Das Problem
Reporting ist 2026 in den meisten Mittelstands-Unternehmen immer noch eine manuelle Disziplin. Controller ziehen am Monatsanfang Daten aus dem DWH, fummeln sie in Excel-Pivots, schreiben händisch die Kommentare ("Umsatz EMEA leicht über Plan, getrieben durch DE-Süd, Reklamationskosten leicht erhöht"), exportieren in PowerPoint, verteilen per Mail. Pro Standort und Monat: 4 bis 8 Stunden. Bei einem Mittelständler mit acht Standorten sind das schnell zwei volle Personentage — jeden Monat, jedes Quartal. Und der eigentliche Erkenntnis-Wert ist marginal, weil alle nur die Tabelle lesen, nicht die Insights.
So funktioniert die KI-Lösung
Ein moderner Reporting-Agent ist kein Dashboard-Generator, sondern ein Analyst-Agent mit Tool-Use. Erstens: er hat strukturierten Zugriff auf einen Semantic-Layer (Cube.js, dbt-Metrics, LookML), nicht direkt auf Rohtabellen. Damit kennt er Metriken-Definitionen und kann keine falschen Aggregationen bauen. Zweitens: er nutzt SQL-Templates mit Parameter-Slots — der Agent füllt nur Parameter, das SQL selbst ist vorgeprüft. Drittens: ein LLM-Narrative-Layer macht aus den Zahlen einen lesbaren Report mit Anomalie-Hinweisen ("Reklamationen Werk Linz +28 Prozent — primärer Treiber: Charge 2026-B4-12, Detail in Anhang"). Viertens: Distribution als PDF, Slack-Message, E-Mail oder direkt in Teams.
Architektur-Skizze
So sieht ein 2026er-Standard-Setup für einen Industrie-Mittelständler aus:
- Daten-Layer: DWH (Snowflake, BigQuery, ClickHouse) oder Data-Lakehouse mit Iceberg, idealerweise mit dbt-Modellen als Single Source of Truth
- Semantic-Layer: Cube.js, MetricFlow oder LookML — definiert Metriken, Dimensionen und Permissions zentral
- Agent-Orchestrierung: LangGraph oder eigene FastAPI-Schicht, hostet die SQL-Templates und das Reasoning-LLM
- Narrative-LLM: Claude Sonnet 4.5 mit EU-Endpoint, getrieben durch einen Reporting-Prompt pro Report-Typ (Monatsabschluss, Sales-Review, Operations-KPI)
- Anomalie-Detektion: Klassische statistische Verfahren (z-Score, STL-Decomposition) plus LLM-Interpretation der Ausreißer
- Distribution: PDF-Export via Gotenberg, Slack-Bot, MS-Teams-Connector, Outlook-Versand mit Personalization
- Source-of-Truth-Tracking: Jede Zahl im Narrative-Report hat einen Drill-Down-Link zur originalen Datenabfrage im BI-Tool
DSGVO und EU AI Act
Reports enthalten in fast jedem Setup Mitarbeiter- und Kundendaten — Vertriebs-Performance pro Account-Manager, Reklamations-Cluster pro Kundenregion, Krankenstände pro Werk. Heißt: ein Permissions-Layer ist nicht optional. Wir empfehlen, Permissions schon im Semantic-Layer zu definieren (Row-Level Security, Spalten-Maskierung), nicht erst auf Distribution-Ebene. Zusätzlich gilt: Aggregat-Schwellen für Re-Identifikations-Schutz (k-Anonymität bei kleinen Werken, in denen "Reklamationen pro Mitarbeiter" sonst eine Personenbeobachtung wird).
Unter dem EU AI Act ist Reporting-KI minimal-risk, solange sie keine Personen-Profile erstellt und keine Entscheidungen mit rechtlicher Wirkung trifft. Wer Performance-Reports pro Mitarbeiter generiert, landet schnell im Beschäftigten-Bewertungs-Bereich (Anhang III) — dann gilt Hochrisiko mit DPIA-Pflicht. Wir bauen das standardmäßig defensiv und aggregieren Personen-Daten oberhalb der Team-Ebene.
