Website besuchen →
← Zurück zum Blog

KI im Controlling: Konkrete Anwendungen und Roadmap für Controller

13. Oktober 2026
KI im Controlling: Konkrete Anwendungen und Roadmap für Controller

KI liefert Controllern schnellen Mehrwert vor allem in drei Bereichen: Forecasting, Szenarioplanung und automatisierter Report-Kommentierung. Der sinnvollste erste Schritt ist ein eng abgegrenzter Pilot mit klaren Erfolgskriterien, nicht eine große Transformation. Vorher lohnt sich ein kurzer Daten- und Governance-Check, denn ohne saubere Buchungsdaten liefert kein Modell belastbare Ergebnisse.

Kurz gesagt:

  • Ein Prognosepilot sollte externe Treiber wie Saisonalität oder Rohstoffpreise einbeziehen und seine Abweichung mit der bisherigen Planungsgenauigkeit vergleichen; so wird der Fortschritt messbar.
  • Automatisch erstellte Abweichungskommentare bleiben Entwürfe: Ein Controller muss sie fachlich prüfen und bei Bedarf korrigieren, bevor sie in den Managementbericht eingehen.
  • Ein erster Pilot dauert häufig sechs bis zwölf Wochen; erfassen Sie vor Beginn den Zeitaufwand je Berichtszyklus und die Prognoseabweichung.
  • Vor dem Modelltraining sollten Unternehmen Buchungsdaten auf Lücken, doppelte Einträge und uneinheitliche Kostenstellen prüfen, denn mangelhafte Datenqualität gefährdet Pilotprojekte häufiger als eine ungeeignete Werkzeugwahl.
  • Bei Hochrisikosystemen verlangt Artikel 26 der EU Verordnung über künstliche Intelligenz vom einsetzenden Unternehmen mindestens sechs Monate Protokollierung; menschliche Aufsicht muss ebenfalls sichergestellt sein.
Menter
menter.digital
KI im Controlling gezielt einsetzen
Menter unterstützt KMU mit praxisnaher KI-Beratung, Workshops und branchengerechten Lösungen für einen passenden Einstieg in die KI-Nutzung.
KI-Beratung entdecken

Inhaltsverzeichnis

Was ‚KI im Controlling‘ konkret meint

KI im Controlling bezeichnet den Einsatz von maschinellem Lernen, generativer KI und zunehmend agentischen Systemen auf Finanzdaten, um Prognosen, Analysen und Berichte zu beschleunigen oder zu verbessern. Maschinelles Lernen erkennt Muster in historischen Daten und verbessert Forecasts. Generative KI formuliert Texte, etwa Abweichungskommentare oder Managementzusammenfassungen. Agentische Systeme gehen einen Schritt weiter: Sie führen mehrstufige Aufgaben eigenständig aus, etwa das Zusammenstellen eines Monatsabschlussberichts aus mehreren Quellsystemen.

Das unterscheidet sich von klassischem Business Intelligence. BI-Tools visualisieren, was bereits in den Daten steht. KI-Systeme erkennen Muster, die kein Mensch manuell programmiert hat, und treffen probabilistische Aussagen über die Zukunft.

Typische Einsatzszenarien in der Praxis sehen so aus:

  • Rollierende Forecasts, die sich automatisch an neue Ist-Daten anpassen
  • Automatisierte Kommentierung von Budgetabweichungen in natürlicher Sprache
  • Szenariosimulationen für Investitions- oder Liquiditätsentscheidungen
  • Anomalieerkennung in Kostenstellen oder Buchungsdaten

Viele Unternehmen befinden sich laut dem WHU Controller Panel 2025 noch in der Experimentierphase: KI ist dort in einem kleinen Teil der Fälle fester Bestandteil regulärer Controlling-Prozesse.

Effizienz, Genauigkeit und strategischer Mehrwert durch KI

Der Hauptnutzen von KI im Controlling liegt nicht in einer einzelnen Funktion, sondern im Zusammenspiel dreier Effekte: weniger manuelle Arbeit, präzisere Prognosen und schnellere Handlungsempfehlungen.

Data Lakes, als technische Grundlage für KI-gestützte Analysen, nutzen viele Unternehmen im Controlling-Umfeld, wie das WHU Controller Panel 2025 zeigt. Das legt die Infrastruktur für automatisierte Prognosen, auch wenn die produktive Integration in Kernprozesse bei vielen Firmen noch ausbleibt.

