FP&A-Copilot: treiberbasierte Planung, Szenarien und Abweichungskommentare

Controlling-Teams verbringen den Planungszyklus und jeden Monatsabschluss damit, Zahlen zusammenzutragen, Tabellen neu aufzubauen und immer wieder dieselben Absätze zum „Warum haben wir das Ziel verfehlt“ zu schreiben. Ein FP&A-Copilot setzt auf das Planungsmodell (OLAP-Würfel / Treibermodell) auf: Er schlägt Entwürfe für Budget und Prognose vor, beantwortet „Was passiert, wenn die Preise um 3 % steigen und die Einstellungen ein Quartal später kommen?“ in einfacher Sprache und erklärt Abweichungen mit nach Rang geordneten Treibern samt einem ersten Entwurf des Kommentars. Die Berechnung bleibt deterministisch in der Planungs-Engine; die KI steuert, erklärt und entwirft.

Problem & Nutzen

• Heute: Budgets und rollierende Prognosen entstehen in Excel oder in Planungswerkzeugen (Anaplan, SAP, Jedox, Pigment und andere) in langsamen Top-down-/Bottom-up-Runden. Die Abweichungsanalyse ist manuelles Drill-down über Kostenstellen, und die Kommentare tippen Controller unter Termindruck.
• Nutzen durch KI: kürzere Planungszyklen, mehr Szenarien je Zyklus, einheitlichere und schnellere Kommentare und Business Partner, die das Modell abfragen können, ohne seine Struktur zu kennen. Controller wechseln vom Sammeln zum kritischen Hinterfragen.
• Evidenzlage: Anbieter veröffentlichen Fallstudien und Agenten-Einführungen (Pigment, Anaplan, SAP, Jedox), unabhängige, quantifizierte Nutzenstudien sind jedoch selten. Behandeln Sie Aussagen zur Zeitersparnis als Herstellerangaben und messen Sie Ihre eigene Ausgangslage [1][2][3].

Varianten

• KMU / Mittelstand: Excel- oder Power-BI-Modell plus LLM-Assistent oder ein leichtgewichtiges Planungswerkzeug (z. B. Jedox, Pigment) mit integrierter KI.
• Großunternehmen: vernetzte Planung über Finanzen, Personal, Vertrieb und Lieferkette auf einer mehrdimensionalen Plattform mit gesteuerten Agenten.
• Bereichsebene: Selbstbedienung für Kostenstellenverantwortliche („Warum ist mein Reisebudget überschritten?“).
• Öffentlicher Sektor / gemeinnützige Organisationen: Berichte zum Haushaltsvollzug mit Erläuterungen für Räte und Gremien (DATA-002 für Berichtslayouts).
• Konzerncontrolling: Abweichungskommentare über mehrere Gesellschaften mit Währungs- und Konsolidierungseffekten.

So funktioniert es

1. actuals (ERP/GL) + planning cube + driver model + prior commentary
2. semantic layer (dimensions, accounts, hierarchies, driver definitions, business rules)
3. tools: query cube, run driver calc, run scenario, statistical baseline forecast
4. agent (LLM + reasoning): plan the analysis, call tools, never do arithmetic itself
5. outputs: forecast draft | scenario table | variance bridge | commentary draft
6. controller review & edit (human-in-the-loop)
7. approval
8. write-back to a draft version
9. publication to management report (DATA-002)

• Basisprognose: Statistische oder Foundation-Zeitreihenmodelle (ETS/ARIMA, Gradient Boosting, TimesFM, Chronos, Nixtla) liefern eine Basis auf Treiberebene; das LLM prognostiziert selbst keine Zahlen.
• Szenariomodellierung: Das LLM übersetzt eine Anfrage in Parameteränderungen (Treiber, Element, Periode) und ruft die Planungs-Engine auf; die Ergebnisse stammen aus dem Würfel, nicht aus Modelltext.
• Abweichungserklärung: Die Lücke wird mit deterministischen Berechnungen zerlegt (Preis/Menge/Mix/Wechselkurs/Zeitpunkt, Personalbestand gegenüber Satz); danach ordnet das LLM die Treiber nach Rang, holt Kontext aus Verträgen, Tickets und Notizen und formuliert den Text.
• Mensch-in-der-Schleife (Human-in-the-Loop): Jedes Zurückschreiben geht in eine Entwurfsversion; die Verantwortlichen genehmigen; Kommentare werden vor der Freigabe bearbeitet; ein Protokoll hält Prompt, Tool-Aufrufe, Zahlen und Prüfende fest.

