KI sollte Reporting einfacher machen.
Daten schneller zusammenfassen. Abweichungen erklären. Reports erstellen. Prognosen unterstützen. Informationen aus verschiedenen Quellen schneller verfügbar machen.
In vielen Unternehmen geschieht genau das bereits – allerdings nur in einzelnen Arbeitsschritten.
Die strukturelle Arbeit verschwindet damit nicht automatisch.
Eine aktuelle Pleo-Erhebung liefert dafür ein anschauliches Signal aus dem Finanzbereich: 50 Prozent der befragten Finance-Teams geben laut Pleo an, dass ihr Tech-Stack weiterhin stark von manueller Arbeit geprägt ist. 47 Prozent berichten, zu viel in unterschiedliche KI-Lösungen investiert zu haben und inzwischen mit KI-Tool-Wildwuchs zu kämpfen. Pleo beschreibt die Folge sehr konkret: separate Tools, Logins und Exporte – und weiterhin Menschen, die Informationen manuell zusammenführen.
Pleo ist selbst Anbieter einer Spend-Management-Plattform und Auftraggeber der zugrunde liegenden Erhebung. Die Zahlen sind deshalb keine neutrale Marktstatistik über alle Unternehmen. Sie machen aber ein Problem sichtbar, das weit über Finance hinausgeht:
Ein zusätzliches intelligentes Tool beseitigt nicht automatisch die Brüche zwischen den Systemen, aus denen es seine Informationen beziehen soll.
Für Projektsteuerung ist genau das entscheidend.
Denn Projektinformationen liegen häufig nicht in einem System.
Budgets liegen im Finance- oder ERP-System.
Bestellungen und Verträge im Procurement.
Projekttermine in Planungstools.
Fortschritt in Ticket-, PM- oder Collaboration-Systemen.
Dienstleister liefern eigene Reports.
Risiken stehen in Registern oder Präsentationen.
Entscheidungen finden sich in Protokollen, E-Mails oder Chats.
Eine KI kann jede einzelne Quelle schneller analysieren.
Wenn die Daten aber unterschiedliche Definitionen, Stände und Verantwortlichkeiten besitzen, bleibt eine andere Arbeit bestehen:
Jemand muss entscheiden, welche Information zusammengehört und welcher Stand für die Managemententscheidung gilt.
Das Problem ist nicht zu wenig Automatisierung
Unternehmen reagieren auf Reportingaufwand häufig mit einem nachvollziehbaren Reflex:
Noch mehr automatisieren.
Noch ein Dashboard.
Noch ein Connector.
Noch ein Copilot.
Noch ein Agent.
Das kann sinnvoll sein.
Aber Automatisierung löst nur die Arbeit, die ausreichend klar definiert und mit den notwendigen Daten verbunden ist.
Ein Prozess, der heute aus fünf manuellen Schritten besteht, kann automatisiert werden.
Ein Widerspruch zwischen zwei Datenquellen verschwindet dadurch nicht zwingend.
Wenn Controlling einen anderen Budgetstand führt als das Projektteam, muss weiterhin geklärt werden, welche Zahl für die Entscheidung relevant ist.
Wenn ein Dienstleister 80 Prozent Fortschritt meldet, aber nur 60 Prozent der vereinbarten Deliverables abgenommen sind, muss der Begriff „Fortschritt“ zunächst operationalisiert werden.
Wenn drei Projekte denselben Supplier unterschiedlich benennen, muss die Verbindung hergestellt werden.
Wenn ein Forecast auf Annahmen basiert, die nur in einer Präsentation dokumentiert sind, hilft ein schnelleres Reporting allein nicht.
Automatisierung beschleunigt Prozesse. Sie definiert nicht automatisch ihre gemeinsame Semantik.
Warum KI auf fragmentierten Daten neue Komplexität erzeugen kann
PwC formuliert in einem aktuellen Webcast zur „Intelligent Enterprise“ eine ähnliche Grundthese: Viele Organisationen betreiben AI als voneinander getrennte Piloten auf einer operativen Basis, die ursprünglich nicht für diese Art der Nutzung entworfen wurde. PwC stellt dem einen Ansatz gegenüber, bei dem Cloud, Daten und operative Workflows als zusammenhängendes System gedacht werden.
