Traditionell werden KI- und ML-Technologien vor allem für die Erstellung von Prognosen eingesetzt, die wiederum als Startpunkt für Planungs- und Budgetierungsprozesse dienen können. In den vergangenen Jahren hat sich die Entwicklung von Generativer Künstlicher Intelligenz, insbesondere durch grosse Sprachmodelle (LLMs), rasant beschleunigt. Diese bahnbrechenden Technologien versprechen eine breite Palette von Anwendungsfällen, die über reine Prognosen hinausgehen.
Allerdings wird mit dem technischen Fortschritt auch ein erheblicher Erwartungsdruck aufgebaut. Diese hohen Erwartungen können, wenn sie nicht erfüllt werden, zu erheblichen Enttäuschungen führen. In diesem Blogbeitrag möchten wir die potenziellen Einsatzgebiete von KI in Planungsprozessen näher erkunden. Wir beschäftigen uns dabei mit der Frage: Welche Anwendungen sind bereits realisierbar und welche Chancen liegen noch in der Zukunft? Lassen Sie uns einen Blick darauf werfen, was sich schon jetzt effektiv einsetzen lässt und welche Innovationen noch in den Kinderschuhen stecken.
Prognosen
Die Erstellung von Prognosen ist ein klassisches Anwendungsgebiet von Künstlicher Intelligenz, das jedoch dank moderner Entwicklungen zunehmend demokratisiert wird. Traditionell war die Generierung von Prognosen das Spielfeld von Spezialist:innen, die über umfassende Kenntnisse mit statisch-mathematischen Modellen verfügen. In der Praxis fehlten jedoch vielen Unternehmen die notwendigen Werkzeuge und die erforderliche Expertise, um diese Methoden effektiv einzusetzen.
Der Einsatz von KI versetzt die Fachanwender:innen in die Lage eigenständig Prognosen zu erstellen, um einen unverzerrten Blick auf zukünftige Entwicklungen zu erhalten, und ermöglicht so eine genauere Allokation von knappen Unternehmensressourcen. KI-gestützte Systeme ermöglichen eine automatisierte Auswahl, Konfiguration und Parametrisierung von Prognosemodellen. Dies ist ein entscheidender Schritt hin zu mehr Benutzerautonomie. Fachanwender:innen benötigen kein tiefgehendes Statistik-Know-how mehr, um präzise Vorhersagen zu generieren. Sie können selbstständig schnell und einfach Prognosen erstellen, wobei im Hintergrund KI-basierte Systeme mehrere Prognosemodelle simultan ausführen und das Modell mit der höchsten Genauigkeit auswählen.
So bietet zum Beispiel SAP Analytics Cloud die Möglichkeit, mit einigen wenigen Klicks eine Zeitreihenprognose zu erstellen und diese als Vorlage für die Planung zu nutzen. Dabei können die Anwender:innen in einer benutzerfreundlichen Oberfläche mehrere Modelle anhand von historischen Daten trainieren und das Modell mit der höchsten Genauigkeit auswählen.
Prognosen, die auf diesen statistisch-mathematischen Modellen basieren, bieten einen unverfälschten Blick auf zukünftige Entwicklungen, frei von Wunschdenken und Voreingenommenheit. Dies ist entscheidend für die präzise Allokation von knappen Unternehmensressourcen und ermöglicht es Entscheidungsträgern, fundierte und zukunftssichere Strategien zu entwickeln. In einer Welt, die von Unsicherheiten geprägt ist, stellt dieser Ansatz eine enorme Erleichterung dar, da er Geschwindigkeit und Genauigkeit in der Prognoseerstellung vereint.
Self-Service Reporting
Die Einführung von Generativer Künstlicher Intelligenz hat die Art und Weise, wie Fachanwender:innen mit Daten arbeiten, grundlegend vereinfacht. Mit diesen Technologien können komplexe Systeme intuitiv bedient und Aufgaben eigenständig ausgeführt werden, die früher das Fachwissen von Spezialist:innen erforderten. Neben der Erstellung von Prognosen wird auch die Interaktion mit den Daten erleichtert, die als Grundlage für die Planung fungieren.
