• IP&A wird wichtiger, weil Unternehmen in volatilen Märkten schneller planen, analysieren und entscheiden müssen.
• Der Innovationsfokus der Anbieter verschiebt sich stark in Richtung Agentic AI.

Die Frage ist daher nicht, ob AI in IP&A kommt. Die Frage ist: Wo bringt sie zuerst messbaren Nutzen, ohne Governance und Kontrolle zu beschädigen?

These

Agentic AI wird IP&A nicht als „Autopilot“ verändern. Sie wird zuerst dort wirken, wo Prozesse heute aus manuellen, wiederkehrenden Mikroaufgaben bestehen und wo klare Leitplanken möglich sind. Und natürlich dort, wo die entsprechenden Daten inkl. Qualität, Historie etc. vorhanden sind, um die AI damit zu füttern.

Warum viele AI-Ansätze in IP&A scheitern

IP&A-Prozesse haben Eigenschaften, die AI schnell entlarven.

• Hohe Konsequenzen: Forecasts, Budget-Änderungen und Management-Reports sind keine Sandbox.
• Traceability: Wer hat was wann geändert, und warum?
• Heterogene Daten: Ist/Plan-Daten, Stammdaten, Hierarchien, Kommentare, Workflows.

Wenn diese Grundlagen nicht sauber sind, kann AI zwar Text produzieren, aber keinen verlässlichen Prozess verbessern.

Wo Agentic AI zuerst automatisiert, ohne Vertrauen zu verlieren

Die ersten tragfähigen Use Cases sind nicht die spektakulären. Sie sind die, die Zeit fressen.

1) Anomalien finden und triagieren

Agenten können im Hintergrund prüfen:

• ungewöhnliche Bewegungen in Kostenstellen oder Produkten
• auffällige Treiberänderungen im Forecast
• unerwartete Abweichungen zwischen Plan, Ist oder zur Vergangenheit

Wichtig: Agenten liefern keine „Wahrheit“. Sie liefern Prioritäten für menschliche Aufmerksamkeit.

2) Variance-Erklärungen vorbereiten

Die meiste Zeit in FP&A geht nicht in Berechnungen, sondern in Kommunikation.

Agentic AI kann Entwürfe liefern für:

• erste Hypothesen zu Abweichungstreibern
• konsistente Formulierungen über Einheiten hinweg
• Hinweise auf Datenqualitätsthemen

Regel: Entwurf ja, aber Freigabe und Veröffentlichung bleibt menschlich.

3) Forecast-Assistenz statt Forecast-Autonomie

Agenten können Vorschläge erzeugen:

• alternative Treiberannahmen
• Sensitivitäten zu Preis, Volumen, FX, Headcount
• Szenarien, die man nicht manuell aufsetzen würde

Der Nutzen entsteht, wenn Vorschläge nachvollziehbar sind und als Option, nicht als Ergebnis, im Prozess landen.

4) Workflow-Trigger und „Next best action“

Ein Agent kann Aufgaben auslösen, wenn definierte Schwellenwerte überschritten werden:

• Review anstoßen
• Owner informieren
• Kommentarpflicht erzwingen
• Datenlade- und Validierungschecks starten

Das ist langweilig. Genau deshalb funktioniert es.

Was man bewusst manuell lassen sollte:

Nicht jeder Schritt im IP&A-Prozess eignet sich für Automatisierung. Das gilt vor allem bei Entscheidungen mit hohem Risiko:

• Strategische Ziele und Prioritätensetzung: Ob Wachstum oder Marge wichtiger ist, ist keine Rechenaufgabe. Das bleibt Management.
• Materialität: Nicht jede Abweichung ist automatisch wichtig. Was steuerungsrelevant ist, hängt vom Geschäftskontext ab.
• Regulatorische Compliance: Wenn Planung, Reporting oder Forecasts regulatorische Anforderungen berühren, braucht es klare menschliche Kontrolle.
• Freigaben: Agenten können Vorschläge vorbereiten. Die finale Entscheidung braucht eine verantwortliche Person.