Auf der Effizienzseite übernimmt KI wiederkehrende Aufgaben wie Datenaufbereitung, erste Abweichungsanalysen und Textkommentierung. Das reduziert den Aufwand für Routinearbeiten erheblich, wie generelle Analysen zur KI-gestützten Effizienzsteigerung beschreiben, da Automatisierung, Mustererkennung und vorausschauende Analysen zusammenwirken.

Bei der Genauigkeit zeigt sich der Nutzen vor allem im Forecasting: Modelle, die auf mehr Variablen gleichzeitig reagieren als klassische lineare Trendrechnungen, liefern tendenziell robustere Prognosen, besonders bei volatilen Absatzmärkten.

Strategisch zählt vor allem die Geschwindigkeit: Szenarien, die früher Tage dauerten, lassen sich mit KI-gestützten Modellen in Stunden durchspielen.

Sinnvolle KPIs zur Messung sind:

  • Forecast-Abweichung in Prozent vor und nach Einführung
  • Zeitaufwand pro Reporting-Zyklus
  • Anzahl manuell korrigierter Datensätze

Praxis-Use-Cases: Forecasting, Budgetierung und Reporting mit KI

Vier Anwendungsfelder liefern in der Praxis den schnellsten und greifbarsten Nutzen.

  1. Predictive Forecasting: Modelle nutzen historische Ist-Daten, externe Treiber wie Saisonalität oder Rohstoffpreise und liefern eine Prognose mit Konfidenzintervall statt eines einzelnen Punktwerts. Die Qualität wird über Kennzahlen wie die mittlere absolute prozentuale Abweichung gemessen, verglichen mit der bisherigen Planungsgenauigkeit.
  2. Szenario-Simulationsmodelle: Statt drei fixer Szenarien (best, base, worst case) erlauben KI-gestützte Modelle hunderte Parametervariationen gleichzeitig. Das Ergebnis ist eine Verteilung möglicher Ausgänge, aus der Controller robustere Entscheidungsgrundlagen für Investitionen oder Preisanpassungen ableiten.
  3. Automatisierte Kommentierung via Sprachmodelle: Als Input dienen Ist-Plan-Abweichungen aus dem ERP-System, als Output ein Entwurfstext, der Abweichungen in verständlicher Sprache erklärt. Ein Controller prüft und korrigiert diesen Entwurf, bevor er ins Management-Reporting geht. Genau dieser Reviewschritt ist entscheidend: automatisch generierter Text ersetzt nicht die fachliche Einschätzung, er beschleunigt nur den ersten Entwurf.
  4. Cashflow-Prognosen und Liquiditätsplanung: Probabilistische Modelle schätzen nicht nur einen erwarteten Zahlungseingang, sondern auch dessen Unsicherheitsbandbreite, etwa bei Forderungen mit unterschiedlichem Zahlungsverhalten. Das verbessert die Liquiditätsplanung besonders in Unternehmen mit schwankenden Zahlungszielen.

Diese Logik lässt sich grundsätzlich auch auf andere wiederkehrende Textaufgaben übertragen. Ähnliche Prinzipien zur Qualitätssicherung bei automatisiert erstellten Texten diskutiert auch der Beitrag zu KI in der Übersetzungsbranche, wo menschliche Prüfung ebenfalls unverzichtbar bleibt.

Toollandschaft: Welche Plattformen Controller kennen sollten

Die Tool-Landschaft lässt sich grob in fünf Kategorien einteilen: Enterprise Copilots, klassische BI-Tools mit KI-Erweiterung, spezialisierte Forecast-Engines, Data-Lake- und Integrationsplattformen sowie zunehmend eigene Agenten für Spezialaufgaben.

