Was bringt eingebaute KI dem Mittelstand?

Die Technologien der „Künstlichen Intelligenz“ (KI) – und hier insbesondere das „Maschinelle Lernen“ – können Behörden und Unternehmen aller Branchen klare Vorteile bringen. Auch das ERP-System, also der digitale Prozess- und Daten-Hub, wird daher zunehmend mit KI angereichert.

„Bis dato sind jedoch die Zahl der Anwendungsfälle im ERP-Umfeld und das Angebot der ERP-Anbieter im Bereich KI noch überschaubar“, schreibt der Branchenverband Bitkom 2019 in seinem Positionspapier „Künstliche Intelligenz und ERP“. Dabei gäbe es viele attraktive Einsatzfelder: So könnten KI-gestützte Datenanalytik, Prognosesysteme, Suchmaschinen, maschinelle Übersetzungen, Bots und wissensbasierte Expertensysteme Einzug in bestens bewährte Geschäftsanwendungen halten, wobei sich dadurch die ERP-Landschaft deutlich verändere.

Auch heute ist es längst noch nicht so weit – weder bei den Mittelständlern noch bei den einschlägigen Software-Anbietern. Nach wie vor prägen vielmehr einzelne innovative Pilotprojekte das Bild rund um KI im mittelständischen ERP-System. Das zeigt auch unsere Recherche nach beispielhaften Referenzprojekten. „Wir haben seit kurzem ein Analytics-Modul, das in Teilbereichen auf Machine Learning zurückgreift. Allerdings ist unser Pilotkunde leider noch nicht reif für eine Referenz“, heißt es von einem mittelständischen deutschen ERP-Hersteller, der lieber anonym bleiben möchte.

Erste KI-Angebote stoßen auf wenig Nachfrage

Ganz ähnlich wurde eine andere Anfrage von einem renommierten Microsoft-Partner beantwortet: „Als Anbieter von Branchenlösungen im ERP-Markt für diverse Wirtschaftszweige […] betreiben wir keine komplette Eigenentwicklung, sondern setzen mit unseren Branchenerweiterungen auf der international bewährten Plattform Microsoft Dynamics 365 Business Central auf. Microsoft hat in die Software an einigen Stellen bereits KI-Funktionen eingebaut. Diese nutzen wir bisher allerdings noch nicht in unseren Erweiterungen, da von Kundenseite diesbezüglich noch keine Anforderungen an uns gestellt wurden.“

Allerdings werben inzwischen auch mittelständische ERP-Anbieter mit KI, wobei sie nicht immer selbst entwickeln. Abas beispielsweise erweitert sein Portfolio um eine KI-gestützte Spend-Analytics-Lösung von Onventis und eröffnet so die Möglichkeit, Einkaufsdaten differenziert nach Kriterien wie Lieferanten, Warengruppen, Organisationseinheiten sowie Transaktionen automatisiert zu analysieren. Laut Patrick Markowski, Vice President Product Management bei Abas, schafft diese Kombination in Einkaufs- und Finanzorganisationen Ausgabentransparenz und optimiert deren Kostenstrukturen nachhaltig.

Comarch verweist auf die IDC-Studie „Intelligent Process Automation (IPA) in Deutschland 2022“, die prophezeit, dass die Nutzungsrate von KI in den kommenden 24 Monaten rasant steigen werde. „Heute sind Unternehmen mit der doppelten Herausforderung konfrontiert: Dass alles schneller werden muss bei gleichzeitig steigender Komplexität“, begründet Comarch-Vorstand Frank Siewert diesen Trend. „Wer es schafft, hier anzusetzen, kann gleich auf mehreren Ebenen wichtige Vorteile erzielen: Kostensenkung, Zeitersparnis durch schnellere Abläufe, Qualitätssteigerung und mehr Nachhaltigkeit. Zudem wird auch der Kundenservice durch Automatisierung auf ein neues Level gehoben.“ Mittlerweile sei die Technik verfügbar, um Probleme ganzheitlich mit modernen Prozessplattformen, z.B. Chatbots, Social Bots oder Avatare, zu lösen. „Zudem hat auch der Individualisierungsbedarf zugenommen“, beobachtet Siewert. „So erfordert der Markt immer kleinere Ausprägungsmengen und auch Kunden haben die Bedürfnisse nach immer individuelleren Lösungen.“

KI schätzt Werte

In der Tat gibt es bereits erste Mittelständler, die mit KI experimentieren. So der Juwelier Eppli, eine Stuttgarter Institution für exklusive Schmuckstücke und Uhren mit über 40 Jahren Tradition, rund 70 Mitarbeitern, neun Standorten, drei Auktionshäusern sowie jeden Monat fünf Auktionen. Der Händler von Vintage-Luxusobjekten verkauft – auch online – exklusive Pre-owned Stücke mit Echtheitsgarantie und versteigert mehr als 25.000 Artikel pro Jahr. Gerade im Markt für Luxusgüter steigt die Nachfrage nach professionellen Bewertungen, Wertschätzungen und Gutachten, sodass der Bedarf nach einer Effizienzsteigerung immer größer wird. Bislang erfolgen die Bewertungen durch Experten. Sie sind damit sehr zeit- und kostenintensiv, was für die veräußernden Schmuckbesitzer oft undurchsichtig und daher mit Misstrauen verbunden ist.

