Zurück zum Einblicke
Warum ERP-Daten allein keine industrielle KI tragen
Warum die erste KI-Initiative im Mittelstand fast immer an den Daten scheitert — nicht am Modell.
Warum die erste KI-Initiative im Mittelstand fast immer an den Daten scheitert — nicht am Modell. Eine Standortbestimmung aus 500+ Projekten im DACH-Raum.
KI × ERP-Reihe · Teil 1
Diese fünfteilige Serie zeigt, wie ERP-Systeme und KI zusammenwachsen — vom Datensilo zum lernenden Unternehmen. Teil 1 klärt die Ausgangsfrage branchenübergreifend: Warum reichen ERP-Daten allein nicht?
Die wichtigste Antwort in 60 Sekunden
Industrielle KI scheitert selten am Modell — fast immer an den Daten.
Ein vollständiges ERP liefert sauber strukturierte Stamm- und Bewegungsdaten. Für robuste industrielle KI sind diese Daten aber zu knapp, zu gleichförmig und zu unternehmensspezifisch. Anders als ein Sprachmodell, das aus dem halben Internet lernt, steht industrieller KI kein öffentliches Datenmeer zur Verfügung — die relevanten Daten entstehen ausschließlich im eigenen Betrieb, und dort sind sie begrenzt.
Deshalb steht vor jeder KI-Initiative nicht die Tool-Auswahl, sondern eine nüchterne Frage: Trägt unsere Datenbasis überhaupt? Wer sie ehrlich beantwortet, spart sich die teuerste Fehlinvestition. 33+ Jahre Beratungserfahrung, 500+ Projekte, 100 % herstellerunabhängig.
„Wir haben doch ein vollständiges ERP — warum reicht das nicht für KI?“
Diese Frage hören wir in fast jedem Erstgespräch zu künstlicher Intelligenz. Geschäftsführerinnen und Geschäftsführer haben über Jahre in ein ERP-System investiert, das Aufträge, Bestände, Stammdaten und Finanzbuchungen sauber abbildet. Die naheliegende Erwartung: Wenn alle Daten im System liegen, müsste sich daraus doch KI bauen lassen. In der Praxis bricht genau hier die erste KI-Initiative ab — nicht, weil das Modell zu schwach ist, sondern weil die Datenbasis die Last nicht trägt.
Laut dem Bitkom-Studienbericht „Künstliche Intelligenz in Deutschland“ setzt inzwischen mehr als jedes dritte Unternehmen (36 Prozent) KI ein — fast eine Verdopplung gegenüber 20 Prozent im Vorjahr; weitere 47 Prozent prüfen einen möglichen Einsatz (Befragung von 604 Unternehmen). Der Schritt vom Experiment zum Produktionsfaktor ist also in vollem Gange. Umso teurer wird der blinde Fleck, den die meisten Leitfäden auslassen: Die entscheidende Vorarbeit ist keine Modellauswahl, sondern eine ehrliche Bestandsaufnahme der eigenen Daten.
Was industrielle KI von ChatGPT unterscheidet
Der verbreitete Denkfehler entsteht durch die Erfahrung mit Werkzeugen wie ChatGPT. Solche Sprachmodelle wirken allwissend, weil sie auf riesigen, frei verfügbaren Textmengen trainiert wurden. Industrielle KI funktioniert grundlegend anders: Sie soll Vorhersagen über eine konkrete Maschine, einen konkreten Lieferprozess oder eine konkrete Kostenstruktur treffen. Dafür gibt es kein öffentliches Datenmeer — die relevanten Daten entstehen ausschließlich im eigenen Betrieb, und dort sind sie naturgemäß begrenzt.
Genau diese Knappheit ist das Kernproblem. Ein mittelständischer Hersteller verfügt vielleicht über drei Jahre Maschinendaten von einer Handvoll Anlagen — statistisch zu wenig und zu gleichförmig, um ein belastbares Modell zu trainieren. Ein wissenschaftlicher Meta-Review zu Datenproblemen in industriellen KI-Systemen ordnet Datenqualität, fehlenden Kontext und mangelnde Validierung als die dominierenden Hürden ein — nicht die Wahl des Algorithmus.
Das ERP spielt in dieser Logik eine wichtige, aber begrenzte Rolle. Es liefert strukturierte Stamm- und Bewegungsdaten — Artikel, Aufträge, Buchungen — in hoher Konsistenz. Was es nicht liefert, sind die Sensordaten, Prozesskontexte und Qualitätsbewertungen, aus denen industrielle Vorhersagemodelle eigentlich lernen. Aus unserer Erfahrung: Das ERP ist die Buchhaltung des Geschäfts, nicht sein Sensorium. Wer KI darauf aufsetzen will, muss diese Lücke zuerst benennen.
Drei Wege aus dem Datenengpass
Wenn die eigenen Daten zu knapp sind, gibt es drei grundsätzliche Hebel. Jeder wird in den folgenden Teilen dieser Serie vertieft.
Weg 1
Interne Daten anreichern
Viele Betriebe nutzen nur einen Bruchteil der Daten, die sie bereits erzeugen. Sensordaten, Maschinenprotokolle, Prüfberichte liegen verstreut neben dem ERP. Sie zusammenzuführen vergrößert die nutzbare Basis, bevor externe Quellen nötig werden.
Weg 2
Datenqualität heben
Mehr Daten helfen nicht, wenn sie widersprüchlich, unvollständig oder uneinheitlich sind. Stammdatenqualität und Data Governance sind die unsichtbare Grundlage jeder KI-Fähigkeit — der Schwerpunkt von Teil 2 am Beispiel Großhandel.