Die Checkliste für „trustworthy“ Agentic AI in IP&A

Wenn ein Anbieter Agentic AI verkauft, sind diese Fragen entscheidend:

• Explainability: Warum kam der Vorschlag, welche Daten wurden genutzt?
• Audit Trail: Was wurde generiert, was wurde übernommen, von wem?
• Boundaries: Was darf der Agent entscheiden, was nicht?
• Fallback: Was passiert, wenn Daten fehlen oder Unsicherheit hoch ist?
• Governance: Wie werden Prompts, Regeln und Modelle versioniert und getestet?

Agentic AI wird IP&A nicht durch eine große Funktion verändern, sondern durch viele kleine Automationen. Wer die ersten Use Cases richtig wählt, gewinnt Geschwindigkeit, ohne die Kontrolle zu verlieren.

Der BARC Score Integrated Planning & Analytics (IP&A) 2026 beschreibt diese Lücke sehr klar: Integrated Planning und Analytics werden in vielen Organisationen als Zielbild kommuniziert, in der Praxis aber selten konsequent erreicht. Für wichtige Analysen und Zielerreichungs-Checks sind nach wie vor zeitaufwendige Datentransfers zwischen Planung und Analytics notwendig. Excel wird dabei häufig zur Brücke. Diese Brücke hat einen Preis: inkonsistente Logik, inkonsistente Daten und am Ende inkonsistentes Vertrauen.

These

Die meisten IP&A-Initiativen scheitern nicht am Willen. Sie scheitern daran, dass „single point of truth“ keine Tool-Entscheidung ist. Es ist eine Entscheidung über Datenmodell, Governance und Operating Model.

Was als Erstes bricht, wenn „single point of truth“ nicht hält

Wenn IP&A in der Praxis nicht funktioniert, tauchen dieselben Muster immer wieder auf.

1) Stammdaten bleiben fragmentiert

Eine einheitliche Plattform kann keine fragmentierte Basis reparieren.

Wenn Kostenstellen, Produkthierarchien, Legal-Entity-Strukturen und Kontenpläne nicht harmonisiert sind, laufen Planung und Analytics auseinander. Fachbereiche korrigieren dann lokal. Und lokal heißt in der Praxis oft: Spreadsheet.

2) Plan-Modell und Analytics-Modell sind nicht dasselbe Modell

Viele Organisationen arbeiten zwar auf einer Plattform, bauen aber faktisch zwei semantische Ebenen:

• ein Planungsmodell, optimiert für Write-back und Workflow
• ein Analytics-Modell, optimiert für Slice-and-dice, Drill-down und Dashboards

Wenn diese Modelle nicht als Einheit geführt werden, verhält sich „eine Plattform“ wie zwei Systeme.

3) Governance wird als Dokument verstanden, nicht als Design

Governance wird zur Ablage statt zum Betriebssystem. Die entscheidenden Fragen sind operativ:

• Wer darf Treiberlogik ändern?
• Wer darf Mappings ändern?
• Wie werden Änderungen getestet?
• Wie werden Änderungen ausgerollt?
• Wie werden Änderungen kommuniziert?

Wenn diese Antworten unklar sind, sichern sich Teams mit Nebenrechnungen ab.

4) Performance-Probleme erzeugen Workarounds

Performance ist natürlich extrem wichtig für Usability und Akzeptanz. Wenn Screens langsam laden, Rechenläufe dauern oder Reports träge refreshen, wandert Arbeit aus der Plattform raus. Das ist kein „Change Resistance“, sondern rational.

