Die oder der CFO fragt nach verlässlichen KI-gestützten Forecasts, Datenschutzbeauftragte warnen vor Black-Box-Risiken, und die IT empfiehlt drei verschiedene Tools – nur eine Entscheidung ist für Euch jeweils richtig, aber welches schützt Ihr Unternehmen vor kostspieligen Fehlern? Und was gibt es sonst noch zu beachten?
In der Welt des Finanz-Controllings steht eine spannende Frage im Raum: Wie gut sind Lucanet, TM1 von Oracle und SAP tatsächlich für die Zukunft der KI im Controlling und Reporting aufgestellt – und wo lauern Risiken, die noch zu wenig beachtet werden.
Hinweis zum Einsatz Künstlicher Intelligenz
Ich habe die drei gängigsten Tools im Reporting und Controlling nebeneinander gestellt und habe sie anhand der aktuellen KI-Anforderungen verglichen und nach der aktuellen Studienlage gefragt. Die Studien und Quellen wurden auf Plausibilität zu den Aussagen von mir überprüft. Zu werbende Inhalte oder unplausible Quellen wurden herausgenommen. Der entstandene Text wurde um persönliche Erfahrungen in diesem Bereich ergänzt und die darin enthaltenen Aussagen auf Evidenz mittels der eingesetzten Modelle geprüft. Eingesetzte Modelle: Claude Sonnet 4.0 Thinking, ChatGPT-5.
Lesezeit 7 Minuten
KI-Anforderungen im Controlling
- Erklärbarkeit/Black-Box-Transparenz
- Integrationsfähigkeit und Datenqualität
- Automatisierte Prognosen und Auswertung
- Governance und Compliance
- Sicherheit und Datenschutz
Erklärbarkeit/Black-Box-Transparenz:
Die Erklärbarkeit von KI-Entscheidungen ist ein entscheidender Faktor. Studien wie der Finance Watch Report zeigen, dass KI-Systeme häufig als Black Box agieren und deren innere Funktion selbst von Entwicklern oft nicht verstanden werden. Entscheidend ist daher die Implementierung von Explainable AI (XAI), die Transparenz schafft und regulatorische Anforderungen adressiert – ein Feld, in dem Lucanet durch gute Data-Governance und Nachvollziehbarkeit punktet, TM1 und SAP hingegen auf fortschrittlichere, aber komplexere Machine-Learning-Komponenten setzen, die die Erklärung erschweren können.
Vielleicht kenne Sie wie ich diese Situation aus Ihrer Karriere oder ähnliche. Man hat mit viel Mühe den Managementreport fertig gestellt. Es war ein größeres Team beteiligt. Präsentiert wird nur von max. zwei Personen. Plötzlich kommen kritische Nachfragen aus dem operativen Bereich, gerade wenn es hier um schlechte Neuigkeiten geht. Jetzt ist Souveränität gefragt und diese entsteht nur nachhaltig, wenn man den eigenen Zahlen vertrauen kann und weiß, wie sie entstehen.
Integrationsfähigkeit und Datenqualität:
Moderne KI-Lösungen müssen heterogene, unstrukturierte und strukturierte Datenquellen nahtlos integrieren können. Während SAP und Oracle TM1 dafür eine höhere Skalierbarkeit zeigen, überzeugt Lucanet durch seine einfache Handhabung für Finanzabteilungen, allerdings mit Limitations bei der Verarbeitung komplexer KI-Modelle.
Als ich mich das erste Mal mit Lucanet vor über 15 Jahren beschäftigte war ich begeistert, wie gut dieses Tool auf No-Code Anpassung und dennoch überzeugende Logik setzte. Auch der TM1, damals der Cognos Controller setzte auf diesen Vorteil. So ist kein einheitlicher Kontenplan oder andere Datenstrukturen notwendig, die am besten nah am operativen Geschäft bestimmt werden. Das senkt natürlich dramatisch die Cost of Lifetime und auch die Komplexität.
Automatisierte Prognosen und Auswertung:
Aber ich erinnere mich auch an viele Abende, z. T. Nächte, die ich der Erstellung von Reports und Analysen verbracht habe. Top Down Entscheidungen mit massiver Auswirkung auf die Basis des Datenmodells kurz vor Stichtag waren da nicht hilfreich. Inzwischen feiere ich, wie gut durch KI dieses Thema sich verbessert hat. KI macht insbesondere im Forecasting, Abweichungsanalysen und Predictive Reporting den Unterschied. Dabei bieten SAP und TM1 fortgeschrittene KI-gestützte Prognosefunktionen an, wohingegen Lucanet auf regelbasierte Methoden und algorithmische Modelle setzt. Beide Wege bieten Vor- und Nachteile.