So können Fachanwender:innen ihre Abfragen in natürlicher Sprache formulieren und benötigen keine Kenntnisse in Datenbanksprachen wie SQL. Generative KI übernimmt die Übersetzung in präzise SQL-Abfragen, fragt die entsprechenden Daten ab und präsentiert den Nutzer:innen die Ergebnisse in übersichtlichen Tabellen und Diagrammen.
SAP Analytics Cloud (SAC) bietet mit Just Ask beispielsweise eine integrierte Funktionalität, um mit den Daten in SAC und SAP Datasphere zu interagieren. Die Datenmodelle können indexiert und anschliessend für Abfragen in natürlicher Sprache verwendet werden.
Ein anderes Beispiel ist die von PwC entwickelte Lösung Auto Analysis AI. Diese kombiniert interne SAP-Daten mit Retrieval-Augmented Generation (RAG), um die Antworten mit relevanten Informationen aus dem Marktumfeld anzureichern. So wird die Qualität und Genauigkeit der generierten Antworten verbessert.
Dieser Self-Service-Ansatz stärkt die Eigenständigkeit der Fachanwender:innen und beschleunigt Entscheidungsprozesse erheblich. Durch die Möglichkeit, direkt mit den Daten zu „sprechen“, eliminieren Unternehmen die Verzögerungen, die normalerweise durch die Hinzuziehung der IT-Abteilung entstehen. Die benötigten Informationen stehen direkt und ohne Umwege zur Verfügung.
Zusammenfassungen von Kommentaren
Im Rahmen der Planungsprozesse erstellen die Planer:innen zahlreiche Kommentare, um ihre Annahmen zu begründen. Diese Kommentierung ist wertvoll, da sie tiefgreifende Einblicke in die Gedankenwelt der Planungsverantwortlichen bietet und entscheidende Informationen und Argumentationen enthält. Allerdings stellt die schiere Menge an individuellen Kommentaren eine Herausforderung dar. Die manuelle Durchsicht dieser Texte, um Gemeinsamkeiten oder zentrale Treiber zu identifizieren, ist sehr zeitaufwendig.
Hier kommt Generative Künstliche Intelligenz ins Spiel, die diese Fülle an Informationen mühelos zusammenzufassen kann. Sämtliche während eines Planungszyklus erstellte Kommentare können extrahiert und an ein LLM übergeben werden. Das Modell destilliert die wesentlichen Argumentationsstränge sowie Haupttreiber und fasst sie übersichtlich zusammen.
Mit den von der KI erstellten Zusammenfassungen können sich Entscheidungsträger schnell einen Überblick über die vorherrschenden Meinungen und Argumentationen zu verschaffen, ohne jeden einzelnen Kommentar durchlesen zu müssen. Diese effiziente Analyse schafft Raum für eine fokussierte Diskussion über die zentralen Annahmen, die den Planungsprozess beeinflussen.
Erstellung von Kommentaren und Berichten
Die Möglichkeiten von Künstlicher Intelligenz gehen weit über die reine Zusammenfassung von Kommentaren hinaus. Eine besonders bemerkenswerte Fähigkeit ist die Erzeugung präziser Berichte und Präsentationen auf Basis von umfangreichen Datenbeständen. In diesem Prozess übernimmt die KI nicht nur die Zusammenfassung der vorhandenen Informationen, sondern liefert auch eigene Kommentare zu Auffälligkeiten und zentralen Treibern von Entwicklungen.
Neben der Kommentierung von eigenen Daten, die dem Unternehmen jederzeit zur Verfügung stehen, ermöglicht der Einsatz von Retrieval Augmented Generation (RAG) den Vergleich mit Branchen-Peers. Mit dieser Technologie kann die eigene Performance im Kontext der Branche betrachtet und es können zusätzliche Einsichten gewonnen werden.
Darüber hinaus kann dieser Ansatz durch eine automatische Erkennung von Ausreissern ergänzt werden, die durch den Einsatz klassischer maschineller Lernmodelle erfolgen kann. Diese Modelle identifizieren Unregelmässigkeiten in den Daten und übermitteln ihre Resultate an das Sprachmodell (LLM), welches diese Ausreisser kommentiert. Ein anderes Einsatzgebiet eröffnet sich in Verbindung mit ML-gestützten Prognosen. Auf diese Weise kann die KI eine automatische Einschätzung der Planungsgüte liefern, indem es die vom Fachbereich erstellten Pläne mit automatisch generierten Extrapolationen vergleicht.
