Automatisierte Berichte & Dashboard-Erläuterungen

Jeden Monat kopieren Analysten und Controller Zahlen aus Dashboards in Folien und schreiben „Umsatz stieg um 4 %, weil ...“ von Hand. KI macht aus kontrollierten Kennzahlen Textentwürfe, markiert, was sich geändert hat und warum, und versendet den Bericht nach Zeitplan. Menschen prüfen die Ausnahmen. Typischer Nutzen: Berichtszyklen schrumpfen von Tagen auf Stunden, und Analysten verwenden ihre Zeit für Interpretation statt für Formatierung.

Problem & Nutzen

• Heute: Wiederkehrende Berichte (Managementbericht, Vertriebsreview, Betriebskennzahlen-Deck, Vorstandsvorlage) werden manuell aus BI-Werkzeugen und Tabellenkalkulationen zusammengestellt. Kommentare entstehen unter Zeitdruck, unterscheiden sich je nach Autor und kommen oft zu spät. Die meisten Betrachter öffnen das Dashboard nie; sie wollen ein kurzes „was hat sich geändert und was braucht Aufmerksamkeit“.
• KI-Nutzen: einheitliche erste Kommentarentwürfe, automatische Erklärung von Abweichungen und Treibern, aktives Zusenden von Erkenntnissen (E-Mail, Teams, Slack), personalisierte Ansichten je Rolle, mehrsprachige Fassungen.
• Belege: Anbieter dokumentieren diese Funktionen (Power BI Copilot mit Erzähl-Visual und Berichtszusammenfassungen, Tableau-Pulse-Erkenntnisse, Looker/Gemini) [1][2][3]; veröffentlichte ROI-Zahlen sind überwiegend Herstellerangaben, messen Sie daher Ihre eigene Ausgangslage (Stunden je Berichtszyklus).
• Zentrale Einschränkung: Zahlen müssen aus einer kontrollierten Abfrage stammen, nie aus dem Gedächtnis des LLM.

Varianten

• Management-/FP&A-Kommentierung: Abweichungserläuterungen gegenüber Budget/Prognose (siehe DATA-024).
• Dashboard-Erläuterungen: automatischer Zusammenfassungstext im BI-Werkzeug, mit den Daten aktualisiert.
• Operative Kurzberichte: tägliche Kurzberichte zu Kennzahlen von Werk, Filiale oder Support, die in den Chat gesendet werden.
• Öffentlicher Sektor: Statistikämter und Kommunen erzeugen Texte für Open-Data-Dashboards.
• Regulierte Veröffentlichungen: Nachhaltigkeits- und Aufsichtsberichte folgen strengeren Wegen, siehe DATA-012, DATA-020.
• Private Nutzung: Zusammenfassungen zu Haushaltsbudget oder Fitness aus exportierten Daten, meist ein allgemeines LLM auf einer CSV-Datei (DATA-006).

So funktioniert es

1. geplanter Auslöser / Datenaktualisierung
2. kontrollierte Kennzahlenabfrage (semantische Schicht / SQL, feste Definitionen)
3. deterministische Analytik (Periodenveränderung, Abweichung, Trend, Anomalie, Treiber-/Beitragsanalyse)
4. Faktenpaket (JSON: Zahlen, Vergleiche, Markierungen)
5. LLM schreibt den Text ausschließlich aus dem Faktenpaket (Vorlage + Tonalität + Sprache)
6. Verifikation (jede Zahl im Text mit dem Faktenpaket abgeglichen; verbotene Aussagen; Länge)
7. menschliche Prüfung des Entwurfs (Ausnahmen, Freigabe bei externen/Vorstandsberichten)
8. Verteilung (PDF, Folien, E-Mail, Chat, BI-Kachel) + Prüfprotokoll

• Zuerst deterministisch: Statistik, Anomalieerkennung und Treiberanalyse berechnen, was sich geändert hat; das LLM formuliert es nur. So werden Rechenhalluzinationen vermieden.
• Semantische Schicht: Kennzahlendefinitionen (z. B. dbt Semantic Layer / MetricFlow, Cube, LookML, Power-BI-Semantikmodell) halten „Umsatz“ in allen Berichten identisch und geben dem LLM eine sichere Schnittstelle.
• Mensch-in-der-Schleife (Human-in-the-Loop): Ein Prüfer gibt Texte für Vorstand, Investoren, Kunden oder Aufsichtsbehörden frei; interne tägliche Kurzberichte können automatisch mit sichtbarem Hinweis „KI-generiert“ versendet werden.

