Die meisten KI-Assistenten im Finanzbereich können Abweichungen ohne mit der Wimper zu zucken erklären, doch fragt man sie, warum die Zahlen für die nordischen Länder im ersten Halbjahr stets unter den Erwartungen liegen, haben sie keine Antwort parat. Mit „Vena Omega“ versucht Vena, diese Lücke zu schließen, und es lohnt sich, zu erfahren, was Ihr eigenes Datenmodell dem System beibringen würde, bevor Sie entscheiden, was das für Ihre Konfiguration bedeutet.
Warum fängt dein KI-Assistent jedes Mal wieder bei Null an?
Die Qualität der Antwort ist selten das Problem. Bitten Sie einen gut programmierten Assistenten, eine Abweichung zu erklären, und er wird die Abweichung erklären. Fragen Sie, ob diese Abweichung von Bedeutung ist, und er hat keine Anhaltspunkte. Er hat nicht gesehen, wie sich dieselbe Zeile in den letzten vier Zyklen verhalten hat, und weiß nicht, dass die Kostenstelle 4400 seit 2023 als Sammelposten dient oder dass die konzerninterne Zeile im ersten Monat immer falsch aussieht und sich im zweiten Monat korrigiert.
Die Arbeit verschiebt sich also, anstatt zu verschwinden. Anstatt die Analyse durchzuführen, verbringt man die Zeit damit, Hintergrundinformationen einzugeben: die Zahlen des letzten Quartals einzufügen, denselben Fehler in der Kontenhierarchie zu korrigieren, den man bereits im letzten Zyklus behoben hat. Das geht zwar schneller als die manuelle Bearbeitung, aber nicht so viel schneller, wie die Demo suggeriert hat.
Der Grund dafür ist struktureller Natur. Was Ihre Prognose glaubwürdig macht, steckt in den Köpfen der Menschen und nicht an einem Ort, den eine Maschine auslesen kann. Warum die Zahlen für die nordischen Länder im ersten Halbjahr immer zu niedrig angesetzt werden. Welche Zuordnungstabelle seit zwei Jahren als „vorläufig“ gekennzeichnet ist und nun eine tragende Rolle spielt. Das alles befindet sich in den Köpfen und in Teams-Threads, manchmal auch in der Kommentarspalte einer Datei auf dem Desktop eines Mitarbeiters.
Was soll Vena Omega dagegen tun?
Vena hat die Übernahme von Morpheo AI im August 2026 abgeschlossen. Morpheo AI ist ein Unternehmen aus Toronto, dessen Technologie fragmentierte Unternehmensdaten so aufbereitet, dass sie von KI verarbeitet werden können. Diese Technologie fließt nun in Vena Omega ein, das als kumulative Kontext-Engine für den Finanzsektor positioniert ist. Nach der Übernahme von Acterys zu Beginn des Jahres ist dies die zweite Übernahme durch Vena innerhalb von vier Monaten, die auf dasselbe Problem abzielt.
Die Absicht hinter dem Design ist, dass sich der Kontext ansammelt, anstatt zurückgesetzt zu werden. Omega verknüpft Ihre verwalteten Daten mit den Definitionen, Einflussfaktoren und früheren Entscheidungen, die den Zahlen Bedeutung verleihen, und jeder Plan, jede Abweichung und jede Korrektur trägt zu seinem Wissen bei. Dies ist jedoch lediglich die Absicht hinter dem Design und noch kein Ergebnis, das irgendjemand vorweisen kann. Es liegen noch keine abgeschlossenen Kundenzyklen vor, und die meisten Anbieter bewegen sich in die gleiche Richtung. Behandeln Sie den angekündigten und den ausgelieferten Umfang als zwei verschiedene Dinge, bis Vena genauere Angaben macht.
Was eine Kontext-Engine aus einem driftenden Modell lernt
Eine Kontext-Engine lernt das Modell kennen, das tatsächlich bei Ihnen im Einsatz ist, und nicht das im Entwurfsdokument beschriebene. Wenn sich ein Maß verändert hat oder eine Zuordnungstabelle fehlerhaft ist – wobei alle Beteiligten gelernt haben, damit umzugehen –, wird dies zur Grundlage für die Einschätzung des Systems hinsichtlich Ihrer Geschäftsabläufe. Das System kennzeichnet diese Umgehungslösung nicht, sondern integriert sie.
Und da sich der Kontext summiert, vergrößert sich auch der Fehler. Eine falsche Annahme, die früher nur in einer einzigen Tabelle stand, fließt nun in jede Antwort ein – und zwar mit größerer statt geringerer Sicherheit. Das ist das „Zweitjahresproblem“, das wir auch bei Konsolidierungsarbeiten beobachten. Im ersten Jahr sieht alles gut aus. Im zweiten Jahr ändert sich der Konsolidierungskreis eines Unternehmens oder eine Regel wird neu formuliert, und die Person, die die Konfiguration vorgenommen hat, ist nicht mehr im Unternehmen – und niemand kann erklären, warum das System diese bestimmte Sichtweise vertritt.
Was soll man jetzt dagegen tun?
Für all das ist noch keine Entscheidung über einen Fahrplan erforderlich; die Richtung ist richtig, aber der Beweis steht noch aus. Was sich heute lohnt, ist herauszufinden, was Ihr eigenes Datenmodell einer Kontext-Engine beibringen würde und wo es ihr falsche Informationen vermitteln würde. Auf diese Frage gibt es bereits heute eine Antwort – unabhängig davon, ob Omega letztendlich in Ihrer Konfiguration zum Einsatz kommt oder nicht.
Wenn Sie Ihre Hierarchien und Annahmen gemeinsam mit jemandem durchgehen und ein ehrliches Feedback dazu erhalten möchten, was noch Bestand hat und was sich verändert hat, melden Sie sich bei uns!
