KI im ERP – produktive Use Cases 2026

Zu den 2026 etablierten und produktiv genutzten Anwendungsfeldern zählen die automatische Belegerkennung und Kontierung (häufig kombiniert mit OCR), Bedarfs- und Absatzprognosen für die Disposition, Anomalieerkennung bei Buchungen und Beständen sowie sprachbasierte Assistenten für Auswertungen ohne Reporting-Maske. Bei angebundenen Maschinen- und Sensordaten kommt Predictive Maintenance hinzu, also die vorausschauende Wartung. Diese Use Cases sind in den vergangenen Jahren vielfach vom Pilotbetrieb in den produktiven Alltag übergegangen, bleiben aber an die Qualität der zugrunde liegenden Daten gebunden. Welche Funktionen konkret verfügbar und sinnvoll sind, hängt stark von ERP-System, Branche und bestehender Systemlandschaft ab.

Große Sprachmodelle wie GPT oder Claude sind generativ und eignen sich für unstrukturierte Texte, etwa um Belege zusammenzufassen, Fragen in natürlicher Sprache zu beantworten oder Entwürfe zu erzeugen. Klassische Machine-Learning-Verfahren wie Random Forest oder Gradient-Boosting-Modelle arbeiten dagegen besser mit tabellarischen ERP-Daten und liefern Prognosen, etwa zu Absatzmengen oder Zahlungsausfällen. In der Praxis ergänzen sich beide Ansätze, da ERP-Systeme sowohl strukturierte Transaktionsdaten als auch unstrukturierte Dokumente verarbeiten. Beide setzen jedoch auf saubere Stammdaten und einen zentralen Datenbestand auf, weshalb die Datenqualität über den tatsächlichen Nutzen entscheidet.

Für viele Mittelständler liegt der Einstieg in gut abgegrenzten Use Cases mit hoher Datenqualität, vor allem in der Belegverarbeitung und der Bedarfsprognose, wo erste Effekte oft bereits im ersten Quartal sichtbar werden. Berichtete Kennzahlen aus der Branche reichen je nach Reifegrad von deutlich niedrigeren Kosten pro Rechnung bis zu Prognosegenauigkeiten von rund 90 Prozent; solche Werte sind jedoch Orientierungsgrößen und keine garantierten Ergebnisse. Entscheidend ist nicht die vollständige Automatisierung, sondern die Entlastung von Routinearbeit und schnellere, fundiertere Entscheidungen. Die konkrete Ausgestaltung variiert nach Branche, Größenklasse und Customizing-Tiefe des jeweiligen ERP-Setups und sollte an messbaren Kennzahlen überprüft werden.

Als technisch am weitesten fortgeschritten gelten 2026 SAP mit dem Assistenten Joule und Microsoft mit Copilot, die beide tief in ihre jeweiligen Cloud-Suiten eingebettet sind und über eine Agent-zu-Agent-Anbindung (A2A) zusammenarbeiten können. SAP hat Joule zu einer agentischen Plattform mit zahlreichen spezialisierten Agenten und einer großen Zahl eingebetteter Fähigkeiten über S/4HANA, SuccessFactors und weitere Module ausgebaut, während Anbieter wie Oracle NetSuite, Infor und Sage eigene KI-Komponenten weiterentwickeln. Eine pauschale Aussage über den besten Anbieter ist allerdings wenig belastbar, da die Eignung vom konkreten Anwendungsfall, der Datenlage und den regulatorischen Rahmenbedingungen abhängt. Sinnvoll ist es, auf nachvollziehbare Empfehlungen statt autonomer Entscheidungen, einen durchgängigen Audit-Trail sowie offene Schnittstellen wie REST-API oder OData zu achten.

Da ERP-Systeme regelmäßig personenbezogene Daten verarbeiten, greifen beim KI-Einsatz die Vorgaben der DSGVO: erforderlich sind eine tragfähige Rechtsgrundlage, ein Auftragsverarbeitungsvertrag mit dem jeweiligen KI-Anbieter und bei hohem Risiko eine Datenschutz-Folgenabschätzung. Hinzu kommt die EU-KI-Verordnung (EU AI Act): Verbotene Praktiken sind bereits seit Februar 2025 untersagt, während die ursprünglich für den 2. August 2026 vorgesehenen Pflichten für Hochrisiko-Systeme nach der Ende 2025 erzielten Einigung zum „Digital Omnibus" voraussichtlich verschoben werden (für eigenständige Annex-III-Systeme auf Dezember 2027) – maßgeblich ist die finale Verabschiedung und Veröffentlichung im Amtsblatt. Die Bußgeldobergrenze von 35 Millionen Euro oder 7 Prozent des weltweiten Jahresumsatzes gilt nur für verbotene Praktiken; Verstöße gegen Hochrisiko- und Anbieterpflichten sind auf 15 Millionen Euro oder 3 Prozent gedeckelt. Praktisch wichtig ist zudem, vertraglich zu klären, ob Eingaben in das Training der Modelle einfließen, da seriöse Enterprise-Angebote ein solches Training mit Kundendaten in der Regel ausschließen.

Die wichtigste Voraussetzung ist eine hohe Datenqualität, denn Prognosen und Vorschläge sind nur so gut wie die zugrunde liegenden Daten; fehlerhafte Buchungen oder lückenhafte Stammdaten führen zu irreführenden Ergebnissen. Empfehlenswert sind daher gepflegte Stammdaten und ein zentraler, konsistenter Datenbestand im Sinne eines Single Source of Truth, ergänzt um offene Schnittstellen für die Datenübergabe. Organisatorisch sollten Empfehlungen nachvollziehbar und korrigierbar bleiben und über einen Audit-Trail dokumentiert werden, damit Prüfbarkeit und Verantwortlichkeit gewahrt sind. Bewährt hat sich ein schrittweises Vorgehen, das mit klar abgegrenzten Use Cases in einer isolierten Testumgebung beginnt und erst nach belastbaren Ergebnissen ausgeweitet wird.