Wenn der Computer Controllingaufgaben schneller und günstiger erledigen kann, muss auch der Controller selbst in konsequenter Ausrichtung seiner Erfolgsorientierung zum Objekt der Disposition werden. Neben der Begeisterung aufgrund der Chancen machen sich viele Controller daher auch durchaus berechtigte Sorgen um die eigene Existenzberechtigung.
Bemerkenswert ist das Controlling-Sonderheft vom Herbst 2017 zur Zukunft des Controllers. Hier wird von "Überlebensstrategien für den Controller" und dem "Data Scientist als Konkurrenz zum Controller" und der "Ablösung des Controllers durch künstliche Intelligenz" berichtet. Eine Aussage des VW-CTO und Vorstandsmitglied Martin Hoffmann, dass es in 10 Jahren keine Controller mehr gebe, ist symptomatisch für das Vertrauen in die Möglichkeiten, menschliche Tätigkeiten zu ersetzen.[1]
Solche radikalen Aussagen entstehen allerdings meistens außerhalb der Controlling Community und sind getragen von Autonomie-Erfolgen in anderen, vielleicht einfacher zu strukturierenden Bereichen. Wie realistisch ist das aber für die Controllingaufgaben?
Bedenklich sind solche Aussagen, wenn sie lediglich betrachten, wo das Controlling in den betrachteten Organisationen steht. Und hier mag die nahezu vollständige Ersetzbarkeit gelegentlich zutreffen. Viele Aussagen sind aber auch beeinflusst von einer deutlichen Ignoranz, was den Arbeitsalltag eines Controllers angeht. Hierzu noch ein Zitat von Gabor Steingart, ehemaliger Herausgeber des Handelsblatts: "Nehmen Sie beispielsweise das Controlling, etwa das Nachrechnen von Spesenabrechnungen. Dafür braucht es keine Menschen. Es kann sein, dass kein Controller mehr übrigbleibt."[2]
Das Verharren in traditionellen Aufgaben wie der Berichtsaufbereitung birgt in der Tat einige Risiken. Wichtig ist es aber zu schauen, wo das Controlling stehen sollte. Der Controller wird nach Auffassung vieler Controllingexperten zunehmend als Berater des Managements gesehen. Die Beratungsaufgabe gehört seit vielen Jahren zum Zielbild des Controllers. Betriebswirtschaftliche Beratung ist nun aber etwas anderes als Berichtsbereitstellung.
Welche Empfehlungen ergibt sich nun für das Controlling? Wichtig ist es, sich initiativ um Automatisierungs- und Unterstützungsansätze zu kümmern. Er sollte nicht warten, bis die Anbieter einschlägiger Controlling-Werkzeuge vorgegeben, was zu tun bzw. zu automatisieren ist.
Die beschriebenen Funktionen sind verfügbar und können mit bestehenden Lösungen verbunden werden. Naheliegend ist der Einsatz von Maschinen Learning im Forecasting oder der Analyse.[3] Hierzu benötigte der Controller Unterstützung durch Experten wie Datenwissenschaftler.
Als Integrationsexperte mit konsequenter Ausrichtung auf den Unternehmenserfolg ist der Controller prädestiniert für das Aufdecken übergreifender Zusammenhänge. Die Zusammenhänge müssen systematisch zu einer Erfolgskalkulation zusammen angebracht werden. Fachlich muss das Rad dazu nicht immer neu erfunden werden. Als Integrationsexperte muss er wissen, welche Ansätze in anderen Fachbereichen existieren und wie deren Ergebnisse in seine Modelle integrieren werden können. Wie wirkt beispielsweise Predictive Maintenance auf die Planung, den Forecast oder die Simulation? Wartungskosten werden planbarer, Investitionsentscheidungen können unter Berücksichtigung differenzierter Wahrscheinlichkeitsaussagen qualifizierter getroffen werden, um nur einige Möglichkeiten der Nutzung im Controlling zu nennen.
Konsequenterweise muss auch der Einfluss von Künstliche Intelligenz auf den existierenden Werkzeugkasten des Controllers, mit anderen Worten die "normale" Datenverarbeitung betrachtet werden. Dies sollte allerdings mehr sein als ERP und Excel. Zu dem Werkzeugkasten des Controllers gehören Planungslösungen, Analysewerkzeuge (Online Analytical Processing, OLAP), Berichtsgeneratoren usw.
Bestehende Ansätze werden nicht automatisch obsolet, müssen aber weiterentwickelt werden oder aber um Zusatzwerkzeuge ergänzt werden. Viele Add-ins für Excel zeigen den Weg auf. So gibt es Add-ins für Statistik, für Machine Learning, für Simulation usw.[4] Oder es wird eine intelligente Verarbeitungsschicht über die Applikationen gelegt. Robotic Process Automation (RPA) zeigt einen pragmatischen Weg, wie bestehende Werkzeuge anwendungsübergreifend gesteuert werden können. KI-Komponenten erhöhen die Leistungsfähigkeit und insbesondere die Fehlertoleranz solcher Systeme.
Zu beachten ist aber auch:
- Prozesse oder-Schritte verändern sich durch den Einsatz künstlicher Intelligenz oder fallen weg. Falls beispielsweise das Forecasting automatisiert wird, wird ein Workflow zum Einsammeln von manuellen Einschätzungen überflüssig.
- Daneben können sich auch die Qualitätsansprüche verändern. Zur Datenaufbereitung wird beispielsweise in der Regel sehr viel Aufwand in das zugrundeliegende Data Warehouse gesteckt. Über ETL-Strecken wird die Datenqualität gesichert und in ein für Auswertungen komfortables, mehrdimensionales Schema gebracht. Die Entwick...
Dieser Inhalt ist unter anderem im Haufe Finance Office Premium enthalten. Sie wollen mehr?
Jetzt kostenlos 4 Wochen testen