Management Summary
Der S/4HANA-Umstieg erlebt einen Boom - getrieben durch das ECC-Wartungsende, Cloud-Incentives und die Erwartung deutlicher Effizienzgewinne. In vielen Transformationen werden Prozesse standardisiert und Eigenentwicklungen reduziert, der messbare Business Impact bleibt jedoch häufig hinter dem Business Case zurück.
Die Ursachen hierfür sind vielfältig, jedoch zeigt sich eine Gemeinsamkeit: ERP-Systeme steuern auch nach der Transformation überwiegend regelbasiert und reaktiv. Ergebnisqualität hängt von Stammdaten und dem Erfahrungswissen einzelner ab.
Die nächste Evolutionsstufe ist proaktives, datengetriebenes Arbeiten: Das ERP bleibt System of Record und Transaktionskern, während Prognosen, Anomalie-Erkennung und Handlungsempfehlungen im KI-Ökosystem entstehen und in ERP-Prozesse zurückfließen (z. B. realistische Liefertermine auf Basis interner Echtzeitdaten wie der aktuellen Kapazitätsauslastung und externer Signale wie Wetter oder Einschränkungen auf Transportrouten).
Um den Nutzen zu realisieren, empfiehlt sich eine business-getriebene KI-Potenzialanalyse mit vier Schritten: (1) Identifikation relevanter Use Cases (Top-down/Bottom-up), (2) Qualifizierung nach Business Value und Machbarkeit, (3) Validierung via Proof of Concept/Proof of Value und (4) Umsetzung & Skalierung unter Berücksichtigung einer KI-zentrierten Gesamtarchitektur mit dem ERP-System als Fundament und festem Bestandteil eines KI-Ökosystems. Der maßgebliche Schritt, um die Nutzenpotenziale zu heben, liegt dabei in der Skalierbarkeit, die durch ERP-integrierte KI-Lösungen ermöglicht wird.
KI ist keinesfalls die Lösung aller Probleme und sie wird Unternehmen auch nicht davon befreien, ihre Aufbau- und Ablauforganisation mit Technologie in Einklang zu bringen sowie saubere und konsistente Stammdaten zu führen. Gleichwohl bietet der zielgerichtete und business-getriebene Einsatz von KI das Potenzial, signifikante Qualitäts- und Effizienzgewinne in der Ablauforganisation zu realisieren. KI ersetzt ERP nicht - aber ERP ohne KI wird perspektivisch an Wettbewerbsfähigkeit verlieren.
Wenn der messbare Geschäftsnutzen von ERP-Transformationsprojekten ausbleibt
ERP ist das Rückgrat der digitalen Transformation: Es bildet die Kernprozesse ab und integriert Mengen- und Werteflüsse. Was mit dem Durchbruch von SAP R/3 vor Jahrzehnten begann, setzt sich fort bis heute: Unternehmen streben nach Transparenz-, Qualitäts- und letztlich Effizienzgewinnen durch die Schaffung eines durchgängig digitalen Abbilds ihrer Geschäftsprozesse, Produkte und Assets.
Mit S/4HANA brachte SAP vor rund 10 Jahren die neuste Generation ihres ERP-Systems auf den Markt, das erstmals als Cloud-Lösung angeboten und vielfältige Vorteile für SAP-Kunden bieten sollte. Angefangen beim vollständig überarbeiteten User Interface (SAP Fiori) über die in-Memory-Datenbank (SAP HANA) bis hin zur „integrierten KI“ (z.B. Joule) sollte die Grundlage für einen großen Evolutionssprung gelegt werden.
Das angekündigte Ende der Standardwartung für SAP ECC (2027; mit kostenpflichtiger Verlängerung bis 2030) erhöht den Migrationsdruck. Zusammen mit Nutzenversprechen und Cloud-Incentives hat dies einen deutlichen Anstieg an S/4HANA-Transformationen ausgelöst.
Während die einen mit dem Umstieg auf S/4HANA vorrangig einen „Technologiewechsel“ vollziehen, indem sie vorzugsweise im Brownfield-Ansatz (S/4HANA-Conversion) auf S/4HANA wechseln, nutzen andere die Gelegenheit, „alte Zöpfe“ abzuschneiden, indem sie im Greenfield-Ansatz mit der Einführung von S/4HANA Prozesse, Organisation und IT standardisieren und harmonisieren.
