Künstliche Intelligenz im ERP – Anwendungsfälle und Nutzen
KI im ERP 2026: Compliance-Fristen, Einführungsschritte und realistische ROI-Erwartungen. · Quelle: erp-software.org Redaktion
Video: KI im ERP: Was wirklich funktioniert – einfach erklärt · Quelle: erp-software.org auf YouTube
Lieber hören? Cloud-native Architektur und KI-Agenten im ERP gibt es auch als Podcast-Folge:
Wie verbreitet KI im ERP wirklich ist
Kaum ein ERP-Anbieter kommt derzeit ohne KI-Kapitel in der Produktbroschüre aus. Der Blick in die Erhebungen zeigt allerdings ein differenzierteres Bild: Die Aufmerksamkeit für das Thema wächst deutlich schneller als die Zahl der produktiv laufenden Anwendungsfälle. Die Trovarit-Anwenderstudie ERP in der Praxis 2024/25, für die über 1.700 Anwenderunternehmen im deutschsprachigen Raum befragt wurden, weist rund 29 Prozent der Anwenderunternehmen aus, die KI-Anwendungen im ERP-Umfeld eine hohe Relevanz beimessen. Das ist nahezu eine Verdopplung gegenüber der Vorgängerbefragung aus dem Jahr 2022, in der erst 15 Prozent der rund 2.000 Befragten KI als relevant bis sehr relevant für ihre ERP-Lösung einstuften. Diese und alle folgenden Kennzahlen sind mit Quelle und Erhebungszeitraum im Abschnitt KI im ERP der ERP-Statistiken dokumentiert.
Auf gesamtwirtschaftlicher Ebene fällt der Anstieg noch deutlicher aus. Bitkom Research befragte für die Presseinformation Digitalisierung der Wirtschaft vom 11. März 2026 in den Kalenderwochen 2 bis 6 des Jahres 2026 insgesamt 604 Unternehmen ab 20 Beschäftigten in Deutschland: 41 Prozent nutzen demnach bereits KI, weitere 48 Prozent planen oder diskutieren den Einsatz. Ein Jahr zuvor lag die Nutzung in derselben Erhebungsreihe erst bei 17 Prozent. Die amtliche Statistik zeichnet ein nüchterneres, weil breiter angelegtes Bild: In der IKT-Erhebung des Statistischen Bundesamtes für das Jahr 2025 nutzten 26 Prozent der Unternehmen ab 10 Beschäftigten künstliche Intelligenz, wobei die Spannweite nach Größenklasse erheblich ist — 57 Prozent bei Großunternehmen ab 250 Beschäftigten, 36 Prozent bei mittleren Unternehmen mit 50 bis 249 Beschäftigten und 23 Prozent bei kleinen Unternehmen mit 10 bis 49 Beschäftigten. Die DIHK-Digitalisierungsumfrage 2025 kommt auf 38 Prozent Nutzer und 32 Prozent Unternehmen, die einen Einsatz in den nächsten drei Jahren planen; den eigenen Digitalisierungsgrad bewerten die befragten Betriebe dabei erneut nur mit der Schulnote 2,8.
Der wichtigste Befund für die ERP-Auswahl steckt aber nicht in den Nutzungsquoten, sondern darin, wo die KI tatsächlich läuft. Der DSAG-Investitionsreport 2026 der Deutschsprachigen SAP-Anwendergruppe, für den zwischen dem 8. Dezember 2025 und dem 21. Januar 2026 198 Anwenderunternehmen im DACH-Raum befragt wurden, weist aus: 43 Prozent haben bereits KI-Use-Cases umgesetzt, 51 Prozent noch keine. Von denen, die umgesetzt haben, betreiben 77 Prozent ihre Anwendungsfälle mit Non-SAP-Lösungen in Produktion beziehungsweise Nutzung — und nur 3 Prozent mit Lösungen des ERP-Herstellers selbst. Die KI-Wertschöpfung findet bei diesen Unternehmen also überwiegend neben dem ERP statt, nicht darin. Wer die KI-Funktionen der eigenen Suite als gesetzt betrachtet, sollte diese Zahl kennen, bevor Budget verplant wird.
