuchungen und Periodenabgrenzung, Gewöhnung an automatische Vorschläge sowie falsch eingestellte Schwellenwerte. Ein statistischer Zusammenhang zwischen zwei Kennzahlen ist noch keine betriebswirtschaftliche Ursache. Ohne fachliche Prüfung entstehen plausibel klingende, aber falsche Begründungen, die trotzdem ungeprüft weitergegeben werden, wenn niemand widerspricht.

Scheinkausalität ist das zentrale Problem. Wenn ein Vertriebsgebiet im selben Monat einen Personalwechsel und einen Umsatzrückgang zeigt, liegt ein Zusammenhang nahe, muss aber nicht der wirkliche Treiber sein. Ob eine Sonderlieferung, eine Vertragsänderung oder ein Prozessfehler dahintersteht, lässt sich nur fachlich klären, nicht rein rechnerisch. Das System liefert Hinweise, keine Beweise.

Datenlücken entstehen häufig durch Umbuchungen zum Periodenende oder durch Abgrenzungsbuchungen, die erst nach Monatsabschluss vollständig vorliegen. Wird die Abweichungsanalyse zu früh angestoßen, vergleicht sie unvollständige Ist-Daten mit dem Plan und meldet Abweichungen, die sich Tage später von selbst auflösen. Solche Fehlalarme kosten Vertrauen und binden Zeit, die eigentlich für echte Abweichungen gebraucht wird.

Zwei weitere Risiken betreffen die Einstellung der Schwellenwerte selbst: Zu enge Toleranzgrenzen erzeugen Fehlalarme bei jeder kleinen Schwankung, zu weite Grenzen blenden relevante Kostenstellenabweichungen aus. Hinzu kommt die Gewöhnung an automatische Vorschläge, wenn Kommentare über Monate unverändert übernommen werden, ohne die zugrunde liegenden Zahlen erneut zu prüfen. Deshalb bleibt die Freigabe der finalen Kommentierung bei der kaufmännischen Leitung.

Ersetzt eine KI-gestützte Abweichungsanalyse das Controlling?

Nein, eine KI-gestützte Abweichungsanalyse ersetzt das Controlling nicht. Das System sortiert Abweichungen, priorisiert sie nach Höhe und Wesentlichkeit und entwirft Ursachenvorschläge. Bewertet, kommentiert und verantwortet werden die Ergebnisse weiterhin durch den Menschen, der die fachliche Freigabe gegenüber Geschäftsführung und Beirat trägt.

Die Rollenverteilung bleibt klar getrennt. Das System liest Plan- und Ist-Daten aus SAP, DATEV oder der eingesetzten FP&A-Software, berechnet Preis-, Mengen- und Strukturabweichungen und schlägt eine erste Formulierung für den Kommentar vor. Diese Vorauswahl beschleunigt die Sichtung, ersetzt aber nicht die Einschätzung, ob eine Abweichung durch einen Einmaleffekt, eine strukturelle Verschiebung oder einen Fehler in der Buchung entstanden ist.

Was sich tatsächlich ändert, ist der Anteil an Routinearbeit. Statt jede Kostenstelle einzeln durchzugehen, beginnt die Prüfung bei den Abweichungen, die über der festgelegten Wesentlichkeitsgrenze liegen. Der freigegebene Kommentar bleibt Aufgabe der Fachverantwortlichen, ebenso die Entscheidung, welche Abweichung eskaliert werden muss. Wie sich diese Aufteilung zwischen System und Mensch auch in anderen Bereichen der Datenanalyse mit Machine Learning bewährt, zeigt Datenanalyse mit Machine Learning.

Für die Geschäftsführung ändert sich vor allem die Grundlage der Berichte: Sie erhält konsistent kommentierte Abweichungen statt unterschiedlich detaillierter Notizen einzelner Sachbearbeiter. Die Verantwortung für die Aussage gegenüber Beirat oder Gesellschaftern bleibt jedoch unverändert bei der Person, die den Bericht unterschreibt, nicht beim System.

Wie führen wir eine KI-gestützte Abweichungsanalyse ein?

Die Einführung folgt drei Phasen: einer technischen Bestandsaufnahme der Datenquellen und Stammdaten, einem Pilot auf zwei bis drei ausgewählte Berichtsbereiche und dem anschließenden Regelbetrieb mit festen Freigaberegeln. Jede Phase endet mit einer gemeinsamen Entscheidung, ob die nächste Stufe sinnvoll ist, statt automatisch weiterzulaufen.

In der Bestandsaufnahme prüfen wir, aus welchen Systemen Plan- und Ist-Daten stammen, wie konsistent die Kostenstellenstruktur gepflegt ist und wo Umbuchungen typischerweise zu Verzögerungen führen. Diese Phase liefert die Grundlage für realistische Schwellenwerte und zeigt, ob eine Anbindung an SAP, DATEV, LucaNet oder Jedox technisch direkt möglich ist oder zunächst eine Datenbereinigung nötig wird.