Viele Organisationen stellen jedoch fest: Der kalkulierte Business Case materialisiert sich nur teilweise - selbst bei konsequentem Greenfield. Die Ursachen hierfür sind vielfältig und hängen stark davon ab, ob „alte Zöpfe“ tatsächlich abgeschnitten wurden oder ob es bei der „Vision“ blieb. Ein Aspekt jedoch bleibt selbst nach einer mustergültig durchgeführten Greenfield-Transformation bislang praktisch immer unerfüllt: Das ERP wird nicht automatisch „intelligent“: Es entscheidet weiterhin deterministisch nach Regeln und Stammdaten - und damit auf einer Basis, die in der Praxis oft unvollständig, inkonsistent und statisch ist. Wer hier nicht ansetzt, modernisiert teuer das Gestern.
Die Folge sind u.a. falsch disponierte Kaufteile (z.B. ungeeignete Dispositionsart, zu hoher/niedriger Sicherheitsbestand, unrealistische Wiederbeschaffungszeit), verspätete Fertigung (z.B. unrealistische Durchlaufzeit, Wartezeiten aufgrund fehlender Komponenten als Folge verspäteter Kaufteile) sowie Auftragsbestätigungen, die gegenüber Kunden nicht gehalten werden können. Die Prozessqualität hängt bei aktuellen ERP-Systemen also maßgeblich von den zugrundeliegenden Stammdaten ab, die darüber hinaus naturgemäß statisch sind und sich nicht dynamisch an aktuelle Rahmenbedingungen wie beispielsweise Wetterlage, Verkehrsaufkommen, Personal-/Maschinenausfälle oder temporäre Rohstoffengpässe anpassen. Selbst Ist-Wiederbeschaffungs- oder Durchlaufzeiten aus der Vergangenheit finden keine Berücksichtigung, wenn diese nicht durch regelmäßige Stammdatenpflege im System aktualisiert und untereinander abgestimmt werden.
Damit bleibt der messbare Geschäftsnutzen einer S/4HANA-Einführung in vielen Fällen - trotz technischer Modernisierung - unter den Erwartungen. Der Hebel liegt nicht im nächsten Release, sondern in besseren Entscheidungen.
KI als Treiber der nächsten Evolutionsstufe betrieblicher Informationssysteme
Im Zielbild sind Unternehmensprozesse nicht nur durchgängig digitalisiert (Eliminierung von Medienbrüchen) und im Sinne eines Zielbetriebsmodells harmonisiert (Prozesse, Organisation und Technologie im Einklang), sondern mittels „intelligenter“ IT-Systeme auf ein neues Qualitäts- und Effizienzlevel gehoben. Nachfolgende Grafik skizziert diese drei Evolutionsstufen, die einerseits aufeinander aufbauen, andererseits in der Praxis jedoch in Teilen auch parallel weiterentwickelt werden (müssen), da der Schritt zur jeweils höheren Stufe andernfalls sehr spät - oder im schlimmsten Fall nie - erfolgen würde.
Ein intelligentes IT-System zeichnet sich u.a. dadurch aus, dass es nicht reaktiv und regelbasiert, sondern proaktiv und datengetrieben agiert. Die Tabelle differenziert die Begriffe und illustriert sie anhand eines Beispiels.
Beschreibung | Beispiel | |
|---|---|---|
reaktiv | Der User sucht nach einer bestimmten Information, bewertet diese und stößt eine Folgeaktivität an. | Ein Disponent identifiziert Kaufteile mit verspätetem Liefertermin, ermittelt betroffene Baugruppen und stimmt Anpassungen am Produktionsprogramm mit dem Produktionsplaner ab. |
proaktiv | Das System weist auf Probleme oder Planabweichungen hin und schlägt eigenständig Handlungsempfehlungen vor. | Das System meldet Handlungsbedarf für bestimmte Materialnummern und schlägt einen angepassten Produktionsplan vor, der verspätete Komponentenlieferungen berücksichtigt. |
regelbasiert | Das System verarbeitet einen bestimmten Input nach einem fest vorgegebenen Regelwerk und liefert ein Ergebnis zurück. | Das System bestätigt einen Kundenwunschtermin auf Basis der in den Stammdaten hinterlegten Wiederbeschaffungs- bzw. Eigenfertigungszeit des Produkts. |
datengetrieben | Das System passt das Ergebnis an (veränderte) Rahmenbedingungen an, indem es verfügbare (Echtzeit-)Information einbezieht und in Entscheidungen übersetzt. | Das System berücksichtigt bei der Bestätigung des Kundenwunschtermins die aktuelle Auslastungs- und Fehlteilsituation in der Produktion sowie die durchschnittliche Ist-Lieferzeit des Produkts in der Vergangenheit bei ähnlicher Auslastung. |
Ein intelligentes System adressiert die zentrale Schwachstelle regelbasierter Systeme, indem es durch die Einbeziehung relevanter (Echtzeit-)Informationen bessere Ergebnisse erzielt und Handlungsempfehlungen zur frühzeitigen Bearbeitung eines (zukünftigen) Problems liefert. Kurz: KI macht aus Daten Entscheidungen - und aus Ausnahmen beherrschbare Fälle.