Datenaufbereitung

Automatisierte Berichtstexte brauchen verlässliche Zahlen. Die Daten liegen in Buchhaltungs- oder ERP-Exporten (DATEV, SAP, Lexware), im BI-Werkzeug und vor allem in Excel-Dateien und Foliensätzen auf Dateiservern und in E-Mails. Typische Lücken sind uneinheitliche Kennzahlendefinitionen zwischen Abteilungen, manuelle Überschreibungen in Tabellen, fehlende Werte der Vorperiode und des Budgets sowie frühere Kommentare, die über alte PowerPoint-Dateien verstreut sind.

Schritte der Aufbereitung: (1) eine Definition je Kennzahl vereinbaren und aufschreiben, siehe PREP-012; (2) Berichtseingaben aus kopierten Tabellenkalkulationen in saubere Tabellen oder ein BI-Modell überführen, siehe PREP-011 und PREP-005; (3) drei bis sechs frühere Berichte als Musterbeispiele und Vorlagen sammeln, siehe PREP-016; (4) eine Liste von Firmenbegriffen und Abkürzungen anlegen, siehe PREP-015; (5) Datenqualitätsprüfungen für die Quelltabellen mit DATA-008 ergänzen und Stammdaten mit DATA-003 bereinigen; (6) eine Regel „nur berechnete Zahlen“ festlegen: Das Modell schreibt Text, Code berechnet alle Zahlen.

Werkzeuge: BI-Semantikmodell oder dbt, Power Query, eine kleine Python- oder n8n-Pipeline. Grober Aufwandsanteil: etwa 30 bis 40 Prozent, vor allem für das Abstimmen von Definitionen und das Entfernen manueller Schritte. Prüfen Sie die Bereitschaft mit GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• smb: Weg A, weil vorhandene BI- und Buchhaltungswerkzeuge ausgereifte Funktionen für Erläuterungen und Berichtszusammenfassungen zu KMU-Preisen für Standardkennzahlen bieten.
• enterprise: Weg B, weil das Berichtswesen ein Kernprozess mit eigenen Datenmodellen ist und die API-Kosten je Bericht im Vergleich zur Analystenzeit gering sind.
• developer: Weg B, weil wenige Zeilen Orchestrierung über einer Kennzahlenschicht und einer LLM-API die meisten Anforderungen abdecken, bei voller Kontrolle über die Abgleichsprüfungen.
• public: Weg C auf souveräner EU-/deutscher Infrastruktur, weil Haushalts- und Statistikdaten Vergabe- und Souveränitätsanforderungen unterliegen.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• Im bereits vorhandenen BI-Werkzeug: Microsoft Power BI mit Copilot (Erzähl-Visual, Berichtszusammenfassungen), Tableau Pulse (Salesforce), Google Looker mit Gemini, Qlik Sense / Qlik Answers, ThoughtSpot Spotter und SpotIQ, Domo, Zoho Analytics (Zia), Sisense.
• Planung und Finanzberichte: Anaplan, Workday Adaptive, Pigment (EU, Frankreich), Jedox (EU, Deutschland), Lucanet (EU, Deutschland) und Werkzeuge für Vorstandsberichte mit KI-Kommentierung.
• Eigene Textgenerierung (NLG): Arria NLG, Narrative BI, Yseop (EU, Frankreich) und Engines im Stil von Automated Insights.
• A wählen, wenn: bereits ein BI-Werkzeug im Einsatz ist und das Berichtswesen standardisiert ist. Prüfen Sie den Datenstandort in der EU, ob Prompts/Daten für Training verwendet werden, und Kapazitätslizenzen (Copilot-Funktionen erfordern oft kostenpflichtige Fabric-/Power-BI-Kapazität).

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Spitzen-LLMs mit strukturierter Ausgabe über EU-Regionen (Claude auf Bedrock/Vertex EU, Azure OpenAI EU Data Zone, Gemini EU, Mistral La Plateforme als EU-Anbieter).
• Datenzugriff: schreibgeschütztes Dienstkonto auf dem Data Warehouse oder der semantischen Schicht (Snowflake Cortex, Databricks AI/BI Genie, BigQuery, dbt Semantic Layer); die Anwendung berechnet das Faktenpaket, das Modell schreibt nur den Text.
• Orchestrierung: geplanter Job (Airflow, dbt Cloud, Power Automate, n8n), Vorlagen-Engine (Jinja), PDF-/PPTX-Erzeugung, Zustellung über MS Teams/Slack.
• B wählen, wenn: Sie eigene Berichtsformate, mehrere Datenquellen oder Pakete im eigenen Erscheinungsbild in mehreren Sprachen benötigen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-Instruct-Modelle wie Qwen3, Llama 3.x, Mistral Small/Medium-Klasse, Gemma 3, bereitgestellt mit vLLM oder Ollama; durch JSON-Schema eingeschränkte Dekodierung.
• Stack: Apache Superset oder Metabase für Dashboards (mit skriptgesteuerten API-Aufrufen), dbt + MetricFlow oder Cube als semantische Schicht, Evidently / Great Expectations für Datenprüfungen, Apache Airflow oder Dagster für die Planung, Quarto/Jinja zum Erzeugen der Berichte.
• Hardware: HW2 genügt für ein quantisiertes Modell mit 14–32B, das einige hundert Berichte pro Tag erzeugt; die Texte sind kurz.
• C wählen, wenn: Finanz- oder personenbezogene Daten das Haus nicht verlassen dürfen.

