Die Herausforderung: Langsames Monatsabschluss-Reporting

Für viele Finanzteams ist der Monatsabschluss zu einer wiederkehrenden Krise statt zu einem Routineprozess geworden. Controller und Analysten verbringen Nächte damit, Exporte aus ERP-Systemen, Tabellenkalkulationen und Bankdaten zu konsolidieren, nur um einen ersten Entwurf von GuV und Bilanz zu erstellen. Anschließend folgt eine weitere Runde von Abstimmungen, Buchungskorrekturen und manuell formulierten Kommentaren, bevor das Management endlich einen stabilen Zahlenstand sieht.

Traditionelle Ansätze stützen sich stark auf Excel, E-Mail und heroische Einzelleistungen. Jede Einheit, Kostenstelle oder Business Unit hat oft eigene Templates und Abschluss-Checklisten, was die Konsolidierung langsam und fehleranfällig macht. Selbst wenn RPA oder einfache Skripte im Einsatz sind, automatisieren sie meist nur einzelne Schritte, anstatt den gesamten Workflow des Monatsabschluss-Reportings zu orchestrieren. Mit wachsenden Datenvolumina und steigenden Reporting-Anforderungen kann dieses Flickwerk schlicht nicht mithalten.

Die geschäftlichen Auswirkungen sind erheblich. Ein langsamer Abschluss verzögert Einblicke in Profitabilität, Liquidität und Kostenüberschreitungen. Führungskräfte treffen Entscheidungen auf Basis unvollständiger oder veralteter Daten oder drängen das Finanzteam, „mir einfach eine Zahl zu geben“, bevor Qualitätsprüfungen abgeschlossen sind – was das Risiko von Korrekturen und Vertrauensverlust erhöht. Gleichzeitig sind hochqualifizierte Finanzmitarbeitende mit repetitiven Abstimmungen und Formatierungsaufgaben beschäftigt, statt mit vorausschauender Analyse, Forecasting und Entscheidungsunterstützung.

Dieser Druck ist real, aber lösbar. Mit moderner KI für Finance, insbesondere Tools wie Gemini, lassen sich viele der Datenaufbereitungen, Abweichungsanalysen und Textentwürfe, die den Monatsabschluss verlangsamen, automatisieren oder zumindest drastisch beschleunigen. Bei Reruption haben wir gesehen, wie KI-first-Workflows manuelle Reporting-Ketten in anderen komplexen, datenintensiven Bereichen ersetzen können. In den folgenden Abschnitten zeigen wir konkrete Möglichkeiten, wie Sie Ihren Abschlussprozess mit Gemini neu gestalten können, um Durchlaufzeiten zu verkürzen, ohne Kontrolle oder Nachvollziehbarkeit zu gefährden.

Brauchen Sie einen Sparring-Partner für diese Herausforderung?

Lassen Sie uns unverbindlich sprechen und brainstormen.

Innovatoren bei diesen Unternehmen vertrauen uns:

Unsere Einschätzung

Eine strategische Einschätzung der Herausforderung und High-Level-Tipps, wie Sie sie angehen können.

Aus Reruption’s praktischer Arbeit beim Aufbau von KI-Automatisierungen und internen Tools haben wir gelernt, dass die Beschleunigung eines langsamen Monatsabschlusses weniger eine Frage eines weiteren Makros ist, sondern vielmehr eine Neugestaltung der gesamten Reporting-Kette mit einer KI-first-Perspektive. Gemini ist für Finanzteams besonders leistungsfähig, weil es ERP-Exporte, große Tabellen und Abschluss-Checklisten auswerten und darauf aufbauend konsistente Abweichungsanalysen und Textentwürfe erzeugen kann. Richtig eingesetzt wird Gemini zu einem kontrollierten Assistenten, der Ihre Reporting-Logik standardisiert – statt zu einem weiteren ad-hoc-Excel-Workaround.

Gestalten Sie den Abschlussprozess rund um KI, nicht um Spreadsheets

Die meisten Monatsabschlussprozesse sind organisch rund um Excel und ERP-Einschränkungen gewachsen. Um echten Mehrwert aus Gemini für Financial Reporting zu ziehen, müssen Sie den Abschluss bewusst mit KI im Zentrum neu denken – nicht als nachträgliche Ergänzung. Das bedeutet, zu definieren, welche Daten Gemini sehen soll (ERP-Exporte, Summen- und Saldenlisten, Bankdaten, Abschluss-Checklisten), welche Outputs Sie erwarten (GuV-Sichten, Abweichungstexte, Ausnahmelisten) und an welchen Stellen Menschen ihr Urteil einbringen.

Strategisch sollten Sie Gemini als standardisierte Berechnungs- und Erklärungsschicht betrachten, die zwischen Ihren Quellsystemen und den finalen Berichten sitzt. Anstatt dass jeder Analyst eigene Formeln und Kommentare baut, definieren Sie gemeinsame Logiken und Prompts, die Gemini für konsistente Ergebnisse nutzt. Dieser Wechsel von individuellen Spreadsheets zu einem gemeinsamen, KI-gestützten Workflow ist der Hebel, der Geschwindigkeit und Vergleichbarkeit über Einheiten und Perioden hinweg freisetzt.

