Integrating Artificial Intelligence into SAP ERP: Opportunities, Challenges, and Implementation Paths

In der weiten, summenden Infrastruktur moderner Geschäftswelt existiert ein digitales Nervensystem, das als Enterprise Resource Planning-System, oder ERP, bekannt ist. Stellen Sie es sich als das zentrale Hauptbuch vor, in dem ein Unternehmen jede Transaktion aufzeichnet, vom Eintreffen der Rohstoffe an der Fabriktür bis hin zur endgültigen Rechnung, die an einen Kunden gesendet wird. Jahrzehntelang waren diese Systeme das zuverlässige, unglamouröse Rückgrat von Organisationen und stellten sicher, dass Finanzen, Lieferketten und Personalwesen alle dieselbe Sprache sprechen. Vor kurzem ist eine neue Kraft in diese Landschaft eingetreten: Künstliche Intelligenz. Im Gegensatz zur starren, regelbasierten Logik traditioneller Software kann KI aus Mustern lernen, zukünftige Ereignisse vorhersagen und sogar eigenständig Vorschläge machen. Die Frage, vor der die weltweit größte Unternehmenssoftware-Provider, SAP, und die tausenden Unternehmen, die auf sie angewiesen sind, stehen, lautet: Wie lässt sich diese adaptive, lernende Intelligenz in ein System einweben, das auf absolute Stabilität und Vorhersehbarkeit ausgelegt ist? Wenn die KI zu wild ist, könnte sie das System beschädigen; wenn sie zu vorsichtig ist, bietet sie vielleicht nichts Neues.

Eine aktuelle Studie des Forschers Jim Dorsey untersucht genau diese Spannung und prüft, wie Unternehmen KI in ihre SAP-Systeme integrieren können, ohne Chaos zu verursachen. Die Forschung konzentriert sich nicht auf die komplexe Mathematik hinter den Algorithmen, sondern vielmehr auf die praktische Realität, wie diese zwei sehr unterschiedlichen Technologien koexistieren. Das Papier legt nahe, dass der Weg nach vorn nicht darin besteht, das anspruchsvollste KI-Modell zu finden, sondern ein nachhaltiges Gleichgewicht zwischen dem Bedürfnis nach einem stabilen, unveränderlichen Kernsystem und dem Bedürfnis der KI zu finden, sich anzupassen und zu lernen. Die Ergebnisse deuten darauf hin, dass der Erfolg weniger von technologischer Brillanz abhängt als vielmehr von organisatorischer Disziplin, insbesondere im Hinblick darauf, wie Daten verwaltet und wie Änderungen am System gehandhabt werden.

Die Landschaft dieser Integration wird durch ein Konzept definiert, das als „Clean Core“ bekannt ist. In der Welt von SAP schreibt dieses Prinzip vor, dass die zentrale Software so nah wie möglich an ihrer ursprünglichen, Standardform bleiben sollte. Unternehmen werden dazu ermutigt, keine tiefgreifenden, dauerhaften Änderungen am Kerncode vorzunehmen, ganz so, wie ein Hausbesitzer vermeiden möchte, tragende Wände einzureißen, um einen neuen Raum hinzuzufügen. Stattdessen sollten sie Erweiterungen außen anbauen. Dieser Ansatz stellt sicher, dass das System nicht zusammenbricht, wenn der Softwareanbieter ein Update veröffentlicht. Die KI verlangt jedoch oft das Gegenteil. Um wirklich nützlich zu sein, muss eine KI spezifische, einzigartige Details über die Abläufe eines Unternehmens sehen – seine eigenen Kundengewohnheiten, seine spezifischen Besonderheiten in der Lieferkette und seine proprietären Daten. Dies erzeugt einen strukturellen Konflikt: Die KI möchte tief eintauchen und anpassen, während das System verlangt, dass sie an der Oberfläche bleibt und standardisiert bleibt.

Die Studie identifiziert, dass dieser Konflikt nicht nur eine technische Hürde, sondern eine grundlegende organisatorische Herausforderung ist. Wenn Unternehmen versuchen, KI in ein System zu zwingen, das nicht bereit ist, riskieren sie die Schaffung dessen, was das Papier als „Ghost Technology“ (Geistertechnologie) bezeichnet. Dies sind Systeme, die technisch zwar laufen und Ergebnisse liefern, aber weil ihnen der spezifische Kontext des Geschäfts fehlt, werden die Ergebnisse von den Menschen, die sie benötigen, ignoriert. Beispielsweise könnte ein Werk zur Nachfrageprognose Verkäufe basierend auf allgemeinen Branchentrends vorhersagen, aber wenn es die einzigartigen Marketingkampagnen eines Unternehmens oder einen spezifischen Lieferantenvertrag nicht sehen kann, wird sein Rat nutzlos sein. Die Forschung hebt hervor, dass die Lücke zwischen der vom Anbieter bereitgestellten generischen KI und der spezifischen Realität des Geschäfts der Hauptgrund dafür ist, dass viele Implementierungen keinen Wert liefern.