Die Prognosen der Analysten zeigen in die Gegenrichtung und rechnen mit einer schnellen Verschiebung. Gartner erwartet in der Presseinformation vom 24. Februar 2026, dass bis 2027 weltweit 62 Prozent der Cloud-ERP-Ausgaben auf KI-fähige Lösungen entfallen; 2024 lag dieser Anteil erst bei 14 Prozent. Dieselbe Veröffentlichung prognostiziert, dass Finanzorganisationen mit eingebetteten KI-Assistenten in ihren Cloud-ERP-Anwendungen bis 2028 einen um 30 Prozent schnelleren Finanzabschluss erreichen. Zum Thema Agenten hatte Gartner bereits am 26. August 2025 prognostiziert, dass 40 Prozent der Enterprise-Anwendungen bis 2026 aufgabenspezifische KI-Agenten integriert haben werden, nach weniger als 5 Prozent im Jahr 2025. Als Marktkontext gehört dazu, dass der weltweite ERP-Softwaremarkt 2024 laut Gartner um 11,3 Prozent auf 66 Milliarden US-Dollar wuchs und dieses Wachstum unter anderem von GenAI- und Agentic-AI-Angeboten beeinflusst wurde — eine qualitative Treiberzuordnung ohne quantifizierten KI-Anteil.
Zusammengenommen ergibt sich eine klare Ausgangslage für die Auswahl: Die Verfügbarkeit von KI-Funktionen ist innerhalb weniger Jahre vom Differenzierungsmerkmal zum Standardversprechen geworden, die produktive Nutzung im ERP-Kern hinkt aber hinterher. Für ein Auswahlprojekt heißt das, dass KI-Fähigkeit kaum noch als Ausschlusskriterium taugt, die konkrete Ausprägung — Funktionsname, Lizenzmodell, Datenhaltung, Referenzbetrieb — dagegen sehr wohl.
Was die Systeme heute wirklich können
Anbieterunabhängige Übersichten bleiben an dieser Stelle meist vage und sprechen von KI-Assistenten im Allgemeinen. Hilfreicher ist es, die Funktionen beim Namen zu nennen, denn erst der Produktname macht überprüfbar, ob eine Funktion im Standard enthalten, über eine Plattform zugekauft oder als separates Modul lizenziert wird. Die folgende Übersicht fasst zusammen, was in den redaktionellen Produktprofilen dieser Website zu den jeweiligen KI-Funktionen dokumentiert ist. Sie bildet den dort gepflegten Stand ab und ersetzt keine Release-Prüfung beim Hersteller — Funktionsumfang und Verfügbarkeit ändern sich mit jedem Releasezyklus.
KI-gestützte Belegverarbeitung, zusammen mit E-Rechnung und revisionssicherem DMS
im Standard enthalten
Aus dieser Aufstellung lassen sich drei Muster ablesen, die in Auswahlprojekten immer wieder auftauchen. Das erste ist die tief eingebettete Assistenz der großen Cloud-Suiten: SAP führt seine KI-Funktionen unter dem Markennamen Joule zusammen, Microsoft nutzt Copilot in beiden Dynamics-365-Linien — in Business Central vor allem für Beleg- und Stammdatenerfassung, in Finance & Operations zusätzlich für Lieferanten-Korrespondenz und Forderungsmanagement. Diese Funktionen sind nicht als Zusatzprodukt gedacht, sondern als Oberfläche über bestehenden Prozessen. Der Vorteil liegt in der Nähe zu den Echtdaten, der Nachteil darin, dass die Qualität der Vorschläge unmittelbar an die Pflege der Stammdaten gekoppelt ist.
Das zweite Muster ist die vorgelagerte Plattform. Bei Infor laufen die KI-Dienste nicht im ERP-Kern, sondern über Infor OS, wo Coleman gemeinsam mit Birst Analytics, Dokumentenmanagement und dem Integrationsdienst ION bereitgestellt wird — das gilt sowohl für Infor M3 als auch für Infor CloudSuite Financials. Ähnlich verhält es sich bei ProAlpha, wo die ProAlpha AI Platform als ergänzende Ebene neben der Suite steht, und bei Oracle NetSuite, dessen SuiteAnalytics als eingebettetes Reporting die Basis bildet, auf der seit der Oracle-Integration zunehmend KI-Funktionen aufsetzen. Für die Bewertung ist dieses Muster wichtig, weil Plattformfunktionen eigene Verträge, eigene Datenflüsse und häufig eigene Preisbestandteile mitbringen.
Das dritte Muster ist die klar abgegrenzte Zusatzoption. Am deutlichsten dokumentiert ist das bei Epicor Kinetic: Epicor Prism liefert KI-Agenten für Datenrecherche, Bestellabwicklung oder Qualitätsanalysen und wird laut Hersteller über ein ergebnisbasiertes Preismodell abgerechnet — die KI ist hier also weder im Subskriptionspreis enthalten noch nutzerbasiert kalkuliert. IFS Cloud wiederum bündelt unter IFS.ai generative und prädiktive Funktionen, die auf Service- und Instandhaltungsprozesse zugeschnitten sind, also auf genau die Bereiche, in denen der Hersteller seine funktionale Stärke hat.
