Warum der OLAP-Würfel das falsche Fundament für Finanz-KI ist

Der multidimensionale Würfel ist das stille Arbeitspferd unter dem klassischen Corporate Performance Management. TM1 (heute Planning Analytics), Jedox, Board und die Engines vom Typ Hyperblock beruhen alle auf derselben Idee: Man modelliert das Geschäft als sich schneidende Dimensionen (Konto nach Gesellschaft nach Periode nach Szenario nach Produkt) und lässt den Nutzer in der Zeit eines Mausklicks durch Milliarden von Zellen pivotieren. Dreißig Jahre lang war das der richtige Kompromiss. Wenn ein Planer im Meeting Umsatz nach Region nach Monat braucht, viermal unterschiedlich geschnitten, antwortet ein Würfel sofort, während eine relationale Abfrage kriechen würde.

Wenn Teams also einen KI-Assistenten auf ihren EPM-Stack aufsetzen, wirkt der Würfel wie die naheliegende Stelle, auf die man ihn richtet. Er ist bereits die “eine Zahl”. Er ist bereits schnell. Das Problem liegt in dem, was der Würfel im Stillen weggeworfen hat, um dieses Tempo zu erreichen. Ein Würfel speichert Antworten, nicht die Begründung dahinter. Und eine KI, die über gespeicherte Antworten schlussfolgert, erbt jede Aggregations- und Mapping-Entscheidung, die lange vor der Frage einbetoniert wurde, ohne einen Weg zurück zur Buchung, die sie belegen oder widerlegen würde.

Ein Würfel speichert Schlussfolgerungen, keine Belege

Der prägende Schritt von OLAP ist die Vorverdichtung. Rohbelege werden entlang der Dimensionshierarchien aufgerollt (Tausende von Sachkontenbuchungen fallen zu einer einzigen Zelle “EMEA / Q2 / Nettoumsatz” zusammen), denn genau diese vorberechneten Rollups machen das Pivotieren augenblicklich. Dieser Rollup ist eine Einbahnstraße. Sind die Buchungen erst einmal zu einer Zelle summiert, hat die Zelle keine Erinnerung mehr daran, aus welchen Buchungen sie entstanden ist. Sie ist eine Schlussfolgerung, deren Belege verworfen wurden.

Für die Aufgabe, für die Würfel gebaut wurden, ist das in Ordnung, sogar ideal. Niemand, der einen Abweichungsbericht durchsieht, will zehn Millionen Journalzeilen herumziehen. Aber es bedeutet, dass der Würfel strukturell die falsche Form für die Frage hat, die eine KI im Finanzbereich tatsächlich überstehen muss: “Woher stammt diese Zahl?” Die ehrliche Antwort, die ein Würfel geben kann, lautet “die Summe der darunterliegenden Zellen”, also wieder eine Menge von Schlussfolgerungen statt Belege. Man kann eine Hierarchie hinabsteigen, bis man die unterste gespeicherte Ebene erreicht, und dann ist Schluss. Unterhalb dieser Ebene, im Hauptbuch, wohnt der Prüfpfad. Der Würfel hat keinen Zeiger dorthin.

Das Mapping ist unsichtbar, und die KI sieht es ebenso wenig

Daten in einen Würfel zu bringen ist keine Kopie. Es ist eine Übersetzung. Ein Ladeprozess bildet Quellkonten auf Würfelkonten ab, wendet Vorzeichenwechsel, Währungsumrechnung, Konzern-Eliminierungen und Umlageregeln an und schreibt das Ergebnis dann in Zellen. Jede dieser Transformationen ist eine Modellierungsentscheidung, und die meisten stecken in Ladeskripten, TurboIntegrator-Prozessen oder Regeldateien, die der Würfel selbst nicht als Daten offenlegt.

Eine KI, die den Würfel abfragt, sieht das Ergebnis dieser Übersetzung, ohne dass die Übersetzung mitgeliefert wird. Fragt man sie, warum die Marketingausgaben gesprungen sind, meldet sie brav die Zelle. Sie kann einem nicht sagen, ob der Sprung echt ist oder ob jemand im letzten Quartal die Umlagebasis geändert hat, denn diese Tatsache stand nie im Würfel. Sie stand im Prozess, der ihn gespeist hat. Das ist dasselbe Versagen, in das das Tabellenblatt als falsches Fundament läuft, nur auf einem anderen Weg angekommen. Das Raster verbirgt den Unterschied zwischen einer Hauptbuchzahl und einer überschriebenen; der Würfel verbirgt den Unterschied zwischen einer Rohzahl und einer transformierten. In beiden Fällen liest das Modell eine selbstbewusste Zahl, der die Herkunft abgestreift wurde.

”Weise diese Zahl nach” endet an einer Zelle

Legt man beide Probleme zusammen, ergibt sich der Kerndefekt für KI. Ein auf Retrieval gestützter Assistent ist nur so vertrauenswürdig wie die Quelle, die er zitieren kann. Ist die Quelle ein Würfel, ist der beste verfügbare Nachweis eine Koordinate: eine Zelladresse innerhalb eines Satzes von Dimensionen.

