Wenn Aufträge zwischen Shop, ERP, Lager und Buchhaltung mehrfach erfasst werden, ist das kein reines Personalproblem. Es ist ein Prozessproblem. KI-gestützte Prozessautomatisierung kann solche Brüche schließen - vorausgesetzt, sie wird nicht als einzelnes KI-Tool eingeführt, sondern als Teil einer funktionierenden Systemlandschaft geplant.
Für mittelständische Unternehmen liegt der Nutzen selten darin, möglichst viele Aufgaben automatisch auszuführen. Entscheidend ist, dass Informationen zur richtigen Zeit im richtigen System vorliegen, Entscheidungen nachvollziehbar bleiben und Mitarbeitende nicht mehr zwischen Excel-Listen, E-Mails und Insellösungen vermitteln müssen. Das spart Zeit. Vor allem schafft es verlässlichere Abläufe.
Was KI-gestützte Prozessautomatisierung tatsächlich leistet
Klassische Automatisierung folgt festen Regeln: Wenn eine Bestellung eingeht, wird ein Auftrag angelegt. Wenn eine Rechnung bezahlt ist, ändert sich der Status. Diese Logik bleibt wichtig und ist für viele wiederkehrende Abläufe vollkommen ausreichend.
Künstliche Intelligenz kommt dort ins Spiel, wo Informationen nicht sauber strukturiert sind oder eine Einordnung erfordern. Sie kann beispielsweise Daten aus eingehenden PDFs auslesen, E-Mails nach Anliegen sortieren, Supportanfragen priorisieren, Produktdaten ergänzen oder Abweichungen in Bestellprozessen erkennen. Die KI trifft dabei keine magische Entscheidung. Sie arbeitet mit Daten, Wahrscheinlichkeiten und den Vorgaben, die ein Unternehmen ihr mitgibt.
Der Unterschied ist praktisch: Ein regelbasierter Prozess verschiebt eine Bestellung vom Shopware-6-Shop in das ERP. Eine KI kann zusätzlich prüfen, ob eine ungewöhnlich hohe Menge bestellt wurde, ob eine Lieferadresse unvollständig ist oder ob der Freitext eines Kunden auf ein dringendes Problem hinweist. Anschließend startet die Automatisierung den passenden Folgeprozess oder legt den Fall einem Mitarbeitenden zur Prüfung vor.
Das Ziel lautet nicht: Menschen ersetzen. Das Ziel lautet: Routine reduzieren, Fehlerquellen verringern und Fachwissen dort einsetzen, wo es wirklich gebraucht wird.
Die richtigen Prozesse zuerst auswählen
Nicht jeder Prozess eignet sich sofort für KI. Besonders geeignet sind Abläufe mit hohem Volumen, klaren Wiederholungen und spürbarem manuellem Aufwand. Auch Prozesse mit vielen unstrukturierten Eingaben können sinnvoll sein, wenn die Datenqualität ausreichend ist und eine menschliche Kontrolle möglich bleibt.
Ein typisches Beispiel ist die Auftragsbearbeitung im B2B-Handel. Bestellungen kommen über den Onlineshop, per E-Mail oder als PDF-Anhang herein. Artikelnummern sind uneinheitlich geschrieben, Liefertermine stehen im Freitext, und Sonderwünsche landen in verschiedenen Postfächern. Eine KI kann diese Inhalte auswerten, Angaben mit Stammdaten abgleichen und einen Vorschlag für die Auftragserfassung erstellen. Freigeben muss ihn bei kritischen Fällen weiterhin ein Mensch.
Weniger geeignet sind Prozesse, die selbst intern niemand eindeutig beschreiben kann. Wenn fünf Mitarbeitende dieselbe Anfrage auf fünf verschiedene Arten bearbeiten, sollte zuerst der Prozess geklärt werden. KI beschleunigt sonst lediglich die Unordnung.
Vor einer Umsetzung helfen drei nüchterne Fragen: Wo entstehen regelmäßig Wartezeiten? Wo wird dieselbe Information mehrfach gepflegt? Und bei welchen Schritten passieren vermeidbare Fehler? Die Antworten führen meist schneller zu sinnvollen Ansatzpunkten als eine lange Liste möglicher KI-Funktionen.
Ein System statt neuer Insellösungen
Der häufigste Fehler liegt nicht im KI-Modell, sondern in der Architektur. Ein separates Tool kann einen einzelnen Arbeitsschritt verbessern und zugleich neue Doppelpflege erzeugen. Mitarbeitende kopieren dann Daten aus dem ERP in eine KI-Anwendung, prüfen Ergebnisse manuell und übertragen sie anschließend wieder zurück. Der vermeintlich automatisierte Prozess schafft zusätzliche Arbeit.
KI-gestützte Prozessautomatisierung braucht deshalb klare Schnittstellen zu den führenden Systemen. Im Handel sind das häufig Shopware, Odoo oder ein anderes ERP, CRM, PIM, Zahlungsanbieter, Lagerverwaltung und Logistik. Welche Daten wo entstehen, welches System führend ist und welche Informationen zurückgespielt werden müssen, sollte vor der Entwicklung feststehen.
Ein einfaches Beispiel: Ein Kunde bestellt im Shop einen konfigurierbaren Artikel. Der Shop übergibt Auftrag, Kundendaten und Zahlungsstatus an das ERP. Dort prüft eine KI den Freitext auf Sonderanforderungen und gleicht die Bestellung mit Lieferfähigkeit, Regeln für Mindestmengen und bekannten Kundendaten ab. Nur bei Abweichungen wird ein Ticket für den Vertrieb erstellt. Andernfalls läuft der Vorgang direkt in Kommissionierung und Versand weiter.
