Künstliche Intelligenz ist kein Zukunftsthema mehr.
Mit den Releases 2026 R1 hat Haufe X360 konkrete, produktiv einsetzbare KI-Funktionen in das ERP integriert. Diese Seite gibt einen Überblick über die verfügbaren Funktionen sowie gezielte Tipps für den erfolgreichen Einsatz im Alltag.
Unternehmen wollen ERP-Prozesse schneller machen, manuelle Arbeit reduzieren und Entscheidungen datenbasiert treffen. Genau hier liefern die Funktionen AI Automation und der AI Assistant messbaren Nutzen. Während AI Automation wiederkehrende Abläufe End-to-End ausführt, unterstützt der AI Assistant Fachbereiche mit kontextbezogenen Antworten direkt im ERP.
Was ist der Mehrwert? Sind es schnellere Prozesse, weniger Handarbeit, datenbasierte Entscheidungen, oder etwas anderes?
Nur freigegebene allgemeine Abfragen. Sensible Felder können per Data Masking geschützt werden.
Steuern mit Limits, Alerts und effizienten Prompts.
Gepflegte allgemeine Abfragen, definierte Rollen, klare Trigger und Regeln.
Immer der Mensch. KI-Ergebnisse sind Vorschläge und werden verifiziert.
Der AI Assistant ist eine Chat- und Sprachschnittstelle, über die Nutzer ERP-Daten in natürlicher Sprache abfragen können. Die Antworten erscheinen als:
Der AI Assistant liefert bessere Ergebnisse, wenn Zeitraum, Objekt und Ziel klar benannt sind. Präzise Eingaben senken Rückfragen und erhöhen die Nutzbarkeit im Tagesgeschäft.
Beispiel: Statt „Zeige Umsätze“ lieber „Zeige die monatlichen Umsätze nach Kundengruppe für Q1 2026“.
Assistant-Ergebnisse sollten als Entscheidungshilfe genutzt werden. Vorteilhaft ist eine kurze Validierung in den zugrunde liegenden Abfragen oder Auswertungen. Per Drill-Down können die Quellen für die Antwort direkt eingesehen werden.
Übrigens: Der AI Assistant arbeitet auf Basis der in Haufe X360 konfigurierten allgemeinen Abfragen. Je besser diese gepflegt sind, desto präziser die Antworten.
Ein guter Einstieg sind drei bis fünf Szenarien mit hoher Wirkung, etwa Service-Priorisierung, Lead-Analyse oder Management-Zusammenfassungen.
Klare Rollen für Nutzung und Administration, kombiniert mit transparenten Token-Limits, sichern Skalierbarkeit und Kostenkontrolle.
AI Automation ist ein Low-Code-Framework, das es erlaubt, Feldaktualisierungen und Aktionen innerhalb eines Datensatzes per KI-gesteuerter Logik zu automatisieren. Die Verbindung erfolgt über externe LLM-Anbieter.
Jede Automation braucht einen klaren Auslöser, definierte Fachregeln, eine Zielaktion und einen Verantwortlichen für Fehlerfälle.
Saubere Triggerbedingungen, eindeutige Feldzuordnung und Schutz vor Doppelläufen sind entscheidend für stabile End-to-End-Prozesse.
Keine Secrets im Klartext und Passwörter verwenden. Mit dem Data Masking können sensible Felder (z. B. Kontonummern und Preise) maskiert werden: Reale Daten verlassen das ERP-System nicht, wenn KI-Funktionen genutzt werden.
Produktive Flows benötigen Retry-Strategien, vollständiges Logging, Alerting und klar dokumentierte Recovery-Schritte.
Ein technisch erfolgreicher Lauf ist nur dann wertvoll, wenn auch das fachliche Ergebnis stimmt. Sinnvolle KPIs sind Durchlaufzeit, Fehlerquote, Nacharbeitsaufwand und Datenqualität.
Die Welt der Künstlichen Intelligenz entwickelt sich rasend schnell und Sie wollen immer einen Schritt voraus sein?