Mit einem Abschluss-Szenario starten und den Mehrwert beweisen

Zu versuchen, den gesamten Monatsabschluss-Reportingprozess in einem Schritt zu automatisieren, führt fast zwangsläufig zu Verwirrung und Widerstand. Besser ist es, ein wirkungsstarkes Szenario zu wählen – etwa die monatliche GuV mit Kostenstellen-Abweichungsanalyse – und zu zeigen, dass Gemini die Durchlaufzeit verkürzt, ohne das Risiko zu erhöhen.

Begrenzen Sie den anfänglichen Scope auf eine rechtliche Einheit oder Business Unit, definieren Sie klare Erfolgskriterien (z. B. eingesparte Stunden bei der Kommentarerstellung, schnellere Bereitstellung des ersten Management-Pakets) und binden Sie sowohl Accounting/Controlling als auch FP&A ein. Dieses kontrollierte Pilotprojekt schafft Vertrauen, hilft Randfälle zu identifizieren und liefert eine konkrete Story, wenn Sie Gemini später auf weitere Gesellschaften und Reports ausrollen.

Rollen klären: Was die KI entscheidet vs. was Finance freigibt

Eine der größten strategischen Fragen beim Einsatz von KI im Finanzbereich ist die Verantwortung: Was kann Gemini End-to-End automatisieren und wo müssen Menschen eingebunden bleiben? Für den Monatsabschluss hat sich ein robustes Muster bewährt: KI schlägt vor, Menschen genehmigen. Gemini kann Daten konsolidieren, Standard-KPIs berechnen, Auffälligkeiten hervorheben und Kommentare entwerfen, aber Controller zeichnen für finale Zahlen und Erläuterungen verantwortlich.

Definieren Sie explizite Entscheidungsgrenzen: Beispielsweise kann Gemini Abweichungen innerhalb eines definierten Schwellenwerts automatisch freigeben und nur Ausnahmen an den manuellen Review weiterleiten. Diese Klarheit adressiert berechtigte Bedenken von Auditoren, CFOs und Risikoteams und stellt sicher, dass die Einführung nicht an Governance-Fragen scheitert.

Frühzeitig in Datenqualität und Standardisierung investieren

Selbst die beste KI-Reporting-Automatisierung kommt an ihre Grenzen, wenn die zugrunde liegenden Datenstrukturen chaotisch sind. Bevor Sie Gemini skalieren, sollten Sie Ihren Kontenplan, Mapping-Tabellen und Reporting-Strukturen strategisch überprüfen. Inkonsistente Benennungen, fehlende Kostenstellen-Zuordnungen oder manuelle Umklassifizierungen sind genau die Themen, die später als „Gemini hat es falsch gemacht“ erscheinen, obwohl die wahre Ursache in der Datenqualität liegt.

Nutzen Sie das erste Gemini-Pilotprojekt, um sichtbar zu machen, wo Ihr Datenmodell Ihren Reporting-Zielen im Weg steht. Durch die Bereinigung von Stammdaten, die Standardisierung von Konten- und Kostenstellenhierarchien und die Dokumentation zentraler Berechnungsregeln verbessern Sie nicht nur die KI-Ergebnisse, sondern stärken auch Ihre gesamte Finanzarchitektur.

Das Finanzteam auf einen Analyst-plus-KI-Workflow vorbereiten

Die Einführung von Gemini ist ebenso sehr eine organisatorische wie eine technische Veränderung. Finanzprofis müssen sich von vollständig manueller Arbeit hin zu einem orchestrierten, KI-gestützten Monatsabschlussprozess bewegen. Das erfordert neue Fähigkeiten: Prompts gestalten, KI-generierte Kommentare interpretieren und Ergebnisse challengen, statt jede Formel selbst zu bauen.

Machen Sie dies in Ihrem Change-Ansatz explizit. Positionieren Sie Gemini als Mittel, um Tätigkeiten mit geringem Mehrwert (Copy-and-Paste, repetitive Kommentare) zu eliminieren, damit Analysten mehr Zeit für Szenarioanalysen, Business-Partnering und strategische Insights haben. Wenn die Mitarbeitenden verstehen, dass KI ihre Rolle aufwertet statt ersetzt, steigen sowohl Akzeptanz als auch Qualität.

Mit einem klaren Prozessdesign und einer soliden Datenbasis kann Gemini einen langsamen, manuellen Monatsabschluss in eine schnellere, stärker standardisierte Reporting-Engine verwandeln – die schwere Arbeit von Konsolidierung, Abweichungsanalyse und Kommentarentwurf wird automatisiert, während Finance die Kontrolle über die finalen Zahlen behält. Bei Reruption haben wir wiederholt komplexe, fragmentierte Workflows in KI-first-Prozesse überführt, und der gleiche Ansatz gilt hier: fokussiert starten, Kontrollen von Anfang an mitdenken und funktionierende Bausteine skalieren. Wenn Sie prüfen möchten, wie Gemini konkret in Ihren Abschlussprozess passt, validieren wir den Use Case gerne mit einem fokussierten PoC und unterstützen Ihr Team auf dem Weg vom Konzept bis zu einem funktionierenden, KI-gesteuerten Reporting-Flow.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

