KI im Controlling: Analyse, Forecast, Reporting.

In den meisten mittelständischen Unternehmen mit Controlling-Funktion zeigt sich ein bekanntes Bild: Der Controller verbringt 70 bis 80 Prozent seiner Zeit damit, Daten aus verschiedenen Systemen zusammenzuführen, in Excel zu verarbeiten und in Reports zu gießen. Die Analyse — der eigentlich wertvolle Teil — bleibt häufig oberflächlich, weil die Zeit fehlt. Die Geschäftsführung bekommt Reports, die rückblickend sind, statt vorausschauend. Dieses Bild ist seit Jahrzehnten konstant, aber mit den aktuellen KI-Werkzeugen verändert sich das spürbar. Datensammlung, Reporterstellung und einfache Analysen lassen sich substanziell automatisieren. Was bleibt, ist die anspruchsvolle Auswertung — und genau hier kann der Controller seinen eigentlichen Wert entfalten. Dieser Artikel zeigt, wo KI im Controlling 2026 konkret eingesetzt wird, was sich rechnet und welche Voraussetzungen gegeben sein müssen.

Was Controller heute wirklich machen.

Bevor man über KI spricht, lohnt sich ein nüchterner Blick auf die Realität. In einem typischen Mittelstandsunternehmen mit 100 bis 400 Mitarbeitenden und ein bis drei Controllern verteilt sich die Arbeitszeit grob so: 40 bis 50 Prozent Datensammlung und -aufbereitung, 20 bis 30 Prozent Reporterstellung und Excel-Pflege, 10 bis 20 Prozent Plausibilitätsprüfungen und Klärungen mit Fachbereichen, 10 bis 20 Prozent eigentliche Analyse und Beratung.

Die Tatsache, dass nur ein Fünftel der Zeit für das fließt, was Controlling eigentlich sein sollte — die Beratung der Geschäftsführung mit datenbasierten Erkenntnissen —, ist kein Versäumnis der Controller. Es ist eine Folge der Systemlandschaft. Daten liegen in ERP, CRM, Lohnabrechnung, manchmal in branchenspezifischen Systemen, oft in Excel-Tabellen einzelner Mitarbeitender. Wer einen sauberen Monatsreport haben will, muss diese Quellen manuell zusammenführen, abstimmen, prüfen.

KI ändert genau hier das Bild — nicht an der eigentlichen Analyse, sondern an der Aufbereitung. Wer den Aufbereitungsanteil von 70 Prozent auf 30 Prozent senken kann, hat die freigewordene Zeit für die Aufgaben, die die Geschäftsführung wirklich braucht: vorausschauende Bewertungen, Was-wäre-wenn-Analysen, Identifikation kritischer Entwicklungen.

Datensammlung und Aufbereitung: der größte Hebel.

Der erste und größte KI-Hebel im Controlling liegt in der Automatisierung der Datenzusammenführung. Konkrete Beispiele, die in der Praxis funktionieren:

• Monatsabschluss-Automatisierung. Ein KI-gestützter Prozess zieht die Vorabschlussdaten aus dem Buchhaltungssystem, gleicht sie mit Rohdaten aus Vertrieb und Produktion ab, identifiziert Abweichungen zur Planung und erstellt einen Erstentwurf des Monatsberichts. Der Controller prüft und kommentiert — statt die Daten von Hand zusammenzubauen.
• Plausibilitätsprüfungen. Ein KI-System prüft eingehende Daten auf typische Inkonsistenzen: Buchungen auf falsche Konten, ungewöhnlich hohe Einzelposten, Lücken in der Datenreihe. Was früher Controller manuell durchgesehen haben, läuft automatisch und meldet nur die echten Auffälligkeiten.
• Ad-hoc-Auswertungen per Sprache. Eine Geschäftsführer-Frage wie „Wie haben sich unsere Reisekosten in den letzten zwölf Monaten pro Bereich entwickelt?“ lässt sich mit einer KI-Anbindung an die Datenbank in Sekunden beantworten — ohne dass der Controller dazwischen Excel-Pivots baut.
• Datenqualitäts-Monitoring. KI erkennt, wenn Stammdaten unvollständig oder widersprüchlich werden, und meldet das frühzeitig. Das verhindert die typische Situation, dass ein Quartalsbericht erst zu spät offenbart, dass die zugrundeliegenden Daten unsauber sind.

Diese Anwendungen sind 2026 keine Zukunftsmusik mehr — sie sind in einer Reihe von Mittelstandsunternehmen produktiv. Die typischen Effekte: 30 bis 50 Prozent Zeitersparnis bei der Datenaufbereitung, deutlich höhere Aktualität der Reports, weniger Fehler durch manuelle Übertragungen.

