ERP-Betrieb

ERP-Systeme der Zukunft

Was wird sich ändern?

Lesedauer: 6 Minuten

28. September 2021 von Lars Müller, Michael Finkler und Norbert Gronau

ERP-Systeme der Zukunft

Der Einsatz Künstlicher Intelligenz wird die ERP-Landschaft nachhaltig verändern, umso wichtiger ist es, sich heute schon mit den Potenzialen dieser intelligenten ERP-Systeme der Zukunft auseinanderzusetzen. In diesem Beitrag werden die aktuellen Herausforderungen bei der Implementierung, die wesentlichen KI-Technologien sowie aktuelle Anwendungsbeispiele vorgestellt. Insbesondere werden die tragende Rolle sowie die Aufgaben der ERP-Anbieter und Unternehmen in dieser zukunftsorientierten Thematik erläutert.

Das intelligente ERP der Zukunft

Durch die schnell voranschreitende digitale Transformation wird klar spürbar, dass im Bereich der ERP-Systeme eine neue Generation entstehen bzw. notwendig sein wird, um auch zukünftig die Anforderungen aus dem Unternehmen und den Geschäftsprozessen heraus zu bedienen [1].

Hierbei wird die Zukunft der ERP-Systeme primär durch die folgenden drei Entwicklungen bestimmt und beeinflusst: Internet of Things (IoT), Industrie 4.0 und Künstliche Intelligenz. Dies hat die folgenden Einflüsse auf das klassische EVA-Prinzip (Eingabe-Verarbeitung-Ausgabe):

wp proalpha 1

Bild 1: Treiber der Digitalisierung [1].

Der Fokus des vorliegenden Whitepapers liegt auf dem Zusammenspiel zwischen dem intelligenten ERP-System der Zukunft und der Künstlichen Intelligenz. Die Relevanz dieser beiden Themen hat auch der Digitalverband Bitkom mehrfach bestätigt [2]: „Die Einbindung und Nutzung Künstlicher Intelligenz wird die ERP-Landschaft deutlich verändern und zu einem wesentlichen Wettbewerbsfaktor werden.“

Die Potenziale und Grenzen aktueller KI-Szenarien im ERP-Kontext wurden bereits umfassend aufgearbeitet [2, 4]:

Datenqualität und -quantität: ERP-Systeme verfügen über keine typischen Big-Data-Szenarien. Insbesondere mittelständische Unternehmen mit einer überschaubaren Anzahl an Kunden und Aufträgen haben Probleme, mithilfe von KI-Methoden in diversen Bereichen (Produktion, Absatz, Einkauf) Prognosen und Handlungsempfehlungen abzuleiten. Hier fehlt es schlichtweg an der Anzahl der Datensätze, um eine KI vernünftig und wirtschaftlich sinnvoll zu trainieren. Um dieser Problemstellung entgegenzuwirken, gibt es Forschungsbestrebungen im „small data“-Sektor, um auch mit weniger Datensätzen eine gut trainierte KI zu schaffen.

Implementierungsaufwand: Implementierungen von KI-Lösungen generell und insbesondere im ERP-Bereich sind aktuell mehrheitlich noch keine Plug-and-Play-Vorhaben, sondern ernstzunehmende, kostenintensive und umfangreiche Projekte. Dies gilt insbesondere dann, wenn es sich um Eigenimplementierungen der Unternehmen handelt. Genau dieser Punkt wird eine Aufgabe der ERP-Anbieter sein, deren Ziel es ist, KI-gestützte ERP-Standardfunktionen auszuliefern, um somit die Anwendung mit überschaubarem Aufwand zu realisieren. Auch wenn die KI-Modelle als Standardlösung präsentiert werden, müssen diese in den meisten Fällen an das Unternehmen und dessen Spezifika angepasst und trainiert werden. Ebenso unterscheidet sich auch die Gewichtung und Relevanz der KI-Lösungen, häufig abhängig von der Unternehmenstypologie, innerhalb der Branchen (bspw. Sondermaschinenbau/Großserienfertiger). Der Großteil des Implementierungsaufwandes lässt sich in aller Regel auf die Auswahl, die Bereinigung und das Normalisieren der Daten zurückführen.

Langsame Verbreitung: Die Anzahl an realisierten und praxistauglichen KI-Integrationen und Anwendungsfällen im ERP-Kontext ist aktuell überschaubar. Ein Grund ist meist die noch fehlende Wirtschaftlichkeit der KI-Projekte. Durch die überschaubaren Standardfunktionen und Anwendungen innerhalb der ERP-Systeme werden die Unternehmen zu eigenen kostenintensiven und langwierigen Projekten gedrängt. Ein bereits fortgeschrittener KI-Anwendungsfall und Baustein für das ERP ist die automatische Rechnungserkennung und Verarbeitung. Diese Lösungen lassen sich in der Regel als Standardfunktion ausliefern und kommen somit regelmäßig in den Unternehmen zum Einsatz. Darüber hinaus fehlt es nicht selten an Experten mit ausreichendem Domänen- und KI-Know-how in den Unternehmen, um KI-Projekte erfolgreich umzusetzen.

