Du wirst es kennen: In Hochglanzbroschüren und auf Konferenzen wird dir erzählt, dass künstliche Intelligenz das Controlling revolutionieren, deine Arbeit bald komplett automatisieren und den Markt perfekt vorhersagen wird. Die Technologen hinter diesen Werkzeugen wirken dabei oft grenzenlos selbstbewusst. Doch während wir auf die angeblich unmittelbar bevorstehenden selbstfahrenden Autos warten, stellt sich die Frage: Woher kommt diese enorme Zuversicht, die oft im Widerspruch zur Realität steht? Die Gründe dafür liegen tief in der Kultur und Geschichte der KI-Entwicklung, und wenn du sie verstehst, kannst du die Versprechen besser einordnen und dich als kompetenter Ansprechpartner für die Digitalisierung im Finanzbereich positionieren.
Grund 1: Der Glaube, dass alle Probleme gleich sind
Ein Kern des Problems ist das, was man das „zentrale Dogma“ des Deep Learning nennen könnte: der Glaube, dass alle Lernprobleme im Grunde gleich sind. Die Entwickler gehen oft davon aus, dass man nur genügend Trainingsdaten sammeln muss – zum Beispiel all deine Finanzdaten der letzten Jahre – und dieselben generischen Algorithmen, die bei der Bilderkennung funktionieren, dann auch magisch deine Probleme im Controlling lösen. Dabei wird übersehen, dass es gewaltige Unterschiede gibt: Das Scannen und Erkennen einer Eingangsrechnung ist ein Wahrnehmungsproblem. Die Beurteilung der Kreditwürdigkeit eines Kunden ist ein Urteilsproblem. Und die Prognose der zukünftigen Umsatzentwicklung ist ein soziales Vorhersageproblem. Diese Aufgaben sind grundverschieden. Wer diesen Unterschied ignoriert, kann leicht von Erfolgen in einem Bereich, wie der Bild- oder Spracherkennung, mitgerissen werden und glauben, diese ließen sich einfach auf die komplexen Prognosefragen im Controlling übertragen. Dieses Missverständnis wird durch eine unglückliche Wortwahl verschärft. In der KI-Szene wird das Wort „Vorhersage“ (prediction) für fast alles benutzt, auch für die simple Klassifizierung von Daten. Wenn ein Anbieter also von einer tollen „Vorhersage-Software“ spricht, meint er damit vielleicht nur, dass sie Spesenbelege korrekt kategorisieren kann – nicht, dass sie wirklich die zukünftigen Rohstoffpreise erraten kann. Tatsächlich ist die Vorhersage zukünftiger gesellschaftlicher oder wirtschaftlicher Entwicklungen eine der größten Schwächen von KI.
Grund 2: Die Geringschätzung für Fachwissen
Hinzu kommt eine ausgeprägte Geringschätzung für Fachwissen von außen. Als logische Folge des zentralen Dogmas wird die Rolle von Experten – seien es Ärzte in der Medizin oder eben Controller im Finanzwesen – oft auf das reine „Etikettieren“ von Daten reduziert. Man sieht dich nicht als Partner bei der Gestaltung eines Systems, der wertvolles Wissen über Geschäftsprozesse und die Interpretation von Zahlen einbringt. Stattdessen wirst du als Ineffizienz gesehen, die es zu automatisieren und zu ersetzen gilt. Technologen, die verkünden, sie würden ganze Berufe überflüssig machen, gleichen dem Erfinder der Schreibmaschine, der behauptet hätte, Schriftsteller und Journalisten würden nun nicht mehr gebraucht. Sie verstehen nicht, dass Fachexpertise mehr ist als die mechanische, von außen sichtbare Tätigkeit.
Grund 3: Der Graben zwischen Labor und Realität
Diese Haltung führt direkt zum nächsten Problem: dem riesigen Graben zwischen Labor und Realität. In der Tech-Welt, wo es um Werbeanzeigen oder Produktempfehlungen geht, sind Fehler nicht teuer. Die Kultur des „move fast and break things“ (sich schnell bewegen und Dinge kaputtmachen) hat dort gut funktioniert. KI-Entwickler sind es gewohnt, ein Problem für gelöst zu erklären, sobald im Labor auf einem sauberen Test-Datensatz eine hohe Trefferquote erreicht wird. Dieser Ansatz ist aber fatal für Bereiche wie das Controlling, wo ein einziger Fehler katastrophale Folgen haben kann. Deine Realität besteht nicht aus sauberen Datensätzen, sondern aus einer chaotischen Vielfalt von corner cases, Ausnahmen und unvorhergesehenen Ereignissen. Die letzten 10 Prozent der Arbeit, um ein System robust für die Praxis zu machen, kosten 90 Prozent des Aufwands.
Was du als Controller tun kannst
Sei also skeptisch, wenn man dir eine Lösung präsentiert, die angeblich sofort funktioniert. Frage gezielt nach dem Unterschied zwischen der Leistung auf Testdaten und der Performance in der echten, unordentlichen Unternehmenswelt und bestehe auf deiner Rolle als Fachexperte. Deine Fähigkeit, Zahlen in den richtigen Kontext zu setzen, ist keine Ineffizienz, sondern ein unersetzlicher Wert.
Zu jedem Thema hier im Blog Controlling & Kostenrechnung gibt es in der Regel etwas später auch einen Podcast von mir. Ihr findet ihn auf dem Podcast-Kanal »ieconomics Controlling & Kostenrechnung« unter anderem bei Apple Podcasts, Spotify, Amazon Music oder Deezer. Daneben habe ich bis heute rund zwanzig ...für Dummies-Bücher veröffentlicht, unter anderem die Bestseller »Controlling für Dummies« und »Kosten- und Leistungsrechnung für Dummies«. Ende 2026 erscheint »KI im Rechnungswesen und Controlling für Dummies«. Alle Bücher berücksichtigen stets die rechtliche Situation in Deutschland, Österreich und der Schweiz. Die Bücher erscheinen beim Verlag Wiley-VCH mit Sitz in Weinheim bei Heidelberg und sind im deutschsprachigen Raum im Buchhandel vor Ort oder online wie zum Beispiel bei Amazon erhältlich. Wiley-VCH ist die deutsche Tochter des Verlags John Wiley & Sons. Wiley wurde im Jahr 1807 von Charles Wiley in Manhattan, New York City, gegründet und ist immer ein Familienunternehmen geblieben. Es hat heute seinen Sitz in Hoboken in New Jersey, also am Hudson River, direkt gegenüber von Manhattan.