Ein ERP-System (Enterprise Resource Planning) ist das digitale Rückgrat eines Unternehmens: Es bündelt Finanzwesen, Einkauf, Lager, Produktion, Vertrieb und oft auch Personal in einer gemeinsamen Datenbasis. Genau diese zentrale Sammlung strukturierter Geschäftsdaten macht das ERP zu einem naheliegenden Ort für Künstliche Intelligenz. Wo Daten in großer Menge und über Jahre konsistent entstehen, lassen sich Muster erkennen, Vorhersagen treffen und wiederkehrende Aufgaben automatisieren. KI im ERP bedeutet im Kern, diese vorhandenen Daten intelligenter zu nutzen — nicht, das ERP durch etwas völlig Neues zu ersetzen.
Wichtig ist die Unterscheidung verschiedener Spielarten von KI, weil sie unterschiedlich reif und unterschiedlich riskant sind. Klassisches maschinelles Lernen erkennt Muster in historischen Daten und trifft daraus Prognosen — etwa für Absatzmengen oder Zahlungseingänge. Generative KI auf Basis großer Sprachmodelle formuliert Texte, fasst zusammen und beantwortet Fragen in natürlicher Sprache; sie steht hinter den neuen KI-Assistenten. Und regelbasierte Automatisierung, oft gar nicht wirklich „intelligent“, wird der Einfachheit halber häufig ebenfalls unter dem KI-Label vermarktet. Für eine seriöse Bewertung ist es hilfreich, diese Ebenen auseinanderzuhalten.
Ein verbreitetes Missverständnis ist, KI sei eine Art zusätzliches ERP-Modul, das man kauft und einschaltet. Tatsächlich wirkt KI eher als Querschnittsfähigkeit, die sich in viele bestehende Funktionen einbettet. Sie zeigt sich als Vorschlag beim Verbuchen einer Rechnung, als Prognosekurve in der Bedarfsplanung, als Warnhinweis bei einer auffälligen Transaktion oder als Assistent, der eine Frage in natürlicher Sprache beantwortet. Der Nutzen entsteht nicht durch ein einzelnes glänzendes Feature, sondern durch viele kleine, in den Arbeitsalltag integrierte Hilfestellungen — die in Summe Zeit sparen und Entscheidungen verbessern können.
Diese Einbettung hat eine wichtige Konsequenz: KI im ERP ist immer nur so gut wie die Daten und Prozesse, in denen sie steckt. Ein KI-Vorschlag, der auf lückenhaften oder widersprüchlichen Stammdaten beruht, ist kein Fortschritt, sondern eine neue Fehlerquelle. Deshalb ist die Auseinandersetzung mit KI im ERP untrennbar mit der Frage nach Datenqualität und Prozessreife verbunden — ein Thema, das dieser Artikel in Kapitel 05 vertieft.
Zwischen Marketingversprechen und Praxis klafft derzeit eine spürbare Lücke. Anbieter präsentieren KI gern als revolutionären Sprung, während in vielen Unternehmen die realistische Wirkung eher in schrittweisen Effizienzgewinnen liegt. Beide Bilder sind unvollständig. KI im ERP ist weder ein Allheilmittel, das Probleme mangelnder Organisation löst, noch bloße Effekthascherei. Die ehrliche Mitte lautet: Für klar umrissene, datenreiche und wiederkehrende Aufgaben kann KI heute schon einen greifbaren Nutzen stiften — für vage, seltene oder stark kontextabhängige Entscheidungen bleibt der Mensch unverzichtbar.
Dieser Beitrag betrachtet KI im ERP herstellerneutral und konzeptionell. Er beleuchtet die wichtigsten Anwendungsfelder in den Finanzen (Kapitel 02) sowie in Supply Chain und Produktion (Kapitel 03), erklärt die neuen KI-Assistenten und Copilots (Kapitel 04), benennt die notwendigen Voraussetzungen (Kapitel 05), ordnet Nutzen und realistische Erwartungen ein (Kapitel 06), zeigt Grenzen, Risiken und Governance-Fragen auf (Kapitel 07), skizziert ein pragmatisches Einführungsvorgehen für den Mittelstand (Kapitel 08), umreißt den rechtlichen Rahmen aus DSGVO und EU AI Act (Kapitel 09) und beantwortet häufige Fragen (Kapitel 10). Produkte werden nur beispielhaft genannt; Ziel ist eine fundierte Orientierung, keine Werbung für ein bestimmtes System.