Dass KI kein Thema allein der großen internationalen Suiten ist, zeigen zwei Beispiele aus dem deutschsprachigen Raum. Scopevisio führt KI-gestützte Belegverarbeitung gemeinsam mit E-Rechnung und revisionssicherem DMS im Standard, also ohne Zusatzmodul. Abacus Business Software setzt auf eigenentwickelte Funktionen: automatische Belegerkennung per OCR, Buchungsvorschläge auf Basis historischer Daten und Natural-Language-Schnittstellen, über die sich Auswertungen als Frage formulieren lassen; ergänzt wird das durch AbaSmart und die mobile App AbaCliK für Beleg-Fotos, Freigaben und Synchronisation in die Finanzbuchhaltung. Auch Odoo führt einen KI-Assistenten neben Workflows und Dokumentenmanagement, allerdings ohne dokumentierten Funktionsnamen und ohne Lizenzangabe — ein Beispiel dafür, wie unscharf Herstellerangaben in diesem Feld ausfallen können.
Wo KI im ERP-Prozess ansetzt
Trotz der Vielfalt der Produktnamen lassen sich die Anwendungsfälle auf wenige Wirkprinzipien zurückführen. Sie unterscheiden sich weniger in der Technik als in der Frage, wie viel Schaden ein falscher Vorschlag anrichten kann und wie leicht sich ein Fehler bemerken lässt. Genau daran sollte sich die Reihenfolge der Einführung orientieren.
Prognose ist der Bereich mit dem längsten Vorlauf und der besten Datenlage. Bedarfs- und Absatzvorhersagen verbessern Disposition und Lagerhaltung, weil sie Saisonalität, Trends und Sondereffekte gemeinsam auswerten, statt starre Verbrauchsmittelwerte fortzuschreiben. Der Nutzen ist gut messbar, etwa an Bestandsreichweite, Fehlmengen und Abschriften, und ein falscher Forecast wird durch den nächsten Planungslauf korrigiert. Verwandt dazu ist Predictive Maintenance, bei der Wartung vor dem Ausfall geplant wird — hier stammen die Eingangsdaten allerdings meist aus Maschinen- und Sensorsystemen und nicht aus dem ERP selbst, was den Integrationsaufwand erhöht.
Automatisierung setzt an der Belegstrecke an. Eingangsrechnungen werden ausgelesen, geprüft, kontiert und im günstigen Fall ohne manuellen Eingriff verbucht. Der Hebel ist hoch, weil die Wiederholrate hoch ist; gleichzeitig ist dies der Bereich, in dem ein systematischer Fehler am schnellsten skaliert. Abzugrenzen ist die KI-gestützte Verarbeitung von klassischer Robotic Process Automation: RPA folgt festen Regeln und tut zuverlässig immer dasselbe, während ein Modell Vorschläge auf Basis von Wahrscheinlichkeiten macht. Beide Ansätze lassen sich kombinieren, sollten in der Fehlerbetrachtung aber getrennt bewertet werden.
Assistenz verändert vor allem den Zugang zum System. Sprachassistenten und Chatbots im ERP beantworten Fragen zu Beständen, Aufträgen oder Kennzahlen und führen einfache Aktionen aus, ohne dass Anwendende die passende Transaktion kennen müssen. Der Nutzen liegt weniger in eingesparten Klicks als darin, dass Auswertungen überhaupt gemacht werden, die vorher an der Bedienhürde scheiterten. Kritisch ist hier die Rechtevergabe: Ein Assistent, der Berechtigungen umgeht oder aggregiert, hebelt ein sorgfältig aufgebautes Rollenkonzept aus.
Anomalie-Erkennung ist der Anwendungsfall mit dem besten Verhältnis aus Nutzen und Risiko, weil das Modell nichts entscheidet, sondern nur auf Prüfung hinweist. Auffällige Buchungen, mögliche Betrugsmuster oder Qualitätsabweichungen werden markiert, die Bewertung bleibt beim Menschen. Ergänzend deckt Process Mining auf, an welchen Stellen Abläufe tatsächlich stocken — häufig eine bessere Grundlage für die Use-Case-Auswahl als eine Wunschliste aus Workshops.
