Häufige Fehler, die Unternehmen
in den ersten 90 Tagen der
KI-Implementierung im Backoffice machen

Der mit Abstand häufigste Fehler besteht darin, die KI mit Ihrem Posteingang und Ihrem ERP zu verbinden, bevor überhaupt jemand festgehalten hat, wie Ihr aktueller Prozess tatsächlich funktioniert.

Das klingt offensichtlich. Aber in den meisten Unternehmen steckt der Auftragsbearbeitungsprozess in den Köpfen von zwei oder drei erfahrenen Mitarbeitenden. Niemand hat dokumentiert, welche Auftragstypen priorisiert werden, wie mehrdeutige Produktbeschreibungen aufgelöst werden, was passiert, wenn ein Kunde einen Auftrag in einem Format schickt, das das Team noch nie gesehen hat, oder welche Ausnahmen an welche Person gehen.

Wenn Sie diesen Schritt überspringen, wird die KI auf Basis von Annahmen statt auf Basis der Realität konfiguriert. Regeln für Ausnahmefälle werden festgelegt, ohne zu wissen, welche Ausnahmen tatsächlich auftreten. Das Human-in-the-Loop-Routing schickt Prüfungen an die falschen Personen. Und wenn in Woche zwei etwas schiefläuft, kann sich niemand darauf einigen, wie der korrekte Prozess ursprünglich hätte aussehen sollen.

Die Personen, die von einer KI-Implementierung im Backoffice am stärksten betroffen sind, arbeiten im Vertriebsinnendienst und in der Auftragssachbearbeitung. Gleichzeitig sind sie oft die Letzten, die sauber darüber informiert werden, was sich ändert und warum.

Wenn die Kommunikation schlecht ist, füllt sich das Vakuum mit Unsicherheit. Teammitglieder befürchten, dass das Tool sie ersetzen soll. Sie arbeiten an der Lösung vorbei statt mit ihr: Sie bearbeiten Aufträge manuell, die die KI bereits verarbeitet hat, oder sie geben alles frei, ohne es wirklich zu prüfen. In beiden Fällen schöpft die Implementierung ihr Potenzial nicht aus.

Der Widerstand richtet sich selten gegen die Technologie selbst. Es geht um Unsicherheit. Die Menschen wollen wissen: Wie sieht mein Job danach aus? Wofür bin ich verantwortlich, was die KI nicht übernimmt? Was passiert, wenn die KI einen Fehler macht?

Jeder Prozess in der Auftragsbearbeitung kennt Ausnahmen. Produkte, die nicht vorrätig sind. Kundenanfragen, die zu keiner SKU im Katalog passen. Aufträge neuer Kunden, deren Daten noch nicht im ERP angelegt sind. Mengen, die im Vergleich zum üblichen Bestellverhalten des Kunden ungewöhnlich hoch erscheinen. Lieferadressen, die nicht mit der hinterlegten Adresse übereinstimmen.

Was soll in jedem dieser Fälle passieren? Wer wird benachrichtigt? Wird der Auftrag in einer Prüfschleife angehalten oder mit einem Hinweis weiterverarbeitet? Wo liegt die Schwelle für eine automatische Eskalation im Vergleich zu einem stillen Hinweis?

Wenn diese Regeln nicht vor dem Go-live definiert sind, markiert die KI entweder zu viel (was das Team überlastet und Vertrauen zerstört) oder zu wenig, sodass Fehler durchrutschen, die einem Menschen aufgefallen wären.

Eine der frustrierendsten Erfahrungen in einer Implementierung ist es, live zu gehen, die Kennzahlen am Ende der ersten Woche anzusehen und zu schlussfolgern, dass es nicht funktioniert, nur weil die Straight-Through-Processing-Rate bei 40 % statt bei den erwarteten 80 % liegt.

Die Daten aus Woche eins zeigen die KI zum ersten Mal in einer Live-Umgebung mit echten Dokumenten echter Kunden, von denen manche zuvor noch nie verarbeitet wurden. Eine Straight-Through-Processing-Rate von 40 % in Woche eins ist kein Scheitern, sondern ein Ausgangspunkt. Die Quote steigt, je mehr Dokumente die KI pro Kunde verarbeitet und je mehr Ausnahmen das Team auflöst und zurückspielt.

Wenn man die Technologie anhand früher Daten bewertet, die die spätere stabile Performance noch gar nicht abbilden, wird das Projekt unnötig früh infrage gestellt.

Der Impuls, das System an einem schwierigen Fall zu beweisen, ist nachvollziehbar. Wenn es die komplizierten Fälle schafft, werden die einfachen schon funktionieren. In der Praxis führt diese Logik jedoch zu einem holprigen Start und unnötiger Reibung.

Komplexe Aufträge bringen mehr Ausnahmen, mehr mehrdeutige Spezifikationen, mehr fehlende Informationen und mehr Abweichungen vom Standard mit sich. Wenn Sie damit beginnen, trifft die KI von Anfang an auf die maximale Zahl an Sonderfällen, noch bevor sie genug Volumen verarbeitet hat, um sich sauber einzupendeln. Die Prüfschleife ist vom ersten Tag an voll. Der erste Eindruck des Teams ist: Die KI produziert viele unvollständige Entwürfe.

Die Proof-of-Concept-Phase, in der die KI eine Reihe historischer Dokumente in einer Testumgebung ohne Live-ERP-Anbindung verarbeitet, wird manchmal wie eine Formalität behandelt, etwas, das man nur abhaken muss, bevor die eigentliche Implementierung beginnt.

Damit verfehlt man ihren eigentlichen Zweck. Im PoC lernen Sie, wie die KI mit Ihren konkreten Dokumenten, Ihrer Produktsprache und Ihrem spezifischen Kundenstamm umgeht. Dort erkennen Sie zum Beispiel, dass ein wichtiger Kunde Produktcodes immer in einem nicht standardisierten Format schreibt oder dass ein bestimmter Auftragstyp systematisch einen Sonderfall auslöst, den niemand vorhergesehen hatte.

Wenn Sie solche Dinge im PoC entdecken, kostet das nichts. Wenn Sie sie erst in Woche zwei des Live-Betriebs entdecken, kostet es Zeit, Vertrauen und Auswirkungen auf den Kunden.

Erfolgreiche KI-Implementierungen im Backoffice haben fast immer eine klar benannte interne verantwortliche Person: jemanden, der für den Go-live geradesteht, die Kommunikation mit dem Anbieter verantwortet, Konfigurationsentscheidungen treffen kann und dem Team als erste Anlaufstelle bei Fragen zur Verfügung steht.

Bei Implementierungen, die ins Stocken geraten, ist die Verantwortung oft auf zwei oder drei Personen verteilt. Ohne dass eine davon die Befugnis oder die Kapazität hat, Entscheidungen schnell voranzutreiben. Wenn eine Konfigurationsfrage aufkommt, dauert es eine Woche, bis eine Antwort kommt. Wenn jemand aus dem Team ein Problem anspricht, fühlt sich niemand wirklich zuständig.