Ausgangspunkt dieser Podcast-Folge ist eine Hörerfrage, die sich aktuell viele stellen: Wenn KI zunehmend Software „frisst“, was bedeutet das für große ERP-Systeme? Werden Unternehmen ihre Systeme irgendwann selbst bauen, mit KI, einer Datenbank im Hintergrund und ein paar Schnittstellen drumherum?
Meine kurze Antwort darauf: Ich halte das für sehr unwahrscheinlich.
Nicht, weil KI nicht leistungsfähig wäre, sondern weil ERP-Systeme mehr sind als reine Software. Sie bündeln jahrzehntelanges Prozesswissen, regulatorische Anforderungen, Buchhaltung, Planung, Warenwirtschaft und vieles mehr. Unternehmen kaufen mit einem ERP-System nicht nur Code, sondern auch Erfahrung und den Zugang zu einem breiten Ökosystem aus Beratern, Standards und Weiterentwicklungen.
Der Eigenbau solcher Systeme ist kein neues Phänomen. Den gab es schon vor KI. Und fast immer endete er früher oder später in einem Migrationsprojekt zurück zu einer Standardsoftware. Nicht aus Bequemlichkeit, sondern aus ökonomischer und organisatorischer Vernunft.
Spannend wird es aus meiner Sicht an einer anderen Stelle: beim Thema Plattformen und Erweiterbarkeit. Gerade im Microsoft-Ökosystem (aber nicht nur dort) sieht man seit Jahren eine klare Bewegung weg von tiefen Code-Anpassungen hin zu modularen Erweiterungen. Statt das Kernsystem zu verbiegen, werden Add-ins, Apps und Workflows aufgebaut, die auf bestehenden Datenstrukturen aufsetzen. KI kann diesen Prozess beschleunigen, aber sie ersetzt nicht die grundlegende Architekturidee.
Und damit kommen wir zur eigentlichen BI-Frage dieser Folge.
Denn unabhängig davon, ob Daten in einem ERP, einem CRM oder einer selbstgebauten Applikation entstehen, bleibt ein zentrales Problem bestehen: Transaktionale Daten sind nicht automatisch Analyse-Daten. Die Strukturen, die für operative Prozesse optimiert sind, passen selten zu dem, was wir für Auswertungen, Steuerung oder KI benötigen.
Deshalb war es historisch fast immer notwendig, eine zusätzliche Schicht einzuziehen, ein Data Warehouse, eine zentrale Datenplattform, eine analytische Modellierung. Auch Konzepte wie Near-Real-Time oder DirectQuery ändern daran wenig. Sie verschieben Latenzen, aber nicht die grundsätzliche Modellfrage.
Ich glaube deshalb, dass die entscheidende Entwicklung nicht darin liegt, ERP-Systeme durch KI zu ersetzen, sondern Daten systemunabhängig bereitzustellen. In standardisierten, gut lesbaren Formaten. Idealerweise so, dass sie auf einer zentralen Plattform weiterverarbeitet werden können, unabhängig davon, ob diese in Azure, AWS oder einer anderen Cloud liegt.
Die Frage lautet also nicht mehr: Welches System nutzen wir?
Sondern: Wie kommen unsere Daten aus den Systemen heraus? strukturiert, verständlich und analysierbar?
🎧 Die komplette Folge findest du im thinkBI Podcast.
Wenn du andere Gedanken hast, widersprichst oder einen eigenen Impuls setzen möchtest: Melde dich gern. Dieser Podcast lebt nicht von Antworten, sondern von besseren Fragen.
thinkBI Essentials
Kernaussagen
- ERP-Systeme sind nicht nur Software, sondern verdichtetes Prozesswissen, das sich nicht beliebig durch KI-generierten Eigenbau ersetzen lässt.
- Die strategische Frage verschiebt sich von der Systemwahl zur Fähigkeit, Daten aus operativen Systemen sauber herauszulösen und analytisch nutzbar zu machen.
- Transaktionale Datenstrukturen sind nur selten direkt für Analyse, Steuerung oder KI geeignet.
- Zukunftsfähige BI entsteht dort, wo Daten systemunabhängig, standardisiert und auf einer zentralen Plattform weiterverarbeitet werden können.
Begriffe aus diesem Beitrag
ERP-System
Ein ERP-System organisiert zentrale operative Prozesse eines Unternehmens, etwa Buchhaltung, Warenwirtschaft oder Planung. Im BI-Kontext ist entscheidend, dass diese Systeme vor allem für Transaktionen gebaut sind und nicht automatisch für Analysefragen.
Transaktionale Daten
Transaktionale Daten entstehen im laufenden Betrieb, wenn Geschäftsvorfälle erfasst und verarbeitet werden. Sie sind für operative Abläufe optimiert, müssen für Business Intelligence aber oft erst strukturell aufbereitet werden.
Datenplattform
Eine Datenplattform ist die technische und konzeptionelle Schicht, auf der Daten aus verschiedenen Systemen zusammengeführt, modelliert und für Analyse oder KI bereitgestellt werden. Ihr Wert liegt in der Systemunabhängigkeit und in der Fähigkeit, aus isolierten Datenquellen ein nutzbares Informationssystem zu machen.
Analytische Modellierung
Analytische Modellierung beschreibt die Übersetzung operativer Daten in Strukturen, die für Auswertung, Vergleich und Steuerung geeignet sind. Sie ist notwendig, weil operative Tabellenlogiken und analytische Fragelogiken selten deckungsgleich sind.
Weiterdenken
- Welche Datenabhängigkeiten binden unsere Analyse heute unnötig stark an einzelne Kernsysteme?
- Wo verwechseln wir schnellere Datenverfügbarkeit mit bereits gelöster Modellierungsarbeit?
- Verwandtes Thema: Data Warehouse und Plattformlogik in modernen BI-Architekturen
- Verwandtes Thema: Systemunabhängige Datenbereitstellung für Analyse und KI
Musik: Great Podcast Intro (short & long) von Lundstroem
Quelle: freemusicarchive.org (Creative Commons) – https://freemusicarchive.org/music/lundstroem/songs-for-leona/great-podcast-intro-both-short-and-long-version-included/