Der wohl bekannteste Anwendungsfall ist die automatische Belegerkennung. KI-gestützte Verfahren lesen eingehende Rechnungen und Belege, erkennen relevante Felder wie Lieferant, Betrag, Steuersatz und Rechnungsnummer und schlagen die passende Kontierung vor. Anders als starre Vorlagen lernen moderne Verfahren aus vergangenen Buchungen, sodass sie auch mit uneinheitlichen Belegformaten zurechtkommen. In der Praxis reduziert das den manuellen Erfassungsaufwand spürbar und verringert Tippfehler — vorausgesetzt, die Vorschläge werden weiterhin geprüft und nicht blind übernommen.
Ähnliche Prinzipien greifen bei der Zuordnung von Zahlungseingängen zu offenen Posten, bei der Vorschlagslogik für wiederkehrende Buchungen oder bei der Prüfung von Reisekostenabrechnungen. Der gemeinsame Nenner: Die KI übernimmt den mühsamen, wiederholten Teil, während die Verantwortung für die korrekte Buchung beim Menschen bleibt. Gerade im Rechnungswesen, wo Fehler steuerliche und rechtliche Folgen haben, ist diese Arbeitsteilung entscheidend.
Ein zweites Feld sind Prognosen. Auf Basis historischer Zahlungsverläufe kann KI abschätzen, wann Kunden voraussichtlich zahlen, und damit die Liquiditätsplanung unterstützen. Ähnlich lassen sich Umsatz- und Kostenentwicklungen fortschreiben oder saisonale Muster in der Finanzplanung berücksichtigen. Der Wert liegt darin, dass solche Prognosen laufend und auf aktueller Datenbasis entstehen, statt in aufwendigen manuellen Tabellen. Wichtig bleibt die Demut vor der Unsicherheit: Eine Prognose ist eine begründete Schätzung, keine Gewissheit — und wird umso unzuverlässiger, je stärker sich die Rahmenbedingungen von der Vergangenheit unterscheiden.
Ein drittes, oft unterschätztes Feld ist die Anomalie- und Betrugserkennung. KI-Verfahren sind gut darin, in großen Mengen von Transaktionen das Ungewöhnliche zu finden: eine doppelt erfasste Rechnung, eine untypische Zahlung an einen neuen Empfänger, eine auffällige Häufung von Buchungen kurz vor einem Stichtag. Solche Muster fallen einem menschlichen Prüfer bei tausenden Vorgängen leicht durch, während ein Modell sie systematisch markieren kann. Dabei ersetzt die KI nicht die interne Kontrolle, sondern lenkt die Aufmerksamkeit auf die Fälle, die eine genauere Prüfung verdienen.
Der klassische Anwendungsfall ist die Bedarfsprognose. Statt Bestellmengen aus Bauchgefühl oder einfachen Durchschnitten abzuleiten, können KI-Verfahren historische Absätze, Saisonalität, Aktionen und weitere Signale gemeinsam berücksichtigen und daraus Prognosen für den künftigen Bedarf erzeugen. Daraus lassen sich Bestellvorschläge und Sicherheitsbestände ableiten, die tendenziell weniger Kapital binden und zugleich das Risiko von Fehlmengen senken. Der Nutzen ist besonders dort groß, wo viele Artikel mit unterschiedlichen Nachfragemustern gemanagt werden müssen — eine Aufgabe, die manuell schnell an ihre Grenzen stößt.
Auch hier gilt die Vorsicht des Kapitels 02: Prognosen sind Schätzungen. Bei stabilen Nachfragemustern liefern sie meist gute Ergebnisse, bei plötzlichen Marktveränderungen, Lieferengpässen oder Sondereffekten können sie danebenliegen. Ein sinnvoller Einsatz kombiniert daher die maschinelle Vorhersage mit dem Erfahrungswissen der Disponenten, statt eines von beidem zu verabsolutieren.
In produzierenden Unternehmen gewinnt die vorausschauende Wartung an Bedeutung. Aus Sensor- und Betriebsdaten von Maschinen lassen sich Anzeichen für drohende Ausfälle erkennen, bevor sie eintreten. Statt Anlagen nach festen Intervallen oder erst nach einem Defekt zu warten, kann die Instandhaltung gezielter geplant werden. Der potenzielle Nutzen liegt in weniger ungeplanten Stillständen und einer effizienteren Wartung. Voraussetzung ist allerdings eine belastbare Datengrundlage aus Sensorik und deren saubere Anbindung an das ERP oder verbundene Systeme — ein Punkt, der in vielen Mittelständlern erst aufgebaut werden muss.
