Anwenderleitfaden: So setzt das Finance-Team von Comcast Technology Solutions Zuora AI in der Praxis ein

Bei Comcast Technology Solutionshat Chris Skalet nicht versucht, das Finanzwesen neu zu erfinden. Er wollte lediglich verhindern, Rechnungen weiterhin einzeln durchklicken zu müssen. Nach einigen kleinen, gezielten Experimenten mit Zuora AIverbringt sein Team seine Zeit nun mit Analysen statt mit Administration – und Skalet hat eine neue Vorstellung davon, was Finance leisten kann.

Skalets Vorgehen ist ein praxisnahes Modell für Finance-Expertinnen und -Experten, die KI einsetzen möchten, ohne die Kontrolle abzugeben: Beginnen Sie mit einer bekannten Aufgabe, geben Sie dem Tool präzise Anweisungen, validieren Sie das Ergebnis anhand verlässlicher Zahlen, und belassen Sie produktive Entscheidungen bei den Menschen, die den Geschäftsprozess verantworten.

Chris betrachtet Zuora AI weniger als autonomen Ersatz für Finance und vielmehr als kompetenten Kollegen. Das Tool kann dabei helfen, zu untersuchen, zu erklären, abzufragen und freigegebene Aufgaben auszuführen – die Finanzfachkraft liefert jedoch den Kontext und bleibt für das Ergebnis verantwortlich.

Ein praxistauglicher Workflow sieht so aus:

• Fragen: Beschreiben Sie das geschäftliche Ziel sowie die Grenzen der Aufgabe.
• Prüfen: Überprüfen Sie die Daten, Logik, Abfrage oder Datensätze, die die KI identifiziert.
• Validieren: Vergleichen Sie das Ergebnis mit bekannten Beispielen, verlässlichen Summen oder dem erwarteten Verhalten.
• Entscheiden: Legen Sie fest, ob das Ergebnis einsatzbereit ist, nachgeschärft werden muss oder nicht weiterverfolgt werden sollte.

Die folgenden Beispiel-Prompts sind an Chris’ Workflows angelehnt. Ein hilfreiches Prompt-Muster lautet: Geschäftskontext + konkrete Aufgabe + Umfang und Zeitraum + erwartete Ausgabe + Einschränkungen oder Freigabeschritt.

Die Herausforderung

Verteilte Teams können kleinere Inkonsistenzen in der Einrichtung verursachen, die sich manuell nur schwer erkennen lassen. Beim Finance-Team von Comcast Technology Solutions handelte es sich um ein Kommunikationsprofil, das nicht zum jeweiligen Kontotyp passte. Chris benötigte eine Möglichkeit, diese Ausnahmen zu finden, ohne eine Routineprüfung in eine umfassende, risikoreiche Änderung an produktiven Daten zu verwandeln. Zugleich war dies sein erster echter Test des Tools: eine klar abgegrenzte, wenig kritische Fragestellung, bei der er jedes Ergebnis Datensatz für Datensatz prüfen konnte, bevor er Zuora AI mit größeren Themen betraute.

Wie Chris das mit Zuora AI gelöst hat

Chris begann mit einem schreibgeschützten Abgleich anhand einer kleinen, gut verstandenen Kontenmenge. Er bat Zuora AI, Datensätze zu markieren, die nicht der erwarteten Beziehung zwischen Profil und Kontotyp entsprachen, dies zu begründen und die zugrunde liegenden Daten unverändert zu lassen. Das Tool identifizierte mehrere Konten, bei denen ein falsches Profil hinterlegt war, und sein Team korrigierte diese manuell. Das war ein kleiner Erfolg, zeigte ihm jedoch, dass das Tool tatsächlich das erkennen konnte, was er sehen musste, bevor er ihm etwas mit höherem Risiko überließ.

Beispiel-Prompt

Prüfe die Kommunikationsprofile, die mit [Kontenmenge oder Kontotyp] für [Zeitraum] verknüpft sind. Vergleiche jedes Profil mit dem Kontotyp und gib nur Datensätze zurück, die inkonsistent erscheinen. Gib eine Tabelle mit Konto-ID, Kontoname, Kontotyp, aktuellem Profil, erwartetem Profil und Begründung für die Ausnahme aus. Nimm keine Änderungen an Datensätzen vor.