Was KI im ERP kostet
Die Kostenfrage wird in Auswahlprojekten regelmäßig zu spät gestellt, weil KI-Funktionen in Demos selbstverständlich mitlaufen. In der Vertragsrealität sind sie das selten. Vier Preislogiken lassen sich unterscheiden, und sie führen zu sehr unterschiedlichen Verläufen über die Vertragslaufzeit.
Im Basispreis enthalten: Die Funktion ist Teil der Subskription, wie es die Profile etwa für die KI-gestützte Belegverarbeitung bei Scopevisio oder die Belegerkennung bei Abacus beschreiben. Planungssicher, aber häufig funktional enger zugeschnitten.
Nutzerbezogener Aufschlag: Ein Zuschlag pro Vollnutzer und Monat, oft nur für bestimmte Lizenztypen. Die Kosten steigen mit der Kopfzahl, nicht mit dem Nutzen — bei vielen Gelegenheitsnutzern ein ungünstiges Modell.
Verbrauchs- oder transaktionsabhängig: Abgerechnet werden verarbeitete Belege, Anfragen oder Rechenkontingente. Der Vorteil ist die Kopplung an die tatsächliche Nutzung, der Nachteil die schwierige Vorab-Kalkulation, solange Mengengerüste fehlen.
Ergebnis- beziehungsweise plattformbasiert: Für Epicor Prism wird laut Herstellerangabe ein ergebnisbasiertes Preismodell genannt; bei Infor läuft die KI-Bereitstellung über Infor OS und damit über eine eigene Plattformebene. Solche Modelle brauchen eine vertraglich definierte Messgröße, sonst ist die Rechnung im Nachhinein nicht überprüfbar.
Für die Gesamtkostenbetrachtung heißt das, dass KI-Funktionen als eigene Position in die TCO-Rechnung gehören und nicht in der Lizenzsumme untergehen dürfen. Neben der Lizenz fallen typischerweise Aufwände für Datenaufbereitung, Schnittstellen zu vorgelagerten Systemen, Testläufe im Parallelbetrieb und Schulungen an — letztere sind seit der EU-KI-Verordnung ohnehin nicht mehr optional. Wer die Positionen strukturiert gegenüberstellen möchte, findet im TCO-Rechner ein Gerüst dafür; die typischen Kostenblöcke einer ERP-Einführung sind in der ERP-Kostenübersicht aufgeschlüsselt. Sinnvoll ist außerdem, die Preisstellung der KI-Komponente für die gesamte geplante Vertragslaufzeit festzuschreiben, weil gerade in diesem Bereich Preismodelle derzeit häufig wechseln.
KI-Reife prüfen: Fragen an den Anbieter
Die meisten Anbieterpräsentationen zum Thema KI zeigen dieselben zwei bis drei Szenarien in einer aufgeräumten Demo-Umgebung. Aussagekräftig wird ein Gespräch erst durch Fragen, die sich nicht mit einer Folie beantworten lassen. Die folgenden Punkte lassen sich unverändert in ein Lastenheft oder eine Ausschreibungsanlage übernehmen; die Antworten gehören schriftlich zur Angebotsdokumentation.
Wie heißt die KI-Funktion als Produkt, und welche Anwendungsfälle deckt sie im Standard ab — ohne Erweiterung und ohne Partnerlösung?
Ist die Funktion im Basispreis enthalten oder eine eigene Position im Angebot? Falls Zusatzposition: wie lautet die Artikel- beziehungsweise SKU-Bezeichnung?
Nach welcher Größe wird abgerechnet — pro Nutzer, pro Transaktion, pro Rechenkontingent oder ergebnisbasiert? Wie ist die Messgröße vertraglich definiert?
Welche Preisanpassungsklauseln gelten für die KI-Komponente, und wie lange ist der genannte Preis garantiert?
In welcher Rechenzentrumsregion werden die Modelle betrieben, und in welcher Region liegen die verarbeiteten Daten? Gibt es eine vertraglich zusicherbare EU-Region?
Fließen Eingaben, Belege oder Stammdaten aus dem Mandanten in das Training von Modellen ein — und lässt sich das vertraglich ausschließen?
Werden Subunternehmer oder Modellanbieter Dritter eingesetzt, und sind diese im Auftragsverarbeitungsvertrag vollständig benannt?
Wie nachvollziehbar ist ein Vorschlag? Wird angezeigt, auf welche Belege, Stammdaten oder Regeln sich ein Ergebnis stützt, und lässt sich das exportieren?
