News
Focus: Business-Software

KI im Schweizer ERP-Markt – automatisieren, assistieren, vorhersagen

Uhr
von Michael Gottwald, Softselect

2025 zählt nicht die Technologie, sondern ihre Wirkung: Entscheider erzielen mit KI im ERP echten Businessnutzen, wenn sie Datenqualität, Prozesse und Compliance gezielt orchestrieren – unabhängig davon, ob die KI nativ, als Plattformschicht oder über das Ökosystem eingebunden ist.

Michael Gottwald, Geschäftsführer, Softselect. (Source: zVg)
Michael Gottwald, Geschäftsführer, Softselect. (Source: zVg)

ERP und KI in der Schweiz: Praktischer Nutzen statt Forschungsexperimente

Schweizer ERP-Hersteller reagieren 2025 klar nutzwertorientiert auf Künstliche Intelligenz. Der Fokus liegt nicht auf Forschung, sondern auf messbarer Entlastung im Alltag: Dokumentenflüsse werden automatisiert, Mitarbeitende erhalten Assistenz für wiederkehrende Schritte, und Führungskräfte profitieren von verlässlicheren Vorhersagen. Die entscheidende Weichenstellung erfolgt auf Architekturebene. Anbieter verankern KI entweder nativ im ERP-Kern, heben sie als Data-Science-Schicht auf die Plattform, integrieren Mehrwert über Marketplace-Apps oder erweitern den BI-/Analytics-Layer in Richtung prädiktiver Szenarien. In allen Varianten setzen Schweizer Rahmenbedingungen – insbesondere das revidierte Datenschutzgesetz (revDSG), Datenresidenz und Sicherheitsanforderungen – die technischen und vertraglichen Leitplanken.

Für Entscheider gilt: Erfolg hängt weniger an einzelnen KI-Features als an der Orchestrierung von Daten, Prozessen und Compliance. Wer die Qualität von Kunden-, Artikel- oder Belegdaten stabilisiert, Prozesse klar modelliert und Zuständigkeiten für Betrieb und Monitoring festlegt, erzielt die höchste Wirkung – unabhängig vom technischen Ansatz.

Schweizer Datenschutz als Rahmen für ERP-KI

Das revDSG fordert Transparenz und Zweckbindung in KI-Prozessen. Konkret heißt das: Protokolle für Prompts und Outputs, nachvollziehbare Modellversionen, definierte Speicherfristen und ein dokumentierter Rechtsgrund je Anwendungsfall. Viele Anbieter adressieren diese Vorgaben mit Schweizer Hosting-Optionen oder logisch getrennten Datenräumen. Externe Modelle werden über Auftragsverarbeitungsverträge und Subprozessorlisten abgesichert. In Ausschreibungen rücken daher neben Funktionalität vor allem Nachweise zur Datenresidenz, Auditierbarkeit und zur technologischen Roadmap in den Fokus – etwa Upgrade-Frequenz oder Supportmodell.

Auf Kundenseite bewährt sich ein Privacy-by-Design-Ansatz: Noch vor dem Rollout werden Datenflüsse, Rollenrechte und ein Löschkonzept definiert. Auch die Betriebsführung (MLOps) wird früh geplant – was spätere Risiken bei Audits oder Modellupdates deutlich reduziert.

Typische KI-Use Cases & Reife

Die breiteste Reife zeigt die Beleg- und Rechnungserkennung: Sie reduziert manuelle Erfassungsfehler, verkürzt Durchlaufzeiten und erhöht die Erstverbuchungsquote. Erfolgsfaktoren sind saubere Vorlagen – z. B. Steuerschlüssel oder Lieferantenstammdaten – und ein Korrekturprozess, der falsch erkannte Felder effizient korrigierbar macht.

