Künstliche Intelligenz im Controlling: Bedeutung, Anwendungsgebiete und Reifegradmodell

Künstliche Intelligenz im Controlling: Bedeutung, Anwendungsgebiete und Reifegradmodell

n Das Schlagwort „Künstliche Intelligenz“ (KI) beschreibt selbstlernende Com- putersysteme, die durch Nutzung großer Datenmengen und spezifischer Algorithmen menschliche Entscheidungen unterstützen und in letzter Kon- sequenz vollständig ersetzen können.

n Aufbauend auf einer inhaltlichen Eingrenzung von KI sowie der Beschreibung aktueller Anwendungsfälle in der unternehmerischen Praxis, skizziert der Beitrag auf Basis eines Reifegradmodells Anwendungsszenarien von KI im Controlling.

n Auch wenn KI aktuell sicher nur sporadisch und in den unteren Stufen des Reifegradmodells im Controlling zum Einsatz kommt, wird sich dies in den nächsten Jahren deutlich weiterentwickeln. Verantwortliche Führungskräfte im Controlling sollten daher frühzeitig damit beginnen, sich mit KI vertraut zu machen, sinnvolle unternehmensspezifische Anwendungsgebiete zu identifizie- ren, notwendige Kompetenzen im Controllerbereich aufzubauen und kleinere Pilotprojekte umzusetzen.

Inhalt Seite

1 Szenario für Digitalisierung und KI im Controlling ... 91

2 Einfluss der Digitalisierung auf das Controlling ... 91

3 Verständnis von Künstlicher Intelligenz ... 94

4 Aktuelle Anwendungsgebiete Künstlicher Intelligenz im Unternehmen ... 95

5 Reifegradmodell der Nutzung Künstlicher Intelligenz im Controlling ... 96

5.1 Stufe 1: Semi-intelligente Datenanalyse ... 97

5.2 Stufe 2: Intelligente Assistenzfunktionen ... 98

5.3 Stufe 3: Inhaltlich gestärkter KI-Einsatz ... 99

5.4 Stufe 4: Umfassend strategischer KI-Einsatz ... 100

6 Fazit und Ausblick ... 101

7 Literaturhinweise ... 102

n Die Autoren

Dr. Helge F. R. Nuhn, Senior Manager im Team Digital Controlling bei der KPMG AG Wirtschaftsprüfungsgesellschaft in Frankfurt am Main.

Prof. Dr. Mike Schulze, Professor für Controlling, Rechnungswesen und Finanzmanagement an der European Management School (EMS) in Mainz und Senior Research Fellow am Strascheg Institute for Innovation, Transformation &

Entrepreneurship (SITE) der EBS Universität für Wirtschaft und Recht in Oestrich-Winkel.

Prof. Dr. Bernd Wallraff, Professor für Betriebswirtschaftslehre, insbesondere Wirtschaftspsychologie an der European Management School (EMS) in Mainz. Er berät Unternehmen im Bereich digitale Führung und begleitet Strategie- und Veränderungsprozesse.

1 Szenario für Digitalisierung und KI im Controlling

Derzeit wird viel geschrieben, veröffentlicht und diskutiert über die zukünftigen Chancen und Risiken Künstlicher Intelligenz (KI), sowohl im Hinblick auf jeden Einzelnen, als auch auf Unternehmen, Organisationen, den Staat und unsere Gesellschaft als Ganzes. Die durchaus nicht immer objektiven Sichtweisen reichen dabei von vernichtend bis hin zu utopisch-euphorisch. Sicher wird sich die Zukunft irgendwo dazwischen abspielen. Schon jetzt ist erkennbar, dass KI immer stärker in verschiedenste Lebensbereiche vordringt. So kann man sich heute schon keine weitergehende Informationssuche ohne die auf KI basierenden Suchmaschinen von Google und anderen Anbietern vorstellen. Auch das Controlling als Funktionsbereich wird hiervon betroffen sein. Es stellt sich daher die spannende Frage, wie zukünftig die Nutzung von KI im Controlling aussehen könnte, oder anders formuliert: Wie werden zukünftig natürliche (menschliche), organisationale und künstliche Intelligenz im Controlling miteinander intera- gieren?

Ziel dieses Beitrags ist es in diesem Zusammenhang nicht, auf Basis etablierter Methoden der Zukunftsforschung eine möglichst präzise und in jederlei Hinsicht belastbare Vorhersage zu erarbeiten. Es soll stattdessen versucht werden, einen Blick in die Zukunft zu werfen und ein Spektrum von denkbaren Szenarien und Reifegraden für den Einsatz von KI im Controlling zu skizzieren. Dazu wird in einem ersten Schritt zunächst allgemein der aktuelle Einfluss der Digitalisierung auf das Controlling dargestellt, bevor in einem zweiten Schritt dann im Speziellen der Einfluss von KI betrachtet wird.

