KI im Controlling: Was 2026 wirklich funktioniert

Der Verwaltungsrat hat im Frühling nach der KI-Strategie im Finanzbereich gefragt. Seither sind die Copilot-Lizenzen gekauft, ein Pilot mit einem Chatbot auf dem Management-Dashboard läuft, und der Controller hat ein Notebook, das Abweichungen kommentiert. In der GL-Sitzung stellt jemand die naheliegende Frage: «Wie hoch ist der EBIT der Region West im August?» Der Chatbot antwortet – dreimal, mit drei verschiedenen Werten, je nachdem, ob man «EBIT», «Betriebsergebnis» oder «Ergebnis West» fragt. Der CFO schliesst den Laptop. Das ist die Ausgangslage, in der wir KI im Controlling 2026 meistens antreffen: viel Werkzeug, wenig Fundament.

KI im Controlling: Die Zahlen sind ernüchternder als die Demos

Gartner hat im März 2026 204 Finanzverantwortliche befragt. 45 % sagen, ihre KI-Investitionen zielten vor allem auf Produktivität und Effizienz; nur 20 % nennen die Entscheidungsqualität als Schwerpunkt (Gartner 2026). Gartner leitet daraus einen «perception gap» ab: Die Finanzfunktion meldet Fortschritt bei der Adoption, der Verwaltungsrat sieht wenig strategische Wirkung. Die Maschine macht schneller, was schon vorher lief. Ob es das Richtige war, prüft sie nicht.

Im deutschsprachigen Raum ist das Bild bodenständiger. Die CPMC-Benchmarkstudie «Digitalisierung im Controlling» im Auftrag des Internationalen Controller Vereins hat 2024 achtzehn Unternehmen interviewt: Vier nutzen KI im Controlling mindestens geringfügig, vor allem im Umsatzforecast; neun setzen RPA ein, und manuelle Arbeit dominiert weiterhin Planung und Reporting (Dillenberger/Spang 2025). Der BARC Planning Survey 26 mit 804 Teilnehmenden zeigt Bewegung: Der Anteil der Unternehmen, die KI für Predictive Planning oder Forecasting einsetzen, hat sich binnen eines Jahres von 11 auf 27 % verdoppelt. Und was erwarten sie davon? 75 % nennen die Entlastung von manueller Arbeit, 52 % die Validierung manueller Planungen, 51 % eine höhere Forecast-Genauigkeit (BARC 2026). Auch hier: zuerst Entlastung, dann Absicherung, zuletzt bessere Zahlen.

Was kostet das Muster aus der Einstiegsszene? Erstens Lizenzen, die pro Kopf und Monat laufen, während der Pilot in der Sitzung nicht mehr geöffnet wird. Zweitens Vertrauen: Sobald ein Werkzeug dieselbe Grösse dreimal verschieden ausgibt, verhandelt die Geschäftsleitung wieder über die Zahl statt über den Entscheid. Drittens, und das ist die teuerste Position: eine falsche Zahl, die niemand geprüft hat, weil sie flüssig formuliert war. Fabian Meisser bringt es in seinem Beitrag für SwissAccounting auf den Punkt: Bei Kennzahlen dürfen keine ungefähren Schätzungen durch KI verwendet werden, sondern exakte Werte gemäss der Unternehmensdefinition (Meisser 2024, S. 34). Der Chatbot kannte die Definition nicht, weil sie nirgends stand. Das ist kein KI-Problem, sondern ein Modellproblem, das die KI sichtbar gemacht hat.

Unser Standpunkt daraus: KI ist nur so gut wie die Frage, die man ihr stellt, und das Datenmodell, auf dem sie steht. Beides gehört ins Controlling, nicht in die IT und nicht zum Anbieter.

Das Prüfraster: Mehrwert, Regelkonstanz, Validierung

Meisser schlägt eine Bewertungsmatrix mit zwei Achsen vor: Wertstiftung – welchen Mehrwert oder welche Zeitersparnis bringt der Use Case in CHF? – und Regelmässigkeit – bleiben die Spielregeln im Anwendungsgebiet konstant, sodass die Vergangenheit ein Indikator für die Zukunft ist? (Meisser 2024, S. 32 f.). Wir haben in Reviews eine dritte Frage ergänzt, weil sie in der Praxis am häufigsten entscheidet: Wer validiert das Ergebnis, bevor es in eine Sitzung geht? Wenn die ehrliche Antwort «niemand» oder «der Endanwender» lautet, ist der Use Case nicht reif, egal wie gut die Demo war.

