71 Prozent der Unternehmen, die KI nutzen, setzen sie für Texterstellung ein. Für Datenanalyse sind es 31 Prozent. Diese Zahlen aus der Bitkom-Befragung vom April 2026 zeigen, wo im Controlling noch Luft ist. Der rechnende Teil der KI wird seltener genutzt als der schreibende, dabei liegt genau dort der Kern der Controlling-Arbeit.
Machine Learning im Controlling ist kein Forschungsthema mehr. Die Verfahren sind in Planungsplattformen eingebaut. Die offene Frage ist, welches Verfahren welche Controlling-Frage beantwortet und welche Datenbasis es dafür braucht.
Kurz erklärt
Machine Learning im Controlling bezeichnet Verfahren, die aus historischen Werten Muster ableiten und daraus Prognosen oder Auffälligkeiten berechnen, ohne dass jemand die Regel vorher formuliert. Typische Anwendungen sind Absatz- und Kostenprognosen, Anomalieerkennung im Abschluss und Treiberanalysen.
Big Data beschreibt dagegen die Datenmenge und ihre Vielfalt. Im Controlling des Mittelstands sind die Datenmengen meist überschaubar. Für verlässliche Prognosen genügt eine saubere Historie von 24 bis 36 Monaten, nicht ein Datensee.
Was unterscheidet Machine Learning von klassischer Fortschreibung?
Die klassische Fortschreibung rechnet eine vorgegebene Regel. Umsatz plus fünf Prozent, Personalkosten nach Tarif. Machine Learning leitet die Regel aus den Daten ab und gewichtet dabei mehrere Einflussgrößen zugleich.
Der Unterschied zeigt sich vor allem in zwei Punkten. Machine Learning erkennt Saisonalität und Zusammenhänge, die in einer manuellen Regel untergehen. Es liefert aber keine Begründung im betriebswirtschaftlichen Sinn. Ein Modell sagt, dass ein Wert wahrscheinlich ist, nicht warum er entsteht.
Für den Forecast setzen wir diese Verfahren unter anderem in KI-Forecasting und im rollierenden Forecast ein.
Welche Controlling-Fragen lassen sich damit beantworten?
Die Zuordnung von Frage zu Verfahren entscheidet über den Nutzen. Diese Übersicht macht sie konkret.
Die rechte Spalte ist die wichtigste. Jedes Verfahren hat eine klar benennbare Grenze. Wer sie kennt, nutzt Ergebnisse als Entscheidungsgrundlage statt als Entscheidung.
Wie viele Daten braucht Machine Learning im Controlling wirklich?
Deutlich weniger, als der Begriff Big Data nahelegt. Für eine Zeitreihenprognose auf Monatsebene reichen in der Regel 24 bis 36 zusammenhängende Perioden. Entscheidend ist nicht die Menge, sondern die Konsistenz.
Drei Bedingungen zählen mehr als jedes Datenvolumen.
- Gleiche Struktur über die gesamte Historie. Eine Kontenumstellung im Vorjahr bricht jede Prognose, wenn sie nicht rückwirkend abgebildet ist.
- Eindeutige Definitionen. Wenn Umsatz in zwei Systemen unterschiedlich abgegrenzt ist, rechnet das Modell zuverlässig mit der falschen Zahl. Warum Metadaten hier den Ausschlag geben, zeigt der Artikel: Warum Metadaten der Schlüssel zur erfolgreichen KI-Nutzung sind.
- Dokumentierte Sondereffekte. Einmalige Ereignisse müssen markiert sein, sonst schreibt das Modell sie fort.
Aus diesem Grund ist ein gepflegtes OLAP-Modell die bessere Grundlage als ein großer, unstrukturierter Datenbestand. Was dahinter steckt, erklärt unser Artikel ,,Was ist TM1“.
Wie prüfst du ein ML-Ergebnis als Controller?
Fünf Schritte, die ohne Statistikkenntnisse funktionieren.
- Vergleiche die Prognose der letzten sechs abgeschlossenen Monate mit den tatsächlichen Werten. Diese Rückschau ist der wichtigste Test.
- Prüfe die größten Abweichungen einzeln. Gibt es einen Sondereffekt, der im Modell nicht markiert war?
- Stelle die Prognose der einfachen Fortschreibung gegenüber. Wenn das Modell nicht besser ist, nimm die einfache Variante.
- Kontrolliere die Randwerte. Negative Umsätze oder Kosten nahe null deuten auf Strukturfehler in den Daten hin.
