Wie KI eine verlässliche Excel-Ausgabenanalyse erstellen kann

Geschrieben vonAnna Katharina Bollé

August 6, 2026

KI & Intelligenz10 minutes

KI kann Finanzteams dabei helfen, deutlich schneller von rohen Transaktionsexporten zu strukturierten Erkenntnissen zu gelangen. Der sicherste Ansatz besteht jedoch nicht darin, einen Export hochzuladen, eine Analyse mit Endsumme anzufordern und davon auszugehen, dass jede Zeile verarbeitet wurde.

Für eine tiefergehende Ausgabenanalyse ist die Arbeitsteilung klar: KI erstellt das Arbeitsblatt, Excel führt die Berechnungen aus und eine Fachkraft prüft die Ergebnisse. Dieser kombinierte Ansatz verbindet Geschwindigkeit mit nachvollziehbaren Berechnungen.

Wir haben ihn anhand von SaaS- und KI-Ausgaben getestet, einer schnell wachsenden Kostenkategorie, die sich aus unübersichtlichen Hauptbuch- und Kartentransaktionen oft nur schwer analysieren lässt. Aus diesem Test entstand ein wiederverwendbarer Skill, der einen rohen Ausgabenexport in ein strukturiertes Excel-Modell mit standardisierten Anbietern, Formeln, Zusammenfassungen und Diagrammen überführt.

Sie können den Skill selbst ausprobieren und als Ausgangspunkt für Ihre eigene SaaS- und KI-Ausgabenanalyse verwenden.

Das Risiko, KI als Rechenmaschine einzusetzen

Ein Large Language Model ist im Kern keine Rechenmaschine. Es erzeugt Antworten auf Basis statistischer Muster, statt Transaktionen systematisch nach festen mathematischen oder buchhalterischen Regeln zu verarbeiten.

Dieser wahrscheinlichkeitsbasierte Ansatz eignet sich gut für die Verarbeitung von Sprache, das Strukturieren von Informationen und das Zusammenfassen von Notizen. Für endgültige Finanzberechnungen ist er allein jedoch nicht verlässlich genug.

Wenn Sie einen Transaktionsexport in einen KI-Chat hochladen, kann das Tool eine sauber formatierte Tabelle mit einer klaren Endsumme erzeugen. Eine überzeugende Summe beweist aber nicht, dass jede Transaktion berücksichtigt wurde. Das Modell kann Zeilen überspringen, Spalten verwechseln, ungeeignete Filter anwenden oder die Verarbeitung vorzeitig beenden, ohne einen offensichtlichen Fehler anzuzeigen.

Auch regulatorisch bleibt die Verantwortung beim Menschen. Der britische Financial Reporting Council stellt für den Einsatz generativer und agentischer KI in der Wirtschaftsprüfung klar, dass Unternehmen und verantwortliche Prüfer weiterhin für die Qualität der Ergebnisse verantwortlich bleiben.

Wie deterministische Excel-Formeln das Vertrauensproblem reduzieren

Ein verlässlicherer Arbeitsablauf kombiniert die strukturierenden Fähigkeiten der KI mit den regelbasierten Berechnungen einer Tabellenkalkulation. Während ein Sprachmodell wahrscheinlichkeitsbasiert arbeitet, liefern Excel-Formeln bei identischen Eingaben und Einstellungen reproduzierbare Ergebnisse.

Ein möglicher Ansatz besteht darin, die KI ein Python-Skript erstellen zu lassen, das die Daten strukturiert und eine Excel-Datei aufbaut. Die eigentlichen Berechnungen werden anschließend nicht im Chat, sondern mit nativen Excel-Formeln ausgeführt.

Statt lediglich zu schreiben: „Ihre gesamten SaaS-Ausgaben betragen 15.000 Pfund“, kann das Skript beispielsweise eine echte SUMMEWENNS()-Formel in das Arbeitsblatt einfügen. Excel führt die Berechnung aus und die verwendete Logik bleibt in der Datei sichtbar.

Das macht den Arbeitsablauf nachvollziehbarer, beseitigt Fehler aber nicht automatisch. Auch von Menschen erstellte Tabellen enthalten häufig Formel-, Referenz- oder Logikfehler. Forschungen von Raymond Panko zeigen, dass solche Fehler verbreitet und oft schwer zu erkennen sind.

Ein automatisierter erster Entwurf kann manuelle Übertragungs- und Formatierungsarbeit reduzieren. Die Formeln, Datenbereiche und Ergebnisse müssen dennoch fachlich geprüft werden.

Den Arbeitsablauf an SaaS- und KI-Ausgaben getestet

Wir haben SaaS- und KI-Ausgaben als Testfall gewählt, weil sie sich für viele Unternehmen zu einer schnell wachsenden Kostenkategorie entwickeln.

Der Moss European SaaS & AI Spending Report 2026 analysierte 302 Millionen Euro an europäischen Firmenkartenausgaben zwischen Januar 2024 und Mai 2026. Allein in den ersten fünf Monaten des Jahres 2026 entfielen 7,1 Millionen Euro auf KI-Anwendungen. Damit lagen die Ausgaben bereits über den Gesamtwerten von 2025 mit 5,7 Millionen Euro und 2024 mit 1,5 Millionen Euro.

