Risiken KI im ERP entstehen in der Praxis meist nicht durch die KI-Technologien selbst, sondern durch schlechte Daten, unklare Prozesse und falsche Erwartungen.
KI kann Entscheidungen beschleunigen und automatisieren – aber wenn die zugrunde liegenden Informationen fehlerhaft oder uneinheitlich sind, werden Probleme oft nur schneller und schwerer sichtbar.
Genau das ist der Punkt: KI im ERP ist kein Selbstläufer, sondern ein Werkzeug, das klare Strukturen, saubere Verantwortlichkeiten und verantwortungsvolle Steuerung voraussetzt.
Die größten Risiken liegen in Datenqualität, Prozess-Uneinheitlichkeit, Governance, Compliance und einem „blinden“ Vertrauen in Algorithmen. Wer KI in ERP-Systemen strategisch einführt, Use Cases sauber abgrenzt und die Fachbereiche einbindet, minimiert Risiken deutlich. Am Ende entscheidet weniger die Technologie als das Zielbild aus Daten, Geschäftsprozessen und Change Management.
Warum KI im ERP Risiken sichtbar macht – und nicht nur „neue“ schafft
Das muss man sich erstmal vor Augen führen: Ein ERP-System ist der Ort, an dem ein Unternehmen seine operativen Fakten bündelt – von Stammdaten über Bestände bis zu Lieferketten, Preisen, Kapazitäten und Buchungen.
Wenn man dort KI integriert, dann wird sie nicht „irgendwas Intelligentes“ tun, sondern sie lernt aus genau diesen Datenmengen und greift in genau diese Geschäftsprozesse ein – etwa indem sie Anomalien erkennt, Bedarfe vorhersagen soll oder Workflows zur Automatisierung anstößt.
Damit verschiebt sich das Risiko: Früher war ein Datenfehler oft lokal und wurde irgendwann von einem erfahrenen Mitarbeitenden entdeckt. Mit KI in ERP-Systemen skaliert derselbe Fehler – er wird schneller, breiter und wirkt plausibler, weil er als „intelligent“ daherkommt.
Datenqualität: Das häufigste und teuerste Risiko
Viele Entscheider wünschen sich, dass KI Prozesse optimieren und Produktivität steigern soll. Das kann sie auch – aber nur, wenn die Eingabedaten stimmen.
In der Realität erleben wir sehr häufig: Stammdaten sind uneinheitlich gepflegt, Dubletten existieren, Artikelmerkmale fehlen, Kundenattribute sind nicht konsistent, und es gibt mehrere „Wahrheiten“ in unterschiedlichen Systemen.
Wer dann eine Prognose, eine automatische Disposition oder eine intelligente Klassifizierung aufsetzt, bekommt Ergebnisse, die zwar mathematisch sauber wirken, aber fachlich falsch sind.
- Fehlerhafte Prognose: KI soll Nachfrage vorhersagen, aber historische Daten sind verzerrt (Sondereffekte, Aktionen, manuelle Korrekturen).
- Falsche Priorisierung: KI bewertet Engpässe, aber Materialstämme sind unvollständig (z. B. falsche Wiederbeschaffungszeiten).
- Automatisierung in die falsche Richtung: Workflows werden automatisiert, obwohl Ausnahmen und Sonderfälle nicht sauber modelliert sind.
Ein sehr wichtiger Aspekt ist dabei, dass Unternehmen die eigene Datenlage oft deutlich besser einschätzen, als sie tatsächlich ist. In vielen Organisationen wird erst bei KI-Projekten schmerzhaft klar, wie viele Felder zwar existieren, aber nie verlässlich gepflegt wurden – und wie stark das operative Tagesgeschäft davon abhängt.
Passend dazu zeigen Marktbeobachtungen immer wieder, dass viele Unternehmen mit veralteten Daten arbeiten und Datenqualität selten als „sehr hoch“ eingestuft wird. Das ist kein Moralthema, sondern ein strukturelles: Data Ownership, Pflegeprozesse und Governance sind in vielen KMU historisch gewachsen – nicht designed.
Prozess- und Rollenunklarheit: KI verstärkt Organisationsprobleme
KI im ERP wird oft als IT-Thema gestartet. Genau da entstehen die nächsten Risiken. Denn ERP-Systeme sind keine reinen IT-Projekte, sondern Strategie-Projekte mit massivem Change Management.
Wenn Prozesse je Abteilung unterschiedlich gelebt werden und niemand verbindlich entscheidet, welcher Prozess „der“ Prozess ist, dann kann KI nicht sinnvoll personalisieren, priorisieren oder automatisieren.
Typische Symptome aus der Praxis:
- Unklare Verantwortlichkeiten: Wer ist Owner für Materialstamm, Debitoren, Preise, Disposition?
- Abweichende Prozessvarianten: Einkauf arbeitet anders als Produktion „es braucht“ und Vertrieb „versprochen“ hat.