Von Bankwesen bis EdTech: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

bunq

Bankwesen

Als bunq ein rasantes Wachstum als zweitgrößte Neobank in Europa verzeichnete, wurde die Skalierung des Kundenservice zu einer kritischen Herausforderung. Bei Millionen von Nutzern, die personalisierte Banking-Informationen zu Konten, Ausgabeverhalten und Finanzberatung auf Abruf verlangen, stand das Unternehmen unter Druck, sofortige Antworten zu liefern, ohne die Zahl der menschlichen Supportteams proportional zu erhöhen — was Kosten treiben und Abläufe verlangsamen würde. Traditionelle Suchfunktionen in der App reichten für komplexe, kontextabhängige Anfragen nicht aus und führten zu Ineffizienzen und Nutzerfrustration. Zudem stellten die Gewährleistung von Datenschutz und Genauigkeit in einem stark regulierten Fintech-Umfeld erhebliche Risiken dar. bunq benötigte eine Lösung, die nuancierte Unterhaltungen führen und gleichzeitig EU-Bankvorschriften einhalten konnte, Halluzinationen vermeiden würde, wie sie in frühen GenAI-Modellen vorkommen, und sich nahtlos integrieren ließe, ohne die App-Performance zu beeinträchtigen. Ziel war es, Routineanfragen zu automatisieren, sodass menschliche Agenten sich auf wertschöpfende Fälle konzentrieren konnten.

Lösung

bunq begegnete diesen Herausforderungen durch die Entwicklung von Finn, einer proprietären GenAI-Plattform, die direkt in die mobile App integriert wurde und die herkömmliche Suchfunktion durch einen konversationellen KI-Chatbot ersetzte. Nach der Einstellung von mehr als einem Dutzend Datenexperten im Vorjahr baute das Team Finn so, dass er sicher auf nutzerspezifische Finanzdaten zugreift, Fragen zu Kontoständen, Transaktionen und Budgets beantwortet und sogar allgemeine Ratschläge gibt, wobei der Gesprächskontext über Sitzungen hinweg erhalten bleibt. Nach einer Beta wurde Finn im Dezember 2023 als Europas erster KI-gestützter Bankassistent eingeführt und entwickelte sich schnell weiter. Bis Mai 2024 wurde er vollständig konversationell, was natürliche Mehrfachrunden-Interaktionen ermöglichte. Dieser retrieval-augmented generation (RAG)-Ansatz stützte Antworten auf Echtzeit-Nutzerdaten, minimierte Fehler und erhöhte die Personalisierung.

Ergebnisse

  • 100.000+ Fragen innerhalb von Monaten nach der Beta beantwortet (Ende 2023)
  • 40 % der Nutzeranfragen bis Mitte 2024 autonom vollständig gelöst
  • 35 % der Anfragen unterstützt, insgesamt 75 % sofortige Support-Abdeckung
  • Vor dem Start 12+ Datenexperten für die Dateninfrastruktur eingestellt
  • Zweitgrößte Neobank Europas nach Nutzerbasis (1M+ Nutzer)
Fallstudie lesen →

Khan Academy

Bildung

Khan Academy stand vor der gewaltigen Aufgabe, personalisierte Nachhilfe in großem Maßstab für ihre 100M+ jährlichen Nutzenden bereitzustellen, viele davon in unterversorgten Regionen. Traditionelle Online-Kurse, so wirksam sie auch sind, fehlte die interaktive Eins-zu-eins-Begleitung durch menschliche Tutoren, was zu hohen Abbruchraten und ungleichmäßigen Lernfortschritten führte. Lehrkräfte waren mit Planung, Bewertung und Differenzierung für heterogene Klassen überlastet. Im Jahr 2023, als KI große Fortschritte machte, kämpften Pädagogen mit Halluzinationen und Risiken einer Überabhängigkeit bei Tools wie ChatGPT, die häufig direkte Antworten statt Lernförderung lieferten. Khan Academy benötigte eine KI, die schrittweises Denken fördert, ohne zu schummeln, und gleichzeitig gleichberechtigten Zugang als Nonprofit sicherstellt. Sichere Skalierung über Fächer und Sprachen hinweg stellte technische und ethische Hürden dar.

Lösung

Khan Academy entwickelte Khanmigo, einen KI-gestützten Tutor und Lehrassistenten, der auf GPT-4 basiert, im März 2023 für Lehrkräfte pilotiert und später für Schüler ausgeweitet. Anders als generische Chatbots nutzt Khanmigo maßgeschneiderte System‑Prompts, um Lernende sokratisch zu führen — mit gezielten Fragen, Hinweisen und Feedback, ohne direkte Lösungen zu liefern — in Mathematik, Naturwissenschaften, Geisteswissenschaften und mehr. Der gemeinnützige Ansatz legte Wert auf Sicherheitsmaßnahmen, Integration in Khans Content-Bibliothek und iterative Verbesserungen durch Lehrkräfte-Feedback. Partnerschaften wie mit Microsoft ermöglichten Lehrkräften bis 2024 kostenlosen globalen Zugang, inzwischen in 34+ Sprachen. Laufende Updates, etwa 2025 zur Mathematik‑Berechnung, adressieren Genauigkeitsprobleme.

