Gut jedes dritte deutsche Unternehmen setzt inzwischen aktiv KI ein, fast eine Verdopplung innerhalb eines Jahres. Im Controlling sieht die Bilanz anders aus: Viele Mittelständler tippen Umsatzprognosen noch in Excel-Tabellen, die spätestens beim dritten Nachtragshaushalt aus dem Ruder laufen. Dabei ist Forecasting genau der Bereich, in dem KI heute schon nachweisbar Zeit und Fehlerquote spart, wenn man ein paar Illusionen vorher abräumt.
Klassisches Controlling: Diagramme, Taschenrechner und viel Papier auf dem Schreibtisch. Foto: Vlada Karpovich auf Pexels
Die Zahl, die zeigt, wie schnell es gerade geht
Als Bitkom im Sommer 2025 zum wiederholten Mal 604 Unternehmen ab 20 Beschäftigten befragte, war selbst der Verband überrascht: 36 Prozent der Firmen setzen KI inzwischen aktiv im Tagesgeschäft ein, ein Jahr zuvor waren es 20 Prozent. Fast eine Verdopplung, in einer Branche, die sonst eher für vorsichtige Excel-Updates bekannt ist.
Was in der Studie weniger auffällt, aber für Finanzverantwortliche entscheidend ist: Die Beschäftigungserwartungen der Unternehmen, die KI bereits nutzen, sind deutlich skeptischer als im Branchendurchschnitt. Während unternehmensweit 67 Prozent keine Veränderung der Mitarbeiterzahl erwarten, rechnen unter den aktiven KI-Nutzern 28 Prozent mit einem Personalabbau. Wer also mit KI im Controlling anfängt, sollte diese Erwartung im Team offen ansprechen, statt sie zu verschweigen und später als Vertrauensbruch zu erleben.
Für das Controlling selbst heißt die Zahl vor allem eines: Der Vorsprung schmilzt. Wer heute noch komplett ohne KI-gestützte Auswertung plant, vergleicht sich in zwölf Monaten nicht mehr mit einer Minderheit, sondern mit dem Durchschnitt der eigenen Branche.
”Der Einstieg in die KI ist für Unternehmen so günstig wie noch nie.”
— Bitkom, Studienbericht Künstliche Intelligenz 2025
Was KI-Forecasting technisch eigentlich anders macht
Klassisches Forecasting im Mittelstand läuft meistens so: Die letzten zwölf Monate werden in eine Excel-Tabelle kopiert, ein Trend wird per Hand fortgeschrieben, und Saisonalität wird notdürftig durch einen Vorjahresvergleich berücksichtigt. Bei stabilen Produkten funktioniert das leidlich. Sobald Nachfrage schwankt, neue Produkte anlaufen oder mehrere Vertriebskanäle zusammenkommen, steigt der Prognosefehler schnell auf 40 bis 50 Prozent MAPE, also die durchschnittliche prozentuale Abweichung zwischen Prognose und tatsächlichem Wert.
KI-gestützte Verfahren rechnen anders. Statt eines einzelnen Trends verarbeiten sie viele Variablen gleichzeitig, saisonale Muster, Vorlaufzeiten, externe Faktoren wie Feiertage oder Wetterdaten, und aktualisieren das Modell laufend mit neuen Ist-Daten. Eine Auswertung mehrerer Fallbeispiele aus der Lieferkettenpraxis, die sich auf Analysen von McKinsey stützt, zeigt für ein Beispiel aus der Softwarebranche, wie eine Abweichung von plus/minus 25 Prozent innerhalb von zwei Quartalen auf plus/minus 8 Prozent gesenkt wurde. Im gleichen Bericht sinken Fehlbestände in einem anderen Fall um 20 bis 30 Prozent, weil die Bestandsplanung enger an die tatsächliche Nachfrage gekoppelt wird.
Praktisch zeigt sich das auch bei kleineren Mittelständlern. Die Scheppach Group, ein Maschinenbauunternehmen mit rund 430 Millionen Euro Umsatz, hat laut Angaben des Anbieters Agicap über 90 Prozent ihrer Transaktionen automatisch kategorisieren lassen und dadurch rund eine volle Stelle an manueller Arbeit im Finanzbereich eingespart. Das ist kein Weltkonzern-Beispiel, sondern genau die Größenordnung, in der die meisten Leser dieses Artikels selbst unterwegs sind.
Wo es sich für Mittelständler wirklich lohnt
Nicht jede Controlling-Aufgabe profitiert gleich stark von KI. Zwei Bereiche stechen heraus.