Validieren, bevor gehandelt wird

• Bestätigen, dass der Abgleich die vorgesehenen Regeln für Kontotypen verwendet.
• Jede Ausnahme prüfen, bevor eine Korrektur vorgenommen wird.
• Prüfen, dass die Berechtigungen des Nutzers unbeabsichtigte Änderungen verhindern.
• Für die Korrektur den Audit-Trail bzw. den bestehenden Review-Prozess beibehalten.

Die Herausforderung

Einige CTS-Kunden haben Rechnungsentwürfe, die nach der Systemgenerierung gebucht werden müssen. Bei der Auslieferung von Anzeigen kann ein einzelner monatlicher Abrechnungszyklus Dutzende oder Hunderte von Rechnungen umfassen, und Chris erinnert sich daran, zum Abschluss für einen Kunden ungefähr 60 davon gebucht zu haben – Klick für Klick. „Das war irgendwie geistig ermüdend“, sagt er. „Ich könnte meine Zeit für etwas Sinnvolleres nutzen.“

Wie Chris das mit Zuora AI gelöst hat

Chris übergab Zuora AI die Rechnungsliste und ließ die Lösung buchungsreife Rechnungen von Ausnahmen trennen und anschließend nur die Rechnungen buchen, die er ausdrücklich freigegeben hatte. Es änderte sich nichts daran, wer entschied, was passieren sollte; das Tool handelte nicht aufgrund einer vermuteten Absicht, sondern ausschließlich auf seine ausdrückliche Anweisung. Was verschwand, war das manuelle Durchklicken – und das Risiko, mittendrin den Überblick zu verlieren.

Beispiel-Prompt

Für [Kunden-/Kontoset] und [Abrechnungszeitraum] identifiziere Rechnungen, die sich noch im Entwurfsstatus befinden und buchungsreif erscheinen. Gib eine Tabelle mit Rechnungs-ID, Kontoname, Rechnungsdatum, Betrag, Status und jeder blockierenden Ausnahme zurück. Buche oder versende nichts, bis ich die endgültige Liste ausdrücklich freigebe.

Nach Prüfung der Liste könnte eine Folgeanweisung lauten:

Buche nur die freigegebenen Rechnungs-IDs aus der obigen Liste. Schließe jede Rechnung mit einer Ausnahme oder einem anderen Status als Entwurf aus. Versende keine E-Mails an Kunden. Gib die Anzahl der gebuchten Rechnungen, die Rechnungs-IDs und etwaige Fehler zurück.

Vor dem Ausführen validieren

• Bestätigen Sie die Rechnungsliste und den Abrechnungszeitraum.
• Schließen Sie Datensätze mit Ausnahmen oder unerwarteten Status aus.
• Prüfen Sie, ob die Aktion für den Benutzer und die Umgebung zulässig ist.
• Prüfen Sie die Bestätigung und gleichen Sie die Anzahl der Buchungen mit der freigegebenen Liste ab.

Die Herausforderung

Abrechnungs-Workflows können Geschäftsregeln enthalten, die sich im Laufe der Zeit ansammeln. Wird ein Auftragstyp falsch verarbeitet, muss der Finanzbereich nachvollziehen können, woher dieses Verhalten kommt und welche Änderung es beheben würde – ohne eine ungetestete Änderung in die Produktion zu überführen. Die Diagnose solcher Probleme bedeutete früher, mehrere Expertise-Ebenen zusammenzubringen und auf Personen zu warten, die nicht immer bei Bedarf verfügbar waren. 

Wie Chris es mit Zuora AI gelöst hat

Chris bat Zuora AI, die relevante Logik nachzuverfolgen, das aktuelle Verhalten zu erklären und die kleinste Änderung vorzuschlagen, die das erwartete Ergebnis liefern würde. Er nutzte das Tool, um die Korrektur in einer Sandbox umzuschreiben und zu testen, und überführte die validierte Version anschließend selbst in die Produktion – über den im Team freigegebenen Prozess. Er kannte weiterhin die Geschäftsregel, definierte weiterhin das erwartete Ergebnis und traf weiterhin die finale Entscheidung darüber, was ausgeliefert wurde. „Die Geschwindigkeit, mit der man etwas beheben kann, in dem Moment, in dem man die Idee hat, macht den entscheidenden Unterschied“, sagt Chris. 

