Whitepaper · Proof of Concept
Belegbare KI im kommunalen Beteiligungsmanagement.
Wie ein On-Premise-Decision-Intelligence-System aus realen Beteiligungs-Kennzahlen prüfbare Berichte, ein deterministisches Frühwarnsystem und belastbare Entscheidungs-Szenarien erzeugt — ohne eine einzige Zahl zu erfinden.
belegt · 0 erfundene Zahlen · 5/5 validiert · 100 % lokal
Creativate Technologies GmbH · Frankfurt am Main · c-node.ai
Datengrundlage: real gelieferte, maskierte Beteiligungs-Kennzahlen einer deutschen Kommune,
ausschließlich lokal verarbeitet (kein Datenabfluss). Mandant und Gesellschaften anonymisiert.
01 · Management Summary
Entscheidungen, die sich belegen lassen.
Auf real gelieferten, maskierten Kennzahlen von fünf Beteiligungsgesellschaften eines kommunalen Portfolios haben wir einen funktionsfähigen Proof of Concept gebaut. Er zeigt drei Dinge — heute lauffähig:
- Automatisierte, prüfbare Berichtstexte je Gesellschaft — regelbasiert und per lokalem Sprachmodell, beide ohne erfundene Zahlen.
- Eine ehrliche Daten-Reifegrad- und Frühwarn-Analyse, die zeigt, was bei der aktuellen Datentiefe seriös aussagbar ist — und was nicht.
- Eine annahmengetriebene Szenario- und Simulationsschicht (Best/Base/Worst + Monte-Carlo), die das Forecasting-Problem bei kurzer Historie wissenschaftlich sauber löst, statt eine Scheinprognose zu liefern.
Leitprinzip durchgehend: keine Datenanreicherung der Ist-Zahlen, keine erfundenen Werte, jede Zahl quellen-rückverfolgbar, alles lokal. Genau diese Belegbarkeit ist im Verwaltungs- und Vergaberecht kein Komfort, sondern Voraussetzung.
Warum das relevant ist
Große Sprachmodelle raten. In regulierten Bereichen ist das untragbar: Gremien, Aufsicht und Rechnungsprüfung verlangen Nachvollziehbarkeit bis zur Fundstelle. cNode fesselt das Sprachmodell an einen geerdeten Wissensspeicher — die Antwort entsteht nur aus belegten Ist-Daten, Berichte zusätzlich deterministisch und regelbasiert. Das Ergebnis ist eine verifizierbare, halluzinationsfreie Berichts- und Erklär-Schicht, die vor Ort im Rechenzentrum läuft.
Der ehrliche Teil — und der eigentliche Wert
Aus zwei Jahresdatenpunkten lässt sich kein seriöser statistischer Forecast rechnen. Statt das zu verschweigen, macht der PoC es explizit — und liefert an dessen Stelle bedingte Entscheidungs-Szenarien unter offen dokumentierten Annahmen. Der Weg zum echten Forecast ist damit kein Versprechen, sondern ein falsifizierbares, datengetriebenes Ausbaukriterium (Abschnitt 06).
02 · Ausgangslage & Datengrundlage
Reale Daten, lokal verarbeitet.
Grundlage war ein kommunales Beteiligungsportfolio mit fünf Gesellschaften unterschiedlicher Branchen. Sämtliche Kennzahlen wurden maskiert geliefert und zu 100 % lokal verarbeitet — kein Datenabfluss, keine Cloud.
| Punkt | Inhalt |
|---|
| Mandant | Beteiligungsportfolio einer deutschen Kommune (Beteiligungsbericht nach §123a GO) |
| Gesellschaften (5) | Kultur-/Museums-gGmbH · Projektentwicklungs-mbH · kommunales Versorgungsunternehmen · Kultur-/Ausstellungs-gGmbH · Facility-Services-GmbH — Namen anonymisiert |
| Kennzahlen (8 Kern) | Abschreibungen · Bilanzsumme · Eigenkapital · Jahresergebnis · Materialaufwand · Personalaufwand · Umsatzerlöse · Verbindlichkeiten (+ EBITDA, Liquide Mittel 1.–3. Grades) |
| Quelldateien | Kennzahlen-Export (XLSX), Beteiligungsbericht 2024 (PDF, 370 S.) + DOCX, Beteiligungs-/Eigentümerquoten (XLSX), Unternehmensstammdaten (XLSX) |
| Berichtsarten | Jahresabschluss · unterjährige BWA · Einzelplan (Plan/Budget) |
| Verarbeitung | 100 % lokal, kein Datenabfluss; leere Zelle = n/a, nie eine Zahl |
„Wir generieren den Berichtstext, den heute Sachbearbeiter manuell schreiben — automatisch, prüfbar, quellenbasiert, zweisprachig."
