Drittmittel-Monitoring und Berichtswesen

Das echte Ausmaß des Problems

Forschungsadministration ist in deutschen Universitäten eine massive, oft unsichtbare Last. Wie viel Projektzeit in Berichterstellung, Mittelüberwachung und Dokumentation geht statt in Forschung, hat für Deutschland niemand belastbar gemessen. Bei fünf parallelen Projekten ist schnell ein halber Arbeitstag pro Woche weg, bei einer Projektleiterin oder einem Projektcontroller.

Die konkreten Aufgaben, die Zeit kosten:

• Mittelüberwachung (Controlling): Alle 1–4 Wochen müssen die Ausgaben jedes laufenden Projekts überprüft werden gegen die Fördervertrag-Obergrenzen. Ist das Projekt noch im Budget? Droht Mittelverfall? Bei 40–90 parallel laufenden Projekten: 4–6 Stunden wöchentlich, manuell, in Excel-Listen, die nicht real-time sind.
• Zwischenberichte schreiben: BMFTR-Vorhaben verlangen in der Regel jährlich einen Zwischenbericht, Horizon-Europe-Projekte einen periodischen Bericht je Berichtszeitraum, DFG-Sachbeihilfen meist nur einen Abschlussbericht. Eine Zwischenbericht-Vorlage hat 30–60 Seiten, mit Finanzkapitel, Sachstandsbericht (mit Publikationen, Milestones), und Anhängen. Das Zusammenstellen dauert realistisch 4–8 Stunden pro Bericht. Bei 40 Projekten und einem Bericht alle 12 bis 24 Monate sind das 20 bis 40 Berichte im Jahr, im Schnitt etwa jede zweite Woche einer, mit Häufungen zum Jahresende.
• Publikationslisten aktualisieren: Jeder Bericht braucht eine aktuelle Publikationsliste des Projektteams. Das wird manuell aus Scopus oder Web of Science zusammengestellt, abgeglichen mit dem Projektteam (sind alle Autoren richtig? gibt es falsch zugeordnete Paper?). Bei aktuellen Veröffentlichungsraten sind das 1–3 Stunden pro Bericht.
• Fristüberwachung: Berichtstermine, Mittelabruffristen, Verlängerungsanträge, wenn eine Frist überschritten wird, kann das Mittelsperre oder Rückzahlungspflichten bedeuten. Das Tracking erfolgt oft über Outlook-Reminders und Papier-Checklisten. Bei 90 Projekten frisst allein die Fristkontrolle viel Zeit.

Die Folge: Mittelüberwachung bleibt oft oberflächlich. Das führt zu echten Problemen, Mittelverfall (bei BMFTR-Projekten über das Haushaltsjahr), zu späte Zwischen-Abrechnungen (Projekte werden verzögert), und Berichte, die eingereicht werden, ohne dass die Zahlen korrekt überprüft wurden. Im schlimmsten Fall: eine Prüfung durch den Fördergeber mit Rückforderungen. Die entstehen allerdings meist aus nicht förderfähigen Ausgaben, und die erkennt ein Fristen-Dashboard nicht.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Stundenwerte sind unsere Größenordnungen, keine Messung. Miss sie am nächsten Bericht nach.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5)
Rechnet man Berichte und Mittelüberwachung zusammen, sind es bei 80 Projekten in unserer Modellrechnung rund 500–800 Stunden im Jahr, also unter einer Stunde je Projekt und Monat. Das ist stetig und zuverlässig, aber kein Sprung, und die finale Qualitätskontrolle und Genehmigung bleiben bei Menschen.

Kosteneinsparung, niedrig (2/5)
Gespart wird Arbeitszeit im Drittmittelreferat, und die wird erst Geld, wenn dadurch eine Stelle nicht besetzt werden muss, etwa weil das Projektportfolio wächst und das Referat nicht. Sonst kostet das System 15.000–40.000 Euro Einrichtung und laufend bis zu einigen hundert Euro im Monat, ohne dass im Haushalt etwas frei wird. Die gewonnenen Stunden gehen in Beratung und Prüfung, das ist wertvoll, aber keine Ersparnis.