  • SAP Joule ist ein in die SAP-Cloud eingebetteter Copilot mit vordefinierten Skills, der direkt auf SAP-Daten und Transaktionen zugreifen kann, wie die Dokumentation zeigt. Für SAP-Kunden eröffnet die direkten Interaktionen mit Finance-Prozessen per natürlicher Sprache.
  • Microsoft 365 Copilot lässt sich mittlerweile bidirektional mit SAP Joule verknüpfen, sodass SAP-Transaktionsdaten auch im gewohnten Office-Umfeld verfügbar werden. Voraussetzung sind Entra ID, die SAP Business Technology Platform und passende Lizenzen.
  • Power BI bleibt die naheliegende Wahl für Visualisierung und erste Anomalieerkennung, besonders wenn bereits eine Microsoft-Umgebung besteht.
  • SAP S/4HANA fungiert in vielen Fällen als Datenquelle und Zielsystem zugleich: Reportings, die KI-gestützt erstellt werden, müssen am Ende wieder konsistent mit den Buchungsdaten im ERP-System sein.

Bei der Integration mit Data Lakes sind Identity-Mapping, BTP-Konfiguration und Rollenzuweisungen typische Projektaufgaben, die den größten Teil des Aufwands ausmachen, nicht die reine Modellauswahl.

Bei der Lizenz- und Betriebsfrage zeigt sich: Cloud-Lösungen bieten schnellere Time-to-Value, On-Premise-Betrieb bleibt für Unternehmen mit strengen Datenschutzanforderungen oft die vorsichtigere Variante.

Pragmatische Roadmap: So gelingt der KI-Pilot

Ein strukturierter Pilot reduziert das Risiko gescheiterter KI-Projekte deutlich stärker als ein voreiliger Rollout über alle Abteilungen.

  1. Zieldefinition: Ein konkretes Geschäftsproblem auswählen, etwa die Forecast-Genauigkeit einer Produktlinie, und ein messbares Erfolgskriterium festlegen.
  2. Datencheck: Buchungsdaten auf Vollständigkeit und Konsistenz prüfen. Unsaubere Daten sind laut einer Marktstudie die häufigste Ursache gescheiterter Pilotprojekte, nicht die Tool-Auswahl.
  3. Proof of Concept: Ein enges Zeitfenster von wenigen Wochen, in dem ein Modell oder Tool an echten, aber begrenzten Daten getestet wird.
  4. Validierung: Ergebnisse gegen die bisherige Planungsmethode vergleichen, Abweichungen dokumentieren.
  5. Skalierung: Erst nach erfolgreicher Validierung auf weitere Kostenstellen oder Abteilungen ausweiten.

Als Deliverables erwarten Entscheider typischerweise ein Datenprofil mit den größten Inkonsistenzen, einen Evaluationsbericht mit Vorher-Nachher-Vergleich und einen kurzen Governance-Check zu Verantwortlichkeiten.

Der Zeitrahmen für einen ersten Piloten liegt in der Praxis häufig bei sechs bis zwölf Wochen, abhängig von Datenqualität und Systemzugriff. Das Budget variiert stark nach Tooling und externem Beratungsaufwand, eine seriöse Schätzung entsteht erst nach dem Datencheck.

Profi-Tipp: Lassen Sie jedes KI-generierte Ergebnis von einem Controller gegenprüfen, bevor es ins Management-Reporting geht, auch nach erfolgreicher Pilotphase.

Mehr zum Prinzip der menschlichen Kontrolle bei automatisierten Entscheidungen findet sich im Beitrag zu Human-in-the-Loop-Konzepten.

Datenqualität, Governance und Pflichten aus dem AI Act

Wer KI-Systeme im Controlling einsetzt, wird im Sinne des AI Act häufig als Deployer eingestuft und übernimmt damit konkrete Pflichten. Deployer von Hochrisiko-KI-Systemen müssen laut Artikel 26 des AI Act ein Logbuch über mindestens sechs Monate führen, eine menschliche Aufsicht sicherstellen und Vorfälle melden.

Diese Pflichten lassen sich oft in bereits bestehende Finanzdokumentation integrieren, statt neue Prozesse von Grund auf aufzubauen. Dieselben Verantwortlichen, Reporting-Rhythmen und Prüfpfade, die ohnehin für Monats- und Jahresabschlüsse existieren, können um KI-Logs und Validierungsaufzeichnungen erweitert werden.

Vor dem Pilotstart lohnt sich eine kurze Prüfung:

  • Ist geklärt, wer die KI-Ergebnisse fachlich verantwortet?
  • Existiert ein Log, das Eingaben, Modellversion und Ausgaben dokumentiert?
  • Gibt es eine Eskalationsroute für erkennbare Fehlentscheidungen?
  • Sind Bias-Kontrollen bei Trainingsdaten durchgeführt worden?