Ergebnisse

  • Nutzerwachstum: 68.000 (Pilot 2023-24) auf 700.000+ (Schuljahr 2024-25)
  • Lehrerakzeptanz: Kostenlos für Lehrkräfte in den meisten Ländern, Millionen nutzen Khan Academy-Tools
  • Unterstützte Sprachen: 34+ für Khanmigo
  • Engagement: Verbesserte Schüler-Persistenz und Lernfortschritte in Pilotprojekten
  • Zeitersparnis: Lehrkräfte sparen Stunden bei Unterrichtsplanung und -vorbereitung
  • Skalierung: Integriert in 429+ kostenlose Kurse in 43 Sprachen
Fallstudie lesen →

Associated Press (AP)

Nachrichtenmedien

In der Mitte der 2010er Jahre sah sich die Associated Press (AP) im Wirtschaftsressort mit erheblichen Einschränkungen aufgrund begrenzter manueller Ressourcen konfrontiert. Mit nur wenigen Journalisten, die sich der Berichterstattung zu Quartalszahlen widmeten, konnte AP lediglich rund 300 Quartalsberichte pro Quartal erstellen und konzentrierte sich dabei hauptsächlich auf große S&P-500-Unternehmen. Dieser manuelle Prozess war arbeitsintensiv: Reporter mussten Daten aus Finanzberichten extrahieren, Kennzahlen wie Umsatz, Gewinne und Wachstumsraten analysieren und unter engen Fristen prägnante Texte formulieren. Mit der Zunahme börsennotierter Unternehmen geriet AP zunehmend in die Lage, kleinere Firmen nicht abzudecken, sodass viele markt­relevante Informationen unberichtet blieben. Diese Beschränkung reduzierte nicht nur APs umfassende Marktabdeckung, sondern band Journalisten auch an monotone Aufgaben und verhinderte, dass sie investigativen Geschichten oder tiefergehenden Analysen nachgehen konnten. Der Druck während der Quartalssaison verschärfte diese Probleme, da viele Fristen gleichzeitig bei tausenden Unternehmen anstanden und skalierbare Berichterstattung ohne Innovation unmöglich machte.

Lösung

Um dem entgegenzuwirken, ging AP 2014 eine Partnerschaft mit Automated Insights ein und implementierte deren Wordsmith NLG-Plattform. Wordsmith verwendet template-basierte Algorithmen, um strukturierte Finanzdaten—wie Gewinn je Aktie, Umsatzzahlen und jährliche Veränderungen—in lesbaren, journalistischen Text zu überführen. Reporter geben verifizierte Daten aus Quellen wie Zacks Investment Research ein, und die KI erzeugt Entwürfe in Sekundenschnelle, die Menschen anschließend leicht für Genauigkeit und Stil redigieren. Die Lösung umfasste die Erstellung von kundenspezifischen NLG-Templates, die an den Stil der AP angepasst wurden, sodass die Artikel menschlich geschrieben wirkten und journalistischen Standards entsprachen. Dieser hybride Ansatz—KI für die Menge, Menschen für die Aufsicht—überwand Qualitätsbedenken. Bis 2015 kündigte AP an, die Mehrheit der US-Unternehmensberichterstattung zu Quartalszahlen zu automatisieren und die Abdeckung dramatisch zu skalieren, ohne das Personal proportional zu erhöhen.

Ergebnisse

  • 14-fache Steigerung der Quartalsberichte: 300 auf 4.200
  • Abdeckung ausgeweitet auf über 4.000 börsennotierte US-Unternehmen pro Quartal
  • Entspricht der Freisetzung von 20 Vollzeitreportern
  • Artikel werden in Sekunden statt in manuell benötigten Stunden veröffentlicht
  • Nach der Implementierung keine gemeldeten Fehler in automatisierten Artikeln
  • Dauerhafte Nutzung wurde auf Sport, Wetter und Lotterieberichte ausgeweitet
Fallstudie lesen →

Stanford Health Care

Gesundheitswesen

Stanford Health Care, ein führendes akademisches medizinisches Zentrum, sah sich steigender Klinikermüdung durch überwältigende administrative Aufgaben gegenüber, darunter das Verfassen von Patientenkorrespondenz und das Management überfüllter Postfächer. Bei großen EHR-Datenmengen war das Gewinnen von Erkenntnissen für die Präzisionsmedizin und die Echtzeitüberwachung von Patienten manuell und zeitaufwendig, was die Versorgung verzögerte und das Fehlerpotenzial erhöhte. Traditionelle Arbeitsabläufe hatten Schwierigkeiten mit prädiktiver Analytik für Ereignisse wie Sepsis oder Stürze und mit Computer Vision für die Bildauswertung, bei gleichzeitig steigenden Patientenzahlen. Klinikteams verbrachten übermäßig viel Zeit mit Routinekommunikation, z. B. Benachrichtigungen zu Laborergebnissen, was die Konzentration auf komplexe Diagnosen beeinträchtigte. Der Bedarf an skalierbaren, unbeeinflussten KI-Algorithmen war entscheidend, um umfangreiche Datensätze für bessere Ergebnisse zu nutzen.