Künstliche Intelligenz kann ein ERP-System in allen Bereichen deutlich verbessern, da die Lösungsfindung unvoreingenommen durch die Analyse der bereits vorliegenden Daten erfolgt und somit die Anwenderunterstützung im Bereich der Entscheidungsfindung und -sicherheit spürbar verstärkt werden kann, bis hin zur Vollautomatisierung von Geschäftsprozessen. Das ERP-System der Zukunft ist dadurch flexibler und kann in kürzester Zeit Änderungen in Prozessabläufen berücksichtigen und notwendige Analysen aus den vorliegenden ERP-Daten in Echtzeit durchführen. Auch das Thema „digitale Assistenten“, welches aus dem privaten Sektor nicht mehr wegzudenken ist, wird mittelfristig und ganzheitlich in ERP-Systemen Einzug halten. Dabei sind digitale Assistenten mehr als nur Smart Speaker und Sprachunterstützung, welche zum einen dafür sorgen werden, dass sich die ERP-Systeme intuitiver durch die Anwender bedienen lassen und zum anderen, dass vorliegende Daten und Ergebnisse analysiert werden und als Entscheidungsunterstützung für die ERP-Anwender bereitgestellt bzw. Transaktionen eigenständig durchgeführt werden [1].

Der Fokus liegt in naher Zukunft also auf der Unterstützung der ERP-Anwender hinsichtlich der Voll- oder Teil-Automatisierung der ERP-Geschäftsprozesse und auf der Informationsbereitstellung für die Entscheidungsfindung. An diesen Zielen arbeitet auch aktuell proALPHA in Kooperation mit dem KI-Softwarepartner EMPOLIS, der Vision folgend: „Kein ERP-Anwender muss mehr falsche Entscheidungen treffen.“

Künstliche Intelligenz: wesentliche Technologien

Was ist Künstliche Intelligenz? KI kann vereinfacht als die Digitalisierung menschlicher Wissensfähigkeiten und Eigenschaften bezeichnet werden und ist gekennzeichnet durch: Wahrnehmen, Verstehen, Handeln und Lernen. Je nach KI-Szenario können diese menschenähnlichen Fähigkeiten unterschiedlich stark ausgeprägt und kombiniert sein, wodurch die unterschiedlichen Anwendungsfälle entstehen [3].

wp proalpha 2

Bild 2: KI-Fähigkeiten [4].

Es ist grundlegend notwendig, zwischen starker und schwacher KI zu unterscheiden:

Starke KI (generelle KI): Ist die Zukunftsvision von Computern und Maschinen, welche in der Lage sind, mindestens menschenähnlich zu denken, ein Bewusstsein haben und Gefühle wahrnehmen können und nicht nur für einen speziellen Anwendungsfall eingesetzt werden können. Hierzu zählen im Detail die folgenden Eigenschaften: Logisches Denken, Treffen von Entscheidungen bei Unsicherheit, Planen, Lernen, Kommunikation in natürlicher Sprache, Strategieentwicklung, Einsetzen aller Fähigkeiten, um ein gemeinsames Ziel zu erreichen.

Schwache KI (methodische KI): Sind intelligente Lösungen, welche menschenähnliche Eigenschaften und Fähigkeiten besitzen und für bestimmte Anwendungsfälle entwickelt bzw. genutzt werden (wie bspw. Expertensysteme, Navigationssysteme, Spracherkennung, Zeichenerkennung, digitale Assistenzsysteme). Mit diesen KI-Methoden können klar festgelegte Aufgaben mit einer definierten Methodik gelöst werden, um komplexe, wiederkehrende und genau spezifizierte Probleme zu lösen [5].

Die einzelnen KI-Technologien sind grundsätzlich in die beiden Kernbereiche „Machine Learning“ und „Wissensbasierte KI“ aufzuteilen, welche die o. a. digitalisierten menschenähnlichen Fähigkeiten unterschiedlich stark beanspruchen und repräsentieren (Bild 3).

wp proalpha 3

Bild 3: KI-Landschaft [6].