- Ausnahmen dominieren: Der Sonderfall ist der Normalfall – und KI lernt Chaos.
Genau das ist der Punkt: KI beschleunigt Entscheidungen zu treffen – aber sie ersetzt nicht die organisatorische Einigung auf Zielbild, Rollen und Spielregeln.
Blindes Vertrauen, Kontrollverlust und „Automation Bias“
Das ist eine sehr gute Frage, die ich oft höre: „Wenn die KI das vorschlägt – können wir uns dann darauf verlassen?“
Hier liegt ein zentrales Risiko: Menschen neigen dazu, maschinellen Ergebnissen zu viel Gewicht zu geben, vor allem wenn sie in einem ERP-System präsentiert werden, das ohnehin als „Single Source of Truth“ wahrgenommen wird.
Wenn KI-Modelle aber nicht erklärbar sind, wenn Schwellenwerte fehlen oder wenn es keine fachliche Kontrolle gibt, entsteht Kontrollverlust. Dann werden Fehler nicht nur gemacht, sondern auch nicht mehr rechtzeitig bemerkt.
In einer Untersuchung zu KI in ERP-Systemen werden Kontrollverlust und falsches Vertrauen als zentrale Risikofelder beschrieben. Praktisch heißt das: Ohne klare Freigabelogik, Monitoring und Eskalationswege wird KI schnell zur Blackbox, die operative Entscheidungen „durchdrückt“.
Governance, Data Ownership und Compliance: Wer haftet für KI-Entscheidungen?
Spätestens wenn KI in ERP-Systemen Bestellungen auslöst, Kreditlimits vorschlägt, Preise personalisieren soll oder Zahlungen priorisiert, stellt sich die Verantwortungsfrage.
Man braucht Regeln: Welche Entscheidungen dürfen automatisiert werden? Welche nur assistiert? Welche nie? Und wer genehmigt Modelländerungen, Trainingsdaten oder neue Automatisierungsschritte?
Wenn diese Governance fehlt, entstehen gleich mehrere Risiken:
- Revisions- und Auditrisiken: Entscheidungen sind nicht nachvollziehbar dokumentiert.
- Datenschutzrisiken: Personenbezug wird unterschätzt, Daten werden zweckentfremdet.
- Regelverstöße im Fachprozess: z. B. Einkaufsrichtlinien, Vier-Augen-Prinzip, Genehmigungslimits.
Ein sehr wichtiger Aspekt ist auch die Data Governance als Basis. Umfragen im Umfeld von Stammdatenmanagement zeigen, dass unzureichende Data Governance häufig als Grund für schlechte Stammdatenqualität genannt wird. Das ist relevant, weil KI gerade bei Stammdaten schnell „verführerisch“ wirkt: Sie soll bereinigen, anreichern, klassifizieren. Aber ohne Ownership bleibt es Flickwerk.
Integration von KI ins ERP: Technische Risiken, die oft unterschätzt werden
Natürlich gibt es auch technologische Risiken – sie sind nur selten die Hauptursache. Aber man sollte sie sauber auf dem Zettel haben, wenn man KI integriert.
Typische technische Risikofelder:
- Schnittstellen und Datenflüsse: Wenn Daten aus CRM, Shop, MES oder DWH einfließen, entstehen Inkonsistenzen und Latenzen.
- Modell-Drift: Algorithmen werden mit historischen Mustern trainiert, aber Markt, Lieferketten und Portfolio verändern sich.
- Performance und Stabilität: Echtzeit-Entscheidungen belasten Systeme; falsches Sizing führt zu Verzögerungen.
- Sicherheitsrisiken: Neue Komponenten, neue Angriffsflächen, unklare Berechtigungen.
Das Entscheidende ist: Diese Risiken sind beherrschbar – wenn man sie in Architektur, Betriebskonzept und Berechtigungssystem sauber einplant.
Operative Risiken: Wenn KI den Betrieb stört statt Effizienz zu schaffen
Viele Unternehmen starten mit dem Ziel Effizienz und Produktivität zu steigern. Gleichzeitig ist die größte Angst: „Dass dann alles steht.“ Diese Sorge ist nicht irrational.
KI-gestützte Automatisierung kann einen Prozess beschleunigen – aber sie kann ihn auch „falsch schnell“ machen. Dann entstehen operative Ausfälle, die teuer sind: falsche Bestellungen, fehlende Materialien, falsche Lieferzusagen, Fehler in der Faktura.
Gerade in sensiblen Bereichen wie Disposition und Lieferketten-Planung sollte man KI zunächst assistierend einsetzen: Empfehlungen, Warnungen, Anomalien – und erst später, nach Stabilisierung, echte Automatisierung.
Risiko falscher Erwartungen: KI als Allheilmittel statt als Werkzeug
Wir erleben in Gesprächen häufig, dass KI im ERP zunächst große Erwartungen auslöst: weniger manuelle Arbeit, schnellere Abläufe, bessere Prognose, „intelligentere“ Entscheidungen.