Wie werden KI-Aktionen protokolliert, und erfüllt das Protokoll die Anforderungen an einen revisionssicheren Audit-Trail?
Wie lässt sich eine KI-Funktion abschalten oder auf einen früheren Stand zurücksetzen, wenn die Qualität nach einem Modell-Update sinkt — und wird über solche Updates vorab informiert?
Gibt es einen Referenzkunden vergleichbarer Größe im DACH-Raum, bei dem die Funktion produktiv läuft, und ist ein direktes Gespräch möglich?
Wie gut ist die Sprachqualität im Deutschen, inklusive Fachbegriffen aus Buchhaltung und Fertigung? Lässt sich das im eigenen Datenbestand testen, nicht nur in der Demo-Umgebung?
Zwei Fragen aus dieser Liste trennen erfahrungsgemäß am zuverlässigsten Marketing von Substanz: die nach der SKU und die nach dem produktiven Referenzkunden im DACH-Raum. Wer beides belastbar beantwortet, hat die Funktion tatsächlich im Markt. Sinnvoll ist außerdem, einen Test mit echten eigenen Daten in einer Sandbox zur Bedingung zu machen, statt die Bewertung auf eine vorbereitete Demo zu stützen. Weitere Hinweise zur Gesprächsführung mit Anbietern finden sich im Leitfaden zur ERP-Auswahl und in der Checkliste für den ERP-Vertrag.
Risiken, die im Vertrieb selten zur Sprache kommen
Die Risiken generativer Systeme im ERP unterscheiden sich grundlegend von denen klassischer Software. Ein Programmfehler ist reproduzierbar und lässt sich beheben; ein statistisches Modell liefert plausible Ergebnisse auch dann, wenn sie falsch sind. Fünf Risikoarten sollten in jeder Bewertung explizit benannt werden, weil sie in Ausschreibungsunterlagen fast nie auftauchen.
Halluzinationen in buchungsrelevanten Kontexten. Generative Modelle erzeugen Ausgaben, die sprachlich und formal korrekt wirken, aber keinen Beleg in den Daten haben — eine erfundene Kostenstelle, ein plausibler, aber falscher Steuerschlüssel, eine Vertragsklausel, die im Dokument nicht steht. In einem Chat-Assistenten ist das ärgerlich, in der Kontierung ist es ein Buchungsfehler mit Folgen für Abschluss und Prüfung. Deshalb gehören generative Funktionen in Bereiche mit Vier-Augen-Prinzip oder maschineller Gegenprüfung, nicht in die unbeaufsichtigte Dunkelbuchung.
Automation Bias. Damit wird die gut belegte Neigung bezeichnet, Vorschlägen eines Systems stärker zu vertrauen als eigenen Prüfungen — besonders dann, wenn das System über längere Zeit zuverlässig war. Wer 200 Rechnungen am Tag freigibt und dabei 195 korrekte Vorschläge sieht, prüft die restlichen fünf erfahrungsgemäß weniger sorgfältig. Die formale menschliche Aufsicht bleibt damit bestehen, ihre Wirkung nicht. Gegenmittel sind Stichprobenquoten, bewusst nicht vorbelegte Prüffelder bei kritischen Beträgen und rotierende Kontrollen statt dauerhaft derselben Freigeberin oder desselben Freigebers.
Fehlerskalierung. Der wirtschaftliche Reiz der Automatisierung liegt im Volumen — und genau das macht Fehler teuer. Ein falsch gelerntes Muster wirkt nicht auf einen Vorgang, sondern auf alle gleichartigen Vorgänge, bis jemand es bemerkt. Manuelle Fehler streuen zufällig und fallen deshalb früher auf; Modellfehler sind systematisch und konsistent. Wirksam sind Schwellenwerte, ab denen Vorgänge zwingend in die manuelle Prüfung laufen, sowie regelmäßige Rückwärtsauswertungen, die automatisch verarbeitete Vorgänge stichprobenartig gegen den korrekten Sollzustand halten.
Schatten-KI. Wenn die offizielle Lösung fehlt, zu langsam ist oder zu spät kommt, nutzen Beschäftigte frei verfügbare Werkzeuge — und kopieren dafür Kundendaten, Preislisten, Kalkulationen oder Personaldaten in Dienste außerhalb der Unternehmenskontrolle. Der Vorgang ist meist gut gemeint und selten böswillig, hebelt aber Datenschutz, Geheimhaltungspflichten und die eigene Rechteverwaltung gleichzeitig aus. Verbote allein wirken hier kaum; wirksamer ist ein freigegebener, dokumentierter Weg für die häufigsten Aufgaben, kombiniert mit einer klaren Regelung, welche Datenkategorien ein externes Werkzeug nie sehen dürfen.
