11 Min. Lesezeit · KI · Juni 2026

Reporting und Auswertungen mit KI automatisieren.

Jeden Monat dasselbe: Zahlen aus mehreren Systemen zusammensuchen, in eine Tabelle kippen, Abweichungen markieren, einen Kommentar schreiben, das Ganze ins gewohnte Berichtsformat bringen. Diese wiederkehrende Fleißarbeit lässt sich gut automatisieren — wenn man eine klare Grenze zieht zwischen dem Rechnen, das deterministisch bleiben muss, und dem Formulieren, bei dem KI tatsächlich hilft.

Die wichtigste Regel zuerst: KI rechnet nicht.

Bevor wir über Use-Cases reden, der zentrale Punkt, an dem die meisten naiven KI-Reporting-Ansätze scheitern: Ein Sprachmodell ist kein Taschenrechner. Es kann Summen, Durchschnitte oder Wachstumsraten zwar oft korrekt nennen, aber eben nicht zuverlässig — und im Reporting ist „oft korrekt“ wertlos. Eine falsche Zahl im Monatsbericht kann erheblichen Schaden anrichten und untergräbt das Vertrauen in das gesamte System.

Die Konsequenz ist klar: Alle Zahlen entstehen in normalem Code — SQL-Abfragen, Tabellenkalkulation, Python mit Pandas. Die KI bekommt fertig berechnete Zahlen und übernimmt nur das, was sie gut kann: aus diesen Zahlen einen verständlichen, gut formulierten Bericht machen. Wer diese Trennung missachtet, baut ein System, das mal stimmt und mal nicht — das Schlimmste, was ein Bericht sein kann.

Was KI im Reporting wirklich gut kann.

Kommentierung von Kennzahlen: Aus berechneten Werten einen sauberen Erläuterungstext machen: „Der Umsatz lag im Mai 8 % über dem Vormonat, getragen vor allem von Region Süd.“ Die Zahlen kommen aus Code, die Formulierung von der KI.
Abweichungs-Erklärungen vorbereiten: Auffälligkeiten benennen und mögliche Erklärungsansätze vorschlagen, die ein Mensch dann prüft und einordnet.
Berichte für verschiedene Zielgruppen umformulieren: Dieselben Fakten einmal knapp für die Geschäftsführung, einmal ausführlicher für die Fachabteilung.
Zusammenfassungen langer Datenbestände: Aus vielen Einzelpositionen die wesentlichen Punkte herausarbeiten — als Vorschlag, nicht als letzte Instanz.
Wiederkehrende Standardberichte vorausfüllen: Das immer gleiche Berichtsgerüst mit den aktuellen Zahlen und einem Entwurfskommentar füllen.

Die richtige Architektur: Zahlen und Sprache trennen.

Ein verlässliches KI-Reporting-System hat zwei klar getrennte Schichten. Die untere Schicht holt und berechnet Daten — vollständig deterministisch und prüfbar. Die obere Schicht nimmt diese fertigen Zahlen und formuliert daraus Text. Schematisch:

import anthropic, json

an = anthropic.Anthropic()

# 1) ZAHLEN: deterministisch in normalem Code.
#    Hier KEINE KI. Echte Abfragen/Berechnungen.
def kennzahlen(monat: str) -> dict:
    # ... SQL / Pandas / Tabellen-Logik ...
    return {
        "umsatz": 482_300.00,
        "umsatz_vormonat": 446_900.00,
        "veraenderung_pct": round(
            (482_300 - 446_900) / 446_900 * 100, 1),
        "top_region": "Sued",
        "marge_pct": 23.4,
    }

# 2) SPRACHE: KI formuliert NUR aus gegebenen Zahlen.
def kommentar(z: dict) -> str:
    msg = an.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=600,
        system=("Formuliere einen sachlichen "
                "Berichtskommentar AUSSCHLIESSLICH aus "
                "den gegebenen Zahlen. Rechne NICHTS "
                "selbst. Erfinde KEINE Werte. Nenne nur "
                "Zahlen, die im JSON stehen."),
        messages=[{"role": "user",
                   "content": json.dumps(z, ensure_ascii=False)}])
    return msg.content[0].text

z = kennzahlen("2026-05")
text = kommentar(z)  # Mensch prueft vor Versand

Diese Trennung ist kein Detail, sondern das ganze Geheimnis. Die Zahlen sind so verlässlich wie der Code, der sie erzeugt — also so verlässlich wie bisher. Die KI kann nur noch beim Formulieren danebenliegen, und das ist leicht prüfbar, weil jede genannte Zahl mit dem übergebenen Datensatz abgeglichen werden kann.

Halluzinationen im Text abfangen.

