Die Herausforderung: Manuelle narrative Kommentare

In jedem Reporting-Zyklus geraten Finanzteams in den gleichen Trott: Abweichungserläuterungen, Management-Kommentare und Forecast-Narrative werden von Hand erstellt. Analysten kopieren die Texte des Vormonats, passen ein paar Zahlen an, suchen Treiber in endlosen Tabellen und fügen anschließend alles in Folien und Dokumenten wieder zusammen. Das Ergebnis ist eine zeitaufwändige Schreibübung, die im Verhältnis zum Aufwand nur begrenzte zusätzliche Erkenntnisse liefert.

Traditionelle Ansätze stützen sich auf Notizen in Excel, E-Mail-Threads und Offline-Gespräche, um Erklärungen zusammenzusetzen. Das ergab Sinn, als Datenvolumina kleiner und Reporting-Zyklen langsamer waren. Doch mit mehreren ERP-Systemen, BI-Tools, Bankfeeds und Planungssystemen gibt es heute schlicht zu viele Informationen, als dass manuelle Kommentare mithalten könnten. Governance und Konsistenz leiden: Terminologie verwässert, unterschiedliche Teams erklären dieselbe Abweichung unterschiedlich, und jedes neue Reporting-Format bedeutet zusätzlichen Copy-Paste-Aufwand.

Die geschäftlichen Auswirkungen sind erheblich. Reporting-Zyklen ziehen sich von Tagen auf Wochen, hochqualifizierte Finanzmitarbeitende sind mit wenig wertschöpfenden Schreibaufgaben gebunden, statt Szenario-Modelle zu erstellen oder Entscheidungen zu unterstützen. Führungskräfte erhalten generische, rückwärtsgewandte Kommentare, die sie in Meetings hinterfragen, wodurch Analysten Erklärungen ad hoc improvisieren müssen. Chancen, Frühwarnsignale, Umsatzverluste oder Kostenanomalien zu erkennen, werden verpasst, weil das Team mit dem Zusammenstellen von Text beschäftigt ist, statt die Zahlen kritisch zu hinterfragen.

Diese Herausforderung ist sehr real – aber sie ist lösbar. Mit moderner KI für Finanzreporting können narrative Kommentare direkt aus Ihrem ERP, Ihren Tabellen und Planungsdaten generiert werden, wobei Menschen die Ausgaben prüfen und anreichern, statt von Grund auf neu zu schreiben. Bei Reruption sehen wir, wie KI-gesteuerte Automatisierung brüchige, manuelle Workflows in komplexen Umgebungen ersetzt. In den folgenden Abschnitten finden Sie konkrete Hinweise, wie Sie Gemini nutzen können, um manuelle narrative Kommentare in einen schnelleren, robusteren und erkenntnisorientierten Prozess zu verwandeln.

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 Reruptions Arbeit an KI-first-internen Tools sehen wir ein wiederkehrendes Muster: Die größten Fortschritte bei der Automatisierung des Finanzreportings entstehen, wenn KI als narrativer Co-Pilot verstanden wird – nicht als Black Box. Gemini ist für diesen Anwendungsfall besonders gut geeignet, weil es direkt mit Tabellen, BI-Exports und Planungsdaten arbeiten kann und tief in Google Workspace integriert ist, wo Finanzteams ihre Reports ohnehin erstellen. Entscheidend ist, die richtigen Workflows, Kontrollen und Verantwortlichkeiten darum herum zu gestalten.

Definieren Sie die Rolle von Finance im Reporting-Prozess neu

Wenn Sie Gemini in das Finanzreporting einführen, wandelt sich die Finance-Funktion vom Produzenten narrativer Texte hin zum Kurator und Challenger von KI-generierten Insights. Strategisch ist Ihr Zielzustand nicht „Gemini schreibt alles“, sondern „Gemini entwirft, Finance validiert und ergänzt mit Urteilsvermögen“. Dieser Mindset-Wechsel ist entscheidend, um die Akzeptanz erfahrener Analysten zu gewinnen, die sich sonst eher ersetzt als befähigt fühlen könnten.

Skizzieren Sie Ihren zukünftigen Prozess explizit: Wo liest Gemini Daten ein, wo entwirft es Kommentare und an welchen Stellen greifen Analysten ein? Streben Sie beispielsweise ein Modell an, in dem 70–80 % der routinemäßigen Abweichungserläuterungen automatisch vorentworfen werden und Finance sich auf Ausnahmen, die Botschaft für den Vorstand und Szenario-Auswirkungen konzentriert. Das schafft klare Verantwortlichkeiten und unterstreicht, dass Fachexpertise weiterhin im Zentrum steht – nur auf einer höheren Ebene eingesetzt.