2 Einfluss der Digitalisierung auf das Controlling

Der voranschreitende digitale Wandel hat bereits heute einen starken Einfluss auf das Controlling und dies sogar in zweierlei Hinsicht.

1. Zum einen sind die Bewältigung und hier insbesondere die Steuerung der digitalen Transformation in den Unternehmen zu einer neuen Aufgabe des Controllings geworden. Der Controller begleitet den Wandlungsprozess und übernimmt so eine entscheidende Rolle bei der Gestaltung der zukünftigen digitalen Ausrichtung des Unternehmens.

2. Zum anderen unterliegt das Controlling aber auch selbst dem digitalen Wandel.

Dieser ist bspw. geprägt durch:

•

die Automatisierung und Standardisierung der Controllingprozesse,

•

digitale Technologien, wie bspw. Cloud und Big-Data-Lösungen, die als Türöffner zur Automatisierung und Standardisierung gelten,

•

auf verfügbaren Technologien aufbauende Anwendungen im Controlling, wie bspw. ERP- oder Big-Data-Analytics-Anwendungen,

•

Veränderungen in der Controllingorganisation, hierzu zählen neue Formen wie Controlling-Factories oder Controlling-Hubs sowie

•

neue Kompetenzanforderungen an die Controller, verursacht durch den Einsatz neuer Technologien und Controllinganwendungen.

Die Digitalisierung im Controlling reduziert durch die Automatisierung nicht nur die Fehleranfälligkeit, sondern hat darüber hinaus erhebliche positive Effekte im Hinblick auf die Effizienz der Controllerarbeit. Auswertungen, die zuvor Wochen gedauert haben, können heutzutage in Echtzeit ad hoc erstellt werden.

Die Nutzung von Big-Data-Analytics ermöglicht eine vielschichtige Datenaus- wertung und das Erkennen von Zusammenhängen, die ohne neue Technologien nicht identifizierbar wären. Datenauswertungen können orts- und personen- unabhängig durchgeführt werden. Dies senkt nicht nur die Kosten im Con- trolling, sondern erhöht auch den Nutzen und damit die Effektivität des Controllings.

Auf der Basis von Controlling-Prozessmodellen lassen sich sog. „Heatmaps“

entwickeln, die einen visuellen Eindruck davon vermitteln, in welchen Haupt- und Teilprozessen die Digitalisierung im Controlling einen signifikanten Einfluss haben wird (s. Abb. 1). Dabei wird deutlich, dass mehr als die Hälfte der relevanten Teilprozesse im Controlling stark bzw. mittelstark durch die Digitali- sierung betroffen sind. Dieser bereits heute deutlich erkennbare Effekt wird durch KI in den nächsten Jahren sicher noch weiter verstärkt werden, so dass weitere Veränderungen der Controllingprozesse zu erwarten sind. Bevor dies allerdings im Detail ausgeführt wird, soll im Weiteren zunächst das allgemeine Verständnis von KI erläutert werden.

essezorplieTssezorptpuaH Strategische PlanungStrategische Analyse

Prüfung Vision, Mission, Werte Prüfung/ Anp. Geschäftsmodell und strategische Stoßrichtung Definition Ziele, Maßnahmen & Messgrößen Finanzielle Bewertung der Strategie Abstimmung der Strategie mit Stakeholdern Kommuni- kation der Strategie Monitoringder Strategie- umsetzung Operative Planung, BudgetierungFestlegen/ Kommunizierenvon Prämissen& Top-down Zielen

Erstellung von Einzelplänen & Budgets Zusammenfassung & Konsolidierung von Einzelplänen Prüfung/ Anp. der Planungs- ergebnisse

Präsentation &Verabschiedung der Planung ForecastErmittlung einer Datenbasis für denForecast sowie Erstellung Forecast

Datenanalyse & Abweichungsanalyse (Forecast bzw. Plan/Budget)Erarbeitung von GegensteuerungsmaßnahmenVerabschiedung des Forecasts Kosten-, Leistungs-, Ergebnisrechnung

Definition & Pflege Stammdaten Kostenartenrechnung und Kostenstellenrechnung (inkl. Leistungsverrechnung) Angebots-/ Auftrags- Vorkalkulation Mitlfd.-& Nach- kalkulation Perioden- erfolgs- rechnung Periodenab- schlussder Kosten- rechnung