Auch in einem aktuellen Finance-Beitrag betont PwC, dass vertrauenswürdige und governte Daten zur Grundlage für AI, Reporting, Forecasting und Entscheidungsunterstützung werden.
Das ist zunächst eine Beratungsperspektive, kein allgemeingültiger Wirkungsnachweis.
Sie verweist aber auf einen wichtigen Mechanismus:
Je mehr KI-Systeme auf dieselbe fragmentierte Datenlandschaft zugreifen, desto wichtiger wird die Frage, ob sie überhaupt vom selben Unternehmenszustand sprechen.
Ein einfaches Beispiel:
Das Projektmanagement führt ein Budget von 1,2 Millionen Euro.
Procurement kennt Bestellungen über 950.000 Euro.
Finance sieht bislang Rechnungen über 620.000 Euro.
Der Dienstleister meldet zusätzlich 180.000 Euro erwarteten Aufwand, der noch nicht formal beauftragt wurde.
Alle vier Zahlen können korrekt sein.
Eine KI kann jede davon innerhalb von Sekunden finden.
Die Managementfrage lautet aber:
Wie hoch ist die wirtschaftliche Verpflichtung des Projekts heute – und welcher Betrag ist für die Entscheidung über die nächste Beauftragung relevant?
Das ist keine Suchfrage.
Es ist eine Definitions- und Kontextfrage.
Schnellere Antworten sind nicht automatisch bessere Entscheidungen
KI verändert die Erwartung an Reporting.
Früher musste ein Managementbericht vorbereitet werden.
Heute erwarten Nutzer zunehmend, eine Frage direkt stellen zu können:
„Welche Projekte laufen aus dem Budget?“
„Wo steigen externe Kosten?“
„Welche Supplier verzögern kritische Meilensteine?“
„Welche Projekte brauchen diese Woche eine Entscheidung?“
Technisch wird die Abfrage solcher Informationen immer leichter.
Die Herausforderung verlagert sich deshalb.
Von:
„Können wir die Daten finden?“
zu:
„Können wir der Antwort vertrauen?“
Dafür müssen mindestens vier Voraussetzungen erfüllt sein.
1. Die Daten müssen eindeutig definiert sein
Was bedeutet „Budget“?
Genehmigtes Budget?
Bestellwert?
Ist-Kosten?
Forecast at Completion?
Noch verfügbare Mittel?
Was bedeutet „Fortschritt“?
Erledigte Tasks?
Abgenommene Deliverables?
verbrauchtes Budget?
erreichte Meilensteine?
Ohne gemeinsame Definition kann dieselbe Frage je nach Quelle unterschiedliche Antworten erzeugen.
2. Die Daten müssen aktuell genug sein
Ein perfekter Monatsabschluss beantwortet nicht jede operative Projektfrage.
Wenn ein Supplier heute Zusatzaufwand ankündigt, ein Meilenstein morgen verschoben wird und das nächste Steering Committee erst in zwei Wochen stattfindet, kann ein formal korrekter Report trotzdem zu spät sein.
3. Die Daten müssen miteinander verbunden sein
Ein Kostenanstieg ist erst im Kontext steuerbar.
Welches Projekt?
Welcher Supplier?
Welcher Scope?
Welche Änderung?
Welche Terminwirkung?
Welche Entscheidung?
Ein Betrag ohne diesen Zusammenhang ist eine Finanzinformation.
Noch keine Projektentscheidung.
4. Die Herkunft muss nachvollziehbar sein
Gerade bei KI-generierten Zusammenfassungen wird wichtig, woher eine Aussage stammt.
Ist es ein gebuchter Ist-Wert?
Eine Schätzung des Projektleiters?
Eine Supplier-Prognose?
Eine noch nicht genehmigte Change-Anfrage?
Ein automatisch berechneter Forecast?
Eine belastbare Managemententscheidung benötigt nicht nur eine Zahl.
Sie benötigt ihren Status und Kontext.
Fünf Zeichen, dass KI das Reporting beschleunigt – aber nicht die Steuerung
1. Der Report ist schneller fertig, die Abstimmung danach bleibt gleich lang
Eine KI fasst Projektstatus innerhalb von Minuten zusammen.