Starten Sie mit engen, hochfrequenten Use Cases

Statt von Tag eins an zu versuchen, die gesamte Management-Kommentierung zu automatisieren, wählen Sie einen klar abgegrenzten, häufig wiederkehrenden Use Case wie monatliche OPEX-Abweichungserläuterungen oder Working-Capital-Narrative. Ein begrenzter Scope erleichtert es, Prompt-Muster, Datenanbindungen und Governance zu etablieren, bevor Sie auf komplexere Bereiche wie Segmentprofitabilität oder Cashflow-Brücken erweitern.

Nach unserer Erfahrung beschleunigt eine enge Fokussierung das Lernen. Sie erkennen schnell, wo Gemini klarere Anweisungen benötigt, wo Datenqualitätslücken bestehen und welche Prüfschritte unverzichtbar sind. Sobald dieser Pilot-Use-Case stabil läuft und von Stakeholdern akzeptiert ist, können Sie den Ansatz mit deutlich weniger Widerstand auf weitere Reports und Gesellschaften übertragen.

Gestalten Sie Governance und Kontrollen von Anfang an

Bei KI-generierten Finanznarrativen ist Vertrauen nicht verhandelbar. Bevor Sie Gemini skalieren, definieren Sie klare Richtlinien, welche Inhalte automatisch veröffentlicht werden dürfen, was einer Prüfung bedarf und wer die finale Formulierung freigibt. Denken Sie in Risikostufen: interne Management-Reports mit geringem Risiko können mehr Automatisierung vertragen; externe Finanzabschlüsse erfordern strenge menschliche Kontrolle und Nachvollziehbarkeit.

Beziehen Sie Compliance, Interne Revision und Controlling frühzeitig ein. Legen Sie fest, wie Gemini-Ausgaben dokumentiert werden, wie Versionen in Docs oder Slides gespeichert werden und wie nachgewiesen wird, dass ein Mensch die Kommentare geprüft und freigegeben hat. Frühzeitige Governance reduziert das Risiko von kurzfristigen Einwänden kurz vor dem Go-Live.

Investieren Sie in Finance-zentriertes Prompt- und Terminologie-Design

Gemini wird nur dann in der Sprache Ihrer Organisation sprechen, wenn Sie es ihm beibringen. Behandeln Sie Prompt Engineering für Finance und die Pflege Ihrer Terminologie als strategische Assets, nicht als Nebenprodukt. Finanzverantwortliche sollten Standardstrukturen für Erklärungen mit definieren (z. B. „was ist passiert, warum und was wir tun werden“) sowie den bevorzugten Ton für unterschiedliche Zielgruppen wie Vorstandsgremium gegenüber Werksleitern.

Erfassen Sie Ihr internes Glossar – Kostenstellennamen, Projektcodes, Produktfamilien und KPI-Definitionen – und verankern Sie dieses in Ihren Gemini-Anweisungen und gemeinsamen Vorlagen. So entsteht mit der Zeit eine konsistente, wiedererkennbare Stimme über alle Finance-Reports hinweg, auch wenn zunehmend die KI den ersten Entwurf übernimmt.

Bereiten Sie Ihr Team auf einen KI-augmentierten Workflow vor

Die Einführung von Gemini im Finance-Bereich ist ebenso sehr ein Change-Projekt wie ein Technologieprojekt. Analysten und Controller müssen sich darin wohlfühlen, KI-generierte Texte zu hinterfragen und zu verfeinern, statt Kommentare ausschließlich von Grund auf zu erstellen. Das erfordert Schulungen, psychologische Sicherheit, das Tool zu kritisieren, und Klarheit darüber, wie „gute“ KI-Ausgaben aussehen.

Schaffen Sie Erwartungssicherheit, dass frühe Entwürfe noch roh sein können und kontinuierliches Feedback die Qualität verbessern wird. Etablieren Sie Feedback-Loops, in denen Finance-User Beispiele guter und schlechter Ausgaben teilen und daraufhin Prompts und Datenzuordnungen angepasst werden. Wenn Menschen das Gefühl haben, das System mitzugestalten, sinkt der Widerstand und die Adoption steigt deutlich.