Governance und Compliance:
Die Nachvollziehbarkeit der KI-Ergebnisse, Auditierbarkeit und Data Lineage werden immer wichtiger. Lucanet punktet hier mit auditfreundlichen Strukturen, während SAP und TM1 tendenziell flexibler, aber weniger transparent agieren.
Sicherheit und Datenschutz:
Finanzdaten unterliegen strengen Schutzanforderungen, was bei allen Anbietern unterschiedlich gelöst wird – SAP und Oracle bieten umfangreiche Sicherheitsfunktionen nach Industriestandard, Lucanet hingegen setzt auf schlanke und spezialisierte Lösungen. Lucanet ist bekannt für stark auditfreundliche Strukturen. SAP und TM1 können auditfreundlich sein, benötigen aber oft mehr Setup, Plugins oder Governance-Richtlinien.
| Feature / Tool | Lucanet | SAP (z.B. SAP Analytics Cloud, BPC) | TM1 / IBM Planning Analytics |
|---|---|---|---|
| Auditierbarkeit (Audit-Friendly) | Sehr hoch – Integrierte Freigabe- und Workflowstrukturen, alle Buchungen nachvollziehbar | Mittel – Auditierbarkeit möglich, hängt von Implementierung & Governance-Modulen (SAP GRC) ab | Mittel – Logging und Security Rules vorhanden, aber weniger „out-of-the-box“ |
| Nachvollziehbarkeit / Data Lineage | Klar strukturiert, transparente Konsolidierungs- und Controllingprozesse | Möglich, aber oft komplex, abhängig von IT-Setup und Zusatztools wie SAP Data Intelligence | Möglich, über TM1-Logs und Cubes, jedoch weniger formalisiert als Lucanet |
| Flexibilität bei Datenmodellierung & Reporting | Eingeschränkter, stark standardisiert | Sehr hoch – vielfältige Integration, Anpassung und Modellierung möglich | Hoch – flexible Planung, Forecasting, Szenarioanalyse |
| Einsatz von KI & Automatisierung | Grundlegend integriert, z.B. für Forecasting | Stark – SAP Analytics Cloud bietet AI/ML-Funktionen | Grundlegend, aber stark auf eigene Implementierungen angewiesen |
| Compliance / Regulatorische Anforderungen | Hohe Unterstützung, speziell für IFRS, HGB, BaFin-konforme Reportingstrukturen | Abhängig von Zusatzmodulen und Konfiguration | Abhängig von Einrichtung, teilweise regulatorisch konform, muss konfiguriert werden |
Reporting-Kategorien
| Reporting-Art | Lucanet | TM1 / IBM | SAP |
|---|---|---|---|
| Klassisches Finanzreporting | Sehr gut, standardisiert, überschaubare Strukturen | Gut, multidimensional, Mittelstand | Sehr gut, skalierbar, globale Konzerne |
| Operatives Reporting | Standardisiert, weniger flexibel | Hoch flexibel, Ad-hoc, multidimensional | Hoch flexibel, Ad-hoc, Self-Service |
| Nachhaltigkeits-/ESG-Reporting | Ansätze vorhanden, abhängig von externen Daten | Ansätze vorhanden, abhängig von externen Daten | Hochreif, umfangreiche Integrationen und Partnerlösungen |
Quellen:
https://www.finance-watch.org/wp-content/uploads/2025/03/Artificial_intelligence_in_finance_report_final.pdf
https://arxiv.org/html/2505.24650v1
EU AI Act – Relevanz für Controlling-Tools
Der EU AI Act fordert Transparenz, Datenherkunftsnachweis und eine strenge Kategorisierung der KI-Risikoklassen. Besonders bei den Black-Box-Problematiken müssen Reporting- und Controlling-Abteilungen sicherstellen, dass KI-Aussagen nachvollziehbar erklärt werden können und eine Data Lineage nachweisbar ist.
Lucanet hat hier Vorteile durch Reporting- und Audit-Strukturen, SAP und TM1 müssen mit komplexeren KI-Modellen besonders auf Erklärbarkeit und Transparenz achten.
Datenschutz und Lock-In-Situation
Datenschutz:
Alle drei Anbieter erfüllen nach eigenen Angaben die EU-Standards für Datenschutz. SAP und Oracle sind weltweit zertifiziert, Lucanet spezialisiert auf die EU-DSGVO.
Unternehmenskultur und Lock-In-Risiken:
Während SAP und Oracle bekannt sind für komplexe Lizenzmodelle und teils schwierige Wechselbedingungen infolge ihrer verbreiteten Plattformökosphäre, ist Lucanet ein mittelständischer Anbieter mit stärkerer Kundenbindung – jedoch mit weniger Flexibilität in der Skalierung. Preiserhöhungen und Lock-In-Vorteile sind bei den großen Plattformanbietern wie SAP und Oracle besonders kritisch – zahlreiche Studien warnen vor abrupten Lizenzanpassungen.