03 · Methodik — drei Arbeitsstränge
Deterministisch zuerst. KI als Formulierungsschicht.
Der PoC trennt sauber zwischen dem, was arithmetisch aus den Kundendaten folgt, und dem, was ein Sprachmodell sprachlich daraus formt. Die Geschäftslogik gehört nie dem Modell.
Strang A — heute vorzeigbar
Regelbasierte Berichtstexte
Aus den extrahierten Kennzahlen entsteht je Gesellschaft ein Beteiligungsbericht-Auszug (Profil, Executive Summary, GuV-Entwicklung, Bilanz/Liquidität, Methoden-Fußnote), zweisprachig. Kern ist eine 5-Stufen-Varianz-Klassifikation je KPI (stabil < 0,5 % bis deutlich > 15 %, auf-/abwärts) sowie kuratierte Ursachen-Hypothesen — explizit als zu validierende Hypothese gekennzeichnet, nie als Fakt. Verglichen wird nur gegen das Vorjahr, mit klarem Hinweis, wo kein Plan/Budget vorlag.
Strang B — 5/5 validiert
Machine Learning mit Halluzinations-Sperre
Diese Schicht reichert nichts an — sie konsumiert ausschließlich Fakten aus den Kundendateien. Ein lokales Sprachmodell (via Ollama, vollständig offline) schreibt die Berichte unter strenger Anti-Halluzinations-Architektur:
- Kontrolliertes Fakten-Paket als einzige Eingabe; System-Prompt erzwingt „nur gelieferte Fakten, keine erfundenen Zahlen/Ursachen/Quellen".
- JSON-Schema-Ausgabe, temperature = 0; mehrschichtige Validierung: Zahlen-Token-Allow-Listing (nur belegte Zahlen dürfen im Text stehen), Verbotswort- und Firmen-Halluzinations-Prüfung.
- Deterministische Overrides für Kennzahlen/Quellenhinweis; deterministischer Fallback-Report, falls die Modellausgabe die Prüfung nicht besteht.
Ergebnis: Alle 5 Berichte haben die Validierung bestanden — 0 Fallbacks, 0 unbelegte Aussagen. Der Modelltext deckt sich faktisch exakt mit dem Regeltext, ist aber sprachlich flüssiger.
Strang C — Fundament & Decision Intelligence
Ehrliche Analytik, Frühwarnung, Szenarien
Die wissenschaftlich ehrliche Antwort auf die beiden Use Cases „Report" (Prio 1) und „Frühwarnung/Forecast" (Prio 2) — Details in Abschnitt 04.
04 · Intelligence-Schicht
Analytik und Frühwarnung — heute, auf echten Zahlen.
Ehrliche Analytik (reale Daten, keine Fabrikation)
- Cross-sektionale Multivariat-Analyse über die fünf Gesellschaften (KPI-Korrelation, Portfolio-Ranking, robuste Median/MAD-Ausreißer) — gültig auch bei kurzer Zeitreihe, weil über Gesellschaften statt über die Zeit variiert wird.
- Realer unterjähriger Trend, wo die BWA mindestens zwei Quartalspunkte hergibt — deskriptiv, keine Extrapolation.
- Deterministisches Frühwarnsystem auf realen KPI: Liquidität 1. Grades unter Schwelle, negatives Jahresergebnis, Umsatz > 5 % unter Einzelplan — jede Ampel trägt die treibenden Ist-Zahlen zur sofortigen menschlichen Prüfung.
Szenario & Simulation — die T=2-Lücke seriös gelöst
Ein statistischer Forecast braucht rund 18–36 Perioden. Real lagen maximal zwei Jahrespunkte je KPI vor — also prognostizieren wir nicht. Stattdessen: bedingte Modellrechnung unter offen deklarierten Annahmen („WENN diese Annahmen gelten, DANN …").
- Deterministisch: Best/Base/Worst-Triplett + Mehrjahres-Pfad (1–10 Jahre, transparentes Compounding, am realen Basisjahr verankert).
- Monte-Carlo: Annahmen als Verteilungen → Ergebnis-Band (P05/P50/P95), Fächer-Chart, reproduzierbar per Seed. Die Zufälligkeit lebt ausschließlich in den Annahmen, nie in der realen Zeitreihe.
- Gequellte Makro-Daten als Annahmen: EZB-Datenportal (Inflation, Leitzins) über offenes, key-freies SDMX-JSON, mit Provenienz (live/cache/fallback) — parametrisieren nur Szenarien, nie die echten KPI.
„Statt einer unseriösen Prognose aus zwei Datenpunkten liefern wir Entscheidungs-Szenarien unter offen dokumentierten Annahmen — und ein Frühwarnsystem, das heute schon auf den echten Zahlen läuft."
