Die Frage kommt in fast jedem Gespräch mit B2B-Distributoren auf: „Wir denken über KI nach, aber unser ERP ist ein Chaos. Sollten wir zuerst das ERP in Ordnung bringen?”
Der Instinkt, das Fundament zu reparieren, bevor man darauf aufbaut, ist nachvollziehbar. Aber „zuerst das ERP reparieren” ist ein teurer Weg, um eine Entscheidung hinauszuzögern, die einen messbaren ROI erzeugen könnte, während das ERP-Projekt läuft. Die Antwort auf die Frage der Reihenfolge hängt von etwas Konkreterem ab: Welches System verursacht gerade jetzt den sichtbarsten, messbarsten betrieblichen Schmerz?
Wie ERP-Probleme tatsächlich aussehen
ERP-Probleme im B2B-Vertrieb des Mittelstands fallen in der Regel in drei Kategorien:
Datenqualitätsprobleme. Inkonsistente SKU-Benennung, doppelte Kundendatensätze, falsche Bestandszahlen, fehlende Preisstaffeln. Diese Probleme betreffen jedes System, das Daten aus dem ERP liest — einschließlich KI-Tools, die auf Produktkatalog- oder Bestandsdaten angewiesen sind.
Prozesslücken. Das ERP ist für einen Arbeitsablauf eingerichtet, aber das Unternehmen arbeitet anders. Manuelle Behelfslösungen — Tabellenkalkulationen neben dem ERP, E-Mail-basierte Freigabeketten, die eigentlich Systemabläufe sein sollten — sind Symptome von Prozesslücken.
Skalierungsgrenzen. Das ERP bewältigt das aktuelle Volumen, wird aber bei Spitzen spürbar langsamer, erzeugt Berichte, deren Erstellung Stunden dauert, oder erfordert einen Spezialisten zur Wartung, weil es auf veralteter Infrastruktur aufbaut.
Jede Kategorie hat eine andere Beziehung zur KI:
- Datenqualität begrenzt die Wirksamkeit von KI für bestimmte Anwendungsfälle direkt (KI zur Auftragserfassung braucht saubere SKU-Daten; KI im Support braucht genaue Bestandsdaten)
- Prozesslücken betreffen KI nicht direkt — KI kann Prozesslücken manchmal besser umgehen, als ein eingeschränktes ERP es kann
- Skalierungsgrenzen blockieren einen KI-Einsatz selten, bis man zu deutlich höheren Volumina kommt
Wie KI-Probleme tatsächlich aussehen
Auch Probleme beim KI-Einsatz lassen sich in Kategorien gruppieren:
Anwendungsfall passt nicht. Das KI-Tool wurde für einen Anwendungsfall eingesetzt, der nicht zum schmerzhaftesten betrieblichen Problem passt. Ein Chatbot, der für die Lead-Erfassung im Marketing eingesetzt wird, wenn der größte Schmerz das Support-Volumen ist, bewegt nichts.
Fehlende Integrationen. KI-Tools, die ohne Zugriff auf Live-Daten arbeiten, liefern generische Antworten. Der Integrationsschritt ist die Stelle, an der die meisten KI-Einsätze scheitern — nicht die KI selbst.
Keine Mess-Basislinie. Die KI wurde eingesetzt, ohne festzulegen, wie das „Vorher” aussah. Ohne Basislinie lässt sich nicht nachweisen, dass sie funktioniert, was dazu führt, dass das Tool aufgegeben wird, bevor es sein Potenzial bei der Lösungsquote erreicht.
Der Entscheidungsrahmen
Statt dies als „ERP vs. KI” zu behandeln, lautet die bessere Frage: Was ist gerade Ihr teuerstes betriebliches Problem, und welche Lösung schließt es schneller?
Wenn die Antwort das Support-Volumen ist: Zuerst die KI-Support-Schicht. Das erfordert für den Start keine ERP-Integration — Sie können mit reinem Wissensdatenbank-Training auf 20–30 % Lösungsquote kommen und dann die ERP-Integration für Auftragsstatus-Anfragen hinzufügen, um in Richtung 65 % zu gehen. Der ERP-Zustand blockiert Sie nicht; er begrenzt nur die Obergrenze, bis die Integration hinzugefügt ist.
Wenn die Antwort die Auftragsgenauigkeit ist: Zuerst die ERP-Datenqualität. Eine KI-Automatisierung der Auftragserfassung, die eingehende Bestellungen liest und gegen Ihr ERP einbucht, erzeugt hohe Ausnahmequoten, wenn die SKU-Zuordnung in Ihrem ERP inkonsistent ist. Hier ist die Behebung der ERP-Datenqualitätsschicht (konkret die SKU-Normalisierung) tatsächlich eine Voraussetzung für den KI-Anwendungsfall.
Wenn die Antwort Reporting oder Transparenz ist: KI-Analysetools brauchen kein perfektes ERP — sie arbeiten mit unvollkommenen Daten und können aus dem, was vorhanden ist, Erkenntnisse zutage fördern. Tools wie Tableau, Power BI oder KI-gestützte Reporting-Schichten können eine Transparenz schaffen, die das native Reporting des ERP selbst bei unsauberen Daten nicht bietet.
Wenn die Antwort lautet „Wir wissen nicht, welches Problem das größte ist”: Verfolgen Sie zwei Wochen lang die Zeit, die Ihr Team durch manuelle Arbeit verliert. Nicht raten — tatsächlich protokollieren. Das Ergebnis offenbart fast immer einen oder zwei Prozesse, die 40–60 % des manuellen Mehraufwands verschlingen. Dort sollte man anfangen, unabhängig davon, ob die Lösung ERP oder KI heißt.
Die Realität der Reihenfolge
In der Praxis müssen sich die meisten mittelständischen Distributoren nicht entscheiden. Die KI-Anwendungsfälle mit dem schnellsten und klarsten ROI — Support-Automatisierung, Rechnungsverarbeitung, einfache Auftragserfassung — lassen sich auf ein unvollkommenes ERP aufsetzen, während ERP-Verbesserungen parallel laufen.
Die Fälle, in denen das ERP zuerst kommen muss, sind spezifisch:
- SKU-Daten so inkonsistent, dass jede KI-Auftragserfassung Ausnahmequoten von über 20 % erzeugt
- Kundendaten so dublettenlastig, dass die KI Anfragen nicht korrekt dem richtigen Konto zuordnen kann
- Bestandsdaten so ungenau, dass KI-gesteuerte Empfehlungen zu Erfüllungsfehlern führen
Außerhalb dieser konkreten Bedingungen spiegelt der Instinkt „zuerst das ERP reparieren” oft eine Vorliebe für ein großes, vertrautes Projekt gegenüber einem kleineren, ungewohnten wider — und keine echte betriebliche Notwendigkeit.
Die KI-Support-Schicht für 200 €/Monat kann in 4 Wochen live gehen. Eine ERP-Migration dauert 6–18 Monate und kostet das 50- bis 200-Fache. Wenn die Support-Schicht einen messbaren ROI erzeugt, während das ERP-Projekt läuft, ist das kein Fehler in der Reihenfolge. Das ist eine kluge Ressourcenzuteilung.
AHoosh hilft B2B-Distributoren zu erkennen, welches betriebliche Problem es wert ist, zuerst gelöst zu werden — und den passenden Umsetzungsplan dafür zu erstellen. ahoosh.ai/contact