Spät erkannte Plan-Ist-Abweichungen wirken in Industrieunternehmen oft kaskadierend. Am Beispiel unzuverlässiger Terminzusagen zeigt sich: Ein intelligentes System trägt dazu bei, realistische Beschaffungs-, Durchlauf- und Lieferzeiten zu ermitteln und im Falle von Abweichungen frühzeitig Gegenmaßnahmen anzustoßen, um die Liefertermintreue zu sichern:
- Lieferanten frühzeitig einbinden, um verspätete Komponenten zu beschleunigen oder Alternativen zu vereinbaren.
- Zusätzliche Schichten einplanen, um Ressourcenengpässe aufzulösen.
- Produktionsprogramm unter Berücksichtigung definierter Planungs- und Fixierungshorizonte dynamisch anpassen und zeitkritische Bedarfe priorisieren.
- Kunden proaktiv informieren und Optionen (Ersatzprodukte, neue Termine) abstimmen.
Die Evolutionsstufe intelligenter IT-Systeme setzt eine KI-zentrierte Gesamtarchitektur voraus - und damit ein Zielbild, das es bei der S/4HANA-Transformation von Beginn an mitzudenken gilt.
Das ERP-System als Fundament einer KI-zentrierten Gesamtarchitektur
In einer KI-zentrierten Gesamtarchitektur bleibt das ERP-System zentraler Transaktionskern und das „System of Record“ - es verschiebt aber Teile seiner Aufgaben in spezialisierte Schichten. Während das ERP weiterhin als „Single Source of Truth“ für Stammdaten und Buchungen dient, verlagert sich die kontextbezogene Interpretation von Daten sowie die Prognose und Entscheidungsunterstützung ins „KI-Ökosystem“.
Das KI-Ökosystem kann ERP-agnostisch (z. B. als Data-/AI-Plattform) oder als Bestandteil eines erweiterten ERP-Kerns (z. B. SAP Joule) umgesetzt werden. Eine vollständige Ablösung des ERP durch autonome Services oder KI-Agenten ist auf absehbare Zeit unrealistisch: In der Praxis benötigen Unternehmen weiterhin einen konsistenten Transaktionskern für Buchung, Compliance und Nachvollziehbarkeit - ähnlich wie sich auch Industrie-4.0-Architekturen letztlich auf ERP/MES als Rückgrat stützen.
Die folgende Tabelle zeigt exemplarisch, welche Funktionen perspektivisch aus dem „ERP-Kern“ in das KI-Ökosystem wandern können - und welchen Nutzen dies stiftet.