In diesem Kontext kann die KI nicht nur die Erstellung von Berichten, sondern auch deren Versand an relevante Stakeholder automatisieren. Dadurch wird der Informationsfluss beschleunigt und die Beteiligten erhalten rechtzeitig die Analysen und Empfehlungen, die sie für ihre Entscheidungsprozesse benötigen.
In einer datengetriebenen Umgebung liefert die KI somit einen entscheidenden Mehrwert, indem sie grosse Datenmengen in leicht nachvollziehbare Berichte umwandelt, die sowohl detaillierte Einblicke als auch Handlungsempfehlungen bieten. So generiert zum Beispiel die von PwC entwickelte Lösung Auto Analysis AI detaillierte Finanzberichte, die auf einer einheitlichen Datenbasis fussen. Ein anderes Beispiel ist die KI ESG-Berichtserstellung von SAP. Diese generiert automatisierte Entwürfe für regelmässige interne oder externe Berichte auf Grundlage der ESG-Daten, die im SAP Sustainability Control Tower verfügbar sind.
Starke operative Leistung: Schlüsselkennzahlen zeigen finanzielle Widerstandsfähigkeit und strategisches Wachstum im Jahr 2024
Kombinierte Schaden-Kosten-Quote
Unsere Leistung in der kombinierten Schaden-Kosten-Quote zeigte im Jahr 2024 einen positiven Aufwärtstrend und verbesserte sich auf 93,8 % gegenüber 94,0 % im Vorjahr. Obwohl dies Fortschritte in unserer operativen Effizienz darstellt, liegen wir immer noch 0,7 Prozentpunkte über dem Marktdurchschnitt von 93,1 %. Die Verbesserung wurde durch die erfolgreiche Umsetzung strategischer Initiativen zur Kostenkontrolle erreicht, trotz herausfordernder Schadensbedingungen im Bereich Naturkatastrophen.
Schadenquote
Die Schadenquote geriet 2024 unter Druck und stieg von 64,8 % im Jahr 2023 auf 67,0 %, was uns 1,2 Prozentpunkte über dem Marktdurchschnitt von 65,8 % positioniert. Dieser Anstieg wurde hauptsächlich durch erhöhte Schadensmeldungen aufgrund von Naturkatastrophen verursacht, was die Notwendigkeit für verbesserte Risikomanagementstrategien unterstreicht. Die Abweichung vom Marktdurchschnitt hebt die Bedeutung der Stärkung unserer Katastrophenreaktionsfähigkeiten hervor.
Kostenquote
Wir haben eine erhebliche Verbesserung in unserer Kostenquote erreicht, die auf 26,8 % von 29,1 % im Jahr 2023 gesunken ist und uns damit günstig 0,6 Prozentpunkte unter dem Marktdurchschnitt von 27,4 % positioniert. Diese bedeutende Verbesserung spiegelt die erfolgreiche Implementierung von Effizienzinitiativen wider und demonstriert unser Engagement für Kostenoptimierung bei gleichzeitiger Aufrechterhaltung exzellenter Servicequalität.
Schlüsselantriebe
Das Prämienwachstum blieb robust, mit einem Anstieg der verdienten Nettoprämien um CHF 36,1 Millionen auf CHF 602,1 Millionen. Die Schadenskosten stiegen um CHF 36,3 Millionen auf CHF 403,1 Millionen infolge von Naturkatastrophen. Bemerkenswerterweise erreichten wir eine Reduzierung der Nettokosten um CHF 3,5 Millionen auf CHF 161,4 Millionen. Die Abschlusskostenquote verbesserte sich von 19,3 % auf 18,3 %, während die Verwaltungskostenquote von 9,8 % auf 8,5 % sank, was eine gesteigerte betriebliche Effizienz sowohl im Vertriebs- als auch im Verwaltungsbereich widerspiegelt.
