Zum Inhalt springen
Zurück zur Übersicht

AI-Automation / Agentic Workflows / Financial Reporting

RMEP – Portfolio-Reporting mit KI-Agenten automatisiert

KI-Automatisierung im Portfolio-Reporting: Eine agentische Pipeline erstellt den Monatsreport einer Beteiligungsgesellschaft, geprüft per QA-Gate und menschlicher Freigabe. Kosten pro Report: rund ein Zehntel.

RMEP – Portfolio-Reporting mit KI-Agenten automatisiert

Ausgangssituation

RMEP berichtet monatlich an Investment Committee und Gesellschafter. Die Zahlen mehrerer Portfolio-Unternehmen lagen verteilt in Excel-Dateien und einem komplexen Cashflow-Modell.

Jede Reporting-Runde bedeutete viel manuelle Arbeit: Daten zusammentragen, prüfen, aufbereiten und formatieren. Der Prozess hing an einzelnen Personen und war schwer skalierbar, Fehler durften trotzdem keine passieren.

Lösung

Eine agentische End-to-End-Pipeline auf Basis von Claude Code und Agent Skills, die jeden Monat automatisch startet:

  • Abruf der Zahlen aus den Datenquellen per API
  • Vier Agent Skills: Vollständigkeit, Konsistenz, Bewertung und PDF-Erstellung
  • Alle Berechnungen in deterministischen Python-Tools, nicht im Sprachmodell
  • Hartes QA-Gate mit Summen- und Konsistenzprüfungen: Fällt eine Prüfung durch, geht nichts raus
  • Freigabe durch einen Menschen, bevor der Report versendet wird
  • Kontrollierter Self-Repair über automatische Pull Requests

GitHub Actions dient als serverloser Runner für Scheduling und Versionierung. Die Human-in-the-Loop-Freigabe bleibt bewusst bestehen: Die KI bereitet vor, der Mensch entscheidet.

Welche Prozesse sich generell für diese Art der KI-Automatisierung eignen, zeigt unser Beitrag KI-Automatisierung: Welche Prozesse sich wirklich lohnen.

Technologie-Stack

  • Claude Code + Agent Skills (agentische Ausführungsschicht und Report-Generierung)
  • GitHub Actions (serverloser Workflow-Runner, Scheduling, Versionierung)
  • Python (deterministische Berechnungs- und QA-Tools)
  • Google-Workspace- und weitere Datenquellen per API
  • GitHub Pull Requests (kontrollierter Self-Repair-Mechanismus)

Ergebnis & Impact

  • Erster vollautomatisch erstellter Monatsreport im August 2026, der Mensch prüft und gibt nur noch frei
  • Rund ein Zehntel der Kosten (Schätzung): Statt mehrerer hundert Euro an Arbeitszeit pro Report fallen heute 20 bis 50 € Laufkosten an
  • Engpass entschärft: Der Report hängt nicht mehr an einzelnen Personen
  • Versioniert und nachvollziehbar, mit QA-Gates vor jedem Versand
  • Blueprint für weitere KI-Automatisierung beim Kunden, etwa Ad-hoc-Auswertungen per Chat direkt auf den Portfolio-Daten