KI im ERP-System: Was KMU jetzt automatisieren sollten

Das ERP ist das Gedächtnis des Unternehmens. Und in den meisten KMU ist dieses Gedächtnis zwischen 10 und 25 Jahre alt: gewachsen, angepasst, unverzichtbar. Und stumm. Es speichert alles und sagt nichts.

KI ändert das gerade fundamental. Dieser Artikel zeigt, was KI im ERP-System heute konkret leistet, welche zwei Strategien es gibt (intelligent machen oder neu bauen) und woran Projekte in der Praxis scheitern.

Das Problem: Daten ohne Antworten

Ein typisches Mittelstands-ERP enthält Millionen Datensätze: Artikel, Aufträge, Bewegungen, Preise, Kunden. Aber wer eine einfache Frage stellt ("Welche Kunden haben im letzten Quartal weniger bestellt als davor, und bei welchen Artikeln?"), bekommt keine Antwort, sondern ein Projekt: Auswertung beauftragen, auf den Report warten, Excel nachbearbeiten.

Dazu kommen die strukturellen Schmerzen:

• Jede Anpassung ist ein Change Request beim Hersteller, mit Wartezeit und Beraterrechnung.
• Schnittstellen zu modernen Tools fehlen oder kosten extra. Manche Systeme im Mittelstand haben bis heute gar keine API.
• Das Wissen über die Systemlogik steckt in den Köpfen weniger Mitarbeiter oder externer Berater.
• Und der Code gehört dem Anbieter. Immer.

Was KI im ERP konkret kann

Vier Anwendungsfälle, die sich in unseren Projekten als die stärksten erwiesen haben:

1. Natürlichsprachige Auswertungen. Die Frage von oben, gestellt in normalem Deutsch, beantwortet in Sekunden, direkt aus den Echtdaten, als Tabelle oder Diagramm. Das ist der Use Case mit dem schnellsten Aha-Effekt, weil er jeden Tag spürbar ist, vom Geschäftsführer bis zur Disposition. KI im Finanzwesen beginnt genau hier: Controlling auf Zuruf statt Monatsreport.

2. Intelligente Belegverarbeitung. Eingehende Bestellungen, Lieferscheine und Rechnungen werden gelesen, validiert und als Vorgang im ERP angelegt, egal ob sie als PDF, Mail-Text oder Scan ankommen. Die Erfassungsarbeit, die heute ganze Stellen bindet, fällt weg.

3. Forecasting und Disposition. Bestellvorschläge auf Basis von Historie, Saisonalität und Lieferzeiten. Weniger Lagerbindung, weniger Fehlbestände, bei verderblicher Ware weniger Abschriften. Hier entsteht der größte direkt messbare Euro-Effekt.

4. Der Parameter-Copilot. Der unterschätzteste Fall: Komplexe ERP-Systeme haben tausende Einstellungen und Parameter, dokumentiert in Handbüchern, die niemand liest. Ein KI-Copilot, der die Systemdokumentation und die Konfigurationslogik kennt, beantwortet Fragen wie "Wie richte ich eine neue Preisstaffel für Kundengruppe X ein?" sofort. Das entlastet den Support des Herstellers und macht Anwender unabhängiger.

Zwei Strategien: AI-Layer oder Neubau

Die wichtigste Weichenstellung in jedem KI-im-ERP-Projekt:

Strategie 1: Der AI-Layer. Das bestehende ERP bleibt führendes System. Darüber wird eine KI-Schicht gebaut, die lesend und kontrolliert schreibend zugreift: Auswertungen, Belegverarbeitung, Copilot. Vorteil: kein Migrationsrisiko, schnelle Ergebnisse, das Team behält seine gewohnte Umgebung. Das ist fast immer der richtige erste Schritt, vor allem bei tief verwurzelten Systemen, etwa langjährig gewachsenen Oracle- oder SAP-Landschaften. Auch bei SAP gilt: Künstliche Intelligenz muss nicht vom Hersteller kommen, ein unabhängiger AI-Layer ist oft schneller, günstiger und nicht an dessen Lizenzlogik gebunden.