Abweichungs- analyse Management Reporting

Management des Reportingsystem-& DatenprozessesBerichtserstellung (Zahlenteil)Berichtserstellung (Abweichungsanalyse und Kommentar) Bewertung durch Management& Einleitung von Maßnahmen Projekt-und Investitions- controlling

Planung des Projektes/ Investitionen Unterstützung des Genehmigungsverfahrens Erstellung von Investitions-/ Projektberichten

Erstellung von EntscheidungsvorlagenNachkalkulation und Abschlussbericht RisikomanagementIdentifikation & Klassifikation von Risiken

Analyse & Bewertung vonRisiken

Aggregationder Einzelrisiken GesamtrisikopositionenAbleiten & Verfolgen von RisikomaßnahmenErstellung eines Risikoberichts Betriebs- wirtschaftliche Beratung & Führung

Begleitung Entscheidungs- prozess Begleitung/Einleitung von Maßnahmen zum Ergebnis- /Kostenmanagement Mitarbeit/Initiation von Prozessanalyseund - optimierung Projekt- mitarbeit Förderung von betriebswirtschaftlichemKnow- how im Unternehmen = stark betroffen= mittelstark betroffen= wenig bzw. leicht betroffen

Abb. 1: Auswirkungen der Digitalisierung auf die einzelnen Controllingprozesse¹

1 Vgl. Müller/Schulmeister, 2016.

3 Verständnis von Künstlicher Intelligenz

KI ist ein Sammelbegriff für technische Anwendungen, mit deren Hilfe ein Computer Aufgaben erledigen kann, für die ein Mensch seine Intelligenz benötigt.

Künstliche Intelligenz wird beobachtet, wenn Algorithmen auf Grundlage unter- schiedlichster Daten Resultate erzeugen, die nicht trivial sind und deren manuelle Erlangung kognitive Fähigkeiten erfordert.

Dieses weit gefasste Verständnis von KI birgt allerdings eine gewisse Unschärfe, da bereits eine rein mathematische Verarbeitung von Informationen als intelligent eingestuft würde. Diese kann durchaus unterschiedlich ausgeprägt sein: Bspw. ist die Erstellung einer multiplen linearen Regression die Grundlage vieler Analytics- Lösungen, die derzeit vielfach als KI-Anwendungsfälle aufgezeigt werden. Diese sind dem Bereich des „Machine Learning“ zuzuordnen, obwohl sie prinzipiell nur große Datensätze (Stichwort: Big Data) mit einfachen mathematischen Funk- tionen (Grundrechenarten) analysieren. Ein Gegenbeispiel sind künstliche neuro- nale Netze (KNN). Sie rechnen zwar ebenfalls nur mit Grundrechenarten, verknüpfen jedoch eine Reihe von Modellelementen derart, dass sie durch einen Menschen nicht mehr zeitgleich beobachtet und analysiert werden können. Diese Systeme weisen in der Konsequenz ein derart komplexes, nicht-lineares Verhalten auf, dass – bei der Erlangung subjektiv als richtig eingeschätzter Resultate – die Wahrnehmung intelligenten Verhaltens nicht abwegig ist. Die Komplexität des jeweiligen Algorithmus beeinflusst also durchaus, ob Menschen ein Rechnersystem in seinem Verhalten als „intelligent“ wahrnehmen.

Folgende 4 Schritte vollzieht eine KI:

1. Aufnahme strukturierter und unstrukturierter Informationen und Daten über Wege, die der menschlichen Wahrnehmung bzw. den Sinnen ähneln (Sense), 2. Verstehen und sinnvolle Verarbeitung der Informationen und Daten (Com-

prehend),

3. Ausführung einer darauf basierenden Handlung (Act),

4. selbstständiges Lernen auf Basis der Daten mithilfe von Training und Feedback (Learn).²

Gerade der vierte und letzte Schritt ist von erheblicher Bedeutung für das Vorliegen von KI. Dieser unterscheidet KI von anderen – sicherlich schon sehr komplexen – Anwendungen, die durch Computersysteme umgesetzt werden.

Grundsätzlich wird zwischen schwacher und starker KI unterschieden:

•

Schwache KI unterstützt kognitive Prozesse des Menschen bei der Lösung einzelner, abgegrenzter, konkreter Problemstellungen, die letztendliche Ent- scheidung trifft der Mensch.