Datenaufbereitung

Die Daten stammen aus dem ERP und dem Hauptbuch (Ist-Werte nach Konto, Kostenstelle, Gesellschaft, Periode), dem Planungswürfel oder Excel-Modellen, Personalplänen (Personalbestand, Gehaltsbänder), Preislisten, Verträgen und früheren Management-Kommentaren. In einem KMU liegt vieles davon im ERP oder in DATEV-Exporten, in Excel-Dateien mit manuellen Verknüpfungen und in E-Mail-Verläufen. Typische Lücken: uneinheitliche Konto- und Kostenstellenhierarchien, Plan und Ist in unterschiedlichen Strukturen, undokumentierte Treiberlogik, fest eingetragene Zahlen in Tabellen und Kommentare nur als Word-Dateien.

Schritte der Aufbereitung: (1) Ist-Daten sauber exportieren und den Auszug automatisieren (PREP-005); (2) Excel-Pläne in saubere Tabellen überführen (PREP-011); (3) ein Glossar der Kennzahlen, Konten und Treiberdefinitionen als semantische Schicht schreiben (PREP-012, PREP-015); (4) Hierarchien zwischen Plan und Ist angleichen; (5) frühere Kommentare als Gold-Beispiele sammeln (PREP-016); (6) Berechtigungen aufräumen, besonders bei Gehaltsdaten (PREP-023, PREP-024). Werkzeuge: Power Query, DuckDB oder die Konnektoren der Planungsplattform.

Der Aufwandsanteil ist hoch, etwa 50-60 Prozent: Die KI-Schicht ist dünn, wenn semantische Schicht und Datenqualität stimmen. Prüfen Sie mit GUIDE-003; siehe auch DATA-001 und DATA-020.

Umsetzungswege

Welcher Weg für wen

• KMU (A): Planungsplattformen mit integrierter KI (Jedox, Pigment, Cube, Vena) oder Copilot in Excel respektieren bestehende Rollen und Versionen, und Controlling ist ein Standardprozess ohne eigene Entwicklungskapazität.
• Großunternehmen (B): Planungslogik, semantische Schicht und Freigabeabläufe sind zentral und spezifisch; ein Agent mit Tool-Aufrufen auf Cloud-APIs über der bestehenden Planungs-Engine bietet mehr Kontrolle; Finanzdaten rechtfertigen eine EU-Region und strenge Protokollierung.
• Entwickler (B): Bauen Sie den Agenten und den Kommentar-Workflow mit Tool-Aufrufen gegen die Planungs-Engine oder SQL; Selbstbetrieb (C) braucht HW3 und lohnt sich selten.

Weg A — Kaufen (empfohlen für KMU)

• Planungsplattformen mit KI: Pigment (FR; Analyst-/Modellierer-Agenten und ein MCP-Server), Anaplan (CoPlanner und KI-Agenten), SAP Analytics Cloud Planning mit Joule, Workday Adaptive Planning, Oracle EPM, Board (CH), Jedox (DE; KI-Funktionen in der Planungsplattform), Planful, Vena, Cube, Mosaic.
• Tabellenorientiert: Microsoft Copilot in Excel und Google Gemini in Sheets für kleine Modelle; Cube/Vena für Excel-basierte Planung.
• Wählen Sie A, wenn: bereits eine Planungsplattform existiert oder ihr Ersatz ansteht; die KI des Anbieters respektiert das bestehende Sicherheitsmodell (Rollen, Zugriff auf Zellebene, Versionen) [1][2][3][4].

Weg B — Auf Cloud-KI-Diensten aufbauen

• Frontier-LLMs mit Tool-Aufrufen (Claude, GPT, Gemini, Mistral — EU-Region oder EU-Anbieter für die Verarbeitung von Finanzdaten) plus MCP-Konnektoren zur Planungs-Engine (der MCP-Server von Pigment ist ein Beispiel) oder SQL-/MDX-/REST-APIs.
• Standardmäßig Tools nur mit Lesezugriff; Schreib-Tools nur auf Entwurfsversionen. Nutzen Sie Codeausführung für Arithmetik und Abweichungsbrücken, strukturierte Ausgaben für Kommentare.
• Orchestrierung: LangGraph, OpenAI Agents SDK, Microsoft Agent Framework oder einfache Funktionsaufrufe; Daten in Snowflake/BigQuery/Databricks/Postgres.
• Wählen Sie B, wenn: der Planungs-Stack individuell, Excel-lastig oder aus mehreren Werkzeugen aufgebaut ist und Sie kontrollierte Prompts und Protokollierung wollen.