Chat- und Voice-Assistenten bringen dann Nutzen, wenn sie mehr als Suchmasken sind. Erst wenn Aktionen wie das Anlegen eines Vorgangs oder das Auslösen eines Berichts direkt im Dialog möglich sind, entsteht echte Produktivität. Berechtigungen müssen auch im konversationalen Zugriff abgebildet werden.

Empfehlungs- und Dispositionsfunktionen entfalten Wirkung, wenn historische Daten vorhanden sind und die Nutzer Vorschläge akzeptieren. Gute Lösungen liefern einfache Begründungen, etwa zur Nachfrage oder Lieferzeit, damit Entscheidungen nachvollziehbar bleiben.

Automatisierte Aufgabenplanung ist ein unterschätzter Hebel. Wiederkehrende, rechenintensive Jobs laufen nachts, Fehler werden automatisch neu angestoßen, Ergebnisse zentral protokolliert. Das schafft Kapazitäten – ohne Prozesse zu verändern.

Erfolg mit ERP-KI: Wirkung messbar machen

Der ökonomische Nutzen von ERP-KI zeigt sich entlang von vier Achsen: Automatisierung, Zeitersparnis, Entscheidungsqualität und Adoption. Statt grober Schätzungen empfiehlt sich ein Measure-as-you-go-Ansatz: Vor dem Rollout werden Baselines erhoben – etwa Minuten pro Beleg oder Forecast-MAE –, im Pilot erneut gemessen und später laufend überprüft. So werden Effekte objektiv messbar und priorisierbar.

Auch die Betriebssicht zählt: Wie stabil ist die Erkennung über Releases hinweg? Wie schnell werden Fehler korrigiert? Welche Prompts oder Vorlagen liefern bessere Resultate? Drift-Indikatoren, Zeit-bis-Korrektur und Nutzungsgrade pro Rolle geben die Antworten.

Was Projekte bremst – und wie man es verhindert

Die häufigsten Hindernisse sind operativer Natur: unklare Verantwortlichkeiten zwischen Fachbereich, IT und Anbieter, mangelhafte Datenpflege in Kernobjekten oder zu spät geregelte Governance – etwa bei Rollenrechten oder Löschfristen. Externe Apps beschleunigen zwar den Einstieg, erhöhen aber die Komplexität in Support und SLA-Steuerung.

Technisch wirken Modell-Drift, neue Layouts oder Lieferantenwechsel direkt auf die Erkennungsqualität. Wer ein schlankes MLOps-Vorgehen etabliert – mit Testdaten, Canary-Rollouts und Rückfallpfaden – behält Kontrolle und sichert die Qualität im Alltag.

Empfehlungen – fokussiert und anschlussfähig

Empfehlenswert ist ein fokussierter Einstieg mit zwei bis drei Prozessen mit hohem Volumen und klaren KPIs – etwa Belege, Spesen oder Service. Je Use Case sollten Zweck, Datenbasis und Messgrößen definiert sowie Rollen im Fachbereich und der IT benannt werden. Auch das Betriebsmodell – inklusive Monitoring, Eskalation und Retraining – sollte früh festgelegt werden.

Parallel wird die Datenpflege gehärtet: Pflichtfelder, Benennungsregeln und eine klare Dublettenstrategie zahlen direkt auf KI-Ergebnisse ein. Nach dem Pilotprojekt folgt die Skalierung: Assistenten werden breiter ausgerollt, Analytics-Teams erhalten konsolidierte Definitionskataloge, und das Procurement ergänzt Verträge um Vorgaben zu Logs, Speicherfristen und Subprozessoren. Diese klaren Rahmenbedingungen sind kein Selbstzweck – sie beschleunigen künftige Rollouts, weil Zuständigkeiten, Erfolgskriterien und Betriebsregeln bereits definiert sind.

Quellenkasten (Primärbelege)

Die folgenden Primärquellen belegen u. a. Inkrafttreten, Geltungsbereich und Grundprinzipien des revidierten Schweizer Datenschutzgesetzes (revDSG):

Zum Thema
Webcode
FHLDeokK
Back to top