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.
Von Leonardo Bornhäußer (Gründer, Creativate Technologies GmbH) in Ko-Autorschaft mit Assoc. Prof. Dr. Tuna Çakar · Juli 2026 · Lesezeit ~10 Min.
- 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 sauber löst.
Leitprinzip durchgehend: keine Datenanreicherung der Ist-Zahlen, keine erfundenen Werte, jede Zahl quellen-rückverfolgbar, alles lokal.
Ausgangslage & Datengrundlage
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 (anonymisiert) |
| Kennzahlen (8 Kern) | Abschreibungen · Bilanzsumme · Eigenkapital · Jahresergebnis · Materialaufwand · Personalaufwand · Umsatzerlöse · Verbindlichkeiten |
| Verarbeitung | 100 % lokal, kein Datenabfluss; leere Zelle = n/a, nie eine Zahl |
Methodik — drei Arbeitsstränge
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.
Regelbasierte Berichtstexte — heute vorzeigbar
Aus den Kennzahlen entsteht je Gesellschaft ein Beteiligungsbericht-Auszug, zweisprachig. Kern ist eine 5-Stufen-Varianz-Klassifikation je KPI sowie kuratierte Ursachen-Hypothesen — explizit als zu validierende Hypothese gekennzeichnet, nie als Fakt.
Machine Learning mit Halluzinations-Sperre — 5/5 validiert
Diese Schicht reichert nichts an. Ein lokales Sprachmodell (via Ollama, offline) schreibt die Berichte unter strenger Anti-Halluzinations-Architektur: Zahlen-Token-Allow-Listing, JSON-Schema, temperature = 0, deterministischer Fallback. Ergebnis: alle 5 Berichte bestanden — 0 Fallbacks, 0 unbelegte Aussagen.
Ehrliche Analytik, Frühwarnung, Szenarien
Die wissenschaftlich ehrliche Antwort auf die Use Cases „Report“ und „Frühwarnung/Forecast“ — deterministisches Frühwarnsystem auf realen KPI plus annahmengetriebene Szenarien.
Intelligence-Schicht — heute, auf echten Zahlen
- Cross-sektionale Multivariat-Analyse über die fünf Gesellschaften — gültig auch bei kurzer Zeitreihe, weil über Gesellschaften statt über die Zeit variiert wird.
- Deterministisches Frühwarnsystem auf realen KPI: Liquidität 1. Grades unter Schwelle, negatives Jahresergebnis, Umsatz > 5 % unter Einzelplan — jede Ampel trägt die treibenden Ist-Zahlen.
- Szenario & Simulation: ein statistischer Forecast braucht 18–36 Perioden; real lagen max. zwei Jahrespunkte vor — also prognostizieren wir nicht. Stattdessen bedingte Modellrechnung (Best/Base/Worst + Monte-Carlo) unter offen deklarierten Annahmen.
Belegbarkeit — was heute gilt, und was nicht
Belegbarkeit heißt auch, die Grenzen zu benennen. Diese Abgrenzung ist Teil des Produkts.
- 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
- 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
Künftige Intelligence — die ML-/Forecast-Pipeline
Der Weg zur statistischen Prognose ist kein Versprechen, sondern ein datengetriebenes Ausbaukriterium. Sobald die Datentiefe stimmt, aktiviert dieselbe Architektur eine echte ML-Forecast-Pipeline.
Ein seriöser statistischer Forecast wird möglich ab ≥ 8 Jahren Jahresdaten oder ≥ 20 Quartalen je Kennzahl — objektiv prüfbar, und die Brücke zur konkreten Datenanforderung an den Mandanten.
| 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.
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.
- 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).
Sehen Sie es an Ihren Daten.
Ein kurzer Test in Ihrer Umgebung — belegte Antworten und Berichte, on-prem. Wir zeigen den PoC an Ihren eigenen Kennzahlen.
Demo-Call buchen →Datengrundlage: real gelieferte, maskierte Beteiligungs-Kennzahlen einer deutschen Kommune, ausschließlich lokal verarbeitet. Mandant und Gesellschaften anonymisiert. Creativate Technologies GmbH · Frankfurt am Main.
Vollständiges Whitepaper lesen
Kurz Ihre Daten — dann lesen Sie das komplette Whitepaper und können es als PDF laden.