Schnelle Umsetzung, mittel (3/5)
8–12 Wochen ist realistisch, aber nicht kurz. Der Engpass ist nicht die KI oder das Workflow-System, sondern die SAP-Anbindung: API-Freigaben durch das Rechenzentrum dauern oft 4–8 Wochen. Template-Mapping für jeden Fördergeber (DFG, BMFTR, Horizon) dauert 2–4 Wochen zusätzlich. Das ist deutlich komplexer als z.B. die Kundenkorrespondenz, aber einfacher als Rechnungsverarbeitung mit ERP-Integration.

ROI-Sicherheit, mittel (3/5)
Die Zeit ist gut messbar: Stunden je Bericht vorher und nachher, verpasste Fristen vorher und nachher. Der finanzielle Nutzen ist es nicht: Rückforderungen entstehen meist aus nicht förderfähigen Ausgaben, die das System nicht prüft, und die Stunden werden nur zu Geld, wenn eine Stelle entfällt.

Skalierbarkeit, hoch (4/5)
Wenn die Infrastruktur erst einmal läuft, skaliert das System linear: 10 weitere Projekte bedeuten 10% mehr Daten, aber keinen zusätzlichen Betriebsaufwand. Allerdings: Jeder neue Fördergeber mit neuer Berichtvorlage erfordert 1–2 Wochen Template-Anpassung. Das ist nicht kostenlos.

Richtwerte, stark abhängig von Universitätsgröße, existierender SAP-Infrastruktur und Anzahl unterschiedlicher Fördergeber.

Was das System konkret macht

Das Drittmittel-Monitoring-System besteht aus drei funktionalen Bausteinen:

1. Datenextraktion und -aggregation

Das System zieht stündlich (oder täglich) Finanzdaten aus SAP über eine API. Es aggregiert Informationen pro Projekt:

• Gesamtbudget vs. bisherige Ausgaben (Ist-Stand)
• Personalmittel, Sachausgaben, Reisekosten (nach Kostenart)
• Bindungsquote (wie viel Prozent des Budgets ist schon verpflichtet/ausgegeben?)

Parallel werden Publikationsdaten automatisch aus ORCID und Scopus abgerufen, dedupliziert (sodass die gleiche Publikation nicht mehrfach vorkommt) und dem Projekt zugeordnet.

Sachstandsinformationen, Milestones erreicht? Besonderheiten? Verzögerungen?, werden aus Confluence (oder SharePoint) per API oder manuell eingepflegt.

Alle diese Daten landen in einer zentralen Datenbank (z.B. Google Sheets für sehr kleine Setups, oder eine dedizierte Datenbank für größere).

2. Compliance-Monitor und Berichtstermine

Das System führt eine Masterliste aller Förderverträge mit:

• Projekt-ID, Titel, Fördergeber (DFG, BMFTR, Horizon Europe, etc.)
• Berichtstermine (Zwischenberichte, Abschlussbericht)
• Mitteldeckelung und Verwendungsverpflichtungen (z.B. „Mindestens 20% des Budgets muss für Doktoranden aufgewendet werden”)
• Mittelverfall-Fristen (bei BMFTR-Projekten über das Haushaltsjahr: was nicht rechtzeitig abgerufen wird, muss ins Folgejahr übertragen werden; bei Horizon Europe gibt es keinen jährlichen Abruf, gezahlt wird nach den periodischen Berichten)

Jeden Tag um 8 Uhr wird die IST-Mittelverwendung (aus SAP) gegen diese Verpflichtungen abgeglichen. Power BI oder Tableau zeigt:

• Grün: Projekt im Plan, keine Probleme absehbar
• Gelb: Warnung (z.B. „85% Budget aufgebraucht, aber nur 50% Projektlaufzeit vorbei” oder „Berichtsfrist in 3 Wochen”)
• Rot: Kritisch (z.B. „Mittelverfall-Frist überschritten” oder „Berichtstermin überfällig”)

Das Dashboard ist live und wird der Projektleitung täglich gezeigt, oder kann per Make.com / n8n als tägliche Mail/Slack-Nachricht versendet werden.