Danach diskutieren Finance, PMO und Projektleitung trotzdem eine Stunde darüber, welche Zahlen stimmen.
Dann wurde der Bericht automatisiert.
Nicht die Entscheidungsgrundlage.
2. Jede Funktion besitzt ihren eigenen Copilot
Finance arbeitet mit einem AI-Assistenten.
Procurement mit einem anderen.
Projektteams verwenden weitere Werkzeuge.
Dienstleister bringen ihre eigenen Tools mit.
Jedes System kann lokal gute Ergebnisse erzeugen.
Wenn sie jedoch mit verschiedenen Datenständen arbeiten, entsteht auf Managementebene erneut Konsolidierungsarbeit.
Aus mehreren intelligenten Inseln wird nicht automatisch eine gemeinsame Steuerung.
3. Exporte bleiben Teil des Standardprozesses
Daten werden automatisiert analysiert.
Vorher müssen sie aber weiterhin aus mehreren Systemen exportiert, umbenannt, gefiltert oder in Tabellen zusammengeführt werden.
Dann sitzt die manuelle Arbeit nur an einer anderen Stelle des Prozesses.
Genau dieses Muster beschreibt Pleo für Finance-Teams: neue AI-Tools kommen hinzu, während separate Systeme, Logins und Exporte bestehen bleiben.
4. Die gleiche Kennzahl besitzt mehrere Wahrheiten
Das PMO meldet einen anderen Projektfortschritt als der Supplier.
Finance sieht eine andere Kostenentwicklung als Procurement.
Zwei Dashboards zeigen unterschiedliche Forecasts.
KI kann den Widerspruch schneller finden.
Aber sie kann ihn nicht seriös auflösen, wenn keine Governance definiert, welche Logik gilt.
5. Managementfragen erzeugen jedes Mal eine neue Sonderauswertung
„Zeigt mir alle Projekte mit steigenden Supplier-Kosten und kritischen Terminen.“
Wenn dafür jedes Mal Daten neu kombiniert, bereinigt und interpretiert werden müssen, besitzt das Unternehmen kein Reportingproblem im engeren Sinne.
Es besitzt ein Informationsmodellproblem.
Automatisiertes Projektreporting beginnt vor dem Report
Der Begriff automatisiertes Projektreporting klingt zunächst nach automatisch erzeugten Statusberichten.
Das greift zu kurz.
Ein Report lässt sich nur dann belastbar automatisieren, wenn die vorgelagerte Informationslogik ausreichend stabil ist.
Dazu gehören Fragen wie:
- Welche Objekte werden gesteuert?
- Wie hängen Projekte, Supplier, Budgets und Leistungen zusammen?
- Welche Definitionen gelten?
- Wer verantwortet welche Information?
- Welcher Stand ist bestätigt?
- Welche Daten dürfen automatisch übernommen werden?
- Wo ist menschliche Bewertung notwendig?
- Welche Abweichung ist managementrelevant?
Erst wenn diese Logik klar ist, wird KI zum Beschleuniger.
Sonst beschleunigt sie vor allem die Erzeugung weiterer Versionen derselben Unsicherheit.
Ein praktisches Beispiel: Ein Projekt, fünf Datenstände
Nehmen wir ein Transformationsprojekt mit einem externen IT-Dienstleister.
Projekttool
Der Projektleiter meldet 75 Prozent Fortschritt.
Procurement
Vom ursprünglich genehmigten Budget über 800.000 Euro sind 700.000 Euro beauftragt.
Finance
Bislang wurden 510.000 Euro fakturiert.
Supplier
Der Dienstleister erwartet für die verbleibende Arbeit weitere 220.000 Euro.
Change-Prozess
Zusätzlich liegt eine noch nicht genehmigte Scope-Erweiterung über 90.000 Euro vor.
Welche Zahl gehört in den Managementreport?
510.000 Euro Ist-Kosten?
700.000 Euro Commitments?
730.000 Euro erwartete Gesamtkosten ohne Change?
820.000 Euro inklusive möglicher Scope-Erweiterung?
Alle sind relevant.
Aber für unterschiedliche Fragen.
Ein gutes Reporting versucht deshalb nicht, eine einzige Zahl als Wahrheit zu präsentieren.