Weg 3
In Ökosystemen kooperieren
Wenn die Daten eines Einzelnen nie ausreichen, liegt der Ausweg in gemeinsamer Nutzung — ohne Rohdaten oder Betriebsgeheimnisse preiszugeben. Datenräume (Data Spaces) sind der Rahmen dafür. Teil 3 und 4 führen das aus.
Der dritte Weg ist der anspruchsvollste — und der mit dem größten Hebel. Das Fraunhofer-Institut für Software- und Systemtechnik ISST und die International Data Spaces Association beschreiben Datenräume als Rahmen für souveräne Kooperation; die EU hat die Fertigung als einen der vierzehn Common European Data Spaces ausgewiesen.
Wo es scheitert: Model Drift und die Grenzen einzelner Datenbestände
Model Drift bezeichnet den Effekt, dass ein einmal trainiertes Modell mit der Zeit an Treffsicherheit verliert, weil sich die zugrunde liegende Realität verschiebt — neue Werkstoffe, veränderte Lastprofile, andere Lieferanten. In großen, vielfältigen Datenbeständen lässt sich Drift erkennen und durch Nachtraining ausgleichen. In den kleinen, homogenen Datenmengen eines einzelnen Mittelständlers fällt er oft erst auf, wenn eine Fehlprognose bereits Schaden angerichtet hat.
Das in der Fachdebatte häufig zitierte Beispiel ist die vorausschauende Wartung (Predictive Maintenance): Ein Modell, das aus den Daten weniger Maschinen eines Standorts lernt, generalisiert schlecht auf andere Betriebsbedingungen — und sagt Ausfälle dort am wenigsten zuverlässig voraus, wo sie am teuersten sind. Boris Otto und Kolleginnen und Kollegen vom Fraunhofer ISST argumentieren genau deshalb, dass industrielle KI auf hochspezifische Daten angewiesen ist, über die kein einzelnes Unternehmen allein in ausreichender Menge verfügt. Die Konsequenz ist kein besseres Modell, sondern eine breitere, gepflegtere und — wo sinnvoll — geteilte Datenbasis.
Was wir in unseren Projekten sehen
Der erste KI-Workshop scheitert selten am Anspruch. Er scheitert am ehrlichen Blick auf die Daten.
Das Muster wiederholt sich über alle Branchen hinweg. Ein Unternehmen ist überzeugt, die KI-Frage sei die nach dem Modell oder dem Anbieter. Eine strukturierte Datenaufnahme — über das ERP hinaus, hinein in Maschinendaten, Qualitätsdaten und den Kontext, der Vorhersagen erst trägt — bringt den unbequemen Befund ans Licht: Die nutzbare Datenbasis ist dünner, gleichförmiger und verstreuter, als alle angenommen hatten. Die Initiative wäre auf einem Fundament gebaut worden, das sie nicht hätte tragen können.
Die Projekte, die gelingen, halten genau an diesem Punkt inne und entscheiden bewusst — die internen Daten anreichern, ihre Qualität heben oder im Ökosystem kooperieren — statt in eine teure Fehlinvestition weiterzulaufen. Die Datenaufnahme ist kein Vorlauf vor der eigentlichen Arbeit; sie ist die günstigste Versicherung, die das Programm kaufen wird.
Die folgenden Teile gehen jeden dieser drei Wege einzeln durch — beginnend, in Teil 2, mit dem Datenqualitäts-Fundament, das kein Modell allein reparieren kann.
Handlungsempfehlung: drei Schritte zur ehrlichen Dateninventur
Vor der ersten KI-Initiative steht keine Tool-Auswahl, sondern eine nüchterne Bestandsaufnahme: Welche Daten haben wir, taugen sie etwas, und reichen sie für unser Ziel?
- Schritt 1 — Datenquellen kartieren. Erfassen Sie über das ERP hinaus alle relevanten Quellen: Maschinen- und Sensordaten, Prüf- und Qualitätsdaten, Kontextinformationen. Erst dieses vollständige Bild zeigt, wie groß Ihre nutzbare Datenbasis wirklich ist.
- Schritt 2 — Qualität und Vielfalt ehrlich bewerten. Prüfen Sie Vollständigkeit, Konsistenz, Aktualität und Vielfalt — nicht nur die Menge. Gleichförmige Daten von wenigen Quellen sind ein Warnsignal, kein Fundament.
- Schritt 3 — den Zielabstand bestimmen. Halten Sie das konkrete KI-Ziel gegen die Datenrealität. Reicht die Basis nicht, entscheiden Sie bewusst zwischen Anreichern, Qualität heben oder Kooperation — statt das Projekt auf einem zu dünnen Fundament zu starten.
Unsere Einordnung: Diese drei Schritte sind kein Methodenüberbau, sondern die günstigste Versicherung gegen eine teure Fehlinvestition — und der Einstieg in die Roadmap, die Teil 5 dieser Serie zusammenführt.
30 Minuten ehrliche Standortbestimmung — direkt mit Dr. Dreher
Trägt Ihre Datenbasis eine KI-Initiative — oder nicht? Kein Verkaufsgespräch, keine Junior-Beratung.
Nächste Schritte
Wenn Sie vor einer KI-Initiative stehen und nicht sicher sind, ob Ihre Datenbasis trägt, beginnen Sie mit der Frage nach den Daten — nicht nach dem Modell. Mehr zu unserem Vorgehen bei Digitalisierung, ERP und KI-Integration finden Sie in unserer Übersicht der Beratungsleistungen.
Teil 2 der Serie: Datenqualität — das unsichtbare Fundament KI-fähiger ERP-Systeme (am Beispiel Großhandel).
Für die KI-Seite dieser Bewertung siehe unseren KI-gestützten Ansatz, SCOReX®.
Für Fragen oder Anregungen nutzen Sie den Kontaktbutton und sprechen Sie direkt mit mir.
Ihre Rückmeldung würde mich freuen.