Bei gleichbleibender Entwicklung könnten die KI-Ausgaben bis Ende 2026 rund 17 Millionen Euro erreichen. Im untersuchten Zeitraum waren KI-Anwendungen bereits die drittgrößte Softwarekategorie und machten 15,4 Prozent der erfassten Softwareausgaben aus.

Diese Kosten im Blick zu behalten, ist wichtig. Viele Finanzteams müssen sie jedoch weiterhin aus unübersichtlichen Hauptbuch- oder Kartentransaktionen ableiten.

Warum sich Softwareausgaben schwer analysieren lassen

Softwareausgaben erzeugen unregelmäßige Transaktionsmuster. Monatliche Abonnements, jährliche Vorauszahlungen und nutzungsabhängige Gebühren erscheinen zu unterschiedlichen Zeitpunkten und können auf verschiedene Sachkonten verteilt sein.

Finanzteams müssen deshalb häufig Tausende Transaktionszeilen durchsuchen, uneinheitliche Anbieterbeschreibungen bereinigen und zusammengehörende Buchungen manuell gruppieren. Das kostet Zeit und erschwert eine schnelle Übersicht.

Wie aufwendig manuelle Prozesse sein können, zeigt ein Beispiel aus der Spesenabrechnung. Nach Angaben von SAP Concur enthalten 19 Prozent der manuellen Spesenabrechnungen Fehler. Die Korrektur dauert durchschnittlich 18 Minuten und kostet 52 US-Dollar.

Unser Anwendungsfall ist ein anderer, das grundlegende Problem ist jedoch ähnlich: Die Daten sind vorhanden, aber die erste nutzbare Analyse muss manuell aufgebaut werden.

Deshalb haben wir einen Skill entwickelt, der einen rohen Ausgabenexport in ein vordefiniertes Excel-Modell überführt. Das Finanzteam muss Arbeitsblätter, Formeln, Zusammenfassungen und Diagramme dadurch nicht jedes Mal neu erstellen.

Vier Erkenntnisse aus dem Aufbau unseres Excel-Skills

Bei der Entwicklung unseres Skills haben wir gelernt, dass ein erfolgreicher Arbeitsablauf eine klare Aufteilung zwischen KI, Excel und menschlicher Prüfung benötigt. Zwei unserer wichtigsten Erkenntnisse betrafen die Berechnungslogik, zwei weitere die Gestaltung der Ausgabe.

1. Die Berechnungslogik vor dem Prompten festlegen

Bevor Sie den Skill entwickeln, sollten Sie den vollständigen Berechnungsplan definieren. Legen Sie zunächst fest, welche Tabellenblätter, Tabellen und Spalten benötigt werden, welche Formeln verwendet werden und wie die einzelnen Bereiche miteinander verbunden sind.

Sobald diese Struktur feststeht, kann ein Tool wie Claude Code den ersten Entwurf in einer fokussierten Iteration umsetzen. Dadurch vermeiden Sie, erst nach der Ausführung festzustellen, dass eine wichtige Spalte, Formel oder Kontrollsumme fehlt.

Ein klarer Plan spart Zeit, Token und wiederholte Neubauten.

2. Den ersten funktionierenden Entwurf von der KI prüfen lassen

Bitten Sie die KI anschließend, die erste funktionierende Version noch einmal zu analysieren. Ein konkretes Arbeitsblatt bietet eine bessere Grundlage für Verbesserungen als eine rein theoretische Beschreibung.

In dieser Phase lassen sich fehlende Prüfungen, unklare Bereiche oder zusätzliche Formeln leichter erkennen. Der schrittweise Aufbau hilft dabei, ein solides Werkzeug zu entwickeln, statt die erste Version mit zu vielen Funktionen zu überladen.

3. Visuelle Mockups für das Design verwenden

Wenn das Erscheinungsbild wichtig ist, sollten Sie das Layout entwerfen, bevor Sie die endgültige Excel-Datei erstellen lassen. Ein vollständiges visuelles Design ausschließlich mit Text zu beschreiben, führte in unseren Tests häufig zu ungenauen Layouts.

Wir erstellten deshalb zunächst ein Mockup in Claude Design und übergaben anschließend einen Screenshot an den Code-Builder. Dadurch kam das erzeugte Arbeitsblatt bereits im ersten Durchlauf deutlich näher an das gewünschte Design.

4. Screenshots für visuelle Korrekturen nutzen

Auch bei späteren Anpassungen waren Screenshots hilfreicher als lange Textbeschreibungen. Wenn Abstände, Formatierungen, Ausrichtungen oder visuelle Hierarchien nicht stimmten, konnte das Modell das Problem anhand eines Screenshots schneller erkennen und gezielter korrigieren.

Die grundlegende Erkenntnis lautet: Für die Berechnungslogik sollten Sie die Regeln definieren, für die visuelle Gestaltung sollten Sie das gewünschte Ergebnis zeigen.

