KI-Datenanalyse im Unternehmen: Sechs Beispiele für Zahlen, Finanzen und Entscheidungen

Eine KI kann eine Tabelle in Sekunden zusammenfassen. Ob die Zusammenfassung stimmt, ist damit noch offen. Gerade bei Finanzen und betrieblichen Entscheidungen ist ein plausibler Absatz schnell geschrieben, während eine falsche Einheit, ein doppelter Datensatz oder eine unklare Definition das Ergebnis unbrauchbar macht. Deshalb sollte KI-Datenanalyse im Unternehmen immer mit einer prüfbaren Frage beginnen.

OpenAI Signals zeigt, dass Menschen ChatGPT auch zum Rechnen und Analysieren beruflicher Daten einsetzen. Ich habe die veröffentlichten Deutschland-Werte ausgewertet und daraus sechs fiktive Praxisbeispiele entwickelt. Die Zahlen in den Übungsfällen sind künstlich. Sie dienen dazu, Rechenwege und Entscheidungen nachvollziehbar zu machen; sie sind keine Ergebnisse aus Unternehmen und keine individuelle Finanzberatung.

Transparenz zur Texterstellung: Dieser Beitrag wurde mit Unterstützung generativer KI erstellt. Die Originaldaten wurden eigenständig ausgewertet; Quellen und abgeleitete Übungen sind ausgewiesen.

Was die Signals-Daten zu Zahlenarbeit zeigen

Für Deutschland liegt die Kategorie „Finanzdaten berechnen“ im dritten Quartal 2026 bei 2,172 Prozent der beruflich eingeordneten Nachrichten. Im ersten Quartal 2025 waren es 1,057 Prozent. Geschäfts- oder Finanzdaten analysieren erreicht im jüngsten Quartal 0,348 Prozent. Daten zur Verbesserung von Abläufen analysieren liegt bei 0,091 Prozent.

Die Unterschiede sollten nicht als Rangfolge des wirtschaftlichen Nutzens gelesen werden. Eine seltene Spezialauswertung kann für einen einzelnen Betrieb sehr wertvoll sein. Außerdem betreffen die Anteile Nachrichten und keine Arbeitsstunden oder erfolgreich abgeschlossenen Analysen. Aus dem gestiegenen Anteil beim Berechnen von Finanzdaten lässt sich ohne absolute Zahlen kein entsprechendes Wachstum der Zahl erledigter Finanzaufgaben ableiten.

Die veröffentlichten CSV-Dateien liefern damit Anregungen zur Aufgabenauswahl. Für die technische und fachliche Eignung brauchen Unternehmen einen eigenen Versuch. Der Leitartikel dieser Serie erklärt Stichprobe, Tätigkeitskategorien und Grenzen der Datenbasis.

Erst rechnen, dann erklären

Eine Sprachmodellausgabe und eine berechnete Auswertung sind unterschiedliche Dinge. Für wiederkehrende Summen, Filter und Kennzahlen eignen sich überprüfbare Formeln oder ein dokumentiertes Skript. Ein Modell kann helfen, die Frage zu präzisieren, den Auswertungsweg vorzuschlagen oder die Ergebnisse verständlich zu erläutern. Wenn es tatsächlich rechnen soll, muss der verwendete Rechenweg kontrollierbar sein.

Vor dem ersten Versuch gehören drei Fragen auf den Tisch: Was bedeutet jede Spalte? Welche Datensätze gehören zur Auswertung? Welche Kennzahl beantwortet die Geschäftsfrage? „Umsatz“ kann beispielsweise Rechnungsbetrag, Zahlungseingang oder Auftragseingang meinen. Eine KI kann diese fachliche Festlegung nicht aus einem unklaren Spaltennamen zuverlässig herleiten.

Eine gute Übung enthält daher ein kleines Datenwörterbuch. Es nennt Einheiten, Zeitbezug und den Umgang mit fehlenden Werten. Die erwartete Antwort wird unabhängig berechnet. Damit lässt sich die KI-Ausgabe prüfen, ohne eine zweite KI-Antwort automatisch zur Wahrheit zu erklären.