Selbst wenn die KI nur formulieren soll, kann sie Zahlen verfälschen — etwa „rund 8 %“ zu „rund 18 %“ verschreiben oder eine Region nennen, die nicht in den Daten steht. Deshalb gehört nach der Textgenerierung eine automatische Gegenprüfung dazu: Alle Zahlen im generierten Text werden gegen den übergebenen Datensatz abgeglichen. Taucht im Text eine Zahl auf, die nicht aus den Daten stammt, wird der Bericht markiert und zur manuellen Prüfung gegeben statt automatisch verschickt.

Das klingt aufwendig, ist aber das, was ein Spielzeug von einem produktionsreifen System unterscheidet. Ein Bericht, der gelegentlich falsche Zahlen enthält, ist schlimmer als kein automatischer Bericht, weil niemand mehr weiß, welcher Zahl er trauen kann.

Wo die Grenzen liegen.

Aufgabe	Eignung für KI
Berechnen von Kennzahlen	Nein — gehört in Code
Formulieren von Kommentaren	Ja — mit Gegenprüfung
Zielgruppengerechtes Umschreiben	Ja — Fakten bleiben fix
Ursachen von Abweichungen benennen	Nur als Vorschlag, Mensch prüft
Strategische Schlussfolgerungen	Nein — gehört zum Menschen
Verbindliche Aussagen für Externe	Nur nach menschlicher Freigabe

Besonders heikel ist die Versuchung, die KI „Ursachen“ erklären zu lassen. Aus Daten lässt sich oft nur eine Korrelation ablesen, keine Ursache. Wenn die KI schreibt „der Umsatz sank wegen X“, klingt das überzeugend, ist aber häufig geraten. Solche Kausalaussagen gehören zum Menschen, der den Kontext kennt. Die KI darf Auffälligkeiten benennen, nicht ihre Ursachen behaupten.

Datenqualität entscheidet alles.

Ein Bericht ist nur so gut wie seine Datengrundlage. Wenn die Quellsysteme widersprüchliche Zahlen liefern, doppelte Buchungen enthalten oder unterschiedliche Stichtage verwenden, produziert auch das beste System falsche Berichte — nur schneller und schöner formuliert. Bevor man Reporting automatisiert, lohnt es sich fast immer, zuerst die Datenqualität und die Definitionen der Kennzahlen sauberzuziehen. Was genau zählt zum „Umsatz“? Welcher Stichtag gilt? Diese Fragen zu klären bringt oft mehr als jede KI.

Datenschutz und Vertraulichkeit.

Berichtsdaten enthalten oft sensible Geschäftszahlen und manchmal personenbezogene Daten. Wer Zahlen oder Kommentare über eine Cloud-API verarbeiten lässt, braucht eine saubere Rechtsgrundlage, einen Auftragsverarbeitungsvertrag und Klarheit über den Datenstandort. Häufig genügt es, der KI nur aggregierte, anonymisierte Kennzahlen zu übergeben statt Rohdaten — das reduziert das Risiko erheblich. Für hochsensible Zahlen kann ein lokal betriebenes Modell die sauberere Wahl sein. Dies ist keine Rechtsberatung; die konkrete Ausgestaltung gehört mit Datenschutz- und Rechtsexpertise abgestimmt.

Realistischer Nutzen.

Der ehrliche Gewinn liegt im Wegfall der wiederkehrenden Formulierungs- und Zusammenstellungsarbeit. Wer monatlich denselben Bericht schreibt, gewinnt spürbar Zeit, wenn das Gerüst automatisch mit aktuellen Zahlen und einem brauchbaren Entwurfskommentar gefüllt wird. Der Mensch prüft, schärft nach, ordnet ein — statt bei null anzufangen. Was nicht passiert: Die KI ersetzt das Controlling nicht. Sie nimmt ihm die mechanische Arbeit ab, damit mehr Zeit für die eigentliche Analyse bleibt.

Was ich empfehle.

Zahlen aus Code, Sprache aus KI. Diese Trennung ist nicht verhandelbar. Sie ist der Unterschied zwischen verlässlich und gefährlich.
Generierte Texte gegenprüfen. Jede Zahl im Text gegen die Daten abgleichen, bevor irgendetwas verschickt wird.
Keine Kausalaussagen automatisieren. Auffälligkeiten benennen ja, Ursachen behaupten nein.
Erst Datenqualität, dann KI. Saubere Kennzahlen-Definitionen bringen oft mehr als jedes Modell.
Mensch gibt frei. Besonders bei Berichten, die das Haus verlassen.

Sie wollen wiederkehrende Berichte automatisch füllen und kommentieren lassen — mit verlässlichen Zahlen und geprüften Texten? Unverbindlich anfragen — wir sehen uns Ihre Datenquellen und Berichtsformate an und definieren eine saubere Trennung von Rechnen und Formulieren.