3. KI-gestützter Bericht-Entwurf und Validierung

Wenn ein Berichtstermin naht (z.B. 2 Wochen vorher), triggert das System automatisch einen Workflow:

• Das SAP-Finanzkapitel wird exportiert (Tabellen: Gesamtbudget, Ausgaben pro Kostenart, noch verfügbare Mittel)
• Die Publikationsliste wird aus ORCID/Scopus zusammengestellt
• Das Projekt-Milestone-Dokument wird aus Confluence gezogen
• Alles wird als strukturiertes Datenpaket an Claude oder eine ähnliche KI gesendet, zusammen mit:
  • Die Vorlage des Geldgebers für Zwischenberichte
  • Der Vorgänger-Bericht (damit der KI-Entwurf konsistent bleibt)
  • Einem Prompt, der instruiert: „Schreib den Sachstandsbericht auf Basis dieser Daten, in Stil und Länge der Vorlage”

Die KI generiert dann einen Entwurf, nicht das ganze Dokument (das ist zu riskant), sondern den Sachstands-Teil (Seiten 3–8 von 40). Der Bericht wird dann an die Projektleitung geschickt mit dem Label: „ENTWURF, MUSS ÜBERPRÜFT WERDEN, BEVOR ER RAUSGEHT”

Die Projektleitung/der Forschungsreferent liest den Entwurf durch (dauert 30–45 Minuten statt 2–3 Stunden), korrigiert, ergänzt, gibt frei.

Danach wird das fertige Dokument eingereicht.

Das ganze System ist orchestriert durch Make.com oder n8n , die die Workflows, Trigger und Benachrichtigungen organisieren.

Konkrete Werkzeuge, was wann passt

Finanz-Datenquelle und ERP-Integration

SAP Financials ist der Standard an deutschen Universitäten mit größerem Drittmittelvolumen. Wenn vorhanden, Anfrage zum Rechenzentrum stellen wegen FI-API-Freigabe (kann 4–8 Wochen dauern). Wenn SAP nicht im Haus ist: Epicor ist eine Alternative in mittelständischen Organisationen, oder Workday bei sehr großen Institutionen. Für sehr kleine Setups kann auch ein manueller SAP-Export (CSV, täglich) reichen.

Dashboard und Visualisierung

Power BI und Tableau sind beide hervorragend für Echtzeit-Compliance-Dashboards. Power BI hat Vorteil: einfacher mit SAP zu koppeln, wenn SAP schon im Haus ist; direktere Datenanbindung. Tableau ist plattformunabhängiger, nennt öffentlich aber nur Einstiegspreise ab 15 USD je Nutzer, die Creator-Lizenz zum Bauen der Dashboards gibt es nur auf Anfrage. Power BI Pro kostet 12,10 Euro je Nutzer und Monat (jährliche Abrechnung, zzgl. MwSt.), und zwar für jede Person, die das Dashboard öffnet, nicht nur für die Projektcontroller, die es bauen.

Publikationsdaten automatisieren

ORCID ist kostenlos und zum Standard für deutsche Wissenschaftler geworden. Scopus ist kommerziell (institutionelle Lizenz, laut unserer Toolseite typisch fünf- bis sechsstellig im Jahr), aber viele Universitäten haben Lizenzen. Google Scholar ist frei, aber weniger strukturiert. Der beste Setup: ORCID-IDs aller Projektmitglieder erfassen, dann ORCID über API abfragen (kostenlos). Crossref kann als Backup verwendet werden zur Validierung von DOIs.