Datenabfluss über die Modellkette. Viele KI-Funktionen in ERP-Suiten rufen im Hintergrund Modelle auf, die nicht vom ERP-Hersteller selbst betrieben werden. Damit stellen sich Fragen, die im klassischen SaaS-Vertrag nicht auftauchen: Wo werden Eingaben verarbeitet, wie lange werden sie vorgehalten, wer ist Unterauftragsverarbeiter, und ist eine Nutzung für Trainingszwecke ausgeschlossen? Diese Punkte gehören in den Auftragsverarbeitungsvertrag und nicht in eine Produktbroschüre. Für regulierte Bereiche kommt hinzu, dass die Verarbeitungskette dokumentiert sein muss, um sie im Prüfungsfall darstellen zu können — Anforderungen aus GoBD und NIS-2 gelten unabhängig davon, ob die Verarbeitung ein Mensch oder ein Modell vornimmt.
Compliance: Was die EU-KI-Verordnung für ERP-Anwender bedeutet
Wer KI im ERP einsetzt, agiert rechtlich als Betreiber und trägt eigene Pflichten aus der EU-KI-Verordnung — unabhängig davon, ob die Funktion selbst entwickelt oder als Teil einer Cloud-Lösung eingekauft wurde. Seit dem 2. Februar 2025 verlangt Artikel 4 eine ausreichende KI-Kompetenz aller Beschäftigten, die mit KI-Systemen arbeiten, und zwar unabhängig von Unternehmensgröße und Risikoklasse. Auch die reine Nutzung einer Cloud-Lösung mit eingebetteter KI löst diese Schulungspflicht aus, was in der Praxis bedeutet: Sobald Copilot, Joule oder ein vergleichbarer Assistent im Standard aktiviert wird, ist die Pflicht ausgelöst.
Mehrere ERP-Kernfunktionen fallen zudem in die Hochrisiko-Kategorie nach Anhang III, insbesondere die Vorauswahl im Personalmanagement (Bewerber-Screening) sowie Bonitäts- und Kreditwürdigkeitsprüfungen. Für solche Anwendungen gelten verschärfte Pflichten zu Dokumentation, menschlicher Aufsicht und Datenqualität. Der ursprüngliche Stichtag 2. August 2026 soll nach dem politisch vereinbarten Digital-Omnibus auf den 2. Dezember 2027 verschoben werden; dieser ist mit Stand Mitte 2026 allerdings noch nicht final verabschiedet, weshalb sich eine Planung allein auf den späteren Termin nicht empfiehlt. Der Bußgeldrahmen ist gestaffelt: Bei Verstößen gegen die Hochrisiko-Pflichten drohen bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes, je nachdem, welcher Betrag höher ist, während verbotene KI-Praktiken mit bis zu 35 Millionen Euro oder 7 Prozent geahndet werden.
Drei Punkte lassen sich daraus unmittelbar in die Projektplanung übernehmen. Erstens die Transparenzpflicht: KI-generierte Inhalte und Chatbot-Antworten müssen ab dem 2. August 2026 als solche gekennzeichnet werden, was auch für automatisch erzeugte Texte in Kundenkorrespondenz aus dem ERP gilt. Zweitens die Nachweispflicht: Schulungen brauchen keinen festen Lehrplan, müssen aber rollengerecht zugeschnitten und belegbar dokumentiert sein — eine Teilnehmerliste mit Datum und Inhaltsübersicht ist das Mindeste. Drittens die Abgrenzung zur DSGVO, die parallel weitergilt: KI-Funktionen im ERP verarbeiten regelmäßig personenbezogene Daten von Beschäftigten, Bewerbern oder Kunden, sodass Rechtsgrundlage, Datenminimierung und Transparenz unabhängig von der KI-Verordnung sicherzustellen sind.
Einführung in Schritten: vom Pilot zum belastbaren Ergebnis
Erfolgreiche KI-Projekte starten klein und messbar. Bewährt hat sich eine Reihenfolge aus ehrlicher Ist-Analyse der Prozesse und der Datenbasis, abgegrenztem Pilot und erst danach breiter Ausrollung. Die Erfahrung aus ERP-Projekten zeigt, dass Vorhaben selten am Modell scheitern, sondern an den Daten: Die Aufbereitung beansprucht in der Regel mehr Zeit als die eigentliche Implementierung, und Datensilos zwischen Vorsystemen sind ein häufigerer Stolperstein als fehlende Funktionalität.