2 Vgl. KPMG, 2018, S. 10.

•

^{Starke KI} besitzt vergleichbare kognitive Fähigkeiten wie der Mensch. Sie ist somit in der Lage, komplexe Themenstellungen in ihrer Ganzheit zu erfassen und zu erarbeiten. Dazu gehört es auch, eigenständige Entscheidungen zu treffen. Bisher ist keine Form echter starker KI bekannt.³

Die Dynamik, die das Thema KI insbesondere in den letzten Jahren bekommen hat, basiert auf den Fortschritten in folgenden 3 Bereichen:

•

Verfügbarkeit und Zugriffsmöglichkeiten auf große Datenmengen als Grund- lage für das maschinelle Lernen,

•

verbesserte Algorithmen zur Analyse von Daten,

•

rasante Erhöhung von Rechnerkapazitäten und effizientere Speicher.

Bevor skizziert wird, wie ein Einsatz von KI im Controlling aussehen könnte, sollen zunächst aktuelle Anwendungsgebiete von KI in Unternehmen beschrieben werden.

4 Aktuelle Anwendungsgebiete Künstlicher Intelligenz im Unternehmen

Wesentliche Anwendungsgebiete von KI lassen sich in folgende 4 Kategorien einteilen:

•

Mensch-zu-Maschine-Dialogprozesse,

•

Maschine-zu-Maschine-Prozesse,

•

Intelligente Automatisierung und

•

Intelligente Entscheidungsunterstützung.⁴

Mensch-zu-Maschine-Dialogprozesse beschreiben die Möglichkeit, menschen- gerechte Mensch-Maschine-Dialoge in natürlicher Sprache zu führen, sei es in Schriftform oder als gesprochenes Wort. Der Mensch muss nicht länger umständliche oder komplexe Bildschirm-/Tastaturdialoge erlernen, sondern die Maschine stellt sich auf den Menschen ein, der mit ihr so kommunizieren kann, wie er es gewohnt ist – in natürlicher Sprache.

Das Internet of Things (IoT) ermöglicht viele neue Anwendungen, die aktuell in der Industrie unter dem Schlagwort Industrie 4.0 mit wachsender Geschwindigkeit Einzug halten. IoT ermöglicht Maschine-zu-Maschine-Prozesse, d. h. technische Geräte sind sowohl miteinander als auch mit einer zentralen Logik vernetzt. Ein konkreter Anwendungsfall ist bspw. Predictive Maintenance, also die Vorhersage von Wartungsarbeiten mittels Sensorik und Machine-Learning-Verfahren, die auf Basis der entstehenden Sensordaten arbeiten. Dieses Verfahren kann bei allen von

3 Vgl. KPMG, 2018, S. 11.

4 Vgl. Bitkom/DFKI, 2017, S. 33 ff.

Verschleiß betroffenen Maschinen, Geräten und Fahrzeugen angewendet werden.

Es erhöht die Betriebssicherheit und senkt die Kosten.

Digitalisierung ist bereits ein wesentlicher Treiber der zunehmenden Auto- matisierung in Unternehmen. Intelligente Automatisierung beschreibt die Kom- bination der Automatisierung von Prozessen mit KI-Komponenten. Dadurch können Unternehmen ihre internen Prozesse maßgeblich verbessern. Ein Beispiel ist die „intelligent Robot Process Automation“ (iRPA), also der Einsatz von Software-Robotern, die betriebliche Software so benutzen, wie es ein Mensch mit Maus und Tastatur tun würde. Derartige Systeme schaffen es, die Eingabedaten zu verstehen und in die passende Weiterverarbeitung zu leiten. Einen konkreten Anwendungsfall in dieser Hinsicht gibt es bspw. im HR-Bereich: Bewerbungen werden elektronisch erfasst, die entsprechenden Eingabemasken der Personal- systeme werden mit den Daten der Bewerbung befüllt und eine lernende Verarbeitungskomponente kann bereits automatisiert eine Eignungsempfehlung generieren. Dadurch wird die Qualität von Personalentscheidungen erhöht.

Intelligente Entscheidungsunterstützung beschreibt den Anwendungsfall, dass die heute zur Verfügung stehenden großen (digitalisierten) Datenmengen durch die Analyse mit KI-Algorithmen im Ergebnis eine effektive Entscheidungsunterstützung ermöglichen. Einsatzfelder sind aktuell bereits in Assistenzsystemen in der Medizin oder im Rechtswesen zu finden, wo KI-gestützte Diagnostik oder das Auffinden von Präzedenzfällen die menschlichen Anwender wirkungsvoll unterstützen.

In Deutschland setzen insbesondere größere Unternehmen bereits KI-Anwendun- gen aus diesen 4 Kategorien ein. Hauptanwendungsgebiete sind Spracherkennung, Assistenzsysteme, Planungstools, Bilderkennung/-analyse, maschinelle Übersetzun- gen und sog. Bots.⁵ Unter einem Bot versteht man ein Computerprogramm, das weitgehend automatisch sich wiederholende Aufgaben abarbeitet, ohne dabei auf eine Interaktion mit einem menschlichen Benutzer angewiesen zu sein. Beispiele für Bots sind Webcrawler, die selbstständig Webseiten besuchen, wobei sie jeweils den vorhandenen Links folgen und dabei den Inhalt der Webseiten auswerten.