Durchdacht eingesetzt kann Gemini manuelle narrative Kommentare von einer repetitiven Schreibaufgabe in einen schnellen, datengestützten Insight-Motor für Finance verwandeln. Der Mehrwert entsteht nicht dadurch, Ihre Expertinnen und Experten zu ersetzen, sondern sie zu entlasten, damit sie sich auf Interpretation, Maßnahmen und Szenarien statt auf Texterstellung konzentrieren können. Mit Reruptions Kombination aus tiefgehender KI-Engineering-Expertise und pragmatischer Umsetzung unterstützen wir Finanzteams dabei, diese Gemini-basierten Workflows so zu gestalten und zu implementieren, dass sie robust, compliant und tatsächlich genutzt werden. Wenn Sie prüfen möchten, wie Sie Ihre finanziellen Narrative automatisieren können, helfen wir Ihnen gerne, den Ansatz an einem konkreten Reporting-Use-Case zu testen und anschließend zu skalieren.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

Von Gesundheitswesen bis Biotechnologie: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

AstraZeneca

Gesundheitswesen

In der stark regulierten pharmazeutischen Industrie stand AstraZeneca unter erheblichem Druck, die Wirkstoffforschung und klinischen Studien zu beschleunigen, die traditionell 10–15 Jahre dauern und Milliarden kosten, bei geringen Erfolgsraten von unter 10 %. Datensilos, strenge Compliance-Anforderungen (z. B. FDA-Regularien) und manuelle Wissensarbeit behinderten die Effizienz in F&E und Geschäftsbereichen. Forschende hatten Schwierigkeiten, riesige Datensets aus 3D-Bildgebung, Literaturauswertungen und Protokollentwürfen zu analysieren, was zu Verzögerungen bei der Therapiefindung für Patienten führte. Die Skalierung von KI wurde durch Datenschutz-Bedenken, Integration in Altsysteme und die Sicherstellung verlässlicher KI-Ergebnisse in einem hochkritischen Umfeld erschwert. Ohne schnelle Adoption riskierte AstraZeneca, gegenüber Wettbewerbern zurückzufallen, die KI für schnellere Innovationen zur Erreichung der 2030-Ziele nutzten.

Lösung

AstraZeneca startete eine unternehmensweite Strategie für generative KI und setzte ChatGPT Enterprise ein, maßgeschneidert für Pharma-Workflows. Dazu gehörten KI-Assistenten für die Analyse 3D-molekularer Bildgebung, automatische Entwürfe von Protokollen für klinische Studien und die Synthese von Wissen aus wissenschaftlicher Literatur. Sie gingen Partnerschaften mit OpenAI für sichere, skalierbare LLMs ein und investierten in Schulungen: Rund 12.000 Mitarbeitende aus F&E und anderen Funktionen schlossen bis Mitte 2025 GenAI-Programme ab. Infrastruktur-Upgrades wie AMD Instinct MI300X GPUs optimierten das Modelltraining. Governance-Rahmen stellten Compliance sicher, mit menschlicher Validierung in kritischen Aufgaben. Der Rollout erfolgte phasenweise von Pilotprojekten in 2023–2024 bis zur vollständigen Skalierung 2025, mit Schwerpunkt auf der Beschleunigung der F&E durch GenAI für Moleküldesign und Real-World-Evidence-Analysen.

Ergebnisse

  • ~12.000 Mitarbeitende bis Mitte 2025 in generativer KI geschult
  • 85–93 % der Mitarbeitenden berichteten von Produktivitätssteigerungen
  • 80 % der Medical Writer fanden KI-Protokollentwürfe nützlich
  • Signifikante Reduktion der Trainingszeit für Life-Sciences-Modelle durch MI300X-GPUs
  • Hohe AI-Maturity-Bewertung laut IMD-Index (weltweit oben)
  • GenAI ermöglicht schnellere Studienplanung und Dosiswahl
Fallstudie lesen →

Ford Motor Company

Fertigung

In Fords Automobilfertigungsstätten stellten Schleifen und Lackieren von Karosserien einen großen Engpass dar. Diese arbeitsintensiven Tätigkeiten erforderten manuelles Schleifen der Karosserien durch Mitarbeitende, ein Prozess, der zu Inkonsistenzen, Ermüdung und ergonomischen Verletzungen aufgrund repetitiver Bewegungen über Stunden führte . Traditionelle Robotersysteme hatten Probleme mit der Variabilität von Karosserieteilen, Krümmungen und Materialunterschieden, was eine vollständige Automatisierung in bestehenden 'Brownfield'-Anlagen erschwerte . Zudem war das Erreichen einer konstanten Oberflächenqualität für die Lackierung entscheidend, da Fehler zu Nacharbeit, Verzögerungen und höheren Kosten führen konnten. Mit steigender Nachfrage nach Elektrofahrzeugen (EVs) und zunehmender Produktionsskalierung musste Ford modernisieren, ohne massive Investitionsausgaben oder Störungen des laufenden Betriebs zu verursachen, und dabei die Sicherheit der Belegschaft und deren Qualifizierung priorisieren . Die Herausforderung bestand darin, eine skalierbare Automatisierung zu integrieren, die nahtlos mit Menschen zusammenarbeitet.

