Controlling im KI-Zeitalter: Mehr Daten bedeuten nicht mehr Steuerung
Controlling AI Move Warum Transparenz noch keine Steuerungsfähigkeit ist
von Andreas Seufert / Matthias von Daacke
Dashboards, automatisierte Forecasts und moderne BI-Systeme sind heute in vielen Unternehmen selbstverständlich. Doch Transparenz ist noch keine Steuerungsfähigkeit. Genau hier liegt eine der größten Herausforderungen für das Controlling im Zeitalter von Künstlicher Intelligenz.
Die Stärke des Controllings lag traditionell nicht darin, Zahlen bereitzustellen. Entscheidend war die Fähigkeit, ihre wirtschaftliche Bedeutung zu beurteilen: Welche Abweichung ist wirklich relevant? Welche Kennzahl zeigt ein Problem – und welche nur ein statistisches Rauschen? Und welche Managemententscheidung wäre auf dieser Basis zu früh?
Die BI-Lücke: Wenn korrekte Zahlen in die falsche Richtung führen
Moderne BI-Systeme können Daten konsistent definieren, visualisieren und automatisiert bereitstellen. Trotzdem entstehen Steuerungsfehler häufig nicht durch falsche Daten, sondern durch eine falsche Interpretation.
Ein Beispiel: Die Gesamtmarge eines Unternehmens sinkt. Auf den ersten Blick scheint die Profitabilität schlechter zu werden. Betrachtet man jedoch die einzelnen Segmente, zeigt sich möglicherweise ein anderes Bild: Die Margen der Produkte steigen, gleichzeitig verschiebt sich aber der Umsatzmix zugunsten eines margenschwächeren Segments.
Die Kennzahl ist korrekt. Die Schlussfolgerung kann trotzdem falsch sein.
Das zeigt ein grundlegendes Problem: Der Durchschnitt beschreibt ein Ergebnis – die Steuerungsrealität liegt häufig darunter.
Vier typische Fehleinschätzungen
Auf dem Weg von Daten zu Entscheidungen entstehen häufig vier Denkfehler:
- Korrekte Daten sind noch keine gemeinsame Steuerungssprache.
Vertrieb, Controlling und Management können dieselbe Kennzahl betrachten und trotzdem unterschiedliche wirtschaftliche Bedeutungen damit verbinden. Eine „Single Source of Truth“ löst daher nicht automatisch das Problem des gemeinsamen Verständnisses. - Aggregationen zeigen nicht immer die operative Realität.
Gesamtwerte können gegenläufige Entwicklungen einzelner Segmente verdecken. Wer ausschließlich auf aggregierte KPIs schaut, riskiert, Symptome statt Ursachen zu steuern. - Ein Treiberbaum erklärt nicht automatisch eine Ursache.
Die Zerlegung einer Kennzahl ist mathematisch korrekt, beantwortet aber nicht zwangsläufig die Frage nach dem wirtschaftlichen Auslöser. Sinkende Mengen können beispielsweise durch schwächere Nachfrage entstehen – oder durch fehlende Lieferfähigkeit, Produktverfügbarkeit oder einen veränderten Kundenmix. - Ein Forecast ist nicht automatisch ein belastbares Zukunftsbild.
Ein Modell kann nur so gut sein wie seine Daten, Annahmen und Logik. Werden fehlerhafte Definitionen oder ungeprüfte Ursache-Wirkungs-Beziehungen übernommen, schreibt der Forecast bestehende Denkfehler lediglich in die Zukunft fort.
Warum KI diese Probleme nicht automatisch löst
Die Hoffnung, dass Künstliche Intelligenz die Schwächen klassischer BI beseitigt, greift zu kurz. KI kann Muster erkennen, Erklärungen generieren und Entscheidungen vorbereiten. Sie korrigiert jedoch nicht automatisch eine unklare Steuerungslogik.
Im Gegenteil: Je stärker Analysen automatisiert werden, desto wichtiger wird die Fähigkeit, ihre Ergebnisse kritisch zu beurteilen.
Damit verändert sich auch die Rolle des Controllings. Die entscheidende Kompetenz liegt künftig weniger darin, Berichte zu erstellen, sondern darin, Annahmen, Ursache-Wirkungs-Beziehungen und Entscheidungslogiken zu hinterfragen.
Business Partnering beginnt mit Urteilskraft
Business Partnering bedeutet im KI-Zeitalter deshalb nicht, möglichst viele neue Technologien einzusetzen. Es bedeutet, bessere Entscheidungen zu ermöglichen.
Die entscheidende Frage lautet nicht:
„Welche KI führen wir als Nächstes ein?“
Sondern:
„Welche Entscheidungen werden durch diese KI besser begründet?“
Data Literacy bildet dafür die Grundlage. Controller müssen Zahlen nicht nur lesen können, sondern ihre Bedeutung, Grenzen und möglichen Verzerrungen verstehen. Erst darauf können weitere Fähigkeiten wie Mustererkennung, Ursachenanalyse und schließlich der Einsatz von Analytical AI aufbauen.
Denn KI kann die Geschwindigkeit der Analyse erhöhen. Die Verantwortung für die Qualität der Steuerungslogik bleibt jedoch beim Menschen.