Das funktioniert nur, wenn Artikelstammdaten, Kundennummern und Statuswerte konsistent sind. Schlechte Daten werden durch KI nicht besser. Sie werden nur schneller weiterverarbeitet.
Datenqualität ist kein Nebenprojekt
In vielen gewachsenen Systemlandschaften liegen Produktinformationen in Excel-Dateien, Kundendaten im CRM, Preise im ERP und Sonderkonditionen in E-Mail-Verläufen. Das ist im Tagesgeschäft nachvollziehbar, aber für Automatisierung eine unsichere Grundlage.
Vor dem Start braucht es keine perfekte Datenwelt. Aber es braucht Verantwortlichkeiten. Wer pflegt welche Daten? Welche Felder sind Pflicht? Wie werden Dubletten behandelt? Und was passiert, wenn ein System nicht erreichbar ist? Diese Fragen wirken zunächst technisch. In Wahrheit entscheiden sie darüber, ob ein Go-Live ohne Schweißperlen möglich ist.
Entscheidungen kontrollierbar halten
Je stärker ein Prozess in Preise, Verträge, Gesundheitsdaten oder Lieferzusagen eingreift, desto wichtiger sind klare Grenzen. Eine KI sollte nicht unbeaufsichtigt über Rabatte, Kreditlimits, medizinische Inhalte oder rechtlich relevante Kommunikation entscheiden.
Bewährt hat sich ein abgestuftes Vorgehen. Unkritische Fälle werden automatisiert verarbeitet. Fälle mit fehlenden Daten, ungewöhnlichen Werten oder geringer Erkennungssicherheit werden markiert und an zuständige Mitarbeitende weitergegeben. Die Entscheidung und ihre Grundlage müssen dokumentiert sein.
Das schafft zwei Vorteile: Teams behalten die Kontrolle, und das Unternehmen gewinnt aus den Prüfungen neue Erkenntnisse. Wenn Mitarbeitende Vorschläge regelmäßig korrigieren, lässt sich nachvollziehen, ob Daten, Regeln oder die KI-Konfiguration angepasst werden müssen.
Datenschutz und Informationssicherheit gehören von Beginn an dazu. Besonders bei personenbezogenen Daten oder Anwendungen im Gesundheitsbereich muss geklärt sein, welche Daten verarbeitet werden, wo sie gespeichert sind, wer Zugriff hat und wie lange Inhalte vorgehalten werden. Eine schnelle Pilotlösung, die diese Fragen offenlässt, wird später teuer.
Vom Pilotprojekt in den verlässlichen Betrieb
Ein guter Einstieg ist kein Großprojekt mit zwanzig automatisierten Prozessen. Sinnvoller ist ein abgegrenzter Anwendungsfall mit messbarem Nutzen, etwa die Verarbeitung von Bestell-E-Mails, die Zuordnung eingehender Rechnungen oder die Vorqualifizierung von Serviceanfragen.
Für diesen Prozess werden zunächst der Ist-Ablauf und die Ausnahmen erfasst. Danach folgen Datenanalyse, technische Integration und ein Test mit realistischen Fällen. Entscheidend sind nicht nur Trefferquoten, sondern auch Bearbeitungszeit, Fehlerquote, Zahl der manuellen Eingriffe und die Auswirkungen auf nachgelagerte Systeme.
Erst wenn der Ablauf im Alltag stabil arbeitet, sollte er schrittweise erweitert werden. Dazu gehören Monitoring, Protokollierung, Rollen- und Rechtekonzepte sowie ein klarer Ansprechpartner für fachliche Änderungen. Automatisierung ist kein Projekt, das mit dem Launch endet. Produkte, Preise, Prozesse und gesetzliche Anforderungen ändern sich. Das System muss mitziehen können.
Inter Medien Networks betrachtet diesen Weg deshalb nicht als isolierte KI-Einführung, sondern als Zusammenspiel aus Prozessverständnis, UX, Entwicklung, Integration und langfristigem Betrieb. Gerade bei komplexen Shop-, ERP- und App-Landschaften entscheidet diese Verbindung darüber, ob eine Lösung dauerhaft entlastet oder nach wenigen Monaten wieder umgangen wird.
Wirtschaftlichkeit ehrlich bewerten
Eine Automatisierung rechnet sich nicht allein über eingesparte Minuten. Sie kann auch Durchlaufzeiten verkürzen, Fehler reduzieren, Skalierung ermöglichen und Mitarbeitende von monotonen Aufgaben entlasten. Trotzdem sollte die Rechnung konkret bleiben.
Dazu gehören Implementierungsaufwand, Lizenz- und Betriebskosten, Schnittstellenpflege, Qualitätssicherung und Schulungen. Auf der Nutzenseite stehen etwa weniger Nachbearbeitung, schnellere Angebots- oder Auftragsbearbeitung, geringere Fehlbuchungen und bessere Reaktionszeiten im Kundenservice. Bei saisonalen Peaks kann Automatisierung außerdem verhindern, dass Teams nur für kurze Belastungsspitzen zusätzliche Kapazitäten aufbauen müssen.
Ob sich ein Vorhaben lohnt, hängt vom Prozessvolumen und der Fehlerfolge ab. Eine kleine, aber kritische Prüfung kann wertvoller sein als die Automatisierung tausender einfacher Vorgänge. Wer etwa kostspielige Falschlieferungen vermeidet oder Freigabezeiten deutlich reduziert, erzielt oft einen größeren Effekt als bei der automatischen Sortierung unkritischer E-Mails.
Der beste erste Prozess ist daher nicht der spektakulärste. Es ist derjenige, dessen Nutzen im Alltag spürbar wird, dessen Risiken beherrschbar sind und der eine belastbare Grundlage für den nächsten Schritt schafft.