5) Die Organisation bleibt in Silos

IP&A braucht Integration zwischen Planung, Analytics und häufig weiteren CPM-Prozessen. Wenn Planung in Finance sitzt, Analytics in IT oder BI, und Datenmanagement irgendwo dazwischen, wird „single point of truth“ zum Koordinationsproblem. Koordinationsprobleme erzeugen Verzögerung. Verzögerung erzeugt Schattenprozesse.

Ein pragmatischer Fix: Kohärenz vor Coverage

Viele Organisationen wollen zu viel auf einmal: Strategieplanung, FP&A, operative Planung, Analytics, Dashboards, Simulationen, AI-Features. Robuster ist eine andere Reihenfolge: erst Kohärenz bauen, dann Breite.

Starten Sie mit drei Prioritäten:

1) Ein zentral gemanagtes Stammdaten-Backbone

Eigentum für Stammdaten muss klar sein. Hierarchien und Definitionen zuerst stabilisieren, dann Scope erweitern.

2) Ein gemeinsames Ist/Plan-Modell für die wichtigsten Management-Views

Wenn Ist und Plan nicht in einem konsistenten Modell abgebildet sind, wird der wichtigste Vergleich im Management Reporting permanent diskutiert.

3) Ein Change-Prozess, den Business User akzeptieren

Der Markt drückt Self-Service. Self-Service funktioniert nur, wenn Changes sicher sind.

Sichere Changes heißen:

• klare Rollen
• Workflow
• Testumgebungen
• Audit Trails

Ein Takeaway

Wenn „single point of truth“ in der Realität immer noch vor allem aus Exports und Abgleichen besteht, liegt der Engpass selten im Frontend. Der Hebel sitzt in Datenmodell, Governance und klarer Verantwortlichkeit. Tools sind wichtig, aber das Operating Model entscheidet, ob IP&A in der Praxis funktioniert.

Was sie aber nicht können: das Ganze in Ihrer Umgebung sicher anwenden. Wo liegen die Daten im Unternehmen? Wie fließen sie durch die internen Systeme? Und was lässt das Governance Framework überhaupt zu?

Die Kernfrage ist deshalb nicht „Können Ihre Mitarbeiter Python lernen?“, sondern: „Können sie Python in Ihrem Unternehmen sinnvoll einsetzen?“

Dr. Boris Adryan, Director der Merck Data & AI Academy, zeigt seit drei Jahren, wie kontextorientiertes Upskilling in der Praxis funktioniert. Bei Merck ist das ein zehnwöchiges internes Programm. Es wird komplett von Mercks eigenen Coaches unterrichtet und macht Fachkräfte verschiedener Abteilungen zu Citizen Data Scientists.

Was ist ein Citizen Data Scientist?
Eine Person aus dem Fachbereich, die Datenfragen formulieren, Analysen durchführen und einfache Modelle selbst bauen kann, ohne die eigene Rolle zu verlassen. Bei Merck unterscheidet das „Citizen“-Präfix Programmabsolventen von formal ausgebildeten Data Scientists.

Auch die BARC-Daten zeigen: Das Thema steht in vielen Unternehmen weit oben auf der Agenda. Der BARC Trend Monitor 2026 basiert auf Antworten von fast 1.600 Fachleuten. Dort zählt „eine datengesteuerte Kultur etablieren“ zum fünften Mal in Folge zu den Top-Prioritäten. Und das noch vor Hype-Themen wie generativer AI und Agentic AI. Best-in-Class-Unternehmen bewerten die Relevanz mit 8,4 von 10 Punkten, Laggards mit 7,1.

In zehn Wochen vom Einstieg bis zum implementierten Use Case

Adryans Ziel ist ambitioniert: Mindestens 20% von Mercks Belegschaft (ca. 63.000 Mitarbeiter) sollen sicher mit Daten arbeiten können. Nicht als Data Scientists, sondern als Professionals, die datenbasierte Entscheidungen treffen können.