Ein drittes Feld ist die Planungsunterstützung: Produktionsreihenfolgen, Kapazitätsauslastung, Routen oder Personaleinsatz sind Optimierungsprobleme mit vielen Variablen und Nebenbedingungen. KI- und Optimierungsverfahren können hier Vorschläge erzeugen, die knappe Ressourcen besser ausnutzen. Wichtig ist, solche Vorschläge als Entscheidungshilfe zu verstehen: Die planende Person behält den Überblick über Faktoren, die im System nicht abgebildet sind — von kurzfristigen Sonderwünschen bis zu Erfahrungswerten über einzelne Maschinen oder Mitarbeitende.
Ein KI-Assistent im ERP nimmt Anfragen in Alltagssprache entgegen und übersetzt sie in Aktionen oder Auswertungen. Statt sich durch Menüs zu klicken oder Transaktionscodes zu kennen, könnte eine Anwenderin etwa fragen, wie sich der Umsatz einer Region im letzten Quartal entwickelt hat, oder sich einen langen Beleg zusammenfassen lassen. Solche Assistenten bündeln typischerweise drei Fähigkeiten: das Beantworten von Fragen zu Daten und Prozessen, das Zusammenfassen von Informationen und das Vorbereiten von Aktionen, etwa das Ausfüllen eines Formulars oder das Anstoßen eines Vorgangs. Verschiedene Anbieter haben dafür eigene Assistenten eingeführt; die Grundidee ähnelt sich, die Reife und der Funktionsumfang unterscheiden sich jedoch erheblich.
Der größte Vorteil liegt in der Zugänglichkeit. ERP-Systeme gelten als komplex und schulungsintensiv; ein natürlichsprachlicher Assistent kann die Einstiegshürde senken, gerade für Gelegenheitsnutzer oder neue Mitarbeitende. Auch für erfahrene Anwender kann er Wege abkürzen, indem er verstreute Informationen bündelt oder eine Auswertung schneller bereitstellt als der klassische Klickpfad. Richtig eingesetzt, verschiebt sich damit ein Teil der Arbeit vom Suchen und Klicken hin zum eigentlichen Bewerten und Entscheiden.
Zugleich sind Copilots das Feld, in dem die Grenzen generativer KI am deutlichsten spürbar werden. Ein Assistent kann eine falsche Zahl selbstbewusst präsentieren oder eine Frage missverstehen, ohne dass es sofort auffällt. Deshalb sind zwei Prinzipien zentral: Nachvollziehbarkeit — der Assistent sollte offenlegen, worauf eine Antwort beruht — und Absicherung von Aktionen — kein automatisch ausgelöster Geschäftsvorfall ohne menschliche Bestätigung. Ein Copilot entfaltet seinen Wert erst, wenn Anwender ihm mit gesundem Misstrauen begegnen und Ergebnisse bei kritischen Vorgängen gegenprüfen. Kapitel 07 vertieft, warum diese Vorsicht kein Zeichen von Rückständigkeit, sondern von Professionalität ist.
KI lernt aus Daten und trifft Aussagen auf deren Basis. Sind die Daten lückenhaft, veraltet, widersprüchlich oder voller Dubletten, produziert auch das beste Modell fragwürdige Ergebnisse — der oft zitierte Grundsatz „Garbage in, garbage out“ gilt für KI in verschärfter Form. Praktisch bedeutet das: Bevor über KI-Funktionen gesprochen wird, gehört ein ehrlicher Blick auf die eigenen Stammdaten (Kunden, Lieferanten, Artikel), auf die Konsistenz der Bewegungsdaten und auf die Pflegeprozesse dahinter. Datenqualität ist dabei kein einmaliges Aufräumen, sondern eine dauerhafte Disziplin mit klaren Verantwortlichkeiten.
Eng verwandt ist die Prozessreife. KI kann eingespielte, klar definierte Prozesse unterstützen und beschleunigen; sie kann aber keine chaotischen oder uneinheitlichen Abläufe ordnen. Wenn dieselbe Aufgabe in drei Abteilungen auf drei verschiedene Arten erledigt wird, fehlt der KI das konsistente Muster, aus dem sie lernen könnte. Häufig zeigt sich in KI-Projekten deshalb ein heilsamer Nebeneffekt: Die Auseinandersetzung mit den Voraussetzungen zwingt zu einer längst überfälligen Klärung und Vereinheitlichung der eigenen Prozesse — ein Wert an sich, unabhängig von der späteren KI.