Workflow-Orchestrierung

Make.com und n8n sind die Standard-Plattformen, um SAP-Export, Datenbank-Update, Dashboard-Refresh und KI-Trigger zu orchestrieren. Make ist GUI-basiert und einsteigerfreundlicher, ab 9 USD im Monat für 10.000 Credits bei Jahreszahlung, bei täglichem Abgleich vieler Projekte ein Mehrfaches davon. n8n ist selbstgehostet, kostenlos wenn lokal, bietet mehr Flexibilität (empfohlen wenn IT die Infrastruktur stellen kann). Make ist schneller.

KI für Berichterstellung

Claude von Anthropic und ChatGPT sind die besten LLMs für strukturierte Textgenerierung. Claude ist etwas besser bei Konsistenz und längeren Dokumenten. Die API-Kosten sind niedrig: Ein Bericht mit 50.000 Tokens Eingabe kostet mit Sonnet 5 rund 10 bis 20 US-Cent. Für Budget-bewusste Universitäten: Gemini oder Open-Source-Modelle wie Mistral sind Alternativen.

Datenspeicher für Zwischenstände

Google Sheets ist sehr praktisch für kleine bis mittlere Setups (bis ~100 Projekte). Kostenlos, API-Zugang einfach, jeder kann im Browser arbeiten. Für größere Datenmengen: eine dedizierte Datenbank (Postgres, MySQL) oder Cloud-Data-Warehouse (BigQuery, Snowflake). Kostet mehr, aber sauberer.

Datenschutz und Datenhaltung

Drittmittelprojekt-Daten sind nicht automatisch sensibel, aber sie sind institutionell relevant, Verlust oder Missbrauch kann Audit-Probleme bedeuten.

DSGVO-Perspektive: Finanzabteilung und Projektleitungen brauchen die Mittelstände. Heikel wird es bei den Personalmitteln: In einem Projekt mit ein oder zwei Stellen verrät die Kostenart Personal das Gehalt einzelner Menschen. Solche Zeilen gehören nicht ungefiltert in ein Dashboard, das viele sehen, und nicht in einen KI-Prompt bei einem Dienst ohne AVV. Publikationslisten aus ORCID oder Scopus sind öffentlich, die Namen darin bleiben trotzdem personenbezogene Daten.

AVV (Auftragsverarbeitungs-Verträge): Wenn externe Tools (Power BI, Make.com, SAP Cloud) Zugriff auf Finanz- oder Projektdaten bekommen, müssen AVVs abgeschlossen werden. Das ist standard bei größeren Universitäten, diese haben bereits AVVs mit SAP, Microsoft, und den Cloud-Anbietern. Wenn nicht: vor Vertragsabschluss mit dem Datenschutzbeauftragten klären.

Hosting und Datenlokation: SAP Financials läuft meist On-Premise oder in SAP-Cloud (mit EU-Datenspeicherung). Power BI speichert in der EU-Region des Tenants, Tableau bietet EU-Hosting auf Anfrage. Make hat eine EU-Region, Standard ist aber US, beim Einrichten umstellen. Google Sheets kann mit Google-Cloud-EU-Datenspeicher konfiguriert werden (Anfrage beim Rechenzentrum). Anthropic nutzt Eingaben über die Claude API laut den kommerziellen Bedingungen nicht zum Training, der AVV ist dort Bestandteil. Verarbeitet wird aber in den USA. Wer EU-Verarbeitung braucht, nimmt Claude über AWS Bedrock oder Microsoft Foundry.

Besonderheit bei Horizon-Europe-Projekten: Eine pauschale EU-Speicherpflicht für die Verwaltungsdaten eines Projekts haben wir in den Förderbedingungen nicht gefunden. Es gelten DSGVO und die Regeln der Hochschule. Strengere Auflagen kann es bei sicherheitsrelevanten Projekten geben, sie stehen dann in der Finanzhilfevereinbarung.