Liquiditätsplanung. Hier ist der Hebel am größten, weil die Datenbasis, Bankbewegungen und offene Posten, meist schon digital vorliegt. Der DATEV-Liquiditätsmonitor online etwa wertet Kontobewegungen automatisch aus, stellt sie grafisch dar und erstellt daraus eine automatisierte Prognose der Liquiditätsentwicklung für die kommenden Wochen. Wer zusätzlich geplante Investitionen oder erwartete Zahlungseingänge einträgt, bekommt ein deutlich realistischeres Bild als aus der klassischen Drei-Monats-Vorschau. Für Mittelständler, die über den Steuerberater ohnehin an DATEV angebunden sind, ist das oft der pragmatischste Einstieg, weil kein neues System eingeführt werden muss.
Absatz- und Bedarfsprognose. Ein Vergleich mehrerer FP&A-Tools zeigt ein Produktionsunternehmen, das seine manuelle Arbeit im Controlling um 40 Prozent reduzieren konnte, und ein Handelsunternehmen, das seine Umsatzprognosen um 25 Prozent genauer machte. Tools wie Jedox, LucaNet oder Planful bieten dafür automatisierte Prognosen und Abweichungserkennung in Echtzeit an, während spezialisiertere Lösungen wie Remira sich stärker auf Absatz- und Bestandsprognosen konzentrieren.
Weniger überzeugend ist KI dagegen bei einmaligen Sonderfällen, etwa der Bewertung eines einzelnen komplexen Investitionsprojekts. Dort fehlt schlicht die Datenmenge, aus der ein Modell lernen könnte. Für solche Fälle bleibt der erfahrene Controller die bessere Instanz, und KI liefert höchstens Hintergrundrecherche zu.
Der dritte Bereich, der beim Forecasting-Hype oft übersehen wird
Neben Liquidität und Absatz lohnt sich ein Blick auf ein drittes Feld, das seltener in Fallstudien auftaucht, weil es weniger spektakulär klingt: das laufende Berichtswesen. Abweichungserkennung in Echtzeit, wie sie Anbieter wie Planful oder Board anbieten, ersetzt die manuelle Ist-Soll-Prüfung am Monatsende durch eine laufende Kontrolle, die schon während des Monats auffällige Kostenstellen markiert. Statt dass der Controller am fünften Werktag nach Monatsschluss eine Abweichung entdeckt, meldet das System sie idealerweise schon in der zweiten Woche, wenn noch gegengesteuert werden kann.
Für Mittelständler ohne eigenes Reporting-Team ist das oft der Unterschied zwischen einer Zahl, die nur dokumentiert, und einer Zahl, die tatsächlich zu einer Entscheidung führt. Wichtig dabei: Automatisierte Abweichungserkennung ersetzt keine Ursachenanalyse. Sie verkürzt nur die Zeit bis zur Frage “warum ist das passiert”, die weiterhin ein Mensch beantworten muss, der den Betrieb kennt.
Wer die Grundlagen der eigenen Buchhaltung noch nicht automatisiert hat, sollte ohnehin zuerst dort ansetzen. Unser Artikel zu KI in der Buchhaltung zeigt, wie sich Rechnungsverarbeitung und Mahnwesen mit vergleichsweise wenig Aufwand automatisieren lassen, bevor überhaupt an Forecasting gedacht wird. Ein sauberer Rechnungsprozess ist am Ende auch die Datenbasis, auf der jede Prognose steht.
Die Kostenfalle, die selten am Tool selbst liegt
Der Optimismus rund um KI im Controlling hat einen Haken, den viele Anbieter nicht laut erwähnen: Ein erheblicher Teil der Unternehmen, die KI bereits einsetzen, berichtet, dass der Einsatz teurer wurde als erwartet. Das liegt in den seltensten Fällen an überhöhten Lizenzkosten. Es liegt fast immer an der Datenbasis.
Ein KI-Forecasting-Modell ist nur so gut wie die Buchungsdaten, aus denen es lernt. Wenn Kostenstellen uneinheitlich bebucht werden, wenn Ist-Zahlen erst mit sechs Wochen Verzug im System landen, oder wenn dieselbe Transaktion in drei verschiedenen Systemen unterschiedlich kategorisiert ist, produziert auch das beste Modell Prognosen, die niemand ernst nimmt. Genau hier liegt der eigentliche Umsetzungsaufwand, und genau der wird bei der Budgetplanung meistens unterschätzt.
Ein Werkzeug wie die DATEV Datenprüfung, das Buchungsdaten automatisiert auf Unregelmäßigkeiten und Muster prüft, hilft an dieser Stelle, bevor überhaupt ein Prognosemodell zum Einsatz kommt. Wer die eigene Datenqualität nicht kennt, sollte hier ansetzen, nicht bei der Tool-Auswahl.
Bei Bankdaten und Kundendaten kommt außerdem die DSGVO ins Spiel, sobald ein Cloud-Tool eines Drittanbieters personenbezogene Zahlungsdaten verarbeitet. Wer dazu noch unsicher ist, findet in unserem Beitrag zu DSGVO-konformen KI-Tools für KMU die wichtigsten Regeln, bevor Kontodaten in ein neues System wandern.