Hier eine Geschichte, an die ich mich noch gut erinnere, Interimseinsatz in einem Unternehmen im Bereich Software für kritischer Infrastrukturen, das direkt betroffen war. Diese Erinnerung befindet sich auf dem ersten Platz der Kategorie „Vertragsverhandlung mit arroganten und ignoranten Lieferanten“. Wen das nicht interessiert skipt hier einfach.
Oracle und die User, die eigentlich Hardware-Devices sind
Im Jahr 2016 beschloss Oracle nun seinen Kunden mitzuteilen, dass sich die Lizenzbedingungen geändert haben. Plötzlich zählte jedes Gerät, das auf die Datenbank zugriff, als eigener Nutzer. Man kann sich vorstellen, welche Freude bei meinem Kunden aber auch z. B. bei BMW ausbrach. Was bisher ein gut kalkulierbares Lizenzbudget war, drohte nun in ungeahnte Höhen zu explodieren. Die meisten Teams waren sehr verärgert – niemand verstand, warum aus vertrauten Servern und Automatisierungsprozessen plötzlich Kostenfallen wurden. Das gefährlichste: Oracle verlangte ein Reporting aus dem direkt die Marge aus den einzelnen eigenen Projekten hervorging. Sowas liefert man ja mit Begeisterung seinen Lieferanten /IronieOff.
In den Wochen darauf verwandelten wir uns sowie viele weitere IT-Abteilungen zusammen mit den Kolleginnen aus dem Einkauf in ein Netzwerk aus Strategen und Detektiven. Wir zählten Server, virtualisierten Workloads und suchten nach inaktiven Konten, um die neue Zählweise zu umgehen. Die Software Asset Management-Tools summten wie Bienen, während Mitarbeitende ihre Zugriffsrechte prüften und interne Accounts konsolidierten. Gleichzeitig wurden Gespräche mit Oracle geführt, Verträge neu ausgehandelt und Szenarien für alternative Datenbanken skizziert – eine Mischung aus Defensive, Kreativität und stillem Protest. Gleichzeitig passten wir das Investitionsbudget des Folgejahres an. Was kostet es, Oracle rauszunehmen und dafür PostgreSQL einzubauen?
Oracle erzielte kurzfristig höhere Lizenzumsätze, verlor aber teilweise das Vertrauen großer Kunden. Durch die zunehmenden Lizenzkosten und den Lock-In-Effekt von Oracle-Datenbanken wurde PostgreSQL in Unternehmen besonders populär. Unternehmen entwickelten stärkere Audit- und Kostenkontrollprozesse, die heute Standard in großen IT-Abteilungen sind. Die Lizenzänderung führte zu kurzfristigen Umsatzsteigerungen bei Oracle SQL, löste aber Kundenunmut und Migrationstrends aus, die langfristig den Marktanteil von Oracle im klassischen Datenbankgeschäft belasteten. Die Lizenzänderung führte zu kurzfristigen Umsatzsteigerungen bei Oracle SQL, löste aber Kundenunmut und Migrationstrends aus, die langfristig den Marktanteil von Oracle im klassischen Datenbankgeschäft belasteten. Das Unternehmen reagierte teilweise mit Cloud-Strategien, um den Umsatz zu stabilisieren.
Aus europäischer Mittelstandssicht spielt Eigentümerstruktur bei Softwarepartnerschaften derzeit eine größere Rolle. Oracle zeigt enge US-Regierungskooperationen, während SAP durch deutsche Governance-Strukturen und breiten Streubesitz Vertrauen schafft. Lucanet punktete historisch durch starke Stakeholder-Orientierung der Gründer, durchlief jedoch 2022 einen Eigentümerwechsel zu Hg Capital (UK) – die langfristigen Auswirkungen auf Kundennähe bleiben abzuwarten.
KI-Readiness: Kompetenzen für AI Readiness im Controlling und Reporting
Um im Bereich Finance die Potenziale von Künstlicher Intelligenz wirklich zu nutzen, brauchen Fach- und Führungskräfte mehr als nur technisches Grundwissen. AI Readiness bedeutet, strategisch, regulatorisch und methodisch auf KI-Anwendungen vorbereitet zu sein – von der Datenanalyse über das Verständnis der Modelle bis hin zu agilem Arbeiten im Team. Die folgenden Kernkompetenzen zeigen, welche Fähigkeiten Entscheider und Controlling-Teams entwickeln müssen, um KI effektiv, verantwortungsvoll und zukunftssicher einzusetzen.
- Datenkompetenz und Explainability: Verstehen, wie KI zu ihren Schlussfolgerungen gelangt, wird zur Kernkompetenz. Wenn jetzt KI Lösungenen eigebaut werden, ist gerade für diesen Punkt der Quality by Design Ansatz zu empfehlen.
