Generative AI in ERP ist dann sinnvoll, wenn sie den Weg von einer Frage zu einer verifizierten Information oder einer kontrollierten Aktion im System verkürzt. Ein LLM-Assistent kann Daten abrufen, Abweichungen erklären, Zusammenfassungen erstellen und eine Aktion zur Freigabe vorbereiten. In einem Produktionsunternehmen hängt der Erfolg eines solchen Projekts vor allem von der Datenqualität, den Zugriffsrechten und der Integration von ERP und Shopfloor-Daten ab.

Für einen Operations Director oder Produktionsleiter sind vier Fragen wichtiger als die Tatsache, dass ein System einfach nur „AI“ bietet: Woher bezieht der Assistent seine Daten? Was darf er sehen? Darf er Daten im System verändern? Und wer genehmigt seine Aktionen? Mit diesen Fragen lässt sich eine wirklich nützliche Lösung von einer lediglich beeindruckenden Benutzeroberfläche unterscheiden.

Künstliche Intelligenz in ERP-Systemen beschränkt sich nicht auf ein einzelnes Sprachmodell. In einer Systemlandschaft können Prognosemodelle, Mechanismen zur Dokumentenklassifizierung, OCR, Algorithmen zur Anomalieerkennung und ein LLM eingesetzt werden, das natürlichsprachliche Anweisungen versteht und darauf basierend Antworten erstellt.

Das ERP bleibt die Quelle für Transaktionen, Geschäftsregeln, Dokumente und Berechtigungen. Ein LLM sollte nicht zu einer alternativen „Source of Truth“ werden. Seine Aufgabe besteht darin, den Zugriff auf Daten zu vereinfachen, Kontext aus mehreren Quellen zusammenzuführen oder eine klar definierte Systemfunktion auszulösen.

Ein AI-Assistent beantwortet in der Regel Fragen, fasst Informationen zusammen oder bereitet einen Handlungsvorschlag vor. Ein Agent kann mehrere Schritte ausführen, beispielsweise Daten abrufen, sie mit einem Dokument vergleichen und eine Änderung zur Freigabe vorbereiten. Generative AI in ERP kann daher mit rein lesendem Zugriff beginnen und sich bis zur kontrollierten Ausführung von Aktionen entwickeln.

Ein ERP chatbot kann dabei als dialogorientierte Benutzeroberfläche dienen, während eine umfassendere LLM ERP Architektur natürlichsprachliche Anfragen mit Geschäftsdaten, Berechtigungen und Systemfunktionen verbindet.

Der beste Ausgangspunkt ist der konkrete Prozess. Für die Bewertung können Sie einen Vier-S-Test verwenden: Source, Scope, Save und Sign-off. Damit lässt sich prüfen, ob Generative AI in ERP über die für eine Aufgabe erforderlichen Daten verfügt und ob der vorgesehene Autonomiegrad zum Risiko des Prozesses passt.

Dieser Test schützt davor, Funktionen einzukaufen, ohne klar zu wissen, wo Generative AI in ERP tatsächlich Arbeit reduzieren soll. Wenn die meiste Zeit für die Suche nach Informationen benötigt wird, bringt Schreibzugriff kaum einen zusätzlichen Vorteil. Ist dagegen die Automatisierung operativer Vorgänge das Ziel, reicht eine reine Konversation mit den Daten nicht aus.

Der erste Anwendungsfall für Generative AI in ERP lässt sich vergleichsweise einfach testen. Anstatt einen Bericht zu erstellen oder mehrere Filter zu konfigurieren, kann ein Benutzer beispielsweise fragen, welche Produktionsaufträge für diese Woche noch nicht über alle benötigten Materialien verfügen oder bei welchen Bestellungen der Liefertermin bereits überschritten ist.

Der Mehrwert entsteht durch den kürzeren Weg zur Information. Die Antwort muss auf aktuellen Daten basieren und die Berechtigungen des Benutzers berücksichtigen. Wenn ein Manager keinen Zugriff auf die Daten einer anderen Gesellschaft hat, darf auch der Assistent diese Informationen nicht offenlegen. Außerdem sollte das System einen direkten Weg von der Antwort zum Quelldatensatz ermöglichen, damit sich die Information schnell überprüfen lässt.