Deployer müssen eine angemessene menschliche Aufsicht über Hochrisiko-KI-Systeme sicherstellen und relevante Vorfälle melden.

Diese Anforderung aus Artikel 26 des AI Act betrifft auch viele Controlling-Anwendungen, sobald sie Entscheidungen mit Personalbezug oder weitreichender finanzieller Wirkung berühren. Eine vertiefte Übersicht zu den verschiedenen Risikoklassen bietet der Beitrag zu AI-Act-Risikoklassen, eine praktische Umsetzungshilfe liefert der Leitfaden zur KI-Governance für KMU.

AI-Literacy, Schulungen und der Umgang mit Shadow AI

Der AI Act verlangt in Artikel 4 ausdrücklich Maßnahmen zur Förderung der KI-Kompetenz von Mitarbeitenden, besonders relevant für kleinere Unternehmen mit begrenzten internen Ressourcen. Praxisnahe Trainingsformate reichen von kurzen Impulsworkshops bis zu begleiteten Pilotprojekten, in denen Controller direkt am eigenen Datensatz lernen.

Die Rolle des Controllers verändert sich dabei: Statt nur Zahlen zusammenzustellen, wird er zum Prüfer probabilistischer Ergebnisse, der Modellannahmen hinterfragen und Grenzen der Aussagekraft einschätzen kann.

Gegen unkontrollierte Nutzung einzelner KI-Tools im Alltag, sogenannte Shadow AI, helfen klare organisatorische Leitplanken:

  • Eine genehmigte Tool-Liste, die Mitarbeitende verbindlich nutzen dürfen
  • Ein einfaches Meldeverfahren für neue, ungeprüfte Tools
  • Regelmäßiges Monitoring der tatsächlich genutzten Anwendungen

Profi-Tipp: Starten Sie Schulungen mit konkreten Beispielen aus dem eigenen Reporting, abstrakte KI-Grundlagenkurse ohne Bezug zum Tagesgeschäft verlieren schnell an Relevanz.

Konkrete Curriculum-Vorschläge und Formate beschreibt der Beitrag zur KI-Schulung für Mitarbeiter, Maßnahmen gegen unkontrollierte Tool-Nutzung vertieft der Artikel zu Shadow AI.

Praxisbeispiele aus dem Mittelstand

In mittelständischen Unternehmen zeigt sich der Nutzen von KI im Controlling meist zuerst in eng abgegrenzten Teilprozessen, nicht in einer kompletten Systemumstellung. Ein typisches Muster: Ein Produktionsunternehmen mit mehreren Standorten startet mit automatisierter Abweichungskommentierung für den Monatsabschluss, weil dieser Prozess bisher viele Stunden manueller Textarbeit gebunden hat.

Ein anderes verbreitetes Beispiel betrifft Handelsunternehmen mit saisonal schwankender Nachfrage: Hier liefert ein Forecast-Modell, das zusätzlich externe Faktoren wie Wetterdaten oder Feiertage berücksichtigt, spürbar robustere Prognosen als die bisherige Trendfortschreibung in Tabellenkalkulationen.

Gemeinsam ist diesen Fällen, dass der Erfolg selten an der Modellwahl hängt, sondern an der Qualität der zugrunde liegenden Buchungsdaten und an der Bereitschaft, Ergebnisse zunächst kritisch zu prüfen, statt sie direkt zu automatisieren. KMU, die früh einen klaren Verantwortlichen für die Dateninterpretation benennen, kommen in aller Regel schneller zu einem produktiven Einsatz als Unternehmen, die ein Tool parallel zum bestehenden Prozess einführen, ohne die Verantwortung klar zuzuordnen.

Entscheidend ist auch die Größe des ersten Schritts: Ein einzelner Teilprozess mit klar messbarem Vorher-Nachher-Vergleich überzeugt Entscheider meist schneller als ein zu groß angelegtes Projekt mit vielen gleichzeitigen Zielen.

Praxisbeispiele aus dem Mittelstand — overview diagram

Best Practices für Datenintegration und Datenmanagement

Der häufigste Grund für gescheiterte KI-Projekte im Controlling liegt nicht in der Modellqualität, sondern in fragmentierten und unsauberen Buchungsdaten. Eine BARC-Studie bestätigt, dass die größte Hürde meist die Datenqualität ist, nicht die Auswahl des passenden Tools.