Funktionsbereich | Heute im ERP | Morgen im KI-Ökosystem | Nutzen |
Disposition & Planung | MRP/PP-Module planen deterministisch anhand von Stammdaten und fixen Regeln | KI-Modelle prognostizieren Bedarfe, Engpässe und Lieferzeiten; ERP erhält Vorschlagswerte über API | Präzisere Planungsentscheidungen |
Vertriebsplanung / Forecasting | Absatzprognosen manuell oder regelbasiert (z. B. Absatzhistorie im ERP) | Machine-Learning-Modelle erzeugen Absatzprognosen auf Basis externer und interner Daten | Automatisierte und zuverlässigere Forecasts |
Preis- und Rabattfindung | Tabellenbasiert im ERP, manuell gepflegt | KI bewertet Nachfrage, Wettbewerb und Marge dynamisch; schlägt Preise vor | Dynamische Preisoptimierung |
Einkauf / Lieferantenmanagement | Lieferantenbewertung über feste KPIs, meist retrospektiv | KI bewertet Risiko, Liefertreue, ESG-Faktoren; schlägt alternative Quellen vor | Proaktives Risikomanagement |
Instandhaltung / Service | Reaktive Aufträge bei gemeldetem Fehler | Predictive Maintenance durch Sensor- und Prozessdatenanalyse; ERP erhält präventive Wartungsaufträge | Höhere Anlagenverfügbarkeit |
Produktion / Feinplanung | Termin- und Kapazitätsplanung nach heuristischen Regeln | KI optimiert Reihenfolgen, Rüstzeiten und Ressourcenzuordnung in Echtzeit | Dynamische Optimierung |
Finanzwesen / Controlling | Berichte und Analysen im ERP-Datenmodell | KI erkennt Anomalien, Prognosen für Cashflow, Working Capital | Frühwarnsystem für Finanzabweichungen |
Stammdatenmanagement | Pflege manuell, Validierung im ERP | KI prüft Konsistenz, Dubletten, Anomalien und ergänzt Attribute | Qualitätssicherung automatisiert |
Reporting / BI | Vordefinierte Reports direkt aus ERP-Tabellen | KI nutzt Data Lake + DW für Advanced Analytics und Simulationen | Analytische Intelligenz |
Workflow / Prozesssteuerung | Statisch definierte Prozesse (BAPIs, BAdIs, Workflows) | KI erkennt Prozessabweichungen, empfiehlt Automatisierungen | Adaptives Prozessmanagement mit Feedbackloop zum ERP |
Kundenservice / Reklamationen | Manuelle Ticketbearbeitung | KI analysiert Texte, Bilder, Sprachdaten → automatische Kategorisierung und Priorisierung | Schnellere Bearbeitung, ERP erhält strukturierte Tickets |
Von der KI-Potenzialanalyse zum ersten erfolgreichen Use Case
KI wird ERP nicht verdrängen - aber ERP ohne KI als Treiber für Qualitäts- und Effizienzsteigerungen wird perspektivisch nicht zukunftsfähig sein. Bevor Unternehmen in Prototypen investieren, sollten sie einen geeigneten Anwendungsbereich festlegen und die erwartete Wirkung im Geschäftsprozess präzisieren.
Die folgende Tabelle fasst typische Anwendungsbereiche für KI in Industrieunternehmen zusammen.
Kategorie | Ziel / Nutzen | Typische KI-Anwendungsfälle |
1. Prozess- und Entscheidungsautomatisierung | Steigerung von Effizienz und Prozessqualität | Disposition, Rechnungsprüfung, Preisoptimierung, Lieferantenbewertung |
2. Analytik, Prognose und Simulation | Bessere Entscheidungen durch datengetriebene Prognosen | Absatz-, Cashflow- und Produktionsprognosen, Risiko- und Anomalie-Erkennung |
3. Wissens- und Sprachverarbeitung | Automatisierte Informationsverarbeitung aus Text, Sprache, Bild | Chatbots, Textanalyse, Vertragsprüfung, Ticketklassifikation |
4. Intelligente Produkte und Services | Neue Geschäftsmodelle und Kundenerlebnisse | Smart Products, Predictive Services, autonome Systeme |
5. Wissensmanagement und Innovation Enablement | Nutzung von Wissen und Kreativität im Unternehmen | Generative KI für Doku, Code, Entscheidungsunterstützung |
Eine systematisch durchgeführte, am Geschäftsprozess orientierte KI-Potenzialanalyse identifiziert und klassifiziert Use Cases, bewertet Nutzen und Aufwand und leitet Daten-, Technologie- und Integrationsbedarf ab.
Der Fokus liegt auf den Anwendungsbereichen 1 (Prozess- und Entscheidungsautomatisierung), 2 (Analytik, Prognose und Simulation) und 3 (Wissens- und Sprachverarbeitung), da sie unmittelbar die Abwicklung von Geschäftsprozessen und Entscheidungen unterstützen. Parallel zum ersten Use Case müssen Zielbild und Architektur entworfen werden, damit Lösungen nicht als Insellösungen entstehen, sondern skalierbar in das ERP-Umfeld integrierbar sind.