Weg D — Eigenes Training

Selten nötig. Erwägen Sie leichtes Feintuning (LoRA) für Hausstil oder Fachterminologie, wenn Hunderte freigegebener früherer Kommentare vorliegen; der Abruf früherer Beispiele bringt meist den Großteil des Nutzens.

Stand der Technik (2026)

• Texte aus Faktenpaketen mit schema-eingeschränkter Ausgabe sind Standard; „Chat mit dem Dashboard“ und „diesen Bericht zusammenfassen“ gehören zu allen großen BI-Suiten.
• Agentische Kurzberichte: Agenten beobachten Kennzahlen, führen Ursachenanalysen durch und melden Warnungen mit Erklärung; kombiniert mit Datenqualitätssignalen (DATA-008).
• Kontrollierte semantische Schichten sind der wichtigste Wegbereiter für verlässliche Antworten; Model-Context-Protocol-(MCP-)Server machen sie für Agenten zugänglich.
• Grenzen: Kausalaussagen („der Umsatz sank wegen der Kampagne“) sind oft nicht belegt; LLMs deuten Rauschen über, verwechseln Prozent mit Prozentpunkten, vermischen Perioden und klingen bei Fehlern genauso selbstsicher. Veraltete oder falsche Quelldaten erzeugen flüssige, aber falsche Geschichten. Die Textqualität driftet durch stille Modellaktualisierungen, daher Regressionstests (Referenzberichte) vorhalten.
• Gegenmaßnahmen: Prüfprogramme zum Abgleich der Zahlen, Trennung von „Fakten“ und „Hypothesen“ im Prompt, Links zu den Quellkacheln anzeigen, Bewertung anhand einer Stichprobe früherer Berichte.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack wie DATA-001 (NL-zu-SQL, semantische Schicht), DATA-006 (Assistent für Tabellenkalkulationen), DATA-024 (FP&A-Abweichungskommentare), LANG-003 (Berichtsschreiben).
• Vorgelagert: DATA-008 (Datenqualitätsschranken vor der Veröffentlichung), DATA-007 (Katalog und Kennzahlendefinitionen).
• Spezialisierte Berichte: DATA-012 (CSRD), DATA-020 (Aufsichtsberichte), DATA-025 (Berichte zum Lohngefälle) fügen regulatorische Struktur und strengere Prüfung hinzu.
• Gemeinsame Infrastruktur: ein LLM-Gateway, eine semantische Schicht und ein Scheduler bedienen alle diese Anwendungsfälle.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen für Aktivierung und Test; die Kosten bestehen überwiegend aus Lizenz-/Kapazitätsaufschlag.
• Weg B: 1–3 Monate für zwei oder drei produktive Berichte inkl. Prüfprogrammen und Verteilung.
• Weg C: 2–4 Monate; GPU-Server plus Betrieb. Die LLM-Token-Kosten je Bericht sind im Verhältnis zur Analystenzeit gering.
• Kennzahlen: Analystenstunden je Berichtszyklus, Zeit vom Periodenabschluss bis zur Berichtsauslieferung, Anteil der Berichte, die ohne Änderungen versendet werden, in der Prüfung gefundene Fehlerquote bei Zahlen (Ziel null), Leserbeteiligung (Aufrufe, Maßnahmen), Zufriedenheit der Beteiligten.

Menschen & Veränderung

Beginnen Sie mit dem Controller oder der Abteilungsleitung, der oder die den Bericht verantwortet; sie legen fest, wie ein guter Kommentar aussieht, und geben ihn frei. Die Geschäftsleitung entscheidet, welche Berichte mit minimaler Prüfung hinausgehen dürfen. Die IT bindet Datenquellen und Zeitplanung an, die Dateneigner bestätigen die Kennzahlendefinitionen, und Endanwender (Leser und Autoren der Berichte) werden bei Tonalität und Format einbezogen.