- Regulatorisches Know-how zu EU AI Act und DSGVO Hier lauern Risiken die wirklich teuer werden können, die aber sehr gut durch Awareness und andere maßgeschneiderte Trainings aufgefangen werden können.
- Modellverständnis und Data-Governance: Finance-Mitarbeitende müssen das Modell verstehen und wie es zu den entsprechenden Lösungen kommt. BlackBox Systeme die unternehmenskritische Entscheidungen auslösen, müssen hier besonders kritisch betrachtet werden. Aber auch wenn durch ein solches System Entscheidungen für Mitarbeitende getroffen werden. Bei den Trainingsdaten ist insbesondere auf die Data-Governance zu achten. Dies gilt jedoch auch im alltäglichen Umgang mit KI-Lösungen im Unternehmen.
- Change-Management und agile Zusammenarbeit: Für KI-Projekte ist Standard-Scrum suboptimal aufgrund der experimentellen, unsicheren Natur. Hier gibt es andere Methoden, die in Verbindung mit agilen Werkzeugen die Erfolgswahrscheinlichkeiten nachweisbar erhöhen. Hier empfiehlt es sich, die Qualifikation Eurer Agile Coaches zu prüfen. Haben diese nur eine Scrum Zertifizierung oder ein breiteres methodisches Wissen? Wie groß ist deren Werkzeugkasten? Wie gut können diese mit ungenannten Ängsten und daraus Projektblockaden umgehen?
- Technologische Neugier und Weiterbildungsbereitschaft: bedeutet für Controlling und Reporting Mitarbeitende die aktive Bereitschaft, sich mit den Funktionsweisen von KI-Algorithmen auseinanderzusetzen und Black-Box-Systeme zu hinterfragen, statt diese blind zu akzeptieren – eine Schlüsselkompetenz, um mittels der Systeme fundierte Entscheidungen treffen zu können. Weiterbildungsbereitschaft erfordert kontinuierliches Lernen zu EU AI Act-Compliance, Datenschutzanforderungen und neuen agilen Projektmethoden jenseits von Scrum, da sich KI-Tools und regulatorische Anforderungen rasant entwickeln und traditionelle Controlling-Kompetenzen allein nicht mehr ausreichen. Diese beiden Eigenschaften sind entscheidend, weil sie Controlling-Teams befähigen, proaktiv mit der KI-Transformation umzugehen, anstatt nur reaktiv auf technologische Veränderungen zu reagieren.
Genau hier setzen wir von WEGO effective mit maßgeschneiderten KI-Ready Blendet Learning Kursen für Finance- und Controlling-Teams an: Statt generischer Schulungen entwickeln wir gezielt effizient auf Ihre Herausforderungen maßgeschneiderte Kursinhalte verbunden mit Coaching der aktuellen Situation – vom Verständnis der Black-Box-Problematik bis hin zur praktischen Anwendung von EU AI Act-Compliance in Ihren Reporting-Strukturen. Maßgeschneidert ist bei uns zum einen die Kursinhalte und zum anderen, wann der Kurs stattfindet.
Erfahrenen Agile Coaches mit KI Zertifizierung unterstützen Sie auch direkt in laufenden KI-Projekten mit tiefer Methodenkompetenz jenseits von Scrum und unserem bewährten Projekt-Setup, das in kurzer Zeit wichtige Projekte professionell aufsetzt. Was uns von der Konkurrenz unterscheidet: planbare Kosten und definierte Quality Gates, die Ihnen von Anfang an Transparenz über Investition und Ergebnis geben – keine bösen Überraschungen, keine endlosen Beratungsschleifen, sondern messbare Fortschritte auf Ihrem Weg zur KI-gestützten Finanzabteilung der Zukunft.
Ist Ihr Controlling und Reporting bereits KI-Ready – oder riskieren Sie den Anschluss?
Während Sie diese Zeilen lesen, implementieren Ihre Wettbewerber bereits KI-gestützte Forecasting-Systeme – doch ohne durchdachte Strategie werden aus Effizienzgewinnen schnell Compliance-Risiken und Kostenfallen. Der EU AI Act wartet nicht auf Ihre Entscheidung.
Handeln Sie jetzt: Vereinbaren Sie ein kostenloses 30-minütiges Strategie-Gespräch und erhalten Sie eine ehrliche Einschätzung Ihrer aktuellen KI-Readiness. Wir analysieren gemeinsam, ob Ihre bestehenden Tools für Ihre KI-Ambitionen gerüstet sind und welche konkreten Schritte Ihre Teams bis Jahresende gehen können. Wir prüfen gemeinsam, welches Budget Sie für das nächste Jahr bereitstellen sollten.
Ihr Nutzen: Klare Roadmap, planbare Kosten, messbare Meilensteine – und die Gewissheit, dass Ihr Unternehmen nicht zu den 60% gehört, die bei KI-Projekten scheitern.
