Eine KI-Antwort auf Ihre Hotelzahlen kommt in Sekunden und klingt überzeugend. Ob sie stimmt, hängt von etwas ab, das die Anfrage gar nicht sehen kann.
Ein Hotelier lädt die monatliche Auswertung vom Steuerberater als PDF in ChatGPT oder Claude hoch und fragt, wie sein Betrieb dasteht. Die Antwort kommt in Sekunden, klingt kompetent, stimmt aber nur bedingt.
Das passiert inzwischen ständig, und der Impuls dahinter ist gut nachvollziehbar. Die Zahlen liegen ohnehin als PDF vor. Der Steuerberater braucht für dieselbe Frage oft Tage, weil erst Belege sortiert und Rückfragen geklärt werden müssen. Die KI dagegen antwortet sofort, kostenlos und mit einer Selbstsicherheit, die kaum Raum für Zweifel lässt. Genau das ist das Problem: Man kommt gar nicht auf die Idee, nachzufragen, worauf diese Sicherheit eigentlich beruht.
Zwei Beispiele aus dem Alltag
Die Auswertung zeigt einen Rückgang der Wareneinsatzkosten im Restaurant gegenüber dem Vorjahr. Wirkt zunächst nach einer guten Nachricht. Nur war das Restaurant im Vorjahr wegen eines Umbaus vier Wochen geschlossen. Ein Chatbot, der das nicht weiß, feiert einen Rückgang, der in Wirklichkeit ein Umsatzausfall war.
Ein zweites Beispiel, das genauso häufig vorkommt: Die Personalkostenquote im Januar liegt bei 38 %. Für ein Ferienhotel in den Bergen, das im Januar seine Hauptsaison hat, ist das ein völlig normaler Wert. Für ein Stadthotel, das im Januar kaum Gäste hat, wäre derselbe Wert ein Alarmsignal. Die Zahl allein sagt gar nichts, solange niemand weiß, was für diesen Betrieb zu dieser Jahreszeit normal ist.
Das Grundproblem: Eine PDF kennt Ihren Betrieb nicht
Eine einzelne PDF-Datei zeigt nicht, wie die Kostenstellen im Betrieb aufgebaut sind, welche Positionen darin stecken und wie sich das Haus über das Jahr entwickelt. Sie kennt die Saisonalität nicht und weiß nicht, ob die Zahlen von heute stammen oder vom letzten Monatsabschluss. Eine KI antwortet trotzdem, mit derselben Selbstsicherheit, ob die Zahl stimmt oder nicht. Bei einer Finanzentscheidung ist eine plausibel klingende, aber falsche Zahl schlimmer als gar keine Zahl, weil man ihr genauso vertraut wie einer richtigen.
Der zweite blinde Fleck: Wo Ihre Daten landen
Wer Lohnlisten, Dienstpläne oder Bankauszüge in einen öffentlichen Chatbot lädt, gibt sensible Daten aus der Hand, ohne zu wissen, wo sie verarbeitet und wie lange sie gespeichert werden. Das ist kein theoretisches Risiko: Im November 2025 verschafften sich Angreifer über einen externen Analyse-Dienstleister von OpenAI Zugang zu Daten von Geschäftskunden – Namen, E-Mail-Adressen, Standorte und technische Details zu deren Systemen waren betroffen. Selbst zahlende Business-Kunden sind also nicht automatisch geschützt. Was ein Datenleck am Ende kostet, zeigt der aktuelle IBM-Report zu Datenschutzverletzungen: In Deutschland liegt der durchschnittliche Schaden pro Vorfall inzwischen bei 4,25 Millionen Euro. Für ein Hotel mit Mitarbeiterdaten und Bankverbindungen ist das keine Kleinigkeit, sondern eine Frage, die vor dem nächsten Upload beantwortet gehört.
Was profitize anders macht
profitize verfolgt an genau diesem Punkt einen anderen Ansatz: nicht noch ein Chatbot, der auf einer hochgeladenen PDF-Datei rät, sondern die Datenbasis, auf der eine verlässliche Antwort erst möglich wird. Der Unterschied beginnt bei der Aufbereitung, nicht beim Sprachmodell.
profitize führt PMS, Kassensysteme, Buchhaltung, Lohnverrechnung und Bankdaten laufend zusammen und ordnet Buchungen automatisch den richtigen Kostenstellen zu – auch wenn Buchungstexte uneinheitlich, mehrsprachig oder fehlerhaft formatiert sind. Ein Rückgang der Wareneinsatzkosten wegen eines Umbaus/Betriebsschließung wird so nicht gefeiert, sondern eingeordnet, weil das System den Kontext des Betriebs bereits kennt, statt ihn aus einer einzelnen Datei zu erraten.
Für die Personalkostenquote gilt dasselbe Prinzip: profitize kennt die Saisonalität des jeweiligen Hauses, weil sie laufend im System hinterlegt ist, statt bei jeder Anfrage neu geschätzt zu werden. Ein Wert von 38 % wird deshalb nicht pauschal bewertet, sondern im Vergleich zur Vorsaison und zu vergleichbaren Betrieben.
Auch beim Sprachmodell selbst trennt profitize zwei Aufgaben, die ein generischer Chatbot vermischt. Forecasting, Kategorisierung und Ausreißererkennung laufen über eigene, für die Hotellerie entwickelte Modelle, die Saisonalität, Ratenpläne und Multi-Property-Strukturen berücksichtigen. Große Sprachmodelle kommen erst danach zum Einsatz – um Ergebnisse zu erklären und Kennzahlen in Alltagssprache zu übersetzen. Die Entscheidung bleibt beim Hotelier, die KI liefert die Grundlage dafür.
Nicht ob, sondern welche Datenbasis
Die eigentliche Frage lautet deshalb nicht, ob man seine Zahlen einer KI zeigt. Sondern welche Datenbasis dahinter steht. Eine KI ist nur so gut wie die Zahlen, auf denen sie rechnet. Wer wissen will, was sein Betrieb wirklich verdient, braucht mehr als eine schnelle Antwort auf eine hochgeladene PDF-Datei. Er braucht Zahlen, die den eigenen Betrieb tatsächlich kennen: die Saisonalität, die Kostenstruktur, den Kontext, der aus einer einzelnen Zahl erst eine Aussage macht.
Quellen
Euronews: „OpenAI bestätigt Datenleck bei ChatGPT: Das wissen wir", 27. November 2025 (Datenleck bei Geschäftskunden über den Analyse-Dienstleister Mixpanel) – de.euronews.com/next/2025/11/27/openai-bestatigt-datenleck-bei-chatgpt-das-wissen-wir
IBM Newsroom: „Jedes vierte Datenleck wird durch KI ermöglicht – Datenlecks kosten deutsche Unternehmen im Schnitt 4,25 Millionen Euro", Cost of a Data Breach Report 2026, 29. Juli 2026 – de.newsroom.ibm.com/IBM-Studie-Jedes-vierte-Datenleck-wird-durch-KI-ermoglicht-Datenlecks-kosten-deutsche-Unternehmen-im-Schnitt-4,25-Millionen-Euro