Strategie 2: Der Neubau. Das ERP wird durch ein modernes, KI-natives System ersetzt, individuell gebaut, mit vollem Code-Eigentum. Klingt radikal, ist aber durch KI-gestützte Entwicklung heute in Wochen statt Jahren machbar und kostet typischerweise 40 bis 60 Prozent dessen, was der bisherige Stack über die Jahre frisst. Sinnvoll, wenn das Altsystem zur echten Wachstumsbremse geworden ist oder der Hersteller das Produkt abkündigt.

In der Praxis ist die Reihenfolge fast immer: erst Layer, dann, wenn das Vertrauen da ist, schrittweise Neubau der Module, die am meisten bremsen. Wer mit der Brechstange "alles neu" pitcht, scheitert am Betriebsrisiko und am Bauchgefühl der Mannschaft. Zu Recht.

Zwei Beispiele aus der Praxis

Fall 1: Lebensmittel-Lieferdienst, kompletter Neubau. Ein gewachsener Abo-Lieferdienst mit Legacy-Warenwirtschaft, getrenntem Shop und Excel-Logistik. Wir haben den kompletten Stack neu gebaut: Kundenportal mit Abo-Verwaltung, ERP- und Operations-Dashboard, Tourenplanung mit Fahrer-App, KI-Bestellvorhersage, Lagersystem mit MHD-Tracking. Live in gut zwei Wochen, im Eigentum des Kunden. Der Effekt: ein System statt fünf, und eine Disposition, die mit Prognosen arbeitet statt mit Bauchgefühl.

Fall 2: Industrieunternehmen, AI-Layer auf bestehender Systemlandschaft. Ein produzierender Mittelständler mit etablierter ERP- und Qualitätsdaten-Welt. Hier wird nichts ersetzt. Stattdessen entsteht eine KI-Schicht über den Bestandssystemen: strukturierte Datenbasis, natürlichsprachiger Zugriff auf Unternehmens- und Prozesswissen, automatisierte Auswertung von Anfrage- und RFQ-Prozessen. Erster Schritt war kein Code, sondern ein Datenstruktur-Workshop. Denn KI ist nur so gut wie die Datenbasis, auf der sie arbeitet.

Zwei völlig unterschiedliche Wege, ein Prinzip: Das System passt sich dem Unternehmen an, nicht umgekehrt.

Woran KI-im-ERP-Projekte scheitern

Aus Erfahrung, in absteigender Häufigkeit:

1. Keine Schnittstelle, kein Plan B. Wenn das Altsystem keine API hat, braucht es eine saubere Architekturentscheidung (Datenbankzugriff, Exportstrecken, Middleware), keine Bastellösung.
2. Datenqualität wird ignoriert. Dubletten, gewachsene Artikelstämme, inkonsistente Einheiten. Ein kurzer Daten-Check vor Projektstart spart Monate.
3. Big Bang statt Pilot. Der Versuch, alles auf einmal zu ersetzen, scheitert am Tagesgeschäft. Vier bis sechs Wochen pro Modul, live, messbar, dann das nächste.
4. Compliance als Nachgedanke. Wer ERP-Daten durch KI-Modelle schickt, braucht von Tag 1 eine Antwort auf DSGVO und EU AI Act: EU-Hosting, Datenklassifizierung, AVV. Nachrüsten ist teuer.

Fazit: Das ERP wird vom Archiv zum Mitarbeiter

KI macht aus dem ERP-System zum ersten Mal ein aktives Werkzeug: eines, das antwortet, vorschlägt und mitarbeitet, statt nur zu speichern. Für KMU ist das die Gelegenheit, einen jahrzehntealten Kostenblock in einen Wettbewerbsvorteil zu drehen.

Der Einstieg muss dabei kein Großprojekt sein. Welche KI-Agenten konkret auf ERP-Daten arbeiten können, zeigen wir in KI-Agenten im Unternehmen: 12 Anwendungsfälle für KMU. Und das große Bild, von der Strategie bis zur Compliance, findest Du im Leitfaden KI für Unternehmen.

Konkret werden? In einem halbtägigen Discovery-Workshop analysieren wir Dein ERP, Deine Datenlage und Deine drei größten Prozesskosten, und Du bekommst einen priorisierten Plan, was sich in welcher Reihenfolge automatisieren lässt. Der Workshop wird bei Beauftragung voll auf die erste Projektphase angerechnet.