Forecast und Prognose: vorsichtig optimistisch.

Ein häufiger Wunsch der Geschäftsführung: bessere Prognosen. KI verspricht hier viel — und liefert tatsächlich etwas, aber weniger Magie als oft suggeriert.

Was funktioniert: Trendextrapolationen aus historischen Daten, Saisonalitätsmuster, Anomalie-Erkennung in zeitlichen Verläufen, Sensitivitätsanalysen („Was passiert mit dem EBIT, wenn die Energiekosten um 15 Prozent steigen?“). Diese Analysen liefern bessere Ergebnisse als die typische lineare Excel-Fortschreibung — vor allem in Branchen mit erkennbaren Mustern.

Was schwierig bleibt: echte Prognose in volatilen oder strukturell veränderten Märkten. Wenn die Vergangenheit keinen guten Indikator für die Zukunft ist — weil sich Lieferketten verschieben, Kunden weggehen, neue Wettbewerber kommen —, kann auch KI nicht zaubern. Sie liefert Wahrscheinlichkeiten basierend auf historischen Mustern, und wenn diese Muster nicht mehr gelten, sind die Prognosen wertlos.

Eine realistische Bewertung: KI-Forecasts sind besser als manuelle Excel-Fortschreibungen in 60 bis 75 Prozent der Fälle, vergleichbar in 15 bis 25 Prozent, schlechter (weil sie eine falsche Sicherheit suggerieren) in 5 bis 10 Prozent. Wer das einordnen kann und KI-Prognosen als Diskussionsgrundlage nutzt — nicht als Wahrheit —, gewinnt etwas. Wer sie als magische Zukunftsschau missversteht, verliert.

Reporting-Automatisierung und narrative KI.

Ein dritter Anwendungsbereich, der sich in Beratungsprojekten als überraschend wertvoll erweist, ist die Reporting-Automatisierung mit narrativen Kommentaren.

Klassischer Controlling-Bericht: Tabellen mit Soll-Ist-Vergleichen, ein paar Diagramme, ein kurzer textueller Kommentar des Controllers, der die wichtigsten Abweichungen erklärt. Die Erstellung dieser Kommentare ist zeitaufwendig — der Controller muss die Tabellen lesen, die Auffälligkeiten identifizieren, sinnvolle Erklärungen formulieren.

Mit KI lässt sich der Kommentar-Teil deutlich beschleunigen. Die KI bekommt die Daten, identifiziert die wichtigsten Veränderungen, formuliert einen sachlichen Kommentar im gewünschten Stil und macht den Bericht in einem Bruchteil der Zeit fertig. Der Controller prüft, ergänzt mit unternehmensspezifischem Kontext, korrigiert wo nötig.

Wichtig: Die KI versteht nicht, warum etwas passiert ist — sie sieht nur, was passiert ist. „Der Materialaufwand stieg um 12 Prozent“ kann sie schreiben. „Weil ein wichtiger Lieferant ausgefallen ist und wir kurzfristig teurer beschaffen mussten“ kann nur der Controller mit Kontextwissen ergänzen. Die KI liefert das Skelett, der Mensch fügt das Fleisch hinzu.

Realistische Zeitersparnis: 50 bis 70 Prozent für die Reporterstellung selbst. Was nicht passiert: Der Controller wird arbeitslos. Was passiert: Er hat Zeit für die anspruchsvollen Themen, die er bisher mangels Kapazität liegen lassen musste.

Voraussetzungen, die nicht verhandelbar sind.

Drei Voraussetzungen müssen erfüllt sein, sonst funktioniert keine KI im Controlling.

Saubere Stammdaten. Wenn Kostenstellen unscharf, Konten doppelt belegt und Buchungstexte ungleich sind, kann auch die beste KI keine sinnvollen Analysen machen. In etwa 30 bis 40 Prozent der Beratungsprojekte ist der erste Schritt nicht eine KI-Einführung, sondern eine Stammdaten-Bereinigung. Das ist unsexy, aber unverzichtbar.

Definierte Datenquellen mit Schnittstellen. Wenn das Wesentliche in Excel-Sheets einzelner Mitarbeitender liegt, ohne dass es zentral abgreifbar ist, scheitert die KI-Automatisierung. Hier hilft kein KI-Tool, sondern eine Datenarchitektur-Entscheidung: Welche Daten leben in welchem System, wer ist verantwortlich, wer hat Zugriff?