Eine Liste verspäteter Aufträge erklärt nur selten die Ursache eines Problems. Ein Produktionsleiter möchte wissen, ob ein Termin wegen einer fehlenden Komponente, eines nicht verfügbaren Arbeitsplatzes, einer längeren Zykluszeit, einer Planänderung oder eines Qualitätsproblems gefährdet ist.

An diesem Punkt ist Generative AI in ERP zunehmend auf Daten außerhalb des ERP selbst angewiesen. Das Business-System kennt möglicherweise Plan, BOM, Termin und Materialbestand, während Informationen zur tatsächlichen Ausführung, zu Stillständen oder zu Qualitätsprüfungen in MES, SCADA oder einem Qualitätssystem gespeichert sind. Diese Daten müssen sich über Auftrag, Produkt, Arbeitsgang, Charge oder eine andere gemeinsame Kennung miteinander verknüpfen lassen.

Wenn der Datenfluss nicht konsistent ist, sollte zunächst die Synchronisation von ERP-Daten mit der Produktionverbessert werden. Ein Sprachassistent korrigiert weder eine falsche Materialnummer noch eine fehlende Chargennummer oder einen Status, der erst mehrere Stunden nach einem Ereignis aktualisiert wird. Produktionsaufträge, Arbeitsgänge, Stücklisten, Materialverbrauch, Ausführungsstatus und Qualitätsergebnisse gehören zu den typischen Daten, die zwischen ERP und Produktion ausgetauscht werden.

Ein Assistent kann Informationen zusammenführen, die ein Benutzer heute in mehreren Berichten einzeln prüfen muss. Generative AI in ERP kann eine Liste von Aufträgen erstellen, die Aufmerksamkeit erfordern, Materialengpässe anzeigen, Terminänderungen zusammenfassen und Datensätze mit unvollständigen Informationen identifizieren. Für einen Planer ist eine solche Übersicht dann hilfreich, wenn sie direkt zu den konkreten Datensätzen führt und nicht bei einer rein beschreibenden Meldung endet.

Das ersetzt kein BI. Ein Dashboard eignet sich besser für KPIs und Trends, die nach festgelegten Definitionen berechnet werden. Ein Assistent spielt seine Stärken bei Ad-hoc-Fragen, der Suche nach Ausnahmen und beim Übergang vom Ergebnis zum Detail aus. Beide Werkzeuge können dieselben Datenquellen verwenden, erfüllen aber unterschiedliche Anforderungen.

Die Änderung des Liefertermins einer Komponente kann mehrere Produktionsaufträge, den Materialbedarf im Lager und den geplanten Versandtermin beeinflussen. Das Zusammenführen dieser Abhängigkeiten ist ein guter Anwendungsfall für einen Assistenten: Der Mensch trifft weiterhin die Entscheidung, muss aber nicht jede Beziehung manuell rekonstruieren.

Generative AI in ERP kann die relevanten Positionen finden, Informationen zusammenführen und eine Entscheidungsgrundlage vorbereiten. Die Änderung eines Termins, einer Menge oder einer Bestellung kann weiterhin beim Planer oder Einkäufer liegen. Das Unternehmen automatisiert damit die Zusammenstellung des Kontexts, nicht die Verantwortung für die Entscheidung.

Bedarfsprognosen, Risikoklassifizierung und Anomalieerkennung erfordern Methoden, die auf das jeweilige Problem und die verfügbaren Daten abgestimmt sind. Ein LLM kann Ergebnisse erklären, sie mit weiteren Informationen kombinieren und Folgefragen beantworten. Es sollte aber nicht automatisch als das richtige Modell für jede analytische Aufgabe behandelt werden.

Deshalb kann Generative AI in ERP aus mehreren zusammenarbeitenden Mechanismen bestehen. Ein Prognosemodell berechnet den erwarteten Bedarf, das ERP liefert Bestell- und Bestandsdaten und der Sprachassistent erklärt Veränderungen und weist auf Punkte hin, die besondere Aufmerksamkeit erfordern. Diese Rollenverteilung lässt sich leichter kontrollieren und testen, als sämtliche Schritte einem einzigen Modell zu überlassen.

Dokumente eignen sich gut für Automatisierung, weil sich das Ergebnis mit einer konkreten Quelle vergleichen lässt. Das System kann Informationen aus einem Dokument auslesen, sie mit ERP-Datensätzen abgleichen und eine weitere Aktion vorbereiten – beispielsweise fehlende Daten ergänzen oder eine Abweichung melden.