Was es kostet, realistisch gerechnet

Einrichtung (einmalig):

• SAP FI-API-Freigabe + Mapping: 0 € intern (Rechenzentrum-Stunden) oder 5.000–15.000 € Consulting (wenn extern beauftragt)
• Dashboard-Setup (Power BI oder Tableau): 3.000–8.000 € (abhängig von Komplexität)
• Workflow-Orchestrierung ( Make oder n8n Setup): 2.000–5.000 €
• Template-Mapping für Fördergeber (DFG, BMFTR, Horizon): 3.000–8.000 € (pro 3 Fördergeber ca. 1 Woche Arbeit)
• Test und Schulung: 2.000–4.000 €

Gesamtbudget Einrichtung: 15.000–40.000 € (abhängig davon, wieviel intern geleistet wird).

Laufend (monatlich):

• SAP Financials API: 0 € (wenn lokal, nur Infrastruktur) oder 200–400 € (SAP Cloud)
• Tableau : Creator-Lizenz nur auf Anfrage; Power BI Pro für 1–3 Nutzer: 1 bis 3 mal 12,10 €, macht 12,10–36,30 €, jede weitere lesende Person 12,10 € mehr
• Make : ab 9 USD für 10.000 Credits, bei täglichem Abgleich von 80 Projekten eher 20–60 USD (unsere Schätzung aus dem Credit-Modell)
• n8n selbstgehostet: 0 € Lizenz, dafür Serverbetrieb
• Sprachmodell-API: bei 40–80 Berichten im Jahr unter 10 € im Monat
• Datenbank/Cloud-Storage: 100–300 € (wenn > 100 Projekte)
• Support und Wartung: 500–1.500 €, falls eine externe Firma sie übernimmt; intern kostet es Arbeitszeit

Gesamtbudget monatlich: rund 50–800 € intern betrieben, mit externer Wartung bis gut 2.000 € (abhängig von Betriebsform, Projektanzahl, gewählten Tools).

Was du dagegenrechnen kannst:

Universität mit 80 Drittmittelprojekten. Berichte: Bei einem Zwischenbericht alle 12 bis 24 Monate sind das 40 bis 80 Berichte im Jahr. Ohne System 5 Stunden je Bericht, mit System 1,5, das sind 3,5 mal 40 bis 80, also 140 bis 280 Stunden. Mittelüberwachung: für 80 Projekte rund 8 bis 12 Stunden pro Woche, mit Dashboard 0,5 bis 1, in 46 Arbeitswochen rund 320 bis 530 Stunden. Zusammen rund 460 bis 810 Stunden im Jahr, gut ein Viertel bis die Hälfte einer Vollzeitstelle.

Diese Stunden werden nur Geld, wenn dadurch eine Stelle nicht besetzt wird, etwa weil das Projektportfolio wächst und das Referat nicht. Dann rechnet es sich so: 460 bis 810 Stunden mal angenommene 40 Euro Arbeitgeberkosten je Stunde (Projektcontrolling, E10/E11), das sind rund 18.400 bis 32.400 Euro im Jahr. Dagegen stehen laufend rund 700 Euro im Monat für den ganzen Betrieb mit externer Wartung (siehe die Kostenliste oben), also 12 mal 700 Euro im Jahr, und 15.000 bis 40.000 Euro Einrichtung. Netto bleiben 10.000 bis 24.000 Euro im Jahr, die Einrichtung ist nach gut sieben Monaten bis vier Jahren herein.

Ohne diese Stellenwirkung ist das System eine Ausgabe von rund 8.400 Euro im Jahr plus Einrichtung. Dafür gewinnt das Referat Zeit für Beratung und Prüfung, und Fristen rutschen seltener durch. Das kann es wert sein, eine Einsparung ist es nicht.