Sechs Praxisbeispiele für KI-Datenanalyse im Unternehmen

1. Eine einfache Kostenübersicht nachvollziehbar berechnen

Fiktives Beispiel: Eine Akademie plant drei Veranstaltungen. Für jeden Termin werden Raum, Technik und Material mit künstlichen Beträgen aufgelistet. ChatGPT soll die Übersicht erklären und eine Berechnungsvorlage vorbereiten. Das Ergebnis muss pro Termin dieselben Kostenarten und eine nachvollziehbare Gesamtsumme enthalten.

Der Fehlerfall besteht aus gemischten Netto- und Bruttobeträgen. Ein Raumpreis ist inklusive Steuer angegeben, die Technikposition ohne klare Kennzeichnung. Eine brauchbare Ausgabe weist die fehlende Vergleichbarkeit aus. Sie addiert die Werte nicht stillschweigend zu einer vermeintlich richtigen Gesamtsumme.

Die Übung passt zur IWA „Finanzdaten berechnen“. Die Musterlösung enthält für jeden eindeutigen Wert einen Rechenweg und für jede unklare Position eine Rückfrage. Gemessen werden richtige Ergebnisse und der Aufwand bis zur fachlich akzeptierten Übersicht. Die schönste Tabelle fällt durch, wenn sie widersprüchliche Beträge verdeckt.

2. Datenqualität vor einer Auswertung prüfen

Ein fiktiver Betrieb exportiert eine Liste mit 30 Anfragen. Die Übungsdatei enthält eine Dublette, ein fehlendes Eingangsdatum, unterschiedliche Schreibweisen derselben Kategorie und einen Datensatz außerhalb des Auswertungszeitraums. Die KI soll zunächst einen Prüfbericht vorbereiten. Erst danach darf eine Häufigkeitsauswertung vorgeschlagen werden.

Das erwartete Ergebnis benennt jede Auffälligkeit mit Zeilenkennung und Begründung. Eine mögliche Dublette wird zur Prüfung vorgeschlagen, nicht automatisch gelöscht. Zwei gleichnamige Kunden könnten unterschiedliche Personen sein; zwei ähnliche Vorgänge könnten beide berechtigt sein. Das betrifft die Tätigkeit „Qualität und Richtigkeit von Daten bewerten“.

Die Gruppe vergleicht den Prüfbericht mit einer vorbereiteten Fehlerliste. Wichtig sind sowohl übersehene Fehler als auch unbegründete Warnungen. Ein Werkzeug, das jede zweite Zeile als verdächtig markiert, verursacht unter Umständen mehr Arbeit als es spart. Die Kennzahl ist daher die fachlich richtige Erkennung mit vertretbarer Nacharbeit.

3. Aus Bearbeitungszeiten die richtige Frage ableiten

Eine fiktive Geschäftsstelle möchte wissen, warum manche Anfragen lange liegen bleiben. Die Übungsdaten enthalten Eingangszeit, erste Bearbeitung, Rückfrage und Abschluss. ChatGPT soll zunächst erklären, welche Zeitspannen sich daraus berechnen lassen. Die aktive Bearbeitungszeit ist ausdrücklich nicht erfasst.

Der entscheidende Fehlerfall lautet: „Berechne daraus die Produktivität der Beschäftigten.“ Das lässt die Datenlage nicht zu. Eine lange Durchlaufzeit kann durch fehlende Unterlagen oder eine ausstehende externe Antwort entstehen. Eine brauchbare Analyse unterscheidet Wartezeit, Rückfragen und bekannte Bearbeitungsschritte, statt Mitarbeitende aus unvollständigen Daten zu bewerten.

Das Beispiel verbindet Daten zur Prozessverbesserung mit betrieblichen Entscheidungen. Für den ersten Versuch genügen künstliche Fallkennungen. Das Team könnte anschließend untersuchen, ob vollständigere Eingaben die Durchlaufzeit verändern. Eine beobachtete Korrelation allein beweist allerdings noch nicht die Ursache.

4. Einen Projektkostenrahmen mit Annahmen aufbauen

Ein fiktives Unternehmen plant einen kleinen internen KI-Pilot. Für die Übung gelten folgende Annahmen: 16 Stunden Einrichtung zu 70 Euro, acht Stunden Test zu 60 Euro und monatlich 50 Euro zusätzliche Werkzeugkosten. Im ersten Monat ergeben sich daraus 1.650 Euro: 1.120 Euro Einrichtung, 480 Euro Test und 50 Euro Werkzeuge.

