KI braucht ein Rückgrat: Warum ERP die Datenbasis für erfolgreiche KI schafft

Unabhängig vom eingesetzten Modell braucht KI Daten, um zu funktionieren. Die gute Nachricht: Daten gibt es in fast jedem Unternehmen im Überfluss. Sie entstehen täglich in nahezu jedem Geschäftsprozess: im Vertrieb, im Einkauf, in der Produktion, in der Logistik, in der Finanzabteilung. Und es werden immer mehr: Laut einer aktuellen Splunk-Umfrage schätzt fast die Hälfte (45 Prozent) der befragten IT-Verantwortlichen, dass ihr Datenvolumen allein in den letzten drei Jahren um die Hälfte gestiegen ist. Ein Viertel von ihnen geht sogar von einer Verdopplung aus.  

Und trotzdem bleibt ein großer Teil dieser Daten noch ungenutzt. Laut einer aktuellen Bitkom-Studie schöpfen ganze 61 Prozent der Unternehmen ihr Datenpotenzial kaum oder gar nicht aus. Das bedeutet: Die Menge an Daten ist zwar ausreichend vorhanden, nutzen können Unternehmen sie jedoch kaum. Damit aber aus Daten auch brauchbare Erkenntnisse und sinnvolle Entscheidungen entstehen können, müssen sie zusammengeführt, strukturiert und zuverlässig verfügbar sein. 

Vor allem im Mittelstand wird diese Lücke greifbar: Viele Unternehmensstrukturen sind historisch gewachsen, ohne übergreifende Systeme, die Abteilungen miteinander verbinden. Daten liegen deshalb oft verteilt über verschiedene Systeme, ohne Verbindung zueinander. Erfasst wird viel, doch zentral verfügbar ist davon wenig. 

Schon für klassische Auswertungen ist das ein Problem. Für den Einsatz von KI wird aus diesem strukturellen Problem nun eine konkrete Herausforderung. Denn je stärker KI auf Daten aus unterschiedlichen Geschäftsbereichen angewiesen ist, desto wichtiger wird eine integrierte und verlässliche Datenbasis. 
 

Wie entscheidend eine belastbare Datenbasis für digitale Transformationen ist, zeigt die Transformationsstudie 2025 von NTT DATA Business Solutions und Natuvion: 47 Prozent der befragten Unternehmen bewerteten das Prüfen und Verbessern ihrer Datenqualität als einen der wichtigsten Erfolgsfaktoren ihres Transformationsprozesses. 

Für KI-Projekte gewinnt Datenqualität zusätzlich an Bedeutung. KI-Anwendungen verarbeiten große Mengen an Informationen, erkennen darin Muster und leiten daraus beispielsweise Prognose oder Empfehlungen ab. Sind die zugrunde liegenden Daten unvollständig, widersprüchlich oder veraltet, liefert auch die KI unzuverlässige Ergebnisse. Und aus schlechten Ergebnissen können nur schlechte Entscheidungen folgen. 

Wie teuer ungeeignete Datenqualität werden kann, zeigt eine Gartner-Prognose von 2025: Bis 2026 könnten 60 Prozent der KI-Projekte scheitern, die nicht auf eine für KI geeignete Datenbasis zurückgreifen können. Und auch die Wettbewerbsfähigkeit leidet: Laut einer aktuellen Splunk-Umfrage sehen 45 Prozent der befragten IT-Verantwortlichen in schlechter Datenqualität einen erheblichen Nachteil im Rennen um den Einsatz von KI. 
 

Unternehmen, die vorne mitspielen, investieren in die Grundlagen einer funktionierenden KI. Laut Gartner stecken Unternehmen mit erfolgreichen KI-Initiativen bis zu viermal mehr ihres Umsatzes in Datenqualität, Data Governance, KI-Kompetenzen und Change Management als Unternehmen mit schwachen KI-Ergebnissen. 

