Wie man künstliche Intelligenz und ERP verbindet

Erfolgskritischer Faktor beim KI-Einsatz im ERP-Umfeld sind die Qualität und die Anzahl der Datensätze für das Training der KI. Dabei kann das Modell immer nur so gut sein, wie der Input an sauberen Daten, mit dem es angelernt wird. In der Regel sind im ERP-Kontext aber 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, weshalb der Datenaufbereitung eine enorm wichtige Rolle zukommt.

Einem Marketingverantwortlichen mit nur 1000 aktiven Kunden wird es daher wahrscheinlich erheblich schwerer fallen mit seinem Datenbestand eine KI-Software für eine verlässliche Absatzprognose zu trainieren. Die entscheidende Frage, die man einem KI-Anbieter stellen sollte ist daher, wie es um das Lernen mit Small Data steht und wie er gewährleistet, dass er auch mit weniger Datensätzen gute Ergebnisse erzielen kann - und wie robust seine Lösung in Bezug auf Ausreißer ist.

In der Außendarstellung vieler Softwareanbieter wird Künstliche Intelligenz oft als Standardlösung angepriesen. In der Realität ist eine Künstliche Intelligenz kein fertiges Programm, das sich auf Knopfdruck installieren lässt. Selbst bei scheinbar sehr generischen Aufgaben stoßen KI-Systeme meist schnell an Grenzen: Bei der Umwandlung von Sprache in Text beispielsweise, müssen spezifische 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 Künstlicher Intelligenz lösen möchte, desto umfangreicher wird die Aufbereitung und Normalisierung der Daten und damit der Lernprozess. Jedes Unternehmen verwendet andere Merkmale und Schlüsselfelder, die in das Modell eingebunden werden müssen.

Auch über die Aussagekraft der einzelnen Parameter muss man sich am besten im Rahmen einer Vorstudie Gedanken machen. Diese sollte auch nachgelagerte Qualitätssicherungs- Maßnahmen mit einbeziehen. Schnell befindet 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.

Im Vergleich zum aktuellen KI-Hype in der Consumer-Welt mit Digitalen Assistenten und Bilderkennung kommt Künstliche Intelligenz im ERP-Kontext nur relativ langsam voran, hat beispielsweise der Bitkom analysiert. Ein Grund ist die fehlende Wirtschaftlichkeit von bestimmten Anwendungsfällen. Wenn ein Prozess nur sehr selten vorkommt oder zu wenige Daten vorliegen, bringt der KI-Einsatz keinen wirtschaftlichen Nutzen im Verhältnis zum Aufwand. Weiterhin fehlen Experten, um KISzenarien in der Unternehmenspraxis umzusetzen.
Neben der technischen Expertise ist Domänen- und Branchen-Know-how nötig, um erfolgreiche Anwendungsfälle zu realisieren. Ab einem gewissen Komplexitätsgrad der KIAnwendung spielen auch Haftungsfragen eine Rolle, vor allem wenn am Ende des Prozesses Entscheidungen oder Produkte stehen, die Leib und Leben in Gefahr bringen können. Da man manche KI-Modelle nur als Blackbox validieren kann, scheuen sich Mitarbeiter davor, ein Werkzeug einzusetzen, bei dem sie dem Ergebnis ausgeliefert sind. Eine Kontrolle und Nachvollziehbarkeit fehlen. Dadurch dauert die Einführung solcher KI-Lösungen aufgrund von Vorbehalten sowie umfangreicherer Tests oft viel länger als bei klassischen Softwareeinführungen.