KI im ERP: Warum ein Chatbot allein nicht reicht

Viele Unternehmen bauen gerade „KI fürs ERP“. Die meisten starten mit derselben Idee: Der Nutzer stellt eine Frage, die KI fragt die ERP-Datenbank ab und antwortet in natürlicher Sprache. Das klingt elegant. Der eigentliche Mehrwert liegt aber nicht darin, zwei Klicks im ERP zu sparen. Spannend wird es erst, wenn die KI echte Business-Fragen beantworten kann:

Welche Kunden verlieren wir gerade schleichend?
Welche Vertriebschancen übersehen wir?
Welche Kunden entwickeln sich ungewöhnlich?
Welche Produktgruppen brechen regional weg?
Welche Kunden sollte Vertrieb heute priorisieren?

Warum freie SQL-KI gefährlich ist

Die naive Architektur sieht oft so aus:

Nutzerfrage
→ KI erzeugt SQL
→ SQL läuft direkt auf der ERP-Datenbank
→ KI formuliert eine Antwort

In der Praxis ist das riskant. Das Modell muss Tabellenstrukturen verstehen, Beziehungen erraten, Berechtigungen beachten und große Datenmengen korrekt verarbeiten. Damit wird die KI plötzlich zum Datenbankentwickler — nicht zum Business-Analysten.

Der zweite Fehler: zu viel Logik in APIs

Die andere Extremposition ist, für jede Frage eine eigene API zu bauen:

get_risky_customers()
get_declining_customers()
get_churn_candidates()

Dann steckt die eigentliche Intelligenz aber wieder im Backend. Die KI formuliert nur noch schön aus, was das ERP ohnehin schon berechnet hat. Das ist am Ende ERP-Customizing mit Chatoberfläche.

Der bessere Weg: generische Analysefähigkeiten

Interessant wird es mit einem Mittelweg: Die KI bekommt keine freie Datenbank, aber auch keine fertigen Antworten. Stattdessen bekommt sie sichere Analyse-Bausteine:

Kennzahlen vergleichen
Zeitreihen abrufen
nach Kunden, Artikeln oder Regionen gruppieren
Ausreißer finden
verknüpfte Datensätze laden

Die API liefert also keine fertige Antwort auf die Frage „Welche Kunden verlieren wir?“. Sie liefert Umsatzentwicklung, Bestellfrequenz, Tage seit letzter Bestellung, Produktgruppen-Trends, offene Forderungen und Margenentwicklung.

Die KI interpretiert daraus:

Müller GmbH wirkt kritisch, weil Umsatz, Bestellfrequenz und Produktmix gleichzeitig einbrechen.

Backend rechnet, KI interpretiert

LLMs sind stark in Mustererkennung, Priorisierung, Zusammenfassung und Hypothesenbildung. Sie sind aber nicht ideal dafür, tausende Rechnungspositionen exakt zu berechnen.

Deshalb sollte die Aufteilung klar sein:

Backend:
- rechnen
- aggregieren
- filtern
- limitieren
- normalisieren

KI:
- interpretieren
- priorisieren
- erklären
- Hypothesen bilden

Der eigentliche Nutzen

Ein klassisches ERP kann Listen filtern, Reports anzeigen und Prozesse abbilden. Eine gute KI-Schicht kann dagegen mehrere schwache Signale kombinieren:

Umsatz leicht rückläufig
Bestellfrequenz sinkt
Hauptproduktgruppe bricht weg
Zahlungsverhalten verschlechtert sich

Jedes Signal für sich wäre vielleicht unkritisch. Zusammen entsteht aber ein Muster, das für Vertrieb, Einkauf oder Geschäftsführung relevant sein kann.

Nächster Schritt Aus einer Idee wird ein klarer nächster Schritt. Kontakt

KI im ERP: Warum ein Chatbot allein nicht reicht

Warum freie SQL-KI gefährlich ist

Der zweite Fehler: zu viel Logik in APIs

Der bessere Weg: generische Analysefähigkeiten

Backend rechnet, KI interpretiert

Der eigentliche Nutzen

Weitere Artikel

Bessere Requirements mit KI

Lokale KI-Modelle: Hardware, Speicher und realistische Grenzen

PostgreSQL vs. Vektordatenbank