Die Botschaft an Unternehmen ist eindeutig: Datenqualität entscheidet darüber, ob KI im Unternehmen überhaupt funktioniert. Was aber macht Datenqualität im KI-Kontext eigentlich aus? 
 

Der alte IT-Grundsatz „Garbage in, garbage out" hat im KI-Zeitalter eine neue Schärfe bekommen. Denn KI-Modelle funktionieren wie ein Verstärker: Sie verstärken das, was in den Daten steckt, die sie nutzen. Das gilt sowohl für Muster als auch für Fehler. Wer schlechte Daten einspeist, bekommt also selbstsichere, aber meist falsche Ergebnisse zurück. 

Drei zentrale Qualitätsmerkmale entscheiden mit darüber, ob eine Datengrundlage für KI geeignet ist: 

1. Vollständigkeit: KI-Modelle benötigen möglichst lückenlose Datensätze, die alle für den jeweiligen Anwendungsfall relevanten Informationen abdecken. Fehlen etwa wichtige Daten aus der Produktion, kann ein KI-Modell Lieferzeiten nicht mehr zuverlässig vorhersagen. Es rechnet mit einem unvollständigen Bild und kann dadurch zu falschen Prognosen kommen. 
    

2. Konsistenz: Damit KI Zusammenhänge zuverlässig erkennen kann, müssen Daten unternehmensweit einheitlich strukturiert, bezeichnet und widerspruchsfrei sein. Wird etwa dasselbe Ersatzteil in zwei Systemen unterschiedlich bezeichnet, kann ein KI-Modell diese Informationen möglicherweise nicht eindeutig zusammenführen. Die Nachfrage erscheint dann auf zwei vermeintlich unterschiedliche Produkte verteilt und der tatsächliche Bedarf wird unterschätzt. 
    

3. Aktualität: Für verlässliche KI-Prognosen müssen Daten aktuell sein und den relevanten Geschäftsstand zeitnah abbilden. Rechnet ein Modell heute mit Lagerbeständen von letzter Woche, kann es Bestellungen für Produkte empfehlen, die inzwischen längst nachgeliefert wurden. 

Alle drei Prinzipien hängen zusammen. Vollständige Daten nützen wenig, wenn sie widersprüchlich sind. Und selbst konsistente Daten verlieren für aktuelle Prognosen an Aussagekraft, wenn sie veraltet sind. Erst wenn alle drei Bedingungen erfüllt sind, kann eine KI-Anwendung ihre Stärken auf einer belastbaren Datengrundlage ausspielen. Genau an dieser Stelle setzt das ERP als zentrale Datenplattform an. 
 

Spätestens beim ersten KI-Pilotprojekt taucht irgendwann die leise Frage auf: Brauchen wir unser ERP eigentlich noch, wenn KI künftig Prozesse automatisiert und Entscheidungen vorbereitet? Die Antwort ist eindeutig: Ja. Und durch KI ist ein solides ERP-Fundament sogar dringlicher geworden als zuvor. 

Der Grund ist einfach: KI und ERP konkurrieren nicht miteinander. Sie übernehmen grundlegend verschiedene Aufgaben und bauen aufeinander auf. 
 
Das ERP ist das strukturierte Gedächtnis des Unternehmens. Es erfasst digital, was im Unternehmen passiert: Finanztransaktionen, Lagerbestände, Lieferketten, Personalstrukturen, Geschäftsprozesse. Zudem verbindet es diese Informationen mit den operativen Prozessen, in denen sie entstehen, und führt sie systematisch zusammen. 

KI wertet genau diese Daten aus. Sie erkennt Muster, prognostiziert Entwicklungen und automatisiert wiederkehrende Abläufe. Fehlen ihr aber vollständige und widerspruchsfreie Eingaben, liefert sie keine brauchbaren Erkenntnisse. 

Das ERP ist also nicht das Gegenteil von KI. Für viele Unternehmen bildet es die operative Grundlage, auf der KI überhaupt aufbauen kann. Voraussetzung dafür ist allerdings, dass diese Basis im Unternehmen konsequent genutzt und gepflegt wird. 