Ein pragmatisches Vorgehen beginnt mit einem kurzen Data-Profiling, bei dem die fünf häufigsten Inkonsistenzen in den Buchungsdaten identifiziert werden, etwa uneinheitliche Kostenstellenzuordnungen oder doppelte Buchungen. Diese Fehler zu bereinigen, bevor ein Modell trainiert wird, verhindert, dass sich strukturelle Probleme in den Prognosen fortsetzen.

Eine zentrale, konsistent gepflegte Datenquelle, häufig ein Data Lake oder ein zentrales Data Warehouse, reduziert den Aufwand für wiederholte Bereinigungsschritte erheblich. Zugriffsrechte und Datenverantwortlichkeiten sollten dabei klar zugeordnet sein, damit Änderungen an Stammdaten nachvollziehbar bleiben.

Wichtig ist außerdem eine klare Dokumentation, welche Datenquelle für welchen Zweck als verbindlich gilt. Wenn Forecast-Modell und Management-Reporting auf unterschiedlichen Datenständen basieren, entstehen Widersprüche, die das Vertrauen in die KI-gestützten Ergebnisse schnell untergraben. Regelmäßige Abgleiche zwischen operativen Systemen und der zentralen Datenbasis gehören deshalb zu den wichtigsten, aber am häufigsten vernachlässigten Schritten im laufenden Betrieb.

Messung und Bewertung des ROI

Der Return on Investment von KI im Controlling lässt sich am verlässlichsten anhand konkreter Prozesskennzahlen bewerten, nicht anhand allgemeiner Erwartungen an die Technologie. Sinnvolle Ausgangspunkte sind die Zeitersparnis pro Reporting-Zyklus, die Veränderung der Forecast-Abweichung und die Anzahl manuell nach bearbeiteter Datensätze vor und nach Einführung.

Ein belastbarer ROI-Nachweis setzt voraus, dass diese Kennzahlen bereits vor dem Pilotstart erhoben werden, damit ein echter Vergleich möglich ist. Ohne diesen Ausgangswert bleibt jede spätere Erfolgsmeldung eine Behauptung ohne Grundlage.

Die KPMG-Studie zur generativen KI in der deutschen Wirtschaft weist darauf hin, dass Trusted AI, Governance und Mitarbeiter-Enablement entscheidende Faktoren für messbaren Erfolg sind. Unternehmen, die Schulung und Governance vernachlässigen, erreichen seltener einen nachweisbaren Nutzen, selbst wenn die eingesetzte Technologie leistungsfähig ist.

Ein realistischer ROI-Zeitrahmen berücksichtigt auch die Lernkurve der Mitarbeitenden: Die ersten Wochen nach Einführung eines neuen Tools gehen in der Regel mit zusätzlichem Zeitaufwand einher, nicht mit sofortiger Einsparung. Wer den ROI zu früh misst, läuft Gefahr, ein grundsätzlich funktionierendes Projekt vorzeitig als Fehlschlag einzustufen.

Integration mit bestehenden ERP- und Finanzsystemen

KI-gestütztes Controlling entfaltet seinen Nutzen erst dann vollständig, wenn es nahtlos mit dem bestehenden ERP-System zusammenarbeitet, statt als isolierte Zusatzlösung daneben zu laufen. Bei SAP-Landschaften bedeutet das häufig, dass Werkzeuge wie SAP Joule direkt auf Daten in SAP S/4HANA zugreifen, statt Daten in ein separates System zu exportieren.

Typische Integrationsaufgaben betreffen weniger die KI-Modelle selbst als die Infrastruktur darunter: Identitätsmanagement über Entra ID, die Konfiguration der SAP Business Technology Platform und die Zuweisung passender Berechtigungen für einzelne Rollen. Diese Aufgaben machen in der Praxis oft den größten Teil des Projektaufwands aus.

Für Unternehmen ohne SAP-Landschaft gilt ein ähnliches Prinzip: Die KI-Komponente sollte in den bestehenden Datenfluss eingebettet werden, nicht als Parallelsystem mit eigener Dateneingabe entstehen. Doppelte Datenhaltung führt fast immer zu Inkonsistenzen zwischen KI-gestützten Auswertungen und dem offiziellen Finanzreporting.

