Prompt-Engineering-Datenbanken zur Effizienzsteigerung

Problem

Die Nutzung von Large Language Models (LLMs) wie ChatGPT für das Schreiben von Emails oder Zusammenfassen von Meetings wurde schnell als Erleichterung wahrgenommen und großflächig eingesetzt. Oft fällt es Controllern jedoch schwer Controlling-spezifische Use Cases zu identifizieren. Controlling-Abteilungen stellen sich daher die Frage, wie sie GenAI effizient und effektiv nutzen können.

Ziel

Aufzeigen von Methoden zur Anwendung von LLMs im Controlling.

Methode

Ableitung eines Best Practice-Ansatzes basierend auf empirischem LLM-Vergleich sowie Erkenntnissen aus IT, Knowledge Sharing und organisationalem Lernen.

Beschreibung

Bereits heute kann ChatGPT Finanz-Fragestellungen gut erklären (z. B. regulatorische Anforderungen), zusammenfassen (z. B. Sensitivitätsanalysen) und neue Ideen generieren (z. B. Maßnahmen zur Profitabilitätssteigerung). Bei komplexeren Aufgaben wie Berechnungen und Analysen ist die Performance bisher durchwachsen (Mahlendorf 2024).

Dyhr und Wutzler (2025) vergleichen LLMs mit Blick auf ihre Eignung für die Monatsabschlusskommentierung. In diesem Kontext muss das LLM nicht nur komplexe Finanzdaten zusammenfassen, sondern Ergebnistreiber identifizieren und erläutern. Der Vergleich von ChatGPT-3.5, ChatGPT-4o, Gemini und Mistral zeigt, dass die Eignung von LLMs von zwei Faktoren abhängt: 1.) Datengrundlage und 2.) Umgang der Nutzer mit dem LLM.

Mistral zeigt unabhängig von der Komplexität der Datengrundlage und ohne optimierte Aufgabenstellung (engl. Prompts) im Durchschnitt die besten Ergebnisse bei der Kommentierung. Nach Optimierung der Prompts performt ChatGPT-4o mit Abstand am besten und neigt vergleichsweise selten zu Halluzinationen. Letzteres ist vor dem Hintergrund der Entscheidungsunterstützung ein wesentliches Qualitätskriterium (Dyhr und Wutzler 2025).

Um den maximalen Nutzen aus LLMs zu ziehen, sollten Unternehmen sich mit Prompt Engineering befassen. Zielführend ist die Kombination aus Prompt-Datenbanken und Mitarbeiterschulungen zum Thema Prompting.

Handlungsempfehlungen

Insbesondere im Controlling bieten Prompt-Datenbanken mit standardisierten Prompts aufgrund wiederkehrender Tätigkeiten großen Mehrwert. Anstatt jedes Mal neue Anweisungen zu verfassen, können Controller auf Vorlagen zurückgreifen und sie individuell anpassen. Zeitaufwand und Fehleranfälligkeit des Outputs sinken; die Qualität steigt.

Bei der Implementierung solcher Datenbanken können Unternehmen aus bestehenden Knowledge Management Methoden z. B. im IT-Bereich lernen (Abb. 1, Abb. 2):

• Zentrale Ablage Wissensquelle: Eine zentrale Intranet-Plattform (Chau und Maurer 2004) mit Feedbackfunktion ermöglicht allen Controllern schnellen Zugriff; die Verwaltung durch einen „Prompt-Librarian“ sichert dabei Qualität und ermöglicht kontinuierliche Optimierung (Hilger und Wahl 2022).
• Taxonomie: Thematische Kategorisierungen wie „Ergebniskommentierung“, „Coding“ oder „Abweichungsanalysen“ sowie Suchfunktionen helfen, schnell die richtigen Prompts zu finden (Hilger und Wahl 2022).
• Einheitliches Schema und Platzhalter: Prompts sollten nach einem einheitlichen Schema formuliert werden (Geroimenko 2025). Platzhalter wie „[GuV-Position]“ erleichtern Anpassungen.
• Menschliche Prüfpflichten: Fälle mit Prüfbedarf – etwa Rechenergebnisse oder logische Schlüsse – sollten in Prompt-Vorlagen eindeutig gekennzeichnet werden.

Da Prompt-Datenbanken nur Basis-Formulierungen liefern, die an Daten, Zielgruppe, Kontext, etc. angepasst werden müssen, sollten Controller zusätzlich im Prompting geschult werden, um situationsspezifische Anforderungen effektiv und effizient zu realisieren.

Controller sollten mit klar definierten Use Cases starten, die schnell einen spürbaren Nutzen bringen – z. B. automatisierte Kommentierungen oder kurze Management-Briefings, um Vorteile wie raschere Erkenntnisse und weniger Routineaufwand zu verdeutlichen. Letztlich müssen Fachabteilung und Management an einem Strang ziehen, um eine promptbasierte KI-Unterstützung im Controlling zu etablieren.

Ausblick

LMs werden sowohl isoliert als auch in Multi-Agent-Systemen immer komplexere Argumentationen liefern und Aufgaben lösen können und Controller somit zunehmend beim schnellen Erkenntnisgewinn als digitaler Mitarbeiter unterstützen.

Literatur

Chau, Thomas & Maurer, Frank. (2004). Tool Support for Inter-team Learning in Agile Software Organizations.
S. 98-109.

Dyhr, M. und Wutzler, J. (2025) Abschluss-Kommentierung mit Large Language Models. In: Controlling and Management Review, Forthcoming.

Geroimenko, V. (2025) The Essential Guide to Prompt Engineering. Springer Nature Switzerland AG., Schweiz.

Hilger, J. und Wahl, Z. (2022) Foundational Design Elements. In: Making Knowledge Management Clickable, Ed. Hilger, J. & Wahl Z., Springer Nature Switzerland AG, Schweiz.

Mahlendorf, M. (2024) Was kann ChatGPT4 im Bereich Finance & Controlling und was (noch) nicht? (aufgerufen 04.04.2025)

Arbeitskreis Controlling-Professuren an Hochschulen
Sprecherin dieser Artikelreihe:
Prof. Dr. Saskia Bochert, Fachhochschule Kiel,
E-Mail: saskia.bochert@fh-kiel.de
Wissenschaftlicher Beirat:
Prof. Dr. Hanno Drews (Verhaltensorientiertes Controlling), Prof. Dr. Nicole Jekel (Marketingcontrolling),
Prof. Dr. Britta Rathje (Operatives Controlling, insb. Kosten- und Erfolgsmanagement),
Prof. Dr. Solveig Reißig-Thust (Controlling und Compliance, Value Based Management, Unternehmensbewertung, Controlling in Gründungsunternehmen),
Prof. Dr. Andreas Taschner (Management Reporting, Investitionscontrolling, Supply Chain Controlling),
Prof. Dr. Andreas Wiesehahn (Einkaufscontrolling, Nachfolgecontrolling, Nachhaltigkeitscontrolling)