Die Präsentation muss heute Nachmittag fertig sein. In Ihrem Posteingang liegen drei Exporte: billing_events (31.482 Zeilen, 01.01.2026 bis 30.06.2026), customers (8.104 Zeilen) und support_tickets (12.760 Zeilen). Ein Stakeholder benötigt eine einzige Folie, die Aufschluss darüber gibt, ob die Abwanderungsrate (Churn) steigt – und warum.
Ein KI-Tool kann schnell einen narrativen Text entwerfen und Diagrammvorschläge machen. Die Verantwortung für die Zahlen liegt jedoch weiterhin bei Ihnen. Ist die Abwanderungsrate in der Präsentation fehlerhaft, tragen Sie die Konsequenzen. Die KI hat weder die Definition der Kennzahl freigegeben noch die Join-Schlüssel überprüft; sie kann auch nicht zur Rechenschaft gezogen werden, wenn die Finanzabteilung die Zahl hinterfragt.
Erfahren Sie, wie sich ein durchgängiger deskriptiver Analyseprozess mit KI-Unterstützung verknüpfen lässt.
Ein LLM (Large Language Model) ist ein Modell zur Textgenerierung, das plausible nachfolgende Wörter vorhersagt. In der Analysearbeit bedeutet dies, dass es Entwürfe für Zusammenfassungen und Analyseschritte liefert, jedoch keine validierten Ergebnisse.
Ein Prompt ist die Anweisung, die Sie dem Modell geben. Wenn Sie die Segmentierungsdimension nicht angeben, fasst das Modell meist die Gesamtdurchschnitte zusammen und lässt das Muster, das eigentlich erklärt werden sollte, außer Acht. Dies ist ein Fehler bei der Prompt-Erstellung, der sich auf die Berichterstattung auswirkt.
Ein Kontextfenster bezeichnet die begrenzte Textmenge, die das Modell gleichzeitig verarbeiten kann. Wenn Sie nur die KPI-Tabelle und nicht die Definition der Kennzahl eingeben, beschreibt das Modell selbstbewusst einen Zahlenwert, den es inhaltlich nicht versteht.
Eine Halluzination ist ein frei erfundener Inhalt, der als Tatsache dargestellt wird. In einer KPI-Präsentation äußern sich Halluzinationen beispielsweise durch erfundene Einflussfaktoren, ausgedachte Definitionen oder eine Diagrammbeschreibung, die nicht mit der zugrundeliegenden Aggregation übereinstimmt.
Tool-Nutzung bedeutet, dass das Modell externe Funktionen aufrufen kann, etwa eine Tabellenkalkulationsabfrage oder eine Datenbankverbindung. Die Nutzung von Tools verbessert den Datenzugriff, nicht jedoch die inhaltliche Richtigkeit. Sie müssen weiterhin überprüfen, ob Filter, Joins und der Umgang mit Nullwerten Ihrer beabsichtigten Logik entsprechen.
Untersuchen Sie, wie diese Begriffe mit Risiken in den Bereichen Genauigkeit, Datenschutz und Revisionssicherheit zusammenhängen.
KI eignet sich hervorragend dazu, bereits berechnete Ergebnisse in verständliche Sprache zu fassen. Sie können die KI beispielsweise Folientitel entwerfen oder Diagramme kommentieren lassen sowie Vorschläge für weiterführende Analysen machen – etwa die Segmentierung der Abwanderungsrate (Churn) nach Tarifstufe (plan_tier) oder Anmeldemonat (signup_cohort_month).
Zudem hilft KI dabei, potenzielle Muster aufzudecken. Sie kann eine Übersichtstabelle analysieren und darauf hinweisen, dass sich Kündigungen auf „Basic“-Tarife konzentrieren oder dass das Ticketaufkommen anstieg, bevor die Abwanderungsrate zunahm. Dies liefert Hypothesen, keine Beweise.
KI ist jedoch nicht zuverlässig, wenn es um die Validität der Daten geht. Sie weiß nicht, ob die customer_id in der Tabelle customers eindeutig ist, ob billing_events nachträglich eingefügte Datensätze enthält oder ob „Churn“ als „keine Zahlung innerhalb von 30 Tagen“ oder als „ausdrückliche Kündigung“ definiert ist. Fragen zu Definitionen und Datenqualität müssen Sie selbst beantworten; ignorieren Sie diese, tragen Sie die Verantwortung für etwaige Fehler.
Bevor Sie eine KI-gestützte Aussage weitergeben, sollten Sie mindestens einen Zahlenwert anhand des Quellexports überprüfen und die Definition der Kennzahl in eigenen Worten formulieren. Erst dadurch wird der Entwurf nachvollziehbar und überprüfbar.
Unterscheiden Sie dabei, welche KI-Ergebnisse Sie direkt übernehmen können und welche einer Überprüfung bedürfen.