Szenario 69: Ausgaben kategorisieren und Abweichungen auflisten

Wer und in welcher Situation

Ayşe ist Einkaufsanalystin bei einem Einzelhandelsunternehmen in İstanbul. Sie ordnet den monatlichen Export der Karten- und Einkaufsumsätze dem Kategoriebaum zu und vereinheitlicht unterschiedliche Bezeichnungen desselben Lieferanten.

Wie es heute gemacht wird

Beschreibungen werden manuell bereinigt, das Kategorieverzeichnis wird durchsucht und größere Abweichungen werden mit den Führungskräften geklärt. Unklare Zeilen können von verschiedenen Personen unterschiedlich klassifiziert werden.

Wie es mit KI gemacht wird

1. Sie führt die Kategoriecodes und Ausnahmeregeln in einer einzigen freigegebenen Datei zusammen; jede Zeile enthält nur eine Transaktion.
2. Über Add photos & files fügt sie die CSV-Datei und das Kategorieverzeichnis hinzu; sie fordert Felder für Kategoriecode, zutreffende Regel, Unsicherheit und menschliche Prüfung an [71] [79].
3. Sie lässt die Kategoriesummen und die Abweichungen zwischen den Perioden berechnen; sie prüft den Code, der die verwendeten Spalten und Annahmen zeigt [71].
4. Falls Copilot for Finance im Unternehmen verfügbar ist, vergleicht sie die Ergebnisse mit der Ausgabenabweichung und der Lieferantentabelle aus Microsofts Szenario „procurement insight acceleration“; sie betrachtet die Vorschau nicht als Grundlage für eine Entscheidung zum Produktiveinsatz [130].

Beispiel-Prompt

Ordne jede Transaktion in der Datei {Ausgabenexport} dem {freigegebenen Kategoriebaum} zu. Gib den Kategoriecode, die zutreffende Regel, den Grund für die Unsicherheit und den Sachverhalt an, der eine menschliche Prüfung erfordert. Stelle keine Vermutungen an, wenn die Beschreibung unzureichend ist. Zeige die Periodensummen zusammen mit den verwendeten Spalten und Annahmen. Erteile keine Budget- oder Einkaufsfreigabe.

Nachweis und Praxisbeispiel

Die Szenariobibliothek von Microsoft zeigt beispielhaft, wie sich mit Copilot for Finance Ausgabenabweichungen untersuchen und Lieferanten nach Dienstleistung tabellarisch erfassen lassen; sie weist darauf hin, dass die Inhalte Demonstrationszwecken dienen [130].

Worauf Sie achten sollten

Data Analysis verlangt eine Überprüfung der Methoden und Annahmen [71]. Das Microsoft-Szenario zeigt den erforderlichen Zugang und einige Vorschaufunktionen [130]. NIST empfiehlt, Fragen der Vertrauenswürdigkeit während der gesamten Nutzung und Bewertung zu berücksichtigen [131]. Finanzielle Entscheidungen dürfen nicht ohne menschliche Freigabe automatisiert werden [123].

Quellen zu diesem Szenario

71. Data analysis with ChatGPT (help.openai.com)
79. Uploading files and audio to ChatGPT (help.openai.com)
123. OpenAI Usage policies effective October 29 2025 (openai.com)
130. Finance scenario procurement insight acceleration (adoption.microsoft.com)
131. Artificial Intelligence Risk Management Framework Generative Artificial Intelligence Profile (nist.gov)