Wo kann nun künstliche Intelligenz bei der Planung eingesetzt werden? Ohne Expertin oder Experte für künstliche Intelligenz zu sein, fallen vermutlich jeder Controllerin und jedem Controller viele Einsatzpunkte ein, beispielsweise die automatische Kommentierung und die automatische Erstellung komplexer Unternehmensmodelle. Potentielle Ansätze werden in diesem Abschnitt diskutiert.
Ein entscheidender Faktor von GenAI ist, dass nicht nur punktuelle Unterstützung wie beispielsweise maschinelles Lernen für die Vorschaurechnung geliefert wird (sogenannte schwache Künstliche Intelligenz), sondern die Aufgaben von einer Interaktionskomponente wahrgenommen werden kann, die alle skizzierten Anforderungen übernehmen kann. Somit kann man von starker künstlicher Intelligenz sprechen.
Der Schwerpunkt von GenAI liegt allerdings zumindest zurzeit nicht auf der Automatisierung ganzer Prozessschritte. Hierzu erscheint ein Planungsprozess weniger geeignet, da eine Planung stark auf Eingaben und Interaktionen ausgerichtet ist, beispielsweise bei der Zielsetzung und -verhandlung. Eine Ausnahme stellt möglicherweise die Forecast-Erstellung dar, wenn es um den möglichst unverzerrten Blick auf zukünftige Entwicklungen geht. Das Eingeben von Planzahlen ist hingegen im Idealfall nicht durch fehlende Integration oder Automatisierung zu erklären, sondern stellt ein Commitment dar: "was soll sein?" und nicht "was wird sein?" (Prognoserechnung). Natürlich kann eine Eingabe durch plausible Vorschlagswerte vorbelegt werden. Die Entscheidung, ob diese Zahl die zu gestaltende Zukunft repräsentiert, sollte dem Manager überlassen werden.
5.1 Automated Machine Learning
Der am weitesten verbreitete Ansatz ist sicherlich die Erzeugung von Vorschauwerten durch Predictive Analytics. Der Einsatz von Statistik bei Zeitreihen ist nicht neu, scheitert aber häufig an fehlenden Werkzeugen und Expertise. Die Algorithmen sind durch Machine Learning leistungsfähiger geworden. Damit einher geht aber auch eine höhere Komplexität bei der Konfiguration. Der Ersatz von Automated Machine Learning durch eine automatische Konfiguration ist ein wichtiger Schritt hin zu mehr Benutzerautonomie. Eine tiefergehende Beschäftigung mit den Methoden ist durch die automatische Methodenauswahl und Parametrisierung kaum noch notwendig. Wichtig ist, dass die Güte der Ergebnisse vom Anwender ohne tiefere statistische Kenntnisse eingeschätzt werden kann, was kein einfaches Unterfangen ist. Gleichzeitig ergeben sich durch die erleichterte Konfiguration neue Chancen. Dieser Ansatz ist bereits intensiv und auch durchaus kritisch diskutiert worden und soll hier nicht weiter vertieft werden.
5.2 Universeller Assistent
Derzeit liegt der Fokus auf der Erweiterung von Planungs- und Analysesystemen mit sogenannten Copiloten oder Assistenten. Der KI-gestützte Assistent übernimmt somit die Rolle weit verbreiteter Assistenten oder Wizards, die den Umgang mit dem System vereinfachen, indem sie den Benutzer Schritt für Schritt durch komplexe Aufgaben wie eine Systemkonfiguration führen. Allerdings sind diese immer nur auf spezielle Aufgaben ausgerichtet und konfiguriert. Der Anwendende wird über einen Workflow geführt. Diese Assistenten sind bislang mit wenig Intelligenz ausgestattet und basieren auf einfachen Regeln, sie liefern nur wenige statische Erläuterungen.
Hier ändert generische Künstliche Intelligenz die Benutzerkommunikation grundlegend. GenAI kann diese Aufgabe erweitern und generalisieren. Im SAP-Kontext übernimmt der Assistent Joule diese Rolle, der mittelfristig in allen Dialogen der SAP-Software verfügbar sein wird. Joule unterstützt die Anwendenden in ihren jeweiligen Aufgaben, kennt deren individuelle Rolle und ist in der Lage, auf natürliche Weise Hilfestellung zu geben. Er übernimmt die Kommunikation mit den Anwendenden alternativ zu den klassischen Eingabemasken:
- Er gibt Hilfeunterstützung bei wesentlichen Fragestellungen. Das LLM wird mit Dokumentation und Hilfe System trainiert.
- Er kann Aktionen wie Berechnungen, Kopieren von Daten oder Verschicken von Benachrichtigungen an andere Anwender ausführen.
- Er kann auch bei der Erzeugung von Objekten wie Berichten oder Codes unterstützen.
- Er kann Vorschläge zu weiteren Aktionen unterbreiten.
Damit wird die ganze Breite der Unterstützung deutlich. Der Assistent wiederum muss sich auf andere KI-Komponenten verlassen können. Das Beispiel aus Abbildung 4 zeigt, wie eine solche Übergabe erfolgt. Joule versteht die Intention der Frage des Anwendenden und leitet es vorstrukturiert an andere Foundation Modelle weiter. Als Schnittstelle dient der Prompt, der durch den Copiloten bestmöglich gefüllt wird. Im Beispiel kommt das (sub-) Werkzeug Just Task zur natürlichsprachlichen Erstellung von Diagrammen und anderen Berichtsobjekten zum Einsatz. Dieses versteht den aufbereiteten Prompt, erstellt das Ergebnis -in diesem Beispiel ein Diagramm – und übergibt das Ergebnis an Joule. Der Copilot Joule wiederum übergibt dies dem Anwendenden, der das Diagramm direkt in einen Bericht oder Dashboard überführen k...