Wie KI Enterprise-Reporting verändert — vom Flaschenhals zum Self-Service
Wie KI Enterprise-Reporting verändert — vom Flaschenhals zum Self-Service
Stell dir vor, ein Werksleiter will wissen, wie sich der Ausschuss in seiner Produktion über die letzten sechs Monate entwickelt hat — aufgeschlüsselt nach Schicht und Produktlinie. Keine exotische Frage. Die Daten existieren. In irgendeinem System.
Was passiert in den meisten Unternehmen? Er schreibt ein Ticket. Das Ticket landet bei der BI-Abteilung. Die BI-Abteilung hat eine Warteschlange. Drei Wochen später bekommt er seinen Report. Oder auch nicht, weil sich die Anforderungen in der Zwischenzeit geändert haben.
Ich kenne diesen Prozess aus erster Hand. Nicht aus einer Berater-Präsentation, sondern aus Jahren in der Enterprise-IT. Der Flaschenhals im Reporting ist nicht die Technik. Es ist der Prozess.
Das eigentliche Problem
Reporting-Tools gibt es genug. Data Warehouses, BI-Plattformen, Dashboards — die Infrastruktur ist da. Das Problem ist: Zwischen dem Menschen, der eine Frage hat, und der Antwort steht ein ganzer Apparat.
Der Fachbereich formuliert eine Anforderung. Die BI-Abteilung übersetzt sie in eine technische Spezifikation. Jemand baut die Abfrage. Jemand anderes validiert die Zahlen. Das Ergebnis geht zurück. "Nicht ganz das was ich meinte." Nächste Iteration.
Das ist kein Technologie-Problem. Das ist ein Kommunikations- und Prozessproblem. Und genau da setzt KI an — nicht als besseres Dashboard, sondern als Brücke zwischen Fachsprache und Daten.
Was sich mit KI ändert
KI verändert nicht, was wir reporten. Sie verändert, wer Reports erstellen kann.
Konkret heißt das: Der Endnutzer beschreibt in normaler Sprache, was er sehen will. Die KI versteht die Anfrage, kennt die Datenstruktur, generiert die passende Abfrage und liefert das Ergebnis. Kein Ticket. Keine Warteschlange. Keine Übersetzungsverluste.
Das funktioniert in zwei Modi:
Ad-hoc: "Wie lief der Umsatz in Q1 nach Standort?" — Die KI generiert die Auswertung, der Nutzer bekommt seine Antwort in Sekunden. Einmal anschauen, fertig.
Wiederkehrend: "Ich brauche das jeden Monat, aufgesplittet nach Werk." — Die KI erstellt nicht nur die einmalige Auswertung, sondern einen persistenten Report. Der wird als Dashboard gespeichert, aktualisiert sich automatisch mit neuen Daten, kann geteilt und per E-Mail verschickt werden. Ab dem Moment lebt der Report — ohne dass jemand ihn manuell pflegen muss.
Der entscheidende Punkt: Der Endnutzer wird befähigt, nicht abhängig gemacht. Er erstellt seine Routine-Reports selbst. Die BI-Abteilung wird nicht ersetzt — sie wird entlastet. Für komplexe Analysen, Datenmodellierung, Governance. Die Arbeit, die tatsächlich ihre Expertise braucht.
KI an jeder Stelle des Prozesses
Self-Service-Reporting klingt einfach. Ist es nicht. Damit ein Nutzer eine natürlichsprachliche Frage stellen kann und eine belastbare Antwort bekommt, muss im Hintergrund einiges stimmen. KI hilft nicht nur bei der Abfrage — sie hilft an jeder Stelle.
Daten verstehen. Bevor eine KI eine sinnvolle Abfrage schreiben kann, muss sie wissen, was die Felder bedeuten. Was heißt VKORG in einem ERP-System? Was ist der Unterschied zwischen Nettoumsatz und Bruttoumsatz in diesem spezifischen Kontext? KI kann Metadaten und Data Dictionaries verarbeiten und daraus ein semantisches Verständnis der Datenbasis aufbauen.
Daten verbinden. In den meisten Mittelständlern gibt es nicht ein ERP-System, sondern drei. Vielleicht fünf. Verschiedene Standorte, verschiedene Systeme, historisch gewachsen. KI hilft dabei, unterschiedliche Quellsysteme in eine gemeinsame, harmonisierte Datenschicht zu überführen. Feldzuordnungen, Einheiten-Konvertierungen, Namens-Mappings — das ist mühsame Arbeit, die sich gut automatisieren lässt.
Transformationen bauen. Die Logik, die aus Rohdaten aussagekräftige Kennzahlen macht — Aggregationen, Berechnungen, Filterregeln — kann von KI generiert werden. Nicht blind, aber als Ausgangspunkt, den ein Data Engineer reviewen und freigeben kann.
