Sosys entwickelt einen privaten Finanzagenten mit KI und Daten aus verschiedenen Quellen

Sosys ( ) in der Entwicklung intelligenter Geschäftsökosysteme. Das Unternehmen arbeitet nach einem B2B-Unternehmensmodell und betreut ein Portfolio mittelständischer und großer Kunden aus verschiedenen Branchen, die hochpräzise analytische Verarbeitung benötigen.

Das Geschäftsmodell von Sosys basiert auf Governance, regulatorischer Compliance und Transaktionstransparenz. Angesichts eines komplexen makroökonomischen Umfelds, geprägt von der bevorstehenden Steuerreform und dem Bedarf an Konsolidierung von Finanz- und Betriebsdaten, stand Sosys vor der Herausforderung, sein Leistungsangebot zu skalieren. Zentrales Ziel war der Übergang von statischen Analyseberichten zu einer prädiktiven und dezentralen Entscheidungsarchitektur, um die Abhängigkeit von manuellen Arbeitsabläufen und zeitaufwändigen Abfragen der relationalen Datenbanken der Kunden zu eliminieren.

Das eigentliche Problem

Im traditionellen Betriebsmodell der Sosys-Kunden litt die Entscheidungsfindung unter Datenverzögerungen aufgrund von Informationssilos. Die grundlegenden Variablen zur Berechnung der laufenden Kosten, der Cashflow-Prognose und des Betriebskapitalbedarfs waren über verschiedene Umgebungen fragmentiert: relationale Datenbanken in ERP-Systemen, Interaktionsprotokolle in CRM-Systemen und dezentrale Tabellenkalkulationen.

Betriebliche Engpässe und technische Beschränkungen

• Übermäßige Analyseverzögerungen: Die Konsolidierung strukturierter Managementberichte war von manueller Datenextraktion und Querverweisen abhängig. Die Beantwortung strategischer Fragen, wie beispielsweise Simulationen von Vertragsbrüchen oder die Auswirkungen eines Zahlungsausfalls auf den Cashflow, erforderte tagelange interne Bearbeitung und aufeinanderfolgende technische Besprechungen.
• Fragmentierung und Schema-Inkonsistenz: Das Fehlen einer einheitlichen Datenbereinigungsschicht führte zu Metrik-Diskrepanzen zwischen den im CRM erfassten Umsätzen und dem Buchhaltungsabgleich im ERP.
• Compliance- und Betrugsrisiken: Die direkte Handhabung sensibler Finanzdaten durch menschliche Bediener vergrößerte die Angriffsfläche für Betrug und Steuerhinterziehung und verstieß gegen Grundsätze der Corporate Governance und der Informationssicherheit.
• Direkte finanzielle Auswirkungen: Die Unfähigkeit, dynamische Szenarien auf Basis der Zahlungs- und Inkassobedingungen (DSO und DPO) zu prognostizieren, führte zu ineffizienten Kapitalallokationen, wodurch Opportunitätskosten und eine Diskrepanz zwischen prognostiziertem und tatsächlichem Cashflow entstanden.

Lösungsarchitektur

Um diese Einschränkungen zu überwinden, nutzte Sosys Skyone Studio, eine intelligente Integrations- und KI-Plattform, die iPaaS-Tools, Lakehouse, KI-Agenten und dialogbasierte Schnittstellen mit Business Intelligence vereint. Die zur Erstellung von Nanda, dem virtuellen CFO von Sosys, implementierte Architektur war in fünf Hauptschichten innerhalb des Skyone Studio-Verarbeitungsprozesses strukturiert:

Komponenten und Technologie-Stack

1. Pipelining via iPaaS (Integration Platform as a Service): Asynchrone Verbindung über Datenpipelines zur Integration der APIs von ERP-, CRM- und Legacy-Systemen. Automatisierte Abläufe übernehmen die Datenerfassung in Echtzeit und standardisieren heterogene Schemata.
2. Lakehouse Layer und Datenmanagement: Nutzung des von Skyone Studio verwalteten Repositorys zur Organisation des Analyseprozesses. Rohdaten ( Rohdatenbank ) werden automatisierten Transformations- und Bereinigungsprozessen ( Data Cleaner 2.0 ) unterzogen, um in optimierten Ansichten ( vorbereitete Datenbank ) gespeichert und clientseitig in Data Marts segmentiert zu werden
3. Agentenbasierte Workflow-Orchestrierung: Implementierung eines autonomen Moduls auf Basis privater großer Sprachmodelle (LLMs). Der Orchestrierungsagent ist in der Lage, komplexe textuelle Ziele zu verstehen, Aktionssequenzen zu planen, Werkzeuge (spezifische Abfragefähigkeiten) auszuwählenund Scans in der analytischen Datenbank anhand strukturierter Eingabeaufforderungen durchzuführen.
4. Sicherheits-, Governance- und Betrugsschutzebene: Die gesamte Nutzdatenübertragung und -verarbeitung erfolgt innerhalb eines geschützten Ökosystems. Strenge Validierungsregeln blockieren unautorisierte Anfragen und prüfen Transaktionsinkonsistenzen, bevor die Daten an die endgültige Schnittstelle gesendet werden.
5. Omnichannel-Multichannel-Distribution: Native Integration von Skyone Studio mit Corporate Messaging, wodurch intelligente Agentenfunktionen über WhatsApp Business, Microsoft Teams und strukturierte private Chatumgebungen verfügbar werden.