Interaktive Erstellung von Dashboards
Während die Erstellung einfacher Abfragen mit Künstlicher Intelligenz bereits umgesetzt wird, zielt der nächste Schritt darauf ab, künftig ganze Dashboards und Planungsanwendungen durch den Einsatz von KI zu entwickeln. Dies stellt eine bedeutende Weiterentwicklung dar, insbesondere in einer Zeit, in der IT-Abteilungen unter zunehmendem Druck stehen, die wachsende Nachfrage der Entscheidungsträger nach detaillierten Auswertungen zu bedienen.
Der Einsatz von KI bietet hier eine potenzielle Entlastung für IT-Abteilungen, indem sie den Grossteil der Entwicklungsarbeit auf die KI verlagern. Ein zentraler Aspekt dieser Entwicklung ist die automatisierte Erstellung von Dashboards, die Entscheidungsträgern eine benutzerfreundliche Übersicht und Analyse von Unternehmensdaten ermöglichen soll.
SAP hat mit der Einführung von Joule bereits beeindruckende Demos präsentiert, die das Potenzial solcher Technologien eindrucksvoll unter Beweis stellen. Dennoch bleibt abzuwarten, wie sich diese Innovationen im produktiven Einsatz bewähren. Um eine endgültige Einschätzung der Effektivität und Effizienz zu geben, müssen wir die tatsächliche Implementierung und den Einsatz in der Praxis abwarten. Die Zukunft der Berichtserstellung mit KI ist vielversprechend, birgt jedoch noch Herausforderungen, die es zu meistern gilt.
Eine der wesentlichen Voraussetzungen bei der automatisierten Erstellung von Berichten durch KI ist die konsistente Datengrundlage, die in der Praxis jedoch nicht immer gegeben ist. Unvollständige, veraltete oder fehlerhafte Daten können zu ungenauen Ergebnissen führen. Zudem müssen Daten oft aus verschiedenen Quellen integriert werden, was zusätzliche Komplexität mit sich bringt.
Darüber hinaus muss das KI-Modell in der Lage sein, angemessen auf Unschärfen in der Formulierung der Anfragen zu reagieren und die Mehrdeutigkeit der Sprache effektiv zu handhaben. Während manuelle Hilfestellungen wie Synonyme, die auf Originalbegriffe verweisen, eine gewisse Unterstützung bieten, können diese auch Schwierigkeiten bereiten, indem Sie das Modell auf die falsche Fährte locken.
Ein weiteres Problem stellen Homonyme dar, bei denen ein Begriff verschiedene Bedeutungen hat. So kann beispielsweise „Schweiz“ sowohl als Vertriebsregion als auch als Buchungskreis oder geographische Lokation interpretiert werden. Diese Mehrdeutigkeiten erfordern eine robuste und intelligente Verarbeitung und Interpretation der Daten durch das KI-Modell, was eine erhebliche Herausforderung für die Entwickler solcher Systeme darstellt.
Fazit
Die Einführung von Generativer Künstlicher Intelligenz (Gen AI) eröffnet eine Vielzahl von Möglichkeiten in der Planungslandschaft, insbesondere im Bereich des Self-Service. Diese Technologien ermöglichen es Anwender:innen, komplexe Systeme intuitiv zu bedienen und eigenständig Aufgaben zu erledigen, die früher nur mit spezieller Expertise lösbar waren. Besonders vielversprechend sind Anwendungen wie die vereinfachte Erstellung von Berichten auf Grundlage von Planzahlen und die effiziente Zusammenfassung von Kommentaren. Diese Anwendungsfälle bieten erhebliche Potenziale für Zeit- und Ressourceneinsparungen und fördern gleichzeitig eine fundierte Entscheidungsfindung.
Der Blick in die Zukunft zeigt weitere spannende Potenziale auf. Erste Ansätze zur automatisierten Erstellung von Planungsanwendungen existieren bereits, allerdings sind diese Technologien noch nicht völlig ausgereift und in der Praxis einsetzbar. Die kontinuierliche Entwicklung und Verfeinerung solcher Systeme verspricht jedoch, in naher Zukunft eine weitere Demokratisierung und Effizienzsteigerung in der Unternehmensplanung zu ermöglichen.