Lösung

In Partnerschaft mit Microsoft wurde Stanford eines der ersten Gesundheitssysteme, das den Azure OpenAI Service innerhalb von Epic EHR pilotierte und so generative KI zum Verfassen von Patientennachrichten und für natürliche Sprachabfragen zu klinischen Daten ermöglichte. Diese Integration nutzte GPT-4, um Korrespondenz zu automatisieren und manuellen Aufwand zu reduzieren. Ergänzend dazu setzte das Healthcare AI Applied Research Team maschinelles Lernen für prädiktive Analytik (z. B. Sepsis- und Sturzvorhersage) ein und untersuchte Computer Vision in Bildgebungsprojekten. Tools wie ChatEHR erlauben den konversationellen Zugriff auf Patientenakten und beschleunigen Chart-Reviews. Gestaffelte Pilotprojekte adressierten Datenschutz und Bias und stellten sicher, dass klinische Anwender durch erklärbare KI unterstützt werden.

Ergebnisse

  • 50% Reduktion der Zeit für das Verfassen von Patientenkorrespondenz
  • 30% Verringerung der Belastung durch Nachrichten im Postfach der Klinikteams durch KI-gestützte Nachrichtenzuweisung
  • 91% Genauigkeit bei prädiktiven Modellen für unerwünschte Ereignisse bei stationären Patienten
  • 20% schnellere Kommunikation von Laborergebnissen an Patienten
  • Verbesserte Erkennung von Autoimmunerkrankungen bis zu 1 Jahr vor der Diagnose
Fallstudie lesen →

Cruise (GM)

Automobilindustrie

Die Entwicklung eines selbstfahrenden Taxi‑Dienstes in dicht besiedelten urbanen Umgebungen stellte Cruise vor immense Herausforderungen. Komplexe Situationen wie unberechenbare Fußgänger, erratische Radfahrer, Baustellen und widrige Wetterbedingungen erforderten nahezu perfekte Wahrnehmung und Entscheidungsfindung in Echtzeit. Sicherheit hatte oberste Priorität, da jeder Fehler zu Unfällen, behördlicher Prüfung oder öffentlicher Empörung führen konnte. Frühe Tests zeigten Lücken bei der Handhabung von Randfällen, etwa Einsatzfahrzeuge oder verdeckte Objekte, und verlangten eine robuste KI, die die Leistung menschlicher Fahrer übertreffen sollte. Ein entscheidender Sicherheitsvorfall im Oktober 2023 verschärfte diese Probleme: Ein Cruise‑Fahrzeug erfasste eine Fußgängerin, die von einem Unfallfahrer in seinen Weg gedrängt worden war, und schleifte sie, als das Fahrzeug den Unfallort verließ, was zur Aussetzung der Betriebsführungen landesweit führte. Dies legte Schwachstellen im Nach‑Kollisions‑Verhalten, in der Sensorfusion unter chaotischen Bedingungen und in der regulatorischen Compliance offen. Die Skalierung zu kommerziellen Robotaxi‑Flotten bei gleichzeitiger Erreichung von Null schuldhaften Vorfällen erwies sich angesichts von $10 Mrd.+ Investitionen seitens GM als schwer realisierbar.

Lösung

Cruise begegnete diesen Herausforderungen mit einem integrierten KI‑Stack, der Computervision für die Wahrnehmung und verstärkendes Lernen für die Planung nutzte. Lidar, Radar und mehr als 30 Kameras speisten CNNs und Transformers für Objekterkennung, semantische Segmentierung und Szenenvorhersage, wodurch 360°‑Ansichten mit hoher Detailtreue selbst bei schwachem Licht oder Regen verarbeitet wurden. Verstärkendes Lernen optimierte Trajektorienplanung und Verhaltensentscheidungen, trainiert auf Millionen simulierten Meilen, um seltene Ereignisse zu bewältigen. End‑to‑end‑Neuronale Netze verfeinerten die Bewegungsprognose, während Simulationsframeworks die Iteration ohne reales Risiko beschleunigten. Nach dem Vorfall verstärkte Cruise die Sicherheitsprotokolle und nahm 2024 mit verbesserten Disengagement‑Raten wieder beaufsichtigte Tests auf. GMs Strategiewechsel integrierte diese Technologie in die Weiterentwicklung von Super Cruise für Privatfahrzeuge.

Ergebnisse

  • 1.000.000+ Meilen vollständig autonom gefahren bis 2023
  • 5 Millionen fahrerlose Meilen für das KI‑Modelltraining verwendet
  • $10 Mrd.+ kumulative Investition von GM in Cruise (2016–2024)
  • 30.000+ Meilen pro Eingriff in frühen unbeaufsichtigten Tests
  • Betrieb ausgesetzt Okt 2023; im Mai 2024 mit beaufsichtigten Tests wieder aufgenommen
  • Keine kommerziellen Robotaxi‑Einnahmen; Strategiewechsel Dez 2024
Fallstudie lesen →

Best Practices

Erfolgreiche Implementierungen folgen bewährten Mustern. Werfen Sie einen Blick auf unsere taktischen Ratschläge für den Einstieg.

Zentrale Datenbasis in einem Gemini-fähigen Workspace aufbauen

Der erste taktische Schritt zur Automatisierung des Monatsabschluss-Reportings mit Gemini ist die Zentralisierung aller relevanten Inputs. In der Praxis bedeutet das, einen kontrollierten Satz an Google Sheets oder strukturierten Exporten (CSV/Excel) zu definieren, die Daten aus Ihrem ERP, den Nebenbüchern und Bankdaten jeden Monat in einem standardisierten Format zusammenführen.

