Anbieter von ERP-, CRM- und Data-Warehouse-Software liefern KI-Funktionen inzwischen direkt in ihren Anwendungen aus. Für Aufgaben innerhalb eines Systems ist das ein Fortschritt: Ein Assistent im CRM fasst etwa eine Kundenhistorie zusammen, eine Prognosefunktion im ERP schlägt Bestellmengen vor. Schwieriger wird es, sobald ein Use Case Daten und Kontext aus mehreren Systemen braucht. Diese Arbeit nimmt keine einzelne Anwendung ab.
In der BARC Studie Lessons From the Leading Edge nennen 30 Prozent der Befragten Integrationsprobleme als Hindernis für ihre KI-Projekte. Für systemübergreifende Use Cases braucht es eine Datenplattform und eine klare fachliche Verantwortung für die Daten.
Wo KI in der Anwendung an ihre Grenze kommt
Ich beobachte im Markt, dass immer mehr Anbieter KI-Funktionen in ihre Anwendungen einbetten. Das senkt die Einstiegshürde, denn die Funktion arbeitet mit dem Datenmodell, den Berechtigungen und den Prozessen der jeweiligen Anwendung.
Die Grenze ist das System selbst. Eine Frage wie „Welche Kunden mit offenen Reklamationen stehen vor einer Vertragsverlängerung, und welchen Deckungsbeitrag erwirtschaften sie?“ braucht Daten aus Service, CRM und ERP. Keine dieser Anwendungen hat den vollständigen Kontext, auch wenn jede einzelne KI-Funktionen mitbringt.
Die Studienlage zeigt, dass Unternehmen KI überwiegend in ihre bestehende Landschaft einbauen. 62 Prozent ergänzen ihre vorhandene Architektur um KI-spezifische Technologie. 35 Prozent überarbeiten oder konsolidieren ihre Datenmanagement-Architektur grundlegend. In der Vorjahresbefragung, damals unter Unternehmen in der Planungsphase, waren es 44 Prozent.
Auch reife Unternehmen kämpfen mit Integration
AI Leaders nennen Integrationsprobleme genauso häufig wie die übrigen Unternehmen, jeweils 30 Prozent. Als AI Leaders gelten Unternehmen, die alle sieben BARC Voraussetzungen für KI-Reife formalisiert haben oder überarbeiten. Unternehmen mit drei oder mehr KI-Projekten in Produktion nennen sie mit 33 Prozent etwas häufiger als Unternehmen mit ein bis zwei Projekten (28 Prozent).
In der Studie Preparing and Delivering Data for AI geben 37 Prozent der AI Leaders inkompatible Tools oder Systeme als Herausforderung beim Datenmanagement für KI an. Bei den übrigen Unternehmen sind es 24 Prozent.
Einen ursächlichen Zusammenhang belegen die Studien nicht. Eine mögliche Erklärung: Mit jedem weiteren produktiven Use Case steigt die Wahrscheinlichkeit, dass Daten aus mehreren Systemen gebraucht werden. Integration wird damit zur Daueraufgabe des KI-Programms. Integration wird damit zur Daueraufgabe, die mit jedem weiteren Use Case wächst. Dazu passt ein weiterer Befund: Von den sieben Reifekriterien sind Anforderungen an die Unternehmensarchitektur am seltensten formalisiert, mit 22 Prozent.
Was eine Datenplattform für unternehmensweite KI leisten muss
Systemübergreifende Use Cases brauchen eine moderne Datenplattform und eine stimmige Datenarchitektur. Plattform und Architektur müssen dafür drei Anforderungen erfüllen:
- Zugänglich: Daten aus ERP, CRM, Data Warehouse und weiteren Quellen sind über definierte Schnittstellen erreichbar. Nicht jeder Use Case baut eigene Punkt-zu-Punkt-Verbindungen.
- Fachlich verständlich: Begriffe, Kennzahlen und Beziehungen sind einheitlich beschrieben. Ein Modell interpretiert „Kunde“ oder „Umsatz“ dann über alle Systeme hinweg gleich. Hier setzt eine semantische Schicht an.
- In geeigneter Qualität verfügbar: Die erforderliche Qualität wird für den jeweiligen Prozess festgelegt und geprüft, mit klaren Schwellenwerten für den produktiven Einsatz. Welche Fundamentschichten dafür nötig sind, beschreibt unser Beitrag Das Fundament vor dem nächsten Tool.
Wie groß die Lücke ist, zeigt die Studie Harnessing Unstructured Data for AI Innovation. 70 Prozent der mehr als 200 Befragten geben an, dass weniger als die Hälfte ihrer unstrukturierten Daten für Analytics oder KI auffindbar und nutzbar ist . Mehr als die Hälfte der Datenbanken mit unstrukturierten Daten läuft on-premises oder in hybriden Umgebungen. Damit Daten über Systeme hinweg gleich verstanden werden, braucht es eine gemeinsame Semantik: einheitliche Begriffe, Kennzahlen und Metadaten, unabhängig davon, wo die Daten liegen.
Die IT stellt den Zugang bereit, die Fachbereiche verantworten die Eignung
Eine Datenplattform deckt die technische Seite ab: Die IT sorgt für Zugang, Betrieb und Sicherheit. Ob die Daten fachlich stimmen und zum Prozess passen, kann sie allein nicht beurteilen. Diese Entscheidung treffen die Fachbereiche, die den Prozess verantworten.
Bei systemübergreifenden Use Cases verschärft sich diese Frage. Jedes Quellsystem hat eigene Verantwortliche, und der Use Case kombiniert ihre Daten zu einer neuen Aussage. Klären Sie deshalb vor dem Produktivgang:
- Wer verantwortet die fachliche Eignung jeder Datenquelle für diesen Use Case?
- Wer entscheidet, wenn Definitionen zwischen Systemen abweichen, etwa beim Kundenbegriff in CRM und ERP?
- Wer gibt die kombinierten Daten für den produktiven Einsatz frei?
Klären Sie diese Fragen einmal für das gesamte KI-Programm und legen Sie eine klare Regel fest: Ohne benannte fachliche Verantwortliche geht kein systemübergreifender Use Case in Produktion. Fehlen Verantwortung oder Kapazität im Fachbereich, wird das Vorhaben pausiert.
Was Sie als Nächstes tun sollten
- Ordnen Sie Ihre geplanten KI-Use-Cases danach, wie viele Systeme sie berühren.
- Prüfen Sie für Use Cases innerhalb einer Anwendung zuerst die eingebetteten KI-Funktionen Ihrer Anbieter.
- Definieren Sie für systemübergreifende Use Cases Anforderungen an Zugang, Semantik und Qualität, bevor Sie Tools auswählen.
- Benennen Sie pro Datenquelle fachlich Verantwortliche und legen Sie fest, wer kombinierte Daten freigibt.
- Nehmen Sie Architekturanforderungen fest in Ihr KI-Programm auf.