 

Fungiert das ERP im Unternehmen als zentrale Datenquelle, entsteht die für KI notwendige Vollständigkeit der zugrunde liegenden Daten. Alle Unternehmensbereiche greifen auf dieselbe Datenbasis zu, egal ob Vertrieb, Einkauf oder Produktion. Was früher in separaten Tabellen oder Abteilungssilos lag, ist in einem modernen ERP an einem Ort zentral verfügbar. Für KI-Modelle bedeutet das: Sie arbeiten nicht mit fragmentierten Ausschnitten, sondern mit dem vollständigen Bild des Unternehmens. 

Die Konsistenz von Daten folgt aus standardisierten Prozessen und genau das kann ein modernes ERP leisten: Es definiert, wie Informationen erfasst, bezeichnet und gepflegt werden. Dasselbe Ersatzteil heißt damit systemweit dieselbe Bezeichnung, und auch eine Kundennummer ist über alle Bereiche hinweg eindeutig. Dadurch können KI-Modelle Zusammenhänge erkennen, die in fragmentierten Datenlandschaften möglicherweise verborgen bleiben. Gleichzeitig lassen sich Widersprüche und manuelle Fehlerquellen durch einheitliche Prozesse im ERP von vornherein reduzieren.  

Für verlässliche KI-Prognosen müssen Daten den aktuellen Geschäftsstand widerspiegeln. Ein modernes ERP schafft dafür die notwendige Aktualität, indem es Geschäftsvorfälle wie Bestellungen, Warenbewegungen oder Lieferungen zeitnah erfasst und miteinander verknüpft. Auf dieser integrierten Datenbasis können KI-gestützte Analysen und Prognosen schneller auf Veränderungen reagieren und fundiertere Entscheidungen unterstützen. 

So wird das ERP zur zentralen Daten- und Prozessplattform für den Einsatz von KI im Unternehmen. Und damit zu einem entscheidenden Fundament für erfolgreiche KI-Projekte im Mittelstand. 
 

Ein modernes ERP schafft die strukturellen Voraussetzungen für eine zentrale und integrierte Datenbasis. Entscheidend ist jedoch, wie konsequent die Prozesse darin abgebildet werden und wie vollständig, konsistent und aktuell die Daten tatsächlich sind.  

Deshalb sollte vor der Einführung des ersten KI-Tools eine grundlegende Frage stehen: Wie gut ist unsere Datenbasis tatsächlich aufgestellt? 

Drei Fragen geben dafür eine erste Orientierung: 

• Sind unsere Daten vollständig? Sind alle relevanten Informationen vorhanden und miteinander verknüpft? 

• Sind unsere Daten konsistent? Werden Stammdaten, Begriffe und Prozesse über die verschiedenen Unternehmensbereiche hinweg einheitlich geführt? 

• Sind unsere Daten aktuell? Bilden die verfügbaren Informationen den aktuellen Stand des Geschäfts ausreichend zeitnah ab? 

Unternehmen, die diese Fragen mit Ja beantworten können, haben eine wichtige Voraussetzung für erfolgreiche KI-Projekte geschaffen. Wo noch Lücken bestehen, lohnt sich dagegen ein genauer Blick auf die bestehende System- und Prozesslandschaft: Wo entstehen die Lücken, wie lassen sie sich schließen und welche Prozesse und Datenstrukturen müssen dafür weiterentwickelt werden? 

Für Unternehmen, die KI-Investitionen planen, ist die Qualität des ERP-Fundaments daher in erster Linie eine strategische Frage für die Unternehmensführung. Unternehmen, die ihr ERP heute konsequent nutzen und ihre Datenbasis gezielt stärken, schaffen die Voraussetzung dafür, dass KI-Investitionen morgen tatsächlich den erwarteten Nutzen bringen: bessere Prognosen, effizientere Prozesse und, in der Folge, schnellere Entscheidungen.