ROI-Beispiel
Realer Case aus einem österreichischen Industrie-Mittelständler mit 8 Standorten in DACH und CEE, 480 Mitarbeitern, monatlichem Reporting-Zyklus:
| Kennzahl | Vorher | Nach 5 Monaten | Differenz |
|---|---|---|---|
| Monats-Report Erstellungs-Zeit | 2 Arbeitstage | 4 Stunden | -75 % |
| Controller-Kapazität / Monat | 0 h frei | +30 h | +30 h |
| Anomalien proaktiv erkannt | 0,8 / Monat | 5,2 / Monat | +550 % |
| Latenz Datenstand-zu-Report | 5 Tage | 12 Stunden | -90 % |
| Reports mit Drill-Down-Quellen | 0 % | 100 % | volle Auditfähigkeit |
Setup-Kosten: €35.000 einmalig (Implementation in 6 Wochen, inkl. Semantic-Layer-Refactor). Laufende Kosten: rund €1.600 pro Monat (LLM-API, Hosting, Monitoring). Amortisation nach 6 Monaten. Die freigewordene Controller-Kapazität wurde nicht abgebaut, sondern in Forecasting, Working-Capital-Analyse und Make-or-Buy-Cases umgeleitet — mit messbarem Beitrag zur Working-Capital-Reduktion.
Controller-Kapazität freigeschaufelt
Implementation-Aufwand
Wir liefern Reporting-Automation in drei Größen:
- Sprint S (4 Wochen, €15.000–25.000): 1 Report-Typ (meist Sales-Monatsreport), bestehender Semantic-Layer, PDF-Export
- Sprint M (6–8 Wochen, €30.000–48.000): 3–5 Report-Typen, Semantic-Layer-Setup oder Refactor, Anomalie-Detektion, Multi-Channel-Distribution (PDF + Slack + Outlook)
- Sprint L (10–14 Wochen, €65.000–110.000): 8+ Report-Typen, Multi-Tenant-Permissions, mehrsprachige Reports (DE/EN/CEE), interaktive Drill-Downs, integriert in BI-Tool eurer Wahl
Laufende AI-Care-Kosten: €1.000–2.800 pro Monat, abhängig von Report-Volumen und Komplexität.
Häufige Fehler
- KI generiert plausibel-klingende, aber falsche Zahlen: Der Klassiker. Ohne Semantic-Layer und SQL-Templates passiert das garantiert. Wir weigern uns, Setups ohne diese Layer zu bauen — Reputations-Risiko ist zu hoch.
- Fehlender Permission-Layer: CEO-Zahlen landen beim Praktikanten, weil der Reporting-Agent keine Sicht-Beschränkungen kennt. Permissions gehören in den Semantic-Layer, nicht in die Distribution.
- Reports ohne Source-of-Truth-Tracking: Jede Narrative-Zahl muss einen Drill-Down zur originalen Abfrage haben. Sonst wird im Diskussions-Meeting wieder manuell nachgerechnet.
- Über-Erklärung in Narratives: LLMs lieben es, jede Zahl zu kontextualisieren. Das macht Reports länger, nicht besser. Wir trainieren hart auf Kürze: 3-4 Insights pro Report, nicht 15.
- Kein Feedback-Loop von Empfängern: Reports, die niemand liest, sind egal. Wir bauen einen einfachen "war hilfreich"-Button mit kurzem Feedback-Feld, der das Prompt-Tuning steuert.
Häufige Fragen
Was Geschäftsführer zu KI-Reporting fragen.
Brauchen wir wirklich einen Semantic-Layer, oder geht das auch direkt auf der Datenbank?
Können wir bestehende BI-Tools (Power BI, Tableau, Looker) weiter nutzen?
Wie verhindern wir, dass die KI sensible Personen-Daten in Reports zieht?
Wie schnell merken wir, ob die KI eine falsche Zahl liefert?
Was passiert, wenn sich Metriken oder Strukturen ändern?
Bereit für ein erstes Audit?
Wenn euer Controlling mehr als drei Personentage pro Monat in Standard-Reports steckt, lohnt sich die Analyse fast immer. Im Audit S (€3.500) schauen wir uns drei reale Monats-Reports an, prüfen die Daten-Architektur und den Semantic-Layer-Status, und liefern eine ROI-Schätzung plus Implementations-Pfad. Buch dir einen 30-minütigen Discovery-Call — danach weißt du, wo dein Hebel liegt.