Anwendungsfälle mit hoher Wiederholrate und klar messbarem Ergebnis auswählen — messbar heißt: Es existiert eine Kennzahl, die schon heute erhoben wird.
Data Readiness prüfen: Verfügbarkeit, Qualität und Zugriffsrechte der Stammdaten, inklusive der Frage, welche Datenquellen außerhalb des ERP angebunden werden müssen.
Pilot mit definierten Kennzahlen und definierter Abbruchbedingung fahren, idealerweise im Parallelbetrieb gegen den bisherigen Prozess.
Belegschaft früh einbinden und rollengerecht schulen — das erfüllt zugleich die Kompetenzpflicht aus Artikel 4 der KI-Verordnung.
Erst nach belegter Wirkung skalieren und dabei Kontrollmechanismen mitskalieren, nicht nur das Volumen.
Der letzte Punkt wird am häufigsten übersehen. Wenn ein Pilot mit 200 Belegen pro Monat gut läuft, heißt das nicht, dass die gleiche Fehlerquote bei 20.000 Belegen tragbar ist — bei gleichbleibender Trefferquote steigt die absolute Zahl der Fehler proportional mit. Zum Rollout gehören deshalb festgelegte Stichprobenquoten, definierte Eskalationswege und eine benannte fachliche Verantwortung für die Modellqualität. Ein struktureller Vorab-Check der eigenen Voraussetzungen ist im ERP-Readiness-Check beschrieben.
Wie sich der Weg vom Zielbild über einen Piloten mit klarem Abbruchkriterium bis in den produktiven Betrieb strukturieren lässt, steht ausführlich im Leitfaden KI im ERP einführen.
Einordnung
Die belastbaren Zahlen zeichnen ein konsistentes Bild: Das Interesse an KI im ERP hat sich innerhalb weniger Jahre nahezu verdoppelt, die Analystenprognosen erwarten eine schnelle Verschiebung der Cloud-ERP-Ausgaben zugunsten KI-fähiger Lösungen, und gleichzeitig läuft ein Großteil der tatsächlich umgesetzten Anwendungsfälle nicht in der ERP-Suite selbst. Für die Auswahl folgt daraus eine unspektakuläre, aber tragfähige Haltung: KI-Funktionen sind ein Bewertungskriterium unter vielen, kein eigener Projektzweck. Entscheidend ist nicht, ob ein System KI kann, sondern ob eine benannte Funktion einen benannten Prozess messbar verbessert, zu welchem Preis sie das tut, wo die Daten dabei verarbeitet werden und wer den Fehlerfall verantwortet. Wer diese vier Fragen beantworten kann, braucht das Buzzword nicht mehr — und wer sie nicht beantworten kann, sollte die Entscheidung vertagen, bis die Antworten schriftlich vorliegen. Eine kompakte Begriffsdefinition liefert das Glossar zu KI im ERP; ein Überblick über die am Markt vertretenen Systeme findet sich unter ERP-Anbieter.
Häufig gestellte Fragen
Woran lässt sich erkennen, ob ein KI-Feature nur ein Marketing-Label ist?
Ein belastbares Indiz ist die Artikelnummer: Funktionen, die tatsächlich ausgeliefert werden, haben eine Position im Preisblatt oder eine dokumentierte Zugehörigkeit zu einer Lizenzstufe. Fehlt beides und wird stattdessen auf eine Roadmap verwiesen, handelt es sich um eine Ankündigung, nicht um eine Funktion. Ein zweites Indiz ist der produktive Referenzkunde im deutschsprachigen Raum, mit dem ein direktes Gespräch möglich ist. Als drittes hilft ein Test mit dem eigenen Datenbestand in einer Testumgebung, weil vorbereitete Demo-Daten Schwächen bei Fachbegriffen, Belegformaten und Sprachqualität zuverlässig verdecken.
Lohnt sich KI im ERP auch für kleinere Unternehmen?
Entscheidend ist nicht die Unternehmensgröße, sondern das Mengengerüst des jeweiligen Prozesses. Eine automatisierte Belegverarbeitung rechnet sich dort, wo genügend gleichartige Vorgänge anfallen, um eingesparte Bearbeitungszeit gegen Lizenz-, Einrichtungs- und Kontrollaufwand zu stellen; bei wenigen Hundert Belegen im Jahr ist dieser Punkt selten erreicht. Kleinere Betriebe profitieren deshalb eher von Funktionen, die im Standard enthalten sind und keine eigene Einführung erfordern, als von Plattformen mit eigenem Projektaufwand. Wichtig ist außerdem, dass die Kompetenzpflicht aus der EU-KI-Verordnung unabhängig von der Unternehmensgröße gilt und damit auch bei kleinem Nutzungsumfang Schulungsaufwand entsteht.