Sie können beispielsweise einen „Close Data Hub“ in Google Sheets aufsetzen, mit separaten Tabs für Summen- und Saldenliste, Ist-Budget-Vergleich nach Kostenstellen, Headcount und zentrale manuelle Anpassungen. Nutzen Sie Konnektoren oder geplante Exporte aus Ihrem ERP, damit diese Tabs mit minimalem manuellem Aufwand aktualisiert werden. Gemini kann anschließend mit diesem Workspace verbunden werden (über die Sheets-Integration oder eine API) und erhält so eine konsistente und aktuelle Sicht auf Ihre Abschlussdaten.

Abweichungsanalysen mit wiederverwendbaren Gemini-Prompts standardisieren

Sobald Ihre Daten zentralisiert sind, können Sie festschreiben, wie Ihr Unternehmen erwartet, dass Abweichungen analysiert und erklärt werden. Anstatt dass jeder Analyst Kommentare von Grund auf neu schreibt, erstellen Sie wiederverwendbare Gemini-Prompt-Templates für Abweichungsanalysen, die Ihr Finance-Playbook widerspiegeln.

Ein einfacher Start-Prompt für Gemini in Verbindung mit Google Sheets könnte so aussehen:

Sie sind Senior Financial Analyst in unserem Unternehmen.
Sie erhalten Monatsend-GuV-Daten nach Kostenstellen mit Ist-, Budget-
und Vorjahreswerten aus dem Google Sheet "P&L_Data".

Aufgabe:
1. Identifizieren Sie die Top 10 Kostenstellen nach absoluter
   Abweichung vs. Budget.
2. Klassifizieren Sie für jede Kostenstelle – soweit anhand der
   Muster erkennbar – die Abweichung als Preis-, Mengen-, Mix-,
   Timing-, Einmaleffekt- oder strukturelle Abweichung.
3. Erstellen Sie eine prägnante Management-Kommentierung (2–3 Sätze
   pro Kostenstelle), die die Abweichung in klarer,
   geschäftsorientierter Sprache erklärt.
4. Heben Sie unübliche oder auffällige Bewegungen hervor, die
   möglicherweise eine Prüfung durch den Controller erfordern.

Geben Sie das Ergebnis als Tabelle mit folgenden Spalten aus:
- Kostenstelle
- Abweichung vs. Budget (EUR und %)
- Abweichungstyp
- Kommentar
- "Prüfung nötig?" (Ja/Nein mit kurzer Begründung)

Indem Sie diesen Prompt speichern und iterativ verbessern, können Sie standardisieren, wie Gemini Abweichungen über Einheiten und Perioden hinweg interpretiert und erklärt – das beschleunigt Reviews und macht sie konsistenter.

Gemini für Management-Kommentare und Board-Unterlagen nutzen

Selbst nachdem Zahlen validiert sind, fließt überraschend viel Zeit in das Verfassen und Überarbeiten von Management-Kommentaren, Erläuterungen und Foliensprechtext. Hier kann Gemini für automatisierte Finanznarrative pro Abschlusszyklus Stunden einsparen.

Speisen Sie Gemini mit einer strukturierten Übersicht der wichtigsten KPIs (Umsatz, Bruttomarge, OPEX nach Kategorie, EBITDA, Cash) sowie einer kurzen Stichpunktliste der Controller (z. B. „Deutschland: starke Nachfrage, Preiserhöhung zum 1. Juli; USA: Lieferverzögerungen; IT: einmalige Lizenzverlängerung“). Bitten Sie Gemini anschließend, daraus einsatzfertige Texte für Ihr Management-Pack oder Ihre Board-Folien zu formulieren.

Sie bereiten den monatlichen Kommentar für den CFO vor.

Input:
- Das Sheet "KPI_Summary" enthält die wichtigsten Finanzkennzahlen
  für diesen Monat, den Vormonat, Budget und Vorjahr.
- Das Sheet "Controller_Notes" listet zentrale Treiber und Ereignisse.

Aufgabe:
1. Fassen Sie die Gesamtperformance in 2 kurzen Absätzen zusammen.
2. Erstellen Sie Abschnittszusammenfassungen für Umsatz, Marge,
   OPEX und Cashflow.
3. Verweisen Sie in den Abschnitten jeweils auf relevante
   Controller-Notizen.
4. Markieren Sie Kennzahlen, die sich gegenüber Vormonat oder Budget
   materiell verschlechtert haben, und schlagen Sie 1–2 Fragen vor,
   die der CFO stellen sollte.

Schreiben Sie in klarer, nicht-technischer Sprache, geeignet für eine
vielbeschäftigte Führungskraft.

Finance kann diese Entwürfe dann prüfen und leicht anpassen, statt bei Null zu beginnen – der Aufwand für Narrative sinkt so von Stunden auf Minuten.

Ausnahmeerkennung und Unterstützung bei Abstimmungen automatisieren

Gemini kann Ihr Team zudem unterstützen, sich auf das Wesentliche zu konzentrieren, indem es Auffälligkeiten und potenzielle Abstimmungsprobleme hervorhebt. Nutzen Sie es, um Ihre Summen- und Saldenliste, Daten aus Nebenbüchern und Bankabstimmungen zu scannen und Buchungen zu markieren, die nicht den üblichen Mustern folgen.