Betriebsrat: abhängig. Managementberichte überwachen selten Einzelpersonen, doch wenn die Texte Leistung einzelner Personen oder Teams behandeln oder das Werkzeug das Verhalten der Autoren protokolliert, greift § 87 Abs. 1 Nr. 6 BetrVG. Informieren Sie den Betriebsrat stets rechtzeitig nach § 90 Abs. 1 Nr. 3, da sich die Art der Berichtsarbeit ändert. Öffentliche Stellen beteiligen den Personalrat. Datenschutz: Eine Datenschutz-Folgenabschätzung (DSFA) ist für aggregierte Zahlen normalerweise nicht nötig; die(der) Datenschutzbeauftragte sollte Inhalte auf Personal- oder Kundenebene prüfen, und mit jedem Cloud-Anbieter ist ein Auftragsverarbeitungsvertrag (AVV) erforderlich.

KI-Kompetenz: Unterstützen Sie die Beschäftigten mit einer kurzen Schulung zu halluzinierten Erklärungen („warum stieg der Umsatz?“ ist kausale Spekulation), siehe GUIDE-006. Führen Sie einen Pilot mit einem Monatsbericht über zwei Zyklen parallel zur manuellen Fassung durch, messen Sie eingesparte Zeit und Korrekturen und halten Sie für jeden Bericht eine namentlich benannte menschliche Freigabe vor. Begegnen Sie der Sorge „meine Analysetätigkeit verschwindet“, indem Zeit in die Interpretation verlagert wird. Leitfäden: GUIDE-008, GUIDE-009, GUIDE-011.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko; erzeugter Text, der Menschen angezeigt wird, kann Transparenz erfordern (Art. 50), wenn er der Öffentlichkeit als Information zu Angelegenheiten von öffentlichem Interesse veröffentlicht wird, es sei denn, er wurde von Menschen mit redaktioneller Verantwortung geprüft. KI-Kompetenz (Art. 4) gilt. Heikel wird es, wenn Texte in Mitarbeiterbewertungen oder Kreditentscheidungen einfließen (Anhang III); dann neu bewerten.
• DSGVO: Berichte mit Daten auf Ebene von Kunden, Beschäftigten oder Patienten sind personenbezogene Daten; aggregieren Sie mit Mindestgruppengrößen, um Re-Identifizierung zu vermeiden, wenden Sie rollenbasierten Zugriff (Sicherheit auf Zeilenebene) an, damit der Text nie Daten offenlegt, die der Leser nicht sehen darf, schließen Sie Auftragsverarbeitungsverträge ab und hosten Sie in der EU.
• Finanz- und Offenlegungspflichten: Bei externer, börsennotierter oder aufsichtlicher Berichterstattung bleibt die Geschäftsleitung für den Inhalt verantwortlich; führen Sie einen Prüfpfad von KI-Entwurf zu Endtext und eine Freigabe nach dem Vier-Augen-Prinzip.
• Typische Risiken: halluzinierte Zahlen, durch Prompts offengelegte vertrauliche Kennzahlen, Prompt-Injection über Freitextfelder in den Quelldaten, übermäßiges Vertrauen. Gegenmaßnahmen: Prüfprogramme, Zugriff mit minimalen Rechten und nur lesend, Protokollierung und menschliche Freigabe.

Erste Schritte

1. Wählen Sie einen wiederkehrenden Bericht mit klarer Verantwortung; erfassen Sie den Zeitaufwand und den aktuellen Kommentarstil.
2. Stellen Sie sicher, dass Kennzahlen an einer Stelle definiert sind (semantische Schicht oder BI-Modell) und zuerst grundlegende Datenqualitätsprüfungen laufen.
3. Aktivieren Sie die eingebaute Textfunktion Ihres BI-Werkzeugs (Weg A) an einem Pilotbericht; vergleichen Sie über 2–3 Zyklen mit dem menschlichen Kommentar.
4. Wenn mehr Kontrolle nötig ist, bauen Sie eine Pipeline aus Faktenpaket + LLM mit Zahlenabgleich und einem Prüfschritt.
5. Verfolgen Sie Änderungsquote und Fehler; erweitern Sie auf weitere Berichte erst, wenn die Änderungsquote sinkt.

Quellen

1. Microsoft Learn - Copilot in Power BI: create narrative summaries and report summaries - https://learn.microsoft.com/power-bi/create-reports/copilot-introduction
2. Tableau Help - Tableau Pulse - https://help.tableau.com/current/online/en-us/pulse_intro.htm
3. Google Cloud - Conversational Analytics / Gemini in Looker - https://cloud.google.com/looker/docs/studio/conversational-analytics
4. dbt Labs - dbt Semantic Layer and MetricFlow - https://docs.getdbt.com/docs/use-dbt-semantic-layer/dbt-sl
5. Databricks - AI/BI Genie and dashboards - https://docs.databricks.com/aws/en/genie/
6. Regulation (EU) 2024/1689 (AI Act), Art. 4, 50 - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Regulation (EU) 2016/679 (GDPR) - https://eur-lex.europa.eu/eli/reg/2016/679/oj
8. Apache Superset - https://github.com/apache/superset