Zusätzlicher Nutzen, nicht in Euro:

• Weniger verpasste Fristen, solange jemand auf die Alerts reagiert
• Bessere Dokumentation für Reviewer und Prüfer
• Weniger Stress im Drittmittelmanagement-Team

Drei typische Einstiegsfehler

1. „Wir kaufen ein Standard-Förderbericht-Tool”, und es passt nicht.

Anbieter wie Research Fish oder Fluxx bieten vorgefertigte Templates für UKRI, NIH und NSF. Aber die deutschen Fördergeber haben andere Vorlagen. Ein DFG-Graduiertenkolleg hat andere Anforderungen als eine BMFTR-Nachwuchsgruppe oder ein Horizon-Europe-Projekt. Jeder Fördergeber hat sein eigenes Template mit unterschiedlichen Gliederungen, Feldlängen, Anhang-Anforderungen. Ein Standard-Tool, das „alle” abdeckt, passt zu keinem wirklich. Die Folge: Das Tool wird nicht genutzt, weil die Vorlage nicht stimmt, oder es werden Workarounds gebaut, die teuer werden.

Lösung: Template-Mapping für jeden relevanten Fördergeber separat planen und budgetieren (2–4 Wochen pro Fördergeber).

2. Finanzsystem wird nicht eingebunden, nur der Entwurf kommt aus der KI.

Das System hat Dashboards, aber die Finanzkapitel werden nicht aus SAP gefüllt, sondern manuell eingegeben oder aus einem alten Export. Dann stimmen die Zahlen nie, der Bericht zeigt Mittelstände von letzter Woche, aber real wurden gestern noch 50.000 Euro abgerufen. Der Forschungsreferent erhält den Entwurf, sieht unterschiedliche Zahlen (Bericht sagt „noch 200k offen”, aber SAP zeigt „noch 100k”), und vertraut dem System nicht. Das Tool wird ignoriert.

Lösung: API-Freigabe für SAP FI von Woche 1 an einplanen, nicht am Ende. Das dauert oft 4–8 Wochen. Sonst wird das ganze Projekt verzögert.

3. KI-generierter Bericht wird ohne Überprüfung eingereicht.

Forschungsreferent erhält Bericht-Entwurf von der KI, korrekturliest kurz (10 Minuten), und sendet ihn an den Fördergeber. Eine Woche später: Anruf vom Reviewer, es gibt drei Fehler. Im Milestones-Kapitel nennt der Bericht ein Projekt „FinCat-2024”, obwohl das Projekt „Katalysator-Entwicklung 2024” heißt. Eine Publikation in der Liste ist aktuell noch „in press” und nicht veröffentlicht, aber der Bericht nennt die Ausgabe. Im Sach-Kapitel wird ein Meilenstein genannt, der gar nicht im Originalplan stand, erfunden von der KI. Das Vertrauen zur KI ist zerstört.

Lösung: Jeder KI-generierte Bericht ist ein ENTWURF, nicht die finale Fassung. Forschungsreferent MUSS lesen, vor Versand. Mit Stift oder Track-Changes die Korrektionen markieren. Erst dann raus. Das kostet 30–45 Minuten statt 2–3 Stunden vorher, aber nicht null.

Was mit der Einführung wirklich passiert, und was nicht

Die Einführung läuft typischerweise in vier Phasen:

Phase 1: Honeymoon (Wochen 1–4)
Das System wird aufgesetzt, erste Dashboards sind live. Das Team ist begeistert, endlich real-time Überblick! Die Berichtstermine erscheinen nicht mehr plötzlich wie aus dem Nichts. Auch nervige Mails an die Projektleitungen („Bericht fällig?”) können automatisiert werden.

