KI-Datenanalyse: Excel-Tabellen auswerten ohne Formeln und SQL

Monatsberichte, Kampagnenauswertungen, die schnelle Frage der Geschäftsführung: In vielen Unternehmen landen solche Aufgaben in Excel. Viel Zeit geht dabei nicht in die Bewertung, sondern in das Zusammenführen, Bereinigen und Formatieren der Daten. KI-Datenanalyse verschiebt dieses Verhältnis: Sie fragen, die KI rechnet, Sie prüfen.

Dieser Artikel zeigt, wie eine Auswertung mit KI Schritt für Schritt abläuft, welche Aufgaben sich eignen, wo BI-Tools die bessere Wahl bleiben und was bei Datenschutz und Personaldaten gilt.

Stand: September 2026.

KI-Datenanalyse ist die Auswertung strukturierter Daten wie Excel-Tabellen oder Datenbanken mit Hilfe generativer KI. Sie beschreiben in natürlicher Sprache, was Sie wissen wollen; die KI erzeugt die passende Berechnung, führt sie aus und erklärt das Ergebnis.

Entscheidend ist der Unterschied zwischen Formulieren und Rechnen. Ein Sprachmodell versteht Fragen, entwirft Berechnungen und erklärt Ergebnisse gut. Zahlen verlässlich zu rechnen ist nicht seine Stärke. Seriöse Auswertungen laufen deshalb über ein Werkzeug, das tatsächlich rechnet: einen Code Interpreter, der Programmcode in einer abgeschotteten Umgebung ausführt, oder eine SQL-Abfrage auf der Datenbank.

Drei Bausteine greifen ineinander:

• Daten: eine hochgeladene Tabelle oder eine freigegebene Datenbankverbindung.
• Rechnen: Code oder SQL, dessen Rechenweg sich einsehen lässt.
• Darstellen: Diagramm, Tabelle oder Berichtsentwurf als Datei.

Eine Auswertung mit KI läuft in fünf Schritten: Daten anbinden, Datenqualität prüfen, Frage stellen, Ergebnis prüfen, Ergebnis weitergeben. Das folgende Beispiel mit fiktiven Daten zeigt den Ablauf.

Beispiel (fiktive Daten): Ein Großhändler mit mehreren Vertriebsregionen will wissen, warum der Umsatz in Region Süd im letzten Quartal gesunken ist. Grundlage ist ein Export mit rund 10.000 Verkaufspositionen.

Der wichtigste Unterschied zur Handarbeit: Die Zeit verschiebt sich vom Zusammenbauen zum Prüfen. Wer Ergebnisse ungeprüft weitergibt, riskiert plausible, aber falsche Aussagen. Wie Sie das verhindern, zeigt der Leitfaden, um KI-Halluzinationen zu kontrollieren.

Am besten eignen sich wiederkehrende Auswertungen mit klaren Regeln und Ad-hoc-Fragen an vorhandene Tabellen. Diese sechs Anwendungsfälle sind in Controlling, Vertrieb, Marketing und Qualität typisch:

RFM steht für Recency, Frequency und Monetary: wie kürzlich, wie oft und für welchen Betrag ein Kunde gekauft hat. Prognosen rechnet ein statistisches Verfahren; das Sprachmodell hilft beim Aufbereiten, schlägt eine Methode vor und erklärt das Ergebnis. Liegen die Daten im ERP, lohnt ein Blick in den Leitfaden ERP mit KI verbinden.

BI-Tools wie Power BI oder Tableau sind stark bei festen Dashboards, sehr großen Datenmengen und fein abgestuften Berechtigungen. KI-Datenanalyse ist stark bei Ad-hoc-Fragen, explorativen Auswertungen und Berichten, die sich häufig ändern. In den meisten Unternehmen ergänzen sich beide.

Auch die Tabellenkalkulation selbst bekommt KI-Funktionen, etwa Copilot in Excel. Für Einzelanalysen in einer Datei kann das reichen. Sobald mehrere Datenquellen, wiederkehrende Berichte, Rollen und Protokollierung dazukommen, lohnt eine Plattform, die Daten, Modelle und Rechte zentral steuert.

Der Nutzen entsteht vor allem durch eingesparte Zeit bei wiederkehrenden Auswertungen und durch Fragen, die sich vorher niemand zu stellen leisten konnte. Wie groß er ist, hängt von Ihren Mengen ab. Die folgende Rechnung ist ein Beispiel mit Annahmen, keine Zusage; setzen Sie Ihre eigenen Werte ein.

Eingesparte Stunden sind noch kein Ergebnis. Wirksam werden sie, wenn die Zeit in Bewertung, Beratung oder zusätzliche Auswertungen fließt. Wie Sie das belastbar messen, beschreibt der Artikel zur Berechnung des KI-Nutzens; wie Sie die laufenden Kosten im Griff behalten, der Leitfaden zu FinOps für KI und Modellkosten.

KI erkennt Muster und Zusammenhänge in den Daten, aber keine Ursachen außerhalb der Daten. Grenzen gibt es außerdem bei sehr großen Datenmengen, Echtzeitdaten und anspruchsvoller Statistik.

