Was kann KI in bestehender Software wirklich?

Ob das im eigenen Fall klappt, lässt sich vorab an echten Daten messen. Das kostet ein paar Tage bis höchstens zwei Wochen und erspart im Zweifel ein Projekt.

Was heißt es, KI in bestehende Software zu integrieren?

Es heißt: Die KI-Funktion wird eine Fähigkeit des Programms, das ohnehin benutzt wird. Praktisch läuft das über eine Schnittstelle: Das Bestandssystem übergibt ein Dokument oder einen Text, bekommt strukturierte Daten zurück und schreibt sie in seine eigenen Felder.

Der Unterschied ist vor allem organisatorisch. Ein Chat-Fenster neben dem ERP ist ein Extraschritt, und Extraschritte fallen im Alltag schnell weg. Eine Funktion, die im gewohnten Ablauf sitzt, wird benutzt, weil sie nicht auffällt.

Welche KI-Funktionen laufen in Bestandssoftware zuverlässig?

Belege und Dokumente auslesen. Lieferscheine, Rechnungen, Prüfprotokolle: Kopfdaten, Positionszeilen und die Zuordnung zum richtigen Datensatz. In unserem Machbarkeitstest für einen Softwarehersteller aus der Lagerlogistik wurden auf neun echten Lieferscheinmustern Kopfdaten, Positionen und der Mandanten-Anker erkannt, zusammen 373 Positionszeilen, also rund 41 je Beleg, die sonst jemand eintippt. Die Verarbeitung kostete 0,17 € für alle neun Belege, rund 2 Cent je Stück. Das ist ein Machbarkeitstest an neun Mustern, keine Aussage über Monate im Wareneingang. Von dieser Unterscheidung hängt ab, ob eine Zahl belastbar ist.

Sprache und Freitext zu Datensätzen. Eine Sprachnachricht vom Einsatzort wird zum strukturierten Eintrag. Der Grund, warum das gut funktioniert: Das Ergebnis wird ohnehin von einem Menschen gegengelesen, bevor daraus eine Rechnung wird. Der Prüfschritt existiert schon.

Suche in eigenen Unterlagen. Handbücher, Protokolle, Altprojekte durchsuchbar machen, mit Quellenangabe zu jeder Antwort. Wir haben so einen Assistenten für zwei getrennte Mandanten aufgebaut und abgenommen. Der Betrieb ist inzwischen pausiert, und harte Wirkungszahlen haben wir dafür nicht erhoben. Belegbar sind die bestandenen Isolations- und Abnahmetests.

Vorsortieren und Priorisieren. Eingehende Vorgänge nach Dringlichkeit oder Zuständigkeit einordnen. Ein Fehler kostet hier wenig, weil ein Mensch die Liste ohnehin sieht.

Wo stößt KI in bestehender Software an Grenzen?

Entscheidungen ohne Kontrolle. Alles, was juristisch, finanziell oder sicherheitsrelevant nicht danebengehen darf, braucht einen Menschen im Ablauf. Die verbleibende Fehlerquote ist real, und jemand muss sie tragen.

Rechnen. Sprachmodelle sind keine Tabellenkalkulation. Wo gerechnet wird, rechnet klassischer Code. Das Modell liest nur die Zahlen aus.

Wissen, das nirgends steht. Ein Assistent kann nur beantworten, was in den Unterlagen vorkommt. Wenn die Antwort ausschließlich im Kopf eines Kollegen existiert, hilft keine Suche.

Ohne brauchbare Datenmenge. Für viele Aufgaben reicht wenig, für manche reicht gar nichts. Wer drei Beispiele eines Belegtyps hat, kann keine Erkennung erwarten, die zehn Layouts abdeckt.

Auf einen Blick:

Aufgabe	Eignung	Warum
Belege und Dokumente auslesen	gut	Kopfdaten, Positionen und Zuordnung wurden an echten Belegen erkannt
Sprache und Freitext zu Datensätzen	gut	Ein Mensch liest das Ergebnis ohnehin gegen
Suche in eigenen Unterlagen	gut	Jede Antwort nennt ihre Quelle
Vorsortieren und Priorisieren	gut	Ein Fehler kostet wenig, ein Mensch sieht die Liste
Entscheidungen ohne Kontrolle	nur mit Mensch im Ablauf	Die Fehlerquote ist real, jemand muss sie tragen
Rechnen	nein	Das macht klassischer Code, das Modell liest nur die Zahlen aus
Wissen, das nirgends steht	nein	Der Assistent kennt nur, was in den Unterlagen steht
Erkennung mit sehr wenigen Beispielen	kaum	Drei Beispiele decken keine zehn Layouts ab

Was passiert mit Fällen, die die KI nicht sicher erkennt?

Das ist die wichtigste Frage im ganzen Thema, und sie wird meist zuletzt gestellt.

Die Antwort, die im Betrieb funktioniert: Unsichere Fälle gehen nicht durch. Sie landen in einer Prüfansicht, in der ein Mensch die offenen Felder bestätigt oder korrigiert, mit dem Originalbeleg daneben, damit das schnell geht. Diese Ansicht gehört fest zur Lösung. Sie ist der Grund, warum eine Erkennung, die nicht alles schafft, trotzdem Zeit spart: Der Anteil, der glatt durchläuft, ist Gewinn. Der Rest kostet so viel wie vorher.

Umgekehrt gilt: Eine Lösung ohne diesen Weg ist keine fertige Lösung, egal wie gut die Quote in der Demo war.

Wie prüft man KI an den eigenen Belegen?

Am besten in fünf Schritten:

1. Echte Belege nehmen, auch die schiefen. Zehn bis zwanzig Stück reichen oft, um die Bandbreite zu sehen.
2. Durchlaufen lassen und auszählen, was erkannt wurde und was nicht.
3. Die laufenden Kosten pro Vorgang messen. Sie entscheiden mit darüber, ob sich der Betrieb rechnet.
4. Den Weg ins Zielsystem einmal ganz gehen, bis der Datensatz dort steht, wo er hingehört. Der Weg ist oft aufwendiger als die Erkennung.
5. Die Grenze aufschreiben. Was hat nicht funktioniert, und woran lag es?

Das ist der Umfang eines Machbarkeits-Sprints: ein paar Tage bis höchstens zwei Wochen, ein lauffähiges Ergebnis, das sich selbst starten und mit eigenen Daten füttern lässt, dazu eine klare Empfehlung. Zeigt sich, dass sich der Einbau nicht lohnt, ist auch das ein wertvolles Ergebnis.

Woran erkennt man ein KI-Angebot, das nichts taugt?

An drei Dingen. Erstens: Es nennt eine Erkennungsquote, ohne zu sagen, auf welchen Dokumenten sie gemessen wurde. Eine Quote ohne Datenbasis sagt nichts aus. Zweitens: Es beschreibt keinen Weg für die unsicheren Fälle. Drittens: Es verspricht ein Ergebnis, bevor jemand die echten Daten gesehen hat.

Was ein gutes Angebot stattdessen tut: Es sagt, was geprüft wird, woran es scheitern könnte, und was am Ende in der Hand liegt, auch dann, wenn das Ergebnis negativ ausfällt.

Wer noch nicht weiß, an welcher Stelle im eigenen Betrieb KI überhaupt etwas bringt, fängt besser eine Stufe früher an, mit einer KI-Beratung und Analyse der Abläufe.