Phase 2: Reality (Wochen 5–12)
Dann merkst du: Die Daten aus SAP sind nicht immer sauber. Ein Projekt ist mit zwei verschiedenen Kostenstellennummern in SAP eingegeben (historischer Fehler von vor 3 Jahren). Die Publikationsliste aus Scopus hat Duplikate. Der API-Export läuft nicht immer pünktlich, manchmal sind die Daten 2 Tage alt. Die ersten KI-generierten Berichte haben kleinere Fehler, die Überprüfung dauert länger als erwartet, weil man jedes Zahlenwort überprüfen muss.

Einige Teams geben jetzt auf. Der Aufwand für Datenbereinigung ist höher als gedacht. Sie gehen zurück zu manuellen Prozessen.

Phase 3: Calibration (Wochen 13–24)
Die Institute, die durchhalten, machen jetzt den wichtigen Schritt: Sie planen Datenbereinigung bewusst ein. SAP-Fehler werden korrigiert. ORCID-Profile aller Projektleiter werden gepflegt. Die KI-Prompts werden verfeinert, „Schreib den Sachstandsbericht, nutze NUR diese Daten, keine erfundenen Milestones.” Der API-Export wird robuster gestaltet (Fehlerbehandlung, Retry-Logik).

Nach 3–4 Monaten läuft das System zuverlässig.

Phase 4: Routine (ab Monat 6)
Das System ist nun ein transparenter Prozess. Dashboard wird täglich geschaut (oder per Make -Mail), Berichtstermine sind Routine, KI-Entwürfe sind nützlich und erfordern nur kleine Korrektionen. Zeitersparnis ist messbar.

Was nicht passiert:

• Das System ersetzt nicht die Forschungsreferenten. Es entlastet sie, aber Urteilsfähigkeit, Compliance-Wissen und Gespräche mit Projektleadern sind weiter menschliche Aufgaben.
• Das System behebt nicht grundsätzliche organisatorische Probleme. Wenn ein Institut chaotisch ist (keine Kommunikation zwischen Projekten, schlechte Datenqualität generell), dann wird das System auch nur chaotisch automatisieren.
• Die Einführung ist kein Marketing-Event. Es ist stumme Infrastruktur-Arbeit, die den Stress reduziert, aber nicht sichtbar wird.

Realistischer Zeitplan mit Risikohinweisen

Gesamtdauer: 8–12 Wochen, wenn alles parallel läuft und IT-Freigaben schnell gehen. Bei schlechteren Bedingungen (langsames Rechenzentrum, komplexe SAP-Struktur) 12–16 Wochen.

Häufige Einwände, und was dahintersteckt

„Unsere Projekte sind zu unterschiedlich. Ein Standard-System passt nicht.”

Das ist ein echtes Problem in manchen Instituten. Ein SFB hat andere Anforderungen als eine Nachwuchsgruppe. Aber: Der Großteil der administrativen Aufgaben ist gleich (Mittelüberwachung, Berichtstermine). Die Spezifika können in Feldnotizen erfasst werden, z.B. ein Custom-Feld „Besonderheiten” für jedes Projekt. Das System muss nicht alles standardisieren, um zu funktionieren.

„Unser SAP ist zu alt / zu kompliziert. Wir kriegen keine API raus.”

Das ist ein echtes Risiko. Sehr alte SAP-Systeme (vor 2008) haben begrenzte API-Möglichkeiten. Lösung: Manueller täglicher CSV-Export als Übergangslösung (dauert 30 Minuten, kann automatisiert werden mit *.bat-Skripten). Das ist nicht ideal, aber machbar und kostet wenig. Parallel: Modernisierungs-Roadmap mit IT einleiten.

„KI halluziniert. Ich traue keinem von der KI generierten Bericht.”

Das ist ein legitimer Punkt. Aber die Lösung ist nicht „KI nicht nutzen”, sondern „KI-Entwürfe immer überprüfen”. Das reduziert die Berichtszeit von 5 Stunden auf rund 1,5 Stunden, nicht auf null. Und die KI-Ausgaben sind oft überraschend akkurat, wenn die Daten sauber sind, du merkst nur die Fehler bei fehlerhaften Eingabedaten.