Exportieren Sie zum Beispiel Buchungen im Hauptbuch oberhalb eines bestimmten Schwellenwerts oder in bestimmten sensiblen Konten (Rückstellungen, Abgrenzungen, Intercompany, Verrechnungskonten) in ein Google Sheet. Verwenden Sie Gemini dann mit einem Prompt wie:

Sie unterstützen die Kontrollen zum Monatsabschluss.

Input: Das Sheet "High_Risk_Entries" enthält Buchungen im Hauptbuch
mit Konto, Kostenstelle, Betrag, Buchungstext und Benutzer.

Aufgabe:
1. Identifizieren Sie Buchungen, die anhand von Betrag,
   Textmustern oder Nutzerverhalten ungewöhnlich erscheinen.
2. Gruppieren Sie diese nach potenzieller Problemart (z. B.
   ungewöhnliche Beschreibung, atypischer Betrag,
   möglicher Duplikat, falsche Kostenstelle).
3. Schlagen Sie für jede Gruppe Folgeprüfungen für den Controller vor
   (z. B. "Mit Sales Operations abstimmen", "Zugrunde liegenden
   Vertrag prüfen").

Geben Sie eine Tabelle mit folgenden Spalten aus:
- Buchungs-ID
- Potenzielle Problemart
- Begründung
- Empfohlene Folgeaktion

Dies ersetzt keine formalen Kontrollen, ergänzt sie aber sinnvoll und hilft Controllern, schneller die Buchungen zu identifizieren, die eine tiefergehende Untersuchung benötigen.

Einen Abschluss-Checklisten-Assistenten für Controller aufbauen

Viele Abschlussverzögerungen resultieren aus kleinen Prozessbrüchen: vergessene Aufgaben, unklare Abhängigkeiten oder inkonsistente Reihenfolgen. Sie können Gemini als Abschluss-Checklisten-Assistenten nutzen, um Aufgaben jeden Monat zu orchestrieren und nachzuverfolgen.

Beginnen Sie damit, Ihre Standard-Abschlusscheckliste in einem strukturierten Google Sheet zu dokumentieren (Aufgabe, Verantwortlicher, Fälligkeitsdatum, beteiligtes System, Abhängigkeiten, Status). Erstellen Sie dann einen Gemini-basierten Assistenten, der auf Basis dieses Sheets Fragen wie „Was blockiert heute den Abschluss der Einheit DE?“ oder „Welche Aufgaben sind für die Umsatzrealisierung noch offen?“ beantworten kann.

Sie sind ein virtueller Abschlusskoordinator für unser Finanzteam.

Sie haben Zugriff auf das Sheet "Close_Checklist" mit den Spalten:
Task, Entity, Owner, System, Dependency, Status, Due Date.

Wenn Sie Fragen beantworten, sollten Sie:
1. Die Aufgaben entsprechend filtern und sortieren.
2. Einen prägnanten Statusüberblick geben.
3. Überfällige oder blockierende Aufgaben hervorheben.
4. Eine sinnvolle nächste Aktion für die verantwortliche Person
   vorschlagen.

So wird aus einer statischen Checkliste ein interaktives Tool, das Controllern hilft, den Abschluss proaktiv zu steuern, statt per E-Mail zu „feuerlöschen“.

KPIs tracken und auf Basis messbarer Verbesserungen iterieren

Damit Ihre Gemini-gestützte Monatsabschluss-Automatisierung echten Mehrwert liefert, sollten Sie eine kleine Zahl konkreter KPIs definieren und verfolgen: Zeit vom Periodenende bis zum ersten GuV-Entwurf, Zeit bis zur finalen Freigabe, Stunden pro Einheit für Abweichungskommentare, Anzahl manueller Anpassungen sowie Anzahl entdeckter vs. übersehener Auffälligkeiten.

Instrumentieren Sie Ihre Workflows so, dass Sie sehen, wo Gemini tatsächlich Zeit spart und wo bessere Prompts, Daten oder Guardrails nötig sind. Protokollieren Sie zum Beispiel, wie lange die Erstellung und Prüfung von Abweichungskommentaren vor und nach der KI-Einführung dauert oder wie viele von der KI markierte Auffälligkeiten sich als echte Probleme herausstellen. Nutzen Sie diese Erkenntnisse, um Prompts, Templates und Datenstrukturen über mehrere Abschlüsse hinweg zu verfeinern.

Mit diesen taktischen Vorgehensweisen können viele Finanzteams realistisch eine Reduktion der manuellen Kommentarerstellung um 30–50 %, eine um 20–40 % schnellere Bereitstellung der ersten Management-Reports und eine spürbare Verringerung übersehener Auffälligkeiten innerhalb der ersten Abschlusszyklen erreichen – ohne Kontrolle oder Auditierbarkeit zu gefährden.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

Gemini beschleunigt das Monatsabschluss-Reporting, indem es die repetitivsten und zeitintensivsten Schritte automatisiert: das Konsolidieren von ERP- und Tabellenexporten, das Durchführen standardisierter Abweichungsberechnungen, das Erstellen von Ausnahmelisten sowie das Entwerfen von Kommentaren für GuV- und Bilanzberichte. Statt dass Analysten Zahlen in PowerPoint kopieren und Kommentare von Grund auf schreiben, arbeitet Gemini auf Ihrer strukturierten Datenbasis (z. B. Google Sheets mit Summen- und Saldenlisten und Kostenstellendaten) und erzeugt in wenigen Minuten Ergebnisentwürfe.