Lösung

Ford begegnete dieser Herausforderung durch den Einsatz von KI-geführten kollaborativen Robotern (Cobots), ausgestattet mit Maschinenvision und Automatisierungsalgorithmen. In der Karosseriewerkstatt scannen sechs Cobots mit Kameras und KI die Karosserien in Echtzeit, erkennen Flächen, Defekte und Konturen mit hoher Präzision . Diese Systeme nutzen Computer-Vision-Modelle für 3D-Mapping und Bahnplanung, wodurch sich die Cobots dynamisch anpassen können, ohne neu programmiert werden zu müssen . Die Lösung setzte auf eine workforce-first Brownfield-Strategie, beginnend mit Pilotprojekten in Werken in Michigan. Cobots übernehmen das Schleifen autonom, während Menschen die Qualitätsüberwachung durchführen, wodurch Verletzungsrisiken reduziert werden. Partnerschaften mit Robotikfirmen und interne KI-Entwicklung ermöglichten Low-Code-Inspektionstools für eine einfache Skalierung .

Ergebnisse

  • Schleifzeit: 35 Sekunden pro vollständiger Karosserie (statt Stunden manuell)
  • Produktivitätssteigerung: 4x schneller in Montageprozessen
  • Verletzungsreduktion: 70 % weniger ergonomische Belastungen in Cobots-Bereichen
  • Konsistenzverbesserung: 95 % fehlerfreie Oberflächen nach dem Schleifen
  • Einsatzumfang: 6 Cobots im Betrieb, Ausbau auf über 50 Einheiten geplant
  • ROI-Zeitraum: Amortisation in 12–18 Monaten pro Werk
Fallstudie lesen →

DBS Bank

Bankwesen

DBS Bank, die führende Finanzinstitution in Südostasien, kämpfte damit, KI von Experimenten in die Produktion zu skalieren, während Betrugsbedrohungen zunahmen, die Nachfrage nach hyperpersonalisierten Kundenerlebnissen stieg und operative Ineffizienzen im Service-Support bestanden. Traditionelle Systeme zur Betrugserkennung hatten Schwierigkeiten, bis zu 15.000 Datenpunkte pro Kunde in Echtzeit zu verarbeiten, was zu übersehenen Bedrohungen und suboptimalen Risikobewertungen führte. Personalisierungsbemühungen wurden durch isolierte Datensilos und fehlende skalierbare Algorithmen für Millionen von Nutzern in unterschiedlichen Märkten behindert. Zusätzlich sahen sich Kundendienstteams mit überwältigenden Anfragevolumina konfrontiert, wobei manuelle Prozesse die Reaktionszeiten verlangsamten und die Kosten erhöhten. Regulatorischer Druck im Bankwesen erforderte verantwortungsvolle KI-Governance, während Fachkräftemangel und Integrationsherausforderungen eine unternehmensweite Einführung erschwerten. DBS benötigte einen robusten Rahmen, um Datenqualitätsprobleme, Modell-Drift und ethische Bedenken bei der Einführung generativer KI zu überwinden und gleichzeitig Vertrauen und Compliance in einem wettbewerbsintensiven südostasiatischen Umfeld sicherzustellen.

Lösung

DBS startete ein konzernweites KI-Programm mit über 20 Anwendungsfällen, nutzte maschinelles Lernen für fortschrittliche Betrugsrisikomodelle und Personalisierung und ergänzte dies durch generative KI für einen internen Support-Assistenten. Die Betrugsmodelle integrierten umfangreiche Datensätze für die Erkennung von Anomalien in Echtzeit, während Personalisierungsalgorithmen hyperzielgerichtete Hinweise und Anlageideen über die digibank-App lieferten. Ein Mensch-KI-Synergie-Ansatz befähigte Serviceteams mit einem GenAI-Assistenten, der Routineanfragen aus internen Wissensdatenbanken bearbeitet. DBS legte Wert auf verantwortungsvolle KI durch Governance-Rahmenwerke, Qualifizierungsmaßnahmen für über 40.000 Mitarbeitende und eine gestaffelte Einführung, beginnend mit Pilotprojekten 2021 und Skalierung in die Produktion bis 2024. Partnerschaften mit Technologieführern und eine von Harvard unterstützte Strategie sicherten ein ethisches Skalieren in den Bereichen Betrug, Personalisierung und Betrieb.