Technische Herausforderungen

Die technische Entwicklung des Nanda-Agenten erforderte einen Ausgleich zwischen Datenarchitektur und generativer KI:

• Datenbereinigung mittels Tokenisierung: Sprachmodelle arbeiten unter strengen Kontextbeschränkungen (1 Token = 4 Zeichen bzw. 0,75 Wörter). Die Verarbeitung von Rohdaten aus Finanztabellen durch ein Sprachmodell würde den Kontextrahmen überschreiten und die Betriebskosten erhöhen. Skyone Studio löst dieses Problem durch die Anwendung strukturierter Zusammenfassung und nativer natürlicher Sprachübersetzung auf SQL-Abfragen (Text-zu-SQL) direkt in den Data Marts und optimiert so den Tokenverbrauch.
• Gewährleistung analytischen Determinismus: Rein generative Modelle sind anfällig für Fehlinterpretationen, ein inakzeptables Risiko für Bilanzierungsbilanzen. Die Architektur implementiert RAG-Techniken (Retrieval-Augmented Generation) in Verbindung mit Kreuzvalidierungen. Die künstliche Intelligenz reagiert ausschließlich auf Basis streng strukturierter und validierter Daten aus dem internen Data Lake der Lösung.
• Trennung sensibler Datenkontexte: Um Datenleckszwischenverschiedenen von Sosys betreuten Unternehmen zu verhindern, isolierte Studio die Wissensdatenbanken logisch in einzelne verschlüsselte Partitionen und verwaltete eindeutige Zugriffsschlüssel, die mit der ID jeder Benutzerorganisation verknüpft sind.

Durchführung

Die Projektumsetzung erfolgte in vier makrostrukturierten Phasen innerhalb des einheitlichen Skyone-Ökosystems:

Phase 1: Zuordnung von Systembetreibern und Datenaufnahme (iPaaS)

Abbildung aller Kundentransaktionsdatenquellen (Kreditorenbuchhaltung, Debitorenbuchhaltung, Abrechnungstabellen und CRM-Protokolle). Konfiguration vorkonfigurierter Konnektoren und API-Busse über Skyone Studio iPaaS-Pipelines, um die automatisierte und kontinuierliche Datenerfassung zu gewährleisten.

Phase 2: Errichtung und Sanierung des Seehauses

Zentralisierung der erfassten Daten in der Data-Lake-Schicht. Implementierung logischer Datentransformationsabläufe zur Entfernung von Duplikaten, zur Behandlung von Nullwerten und zur Konvertierung von Zeichenketten in standardisierte numerische Formate für die Finanzprüfung.

Phase 3: Schnelle technische Umsetzung und agentenbasierter Workflow

Entwicklung des Entscheidungsprozesses des intelligenten Agenten in Studio. Konfiguration spezifischer Fähigkeiten,wie z. B. Auslöser für Cashflow-Simulationen, Routinen zur Überprüfung der Steuerkonformität und optimierte Abfragegeneratoren für die Datenbank. Integration mit ausgewählten LLMs und Kalibrierung der Temperaturhyperparameter zur Beseitigung konzeptioneller Abweichungen.

Phase 4: Sicherheitsvalidierung und Omnichannel-Veröffentlichung

Genehmigung der integrierten Betrugsschutzschicht. Aktivierung von Multi-Channel-Publishing-Gateways, um Nanda direkt mit den WhatsApp- und Microsoft Teams-Produktionsumgebungen genehmigter Kunden zu verbinden und so die unternehmensweite Kommunikation in Echtzeit per Audio und Text zu ermöglichen.