Mit diesen drei Fragen lässt sich die Liste der KI-Ideen, die uns Kunden mitbringen, in zwei Gruppen teilen.

KI-Use-Cases im Controlling am Prüfraster

Use Case	Mehrwert in CHF	Regeln konstant	Wer validiert	Urteil
Entwurf des Abweichungskommentars im Monatsreport	hoch: 1–2 Tage je Monat	ja: Berichtsstruktur fix	Controller gibt frei	trägt
Anomalien in Buchungen und Budgets markieren	hoch: Fehler vor dem Abschluss	ja: Kontenlogik stabil	Fachperson ordnet ein	trägt
Statistischer Forecast als Referenz neben dem Plan	mittel	nur bei stabilem Geschäft	Controller vergleicht mit Plan	trägt mit Vorbehalt
Interviewprotokolle und Kennzahlen-Glossar strukturieren	mittel: Tage im Scoping	ja	Autor prüft jeden Eintrag	trägt
Copilot auf dokumentiertem semantischem Modell	mittel bis hoch	ja, wenn Modell gepflegt	Modell liefert Zahl, Mensch liest	trägt mit Vorbedingung
KI berechnet Kennzahlen aus Konten	negativ	–	niemand in der Sitzung	trägt nicht
Agent ohne Datenfundament	unklar	nein	nicht möglich	trägt nicht
Data Agent für Endanwender auf Rohtabellen	gering	nein	Endanwender kann es nicht	trägt nicht
«KI ersetzt den Controller»	–	–	–	trägt nicht

Was trägt

Der Erstentwurf des Abweichungskommentars. Der Monatsreport steht, die Abweichungen gegen Budget und Vorjahr sind berechnet, die ±5 %-Schwelle hat markiert, was einen Kommentar braucht. Ein Sprachmodell, das die Abweichungstabelle, die Kommentare der letzten drei Monate und die Kontierungsregeln kennt, schreibt für jede markierte Position einen Entwurf: was, wie viel, gegenüber welcher Referenz, mit welcher Vermutung. Der Controller streicht, korrigiert, ergänzt die Ursache, die nur er kennt, und gibt frei. Das spart bei dreissig kommentierten Positionen ein bis zwei Tage je Monat – und es trägt, weil die Struktur konstant ist und ein Mensch validiert.

Anomalien in Buchungen und Budgets. Ein Kreditor, der plötzlich auf einem anderen Konto landet; eine Budgetzeile, die um den Faktor zehn von der Historie abweicht; ein Rückstellungskonto ohne Bewegung im Abschlussmonat. Solche Muster findet eine Maschine in grossen Buchungstabellen zuverlässiger als ein Mensch am Abschlusstag. Ob der Ausreisser stimmig oder problematisch ist, kann aber nur die Finanzfachperson einschätzen (Meisser 2024, S. 33). Der Use Case trägt, weil er den Abschluss absichert, nicht weil er ihn ersetzt.

Der statistische Forecast als Referenz. Ein Zeitreihenmodell, das aus drei Jahren Umsatzhistorie eine Fortschreibung rechnet, ist kein Plan, sondern eine zweite Meinung: Plant der Verkaufsleiter für das vierte Quartal plus 12 % und sagt die Fortschreibung plus 3 %, ist die Differenz die Frage für die Sitzung. Das trägt bei stabilem Geschäft mit Saisonalität; bei einem Projektgeschäft mit fünf Grossaufträgen im Jahr sind die Regeln nicht konstant. Und der Forecast muss transparent sein, sonst wird er von den Anwendern nicht akzeptiert (Meisser 2024, S. 33).

Interviewprotokolle und Glossar strukturieren. Im Scoping führen wir Gespräche mit jeder Führungskraft: Ziel, Problem, Frühwarnung, Analyse, Bericht, Wirkung. Aus zwölf Protokollen ein Entscheidungs-Inventar und einen ersten Kennzahlen-Katalog zu bauen, war früher Tage Arbeit. Heute liefert das Modell die Struktur, und wir prüfen jeden Eintrag. Dasselbe gilt für das Kennzahlen-Glossar – die Definition, die dem Chatbot aus der Einstiegsszene gefehlt hat.