Ergebnisse

  • 17 % Steigerung der Einsparungen durch verhinderte Betrugsversuche
  • Über 100 maßgeschneiderte Algorithmen für Kundenanalysen
  • 250.000 monatliche Anfragen effizient vom GenAI-Assistenten bearbeitet
  • Mehr als 20 konzernweite KI-Anwendungsfälle eingeführt
  • Analysiert bis zu 15.000 Datenpunkte pro Kunde zur Betrugserkennung
  • Produktivitätssteigerung um 20 % durch KI-Einführung (CEO-Aussage)
Fallstudie lesen →

Ooredoo (Qatar)

Telekommunikation

Ooredoo Qatar, Qatars führender Telekommunikationsanbieter, hatte mit den Ineffizienzen manueller Optimierung und Fehlerbehebung im Radio Access Network (RAN) zu kämpfen. Mit der Beschleunigung des 5G-Ausbaus erwiesen sich traditionelle Methoden als zeitaufwendig und nicht skalierbar , sie konnten die steigenden Datenanforderungen nicht effizient bewältigen, die nahtlose Konnektivität gewährleisten oder hohe Nutzererlebnisse inmitten komplexer Netzdynamiken aufrechterhalten . Leistungsprobleme wie abgebrochene Gespräche, schwankende Datenraten und suboptimale Ressourcenallokation erforderten ständige manuelle Eingriffe, trieben die Betriebskosten (OpEx) in die Höhe und verzögerten Problemlösungen. Da Qatars nationale Digitalisierungsagenda fortgeschrittene 5G-Fähigkeiten forderte, benötigte Ooredoo einen proaktiven, intelligenten Ansatz für das RAN-Management, ohne die Netzzuverlässigkeit zu gefährden .

Lösung

Ooredoo ging eine Partnerschaft mit Ericsson ein, um die cloud-native Ericsson Cognitive Software auf Microsoft Azure bereitzustellen, die einen digitalen Zwilling des RAN mit Deep Reinforcement Learning (DRL) für KI-gesteuerte Optimierung kombiniert . Diese Lösung erstellt eine virtuelle Netzreplik, um Szenarien zu simulieren, umfangreiche RAN-Daten in Echtzeit zu analysieren und proaktive Tuning-Empfehlungen zu erzeugen . Die Suite der Ericsson Performance Optimizers wurde 2022 in einer Pilotphase getestet und entwickelte sich bis 2023 zur vollständigen Bereitstellung, wodurch automatisierte Problemlösungen und Leistungsverbesserungen ermöglicht wurden, die sich nahtlos in Ooredoos 5G-Infrastruktur integrieren ließen . Kürzliche Erweiterungen umfassen Energieeinsparungs-PoCs, die KI weiter für nachhaltigen Betrieb nutzen .

Ergebnisse

  • 15% Reduktion des Funkleistungsverbrauchs (Energy Saver PoC)
  • Proaktive RAN-Optimierung verkürzt Fehlerbehebungszeiten
  • Hohe Nutzererfahrung während der Energieeinsparungen beibehalten
  • Reduzierte Betriebskosten durch automatisierte Problemlösungen
  • Verbessertes 5G-Abonnentenerlebnis mit nahtloser Konnektivität
  • 10% Zuwachs der spektralen Effizienz (Ericsson AI RAN Benchmarks)
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 →

Best Practices

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

Verbinden Sie Gemini mit sauberen, strukturierten Finanzdaten

Die Qualität von KI-generierten Finanzkommentaren hängt maßgeblich von den Eingabedaten ab. Definieren Sie zunächst genau, welche Tabellen Gemini nutzen soll: ERP-Exporte (z. B. G&V nach Konto und Kostenstelle), BI-Cubes (z. B. Umsatz nach Produkt und Region), Planungsdateien und Bankfeeds. Standardisieren Sie Spaltennamen und stellen Sie sicher, dass Schlüsselkennungen über alle Quellen hinweg konsistent sind, um Verwirrung in Erklärungen zu vermeiden.