In einem Produktionsunternehmen kann Generative AI in ERP unter anderem Lieferbestätigungen, Einkaufsdokumente und weitere Backoffice-Prozesse unterstützen. Ein guter Anwendungsfall umfasst viele ähnliche Fälle, einen klaren Prozess für Ausnahmen und ein Ergebnis, das sich leicht kontrollieren lässt. Wenn jedes Dokument anders aufgebaut ist und die richtige Entscheidung vom Wissen mehrerer Personen abhängt, wird ein Pilotprojekt schwieriger zu bewerten.

Eine Stufe über dem reinen Lesen liegt die Ausführung von Aktionen. Ein Assistent oder Agent kann eine Änderung vorbereiten, einen Datensatz erstellen oder eine vom System bereitgestellte Funktion aufrufen. Besonders wichtig sind hier Berechtigungen, die Protokollierung von Aktionen und der Zeitpunkt, zu dem ein Mensch die geplante Änderung vor der Ausführung prüfen kann.

An dieser Stelle werden auch AI agents for ERP relevant. Eine agentic AI ERP Architektur kann mehrere zusammenhängende Schritte ausführen: Informationen abrufen, Bedingungen bewerten, eine Aktion vorbereiten und sie anschließend einem Mitarbeiter zur Freigabe vorlegen.

Bei Prozessen, die Bestände, Termine, Verpflichtungen oder Finanzen beeinflussen, ist „Aktion vorbereiten und zur Freigabe anzeigen“ ein sinnvoller erster Ansatz für Generative AI in ERP. Erst die Ergebnisse eines Pilotprojekts zeigen, welche Aktionen so vorhersehbar ablaufen, dass ein höherer Autonomiegrad in Betracht gezogen werden kann.

Wenn sich eine Frage auf die Ausführung eines Auftrags, einen Stillstand oder die Qualität einer Charge bezieht, reichen ERP-Daten allein möglicherweise nicht aus. MES liefert den Kontext zu Auftrag und Arbeitsgang, SCADA oder ein Historian speichert Prozessparameter und das Qualitätssystem enthält Prüfergebnisse. Generative AI in ERP benötigt diese Quellen jedoch nur dann, wenn sie für die Lösung des konkreten Problems erforderlich sind.

Vor dem ersten Pilotprojekt müssen Sie nicht alle Systeme miteinander integrieren. Besser ist es, einen Anwendungsfall auszuwählen und zu prüfen, welche Informationen tatsächlich für eine korrekte Antwort benötigt werden. Unser Artikel darüber, wie Sie Ihr Unternehmen und Ihre Daten auf die Einführung von KI in der Produktion vorbereiten, zeigt diesen Zusammenhang anhand von Daten aus SPS, SCADA, MES und ERP.

Auch die Semantik spielt eine wichtige Rolle. Eine Integration, die lediglich den Wert status = 1 überträgt, erklärt noch nicht, ob eine Maschine produziert, wartet, im manuellen Betrieb läuft oder einen Fehler meldet. Mehr dazu erfahren Sie in unserem Beitrag über industrielle APIs und Datensemantik in ERP, MES und SCADA.

Das US-amerikanische National Institute of Standards and Technology verwendet den Begriff Confabulation für Situationen, in denen generative KI falsche oder fehlerhafte Inhalte erzeugt und diese überzeugend präsentiert. NIST beschreibt dieses Risiko im Generative Artificial Intelligence Risk Management Framework Profile.

In einem ERP kann sich ein Fehler auf eine Menge, ein Datum, einen Lieferanten, einen Kunden oder die Interpretation eines Status beziehen. Eine Antwort darf deshalb nicht allein deshalb als vertrauenswürdig gelten, weil sie plausibel formuliert ist.

Sichere Generative AI in ERP sollte klar definierte Datenquellen verwenden, Benutzerrollen respektieren, eine Überprüfung der Grundlage einer Antwort ermöglichen und überall dort eine Freigabe verlangen, wo eine Aktion Daten verändert. Außerdem muss geregelt sein, wo Prompts und Daten verarbeitet werden, wer Zugriff auf die Historie erhält und wie die Organisation mit falschen Antworten umgeht.