Gleichzeitig sind die Grundlagen oft noch gar nicht geschaffen: Daten sind uneinheitlich gepflegt, Prozesse unterscheiden sich je nach Abteilung, Verantwortlichkeiten sind nicht klar definiert. Genau dort entstehen Risiken.
Wir haben Projekte gesehen, in denen automatisierte Auswertungen plötzlich falsche Prioritäten gesetzt haben, weil Stammdaten unvollständig waren. Ebenso erleben wir, dass Unternehmen sich zu stark auf KI-Ergebnisse verlassen, ohne sie kritisch zu hinterfragen.
Besonders problematisch wird es, wenn KI als reine IT-Funktion betrachtet wird und Fachbereiche nicht eingebunden sind. Erfolgreich sind Unternehmen, die KI schrittweise einführen, klare Anwendungsfälle definieren und zunächst Transparenz über ihre Prozesse schaffen. Dort wird KI nicht zum Risiko, sondern zu einem Werkzeug, das Entscheidungen sinnvoll unterstützt.
Wie man Risiken KI im ERP systematisch minimiert
Wenn man es pragmatisch angeht, lassen sich die meisten Risiken minimieren – nicht durch „mehr KI“, sondern durch ein strategisches Vorgehen.
Use Cases eng schneiden und messbar machen
Starten Sie nicht mit „Wir wollen KI im ERP-System“. Starten Sie mit einem klaren Engpass: z. B. zu hohe Bestände, zu viele Eilbestellungen, schlechte Termintreue, zu viele manuelle Klärfälle.
Definieren Sie dann, ob KI assistiert (Empfehlung) oder automatisiert (Ausführung). Je mehr Automatisierung, desto stärker müssen Governance und Kontrollen sein.
Datenbasis klären, bevor Algorithmen „intelligent“ werden sollen
Ein Data-Assessment vorab ist oft der größte Hebel. Nicht akademisch, sondern praktisch: Welche Felder sind befüllt? Wie viele Dubletten? Wo fehlen Pflichtmerkmale? Wo entstehen Medienbrüche?
Prozesse harmonisieren und Verantwortlichkeiten festziehen
KI braucht klare Leitplanken. Deshalb: Prozesslandkarte, Zielbild, Rollenmodell (Owner, Steward, Freigaben), und ein Anforderungsprofil, das die Fachlichkeit abbildet.
Kontrollmechanismen einbauen
Das heißt konkret: Plausibilitätschecks, Stichproben, Freigabeworkflows, Monitoring von Modellgüte, definierte Eskalationen – und vor allem eine Kultur, in der KI-Ergebnisse hinterfragt werden dürfen.
Change Management einplanen
KI verändert Arbeitsteilung. Manche Aufgaben fallen weg, andere entstehen neu (Kontrolle, Ausnahmebehandlung, Datenpflege). Wenn man das nicht aktiv begleitet, entstehen Schattenprozesse – und damit neue Risiken.
FAQ: Häufige Fragen zu KI in ERP-Systemen
Welche Risiken entstehen durch KI im ERP am häufigsten?
Am häufigsten sind es falsche oder uneinheitliche Daten, unklare Prozesse und ein zu großes Vertrauen in KI-Ergebnisse. Daraus folgen falsche Prognosen, falsche Prioritäten und fehlerhafte Automatisierung in operativen Abläufen.
Ist KI im ERP-System grundsätzlich unsicher?
Nein. Das Risiko hängt weniger an der Technologie als an Governance, Integration, Berechtigungen und Betrieb. Mit sauberem Sicherheits- und Rollenmodell sowie Monitoring ist KI kontrollierbar.
Welche Bereiche im ERP eignen sich besonders für KI – und wo ist es kritisch?
Gut geeignet sind Assistenz-Funktionen: Anomalien erkennen, Vorschläge zur Disposition, Klassifikation, Text-/Belegauswertung, Prognose als Entscheidungshilfe. Kritischer wird es, wenn KI ohne Freigabe Bestellungen, Preise oder Kreditentscheidungen automatisiert ausführt.
Wie verhindert man, dass KI falsche Entscheidungen beschleunigt?
Durch Datenqualität, klar definierte Prozesse, Freigabelogiken und messbare Qualitätskriterien. Außerdem hilft ein stufenweiser Rollout: erst Transparenz und Empfehlungen, dann teilautomatisierte Schritte, erst zuletzt Vollautomatisierung.
Welche Rolle spielt Data Governance bei KI in ERP-Systemen?
Eine zentrale. Data Governance definiert Ownership, Regeln, Pflegeprozesse und Qualitätskriterien. Ohne diese Grundlage bleibt KI ein „Pflaster“ auf strukturellen Problemen – und die Risiken steigen.