Beispiel-Prompt

Für [Auftragstyp] in [Tenant/Umgebung] ist das erwartete Abrechnungsergebnis [beschreiben Sie das Ergebnis]. Verfolgen Sie die Workflow-Logik nach, die das aktuelle Verhalten bestimmt. Liefern Sie: 1) die relevante Regel oder den relevanten Code, 2) eine Erklärung des aktuellen Verhaltens, 3) die kleinste vorgeschlagene Änderung, 4) Annahmen und 5) potenzielle nachgelagerte Auswirkungen. Nehmen Sie keine Änderungen in der Produktion vor.

Nachdem das Tool eine Änderung vorgeschlagen hat:

Schreiben Sie die relevante Logik für die vorgeschlagene Änderung um. Zeigen Sie das Verhalten vor und nach der Änderung und liefern Sie positive, negative sowie Edge-Case-Testfälle für die Sandbox. Identifizieren Sie Abhängigkeiten oder Freigabeschritte. Stellen Sie nichts bereit und ändern Sie die Produktion nicht.

Vor dem Handeln validieren

• Definieren Sie das erwartete geschäftliche Ergebnis, bevor Sie die technische Änderung prüfen.
• Testen Sie sowohl das beabsichtigte Szenario als auch nahe liegende Edge Cases.
• Vergleichen Sie die Sandbox-Ergebnisse mit bekannten Beispielen.
• Prüfen Sie die Änderung bei Bedarf mit der zuständigen technischen oder Support-Ansprechperson.
• Überführen Sie die Änderung ausschließlich über den freigegebenen Prozess in die Produktion.

Die Herausforderung

Die Analyse zum Monatsende erfordert häufig, Informationen aus Rechnungen, Gutschriften, Zahlungen und Steuerberichten separat zu ziehen und die Ergebnisse anschließend manuell zusammenzuführen – Zeitaufwand, noch bevor die eigentliche Analyse beginnt.

Wie Chris das mit Zuora AI gelöst hat

Chris bat Zuora AI, Rechnungen, Gutschriften, Zahlungen und Steuerinformationen in einer einzigen Abfrage zusammenzuführen. Er verglich die Ausgabe mit Zahlen, denen sein Team bereits vertraute, markierte Abweichungen, erläuterte, wie das korrekte Ergebnis aussehen sollte, und ließ die AI die Abfrage so lange verfeinern, bis sie übereinstimmte. Es war eine Validierung im Hin und Her, keine blinde Übernahme – doch sobald die Ausgabe passte, verfügte sein Team über einen verlässlichen Bericht statt einer manuellen Abstimmung. „Mein Team analysiert jetzt, statt Zusammenfassungen herunterzuladen und zu prüfen“, berichtet Chris. „Diese manuellen Aufgaben sind weg.“

Beispiel-Prompt

Für [Zeitraum] Rechnungen, Gutschriften, Zahlungen und Steuerinformationen nach [Konto/Kunde/Produkt] zusammenführen. Zurückgeben: 1) Abstimmungssummen, 2) die verwendeten Datensätze und Felder, 3) nicht zugeordnete oder doppelte Datensätze, 4) Abweichungen und 5) wahrscheinliche Ursachen. Die Joins und Annahmen erläutern. Keine Daten ändern.

Zur Validierung:

Dieses Ergebnis mit den unten stehenden vertrauenswürdigen Gesamtsummen vergleichen. Jede Abweichung identifizieren, die wahrscheinliche Ursache erläutern und die Abfrage nur dort überarbeiten, wo die Abweichung durch die Logik der Abfrage verursacht wird. Eine klare Dokumentation der Änderungen führen und die finale Abfrage in einem wiederverwendbaren Format zurückgeben.

Vor dem Handeln validieren

• Gesamtsummen gegen vertrauenswürdige Quellberichte abstimmen.
• Auf durch Joins verursachte doppelte Datensätze prüfen.
• Eine kleine, bekannte Stichprobe testen, bevor die Abfrage erweitert wird.
• Prüfen, wie Gutschriften, Zahlungen, Steuern und zeitliche Abgrenzungen dargestellt werden.
• Die finale Abfrage und die Validierungsnotizen für eine wiederholbare Monatsabschluss-Nutzung verfügbar halten.

Die Herausforderung

Wenn ein Unternehmen einen neuen Produktbereich hinzufügt oder seinen Kundenstamm erweitert, kann die Komplexität der Abrechnung zu einem echten Engpass werden, der bestimmt, wie schnell diese Expansion umgesetzt werden kann. Das eigene Ad-Delivery-Geschäft von CTS wurde mit rund 300 Kunden onboarded und jeweils Konto für Konto aufgebaut. Das ist langsame, manuelle Arbeit, bei der sich jeder neue Kunde wie eine isolierte Einzelaufgabe anfühlte.