Im weiteren Verlauf werden nunmehr Szenarien für den Einsatz von KI im Controlling in Form eines Reifegradmodells skizziert.

5 Reifegradmodell der Nutzung Künstlicher Intelligenz im Controlling

Die Entwicklung von Reifegradmodellen hat in der Wirtschaftsinformatik einen großen Stellenwert mit umfangreichen theoretischen und praktischen Anwendun- gen. Der Begriff „Reife“ impliziert dabei einen evolutionären Prozess einer Charakteristik, die ausgehend von einem initialen Zustand heranreift und einen

5 Vgl. IDG Business Media GmbH, 2018, S. 3.

Endzustand erreichen kann. Reifegradmodelle bauen daher in mehreren Stufen aufeinander auf. Sie dienen bspw. dazu, Handlungsempfehlungen zur Verbes- serung der Effektivität und Effizienz von Prozessen und Organisationsbereichen abzuleiten.

Im Folgenden wird ein Reifegradmodell für den Einsatz von KI im Controlling skizziert, das aus insgesamt 4 Stufen besteht (s. Abb. 2). Die Übergänge zwischen den einzelnen Reifegraden sind als fließend zu verstehen. Die Reifegrade sind auch nicht exklusiv, d. h. es ist eine parallele Ausprägung von mehreren Stufen in einem Unternehmen denkbar. Darüber hinaus können die Beschreibungen der einzelnen Stufen (insbesondere die der fortgeschrittenen Stufen) einer gewissen Unschärfe unterliegen. Nichtsdestotrotz vermittelt das Reifegradmodell ein Gesamtverständ- nis davon, wie zukünftig unterschiedliche Ausprägungsformen von KI im Controlling aussehen können.

Stufe 1

Semi-intelligente Datenanalyse

Innerbetriebliche Daten werden auf Basis von selbstlernenden Algo- rithmen analysiert und die Ergebnisse können zur Entscheidungs- unterstützung genutzt werden.

Stufe 2 Intelligente

Assistenzfunktionen

Assistenzfunktionen unterstützen den Controller in unterschiedlichen Arbeitssituationen bei der Wahrnehmung seiner Aufgaben.

Stufe 3

Inhaltlich gestärkter KI-Einsatz

Die tatsächlichen Inhalte der unternehmens- internen Kommunikation werden von der KI erkannt und auf

operativer Ebene selbst- ständig adressiert und behandelt.

Stufe 4 Umfassend strategischer KI- Einsatz

Das KI-System hat Zugriff auf sämtliche verfügbaren internen und externen

Informationsquellen und ist in der Lage, diese Daten selbstständig zu analysieren und auf Basis der Ergebnisse strategisch zu handeln.

Abb. 2: Reifegradmodell der Nutzung Künstlicher Intelligenz im Controlling

5.1 Stufe 1: Semi-intelligente Datenanalyse

Stufe 1 der KI-Nutzung entspricht vielfach bereits dem aktuellen Status Quo von Controllingbereichen in Unternehmen. Auf dieser ersten Stufe sind innerbetrieb- liche, strukturierte Daten in großer Menge vorhanden. Sie finden sich in den meisten Fällen in gut gepflegten ERP-Systemen, die ggf. mit neuen Technologien wie In-Memory-Datenbanken schnell unterschiedlichste Sichtweisen auf vorhan-

dene Daten ermöglichen. Fortschrittliches, zumindest semi-intelligentes Verhalten tritt im Rahmen der Weiterverarbeitung und Analyse dieser großen innerbetrieb- lichen Datenmengen auf, wo durch die Anwendung von Machine-Learning- Algorithmen bessere und bislang nicht vorhandene Ergebnisse generiert werden, die eine effektive Entscheidungsunterstützung des Managements ermöglichen.