ChatGPT soll diese Annahmen in eine Rechnung überführen und offene Positionen ausweisen. Beispielsweise sind laufende Pflege und eventuelle zusätzliche Kontrollen noch nicht geschätzt. Der Fehlerfall fordert eine Amortisation, ohne eine belastbare Annahme zum monatlichen Nutzen zu liefern. Eine korrekte Antwort erklärt, welche Information dafür fehlt.

Die Tätigkeit orientiert sich am Schätzen von Projekt- oder Betriebskosten. Das Ergebnis ist ein transparenter Kostenrahmen. Es ist kein allgemeiner Marktpreis und kein Angebot von Consulting Entenmann. Ein sinnvoller nächster Schritt wäre, die unbekannten Aufwände in einem begrenzten Versuch tatsächlich zu erfassen.

5. Szenarien statt einer scheinbar sicheren Prognose vergleichen

Ein fiktiver Veranstalter möchte abschätzen, wie unterschiedliche Teilnehmerzahlen das Ergebnis beeinflussen. Für die Übung beträgt der Beitrag 120 Euro pro Person, die variablen Kosten 20 Euro je Person und die Fixkosten 2.000 Euro. Weitere Abgaben und Steuern bleiben im vereinfachten Modell unberücksichtigt. Bei 15, 20 und 30 Teilnehmenden entstehen damit Ergebnisse von minus 500, null und plus 1.000 Euro.

Die Rechnung lautet jeweils Teilnehmerzahl mal 100 Euro Deckungsbeitrag, abzüglich 2.000 Euro Fixkosten. ChatGPT soll den Rechenweg erläutern und die Annahmen sichtbar halten. Es soll nicht behaupten, welcher Fall eintreten wird. Eine Prognose benötigte zusätzlich geeignete Informationen zur Nachfrage und eine eigene Methode.

In dieser Form eignet sich der Fall für Führungskräfte und Programmverantwortliche. Die KI hilft, eine Entscheidung vorzubereiten und Unsicherheiten zu erklären. Die Empfehlung, eine Veranstaltung durchzuführen, wäre dagegen von weiteren Faktoren abhängig: Kapazität, strategischem Ziel, Stornierungsrisiko und tatsächlichen Kosten.

6. Aus Kennzahlen eine verständliche Entscheidungsvorlage machen

Ein fiktives Team hat zwei Arbeitswege getestet. Bei Weg A wurden zehn von zehn Fällen akzeptiert, bei Weg B neun von zehn. Weg B hatte eine kürzere durchschnittliche Erstellungszeit, benötigte aber zusätzliche Kontrolle. Die KI erhält die vollständige künstliche Ergebnistabelle und soll eine Entscheidungsvorlage mit Befund, Grenzen und offenen Fragen erstellen.

Eine hilfreiche Ausgabe trennt Erstellungszeit von Gesamtaufwand und nennt den fehlgeschlagenen Fall. Sie behauptet nicht, dass eine kleine Testreihe eine allgemeine Erfolgsquote belegt. Auch der Durchschnitt darf nicht verschweigen, wenn ein schwieriger Vorgang besonders lange nachbearbeitet werden musste.

Das Ergebnis unterstützt die Analyse von Geschäftsdaten und Risiken. Die verantwortlichen Menschen entscheiden, ob der Versuch erweitert, angepasst oder beendet wird. Für Schulungen ist gerade die unvollständige Datenlage wertvoll: Die beste Entscheidungsvorlage kann zu dem Ergebnis kommen, dass für eine sichere Wahl noch Informationen fehlen.

Ein Prompt für eine prüfbare Auswertung

Analysiere die folgende künstliche Tabelle für eine Schulungsübung.
Geschäftsfrage: Welche Kosten sind eindeutig berechenbar, welche Angaben fehlen?
1. Erkläre die Spalten, Einheiten und erkennbaren Unklarheiten.
2. Liste Auffälligkeiten mit Zeilenkennung auf.
3. Berechne ausschließlich eindeutig vergleichbare Positionen.
4. Zeige Formel, eingesetzte Werte und Ergebnis.
5. Trenne Fakten, Annahmen und nicht beantwortbare Fragen.
Erfinde keine fehlenden Beträge, Steuerangaben oder Ursachen.
Wenn du ein Rechenwerkzeug verwenden kannst, dokumentiere den Rechenweg.
Tabelle und Datenwörterbuch: [künstliche Daten einsetzen]

Prüfen Sie die zentralen Summen zusätzlich mit einer Tabelle, einem Taschenrechner oder einem unabhängigen Skript. Für einen regelmäßigen Ablauf sollte der geprüfte Rechenweg anschließend wiederverwendbar sein. Es ist wenig gewonnen, wenn dieselbe Summe jede Woche neu und undokumentiert erzeugt wird.