Wie Chris das mit Zuora AI gelöst hat

Chris beschreibt ein neueres Operating Model: Man startet mit einer Kundenliste und lässt Zuora AI fehlende Daten aufdecken, inkonsistente Konfigurationen kennzeichnen und Ausnahmen von Standardfällen trennen. Die Anlage von Konten sowie Änderungen laufen weiterhin über die bestehenden Berechtigungen und Review-Prozesse des Teams; die KI macht die Auffälligkeiten sichtbar, sie trifft jedoch nicht die Entscheidung.

Beispiel-Prompt

Identifizieren Sie anhand der freigegebenen Kundenliste, der Konto-Vorlage und [Produkt- oder Geschäftsbereichsregeln] fehlende Felder, inkonsistente Konfigurationen sowie Datensätze, die eine manuelle Prüfung erfordern. Gruppieren Sie Ausnahmen nach Typ und geben Sie Kunden-ID, Kontoname, fehlendes oder inkonsistentes Feld, empfohlene nächste Maßnahme sowie Confidence oder Begründung zurück. Erstellen oder ändern Sie keine Konten.

Vor dem Handeln validieren

• Bestätigen Sie die Quellliste und die Konto-Vorlage.
• Trennen Sie wiederholbare Konfigurationen von Ausnahmen.
• Prüfen Sie eine Stichprobe, bevor Sie den Prozess skalieren.
• Stellen Sie sicher, dass nur autorisierte Benutzer Datensätze erstellen oder ändern können.
• Verfolgen Sie ungelöste Ausnahmen über den bestehenden Operating Process des Teams.

Chris’ Vorgehensweise ist vorsichtig und praxisorientiert. Er möchte schnell Ergebnisse sehen, erwartet jedoch zugleich, dass das Tool innerhalb der bestehenden Kontrollen arbeitet.

Verwenden Sie diese Leitplanken, wenn Sie dasselbe Modell anwenden:

• Starten Sie in einer Sandbox oder mit einer kleinen, gut verstandenen Stichprobe.
• Verwenden Sie explizite Anweisungen. Legen Sie Umfang, erwartetes Ergebnis, Ausschlüsse sowie fest, ob das Tool Aktionen ausführen darf.
• Trennen Sie Analyse von Ausführung. Bitten Sie das Tool, zunächst zu identifizieren und zu erläutern, bevor Sie es auffordern, etwas zu ändern oder zu veröffentlichen.
• Validieren Sie anhand vertrauenswürdiger Daten. Bekannte Summen und bekannte Beispiele sind für die Prüfung der Ergebnisse unerlässlich.
• Beachten Sie rollenbasierte Berechtigungen. Ein Benutzer mit Nur-Lese-Rechten sollte auch Nur-Lese-Zugriff behalten.
• Binden Sie einen menschlichen Entscheidungsträger in den Prozess ein. Insbesondere, wenn eine Änderung Auswirkungen auf Abrechnungsergebnisse haben könnte.
• Dokumentieren Sie das Endergebnis. Bewahren Sie die freigegebene Abfrage, Änderung oder Abstimmungslogik zur Wiederholbarkeit auf.

Finanzteams können starten, ohne ihr gesamtes Operating Model neu zu gestalten:

1. Wählen Sie eine repetitive Aufgabe mit einer klar definierten Fertigstellungsdefinition.
2. Testen Sie sie anhand einer kleinen Stichprobe, die das Team bereits versteht.
3. Bitten Sie die KI, ihren Ansatz zu erläutern und Ausnahmen sichtbar zu machen.
4. Vergleichen Sie die Ergebnisse mit verlässlichen Referenzergebnissen und verfeinern Sie die Anweisung.
5. Weiten Sie erst aus, wenn das Team erklären kann, was passiert ist – und warum.
6. Stellen Sie sicher, dass die Ausführung in der Produktion weiterhin den bestehenden Berechtigungen und dem Review unterliegt.

Die übergeordnete Erkenntnis aus Chris’ Erfahrung ist, dass der beste Einstiegspunkt nicht die ambitionierteste Aufgabe ist. Es ist die Aufgabe, die Finance einen sicheren, sichtbaren Erfolg ermöglicht und mehr Spielraum für die Arbeit schafft, die nur Finance leisten kann: Kontext anwenden, Urteilskraft einbringen und Business-Insight liefern.