Beispiel: Semi-intelligente Datenanalyse bei der Deutschen Bahn

Unter Nutzung KI-gestützter Analysen wurden bei der DB Station & Service AG, einem Tochterunternehmen der Deutsche Bahn AG, unternehmensintern verfügbare Prozess- daten auf zuvor unbekannte Muster und Auffälligkeiten hin untersucht. Die dabei erzielten Ergebnisse umfassen sowohl neu entdeckte Auffälligkeiten in Arbeitsabläufen, als auch regionale Besonderheiten hinsichtlich Wartungsanforderungen. Das System setzt die identifizierten Muster vollautomatisch in Präsentationsfolien um. Diese Folien werden jeweils in einem Workshop mit Entscheidungsträgern sowie Analysten der DB Station &

Service AG besprochen und kategorisiert. Etwa ein Drittel der automatisch identifizierten Muster sind für die Beteiligten neu und interessant, in diesen Fällen werden weitere Schritte abgestimmt und priorisiert. Das Beispiel zeigt: der Schlüssel zum produktiven Einsatz der semi-intelligenten Datenanalyse liegt in der sinnvollen Aufgabenverteilung zwischen Mensch und Maschine. Im vorliegenden Fall identifiziert die Maschine effizient relevante Muster in Daten, während der Mensch auf Basis seines Erfahrungswissens Neuheitsgrad und Anwendbarkeit der Erkenntnisse bewertet.⁶

5.2 Stufe 2: Intelligente Assistenzfunktionen

Während Stufe 1 mit KI-Algorithmen auskommt, wie sie in Anwendungssoftware heutzutage bereits vielfach vorhanden sind, wird Stufe 2 auf KI-Systemen aufbauen, die den Controller proaktiver unterstützen. Dazu benötigen diese Systeme allerdings noch mehr Daten als Grundlage.

Beispiel: Kategorisierung von eingehenden E-Mails

Bei diesem Anwendungsfall ist ein KI-System mit dem persönlichen Mail-Account verknüpft. Die eingehenden E-Mails werden nicht mehr in chronologischer Reihenfolge ihres Eingangs gelesen, sondern sie werden vielmehr anhand von multivariaten Kategorisierungsverfahren vorsortiert sowie im Kontext bestimmter Geschäftsprozesse gruppiert. Dies geschieht im Hintergrund anhand von Schlüsselwörtern, die hinsichtlich ihrer Häufigkeit und/oder Bedeutung bewertet werden. Alternativ wird einer E-Mail seitens des KI-Systems besondere Priorität eingeräumt und sie direkt angezeigt, wenn sie Relevanz für eine aktuelle Tätigkeit bzw. Aufgabe des Controllers aufweist. Das KI-System ist darüber hinaus in der Lage, Empfängergruppen von E-Mail-Kommunikation größ- tenteils korrekt vorherzusagen oder bei erkannten Abweichungen im Adressatenkreis zu warnen, um Fehler beim Mailversand zu vermeiden.

6 Vgl. Bitkom/DFKI, 2017, S. 175.

Beispiel: Agentenbasiertes Dialogsystem

Ein zweites denkbares Anwendungsbeispiel ist ein agentenbasiertes Dialogsystem, das über Sprache oder Text angewiesen werden kann, einfache Tätigkeiten selbstständig auszuüben. So könnten typische Rückfragen zu fehlenden Daten bereits als Textbausteine in eine E-Mail überführt werden, die an den Datenlieferanten gesendet werden soll. Des Weiteren wird das KI-System sich immer dann melden, wenn aufgrund der verwendeten Anwendungssoftware auf manuelle, repetitive Tätigkeiten zu schließen ist. Sucht der Controller bspw. nach älteren Dateien, aus denen bestimmte Daten in eine neue Datei, z. B. in eine neu angelegte Excel-Datei, überführt werden, erkennt das KI-System dies. Es leitet die notwendigen Schritte zur Zusammenführung aus weiteren Dateien selbstständig her und bietet an, die restliche Konsolidierungsarbeit zu automatisieren. Dies ist dann eine Form der „intelligent Robot Process Automation“ (iRPA).

5.3 Stufe 3: Inhaltlich gestärkter KI-Einsatz

In Stufe 3 wird die E-Mail-Kommunikation nicht nur auf Basis der Bewertung der Relevanz einzelner Schlüsselworte durch das KI-System erfolgen, sondern es ist dazu in der Lage, die tatsächlichen Inhalte der Kommunikation zu erkennen und entsprechend zu behandeln. Intelligente Mustererkennung ist dann in der Lage, auf Anfragen zu reagieren, wie: „Wie war das prognostizierte Wachstum im Markt XYZ in den letzten 3 Jahren und um wieviel Prozent war die Prognose falsch?“, was zu einer automatisierten Erstellung einer PowerPoint-Präsentation mit den benötigten Daten, Abbildungen und relevanten Kommentierungen führt.

Das KI-System wird weiterhin in der Lage sein, mit weniger strukturierten Inhalten umzugehen. Hat der Controller in Stufe 2 lediglich die manuelle Konsolidierung von quantitativen Daten an das KI-System abgeben können, schlägt ihm das KI-System jetzt zusätzlich eine qualitative Aussage für die Kommentierung vor.