Unser Newsletter liefert Ihnen aktuelles Expertenwissen, spannende KI-Trends und praxisnahe Tipps direkt in Ihr Postfach. Erfahren Sie, welche neuen ERP-Funktionen auf Sie warten, und sichern Sie sich exklusive Zugänge zu Webinaren & Live-Sessions mit echten KI-Expert:innen. Werden Sie Teil einer Community, die KI aktiv mitgestaltet.
Jetzt kostenfrei anmelden & nichts mehr verpassen!
Für konsistente Ergebnisse sollten Prompts standardisiert aufgebaut sein:
Ziel: genau ein Ergebnis pro Anfrage
Kontext: erlaubte Datenquellen und Felder klar benennen
Regeln: keine erfundenen Werte, keine unzulässigen Interpretationen
Qualität: Tonalität, Länge und Fachniveau festlegen
Fehlerfall: fehlende Pflichtdaten explizit ausgeben
Ausgabeformat: strukturiert und weiterverarbeitbar
Nicht jede ERP-Aufgabe gehört in ein LLM-Szenario. Deterministische Logik ist vorzuziehen bei:
Finanz- und Steuerberechnungen
Compliance-kritischen Entscheidungen
Buchungs- und Zahlungsprozessen
Berechtigungs- und Freigabelogik
Praxisregel: KI für Interpretation und Priorisierung, klassische Business-Logik für verbindliche Transaktionen.
Diese Tipps gelten unabhängig von der spezifischen Funktion und sind die Grundlage für einen nachhaltigen KI-Einsatz.
KI-Modelle lernen aus Daten. Sind die Daten inkonsistent, unvollständig oder falsch strukturiert, produziert die KI unbrauchbare Ergebnisse. Bevor KI-Funktionen aktiviert werden, sollte ein Daten-Audit stattfinden.
AI Automation baut Workflows auf Basis der tatsächlichen Prozesse. Wenn dieselbe Aufgabe von verschiedenen Mitarbeitern unterschiedlich erledigt wird, wird die Automation genauso inkonsistent sein. Erst standardisieren, dann automatisieren.
Begonnen wird mit klar abgegrenzten Use Cases, die messbaren Mehrwert liefern (z.B. automatische Klassifizierung eingehender Belege). Erst wenn diese stabil laufen und das Team Vertrauen aufgebaut hat, werden weitere Prozesse automatisiert.
Praxisbewährt ist ein Drei-Phasen-Modell:
KI bringt nur Mehrwert, wenn das Team sie auch nutzt. Das erfordert:
Vor dem Produktiveinsatz müssen folgende Fragen beantwortet sein:
Gerade in der Anfangsphase gilt: Alle KI-Ergebnisse sind Vorschläge. Besonders bei finanziellen Buchungen, Genehmigungen und kundenbezogenen Daten muss immer eine menschliche Kontrollinstanz vorhanden sein.
LLM-Anfragen erzeugen Token-Kosten beim jeweiligen Anbieter:
Phase 1 - Bereitschaft prüfen (Wochen 1-4)
Phase 2 - Pilotbetrieb (Wochen 5-8)
Phase 3 - Rollout (ab Woche 9)
|
Problem
|
Wahrscheinliche Ursache
|
Lösung
|
|---|---|---|
|
LLM-Anbieter erscheint nicht in Dropdown
|
Anbieter-Liste wurde nicht aktualisiert
|
"Aktualisieren" neben LLM-Anbieter klicken nach dem ersten Speichern
|
|
Automation aktualisiert Felder nicht richtig
|
Falscher Feldname im Prompt
|
Tool zur Überprüfung des Feldnamens nutzen (Rolle Customizer verwenden)
|
|
Inkonsistente Ergebnisse bei gleichem Datensatz
|
Prompt zu vage formuliert
|
Prompt präzisieren
|
|
Sensible Daten erscheinen in Prompt-Output
|
Data Masking nicht konfiguriert
|
Masking-Regeln in LLM-Prompts einrichten
|
|
AI Assistant liefert keine Ergebnisse
|
Daten nicht in einer freigegebenen allgemeinen Abfrage abgebildet
|
Gewünschte Abfrage freigeben, oder eigens erstellen
|