Der Pilot beschränkt sich bewusst auf zwei bis drei Berichtsbereiche, etwa eine Kostenstellengruppe und einen Vertriebsbereich, damit die kaufmännische Leitung die Vorschläge im echten Berichtszyklus prüfen kann, ohne das gesamte Reporting umzustellen. Erst wenn sich die Ursachenvorschläge im Pilot als brauchbar erweisen, wird der Kreis der Berichtsbereiche schrittweise erweitert. Wie sich ein solcher Rollout auch in anderen KI-Projekten bewährt, beschreibt KI-Beratung für Unternehmen am Beispiel begleiteter Einführungsprozesse.

Der Regelbetrieb legt fest, wer Kommentare freigibt, wie Abweichungen protokolliert werden und in welchem Turnus die Schwellenwerte überprüft werden. Die folgende Übersicht zeigt die Phasen im Zusammenhang.

Was kostet eine KI-gestützte Abweichungsanalyse?

Die Kosten einer KI-gestützten Abweichungsanalyse hängen von der Zahl der anzubindenden Datenquellen, dem Zustand der Stammdaten, dem Umfang der einzubeziehenden Berichtsbereiche und dem gewählten Betriebsmodell ab. Eine pauschale Preisangabe wäre unseriös, weshalb eine technische Bestandsaufnahme immer der erste Schritt ist.

Die Zahl der Datenquellen wirkt sich unmittelbar auf den Integrationsaufwand aus: Ein System, das ausschließlich aus SAP liest, ist anders zu bewerten als eine Landschaft mit paralleler Planung in Excel, DATEV und einer FP&A-Software wie LucaNet oder Jedox. Jede zusätzliche Quelle bedeutet einen eigenen Abgleich der Feldstrukturen und Kostenstellenlogik.

Der Zustand der Stammdaten entscheidet, wie viel Vorarbeit vor dem eigentlichen Piloten nötig ist. Uneinheitlich gepflegte Kostenstellen oder wechselnde Kontenzuordnungen erhöhen den Aufwand, bevor überhaupt eine erste Abweichung sinnvoll berechnet werden kann. Auch der Umfang der Berichtsbereiche spielt eine Rolle: Eine Analyse für zwei Kostenstellengruppen ist etwas anderes als eine flächendeckende Einführung über mehrere Gesellschaften.

Hinzu kommen das Betriebsmodell, also ob die Lösung im eigenen Rechenzentrum, in einer bestehenden Cloud-Umgebung oder gemischt betrieben wird, und der Umfang der laufenden Betreuung nach dem Regelbetrieb. Die Bandbreite an Controlling-Werkzeugen und deren Anbindung variiert stark, wie auch die Erfahrung aus vergleichbaren Projekten zur KI-Beratung für Unternehmen zeigt. Belastbare Zahlen liefert daher erst die individuelle Bestandsaufnahme, nicht eine allgemeine Übersicht.

Woran erkennen Sie, ob sich der Einstieg für Sie lohnt?

Ein guter Indikator ist der Aufwand, der heute für Abweichungskommentare von Hand anfällt: Wer regelmäßig viele Kommentare manuell schreibt, den Abschluss dadurch verzögert oder Abweichungen aus Zeitmangel unkommentiert lässt, profitiert am ehesten von einer KI-gestützten Abweichungsanalyse. Wo diese Muster fehlen, lohnt sich der Einstieg derzeit noch nicht.

Für die kaufmännische Leitung sind drei Fragen zentral: Wie viele Kostenstellen oder Konten werden aktuell pro Monat einzeln kommentiert? Wie lange dauert der Monatsabschluss bis zur finalen Berichtsversion, und welcher Anteil davon entfällt auf das Zusammentragen von Erklärungen? Wie häufig bleiben Abweichungen unkommentiert, weil die Zeit bis zum Berichtstermin nicht reicht?

Für die IT-Leitung ist wichtig, ob die vorhandenen Systeme wie SAP, DATEV oder die eingesetzte Planungssoftware saubere Plan- und Ist-Daten liefern und ob Kostenstellenstrukturen über die Zeit stabil geführt werden. Fehlen diese Voraussetzungen, sollte zunächst die Datenqualität verbessert werden, bevor eine Abweichungsanalyse aufgesetzt wird. Wie eine solche Grundlage systematisch aufgebaut wird, beschreibt der Beitrag zur Datenarchitektur und ihren Aufbau.

Wenn sich mehrere dieser Fragen mit einer hohen Zahl oder einem klaren Zeitdruck beantworten lassen, ist eine strukturierte Bestandsaufnahme sinnvoll. Sie zeigt konkret, welche Berichtsbereiche sich für einen Pilotbetrieb eignen und wo eine automatisierte Abweichungsanalyse den größten Unterschied im laufenden Abschluss macht. Interessierte finden erste Einblicke auch im Blog von ANCUD IT.