Woran du merkst, dass das zu dir passt

Passt zu dir, wenn:

• Du mindestens 5 parallele Drittmittelprojekte gleichzeitig verwaltest (unter 5 lohnt sich die Automatisierung nicht)
• Dein Team verbringt >10 Stunden pro Woche mit Drittmittel-Reporting und Mittelüberwachung
• Du mindestens 3 verschiedene Fördergeber hast (DFG, BMFTR, Horizon, etc.) mit unterschiedlichen Anforderungen
• Dein IT-Team hat SAP Financials oder ein ähnliches ERP im Einsatz
• Berichtsfristüberschreitungen sind in der Vergangenheit vorgekommen oder Mittelverfall war ein Problem
• Die Datenqualität in deinem SAP ist „mittelmäßig bis gut” (nicht katastrophal)

Passt NICHT zu dir, wenn:

• Du weniger als 5 Projekte gleichzeitig verwaltest, der Setup-Aufwand ist dann nicht gerechtfertigt
• Deine Finanzabteilung oder das Controlling arbeitet komplett dezentral und ohne ERP-System (z.B. alles Excel), dann ist die API-Anbindung unmöglich
• Du nur eine sehr kleine Anzahl Fördergeber hast und deren Vorlagen ändern sich häufig, dann ist Template-Maintenance zu teuer
• Dein IT-Team hat keine Kapazität für API-Freigaben und Integration, und du kannst es nicht extern bezahlen
• Du brauchst eine Eins-zu-eins-Compliance mit hyper-spezifischen Funding-Anforderungen, die keine Standard-Software abbildet (sehr seltener Fall)

Das kannst du heute noch tun

Schritt 1: Datenqualität überprüfen (kostenlos, 2–3 Stunden)

Zieh einen SAP Financials-Export all deiner Drittmittelprojekte (kostet dein Rechenzentrum 15 Minuten). Schau dir die Kostenstellenstruktur an. Sind alle Projekte eindeutig identifizierbar? Gibt es Duplikate oder verwaiste Kostenstellen? Sind die Projekt-IDs im SAP-Format dokumentiert?

Diese Information brauchst du später für das Template-Mapping.

Schritt 2: Förderer-Templates sammeln (kostenlos, 1–2 Stunden)

Sammle die offiziellen Berichts-Templates von deinen Top-3-Fördergebern (DFG, BMFTR, EU). Speicher sie ab. Diese brauchst du, um den KI-Prompts zu sagen, wie die Berichte aussehen sollen.

Schritt 3: ORCID-Initiative starten (kostenlos, verläuft über Wochen)

Schreib eine Abteilungs-Mail an alle Projektleiter und Doktoranden: „Bitte registriert euch auf orcid.org und gebt die ID meinem Team durch.” ORCID ist kostenlos und wird zum Standard. Ein ORCID-Profil braucht 5 Minuten. Das ist die Grundlage für automatisierte Publikationslisten.

Schritt 4: Einen KI-Prompt schreiben (kostenlos, 30 min)

Nimm ein altes Berichtsdokument von einem ähnlichen Projekt, ohne Personalmittel einzelner Beschäftigter oder mit geschwärzten Personalzeilen. Schreib in ChatGPT:

Das ist der Anfang. Verfeinere den Prompt später mit echten Daten.

Quellen & Methodik

• Elektronische Drittmittelakte in der Hochschulverwaltung – Erkenntnisse aus Fallstudien, Zakhariya, Kosch, Breitner, INFORMATIK 2012, Gesellschaft für Informatik
• Horizon Europe – Grants & Reporting, European Research Executive Agency, 2025
• Advancing Research Administration with AI: A Case Study from Emory University, SRA International, Mai 2025
• Halluzinationen von generativer KI und großen Sprachmodellen (LLMs), Fraunhofer IESE, 2024
• ORCID & Autoren-ID, Universität Duisburg-Essen, 2025