KI-Funktionen im ERP: was heute realistisch leistbar ist

Automatisierung ist nicht gleich künstliche Intelligenz

Viele als KI beworbene Funktionen sind tatsächlich regelbasierte Automatisierungen, etwa die automatische Zuordnung von Zahlungseingängen anhand fester Muster. Solche Funktionen sind nützlich, unterscheiden sich aber grundlegend von lernenden Modellen, die aus historischen Daten Muster ableiten und sich mit der Zeit verändern. Für die Bewertung eines Angebots lohnt sich die konkrete Nachfrage, ob eine Funktion auf festen Regeln oder auf trainierten Modellen basiert.

Anwendungsfälle mit belastbarem Nutzen

Bedarfsprognosen für die Disposition, Anomalieerkennung in Buchhaltungsdaten und die automatische Klassifikation eingehender Belege gehören zu den Bereichen, in denen KI-gestützte Funktionen bereits einen nachvollziehbaren Mehrwert liefern. Die Qualität dieser Funktionen hängt jedoch stark von der Menge und Qualität der historischen Daten ab, mit denen das Modell arbeitet.

• checkAbsatz- und Bedarfsprognosen auf Basis historischer Verkaufsdaten
• checkAutomatische Beleg- und Rechnungsklassifikation
• checkAnomalieerkennung bei Buchungen und Zahlungsläufen
• checkTextzusammenfassungen und Suchassistenten in Dokumentenablagen

Grenzen und typische Fehleinschätzungen

Prognosemodelle liefern in der Einführungsphase häufig ungenaue Ergebnisse, da sie erst mit ausreichend historischen Daten trainiert werden müssen, was je nach Datenlage mehrere Monate dauern kann. Ein häufiger Fehler ist die Annahme, ein KI-Modul liefere ab dem ersten Tag verlässliche Prognosen, ohne dass Datenqualität und Trainingszeitraum berücksichtigt werden.

Datenvoraussetzungen prüfen

Bevor eine KI-Funktion produktiv eingesetzt wird, sollte geprüft werden, ob ausreichend historische Daten in konsistenter Qualität vorliegen, da lückenhafte oder fehlerhafte Daten aus der Vergangenheit unmittelbar in fehlerhafte Prognosen münden. Unternehmen mit noch jungen digitalen Prozessen sollten realistisch einschätzen, dass belastbare KI-Funktionen oft erst nach ein bis zwei Jahren strukturierter Datenerfassung sinnvoll nutzbar sind.

• checkMindestens 12 bis 24 Monate konsistente Verkaufs- oder Bewegungsdaten prüfen
• checkDatenlücken und Systemwechsel in der Historie dokumentieren
• checkTestphase mit begrenztem Produktumfang vor vollständigem Rollout einplanen

Fragen an Anbieter im Auswahlprozess

Bei Anbieterpräsentationen lohnt sich die konkrete Nachfrage, mit welchen Daten ein Modell trainiert wurde, wie oft es nachtrainiert wird und wie Fehleinschätzungen im laufenden Betrieb korrigiert werden können. Ebenso wichtig ist die Frage, ob die Ergebnisse nachvollziehbar erklärt werden oder als reine Blackbox-Empfehlung erscheinen.

• checkTrainingsdatenbasis und Aktualisierungszyklus erfragen
• checkNachvollziehbarkeit der Empfehlungen einfordern
• checkReferenzkunden zu tatsächlicher Prognosegüte befragen

Organisatorische Einbettung

Selbst eine technisch gute Prognosefunktion bringt keinen Nutzen, wenn Disposition oder Einkauf die Vorschläge nicht in ihre täglichen Entscheidungen integrieren. Erfolgreiche Einführungen legen daher von Anfang an fest, wer die Empfehlungen prüft, wie Abweichungen dokumentiert werden und wann manuell eingegriffen wird.

Fazit

KI-Funktionen im ERP können in klar abgegrenzten Bereichen wie Prognose, Klassifikation und Anomalieerkennung echten Nutzen bringen, benötigen dafür aber ausreichend Datenqualität und realistische Erwartungen an die Einführungszeit. Wer Anbieteraussagen kritisch hinterfragt und die Datenvoraussetzungen im eigenen Unternehmen ehrlich prüft, vermeidet Enttäuschungen nach der Einführung.