Management- und Reportingagent: Kennzahlen sammeln, Abweichungen erklären, Berichte vorbereiten

Der Monatsbericht ist in vielen mittelständischen Unternehmen Handarbeit. Jemand zieht Auswertungen aus dem ERP, exportiert die Vertriebspipeline aus dem CRM, kopiert Zahlen aus mehreren Tabellen zusammen und schreibt dann einen Kommentar, warum der Umsatz in einer Region hinter dem Plan liegt. Danach folgen Rückfragen, Korrekturschleifen und neue Versionen, bis die Geschäftsführung den Bericht erhält.

Der Aufwand liegt selten in der Analyse selbst. Er steckt im Zusammentragen, im Abgleichen widersprüchlicher Stände und im Formulieren immer ähnlicher Erläuterungen. Hinzu kommt ein Qualitätsproblem: Wenn Kennzahlen in verschiedenen Tabellen unterschiedlich berechnet werden, diskutiert die Runde über Zahlen statt über Maßnahmen. Ein Reportingagent soll diese Vorarbeit verlässlicher machen, nicht die Bewertung ersetzen.

Sprachmodelle sind stark im Zusammenfassen und Erklären, aber kein verlässlicher Taschenrechner. Das OWASP-Projekt zur Sicherheit generativer KI beschreibt Fehlinformation als Risiko, bei dem Modelle falsche, aber glaubwürdig wirkende Aussagen erzeugen, und warnt ausdrücklich vor übermäßigem Vertrauen in solche Ausgaben. Für einen Bericht, auf dessen Grundlage Budgets oder Personal geplant werden, ist das nicht akzeptabel.

Die Architektur trennt deshalb zwei Aufgaben. Alle Zahlen entstehen in einer nachvollziehbaren Logik: im BI-Modell, in einer Datenbankabfrage oder in einem versionierten Skript. Der Agent erhält die fertigen Werte samt Rechenweg und Datenstand und formuliert daraus Kommentare. Jede Zahl im Text muss aus dieser Ergebnistabelle stammen. Eine automatische Prüfung vergleicht vor dem Review, ob jede im Kommentar genannte Zahl tatsächlich in den Daten vorkommt.

Bevor ein Agent Berichte vorbereitet, braucht es eine schriftliche Definition jeder Kennzahl: Name, Formel, Quelle, Filter, Periodenlogik, verantwortliche Person und zulässige Schwankungsbreite. Was ist Auftragseingang, brutto oder netto, mit oder ohne Stornos? Ab wann gilt eine Abweichung als berichtswürdig? Diese Fragen klingen banal, sind aber in vielen Unternehmen nie verbindlich geklärt worden.

Der Katalog hat einen doppelten Nutzen. Er macht die Zahlen reproduzierbar und gibt dem Agenten den Rahmen für seine Kommentare. Wenn der Agent eine Abweichung erklärt, verweist er auf die Definition und die zugrunde liegenden Datenpunkte, etwa auf die drei größten Einzelaufträge, die eine Veränderung verursachen. Spekulationen über Ursachen, die nicht in den Daten stehen, kennzeichnet er als offene Frage an die Bereichsverantwortlichen.

Der größte praktische Nutzen liegt in der Vorsortierung. Statt dass jemand jede Zeile eines umfangreichen Berichts liest, markiert der Agent die Positionen, die über einem vereinbarten Schwellenwert vom Plan oder von der Vorperiode abweichen, und stellt die zugehörigen Detaildaten bereit. Zusätzlich prüft er Plausibilität: fehlende Tage im Datenbestand, auffällig glatte Werte oder eine Quelle, die seit dem letzten Lauf nicht aktualisiert wurde.

Die Bewertung, ob eine Abweichung kritisch ist und welche Maßnahme folgt, bleibt beim Menschen. Der Agent kann Fragen formulieren, die im Review geklärt werden sollten, aber keine Empfehlungen wie Budgetkürzungen oder Personalmaßnahmen aussprechen. Wo Kennzahlen Rückschlüsse auf einzelne Beschäftigte zulassen, etwa bei Leistungswerten im Vertrieb oder in der Produktion, sind Zweckbindung und Datenminimierung nach der DSGVO besonders zu beachten; im Zweifel wird auf Teamebene aggregiert.

Ein Reportingagent braucht Lesezugriff auf viele Systeme, aber keinen Schreibzugriff auf die Quelldaten. Er arbeitet mit einem eigenen technischen Konto, das nur auf freigegebene Auswertungen oder Sichten zugreift. Das senkt das Risiko, dass ein Fehler oder eine manipulierte Eingabe Daten verändert. Jede Berichtsversion wird mit Datenstand je Quelle, Version des Kennzahlenkatalogs und Freigabevermerk archiviert.

Für die organisatorische Einbettung bieten Rahmenwerke wie das AI Risk Management Framework des US-amerikanischen NIST und die Publikation des BSI zu Chancen und Risiken generativer KI-Modelle Orientierung. Das NIST-Rahmenwerk bezieht Vertrauenswürdigkeit auf Entwurf, Entwicklung, Nutzung und Bewertung eines Systems, das BSI stellt Risiken und mögliche Gegenmaßnahmen für Unternehmen zusammen. Für einen Reportingagenten heißt das konkret: Testfälle mit bekannten Ergebnissen, regelmäßiger Abgleich mit manuell erstellten Berichten und ein klarer Rückfallweg, falls eine Quelle ausfällt.