Damit das klappt, hat Merck ein modulares Curriculum in drei Stufen aufgebaut:

1. Grundlagen (Woche 1). Der Einstiegskurs ist offen für alle. Dabei geht es in erster Linie um Ideation und Mindset: Hast du überhaupt Daten? Sind sie sauber? Was ist die Datenstrategie – und wie fügt sie sich in die Firmenstrategie ein? Aus diesen Fragen heraus entwickeln die Teilnehmer einen Use Case, der sich über das gesamte Programm zieht.
2. Analyst Track (Woche 2 bis 4): Die nächste Stufe ist für alle geeigneten Kandidaten, die Interesse daran haben, tiefer einzusteigen. Zwei Wochen lang geht es darum, Python und SQL zu lesen und zu verstehen. Danach folgt ein einwöchiger Hackathon. Dort setzen Teilnehmer ihren Use Case mit einem dedizierten Mentor aus einer Data-Funktion um.
3. Citizen Data Scientist Track (Woche 5 bis 10): Der finale Schritt zum Citizen Data Scientist umfasst Inferenzstatistik und Machine Learning plus eine hands-on Projektphase. Am Ende steht der implementierte Use Case.

Jedes Jahr bringt Merck etwa 300 Mitarbeiter durch die erste Stufe des Programms. Etwa 10% gehen in den Analyst Track und rund 20 Mitarbeiter pro Jahr schließen den kompletten Citizen-Data-Scientist-Track ab.

Warum internes Upskilling mehr Menschen erreicht

Die eigenen Leute schulen das Team. Die Mentoren kommen aus denselben Bereichen wie die Teilnehmer. Adryan nennt das „weniger Reibungsverlust durch Sprache“: Ein R&D Data Scientist coacht Kollegen aus R&D, ein Commercial-Analyst Kollegen aus dem Controlling.

„Man könnte dasselbe Wissen auch in 20 Wochen E-Learning vermitteln. Aber diesen Kurs würde niemand machen.“ — Boris Adryan

Training an internationalen Standorten. Teile des Programms finden in Städten wie São Paulo oder Bangalore statt. Das ist aufwendig, aber es macht jede Kohorte zu einem Ereignis. Und genau darüber wird im Unternehmen gesprochen.

Der Hype ist Absicht. Begrenzte Plätze, hohe Nachfrage, eine gute Story. Das klingt banal, ist in großen Organisationen aber ein echter Hebel: Menschen wollen rein, statt „zu müssen“.

Wenn der CFO nach dem Wertbeitrag fragt

Adryan war da sehr ehrlich: Viele Projekte bringen erst einmal nur „Taschengeld“. Aber etwa 20% der Use Cases liefern einen Wert von über 100.000 € oder mehr – umgesetzt von Menschen, die vorher vor allem mit Excel gearbeitet haben.

Auch die Rechnung bei externen Neueinstellungen ist eindeutig: Merck schätzt, dass allein die Rekrutierung eines externen Data Scientists rund 100.000 € Prozesskosten verursacht. Das Programm schafft hier eine Alternative, weil es intern qualifiziert: Rund ein Viertel der Absolventen wechselt später in Rollen mit Datenfokus.

Drei Learnings für Ihre Data-Culture-Strategie

Das ist bei mir nach der Session hängen geblieben:

• E-Learning kann ergänzen. Es ersetzt aber nicht Menschen, die die Daten, die Tools und das Governance-Framework in Ihrem Unternehmen kennen. Wenn Sie wollen, dass mehr Menschen mit Daten arbeiten, lassen Sie die schulen, die es heute schon tun.
• Sie brauchen nicht 1.000 Citizen Data Scientists. Sie brauchen viele Leute, die ein Gespür dafür haben, was Daten leisten können.
• Adryan ist nicht mit dem Anspruch gestartet, dass sich das Programm sofort rechnet. Aber weil er die Ergebnisse aus den Projekten konsequent dokumentiert hat, hat er sich eine belastbare Grundlage aufgebaut und damit die Rückendeckung des Managements gesichert.