• Zusammenhang ist keine Ursache. Warum ein Wert sinkt, steht selten in der Tabelle. Erklärungen bleiben Hypothesen, bis der Fachbereich sie bestätigt.
• Datenqualität. Uneinheitliche oder lückenhafte Daten führen zu falschen Ergebnissen, auch wenn die Rechnung stimmt.
• Sehr große Datenmengen und Echtzeit. Dafür sind Data Warehouse, BI-Tools und Streaming-Systeme gebaut.
• Anspruchsvolle Statistik und Machine Learning. Modelle für Preisoptimierung oder Ausfallvorhersage gehören in die Hände von Data Scientists. KI hilft beim Aufbereiten und Erklären.
• Entscheidungen. Die KI liefert Grundlagen und Optionen. Entscheiden und verantworten bleibt beim Menschen.

Unternehmensdaten gehören in freigegebene Werkzeuge mit Auftragsverarbeitungsvertrag. Auswertungen über Beschäftigte brauchen zusätzlich eine Rechtsgrundlage, in der Regel die Beteiligung des Betriebsrats und je nach Zweck die Regeln der KI-Verordnung für Hochrisiko-Systeme.

Training mit Ihren Daten. Bei privaten Konten öffentlicher Chat-Dienste kann je nach Einstellung eine Nutzung der Eingaben für das Modelltraining erfolgen; Anthropic etwa lässt Verbraucher darüber seit 2025 selbst entscheiden. Business-Angebote und API-Zugänge schließen das in der Regel vertraglich aus. Sensible Daten gehören deshalb nur in freigegebene Unternehmenswerkzeuge.

Beschäftigtendaten. Krankheitstage sind Gesundheitsdaten und damit eine besondere Kategorie nach Art. 9 DSGVO. Technische Einrichtungen, die Verhalten oder Leistung auswerten können, unterliegen der Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG. KI-Systeme, die Leistung und Verhalten von Beschäftigten bewerten oder über Beförderung und Kündigung mitentscheiden, gelten nach Anhang III Nr. 4 der KI-Verordnung als hochriskant; die Pflichten dafür gelten nach dem Digital Omnibus ab 2. Dezember 2027.

Eine individuelle Kündigungsprognose ist deshalb kein Einstiegsfall. Aggregierte Auswertungen ohne Personenbezug, etwa die Fluktuation je Standort, sind deutlich unkritischer. Wie Sie den Betriebsrat bei der KI-Einführung einbinden, beschreibt ein eigener Leitfaden.

Stand: September 2026. Diese Hinweise geben einen Überblick und ersetzen keine Rechtsberatung im Einzelfall.

Beginnen Sie mit einem wiederkehrenden Bericht und einer kleinen Gruppe. Ein erster Anwendungsfall ist in der Regel nach rund vier Wochen im Betrieb; danach folgen weitere Datenquellen und Teams.

Wie Sie die Datengrundlage dafür schaffen, beschreibt der Leitfaden, um Daten KI-fähig zu machen.

Plotdesk verbindet eine KI-Plattform mit einem Umsetzungsteam für den Mittelstand. Für die Datenanalyse greifen mehrere Bausteine ineinander:

• Tables: Tabellen aus CSV, Excel oder ODS importieren oder aus Google Sheets übernehmen und im Team nutzen.
• Externe Datenbanken: Verbindungen zu MySQL, PostgreSQL, SQL Server und Snowflake, beschränkt auf freigegebene Sichten.
• Code Interpreter: rechnet Auswertungen, Kennzahlen und Prognosen in Code, statt Zahlen vom Sprachmodell schätzen zu lassen.
• Charts: erzeugt Diagramme aus den Ergebnissen.
• File Writer: gibt Ergebnisse als Excel-, Word- oder PowerPoint-Datei aus.
• Schedulers: starten Auswertungen nach Zeitplan, per Webhook, bei neuen Dateien oder Tabelleneinträgen. Ergebnisse gehen per Mailer oder als Nachricht an Microsoft Teams oder Slack.

Rollen, mehr als 40 Berechtigungen und Audit-Logs regeln, wer welche Daten auswerten darf. Plotdesk läuft als dedizierte Instanz in der EU oder im eigenen Tenant, auf Basis eines DSGVO-konformen AVV mit EU-Datenresidenz. Welche der mehr als 100 Modellvarianten aus zehn Provider-Typen ein Team nutzt, legen Sie je Team fest.

Das Umsetzungsteam begleitet den Weg von der KI-Potenzialanalyse über den Proof of Value bis zur produktiven Lösung und bringt Erfahrung aus mehr als 1.200 Use Cases in 15 Branchen mit. Beispiele für Finanzen und Controlling in Ihrer Branche finden Sie auf den Branchenseiten.

KI-Datenanalyse nimmt Controlling, Vertrieb und Marketing viel Handarbeit ab: Daten zusammenführen, bereinigen, rechnen, darstellen. Verlässlich wird sie, wenn Berechnungen nachvollziehbar laufen, Bereinigungsregeln abgestimmt sind und Menschen die Ergebnisse prüfen, bevor sie Entscheidungen tragen.

Beginnen Sie mit einem Bericht, der jeden Monat Zeit kostet, einer Datenquelle und einer kleinen Gruppe. Wenn die Zahlen stimmen und genutzt werden, folgen weitere Auswertungen, Datenquellen und Teams.