Ein schrittweises Vorgehen hat sich bewährt: Zunächst wird ein einzelner Datenfluss, etwa Ist-Daten aus dem Hauptbuch, an das KI-System angebunden. Erst wenn dieser stabil funktioniert, folgen weitere Datenquellen wie Nebenbücher oder operative Systeme. Das reduziert das Risiko, dass ein fehlerhafter Datenfluss die gesamte Integration blockiert.

Schrittweise Anbindung von Finanzdatenquellen

Praxisperspektive: Was Beratung und Workshops leisten können

Aus unserer Beratungspraxis als zertifizierte INQA-Coaches zeigt sich ein wiederkehrendes Muster: KMU, die mit einem klar abgegrenzten Pilotprojekt starten, kommen deutlich schneller zu nutzbaren Ergebnissen als Unternehmen, die gleich eine unternehmensweite KI-Strategie entwickeln wollen.

Workshops, die konkret an den eigenen Controlling-Prozessen ansetzen, etwa an einem einzelnen Forecast-Zyklus oder einer wiederkehrenden Reporting-Aufgabe, liefern meist schon nach wenigen Wochen erste verwertbare Erkenntnisse. Der Fokus liegt dabei konsequent auf schneller Anwendbarkeit, nicht auf theoretischen Grundlagenkursen.

— Shaun

Ihr nächster Schritt: Beratung, Workshop oder KI-ROI-Tag

Wenn Sie den ersten Pilotschritt nicht allein gehen möchten, unterstützen wir Sie mit praxisnaher KI-Strategieberatung für KMU, passgenauen Workshops für Ihr Controlling-Team und branchenspezifischen Keynotes.

Menter

Wir arbeiten mit individuell zugeschnittenen Fahrplänen, die auf schnelle Anwendbarkeit und Datenschutzkonformität ausgelegt sind, statt auf generische Standardlösungen.

Vor einem ersten Gespräch lohnt es sich, Folgendes bereitzuhalten:

  • Eine grobe Beschreibung des Prozesses, den Sie als Pilot auswählen möchten
  • Informationen zu den aktuell genutzten ERP- und BI-Systemen
  • Einen Ansprechpartner, der die fachliche Verantwortung für das Pilotprojekt übernimmt

Einen kompakten Einstieg bietet unser KI-ROI-Tag, für ein persönliches Gespräch vereinbaren Sie direkt einen Termin.

FAQ

Was bedeutet KI im Controlling konkret?

KI im Controlling bezeichnet den Einsatz von maschinellem Lernen, generativer KI und agentischen Systemen für Aufgaben wie Forecasting, Szenarioplanung und automatisierte Berichtskommentierung. Im Unterschied zu klassischem Business Intelligence erkennen diese Systeme Muster selbstständig und treffen probabilistische Aussagen über zukünftige Entwicklungen.

Welche Pflichten entstehen durch den AI Act für Controller?

Unternehmen, die Hochrisiko-KI-Systeme einsetzen, gelten häufig als Deployer und müssen laut Artikel 26 des AI Act ein Logbuch führen, menschliche Aufsicht sicherstellen und relevante Vorfälle melden. Diese Pflichten lassen sich meist in bestehende Finanzdokumentation integrieren.

Wie lange dauert ein typischer KI-Pilot im Controlling?

Ein erster Pilot mit klar abgegrenztem Anwendungsfall dauert in der Praxis häufig mehrere Wochen, abhängig von Datenqualität und Systemzugriff. Der genaue Zeitrahmen ergibt sich erst nach einem gründlichen Datencheck zu Beginn des Projekts.

Welche Rolle spielt Datenqualität bei KI-Projekten im Controlling?

Datenqualität gilt laut einer BARC-Studie als die häufigste Ursache gescheiterter KI-Pilotprojekte, noch vor der Wahl des passenden Tools. Unsaubere oder fragmentierte Buchungsdaten sollten deshalb vor dem Modelltraining bereinigt werden.

Wie unterstützt menter.digital Unternehmen beim Einstieg in KI im Controlling?

Wir bieten KI-Strategieberatung, Workshops und Keynotes an, die insbesondere auf KMU zugeschnitten sind. Dabei legen wir Wert auf schnelle Anwendbarkeit und Datenschutzkonformität.

Quellen

Empfehlungen