Wie unser Skill ein SaaS- und KI-Ausgabenmodell erstellt

Unser chatbasierter Skill verwandelt einen rohen Ausgabenexport in wenigen Minuten in ein funktionierendes Excel-Modell. Er identifiziert potenzielle SaaS-, KI- und Lizenzanbieter, trennt nicht zugehörige Kosten und führt unterschiedliche Anbieterbeschreibungen unter standardisierten Namen zusammen.

Anschließend strukturiert er die Daten nach Monat, Kategorie und Ausgabenhöhe. Wenn Informationen zu Teams oder Abteilungen im Quellexport enthalten sind, können auch diese in die Analyse einbezogen werden.

Damit übernimmt der Skill zwei besonders zeitaufwendige Aufgaben: die manuelle Suche nach Anbietern in Tausenden Transaktionszeilen und den Aufbau der benötigten Formeln, Tabellen und Diagramme.

Die KI erledigt die vorbereitende Arbeit, während sich das Finanzteam auf die Prüfung und Analyse der Ergebnisse konzentrieren kann.

Was die automatisierte SaaS-Ausgabenanalyse umfasst

Das erzeugte Arbeitsblatt bietet einen strukturierten Überblick über die Softwarekosten und enthält:

• Übersichtsdiagramme: Darstellungen der wichtigsten Anbieter, Ausgaben nach Kategorie und monatlichen Entwicklungen.
• Detaillierte Analyseblätter: Aufschlüsselungen nach Anbieter, Monat und, sofern verfügbar, Abteilung oder Team.
• Anomalieprüfungen: Markierungen für plötzliche Ausgabenspitzen, unregelmäßige Abrechnungsmuster und Anbieter ohne aktuelle Belastung.
• Budgetvergleich: Optionale Vorlagen für Budget-Ist-Vergleiche, sofern entsprechende Budgetdaten bereitgestellt werden.
• Abstimmungsgrundlage: Eine unveränderte Kopie der ursprünglichen Transaktionsliste als Referenz.
• Transparente Excel-Formeln: Sichtbare Formeln, die die Rohdaten mit den Zusammenfassungen und Diagrammen verbinden.

Da die Auswertungen über sichtbare Formeln mit den Rohdaten verknüpft bleiben, sind Sie nicht an die ursprüngliche Klassifizierung der KI gebunden. Sie können Zuordnungen anpassen, einzelne Transaktionen prüfen und das Modell später um Prognosen oder Berichte für die Geschäftsleitung erweitern.

Der Skill ersetzt nicht das fachliche Urteilsvermögen. Er übernimmt den Aufbau der Datei, damit die Analyse schneller beginnen kann.

So führen Sie den Skill in ChatGPT oder Claude aus

Für eine möglichst vollständige Analyse empfehlen wir, rund zwölf Monate an Software-, SaaS- und Lizenztransaktionen hochzuladen. Dadurch können sowohl monatliche Abonnements als auch jährliche Vorauszahlungen berücksichtigt werden.

So führen Sie den Skill aus:

• Mit ChatGPT: Laden Sie die ZIP-Datei des Skills und das rohe Transaktionsblatt in eine ChatGPT-Umgebung hoch, die Dateianalyse und Codeausführung unterstützt. Kopieren Sie den bereitgestellten Prompt in das Textfeld und lassen Sie das System die Analyse durchführen. Die Verfügbarkeit dieser Funktionen kann vom Tarif und den Einstellungen des Arbeitsbereichs abhängen.
• Mit Claude: Fügen Sie die ZIP-Datei zunächst Ihrer Skill-Bibliothek hinzu. Öffnen Sie einen neuen Chat, laden Sie das Transaktionsblatt hoch und führen Sie den Befehl /moss-software-spend-intelligence aus. Claude unterstützt das Hochladen eigener Skills als ZIP-Datei, sofern Skills und Codeausführung aktiviert sind.
• Ergebnis prüfen: Öffnen Sie die erzeugte Datei in Excel. Prüfen Sie, ob Zeilenanzahl und Gesamtwert mit dem Quellexport übereinstimmen, und kontrollieren Sie die wichtigsten Formeln, Filter und Klassifizierungen.

Der Skill hilft Finanzteams, die manuelle Einrichtung zu überspringen und direkt zu analysieren, welche Lizenzen die größten Kosten verursachen, wo sich Tools überschneiden könnten und welche Verträge überprüft oder neu verhandelt werden sollten. Eine Analyse nach Teams ist möglich, wenn der Quellexport die dafür notwendigen Informationen enthält.

Der größere Nutzen liegt im wiederholbaren Arbeitsablauf. Statt Excel-Modell, Formeln und Prüfungen bei jeder Analyse neu zu erstellen, kann das Finanzteam Logik, Struktur und Qualitätskontrollen als Skill speichern.

Excel übernimmt weiterhin die Berechnungen. Der Skill bereitet das Modell konsistent vor und beschleunigt den Aufbau der Datei. Dadurch bleibt mehr Zeit, das Arbeitsblatt für die eigentliche Analyse und bessere Entscheidungen zu nutzen.