- Dokumentiere die Freigabe mit Datum und Verantwortlichem. Ohne diesen Schritt trägt die Zahl niemand.
Diese Prüfroutine ist genau die Kompetenz, die laut EY KI Readiness Check 2026 nur 23 Prozent der Unternehmen systematisch ausüben. Wie sich der Aufbau organisieren lässt, steht in KI-Weiterbildung im Controlling.
Prognosegüte einmal sauber messen
Wir rechnen mit euren Daten eine Rückschau über die letzten Perioden und zeigen, ob ein Modell messbar besser ist als eure heutige Fortschreibung.
Wann sind klassische Verfahren die bessere Wahl?
In drei Fällen raten wir von Machine Learning ab.
Bei kurzer oder gebrochener Historie. Unter 24 konsistenten Perioden liefert ein Modell keine belastbaren Muster. Eine begründete manuelle Planung ist dann ehrlicher.
Bei politisch gesetzten Werten. Ein Vertriebsziel ist eine Entscheidung, keine Prognose. Beides zu vermischen erzeugt Diskussionen ohne Ergebnis.
Bei Strukturbrüchen. Wenn sich Geschäftsmodell, Sortiment oder Preislogik gerade grundlegend ändern, beschreibt die Historie eine andere Firma.
Damit bleibt die zweitwichtigste Aussage dieses Artikels: Der größte Hebel liegt derzeit nicht im besseren Algorithmus, sondern in der Datenstruktur darunter. Während 71 Prozent der KI-Nutzer Texte erzeugen lassen und nur 31 Prozent analysieren, entsteht im Controlling ein Vorsprung für die Teams, die ihre Historie sauber halten. Dieser Vorsprung ist unabhängig davon, welches Modell in zwei Jahren aktuell ist.
Warum BI2run bei Prognosen mit der Datenstruktur beginnt
Wir bauen Planungsmodelle, in denen Prognoseverfahren direkt auf der produktiven Datenstruktur laufen. Dadurch bleibt nachvollziehbar, aus welchen Werten ein Vorschlag entsteht. Diese Nachvollziehbarkeit ist im Controlling wichtiger als der letzte Prozentpunkt Prognosegüte.
Wenn die Rückschau zeigt, dass eure bisherige Fortschreibung ähnlich gut trifft, sagen wir das. Ein Modell, das nichts verbessert, kostet nur Pflegeaufwand.
- Einsatzfelder bei KI-nutzenden Unternehmen: Texterstellung und Übersetzung 71 Prozent, Marketing und Kommunikation 53 Prozent, Kundenservice 42 Prozent, Datenanalyse 31 Prozent. Quelle: Bitkom, April 2026, 604 Unternehmen ab 20 Mitarbeitenden.
- 54,4 Prozent der deutschen Unternehmen nutzten im Mai 2026 aktiv KI, in der Industrie 58,7 Prozent. Quelle: ifo Institut, Konjunkturumfrage.
- Nur 23 Prozent der Unternehmen validieren KI-Ergebnisse systematisch. Quelle: EY KI Readiness Check 2026.
- Für monatliche Zeitreihenprognosen im Controlling gelten 24 bis 36 konsistente Perioden als praktischer Mindestumfang.
Glossar
Häufige Fragen zu Machine Learning und Big Data im Controlling
Welche Vorkenntnisse braucht das Controlling für Machine Learning?
Kein Statistikstudium. Gebraucht wird das Verständnis, wie ein Verfahren rechnet und wo seine Grenze liegt, damit die Prüfung der Ergebnisse gelingt.
Wie unterscheidet sich Predictive Analytics von Machine Learning?
Predictive Analytics beschreibt das Ziel, also die Vorhersage. Machine Learning beschreibt den Weg dorthin. Viele Prognosen entstehen mit klassischer Statistik und ohne selbstlernendes Modell.
Braucht Machine Learning im Controlling eine Cloud-Plattform?
Nicht zwingend. Entscheidend ist, dass Daten und Rechenlogik zusammenliegen. Viele Planungsplattformen bringen die Verfahren bereits mit.
Wie misst du, ob ein Modell besser ist als die bisherige Planung?
Über eine Rückschau auf abgeschlossene Perioden. Prognose und Istwert werden verglichen, danach dieselbe Rechnung für die bisherige Methode. Der Vergleich beider Abweichungen entscheidet.
Welche Daten dürfen in ein Modell einfließen?
Das hängt von Art und Herkunft der Daten ab, besonders bei Personaldaten. Der Rahmen gehört vor dem ersten Lauf geklärt, nicht danach.
