Bei der Abweichungsanalyse im Budget eignet sich KI am besten dort, wo Plan und Ist schnell verglichen und Ausnahmen erkannt werden müssen. Laut Dokumentation von RedAI kann das System jede Nacht die Differenz zwischen genehmigten Kostendokumenten und dem Plan für den jeweiligen Monat berechnen. Das Ergebnis fließt in einen Bericht mit einer Liste der Kostenstellen, in denen die Kosten den Plan überschreiten. Monex beschreibt einen ähnlichen Mechanismus: KI kann Buchhaltungsdaten automatisch aggregieren, Plan-Ist-Differenzen berechnen und Anomalien erkennen.
Das ist wichtig, weil die Automatisierung die erste Phase der Arbeit des Finanzcontrollers verkürzt: Er muss nicht manuell viele Auswertungen öffnen, um die Bereiche mit der größten Abweichung zu finden. Laut Monex kann KI außerdem eine Gliederung des Berichts vorbereiten und Daten für die weitere Analyse strukturieren.
Das stärkste Signal aus der Praxis ist einfach: KI kann eine Abweichung erkennen, aber nicht immer ihren geschäftlichen Sinn erklären. In einem Artikel von FinMentor beschreibt der Autor einen Test der OPEX-Abweichungsanalyse. Dabei zeigt sich, dass der größte Nutzen nicht darin lag, dass die KI die Abweichung selbst „erklärt“ hat, sondern darin, dass sie dem Analysten einen besseren Ausgangspunkt gab: eine Reihe von Hypothesen und Fragen zur Überprüfung.
Ähnlich empfiehlt DigiData eine bestimmte Reihenfolge der Arbeit: Zuerst werden die Summen und die Differenz selbst gezeigt, und erst danach fragt man das System nach den Transaktionen, die diese Veränderung erklären. Daraus ergibt sich ein gutes Nutzungsmodell: Die Automatisierung erkennt die Abweichung, und der Mensch bewertet, ob sie auf ein einmaliges Ereignis, einen Klassifizierungsfehler, eine Mengenänderung oder eine Prozessänderung zurückgeht.
Laut Enterprise DNA funktioniert die Abweichungsanalyse am besten, wenn die Dateneingänge klar definiert sind, eine Wesentlichkeitsschwelle festgelegt ist und nach jedem Alarm feststeht, wer reagieren soll und welcher nächste Schritt folgt. Die Autoren empfehlen außerdem, die Regeln nach zwei oder drei Zyklen anzupassen, denn erst dann zeigt sich, welche Warnungen nützlich sind und welche nur Rauschen erzeugen.
ZeNextia nennt eine weitere Voraussetzung: ERP, EPM und BI-Werkzeuge müssen miteinander verbunden sein, denn KI kann eine erste Abweichungsanalyse nur dann in wenigen Minuten vorbereiten, wenn sie Zugriff auf konsistente Daten aus diesen Systemen hat. In der Praxis bedeutet das: Die Automatisierung hilft am meisten bei wiederkehrenden Vergleichen und einer ersten Interpretation, während der Mensch für die Bewertung von Ausnahmen, die Anpassung von Schwellenwerten und den Kommentar für die Geschäftsführung unverzichtbar bleibt.
Lub System unterstützt B2B-Unternehmen bei der Einführung von KI, Automatisierung und IT-Lösungen - von der Strategie bis zur Umsetzung. Mehr zu unseren Leistungen oder Kontakt aufnehmen.