Weg C — Selbst betreiben (Open Source)

• Open-Weight-Modelle für Reasoning/Tool-Aufrufe (Qwen3, offene Veröffentlichungen von Mistral Small/Large, gpt-oss, Llama) über vLLM oder Ollama; Zeitreihen mit TimesFM oder Chronos, StatsForecast, Prophet.
• Abfrageschicht über Postgres/ClickHouse/DuckDB mit einer semantischen Schicht (dbt MetricFlow, Cube), damit das Modell gesteuerte Kennzahlen statt roher Tabellen sieht.
• Hardware: HW3 für starke Reasoning-Modelle auf sensiblen Finanzdaten; HW2 reicht für enge Kommentaraufgaben mit einem kleineren Modell. Der Betriebsaufwand ist moderat.

Weg D — Eigenes Training

Selten gerechtfertigt. Möglich: ein kleines Modell auf den historischen Kommentaren des Unternehmens für den Hausstil feintunen oder ein Tabellen-/Zeitreihenmodell auf der Treiberhistorie trainieren (braucht mehrere Jahre konsistenter Monatsdaten). Beginnen Sie mit Prompting plus Abruf genehmigter früherer Kommentare.

Stand der Technik (2026)

• Agentische Planung: Anbieter sind von Chat-Assistenten zu rollenbasierten Agenten übergegangen, die in der Plattform Modelle bauen, Abweichungen analysieren und Auffälligkeiten melden und ihre Daten über MCP externen Assistenten zur Verfügung stellen [1][2][3].
• Muster, das funktioniert: LLM als Planer/Erklärer, deterministische Engine als Rechner. Text-zu-Abfrage über klar definierte semantische Modelle ist weit zuverlässiger als über rohe Schemata.
• Foundation-Modelle für Zeitreihen (TimesFM, Chronos) liefern brauchbare Zero-Shot-Basiswerte für Mengen und Kosten; bei strategischen Positionen schlagen sie selten eine abgestimmte Treiberlogik und können von geplanten Preisänderungen oder Verträgen nichts wissen.
• Grenzen und Fehlerbilder: falsche Aggregationsebene oder Hierarchie, doppelt gezählte Intercompany- oder Währungseffekte, plausible, aber nicht belegte Kausalgeschichten („wegen schwacher Nachfrage“) ohne Datenbasis, stilles Verwenden veralteter Ist-Werte und Prompt Injection über Freitextfelder in Quellsystemen. Kommentare müssen die verwendeten Zahlen und Quellen nennen.
• Evidenzlücke: Es gibt kaum unabhängige Benchmarks für Agenten in der Finanzplanung; führen Sie eine interne Evaluierung mit einem Satz früherer Abweichungen mit bekannten Erklärungen durch.

Gemeinsame Bausteine & Kombinationen

• Semantische Schicht und Text-zu-Abfrage gemeinsam mit DATA-001 (konversationelle BI) und DATA-006 (Tabellenassistent).
• Textgenerierung gemeinsam mit DATA-002; derselbe Prüfablauf.
• Prognose-Engines gemeinsam mit PRED-001 (Nachfrage), PRED-002 (Vertrieb) und PRED-016 (Liquidität); OPT-008 liefert S&OP-Mengen als Planungstreiber.
• Nachgelagert/angrenzend: AGENT-006 (Abstimmung und Abschluss), DATA-020 (regulatorische Berichterstattung), DATA-012 (ESG-Planwerte).
• Ein Reasoning-LLM-Server mit HW3 kann all diese Anwendungen bedienen.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate für KI-Funktionen auf einer bestehenden Plattform; Lizenzen üblicherweise je Nutzer oder nach Modellgröße, KI-Zusatzmodule je Anbieter gesondert bepreist.
• Weg B: 2-4 Monate für einen Analysten mit Lesezugriff plus Kommentarentwürfe; Zurückschreiben und Szenarien erhöhen den Aufwand. Kostentreiber: Integration, Arbeit an der semantischen Schicht, Evaluierung, Tokens.
• Weg C: 3-6 Monate; GPU-Server plus Data-/ML-Engineering.
• Kennzahlen: Dauer des Planungszyklus, Vorlaufzeit vom Abschluss bis zum Kommentar, Szenarien je Zyklus, Anteil der Kommentare, die mit kleinen Änderungen übernommen werden, Prognosegenauigkeit (WAPE/Bias) gegenüber der Ausgangslage, Zahl der in der Prüfung gefundenen Zahlenfehler, Nutzung durch Budgetverantwortliche.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung und den CFO als Sponsoren ein, denn Pläne, Prognosen und der Wortlaut von Kommentaren tragen Verantwortung. Die Abteilungsleitung (Controlling) verantwortet den Umfang; Budgetverantwortliche und Controller sind die Endanwender, die Entwürfe prüfen. IT und IT-Sicherheit kümmern sich um ERP-Anbindungen, Rollen und Zugriff auf Zellebene, die Datenverantwortlichen geben Hauptbuch- und Personalplandaten frei.