Der Controller interagiert in Stufe 3 mit dem KI-System interaktiver als in Stufe 2.

Während dort lediglich Vorschläge angeboten wurden, wie eine begonnene Aufgabe effektiv zu Ende geführt werden kann und die Durchführung per Click initiiert wurde, steht in Stufe 3 das KI-System mittels Sprachsteuerung zur Verfügung. Es versteht dabei die Intentionen hinter den Anfragen und ist auch in der Lage, komplexere Bearbeitungsreihenfolgen für sich zu planen und auszuführen.

Für die Realisierung der Stufe 3 benötigen die KI-Systeme wiederum noch mehr Daten als Grundlage. Dafür wird nicht mehr nur ein Zugriff auf die E-Mail- Kommunikation, sondern auch auf sämtliche internen Dateiablagesysteme sowie das Internet vonnöten sein. Das KI-System muss intensiv gegen fremde Zugriffe gesichert sein, da es Zugriff auf eine Vielzahl sensibler Daten hat und diese auch verarbeitet. Wesentlich eher als eine Anwendung auf einem PC, wird es in den jeweiligen Betriebssystemen der Endgeräte des Controllers integriert sein, um

dadurch umfassenden Einblick in die Verwendung dieser Geräte durch den Controller zu erlangen.

Das KI-System stößt mit den ihm zur Verfügung stehenden Informationen zunehmend an Grenzen. Die verwendeten Verfahren, mit denen eine Überprüfung der eigenen Leistung im Rahmen eines Problemlösungsprozesses stattfindet, sind in hohem Maße von zwei Aspekten abhängig:

1. von großen Datenmengen und

2. vom menschlichen Feedback zu der Qualität der erzielten Resultate.

Das KI-System selbst wird sich dennoch weiterentwickeln müssen, um abstrakter lernen zu können.

5.4 Stufe 4: Umfassend strategischer KI-Einsatz

Stufe 4 kombiniert sämtliche Ansätze der vorigen 3 Stufen. Das KI-System besitzt dazu Zugriff auf sämtliche Stamm- und Bewegungsdaten des Unternehmens und kennt daher jede E-Mail und jedes Dokument, das auch der Controller kennen würde. Es kennt darüber hinaus jegliche Form der persönlichen Korrespondenz in Wort und Schrift im Unternehmen, sodass bspw. auch Informationen aus Telefonaten als Wissensbasis genutzt werden können. Selbstverständlich hat das KI-System Zugang zu jeglichen frei verfügbaren Informationen, bspw. über das Internet. Die Unterschiedlichkeit der dort vorhandenen Informationsformate (Text, Video, Bild, gesprochenes Wort etc.) sowie die Interpretation von Informationen, die nicht in Reinform existieren, stellen keinerlei Hürden mehr da. Es wird in der Lage sein, sich selbständig bedeutungsvolle inhaltliche Zusammenhänge zu erschlie- ßen. Die wichtigste Quelle des Lernens liegt nicht mehr alleine in den verfügbaren betriebswirtschaftlichen Informationen. Sie wird vielmehr ergänzt durch die Verhaltensweise des Controllers an sich, welche durch das KI-System beobachtet wird (Bewegungsmuster, Kommunikation, getroffene Entscheidungen etc.).

Die Form, in der die KI Teilhabe an den Daten und der Kommunikation hat, wäre daher auch eine andere als in den vorherigen Stufen. Das KI-System wird nicht mehr auf dem Computer des Controllers in Anwendungsprogrammen, Apps oder Betriebssystemen integriert sein, sondern in Form eines Mini-Computers, bspw.

als Clip am Schlüsselanhänger, stets in seiner Nähe sein. Dadurch hätte es die Möglichkeit, den Controller permanent zu begleiten und dieselben Informationen aufzunehmen, wie er selbst.

Das KI-System hat so die Möglichkeit, sämtliche relevanten Ursache-Wirkungs- Zusammenhänge im organisationalen Kontext zu beobachten und von ihnen zu lernen. Diese Beobachtungen könnte es eigentlich jedoch nur im Umfeld eines spezifischen Controllers in einem spezifischen Unternehmen machen. Die dadurch entstehende Datenbasis ist nicht hinreichend für abstraktes, verallgemeinertes Lernen. Um diesem Umstand zu begegnen, könnte das KI-System weltweit mit

einer Vielzahl anderer KI-Systeme vernetzt sein. Diese würden untereinander Informationen über Ursache-Wirkungs-Zusammenhänge austauschen, vertrauli- che Informationen, die das Unternehmen nicht verlassen dürfen, jedoch vor- einander verschweigen. Auf diese Art wäre das KI-System in der Lage, wesentlich umfangreichere und abstraktere Erkenntnisse zu erlangen und diese auf konkrete Problemstellungen des Controllers anzuwenden. Durch diese umfassende Infor- mationslage könnte es nicht nur operativ, sondern auch umfassend strategisch wirken, indem es permanent die strategischen Rahmenbedingungen analysiert, Handlungsempfehlungen daraus ableitet, diese mit den tatsächlichen Entschei- dungen des Controllers vergleicht und innerhalb vorgegebener Parameter auto- matisiert Entscheidungen umsetzt.