Sollte KI-Fähigkeit ein Ausschlusskriterium in der ERP-Auswahl sein?
In der Regel nicht, weil praktisch jeder relevante Anbieter inzwischen KI-Funktionen bewirbt und das Kriterium damit kaum noch trennscharf ist. Sinnvoller ist es, KI als gewichtetes Einzelkriterium im Anforderungskatalog zu führen und dort auf konkrete Prozesse herunterzubrechen, statt eine allgemeine KI-Fähigkeit abzufragen. Ein Ausschlussgrund kann dagegen die Antwort auf die Begleitfragen sein, etwa wenn eine Verarbeitung außerhalb der EU nicht ausgeschlossen werden kann oder eine Nutzung der Eingaben für Modelltraining vertraglich nicht auszuschließen ist. Solche Punkte betreffen Datenschutz und Prüfbarkeit und wiegen schwerer als der Funktionsumfang eines Assistenten.
Wer haftet, wenn eine KI-gestützte Buchung falsch ist?
Die handels- und steuerrechtliche Verantwortung für die Richtigkeit der Buchführung bleibt beim Unternehmen und seiner Geschäftsführung, unabhängig davon, ob ein Vorschlag maschinell erzeugt wurde. Der Softwarehersteller haftet nur im Rahmen seiner vertraglichen Zusagen, und diese schließen die inhaltliche Richtigkeit generativer Vorschläge in der Praxis regelmäßig aus. Daraus folgt, dass Freigabeschritte, Vier-Augen-Prinzip und Protokollierung bei automatisiert erzeugten Buchungen eher wichtiger werden als weniger wichtig. Empfehlenswert ist, im Vertrag ausdrücklich zu regeln, welche Zusagen der Anbieter zur Nachvollziehbarkeit und Protokollierung macht.
Muss der Betriebsrat bei KI-Funktionen im ERP beteiligt werden?
Sobald eine Funktion geeignet ist, Verhalten oder Leistung von Beschäftigten zu überwachen, greifen die Mitbestimmungsrechte des Betriebsrats bei technischen Einrichtungen. Das kann bereits bei Assistenten der Fall sein, die Bearbeitungszeiten, Freigabequoten oder Korrekturhäufigkeiten je Nutzerkonto auswerten, auch wenn die Auswertung nicht der eigentliche Zweck der Funktion ist. Eine frühzeitige Einbindung ist deshalb sinnvoll, weil Betriebsvereinbarungen zu bestehenden Systemen den KI-Anteil meist noch nicht abdecken. In mitbestimmten Betrieben gehört dieser Punkt in die Projektplanung und nicht erst in die Rollout-Phase.
Wie stark bindet eine KI-Funktion an den bisherigen Anbieter?
Die Bindungswirkung entsteht weniger durch die Funktion selbst als durch die Daten, die im Betrieb um sie herum entstehen. Trainings- und Rückmeldedaten, gepflegte Regelwerke, Freigabehistorien und Konfigurationen sind bei einem Systemwechsel selten portierbar, sodass ein neues System zunächst wieder auf dem Ausgangsniveau startet. Sinnvoll ist deshalb, schon bei Vertragsschluss zu klären, welche dieser Daten in einem maschinenlesbaren Format exportiert werden können. Je stärker eine KI-Funktion in Freigabe- und Kontrollprozesse eingebunden ist, desto genauer sollte dieser Punkt geregelt sein.
Wie oft sollten KI-Funktionen im laufenden Betrieb überprüft werden?
Eine einmalige Abnahme reicht nicht aus, weil sich sowohl die Datenbasis als auch das Modell verändern können: Neue Lieferanten, geänderte Belegformate oder ein Update auf der Anbieterseite verschieben die Trefferquote, ohne dass eine Meldung erfolgt. Bewährt hat sich, eine feste Stichprobenquote automatisch verarbeiteter Vorgänge dauerhaft manuell nachzuprüfen und die Ergebnisse als Zeitreihe zu führen. Zusätzlich sollte nach jedem angekündigten Modell- oder Release-Wechsel eine gezielte Nachprüfung erfolgen. Verantwortlich dafür ist idealerweise eine benannte Person im Fachbereich, nicht die IT allein.