05 · Belegbarkeit
Was heute gilt — und was nicht.
Belegbarkeit heißt auch, die Grenzen zu benennen. Diese Abgrenzung ist Teil des Produkts.
Belegbar — heute
- Prüfbare Berichtstexte aus Echtdaten (live)
- Lokales Modell schreibt Berichte ohne Zahlen zu erfinden (5/5 validiert)
- Deterministisches Frühwarnsystem auf realen KPI
- Szenarien/Monte-Carlo als bedingte Modellrechnung unter Annahmen
- Architektur: lokal, DSGVO, RBAC, quellen-rückverfolgbar
Nicht behauptet
- Konkrete Forecast-Genauigkeit bei kurzer Historie
- Frühwarn-Schwellen aus zwei Datenpunkten als „kalibriert"
- Pilotzahlen anderer Projekte als 1:1-Zusage
- Szenario-Output als „Prognose"
- Anreicherung der echten KPI mit Fremddaten
Qualitäts- & Compliance-Nachweis
- Keine Fabrikation: ein Validierungs-Notebook rechnet jede Zahl mit reinem pandas nach (Abgleich bis 1e-12).
- Tests: deterministischer Kern + Szenario/Markt = 41 Tests grün (synthetische Fixtures, kein Kundendatum im Repo).
- Lokal-only: kein Datenabfluss, Modell lokal via Ollama, Cache nur öffentliche Makro-Werte.
- Erklärbarkeit: deterministic-first — das Modell ist reine Formulierungsschicht über vorberechneten Fakten (EU AI Act, Art. 12/13).
06 · Künftige Intelligence · ML-/Forecast-Pipeline
Vom belegten Bericht zum echten Forecast.
Der Weg zur statistischen Prognose ist kein Versprechen, sondern ein datengetriebenes Ausbaukriterium. Sobald die Datentiefe stimmt, aktiviert dieselbe Architektur eine echte ML-Forecast-Pipeline.
Falsifizierbares Wiedereintritts-Kriterium
Ein seriöser statistischer Forecast wird möglich ab ≥ 8 Jahren Jahresdaten oder ≥ 20 Quartalen je Kennzahl. Das ist objektiv prüfbar — und führt direkt zur konkreten Datenanforderung an den Mandanten.
Datenanforderung — die Brücke zum nächsten Schritt
- 8–10 Jahre Jahresabschlüsse je Gesellschaft → echter statistischer Forecast wird seriös möglich.
- Wöchentliche/monatliche Abschlusszahlen → unterjähriges Monitoring und Trend.
- Genehmigte Plan-/Budgetzahlen → echte Plan-Ist-Abweichung statt nur Vorjahresvergleich.
- Operative Daten (Köpfe, Energie, Kunden, Verträge) → reichere Frühwarn-Signale.
- Interne Gelb/Rot-Schwellen je KPI → Kalibrierung des Frühwarnsystems.
Die Forecast-Pipeline (aktivierbar bei ausreichender Historie)
| Stufe | Verfahren | Ausgabe (Artefakt) |
|---|
| Prognose | Zeitreihen-Modell auf ≥ 8 Jahren, mit Konformal-Intervall | Forecast + Unsicherheitsband |
| Treiber | XGBoost + SHAP-Attribution | Erklärbare Treiber je Kennzahl |
| Frühwarnung | Kalibrierte Schwellen aus interner Historie | Ampel mit Ist-Zahlen |
| Entscheidung | Szenario + Empfehlung, Mensch entscheidet | Entscheidungs-Memo, belegt |
Alle Artefakte bleiben quellen-rückverfolgbar und deterministisch reproduzierbar; das Sprachmodell formuliert, rechnet aber nie.
07 · Fazit
Belegbar by design.
Der PoC beweist an realen, maskierten Kennzahlen: KI kann im regulierten Umfeld arbeiten, ohne zu raten. Prüfbare Berichte, ein Frühwarnsystem auf echten Zahlen und ehrliche Entscheidungs-Szenarien — heute lauffähig, vollständig lokal, jede Zahl mit Quelle.
- Time-to-Value: nach kurzem Scoping läuft eine Sandbox mit Ihren Daten; danach eine On-Prem-Testphase an echten Fällen.
- Skalierung: mandantenfähig — dieselbe Architektur bedient weitere Portfolios und Fachbereiche.
- Ausbau: die Forecast-Pipeline aktiviert sich datengetrieben, sobald die Historie es hergibt.
Nächster Schritt
Ein kurzer Test in Ihrer Umgebung — belegte Antworten und Berichte, on-prem. Wir zeigen den PoC an Ihren eigenen Kennzahlen.
Creativate Technologies GmbH · Lahnstraße 65, 60326 Frankfurt am Main
contact@creativate.tech · c-node.ai