Generative KI im Controlling
Präzise Rechnungen, aber nicht automatisch bessere Entscheidungen
Generative KI-Systeme wie ChatGPT oder Gemini können betriebswirtschaftliche Aufgaben heute erstaunlich gut lösen. Sie berechnen Kennzahlen, erklären Rechenwege und liefern überzeugend formulierte Antworten. Doch gerade im Controlling gilt: Eine mathematisch korrekte Berechnung ist noch keine fundierte Entscheidungsgrundlage. In ihrem Beitrag im Controller Magazin zeigen Prof. Dr. Christoph Eisl und Prof. Dr. Werner Gleißner, warum Controller KI-Ergebnisse stets kritisch hinterfragen müssen und weshalb menschliche Expertise auch in Zukunft unverzichtbar bleibt.
Ein anschauliches Beispiel ist die klassische Break-even-Analyse. Aus vorgegebenen Daten wie Materialkosten, Fertigungszeiten, Fixkosten und einer Zielmarge berechnet die KI den Verkaufspreis sowie den Umsatz, ab dem ein Unternehmen seine Kosten deckt. Das Ergebnis ist formal korrekt und leicht nachvollziehbar.
Das eigentliche Problem liegt jedoch nicht in der Rechnung, sondern in den zugrunde liegenden Annahmen. KI arbeitet ausschließlich mit den Informationen, die ihr im Prompt zur Verfügung gestellt werden. Sie setzt stillschweigend voraus, dass alle Planwerte – etwa Materialpreise, Produktionskosten oder Absatzmengen – sicher sind. In der Realität ist das jedoch kaum der Fall.
Materialpreise schwanken, Lieferketten können gestört werden, Fertigungszeiten ändern sich und die Nachfrage entwickelt sich oft anders als geplant. Deshalb existiert in der Praxis kein fester Break-even-Punkt, sondern vielmehr eine Bandbreite möglicher Ergebnisse.
Hier zeigt sich eine grundlegende Grenze generativer KI: Large Language Models erzeugen sprachlich und mathematisch konsistente Antworten, erkennen jedoch Unsicherheiten nicht automatisch. Risiken, die nicht ausdrücklich erwähnt werden, bleiben unberücksichtigt. Das führt leicht zu einer Scheingenauigkeit – die Ergebnisse wirken präzise, spiegeln die wirtschaftliche Realität aber nur unvollständig wider.
Besonders kritisch ist, dass KI häufig dieselben vereinfachten Denkmodelle übernimmt wie viele Lehrbücher oder Anwender. Dadurch bestätigt sie Annahmen, anstatt sie kritisch zu hinterfragen. Wer sich auf solche Ergebnisse verlässt, riskiert Fehlentscheidungen, etwa bei Investitionen, Preisstrategien oder der Einschätzung wirtschaftlicher Risiken.
Für den professionellen Einsatz im Controlling bedeutet das: KI sollte als Unterstützung, nicht als Ersatz für betriebswirtschaftliche Expertise verstanden werden. Deterministische Berechnungen müssen um Risikoanalysen ergänzt werden. Statt einzelner Kennzahlen sind Wahrscheinlichkeiten, Szenarien oder Simulationen häufig deutlich aussagekräftiger.
Die Zukunft liegt deshalb in hybriden Lösungen. KI kann Daten aufbereiten, Analysen beschleunigen und Ergebnisse verständlich erklären. Spezialisierte Controlling-Software liefert fundierte Modelle und Simulationen. Die entscheidende Rolle bleibt jedoch beim Menschen: Controller und Risikomanager müssen Annahmen kritisch prüfen, Unsicherheiten bewerten und die Ergebnisse im Unternehmenskontext interpretieren.
Fazit: Generative KI ist ein wertvolles Werkzeug für das Controlling, ersetzt aber keine fundierte Entscheidungslogik. Präzise Berechnungen schaffen noch keine Sicherheit. Erst die Kombination aus KI, geeigneten Methoden und menschlicher Expertise führt zu belastbaren und verantwortungsvollen Unternehmensentscheidungen.