Die Finanzteams behalten Review und Freigabe in der Hand, aber der Großteil der manuellen Zusammenstellungsarbeit entfällt. Typischerweise rückt der Zeitpunkt des ersten Entwurfs der Managementberichte so um 1–3 Tage nach vorne, insbesondere wenn Sie Prompts und Templates über Einheiten hinweg standardisieren.

Um Gemini für automatisiertes Financial Reporting zu nutzen, benötigen Sie im Wesentlichen drei Dinge: (1) verlässliche Datenexporte aus Ihrem ERP und den Nebenbüchern (Summen- und Saldenlisten, GuV nach Kostenstellen, Bilanzdetails), (2) einen strukturierten Workspace wie Google Sheets oder eine Data-Warehouse-Ansicht, in der diese Daten konsolidiert werden, und (3) klare Regeln, wie Abweichungen analysiert und berichtet werden sollen.

Sie brauchen kein voll ausgebautes Data Lake oder ein mehrjähriges IT-Programm. Viele Teams starten mit einem fokussierten Google-Sheets-Setup plus Gemini und professionalisieren die Architektur schrittweise. Hilfreich ist mindestens ein Power User im Finanzbereich, der sich mit Spreadsheets, Datenstrukturen und Prompt-Iteration wohlfühlt, um in den ersten 2–3 Zyklen schnelle Erfolge zu erzielen.

Für einen fokussierten Use Case wie Monatsend-GuV- und Abweichungsreporting ist es realistisch, innerhalb von 2–4 Wochen einen ersten funktionsfähigen Gemini-basierten Prototyp aufzubauen – vorausgesetzt, Sie haben Zugriff auf die notwendigen ERP-Exporte. Die Anfangsphase konzentriert sich darauf, Daten anzubinden, Prompts zu designen und Ergebnisse gemeinsam mit Controllern und FP&A zu validieren.

Benötigte Skills sind: eine Finanzführungskraft, die Ihren Abschlussprozess und die Reporting-Erwartungen versteht, ein technisch versierter Analyst, der Spreadsheets strukturieren und Prompts testen kann, und optional ein Engineer für weitergehende Integrationen oder API-Nutzung. Langfristig können Sie daraus eher eine kleine KI-Enablement-Fähigkeit innerhalb des Finanzbereichs aufbauen, statt sich ausschließlich auf die IT zu verlassen.

Der ROI von KI im Monatsabschluss entsteht typischerweise durch reduzierte manuelle Aufwände, schnelleren Zugang zu verlässlichen Zahlen und bessere Auffälligkeitserkennung. Praktisch sehen Unternehmen häufig 30–50 % weniger Zeitaufwand für Kommentarerstellung und manuelle Reportzusammenstellung sowie eine um 20–40 % schnellere Bereitstellung der ersten Management-Pakete, sobald der Workflow stabil läuft. Zusätzlicher Wert entsteht durch geringeres Fehlerrisiko und mehr Zeit für wertschöpfende Analysen.

Auf der Kostenseite fallen die reinen Gemini-Nutzungskosten im Vergleich zu FTE-Kosten meist moderat aus; die Hauptinvestitionen liegen in der initialen Einrichtung (Datenstrukturierung, Prompt-Design) und im Change Management. Mit einem fokussierten Proof of Concept können Sie Einsparungen und Qualitätsgewinne quantifizieren, bevor Sie sich auf einen breiteren Rollout festlegen.

Reruption unterstützt Sie von der Idee bis zur laufenden Lösung. Über unser KI-PoC-Angebot (9.900 €) definieren und schärfen wir einen konkreten Use Case – etwa die Automatisierung von GuV-Abweichungskommentaren für eine Einheit –, prüfen die technische Umsetzbarkeit mit Gemini und bauen zügig einen Prototyp, der an Ihre ERP-Exporte und Google Sheets angebunden ist. Sie erhalten belastbare Daten zu Qualität, Geschwindigkeit und Kosten pro Lauf statt reiner Präsentationsfolien.

Über den PoC hinaus bedeutet unser Co-Preneur-Ansatz, dass wir eng mit Ihren Finance- und IT-Teams zusammenarbeiten, um den Abschlussworkflow selbst neu zu gestalten: Datenstrukturen zu standardisieren, Prompts zu härten, Security- und Compliance-Kontrollen zu integrieren und Ihr Team auf die Arbeit in einem KI-gestützten Setup vorzubereiten. Wir empfehlen nicht nur Tools, sondern helfen Ihnen, einen robusten, KI-first-Monatsabschlussprozess in Ihrer eigenen Organisation zu implementieren und zu betreiben.

Kontaktieren Sie uns!

0/10 min.

Direkt Kontaktieren

Your Contact

Philipp M. W. Hoffmann

Founder & Partner

Adresse

Reruption GmbH

Falkertstraße 2

70176 Stuttgart

Kontakt

Social Media