Was ist Predictive AI? Im ERP-System
Predictive AI analysiert im ERP die Muster in den operativen Daten eines Unternehmens – zum Beispiel Bestandsbewegungen, Maschinenleistung und Verkaufshistorie. Daraus leitet sie ab, was voraussichtlich als Nächstes passiert, anstatt nur zu zeigen, was bereits geschehen ist. Ein Margenproblem wird dadurch nicht erst drei Wochen später im Bericht sichtbar, sondern zu einem Zeitpunkt, an dem noch gehandelt werden kann.
Probleme erkennen, bevor sie die Produktion beeinträchtigen
Jedes ERP erstellt Berichte zu Umsätzen nach Produktlinie, Beständen und Margen. Diese Berichte zeigen jedoch nur, was bereits passiert ist. Wenn ein Margenproblem beim Monatsabschluss sichtbar wird, liegen die sechs Wochen, in denen es entstanden ist, längst zurück.
Predictive AI setzt früher an. Sie wartet nicht bis zum Ende des Berichtszeitraums, sondern erkennt Muster, die sich zu möglichen Problemen entwickeln. So werden sie sichtbar, solange noch gegengesteuert werden kann.
Dieser Leitfaden erklärt, was Predictive AI im ERP leistet, wie sie sich von der Berichterstattung unterscheidet, die die meisten Industrieunternehmen bereits nutzen, und wo sie heute schon konkreten Mehrwert in Produktionsabläufen schafft.
Was unterscheidet Predictive AI von einem herkömmlichen ERP-Bericht?
Ein Bericht beschreibt die Vergangenheit. Unabhängig davon, wie gut er aufgebaut ist oder wie viele Filter er bietet, bildet er Ereignisse ab, die bereits eingetreten sind. Predictive AI blickt nach vorn: Sie analysiert dieselben Daten, um zu ermitteln, was voraussichtlich passieren wird.
Dieselben Daten, frühere Warnung
Nehmen wir ein Margenproblem als Beispiel. Bei der Prüfung der Monatszahlen stellt das Finanzteam möglicherweise fest, dass eine Produktlinie seit sechs Wochen Verluste verursacht.
Predictive AI analysiert dieselben zugrunde liegenden Daten fortlaufend und erkennt den Trend bereits nach zwei Wochen – zu einem Zeitpunkt, an dem Preise noch angepasst oder Kostensteigerungen eines Lieferanten hinterfragt werden können. Problem und Daten bleiben gleich. Der Unterschied liegt darin, wann die Entwicklung sichtbar wird.
Nutzt bereits vorhandene Daten
Predictive AI benötigt kein individuell entwickeltes Modell, das von Grund auf neu trainiert wird. Ihre Ergebnisse basieren auch nicht auf allgemeinen Branchenbenchmarks, die möglicherweise wenig mit dem eigenen Unternehmen zu tun haben.
Stattdessen nutzt sie Bestandshistorien, Verbrauchsmuster, Fehlmengen, Maschinenlaufzeiten, Verkaufstrends und weitere operative Daten, die das ERP bereits erfasst.
Die Qualität der Prognosen hängt unmittelbar von der Qualität dieser Daten ab. Genau deshalb funktioniert Predictive AI am besten innerhalb des Systems, in dem die Informationen bereits vorhanden sind, anstatt als externe Lösung ergänzt zu werden.
Wo wird Predictive AI bereits im ERP eingesetzt?
Predictive Maintenance
Eine Maschine, deren Vibrationen, Laufzeiten und Nutzungsmuster über einen längeren Zeitraum erfasst werden, zeigt häufig Verschleißerscheinungen, bevor sie ausfällt. Predictive AI kann erkennen, dass ein Bauteil voraussichtlich innerhalb eines bestimmten Zeitraums gewartet werden muss.
Die Wartung lässt sich dadurch einplanen, anstatt den Bedarf erst während einer Schicht zu entdecken, wenn die Linie bereits stillsteht. Das schafft eine deutlich bessere Ausgangslage als eine Reparatur nach dem Ausfall – sowohl hinsichtlich der Kosten als auch der Auswirkungen auf nachgelagerte Prozesse.
Bedarfsprognosen
Planungsverantwortliche sollten nicht 150 BI-Berichte durchgehen müssen, um Veränderungen in der Nachfrage zu erkennen. Predictive AI hebt die wenigen Muster hervor, die tatsächlich relevant sind: bei welchen Produkten die Nachfrage voraussichtlich stark steigt und wo der Bestand voraussichtlich nicht ausreichen wird.
Die entscheidenden Signale werden sichtbar, ohne dass jemand vorher gezielt danach suchen muss.
Analyse von Mindest- und Höchstbeständen
Die Festlegung geeigneter Mindest- und Höchstbestände für ein Produkt beruht meist auf dem Erfahrungswissen einer Person, die das Verhalten des Artikels über Jahre beobachtet hat.
Predictive AI kann diese Analyse direkt durchführen. Dazu wertet sie Bestandshistorie, Häufigkeit von Fehlmengen und durchschnittlichen Verbrauch aus und empfiehlt passende Bestandsgrenzen.
Wenn ein Produkt beispielsweise im vergangenen Jahr während saisonaler Spitzen zweimal nicht verfügbar war, zeigt das System diese Information zusammen mit dem empfohlenen Wert an – nicht nur die Zahl allein. Die zuständige Person entscheidet weiterhin, ob die Änderung freigegeben wird. Die zugrunde liegende Analyse liegt jedoch bereits vor.