Klare Definition der Reports und Kennzahlen. Was genau ist „der Deckungsbeitrag“, wenn drei Bereiche ihn unterschiedlich berechnen? Was bedeutet „Umsatz“ — gebucht, fakturiert, vereinnahmt? Solange diese Definitionen unscharf sind, wird die KI sie nicht magisch klären, sondern die Unschärfe nur schneller multiplizieren.

Diese drei Voraussetzungen sind im Grunde gute Controlling-Praxis, aber sie sind in vielen Mittelständlern nur halb umgesetzt. Wer KI im Controlling einführen will, sollte diese Themen entweder schon im Griff haben oder als Teil der KI-Initiative angehen. Andernfalls baut man auf Sand.

Tool-Landschaft und Investitionsrahmen.

Die Tool-Landschaft für KI im Controlling hat drei Schichten.

Für die meisten Mittelständler ist die Kombination aus einer BI-Plattform und einer Sprachmodell-Komponente der sinnvollste Einstieg. Spezialisierte Controlling-Suiten sind erst ab einer gewissen Unternehmensgröße — etwa 300 Mitarbeitende oder komplexen Konzernstrukturen — wirtschaftlich.

Was häufig unterschätzt wird: Die Einführungskosten liegen meist über den Lizenzkosten — Konfiguration, Datenanbindung, Schulung, internes Wissen aufbauen kostet typischerweise das Anderthalbfache der Jahres-Lizenzgebühr im ersten Jahr.

Was Controller nicht ersetzt, sondern verschiebt.

Eine wichtige ehrliche Botschaft: KI macht Controller nicht überflüssig, aber sie verschiebt deren Aufgabenprofil deutlich. Was weniger gebraucht wird: Excel-Akrobatik, Datenzusammenführung von Hand, Reportformatierung. Was mehr gebraucht wird: analytisches Denken, Geschäftsverständnis, Kommunikation mit Fachbereichen, kritisches Hinterfragen von Zahlen, strategische Vorbereitung.

Für viele Controller ist das eine willkommene Verschiebung — sie sind nicht aus Liebe zu Excel Controller geworden, sondern aus Interesse an Zusammenhängen und an der Beratung der Geschäftsführung. Für manche ist es eine Bedrohung — wer 20 Jahre Excel-Routine gemacht hat und jetzt mehr Konzeption und Kommunikation soll, kann sich überfordert fühlen.

In der Praxis zeigt sich: Die Mehrheit der Controller in Mittelständlern findet sich in der neuen Rolle gut zurecht, wenn die Geschäftsführung den Übergang begleitet. Wichtig ist die explizite Anerkennung, dass die anspruchsvollere Rolle eine Aufwertung ist, nicht eine Bedrohung. Und wichtig ist Zeit zum Umlernen — nicht jeder kann von einem Tag auf den anderen von „Datenproduktion“ zu „strategischer Beratung“ wechseln.

Was Sie als Geschäftsführer jetzt prüfen sollten.

Drei konkrete Schritte:

1. Eine ehrliche Bestandsaufnahme zum heutigen Aufwand. Was kostet die monatliche Berichtsproduktion an Personenstunden? Wie aktuell sind die Reports wirklich, wenn sie auf den Schreibtisch kommen? Welche Auswertungen wollten Sie schon immer haben, aber traut sich niemand zu machen, weil der Aufwand zu groß ist? Diese Liste ist die Kandidatenliste für KI-Anwendungsfälle.
2. Die Datenarchitektur prüfen. Wo liegen Ihre Controlling-relevanten Daten? Welche Schnittstellen sind vorhanden, welche fehlen? Diese Frage entscheidet, ob ein KI-Tool überhaupt sinnvoll einsetzbar ist oder ob erst die Vorarbeit geleistet werden muss.
3. Mit einem kleinen, sichtbaren Anwendungsfall starten. Zum Beispiel: Eine automatisierte monatliche Auswertung mit narrativer Kommentierung. Drei bis sechs Monate Erprobung. Wenn der Mehrwert da ist, ausweiten. Wenn nicht, ehrlich beenden — ohne in eine teure Großimplementierung gerutscht zu sein.

KI im Controlling ist 2026 reif für den Mittelstand. Die Werkzeuge sind verfügbar, die Investitionsrahmen sind überschaubar, der Nutzen ist greifbar. Was fehlt ist meist nicht die Technologie, sondern der pragmatische Plan, wie man die organisatorischen Voraussetzungen schafft und welche Anwendungsfälle den schnellsten Hebel haben.

Sie wollen Ihr Controlling von Datensammeln zu echter Analyse weiterentwickeln? Unverbindlich anfragen — wir schauen gemeinsam auf Datenquellen, Reports und konkrete erste KI-Anwendungsfälle.