Reports erstellen. Das ist der sichtbarste Teil: Natürliche Sprache rein, Auswertung raus. Aber eben nicht als Einmal-Export, sondern als persistentes Dashboard, das lebt und sich aktualisiert.
Anomalien erkennen. Statt dass jemand manuell Dashboards durchklickt und hofft, dass ihm auffällt wenn eine Zahl komisch aussieht, kann KI proaktiv melden: "Der Materialverbrauch in Werk 3 ist diese Woche 40% über dem Durchschnitt." Reporting wird von Pull zu Push.
Die Architektur dahinter
Damit das funktioniert, braucht es eine durchdachte Architektur. Keine Raketenwissenschaft, aber auch kein "wir hängen einfach einen Chatbot an die Datenbank."
Quellsysteme: Verschiedene ERPs, CRMs, Excel-Dateien, APIs — alles was Daten produziert. Die Architektur muss ERP-agnostisch sein. Kein Vendor-Lock-in. Ob dahinter SAP oder ein 15 Jahre altes Branchensystem steht, spielt keine Rolle.
ELT-Pipeline: Daten werden extrahiert, geladen und transformiert. Nicht einmalig, sondern kontinuierlich. Inkrementell, damit nicht jede Nacht die gesamte Historie neu verarbeitet wird.
Analytische Datenbank: Die Daten landen in einer schnellen, spaltenbasierten Datenbank. Drei Schichten: Rohdaten (wie sie aus dem Quellsystem kommen), harmonisierte Daten (bereinigt, vereinheitlicht, angereichert) und die analytische Schicht (fertige Kennzahlen, Dimensionen, alles was für Reporting gebraucht wird).
BI-Visualisierung + KI-Agent: Oben drauf sitzt eine BI-Plattform für Dashboards und ein KI-Agent für natürlichsprachliche Abfragen. Beide greifen auf dieselbe Datenbasis zu. Der KI-Agent generiert Abfragen, die BI-Plattform persistiert die Ergebnisse als Dashboards.
Multi-ERP-fähig: Das ist der eigentliche Clou. Verschiedene Quellsysteme fließen in eine gemeinsame harmonisierte Schicht. Der Nutzer fragt "Wie ist der Umsatz nach Standort?" und bekommt eine konsolidierte Antwort — egal ob die Standorte auf unterschiedlichen Systemen laufen.
Was KI nicht löst
Ich will hier ehrlich sein, weil ich zu viele Pitch-Decks gesehen habe, die das Gegenteil tun.
KI ersetzt keine BI-Abteilung. Sie verschiebt die Arbeit. Routine-Reports macht der Fachbereich selbst. Komplexe Datenmodelle, Governance, Datenqualität — das bleibt Aufgabe von Spezialisten. Wenn überhaupt braucht man die BI-Leute mehr, nicht weniger. Nur für andere Aufgaben.
Datenqualität bleibt Voraussetzung. Garbage in, garbage out — KI ändert daran nichts. Wenn die Stammdaten im ERP-System Müll sind, produziert auch die beste KI Müll-Reports. Mit dem Unterschied, dass sie dabei sehr überzeugend klingt.
Governance ist nicht optional. KI-generierte Abfragen müssen nachvollziehbar und prüfbar sein. Jede Abfrage sollte transparent sein — welche Tabellen werden angezapft, welche Filter gesetzt, welche Annahmen getroffen. Ohne das ist es eine Blackbox, und Blackboxen haben im Finanzreporting nichts verloren.
Es ist nicht kostenlos. Aber es ist ein Bruchteil dessen, was proprietäre BI-Suites kosten. Die Infrastruktur basiert auf Open-Source-Komponenten. Keine siebenstelligen Lizenzgebühren. Trotzdem: Aufbau, Betrieb und Pflege kosten Zeit und Geld. Wer behauptet, das sei ein Selbstläufer, lügt.
Warum ich das schreibe
Ich baue gerade einen funktionierenden Prototyp für genau diese Architektur. Nicht als Berater-Konzept, sondern als laufendes System. Verschiedene ERP-Systeme als Quellen, eine harmonisierte Datenschicht, KI-gestützte Abfragen, persistente Dashboards.
Es funktioniert. Nicht perfekt. Aber gut genug, dass ein Fachbereichsleiter seine Frage in normaler Sprache stellen kann und eine belastbare Antwort bekommt — ohne drei Wochen zu warten.
Das ist keine Zukunftsmusik. Die Bausteine existieren alle. Die Modelle sind gut genug. Die Infrastruktur ist bezahlbar. Was fehlt, ist meistens nicht die Technologie, sondern der Wille, den bestehenden Prozess zu hinterfragen.
Reporting muss kein Flaschenhals sein. Es muss auch kein Millionen-Projekt sein. Es muss einfach anders gedacht werden — und KI ist der Katalysator dafür.
Ich baue AI-gestützte Systeme für echte Probleme — nicht für Pitch-Decks. Mehr auf gerloff.dev oder auf Twitter.