Das System ist weiterhin in der Lage, sämtliche digitalen Kanäle so zu bedienen wie es auch der Controller tun würde, von der Anwendung betriebswirtschaftlicher Applikationen und Hilfsmittel bis hin zur E-Mail- und gesprochenen Korres- pondenz. Der Controller, der das KI-System kontrolliert, wird vermehrt

•

strategische Richtungsvorgaben an das KI-System formulieren,

•

die Ergebnisse der KI kontrollieren,

•

Fehleinschätzungen korrigieren oder bestimmte Informationen ändern und

•

die Kommunikation vor ihrer Durchführung durch die KI freigeben.

6 Fazit und Ausblick

Der Anwendungsgrad von KI im Controlling ist aktuell sicher noch als niedrig zu bewerten, auch wenn erste Anwendungsfälle auf den 2 unteren Stufen des vorgestellten Reifegradmodells durchaus schon vorhanden sind. Diese Anwen- dungsfälle sind allerdings noch sehr weit entfernt von der vierten Stufe eines umfassenden KI-Einsatzes im Controlling. Die ersten zu hebenden Potenziale liegen vor allem in der Weiterentwicklung alltäglicher Controllerwerkzeuge, also bspw. MS Excel und MS Outlook. Wenn die dort enthaltenen Informationen zukünftig durch ein KI-basiertes System analysiert und verarbeitet werden können, kann bereits ein signifikanter Schritt in der sinnvollen Nutzung von KI im Controlling getan werden.

Es ist zu erwarten, dass sich die Einsatzmöglichkeiten von KI im Controlling im Vergleich zum heutigen Stand in den nächsten Jahren noch deutlich weiter- entwickeln werden. Verantwortliche Führungskräfte im Controlling sollten daher frühzeitig damit beginnen, sich mit dem Themenfeld KI vertraut zu machen, sinnvolle unternehmensspezifische Anwendungsgebiete zu identifizieren und erste kleinere Pilotprojekte umzusetzen.

Wichtige Erfolgsfaktoren für das KI-unterstützte Controlling sind dabei das Vorhandensein einer KI-tauglichen IT-Infrastruktur, die Etablierung eines KI- tauglichen Datenmanagements sowie die Entwicklung der notwendigen Kom- petenzen im Bereich Data Science bei den betroffenen Fach- und Führungskräften

im Controlling.⁷ Insbesondere der letzte Aspekt wird sicher am schwersten zu realisieren sein, besteht doch heute schon im Rahmen der Digitalisierung in vielen Unternehmen eine Kompetenzlücke im Hinblick auf die Besetzung von Data- Scientist-Positionen.

Eine wichtige Botschaft zum Schluss: Der Sinn der Entscheidungsautomation ist nicht darin zu sehen, dass Controller überflüssig oder lediglich zu einer Kontroll- instanz der KI werden. Die KI wird dem Controller zum einen mehr Freiräume gewähren, da er selber weniger Zeit in die Sammlung und Aufarbeitung der Daten investieren muss. Zum anderen wird sie eine viel breitere und tiefere Analyse von unternehmensbezogenen Daten erlauben. Dadurch werden sich zukünftig eher neue, höherwertige Aufgabenfelder für Controller entwickeln und sich veränderte Strukturen im Sinne einer neuen Arbeitsteilung zwischen Mensch und Maschine etablieren.

7 Literaturhinweise

Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e. V./Deutsches Forschungszentrum für Künstliche Intelligenz GmbH, Künstliche Intelligenz – Wirtschaftliche Bedeutung, gesellschaftliche Herausforderungen, menschliche Verantwortung, Studienbericht, 2017.

IDG Business Media GmbH, Studie Machine Learning / Deep Learning, Studien- bericht, 2018.

KPMG AG WPG, Wertschöpfung neu gedacht – Von Humanoiden, KIs und Kollege Roboter, Studienbericht, 2018.

Müller/Schulmeister, Auswirkungen der Digitalisierung auf die Controlling-Teil- prozesse, Horváth & Partners, 2016.

7 Vgl. IDG Business Media GmbH, 2018, S. 2.