In der Praxis bedeutet dies häufig, einen wiederkehrenden Export oder einen Google-Sheets-Datenconnector einzurichten, der je Reporting-Perspektive eine einzige, saubere Tabelle erzeugt (z. B. „G&V vs. Budget nach Kostenstelle, aktueller Monat und YTD“). Gemini kann dann angewiesen werden, beim Entwurf der Kommentare ausschließlich aus diesem Sheet oder Zellbereich zu lesen. Je deterministischer und wiederholbarer Ihre Daten-Pipeline ist, desto stabiler werden Ihre Narrative.

Erstellen Sie wiederverwendbare Prompt-Vorlagen für Abweichungserläuterungen

Statt Gemini in jedem Zyklus ad hoc zu prompten, definieren Sie Standardvorlagen für die zentralen Kommentartypen, die Sie benötigen: G&V-Abweichungen, Bilanzbewegungen, Cashflow-Veränderungen und Forecast-Updates. Speichern Sie diese Prompts zentral (z. B. in einem freigegebenen Google-Dokument) und nutzen Sie sie konsistent über Gesellschaften und Monate hinweg.

Beispiel-Prompt für OPEX-Abweichungskommentare in Google Docs:

Sie sind eine leitende Finanzanalystin / ein leitender Finanzanalyst in unserem Unternehmen.

Kontext:
- Sie erhalten eine Tabelle mit Ist, Budget und Abweichung nach Kostenstelle und Konto für den aktuellen Monat und das laufende Jahr (YTD).
- Sie erhalten außerdem die Kommentare des Vormonats als Referenz.

Aufgabe:
1. Identifizieren Sie die Top 5 positiven und Top 5 negativen Abweichungen nach absolutem Wert und in % gegenüber dem Budget.
2. Verfassen Sie für jede eine prägnante Erklärung, die Folgendes abdeckt:
   - Was passiert ist (1–2 Sätze)
   - Warum es passiert ist (Treiber, z. B. Volumen, Preis, Sondereffekte, Timing)
   - Ob die Abweichung voraussichtlich anhalten wird oder einmalig ist
3. Fassen Sie die Erklärungen in Themen zusammen (z. B. "Personal", "Logistik", "Marketing"), um Wiederholungen zu vermeiden.
4. Verwenden Sie unsere interne Terminologie und Tonalität:
   - Neutral, sachlich, ohne Schuldzuweisungen
   - Kostenstellen sind mit ihren offiziellen Namen aus der Tabelle zu bezeichnen
   - Vermeiden Sie generische Formulierungen wie "verschiedene Faktoren" – werden Sie konkret.

Die Eingangsdaten haben folgende Struktur:
[Hier Bereich aus Google Sheets einfügen oder referenzieren]

Durch die Standardisierung solcher Prompts wird die Erstellung von Kommentaren vorhersehbar, prüfbar und über die Zeit leichter verfeinerbar.

Nutzen Sie frühere Kommentare als Kontext, nicht als Vorlage

Finanzteams greifen häufig auf Kommentare des Vormonats als Ausgangspunkt zurück. Mit Gemini können Sie dies intelligenter tun, indem Sie frühere Narrative als Kontext bereitstellen, statt sie manuell zu kopieren. So hilft das Modell, die Kontinuität der Botschaften zu bewahren und gleichzeitig auf neue Daten zu reagieren.

Beispielhaftes Prompt-Muster:

Sie erhalten:
1) Die Abweichungstabelle des aktuellen Monats (Ist vs. Budget vs. Vorjahr)
2) Die Kommentare des Vormonats für dieselben Kostenstellen

Aufgabe:
- Erstellen Sie neue Kommentare, die:
  - Formulierungen und Terminologie aus dem Vormonat wiederverwenden, wenn sich Trends nicht geändert haben
  - Erklärungen aktualisieren, wenn sich Abweichungen wesentlich verändert haben
  - hervorheben, wenn ein zuvor genannter Risikofaktor eingetreten ist oder nicht mehr relevant ist

Wichtig:
- Wiederholen Sie den Text des Vormonats nicht wortwörtlich.
- Konzentrieren Sie sich darauf, was sich materiell geändert hat und warum.

So bleiben Narrative konsistent, ohne in die Falle von Copy-Paste-Reporting zu tappen, das neue Signale ignoriert.