Schließlich braucht KI im ERP eine gewisse technische und organisatorische Reife. Dazu gehören eine hinreichend moderne ERP-Basis, an die sich KI-Funktionen überhaupt andocken lassen, sowie die Fähigkeit, Systeme sinnvoll zu integrieren, damit Daten dort ankommen, wo die KI sie braucht. Organisatorisch gehört dazu die Bereitschaft, mit Vorschlägen und Wahrscheinlichkeiten statt mit vermeintlichen Gewissheiten zu arbeiten, sowie Rollen, die für Datenpflege und den verantwortungsvollen Umgang mit KI zuständig sind. Diese Reife ist kein Alles-oder-nichts, aber sie bestimmt, welche Anwendungsfälle realistisch sind.
Der handfesteste Nutzen entsteht bei wiederkehrenden, datenreichen Routineaufgaben. Belegerfassung, Zuordnung von Zahlungen, das Erstellen von Standardauswertungen oder das Aufspüren von Auffälligkeiten — hier kann KI Zeit sparen und Fehler reduzieren. Ein zweiter Nutzenblock liegt in besseren Entscheidungsgrundlagen: Prognosen und Muster, die dem Menschen sonst verborgen bleiben, machen Planung und Steuerung fundierter. Ein dritter, oft übersehener Effekt ist die Entlastung von Fachkräften: Wenn KI die mühsamen Vorarbeiten übernimmt, bleibt mehr Zeit für die anspruchsvollen Aufgaben, die Erfahrung und Urteilsvermögen verlangen — ein relevanter Punkt angesichts des Fachkräftemangels.
Anbieter und Studien werben gern mit eindrucksvollen Prozentzahlen zu Zeit- oder Kostenersparnis. Solche Werte sind mit Vorsicht zu behandeln: Sie stammen aus spezifischen Kontexten, sind selten direkt übertragbar und blenden die Vorleistungen (Datenaufbereitung, Integration, Schulung) häufig aus. Seriöser ist die qualitative Aussage, dass KI in geeigneten Anwendungsfällen einen spürbaren Effizienz- und Qualitätsgewinn ermöglichen kann — wie groß dieser im Einzelfall ausfällt, hängt von Ausgangslage, Datenqualität und Umsetzung ab und sollte im konkreten Vorhaben gemessen statt vorab versprochen werden.
Enttäuschungen entstehen fast immer aus überzogenen Erwartungen. KI im ERP wird kein Unternehmen über Nacht transformieren, keine schlechten Prozesse heilen und keine strategischen Entscheidungen abnehmen. Sie ist ein Werkzeug zur schrittweisen Verbesserung, dessen Wirkung sich in vielen kleinen Effekten summiert. Wer sie so einordnet — als Assistenz und Effizienzhebel, nicht als Revolution auf Knopfdruck — wird ihren realen Nutzen eher heben als jemand, der auf den großen Sprung wartet. Der Rest dieses Artikels widmet sich bewusst der anderen Seite der Medaille: den Grenzen und Risiken, die man kennen muss, um den Nutzen sicher zu realisieren.
Das bekannteste Risiko generativer KI sind Halluzinationen: überzeugend formulierte, aber falsche Aussagen. Ein Sprachmodell erzeugt plausibel klingenden Text, ohne im menschlichen Sinne zu „wissen“, ob er stimmt. Im ERP-Kontext kann das bedeuten, dass ein Assistent eine Zahl erfindet, eine Quelle falsch zuordnet oder eine Regelung ungenau wiedergibt. Besonders tückisch ist, dass solche Fehler selbstbewusst präsentiert werden und deshalb leicht übersehen werden. Der einzige verlässliche Schutz ist die Kombination aus Nachvollziehbarkeit (woher stammt die Aussage?) und menschlicher Prüfung bei allem, was zählt.
Viele KI-Verfahren sind in ihrer inneren Logik schwer durchschaubar — sie wirken wie eine Blackbox. Für ein Geschäftssystem, in dem Entscheidungen begründbar und prüfbar sein müssen, ist das ein ernstes Thema. Wenn eine KI eine Rechnung als verdächtig markiert oder einen Bestellvorschlag macht, sollte nachvollziehbar sein, auf welchen Faktoren das beruht. Nachvollziehbarkeit ist nicht nur eine Frage des Vertrauens, sondern zunehmend auch eine regulatorische Erwartung (siehe Kapitel 09) — und ein Auswahlkriterium: Lösungen, die ihre Vorschläge begründen können, sind solchen vorzuziehen, die nur ein Ergebnis ausspucken.