Margen im laufenden Zeitraum verfolgen, nicht erst danach
Ein Lieferant erhöht zur Monatsmitte den Preis eines Bauteils. Oder das Vertriebsteam verwendet weiterhin einen alten Preis in einem Angebot, das nie aktualisiert wurde.
In beiden Fällen sinkt die Marge sofort, doch die Veränderung bleibt häufig unbemerkt, bis Wochen später ein Bericht erstellt wird. Predictive AI verfolgt die Marge fortlaufend und erkennt die Abweichung, solange Bestände noch neu bepreist oder offene Aufträge neu verhandelt werden können.
Wie hängen Predictive AI und Agentic AI zusammen?
Die beiden Begriffe werden häufig zusammengefasst, erfüllen jedoch unterschiedliche Aufgaben. Predictive AI erkennt, dass sich eine Entwicklung abzeichnet – etwa eine drohende Bestandslücke, eine sinkende Marge oder Anzeichen für einen bevorstehenden Maschinenausfall. Agentic AI kann anschließend auf die erkannte Situation reagieren.
In der Praxis arbeiten beide meist nacheinander. Erkennt Predictive AI beispielsweise, dass in drei Wochen eine Bestandslücke entstehen wird, kann ein KI-Agent eine Nachbestellung vorbereiten oder betroffene Kundenaufträge zur Prüfung markieren. Der Zusammenhang muss dann nicht mehr manuell erkannt und bearbeitet werden.
So erkennen Sie echte Predictive AI statt eines Dashboards mit neuem Etikett
Vieles, was als „predictive“ vermarktet wird, ist letztlich nur eine Trendlinie in neuer Aufmachung. Bevor Sie diese Bezeichnung unkritisch akzeptieren, sollten Sie daher einige Punkte mit dem Anbieter klären.
Prüfen Sie zunächst, ob die Lösung ein konkretes Ereignis benennt oder lediglich einen Trend darstellt. Ein Diagramm, das einen sechsmonatigen Bestandsrückgang zeigt, ist nützlich, aber keine Prognose.
Predictive AI sollte ein konkretes, zeitlich bestimmtes Risiko aufzeigen – zum Beispiel: „Bei aktuellem Verbrauch ist dieses Produkt in 11 Tagen vergriffen“ – statt lediglich festzustellen, dass „der Bestand sinkt“.
Die Lösung sollte außerdem erklären, wie sie zu ihrem Ergebnis gekommen ist. Einer Zahl ohne Begründung lässt sich nur schwer vertrauen, und sie bietet kaum eine belastbare Grundlage für Entscheidungen. Ein gutes Predictive-AI-Werkzeug zeigt, welche Daten analysiert wurden und warum daraus diese Schlussfolgerung entsteht – so wie auch eine Person eine Prognose begründen müsste.
Entscheidend ist außerdem, auf welchen Daten die Prognose basiert. Eine Vorhersage, die auf der eigenen Bestandshistorie, den eigenen Kunden und den eigenen Maschinen beruht, ist immer hilfreicher als eine Prognose auf Grundlage eines allgemeinen Branchenbenchmarks, der nur ungefähr zur betrieblichen Realität passt.
Und schließlich der einfachste Test: Würden Sie diese Information früher erhalten als heute? Wenn die ehrliche Antwort nein lautet, handelt es sich um herkömmliche Berichterstattung mit einer besseren Bezeichnung – nicht um Predictive AI.
Häufig gestellte Fragen
Ist Predictive AI dasselbe wie Business Intelligence?
Beide Ansätze hängen zusammen, sind aber nicht identisch. BI-Werkzeuge helfen in der Regel dabei, Daten zu untersuchen und Fragen zu beantworten, die bereits bekannt sind.
Predictive AI geht einen Schritt weiter: Sie macht Entwicklungen und Fragestellungen sichtbar, die eine nähere Prüfung verdienen, bevor jemand gezielt danach sucht.
Ersetzt Predictive AI die abschließende Entscheidung durch einen Menschen?
Nein. Sie macht ein Muster sichtbar und liefert in vielen Fällen eine Empfehlung. Die Entscheidung, ob gehandelt wird – etwa durch die Freigabe eines Bestandswerts oder eine Preisänderung – bleibt jedoch bei einem Menschen.
Wie viele historische ERP-Daten benötigt Predictive AI, um zuverlässig zu funktionieren?
Das hängt vom Anwendungsfall ab. Grundsätzlich werden Prognosen genauer, je mehr konsistente operative Verlaufsdaten zur Verfügung stehen – beispielsweise Bestandsbewegungen, Verkaufsdaten oder Maschinendaten.
Ein Unternehmen, das erst vor Kurzem auf ein vernetztes System umgestiegen ist, wird feststellen, dass die Genauigkeit in den folgenden Monaten mit wachsender Datenbasis zunimmt.
Kann Predictive AI falschliegen?
Ja. Predictive AI arbeitet mit Mustern, nicht mit Gewissheiten. Ein ungewöhnliches Ereignis, etwa ein einmaliger Großauftrag oder ein bisher nicht aufgetretenes Lieferantenproblem, kann eine Prognose verfälschen.
Auch deshalb bleibt die abschließende Entscheidung bei einem Menschen, statt vollständig dem System überlassen zu werden.
Was ist ein LMM (Large Multimodal Model)?