Eine KI-basierte Lösung soll diese Prozesse nun beschleunigen, transparenter gestalten und optimieren. „Wir haben erkannt, dass KI viele Möglichkeiten zur Prozessoptimierung bieten kann und möchten diese Chance aktiv für unser Unternehmen nutzen“, erklärt Ferdinand B. Eppli, Geschäftsführer von Eppli. Gemeinsam mit den Frankfurter KI-Experten der DDG AG strebt er im ersten Schritt die Entwicklung eines funktionsfähigen Prototypen an – und später eine sinnvolle Kommerzialisierungs- und Markteinführungsstrategie für die gemeinsam geschaffene Lösung.

Garbage in, garbage out

In der Praxis gibt es bei den Themen „KI“ und „ERP“ nach wie vor ganz erheblichen Nachholbedarf, vor allem wenn Prognose-Tools bei der Entscheidungsfindung helfen sollen: Sind die Eingangsdaten schlecht, so werden auch die Analyse- und Prognose-Ergebnisse dürftig sein. Hier gibt es für die IT-Abteilungen noch sehr viel zu tun, bevor KI im ERP-System nützlich sein kann, denn kritische Faktoren für das Gelingen eines KI-Projekts – besonders beim maschinellen Lernen – sind Qualität und Anzahl der Datensätze für das Training des KI-Systems.

„Dabei kann das Modell immer nur so gut sein, wie der Input an ‚sauberen‘ Daten, mit dem es angelernt wird“, mahnt der Bitkom an. Im ERP-Kontext seien aber meistens viel weniger Datensätze (Kunden, Aufträge, Planungsperioden, Artikel etc.) zum Trainieren einer KI verfügbar, als bei klassischen Big-Data-Szenarien, z.B. Sensoren-Logs von Maschinen für Predictive Maintenance. Mittelständische Maschinenbauer mit einer überschaubaren Kundschaft werden also wohl kaum den Aufwand betreiben, eine KI für verlässliche Absatzprognosen zu trainieren, sondern sich guten Gewissens auf das eigene „Bauchgefühl“ verlassen. Hingegen können Lager oder Smart Factory durchaus vielversprechende Einsatzfelder für „intelligente“ ERP-Systeme sein.

Ohne Daten keine Analyse

Das wird z.B. in der von IDC und Intersystems veröffentlichen Studie „AI in Manufacturing“ deutlich, für die im April 2021 insgesamt 650 leitende Mitarbeiter von Unternehmen der Fertigungsbranche in Europa und den USA befragt wurden. Die Studie untersucht die gegenwärtigen digitalen Reifegrade der Unternehmen, die Investitionsprioritäten im Hinblick auf Smart-Factory-Projekte und bereits bestehende Anwendungsfälle von KI in der Produktion. Demnach wächst das Interesse an KI-fähigen und datengestützten Anwendungsszenarien. Beispiele für solche Anwendungsfälle sind die videobasierte Anomalieerkennung, autonome Transportfahrzeuge oder die digitale Abbildung von Fertigungsprozessen. Die Umfrage zeigt aber, dass bislang nur durchschnittlich 34 Prozent der Fertigungsanlagen vernetzt sind. Und: Die IT-Abteilung ist hier sehr gefragt, denn 32 Prozent der Mitarbeiter in Fertigung und Lieferketten haben keine oder nur geringe Kenntnisse zu prädiktiven Analysen und Datenanalytik einschließlich KPI-Dashboards (25 Prozent).

KI ist kein fertiges Programm

„In der Realität ist eine KI kein fertiges Programm, das sich auf Knopfdruck installieren lässt“, heißt es im Bitkom-Positionspapier „Künstliche Intelligenz und ERP“. Selbst bei scheinbar sehr generischen Aufgaben stoßen KI-Systeme meist schnell an Grenzen: Bei der Umwandlung von Sprache in Text etwa müssen Fachbegriffe oder Produktnamen erst antrainiert werden, weil eine generische KI mit diesen Worten nichts anfangen kann. „Das jeweilige Modell muss mit den Daten des Kunden trainiert werden. Je spezifischer eine Aufgabenstellung wird, die man mit KI lösen möchte, desto umfangreicher wird die Aufbereitung und Normalisierung der Daten und damit der Lernprozess“, gibt der Verband zu bedenken. Denn: Jedes Unternehmen verwende andere Merkmale und Schlüsselfelder, die in das Modell eingebunden werden müssten. Auch über die Aussagekraft der einzelnen Parameter müsse man sich, am besten im Rahmen einer Vorstudie, Gedanken machen und auch nachgelagerte Qualitätssicherungsmaßnahmen einbeziehen. Schnell befinde man sich dann in einem umfangreichen und sich kontinuierlich entwickelnden KI-Projekt, bei dem 80 bis 90 Prozent des Aufwands in der Auswahl, im Bereinigen und Normalisieren von Daten besteht.

Bildquelle: Getty Images / iStock / Getty Images Plus