Es macht sichtbar, welche Zahl welchen Status besitzt und welche Entscheidung daran hängt.
Das ist die Voraussetzung dafür, dass KI sinnvoll zusammenfassen kann.
Drei Ebenen statt eines weiteren Dashboards
Für belastbares Reporting sollten Unternehmen drei Ebenen unterscheiden.
Ebene 1: Source Data
Wo entsteht die Information?
ERP, Einkauf, Projekttool, Dienstleisterreport, Risiko-Log, Vertrag, Entscheidung.
Ebene 2: Management Context
Was bedeutet sie im Zusammenhang?
Projekt, Supplier, Budget, Scope, Timing, Qualität, Risiko.
Ebene 3: Decision View
Welche Entscheidung muss getroffen werden?
Freigeben?
Eskalieren?
Budget verschieben?
Supplier ansprechen?
Scope reduzieren?
Projekt priorisieren?
Viele AI-Tools arbeiten sehr gut auf Ebene 1.
Dashboards visualisieren Ebene 2 teilweise.
Project Intelligence wird dort relevant, wo Ebene 2 und 3 zuverlässig verbunden werden.
Warum „Single Source of Truth“ allein nicht reicht
Die Antwort auf Datensilos lautet häufig:
Wir brauchen eine Single Source of Truth.
Das Ziel ist nachvollziehbar.
In komplexen Unternehmen ist jedoch nicht jede Information sinnvoll in einem einzigen operativen System abzubilden.
Procurement braucht andere Details als Projektmanagement.
Finance besitzt andere Verantwortlichkeiten als ein Supplier.
Ein Fachbereich benötigt andere Sichten als das PMO.
Die praktischere Frage lautet deshalb:
Gibt es für jede managementrelevante Information eine eindeutige Quelle, Definition und Verbindung zu den anderen relevanten Informationen?
Ein Unternehmen benötigt nicht zwangsläufig ein einziges System für alles.
Es benötigt aber eine gemeinsame Entscheidungslogik.
Sonst wird „Single Source of Truth“ schnell zum neuen Großprojekt, während die tatsächlichen Steuerungsfragen ungelöst bleiben.
Die beste KI-Antwort ist wertlos, wenn die Definition falsch ist
Stellen Sie einem AI-System die Frage:
„Welche Dienstleister verursachen die meisten Projektüberschreitungen?“
Die Antwort kann technisch brillant sein.
Trotzdem hängt ihre Qualität von zahlreichen Definitionen ab:
- Was ist eine Überschreitung?
- Welche Baseline gilt?
- Werden genehmigte Changes herausgerechnet?
- Wird der Supplier nur für eigene Verzögerungen verantwortlich gemacht?
- Werden Auftraggeberverzögerungen berücksichtigt?
- Welche Projekte sind überhaupt vergleichbar?
- Wie werden Projekte mit mehreren Suppliern behandelt?
Ohne diese Governance kann KI aus korrekten Daten eine irreführende Managementaussage erzeugen.
Das ist besonders bei Benchmarking wichtig.
Eine Rangliste wirkt objektiv.
Sie ist es nur, wenn die zugrunde liegende Methodik vergleichbar ist.
Was CFO, COO, PMO und CIO jeweils brauchen
CFO und Controlling
Finance benötigt eine nachvollziehbare Verbindung zwischen Ist-Kosten, Commitments, Forecast, Scope und Projektfortschritt.
Nicht nur schnellere Reports.
Sondern belastbare Erklärbarkeit.
COO
Operations benötigt Sicht auf Abhängigkeiten.
Welche Verzögerung wirkt auf welches andere Projekt?
Welcher Supplier ist in mehreren kritischen Vorhaben gebunden?
Welche Entscheidung schützt den größten Gesamtwert?
PMO
Das PMO braucht weniger Zeit für Copy-and-paste und mehr Zeit für Abweichungsanalyse, Priorisierung und Eskalationsvorbereitung.
CIO
Der CIO muss unterscheiden zwischen einem Tool-Problem und einem Informationsarchitekturproblem.
Nicht jede Reportinglücke wird durch einen neuen AI-Assistenten geschlossen.
Diese Rollen brauchen nicht dasselbe Dashboard.
Sie brauchen denselben Kontext.