Um dies zu bewältigen, schlägt das Papier eine „Dual-Track“-Strategie vor, die anerkennt, dass die meisten Unternehmen derzeit in zwei Welten gleichzeitig leben. Viele Organisationen betreiben noch ihre älteren Systeme, bekannt als ECC, deren Auslaufdatum für 2027 geplant ist, während sie gleichzeitig den Übergang zu den neueren, Cloud-basierten S/4HANA-Systemen vorbereiten. Die Studie schlägt vor, dass Unternehmen nicht warten sollten, bis die vollständige Migration beginnt, um KI zu nutzen. Stattdessen können sie zwei parallele Wege gehen. Auf den älteren Systemen können sie eine „Sidecar“-KI verwenden, die außerhalb des Hauptsystems sitzt und über sichere, Standardkanäle mit ihm kommuniziert. Dies ermöglicht es dem Unternehmen, mit KI zu experimentieren, ohne die Stabilität des Kerns zu gefährden. Auf den neueren Cloud-Systemen können sie schrittweise KI-Funktionen aktivieren, die direkt in die Software eingebaut sind, und dabei die moderne Architektur nutzen, die diese Fähigkeiten unterstützt.

Ein entscheidender Befund der Forschung ist, dass die Bereitschaft der Daten der wahre Gatekeeper ist. Ganz gleich, wie fortschrittlich die KI ist, sie kann nicht funktionieren, wenn die Informationen, mit denen sie gespeist wird, ungeordnet, unvollständig oder inkonsistent sind. Das Papier betont, dass viele Organisationen die Arbeit unterschätzen, die erforderlich ist, um ihre Daten zu bereinigen und zu organisieren, bevor sie KI einführen. Wenn die Daten schlecht sind, produziert die KI schlechte Ergebnisse – eine Dynamik, die oft mit „Garbage In, Garbage Out“ (Müll rein, Müll raus) zusammengefasst wird. Die Studie argumentt, dass die Investition in Datenqualität nicht nur ein technischer Schritt, sondern eine Voraussetzung für jeden KI-Erfolg ist. Ohne dieses Fundament wird selbst die am besten konzipierte KI-Strategie Schwierigkeiten haben, Fuß zu fassen.

Die Forschung skizziert auch eine Schritt-für-Schritt-Roadmap, der Unternehmen folgen können, die von einfachen, risikoarmen Anwendungen zu komplexeren, autonomen Systemen führt. Die erste Phase umfasst die Vorbereitung der Daten und die Identifizierung kleiner, klar definierter Probleme, bei denen die KI sofortige Hilfe bieten kann, wie etwa die Automatisierung des routinemäßigen Rechnungsabgleichs oder die Zusammenfassung langer Dokumente. Die zweite Phase beinhaltet den Wechsel in die Cloud und die Aktivierung fortgeschrittener Funktionen, während die dritte Phase auf eine Zukunft blickt, in der KI-Agenten ganze Arbeitsabläufe mit minimalem menschlichem Eingreifen verwalten können. Während dieser gesamten Reise betont das Papier die Bedeutung der Governance. Das bedeutet, klare Regeln darüber zu haben, wer für die KI verantwortlich ist, wie deren Entscheidungen überwacht werden und wie ethische Bedenken wie Bias (Voreingenommenheit) und Datenschutz adressiert werden. Die Studie legt nahe, dass Unternehmen ohne diese Leitplanken die Macht ihrer KI-Systeme nicht sicher ausweiten können.

Letztlich kommt das Papier zu dem Schluss, dass die Integration von KI in SAP ERP kein Wettlauf um die Einführung der neuesten Technologie ist, sondern ein disziplinierter Prozess der Abstimmung. Die anspruchsvollsten KI-Modelle werden scheitern, wenn sie auf schlechten Daten eingesetzt werden oder wenn sie die Stabilität des Kerns stören. Umgekehrt können relativ einfache KI-Werkzeuge einen erheblichen Wert liefern, wenn sie auf der Grundlage sauberer Daten und einer klaren Organisationsstrategie aufgebaut sind. Die Forschung legt nahe, dass die Unternehmen erfolgreich sein werden, die KI nicht als einmaliges Projekt behandeln, sondern als eine kontinuierliche Fähigkeit, die sich gemeinsam mit dem Unternehmen entwickelt und dabei stets das Bedürfnis nach einem stabilen, zuverlässigen Kern respektiert, während sie gleichzeitig die Grenzen dessen, was das System leisten kann, schrittweise erweitert.