Die Vorgehensweise umfasst vier Phasen, um KI-Potenziale zu identifizieren, zu qualifizieren und im Rahmen einer KI-zentrierten Gesamtarchitektur wertschöpfend umzusetzen:
Phase 1: Identifikation (Scouting & Discovery)
Potenziell nützliche KI-Anwendungsfälle werden zunächst technologieunabhängig gesammelt - top-down oder bottom-up:
1. Top-down (strategiegetrieben): Analyse der Wertschöpfungskette, um strategische Engpässe zu priorisieren und Wettbewerbsvorteile zu sichern (z. B. „Durchlaufzeit von Bestellung bis Lieferung um 30 % reduzieren“).
2. Bottom-up (prozessgetrieben): Analyse operativer Abläufe zur Identifikation von Schmerzpunkten - typischerweise in Workshops mit Fachbereichen, optional ergänzt durch Process Mining. Im Fokus stehen Prozesse und Tätigkeiten mit folgendem Muster:
- Repetitiv: Wiederkehrende Tätigkeiten (z. B. Rechnungsdaten erfassen).
- Datenintensiv: Prozesse, bei denen Menschen große Mengen an Text, Bild oder Zahlen sichten müssen.
- Fehleranfällig: Hohe Fehlerquote durch manuelle Schritte und menschliche Flüchtigkeitsfehler.
- Prognostizierbar: Entscheidungen, die auf historischen Daten basieren (z. B. Lagerbestandsplanung).
Ergebnis ist eine unsortierte Use-Case Longlist mit ca. 10-20 Ideen und Problemfeldern.
Phase 2: Qualifizierung (Assessment & Filter)
Nicht alles, was wünschenswert oder technisch machbar ist, lohnt sich wirtschaftlich. Eine Bewertungsmatrix filtert die Longlist entlang zweier Dimensionen:
1. Geschäftswert (Business Value)
- ROI: Wie viel Zeit/Kosten werden gespart oder wie viel Umsatz generiert?
- Strategischer Fit: Passt das Projekt zur Unternehmensvision?
- Skalierbarkeit: Löst es ein Problem für 5 Leute oder für 500?
2. Technische Machbarkeit (Feasibility)
- Datenverfügbarkeit: Haben wir die Daten? Sind sie sauber?
- Technologie-Reife: Gibt es erprobte Produkte/Modelle oder muss eigene Forschung und Entwicklung betrieben werden?
- Komplexität: Wie schwer ist die Integration in bestehende Systeme (ERP, CRM etc.)?
Ergebnis sind Steckbriefe für die „Top 3“ Ideen inkl. grober ROI-Schätzung und Machbarkeitscheck. Priorisiert werden Use Cases mit hohem Wert und hoher Machbarkeit (Quick Wins).
Phase 3: Validierung & Prototyping (Proof of Concept)
Vor der Freigabe größerer Budgets wird die Hypothese verifiziert - häufig der Engpass. Fehlen Daten in ausreichender Qualität, wird aus einem 4‑Wochen‑PoC schnell ein mehrmonatiges Datenbereinigungsprojekt.
1. Der Proof of Concept (PoC): Aufbau eines minimalen Prototyps.
- Ziel: Beweisen, dass das KI-Modell das Problem technisch lösen kann.
- Metrik: Modellgüte (z. B. „90 % der defekten Bauteile korrekt erkannt“).
2. Der Proof of Value (PoV): Nach dem technischen Beweis folgt der wirtschaftliche Beweis.
- Ziel: Zeigen, dass die Lösung im echten Arbeitsalltag funktioniert und akzeptiert wird.
- Aktion: Testlauf mit einer kleinen Nutzergruppe (Pilotphase).
Ergebnis ist ein Prototyp inkl. Nachweis der Modellgüte und Bestätigung des Business Value durch Pilotanwender.
Phase 4: Umsetzung & Skalierung (Deployment & Operations)
Im Falle eines erfolgreichen PoV gilt es die Lösung zu industrialisieren, d.h. auszubauen und als integralen Bestandteil des KI-Ökosystems mit dem ERP als Fundament auszurollen. So gelingt es, die Lösung in der Breite produktiv nutzbar zu machen und damit den Nutzen zu materialisieren. Der Übergang vom PoV zur Industrialisierung ist eine der größten Herausforderungen - und gleichzeitig ein zentraler Differenzierungsfaktor. Wer klassische ERP-Disziplinen wie Prozessstandardisierung und Stammdaten-Governance mit dem Auf- und Ausbau eines skalierbaren KI-Ökosystem verbindet, wird zu den Gewinnern von morgen gehören.