Wie Sie die Wirtschaftlichkeit einer KI-Auswertung messen

Eine sinnvolle Bezugsgröße ist die fachlich akzeptierte Auswertung. Dazu zählen Datenvorbereitung, Werkzeugkosten, Rechenprüfung und Erklärung der Ergebnisse. Misslungene Versuche und manuelle Korrekturen gehören ebenfalls in die Rechnung. Sonst wirkt die Unterstützung günstiger, als sie tatsächlich ist.

Als einfaches Prüfschema eignet sich: Gesamtaufwand aller Testfälle geteilt durch die Zahl akzeptierter Ergebnisse. Daneben sollte die Fehlerart erfasst werden. Ein falsch beschriftetes Diagramm und eine unzutreffende Zahlungszahl haben unterschiedliche Folgen. Die Bewertung muss zum tatsächlichen Entscheidungsrisiko passen.

Bei wiederkehrenden, vollständig regelgebundenen Rechnungen würde ich eine feste Tabellenlösung oder vorhandene Fachsoftware mitvergleichen. Ein Sprachmodell kann dann vor allem bei Fragen, Erläuterungen oder wechselnden Textdaten helfen. Ein zusätzlicher KI-Schritt rechtfertigt sich durch einen konkreten Nutzen, nicht durch die bloße Verfügbarkeit des Werkzeugs.

Wie ein erster Datenpilot aussehen kann

Wählen Sie eine wiederkehrende Frage mit überschaubaren Daten und einer bekannten richtigen Antwort. Erstellen Sie einen kleinen künstlichen Datensatz mit eindeutigen und schwierigen Fällen. Legen Sie vorab fest, welche Fehler ausgeschlossen sein müssen. Erst nach diesem Vergleich wird geprüft, ob der Einsatz mit erlaubten realen Daten sinnvoll ist.

Für Führungskräfte verbindet ein solcher Versuch Zahlenkompetenz mit einer konkreten Investitionsentscheidung. Im KI-Workshop für Führungskräfte können Nutzenannahmen und Entscheidungskriterien gemeinsam erarbeitet werden. Ein Praxistraining für Mitarbeitende vertieft anschließend die Aufgaben und die notwendige Ergebnisprüfung.

Die OpenAI-Daten zeigen, welche Tätigkeiten Menschen an KI herantragen. Für die eigene Umsetzung zählt, ob ein korrektes und verständliches Ergebnis mit vertretbarem Gesamtaufwand entsteht. Diese Frage lässt sich im kleinen Pilot oft klarer beantworten als in einer allgemeinen Diskussion über die Leistungsfähigkeit von KI.

Häufige Fragen zur KI-Datenanalyse

Kann ich eine KI-Zusammenfassung als verlässliche Berechnung übernehmen?

Erst wenn Datengrundlage, Formel und Ergebnis nachvollziehbar geprüft sind. Ein überzeugender Text ersetzt keinen kontrollierten Rechenweg. Das gilt besonders für Zahlen, die finanzielle Entscheidungen beeinflussen.

Sind niedrige Nachrichtenanteile ein Zeichen für wenig Nutzen?

Nein. Die Daten beschreiben eine Nachrichtenverteilung. Der Nutzen hängt von Ihrem Arbeitsvolumen, der Ergebnisqualität, dem Fehleraufwand und den Kosten des konkreten Ablaufs ab.

Welche Daten eignen sich für eine erste Schulung?

Kleine, künstliche Tabellen mit dokumentierten Spalten und bekannter Musterlösung. Fügen Sie bewusst fehlende Werte, Einheitenprobleme oder Dubletten ein. So wird die Prüfung selbst Teil der Übung.