Integrieren Sie Gemini direkt in Docs- und Slides-Workflows

Damit KI im Finanzreporting dauerhaft genutzt wird, integrieren Sie Gemini dort, wo Ihr Team bereits arbeitet: in Google Docs für Management-Narrative und in Google Slides für Vorstandspräsentationen. Nutzen Sie Gemini for Workspace (z. B. Gemini-Seitenleiste), um Kommentare direkt im Dokument zu generieren, zu verfeinern und zu übersetzen, statt zwischen Tools zu wechseln.

Praktischer Workflow in Slides für ein monatliches Performance-Deck:

  • Füllen Sie eine Übersichtsfolie mit den wichtigsten Kennzahlen und einer kleinen Datentabelle oder einem Chart.
  • Markieren Sie den Bereich für die Foliennotizen und öffnen Sie Gemini in der Seitenleiste.
  • Prompten Sie Gemini mit Kontext zur Zielgruppe (z. B. Executive Committee) und bitten Sie es, 3 Stichpunkte zu erstellen, die die Abweichung und empfohlene Maßnahmen erläutern.
  • Prüfen Sie die Vorschläge, passen Sie die Formulierungen an und heben Sie bei Bedarf 1–2 Stichpunkte in den sichtbaren Folientext.

So bleibt die Kommentarerstellung eng an die finalen Deliverables gekoppelt und manueller Formatierungsaufwand wird reduziert.

Führen Sie eine strukturierte Review- und Freigabe-Checkliste ein

KI-Ausgaben müssen systematisch validiert werden, nicht nur überflogen. Definieren Sie eine einfache Checkliste, die Prüfer für jedes Set von Gemini-generierten Narrativen verwenden: Datenrichtigkeit, Kausalität, Konsistenz mit bekannten Geschäftsvorfällen und Übereinstimmung mit Kommunikationsleitlinien.

Beispiel-Checkliste, oben in einem Google-Dokument eingebettet:

Review-Checkliste für KI-generierte Kommentare:
[ ] Alle Kennzahlen stimmen mit den Ausgangsberichten überein (Stichprobenprüfung)
[ ] Erklärungen beziehen sich auf reale, bekannte Geschäftstreiber
[ ] Keine spekulativen Zuschreibungen ohne belastbare Belege
[ ] Ton ist neutral, sachlich und entspricht den Finance-Leitlinien
[ ] Wesentliche Risiken oder Chancen sind klar hervorgehoben
[ ] Keine sensiblen Informationen außerhalb des vorgesehenen Adressatenkreises

Wenn Prüfer diese Punkte aktiv abhaken, sinkt das Risiko, dass subtile Fehler in Berichte für das Top-Management gelangen.

Messen Sie den Impact mit klaren KPIs und Zeiterfassung

Um den Mehrwert von automatisierten narrativen Kommentaren nachzuweisen, sollten Sie von Beginn an einige wenige, aber konkrete KPIs tracken. Häufige Kennzahlen sind die durchschnittliche Zeit von Datenverfügbarkeit bis zum ersten Kommentarentwurf, die Anzahl der Analystenstunden pro Zyklus für Textarbeit, die Zahl der Review-Schleifen und die Häufigkeit von Rückfragen des Vorstands oder Managements zur Datenrichtigkeit.

Lassen Sie Analysten ihre für Kommentaraufgaben aufgewendete Zeit vor und nach dem Gemini-Rollout über einige Zyklen erfassen. Setzen Sie sich realistische Verbesserungsziele, etwa die manuelle Entwurfszeit um 40–60 % zu senken und die Erstellung interner Reports von mehreren Tagen auf weniger als einen Tag zu verkürzen. Diese Zahlen schaffen internes Vertrauen und helfen, weitere Investitionen in KI-gestützte Finance-Prozesse zu rechtfertigen.

Mit diesen Praktiken können die meisten Finanzteams den Aufwand für manuelle Narrativ-Entwürfe innerhalb weniger Reporting-Zyklen etwa halbieren und gleichzeitig die Konsistenz und Klarheit der für die Geschäftsleitung gelieferten Insights verbessern. Langfristig wird so mehr Kapazität für wertschöpfende Arbeit frei – etwa Szenarioanalysen, strategische Planung und die partnerschaftliche Begleitung von Geschäftsentscheidungen – statt nur die Zahlen des Vormonats zu erklären.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

Gemini verarbeitet strukturierte Eingaben wie ERP-Exporte, BI-Reports oder Tabellen in Google Sheets und nutzt große Sprachmodelle, um diese in gut lesbare Erklärungen zu verwandeln. In der Praxis stellen Sie Gemini Daten bereit (zum Beispiel G&V vs. Budget nach Kostenstelle) sowie klare Anweisungen, was erklärt werden soll und wie der Kommentar aufgebaut sein soll. Gemini identifiziert dann zentrale Abweichungen, fasst Treiber zusammen und entwirft Texte im gewünschten Ton.