Copilot auf einem sauberen semantischen Modell. Copilot in Power BI rechnet nicht selbst; er übersetzt die Frage in eine Abfrage gegen das semantische Modell. Ist dort «EBIT» genau einmal definiert, als Measure mit Beschreibung, Synonymen («Betriebsergebnis») und dokumentierten Dimensionen, bekommt die Sitzung eine Zahl – dieselbe wie im Bericht. Ist das Modell eine Sammlung von Tabellen mit technischen Spaltennamen, rät Copilot, und er rät flüssig. Merkmale und Wertfelder sauber benannt, Beziehungen eindeutig, Measures beschrieben, Notation festgelegt: Das ist die Vorbedingung, und sie ist Controlling-Arbeit.

Was nicht trägt

KI, die Kennzahlen berechnet. Ein Sprachmodell, dem man den Kontenplan und den Saldenauszug gibt und das den EBIT «berechnet», liefert eine Näherung, die niemand im Meeting prüfen kann. Kennzahlen sind deterministisch und unternehmensdefiniert; die richtige Lösung dafür ist BI, nicht KI – die beiden sind symbiotisch, nicht konkurrierend (Meisser 2024, S. 34, Fn. 3). Bei uns gilt: Die Zahl kommt aus dem Modell, die KI darf sie kommentieren, erklären, einordnen. Sie darf sie nicht erfinden.

Agenten ohne Datenfundament. 2026 ist das Jahr der Agenten: Werkzeuge, die selbständig Schritte planen, Daten holen und Ergebnisse zusammenstellen. Auf einem dokumentierten Modell kann das funktionieren. Auf acht Quellsystemen mit drei verschiedenen Kundennummern und einem Excel als Konsolidierungsschicht führt der Agent dieselbe Verwirrung aus, die vorher der Mensch hatte – nur schneller und ohne das Störgefühl.

Data Agents für Endanwender. Die Idee, dass der Bereichsleiter dem Agenten selbst Fragen stellt und die Antwort direkt in die Sitzung nimmt, scheitert an der dritten Prüffrage: Der Endanwender kann nicht validieren, ob der Agent Umsatz brutto oder netto, mit oder ohne Intercompany, nach Rechnungs- oder Lieferdatum gerechnet hat. Self-Service auf einem geprüften Modell mit vordefinierten Measures: ja. Freie Fragen auf Rohtabellen: nein.

«KI ersetzt den Controller». Christian Langmann hat es schon 2019 nüchtern formuliert: Das Controlling wird die Interpretations- und Deutungshoheit behalten, allerdings nur, wenn es die von Maschinen angewendete Datenanalytik auch selbst versteht (Langmann 2019, S. 53). Ersetzt wird nicht der Controller, sondern der Controller, der die Frage nicht stellen und das Ergebnis nicht prüfen kann.

Die Reihenfolge bleibt: Entscheid, Kennzahl, Modell, dann Maschine

Unser Framework «Vom Entscheid zur Kennzahl» ändert sich mit KI nicht. Entscheid → Frage → Kennzahl → Daten → Bericht → Wirkung → Review – die Maschine setzt erst bei «Daten» an, wenn Entscheid, Frage und Kennzahl definiert sind. Davor steht die Zweckfrage: Was sollen diese Zahlen aussagen, und was wird damit bezweckt? Wer sie für den Chatbot nicht beantworten kann, kann sie auch für den Bericht nicht beantworten.

Manchmal braucht die beste «KI-Idee» gar keine KI. In einem Industrieunternehmen war die Frage, welche Beschaffungsrisiken im Bereichs-Cockpit sichtbar sein sollen. Der erste Reflex war ein Modell, das aus Lieferzeiten und Beständen Risiken vorhersagt. Die Regel, die am Ende trug, war einfacher: Ein billiges Teil, das in vielen Stücklisten steckt und zu den Schnelldrehern gehört, ist ein Risiko – weil es bei Ausfall die teuersten Produkte stoppt und niemand hinschaut, weil es billig ist. Drei Merkmale, eine Sortierung, eine Kennzahl mit wöchentlicher Kadenz. Die Regel ist konstant, jeder im Einkauf versteht sie, und sie lässt sich abstimmen. Eine KI hätte dasselbe vielleicht gefunden, aber niemand hätte gewusst, warum.