Messbare Ergebnisse

Die Umstellung der analytischen Arbeitsabläufe auf das generative KI-gestützte Ökosystem bei Skyone Studio hat zu messbaren strukturellen Verbesserungen geführt:

• Reduzierte analytische Reaktionszeiten: Komplexe Abfragen für die Finanzszenarioplanung und die Erstellung strukturierter Managementberichte dauern nun nur noch Sekunden statt Tageund werden in Echtzeit (24/7) ausgeführt.
• Operative Effizienz: eine drastische Reduzierung von Nacharbeiten und der Notwendigkeit technischer Abstimmungsgespräche für die manuelle Extraktion von Unternehmensdatenbanken.
• Aktive Betrugsprävention: Implementierung automatisierter Echtzeitwarnungen. Stellt der Sachbearbeiter eine geplante Zahlung ohne zugehörigen Beleg im ERP-System fest, löst der Prozess eine Compliance-Maßnahme aus, um potenzielle Engpässe oder operativen Betrug zu verhindern.
• Erhöhte Verfügbarkeit von Informationen: Beschleunigung taktischer Entscheidungen in Sitzungen des Exekutivausschusses, Beseitigung von Verzögerungen aufgrund des unmittelbaren Fehlens validierter makroökonomischer Indikatoren.

Erkenntnisse

1. Intelligente Datenverarbeitung setzt eine vorherige Strukturierung voraus: Fortschrittliche generative KI-Modelle verlieren ihren Nutzen, wenn sie auf unstrukturierte oder beschädigte Datenbanken angewendet werden. Nandas Erfolg beruhte auf der Fähigkeit von Skyone Studio, die Daten in der Lakehouse-Schicht vor der Weiterverarbeitung mit LLM zu bereinigen und zu organisieren.
2. Anwendungsschichtorientierter Ansatz: Die agile Entwicklung innovativer Unternehmenslösungen erfordert nicht, dass Unternehmen grundlegende KI-Modelle von Grund auf neu entwickeln. Echter Unternehmenswert entsteht durch die Orchestrierung bestehender LLM-Infrastruktur mit privaten, unternehmensspezifischen Daten.
3. Sicherheit als Voraussetzung für die Skalierung von KI: Im B2B-Unternehmenssegment ist die intelligente Verarbeitung sensibler Daten nur unter strengen Governance-Rahmenbedingungen und isolierten Umgebungen realisierbar, die eine kontinuierliche Einhaltung der Vorschriften gewährleisten.

Häufig gestellte Fragen

Was ist ein privater Finanzagent mit KI?

Dies ist eine intelligente Architektur auf Basis von Sprachmodellen (LLMs), die in einer geschlossenen Unternehmensumgebung operiert. Im Gegensatz zu öffentlicher künstlicher Intelligenz nutzt der private Agent ausschließlich interne Unternehmensdaten (wie ERP- und CRM-Systeme), wodurch absolute Vertraulichkeit, Zero-Trust-Governance und hochpräzise analytische Antworten ohne externe Informationsweitergabe gewährleistet werden.

Wie gewährleistet Skyone Studio die Sicherheit sensibler Finanzdaten?

Skyone Studio arbeitet durch die Vereinheitlichung von Sicherheits-, Compliance- und Betrugsschutzmechanismen im Datenfluss. Unternehmensdaten werden in dedizierten Lakehouse-Strukturen logisch isoliert, wodurch Querzugriffe und Datenlecks verhindert werden,während gleichzeitig die vollständige Transaktionsnachverfolgbarkeit gemäß strengen Corporate-Governance-Standards gewährleistet bleibt.

Wie funktioniert die Integration von Daten aus verschiedenen Quellen in Skyone Studio?

Die Plattform arbeitet mit einer integrierten iPaaS-Lösung, die Informationsflüsse aus über 400 Marktsystemen (wie ERP-, CRM- und externen Datenbanken) zentralisiert und orchestriert. Diese Datenpipelines extrahieren, bereinigen und standardisieren strukturierte und unstrukturierte Daten und laden sie automatisch in ein einheitliches Datenportal (Lakehouse) zur sofortigen Nutzung durch KI-Agenten.

Könnte der Einsatz von generativer KI im Bereich Unternehmensfinanzierung zu Fehlern in Berichten führen?

Um analytische Fehler oder Fehlinterpretationen zu vermeiden, verwendet die in Skyone Studio eingesetzte Datenarchitektur fortschrittliche RAG-Verfahren (Retrieval-Augmented Generation). Dies bedeutet, dass der KI-Agent technisch darauf beschränkt ist, Fragen ausschließlich mit realen, sauberen und validierten Daten aus dem unternehmenseigenen Data Lake zu beantworten, wodurch die mathematische Determiniertheit der Antworten gewährleistet wird.