Damit KI im ERP verantwortbar bleibt, braucht es Governance — klare Regeln für den Einsatz. Dazu gehören: definierte Anwendungsfälle statt wildwüchsiger Nutzung, Freigabe- und Kontrollmechanismen bei automatisierten Vorgängen, klare Verantwortlichkeiten für Datenqualität und Modellergebnisse, Transparenz gegenüber den Anwendern darüber, wo KI im Spiel ist, sowie ein bewusster Umgang mit Datenschutz und vertraulichen Informationen. Governance ist dabei kein bürokratisches Hindernis, sondern die Voraussetzung dafür, KI überhaupt breit und sicher einsetzen zu können.
Der häufigste Fehler ist, KI als großes strategisches Programm mit vagem Ziel zu starten. Sinnvoller ist der umgekehrte Weg: mit einem klar umrissenen, wertstiftenden Anwendungsfall beginnen, dessen Nutzen sich messen lässt und dessen Daten bereits verfügbar sind. Belegerkennung im Rechnungswesen oder eine Bedarfsprognose für gut verkaufte Artikel sind typische Kandidaten für einen ersten Schritt, weil sie überschaubar sind und schnellen, prüfbaren Nutzen liefern. Aus einem gelungenen ersten Anwendungsfall wächst Vertrauen — und die Grundlage, um weitere Felder zu erschließen.
Als Quick Wins eignen sich Anwendungsfälle, die auf vorhandenen Daten aufsetzen, klar abgrenzbar sind und deren Ergebnis leicht kontrolliert werden kann — Belegerkennung, Assistenzfunktionen für Standardauswertungen, einfache Anomaliehinweise. Zu den typischen Fehlern gehören dagegen: KI ohne saubere Datenbasis einzuführen, den Aufwand für Integration und Datenaufbereitung zu unterschätzen, Ergebnisse blind zu vertrauen, die Anwender nicht mitzunehmen und Governance sowie Datenschutz erst nachträglich zu betrachten. Wer diese Fallen kennt, umgeht die häufigsten Ursachen gescheiterter KI-Vorhaben. Gerade im Mittelstand ist es zudem klug, die Frage der Abhängigkeit von einzelnen Anbietern und die langfristigen Kosten früh mitzudenken, statt sich vorschnell zu binden.
Viele KI-Anwendungen im ERP berühren personenbezogene Daten — etwa in der Personalabrechnung, im Kunden- und Lieferantenmanagement oder bei der Analyse von Zahlungsverhalten. Damit greift die Datenschutz-Grundverordnung (DSGVO) mit ihren Grundsätzen von Zweckbindung, Datenminimierung, Transparenz und Rechenschaftspflicht. Ein besonders sensibler Punkt sind automatisierte Entscheidungen: Die DSGVO knüpft an Entscheidungen, die ausschließlich auf automatisierter Verarbeitung beruhen und Personen erheblich beeinträchtigen, besondere Anforderungen. Für die Praxis heißt das, dass bei folgenreichen Entscheidungen eine sinnvolle menschliche Beteiligung und Nachvollziehbarkeit sichergestellt sein sollten — was sich gut mit dem in Kapitel 07 beschriebenen Prinzip der menschlichen Kontrolle deckt.
Mit dem EU AI Act hat die Europäische Union einen eigenen Rechtsrahmen für Künstliche Intelligenz geschaffen, der einem risikobasierten Ansatz folgt: Je nach Einsatzzweck werden KI-Anwendungen unterschiedlichen Risikoklassen zugeordnet, an die sich abgestufte Pflichten knüpfen — von geringen Transparenzanforderungen bis zu strengen Auflagen für als besonders kritisch eingestufte Anwendungen. Für ERP-typische Anwendungsfälle wie Belegerkennung oder Bedarfsprognose sind die Anforderungen in der Regel überschaubar; sensibler wird es dort, wo KI Menschen bewertet oder folgenreich über sie entscheidet. Die konkrete Einordnung, welche Pflichten im Einzelfall gelten, sollte fachkundig geprüft werden, da sich Auslegung und Umsetzungsfristen entwickeln.
Ein dritter Themenkomplex ist die Datenhoheit. Gerade generative KI wird häufig über Cloud-Dienste bereitgestellt, teils außerhalb der EU. Damit stellt sich die Frage, wo die verarbeiteten Daten liegen, wer darauf zugreifen kann und ob vertrauliche Geschäfts- oder Personendaten das eigene Kontrollumfeld verlassen. Für europäische Mittelständler ist dies ein zentraler Punkt bei der Auswahl von KI-Funktionen: EU-Hosting, vertragliche Zusicherungen, Auftragsverarbeitungsverträge und der bewusste Umgang mit sensiblen Daten gehören auf die Prüfliste, bevor Daten in ein KI-System fließen.