Sieben Fragen vor dem nächsten KI-Reporting-Projekt
Bevor ein Unternehmen einen weiteren Copilot, Agenten oder AI-Reporting-Use-Case einführt, sollte es sieben Fragen beantworten:
- Welche konkrete Managemententscheidung soll schneller oder besser werden?
- Welche Datenquellen sind dafür notwendig?
- Welche Begriffe sind zwischen den Quellen unterschiedlich definiert?
- Wer verantwortet Aktualität und Qualität der Daten?
- Welche Informationen sind Fakten, welche Forecasts oder Einschätzungen?
- Wo entstehen heute manuelle Übergaben, Exporte oder Abstimmungen?
- Welche dieser Brüche beseitigt die KI tatsächlich – und welche bleiben bestehen?
Die letzte Frage ist entscheidend.
Denn KI kann eine manuelle Tätigkeit eliminieren und gleichzeitig einen neuen Kontroll- oder Konsolidierungsschritt erzeugen.
Der Nettoeffekt zählt.
Project Intelligence: Erst Kontext, dann Automatisierung
Aus Ramp7-Perspektive liegt die eigentliche Chance deshalb nicht in „mehr KI“.
Sie liegt darin, die relevanten Steuerungsinformationen so zu strukturieren, dass Technologie sie sinnvoll nutzen kann.
Dazu gehören insbesondere:
- Projekte,
- Budgets,
- externe Leistungen,
- Supplier,
- Timing,
- Risiken,
- Entscheidungen.
Wenn diese Informationen getrennt bleiben, muss das Management den Zusammenhang immer wieder neu herstellen.
Wenn der Zusammenhang nachvollziehbar ist, kann Automatisierung erheblich wertvoller werden.
Das bedeutet nicht, dass Ramp7 automatisch beliebige Systeme integriert, Daten in Echtzeit synchronisiert, AI-Agenten orchestriert oder Reports ohne menschliche Prüfung erzeugt.
Solche konkreten Produktfunktionen sind in diesem Artikel bewusst nicht behauptet.
Die Managementlogik ist einfacher:
KI kann Entscheidungsvorbereitung beschleunigen. Aber sie braucht eine belastbare Informationsbasis, auf der Projekte, externe Leistungen, Budgets und Abweichungen im selben Kontext betrachtet werden können.
Fazit: Ein neuer Copilot ist keine Datenstrategie
Die aktuelle Pleo-Erhebung zeigt ein interessantes Spannungsfeld.
Finance-Teams setzen KI ein, während 50 Prozent laut Pleo weiterhin einen stark manuell geprägten Tech-Stack haben. 47 Prozent berichten von Überinvestitionen in unterschiedliche KI-Tools und entsprechendem Tool-Wildwuchs.
Pleo interpretiert mangelnde Vernetzung als zentralen Grund dafür, dass manuelle Arbeit bestehen bleibt. Als Anbieter einer Spend-Management-Plattform verfolgt das Unternehmen dabei selbstverständlich eine eigene Produkt- und Marktposition.
Die grundsätzliche Beobachtung wird jedoch durch aktuelle PwC-Perspektiven gestützt: AI entfaltet sich nicht unabhängig von Daten, Workflows und Governance. PwC beschreibt vertrauenswürdige, governte Daten als Grundlage für AI und Reporting und warnt zugleich vor voneinander getrennten AI-Piloten auf einer dafür nicht ausgelegten operativen Basis.
Für Projekt- und Portfoliosteuerung folgt daraus:
Mehr Intelligenz auf jeder einzelnen Dateninsel schafft noch keine gemeinsame Entscheidungslage.
Wenn Projektstatus, Budgets, Supplier-Leistung und Risiken weiterhin unterschiedliche Definitionen und Datenstände besitzen, bleibt Konsolidierung notwendig.
Sie wird vielleicht schneller.
Vielleicht stärker automatisiert.
Aber sie verschwindet nicht automatisch.
Deshalb beginnt automatisiertes Projektreporting nicht mit der Frage:
„Welches KI-Tool fehlt uns noch?“
Sondern:
„Welche Informationen müssen für eine Managemententscheidung zuverlässig zusammengehören?“
Erst danach wird KI vom zusätzlichen Tool zur echten Unterstützung der Steuerung.