Frage, die ein CFO stellt	Was der Würfel liefern kann	Was fehlt
Wie hoch ist der Q2-Nettoumsatz für EMEA?	Der Zellwert, augenblicklich	Nichts – das ist die Stärke des Würfels
Aus welchen Deals setzt sich diese Zahl zusammen?	Die Tochterzellen eine Ebene tiefer	Die Belege; der Drill endet an der untersten gespeicherten Ebene
Warum hat sie sich gegenüber dem Forecast bewegt?	Zwei Zellen und ihre Differenz	Der Treiber; das Delta ist Arithmetik, keine Erklärung
Weise nach, dass das zum Hauptbuch passt	Eine Rollup-Summe	Das Mapping und die Quellbuchungen, die es belegen würden

Diese letzte Zeile ist das ganze Spiel. Eine Zellkoordinate ist kein Nachweis, den ein Prüfer akzeptiert. Sie sagt “hier sitzt die Zahl im Modell”, nicht “hier stammt die Zahl in der Realität her”. Die Spur endet an einer Zelle, und eine KI-Antwort, die an einer Zelle endet, ist eine Behauptung, kein belastbarer Fakt. Deshalb verbessert das direkte Anbinden eines Sprachmodells an einen EPM-Würfel (das Versprechen hinter vielem “KI-nativem Planning”) die Oberfläche, ohne das Vertrauensproblem anzurühren. Das Retrieval ist in einer Quelle verankert, die sich selbst nicht zurückverfolgen lässt.

Schnell ist nicht dasselbe wie fundiert

Nichts davon macht Würfel zu schlechter Technik. Sie sind wirklich exzellent in Aggregationsleistung, in schwach besetzter Speicherung, darin, einen Menschen ein großes Modell interaktiv erkunden zu lassen. Wenn Ihre einzige Anforderung schnelles Slice-and-Dice über Zahlen ist, denen ohnehin schon jemand vertraut, ist ein Würfel schwer zu schlagen, und Werkzeuge wie Board und Jedox sind genau darin gut.

Der Fehler ist, “schnell abzufragen” so zu behandeln, als bedeute es “sicher für eine KI, darüber zu schlussfolgern und es zu zitieren”. Das sind verschiedene Eigenschaften. Ein Würfel optimiert die Abfragegeschwindigkeit, indem er sich auf einen Satz von Aggregationen und Mappings vorab festlegt; KI-Vertrauenswürdigkeit verlangt das Gegenteil, nämlich die Fähigkeit, jede Zahl bei Bedarf bis zur Quelle zu zerlegen, einschließlich der Fakten, die der Würfel bewusst wegkomprimiert hat. Man bekommt aus einer Struktur, die dafür gebaut wurde, die Herkunft dem Tempo zu opfern, keine Herkunft wieder heraus. Ein nachträglich angeflanschter Drill-through-Pfad erreicht das Hauptbuch nur für die konkreten Zellen, die jemand im Voraus verdrahtet hat; das ist keine allgemeine Herkunft, und die KI kann nicht annehmen, dass es sie gibt.

Wie ein belegbares Fundament aussieht

Die Lösung spiegelt den Tabellenblatt-Fall: Man verlagert die Wahrheitsquelle unter die Abfrageebene, in ein Modell, in dem jede Zahl ihre Verbindung zu der Buchung behält, die sie erzeugt hat. Rexfin baut dieses Modell, indem es sich mit dem verbindet, wo die Zahlen tatsächlich leben – dem Buchhaltungssystem, der Bank, dem Data Warehouse oder hochgeladenen Auszügen – und sie zu einem Modell abstimmt, das auf das Hauptbuch aufgeht. Die Transformationen, die ein Würfel in Ladeskripten vergräbt (Mappings, Eliminierungen, Umlagen), werden Teil der festgehaltenen Herkunft des Modells statt eines unsichtbaren Vorverarbeitungsschritts. Das ist dieselbe Disziplin, die hinter einer sauberen Konzernkonsolidierung steht: Das Modell muss wissen, wie es zusammengesetzt wurde, nicht nur, was es gefolgert hat.

Aggregation findet weiterhin statt – Sie wollen den Umsatz nach Region nach Monat nach wie vor sofort sehen. Der Unterschied ist, dass jedes Aggregat einen Zeiger hinab zu den Buchungen und Regeln darunter hält und eine deterministische Engine, nicht die eigene Arithmetik des Modells, die Rechnung erledigt. Wenn die KI also antwortet, ruft sie aus dem abgestimmten Modell ab und kann die Zahl mitsamt ihrer Spur zurückgeben: die Regel, die Quellzeilen, den Weg, den ein Prüfer gehen würde. Der Würfel gibt Ihnen eine Koordinate. Ein abgestimmtes Modell gibt Ihnen einen Nachweis.

Das Fazit

Der OLAP-Würfel hat sich seinen Platz verdient, weil er schnell im Slice-and-Dice ist, und diesen Platz sollte er behalten. Aber er hat sich dieses Tempo verdient, indem er Schlussfolgerungen speichert und die Belege verwirft, und eine KI kann nur zitieren, was ihre Quelle behält. Richten Sie ein Modell auf einen Würfel, dann endet “weise diese Zahl nach” an einer Zelle: ein Ort, keine Quelle. Die Teams, die belastbare Antworten aus Finanz-KI herausholen, fragen keinen schnelleren Würfel ab; sie legen ein abgestimmtes Modell darunter, sodass jede Zahl auf das Hauptbuch zurückführt und die KI antworten und ihren Rechenweg zeigen kann.

Für das vollständige Bild beginnen Sie mit dem Pillar über die verlässliche Finanzmodellierungsebene für KI. Um zu sehen, wie sie Ihre eigenen Zahlen bis zur Quelle zurückverfolgt, buchen Sie eine Demo.