Der beste Kandidat tritt häufig auf, verwendet klar definierte Daten und erlaubt es, schnell festzustellen, ob ein Ergebnis korrekt ist. Ein Beispiel wäre die tägliche Suche nach Produktionsaufträgen, bei denen aufgrund fehlender Materialien ein Risiko besteht – vorausgesetzt, die notwendigen Informationen sind bereits verfügbar und es gibt einen klaren Prozessverantwortlichen.

Prüfen Sie vor dem Start sechs Punkte:

Ein eng begrenzter Umfang kann auch deshalb sinnvoll sein, weil sich die Einführung von KI in polnischen Unternehmen noch in einem früheren Stadium befindet als im EU-Durchschnitt. Laut Eurostat-Daten zur Nutzung von KI-Technologien in Unternehmen im Jahr 2025 nutzten 8,4 % der polnischen Unternehmen mit mindestens zehn Beschäftigten mindestens eine KI-Technologie. In der Europäischen Union lag der Anteil bei 20,0 %. Die Daten umfassen unterschiedliche Branchen und KI-Anwendungen und sind daher keine Statistik zu ERP-Implementierungen.

Generative AI in ERP sollte mit einem Prozess beginnen, bei dem die Organisation die Datenquellen, den Benutzer und das korrekte Ergebnis kennt. Wenn der notwendige Kontext auch auf dem Shopfloor entsteht, muss der Informationsfluss zwischen ERP, MES, SCADA, Lager und Qualität geprüft werden. Eine rein technische Integration reicht nicht aus, wenn verschiedene Systeme Status, Zeit, Produkt oder Ereignis unterschiedlich interpretieren.

Die Integration von ERP mit Produktion und anderen Systemen im Werk hilft dabei, Datenflüsse zu strukturieren und den Kontext bereitzustellen, den Generative AI in ERP benötigt. Das erste Projekt muss nicht mit einem autonomen Agenten enden. Wenn Generative AI in ERP den Weg von der Frage eines Produktionsleiters zu einer überprüften Antwort verkürzt und gleichzeitig die Quelle dieser Antwort sichtbar macht, verfügt das Unternehmen bereits über einen messbaren Ausgangspunkt für den nächsten Schritt.

Eine AI native ERP Plattform kann einen Teil dieser Funktionen bereits nativ bereitstellen. Ein Unternehmen muss jedoch nicht zwangsläufig sein bestehendes ERP ersetzen, um das Konzept zu testen. Die passende Architektur hängt vom Prozess, den verfügbaren APIs, den Berechtigungen und dem erforderlichen Kontrollniveau ab.

Ja, sofern das System die benötigten Daten und Integrationsmechanismen bereitstellt oder der ERP-Anbieter eine eigene AI-Schicht anbietet. Der mögliche Umfang hängt von der ERP-Version, den verfügbaren APIs, dem Berechtigungsmodell und der Lösungsarchitektur ab. Deshalb sollte immer der konkrete Prozess geprüft werden und nicht nur der Name des Systems.

Sie benötigen nicht zwingend ein AI native ERP. In vielen Fällen kann ein bestehendes System über APIs und eine geeignete Integrationsschicht einen ERP chatbot, einen Assistenten oder kontrollierte AI agents for ERP unterstützen.

In typischen Anwendungsfällen nicht. BI eignet sich besser für feste KPIs, kontrollierte Kennzahlendefinitionen und wiederkehrende Berichte. Ein LLM-Assistent unterstützt dagegen bei Ad-hoc-Fragen, der Suche nach Ausnahmen, der Erklärung von Informationen und dem Übergang von einem Ergebnis zu einem konkreten Datensatz oder einer Aktion.

In der Regel nicht. Der Zugriff sollte sich aus der Aufgabe und der Rolle des Benutzers ergeben. Wenn ein Prozess nur lesenden Zugriff auf Produktionsaufträge und Materialbestände benötigt, erhöht ein Recht zur Änderung von Daten das Risiko, ohne einen zusätzlichen Nutzen für diesen Anwendungsfall zu schaffen.

Wählen Sie eine wiederkehrende Frage oder Tätigkeit, bestimmen Sie die Informationsquellen, prüfen Sie deren Konsistenz und benennen Sie einen Prozessverantwortlichen. Wenn das Team eine korrekte Antwort eindeutig definieren und beispielsweise die Bearbeitungszeit oder die Anzahl manueller Schritte messen kann, besteht eine solide Ausgangsbasis für Generative AI in ERP.