Diese Technologien lassen sich, bezogen auf die Erklärbarkeit für den Menschen, in sog. Blackbox und Whitebox KI-Lösungen aufteilen. Selbstverständlich existieren auch Szenarien, welche in der Mitte der beiden Klassen einzuordnen sind. Somit können Machine Learning-Technologien dazu verwendet werden, um mit sehr großen Datenmengen auch völlig neue Probleme zu lösen. Wie diese allerdings im Detail funktionieren bzw. zum richtigen Ergebnis kommen, ist kaum nachvollziehbar für den Menschen. Im Gegensatz hierzu können sog. wissensbasierte KI-Systeme mit kleinen Datenmengen intellektuell durch den Menschen lösbare Probleme schneller und besser bearbeiten und somit die Ergebnisse aufgrund der vorgelagerten Wissens-

Zum Weiterlesen können Sie sich das komplette Whitepaper hier herunterladen 

proALPHA GmbH

Auf dem Immel 8
67685 Weilerbach

zum AnbietereintragView Provider Entry






[1] Gronau, Norbert: ERP-Systeme. 4. Auflage Berlin/Boston 2021

[2] Bitkom: Positionspapier – Künstliche Intelligenz und ERP. Berlin 2019. https://www.bitkom.org/Bitkom/Publikationen/Kuenstliche-Intelligenz-und-ERP (letzter Zugriff am 14.09.2021)

[3] Karger, Reinhard: BVMW – Werkzeugkasten für die Wirtschaft. 2021. https://www.bvmw.de/wirtschaftsregion-koeln-rhein-erft-kreis/news/9733/werkzeugkasten-fuer-die-wirtschaft/ (letzter Zugriff am 14.09.2021)

[4] Nickel, Kilian; Hasenbeck, Felix; Daniels, Ulrike; Andrä, Michael: Gold, Barbara; Kolkmann Hanna: Künstliche Intelligenz in ERP-Systemen. Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS. Sankt Augustin 2020. https://www.iais.fraunhofer.de/de/geschaeftsfelder/Company_Engineering/ERP-Studien.html (letzter Zugriff am 14.09.2021)

[5] Röser, Alexander Maximilian: Charakterisierung von schwacher und starker Künstlicher Intelligenz. Arbeitspapiere der FOM, Nr. 79. Essen 2021. https://www.fom.de/fileadmin/fom/forschung/arbeitspapiere/Arbeitspapiere-der-FOM/FOM-Arbeitspapier-79-Roeser-Kuenstliche-Intelligenz-2021.pdf (letzter Zugriff am 14.09.2021)

[6] Bitkom: Leitfaden – Machine Learning und die Transparenzanforderungen der DS-GVO. Berlin 2018. https://www.bitkom.org/sites/default/files/file/import/180926-Machine-Learning-und-DSGVO.pdf (letzter Zugriff am 14.09.2021)

[7] Luber, Stefan; Litzel, Nico: Definition – Was ist Machine Learning. Bigdata Insider 2016. https://www.bigdata-insider.de/was-ist-machine-learning-a-592092/ (letzter Zugriff am 14.09.2021)

[8] Wuttke, Laurenz: Machine Learning: Definition, Algorithmen, Methoden und Beispiele. Datasolut 2020. https://datasolut.com/was-ist-machine-learning/ (letzter Zugriff am 14.09.2021)

[9] Sander, Jennifer; Anneken, Mathias: Wissensbasierte und hybride KI. Fraunhofer IOSB 2021. https://www.iosb.fraunhofer.de/de/geschaeftsfelder/kuenstliche-intelligenz-autonome-systeme/anwendungsfelder/ki-assistenzsysteme/wissensbasierte-hybride-ki.html (letzter Zugriff am 14.09.2021)

[10] Lackes, Richard; Siepermann Markus: Expertensystem. Gabler Wirtschaftslexikon 2018. https://wirtschaftslexikon.gabler.de/definition/expertensystem-35743/version-259218 (letzter Zugriff am 14.09.2021)

[11] VDMA Bayern: Leitfaden Künstliche Intelligenz – Potenziale und Umsetzungen im Mittelstand. München 2020. https://bayern.vdma.org/documents/106096/53103997/VDMA%2520Bayern_Leitfaden_KI_2020_1601889305004.pdf/a2460803-9ff9-9c00-15cf-aec87493705f (letzter Zugriff am 14.09.2021)




Das könnte Sie auch interessieren

Anbieterportal


alle Anbieter
Sharer Icon: facebookSharer Icon: TwitterSharer Icon: LindekInSharer Icon: XingSharer Icon: EnvelopeSharer Icon: Print

Wir verwenden Cookies, um die Nutzererfahrung stetig zu verbessern. Mehr Erfahren.

We use cookies to constantly improve our users’ experience. Learn more.

Essentielle Cookies

Essential Cookies

Cookie Settings
Speichert Einstellungen, die hier getroffen werden. (1 Jahr)

Cookie Settings
Saves selected settings. (1 Year)

Statistik

Statistics

Google Analytics | Google LLC | Datenschutz
Cookie von Google für Website-Analysen. Erzeugt statistische Daten darüber, wie der Besucher die Website nutzt. Alle Informationen werden anonymisiert gespeichert. (2 Jahre)

Google Analytics | Google LLC | Privacy Notice
Cookie used by Google for web site analysis. Collects statistical data on how visitors use the website. This data does not contain personal information. (2 years)