Betriebsrat: kommt darauf an. Personalplan- und Kostenstellendaten können einzelne Beschäftigte berühren, und Copilot-ähnliche Assistenten protokollieren Nutzeraktivitäten, sodass das System zur Überwachung von Verhalten oder Leistung geeignet sein kann (§ 87 Abs. 1 Nr. 6 BetrVG, die objektive Eignung genügt). Informieren Sie nach § 90 Abs. 1 Nr. 3; ist das Thema komplex, ist ein Sachverständiger nach § 80 Abs. 3 erforderlich. Detaildaten zu Gehalt und Personalbestand brauchen eine Prüfung durch die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten, einen AVV (Art. 28 DSGVO) mit dem Anbieter und je nach Detailgrad eine DSFA.

KI-Kompetenz: Schulen Sie Controller darin, Zahlen am Würfel zu verifizieren und das LLM als Entwurfshilfe zu behandeln, nicht als Taschenrechner (GUIDE-006). Starten Sie mit einer Kostenstellengruppe für einen Monatsabschluss als Pilot, vergleichen Sie Kommentarzeit und Zahlenfehler und lassen Sie Freigabe und Zurückschreiben in Entwurfsversionen bei Menschen. Sorge „KI ersetzt Controller“: Sie nimmt Entwurfsroutine ab, nicht das Urteil. Siehe GUIDE-008, GUIDE-009 und GUIDE-004.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko — interne Finanzanalytik ist keine Anwendung nach Anhang III. Die KI-Kompetenz (Art. 4) gilt. Transparenzrelevant wird es, wenn KI-generierter Text extern veröffentlicht wird; speisen die Ausgaben Bonitätsbewertung oder Mitarbeiterbeurteilung, ändert sich die Einstufung [5].
• DSGVO: Kostenstellendaten enthalten oft Gehälter und namentlich genannte Beschäftigte; nutzen Sie, wo möglich, Aggregate, rollenbasierten Zugriff, AVVs mit Anbietern und Verarbeitung in der EU.
• Finanz-Governance: Börsennotierte Unternehmen und IKS nach SOX-artigen oder HGB-/IDW-Kontrollen brauchen Änderungsprotokolle, Funktionstrennung und Versionskontrolle; von KI bearbeitete Zahlen müssen nachvollziehbar bleiben. Die externe Berichterstattung (CSRD, ESEF) bleibt unter den Kontrollen von DATA-012/DATA-020.
• Vertraulichkeit: Unveröffentlichte Prognosen sind für börsennotierte Unternehmen Insiderinformationen — beschränken Sie Modellzugriff und Protokollierung.
• Gegenmaßnahmen: Zurückschreiben nur als Entwurf, von Tools berechnete Zahlen, belegte Quellen im Kommentar, Freigabe durch die Verantwortlichen, Evaluierungssatz, Filterung von Freitexteingaben gegen Prompt Injection.

Erste Schritte

1. Wählen Sie einen Prozess (monatlicher Abweichungskommentar für einen Geschäftsbereich) und erfassen Sie Stunden und Qualität als Ausgangslage.
2. Bereinigen und dokumentieren Sie Hierarchie, Kontenzuordnung und Treiberdefinitionen; das ist die semantische Schicht.
3. Pilotieren Sie mit Lesezugriff: Abweichungsbrücken plus Kommentarentwurf, vom Controller geprüft; führen Sie ein Fehlerprotokoll.
4. Ergänzen Sie die Ausführung von Szenarien in Entwurfsversionen, sobald die Zahlen in 100 % der Tests mit dem Würfel übereinstimmen.
5. Rollen Sie bei Budgetverantwortlichen mit Nutzungsgrenzen, Zugriffsregeln und einer monatlichen Genauigkeitsprüfung aus.

Quellen

1. Pigment — AI agents and FP&A software overview — https://www.pigment.com/blog/best-fpa-software
2. Anaplan — AI and CoPlanner product pages — https://www.anaplan.com/
3. SAP — SAP Analytics Cloud planning — https://www.sap.com/products/data-cloud/cloud-analytics/planning.html
4. Jedox — AI in planning and analytics — https://www.jedox.com/en/
5. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. Google Research — TimesFM time-series foundation model — https://github.com/google-research/timesfm
7. Amazon Science — Chronos forecasting models — https://github.com/amazon-science/chronos-forecasting
8. Model Context Protocol specification — https://modelcontextprotocol.io/