In drei Schritten einsteigen, ohne das Controlling lahmzulegen
Schritt 1: Die eigene Fehlerquote kennen. Bevor überhaupt ein Anbieter angefragt wird, sollte klar sein, wie stark die aktuelle Prognose von der Realität abweicht. Ohne diese Zahl lässt sich später auch nicht seriös messen, ob ein KI-Tool tatsächlich etwas verbessert.
Schritt 2: Mit dem Bereich mit der saubersten Datenlage starten. Für die meisten Mittelständler ist das die Liquiditätsplanung, weil Bankdaten meist schon strukturiert vorliegen. Ein Pilot über acht bis zwölf Wochen reicht, um zu sehen, ob die automatisierte Prognose näher an der Realität liegt als die bisherige Handarbeit.
Schritt 3: Erst danach auf Absatz- oder Bedarfsprognose ausweiten. Diese Bereiche brauchen mehr historische Daten und oft eine Anbindung an ERP oder Warenwirtschaft. Wer hier zu früh einsteigt, ohne dass die Datenbasis geklärt ist, produziert genau die enttäuschenden Ergebnisse, die den nächsten Budgetantrag erschweren.
Wer ein KI-Projekt zum ersten Mal strukturiert angeht, findet in unserem Leitfaden zur KI-Pilotprojekt-Roadmap für den Mittelstand eine praxisnahe Vorlage für genau diese drei Schritte. Und wer die Datenbasis für KI-Anwendungen im eigenen Haus grundsätzlich aufbauen will, kann in unserem Artikel zur KI-Wissensdatenbank für den Mittelstand nachlesen, was ein solches Fundament kostet und wann es sich lohnt.
Häufige Fragen
Lohnt sich KI-Forecasting auch für ein Unternehmen mit unter 50 Mitarbeitern?
Ja, sofern die Datenbasis stimmt. Gerade die Liquiditätsplanung über Tools wie den DATEV-Liquiditätsmonitor setzt keine große IT-Abteilung voraus, weil die Bankdaten ohnehin über die Steuerberatung angebunden sind. Bei der Absatzprognose lohnt sich der Aufwand erst, wenn genügend historische Verkaufsdaten vorliegen, meist ab ein bis zwei Jahren strukturierter Daten.
Was ist MAPE und warum taucht der Wert in fast jeder Forecasting-Diskussion auf?
MAPE steht für Mean Absolute Percentage Error, die durchschnittliche prozentuale Abweichung zwischen Prognose und tatsächlichem Ergebnis. Ein MAPE unter 20 Prozent gilt bei stabilen Produkten als guter Wert, über 40 Prozent als klares Signal, dass die Planungsmethode nicht mehr trägt. Der Wert eignet sich gut, um vor und nach der Einführung eines KI-Tools objektiv zu vergleichen, ob sich tatsächlich etwas verbessert hat.
Ersetzt KI die Controllerin oder den Controller?
Nein, aber sie verschiebt die Aufgabe. KI übernimmt die mechanische Auswertung großer Datenmengen und liefert eine erste Prognose. Die Interpretation, das Einordnen von Sonderfaktoren und die Kommunikation mit der Geschäftsführung bleiben menschliche Aufgaben. Laut Bitkom rechnen allerdings 28 Prozent der Unternehmen, die KI bereits aktiv nutzen, mit einem gewissen Personalabbau. Wer ein Forecasting-Tool einführt, sollte diese Erwartung im Team offen ansprechen.
Welches Tool ist für den Einstieg am einfachsten?
Für Unternehmen, die bereits mit DATEV arbeiten, ist der Liquiditätsmonitor online meist der niedrigschwelligste Einstieg, weil keine neue Systemanbindung nötig ist. Wer eine dedizierte Lösung für Cashflow-Planung sucht, wird häufig bei Agicap fündig. Für breiter angelegte Finanzplanung mit Szenario-Rechnung sind Jedox und LucaNet etablierte Optionen im deutschsprachigen Raum.
Quellen & Referenzen
- Bitkom: Studienbericht Künstliche Intelligenz 2025, Befragung von 604 Unternehmen zu KI-Nutzung und Beschäftigungseffekten. bitkom.org
- DATEV: Übersicht der KI-Funktionen für Buchhaltung und Controlling, inklusive Liquiditätsmonitor online und Datenprüfung. datev.de
- Agicap: Vergleich von Forecasting-Software für den Mittelstand, inklusive Praxisbeispiel Scheppach Group. agicap.com
- Peter Krause: Marktüberblick KI-Tools im Controlling mit Praxisbeispielen zu Fehlerreduktion und Prognosegenauigkeit. peter-krause.net
- Born City: Analyse zu KI-gestützten Prognosen in der Lieferkette auf Basis von McKinsey-Daten. borncity.com