Das ist der Massstab für jeden KI-Use-Case: Wäre eine konstante Regel im Modell einfacher, nachvollziehbarer und abstimmbarer? Dann gehört sie ins Modell. Abstimmbarkeit vor Schönheit gilt auch hier – der Report hängt am Abschluss, und die KI-Antwort muss zum Report passen.

Meisser sieht den grössten Nutzen nicht im Forecast und nicht im Dashboard, sondern bei Controllern, die ihre Daten verstehen und mit Copilot oder ChatGPT Automatisierungen selbst umsetzen – zwei- bis fünfmal schneller als früher. Sein Satz dazu: «Die Gewinner dieser Entwicklung sind nicht die heute schnellsten Programmierenden, sondern diejenigen, die das Geschäftsproblem verstehen, aber im Codieren nicht so versiert sind.» (Meisser 2024, S. 33). Das ist die Rolle, die wir dem Controlling zutrauen: nicht der Empfänger von KI-Ergebnissen, sondern die Person, die das Modell baut, auf dem die Maschine arbeitet.

Was der Projekt-Review dazu prüft

Bei einem KI-Vorhaben im Controlling schauen wir zuerst nicht auf das Vorhaben, sondern auf das Modell darunter. Drei Prüfpunkte: Erstens Modellreife – ist jede Steuerungskennzahl genau einmal definiert, mit Owner, Referenz und Kadenz, und stimmt der Bericht mit dem Abschluss überein? Zweitens die Frage – welcher Entscheid soll mit dem KI-Ergebnis anders gefällt werden, und wer validiert es vorher? Drittens die Notation – gibt es ein Konzept in Anlehnung an IBCS®, das festlegt, wie Abweichungen, Referenzen und Schwellen aussehen, damit ein generierter Kommentar dieselbe Sprache spricht wie der Bericht? Wo die drei Punkte stehen, ist KI ein Baustein von wenigen Wochen. Wo sie fehlen, ist die KI das teuerste Symptom eines Modellproblems – und das schreiben wir dann auch so in die Zweitmeinung des Projekt-Reviews, mit einer Streichliste, was vor der KI zu tun ist.

Was Sie morgen tun können

Legen Sie die KI-Ideen, die in Ihrem Haus kursieren, an die drei Fragen: Mehrwert in CHF, Regeln konstant, wer validiert. Was zweimal «unklar» bekommt, wird zurückgestellt. Dann stellen Sie Ihrem Dashboard-Chatbot die drei Fragen aus der Einstiegsszene und vergleichen die Antworten mit dem Monatsbericht. Stimmen sie nicht überein, ist Ihr nächstes Projekt kein KI-Projekt, sondern ein Modell-Projekt.

Wenn Sie dafür eine Aussensicht möchten: Unser Projekt-Review dauert wenige Tage, kostet einen Festpreis und endet mit einer schriftlichen Zweitmeinung – welche KI-Use-Cases tragen, was das Modell vorher braucht, und was gestrichen werden kann.

Quellen

• Gartner (2026): Gartner Survey Shows 45% of CFOs Say Their AI Investments Lean Toward Productivity, While 20% Say These Investments Lean Toward Decision Quality. Pressemitteilung, 20. Juli 2026, Umfrage März 2026, n = 204. gartner.com
• BARC (2026): The Planning Survey 26 – KI-Einsatz in der Unternehmensplanung verdoppelt sich binnen eines Jahres. Pressemitteilung, 9. Juni 2026, n = 804. barc.com
• Dillenberger, K. L., Spang, S. (2025): Digitalisierung im Controlling. Benchmarking-Studie, Ergebnisbericht (Auszug). Centre for Performance Management & Controlling (CPMC), Frankfurt School, im Auftrag des Internationalen Controller Vereins (ICV). icv-controlling.com
• Meisser, F. (2024): KI im Rechnungswesen und Controlling: Was sind sinnvolle Anwendungen? In: SwissAccounting «Standard» 3/2024, S. 32–35.
• Langmann, C. (2019): Digitalisierung im Controlling. Springer Gabler essentials.