Das Finanzteam behält die Kontrolle: Es definiert die Prompts, liefert Kontext (z. B. bekannte Sondereffekte, Projekte oder Preisänderungen) und prüft das Ergebnis, bevor es in Management-Reports oder Vorstandsunterlagen einfließt. Gemini ist der Entwurfsmotor, nicht der finale Entscheider.

Typischerweise benötigen Sie drei Zutaten: Finance-Fachexperten, die wissen, wie Kommentare klingen sollen, eine:n einfache:n Datenverantwortliche:n, der/die saubere Exporte aus ERP-/BI-Tools bereitstellen kann, und jemanden mit leichten technischen Fähigkeiten, um Prompts und Workflows in Google Workspace zu konfigurieren. Ein vollständiges Data-Science-Team ist für den Einstieg nicht erforderlich.

Reruption arbeitet in der Regel mit einem kleinen Kernteam – häufig bestehend aus einer Leitung Controlling, 1–2 Analyst:innen und einem IT-Ansprechpartner – um Vorlagen zu entwerfen, Datenflüsse aufzusetzen (oft über Google Sheets oder eine einfache Datenpipeline) und Gemini in Docs/Slides zu integrieren. Anschließend können Finance-User die Prompts weitgehend selbst pflegen und verbessern – mit minimaler Unterstützung.

Für einen klar abgegrenzten Use Case wie monatliche OPEX- oder Umsatzabweichungskommentare sehen Sie in der Regel innerhalb von ein bis drei Reporting-Zyklen greifbare Ergebnisse. Der erste Zyklus dient vor allem dazu, Dateneingänge, Prompt-Vorlagen und Review-Checklisten aufzusetzen. Im zweiten oder dritten Zyklus stabilisiert sich der Workflow und das Team beginnt, sich auf die Gemini-Entwürfe zu verlassen.

Unsere Erfahrungen mit ähnlichen KI-Automatisierungsprojekten zeigen, dass ein fokussierter Proof of Concept in Tagen statt Monaten aufgebaut und über wenige Iterationen gehärtet werden kann. Das bedeutet, dass Sie nicht auf ein großes Transformationsprogramm warten müssen, um zu profitieren; Sie können sich auf spezifische Reports konzentrieren und dann schrittweise erweitern.

Der direkteste ROI entsteht durch Zeiteinsparungen bei Analysten und Controllern. Viele Finanzteams investieren pro Zyklus mehrere Personentage in das Formulieren und Feinschleifen von Kommentaren. Wenn Gemini den ersten Entwurf automatisiert, lässt sich dieser Zeitaufwand oft um 40–60 % reduzieren – Kapazität, die für Analysen, Stakeholder-Gespräche und Planung frei wird.

Hinzu kommen qualitative Vorteile: konsistentere Botschaften über verschiedene Reports hinweg, weniger kurzfristige Überarbeitungen für die Geschäftsleitung und eine verbesserte Fähigkeit, echte Trends statt Standarderklärungen sichtbar zu machen. Berücksichtigt man zudem verkürzte Reporting-Verzögerungen und besseren Entscheidungssupport, ist der Business Case meist schon überzeugend, bevor eine vollständige Automatisierung erreicht ist.

Reruption begleitet Finanzteams von der Idee bis zur funktionsfähigen Lösung. Mit unserem KI-PoC-Angebot (9.900€) können wir schnell validieren, ob Gemini aus Ihren tatsächlichen ERP- und Tabellendaten nützliche, präzise Kommentare generieren kann. Sie erhalten einen funktionierenden Prototyp, Performance-Kennzahlen und eine konkrete Umsetzungsroadmap – statt nur Folien.

Über den PoC hinaus arbeiten wir als Co-Preneurs: eingebettet an der Seite Ihrer Finance- und IT-Teams, um Prompts zu gestalten, Datenflüsse aufzusetzen, Governance zu implementieren und Gemini in Google Docs und Slides zu integrieren. Unsere Engineers bauen die Automatisierungen, während Finance-Führungskräfte die Narrativstrukturen und Kontrollen definieren. Ziel ist nicht nur eine Demo, sondern ein produktiver Workflow, der Ihre Reporting-Zyklen verlässlich verkürzt und die Qualität Ihrer Management-Insights deutlich steigert.

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