KI-Bereitschaft beginnt mit vertrauenswürdigen Produktdaten

Hersteller investieren massiv in KI, Initiativen rund um den digitalen Faden, Automatisierung und die Modernisierung ihrer Unternehmen, um Produktivität und Entscheidungsfindung zu verbessern. Ein großer Teil der Diskussion dreht sich um KI-Modelle, Infrastruktur und Integration. Viele Unternehmen übersehen dabei jedoch eine grundlegende Voraussetzung für diese Vorhaben: das Vertrauen in die zugrunde liegenden Produktdaten und Geschäftsregeln, die operative Entscheidungen steuern.

Die Herausforderung besteht nicht einfach darin, Systeme miteinander zu verbinden. Vielmehr muss sichergestellt werden, dass die Produktdefinitionen, die Konfigurationslogik und die Geschäftsregeln, die zwischen ihnen ausgetauscht werden, korrekt bleiben. KI-Bereitschaft beginnt mit Vertrauen in die Produktdaten des Unternehmens. Bei der digitalen Transformation geht es nicht nur darum, Systeme miteinander zu verbinden, sondern auch darum, Bedeutung und Genauigkeit der Informationen zu bewahren, die zwischen ihnen ausgetauscht werden.

Wenn Unternehmen ihre Systeme modernisieren und Produktlebenszyklusmanagement (PLM), Unternehmensressourcenplanung (ERP), Konfiguration, Preisgestaltung und Angebotserstellung (CPQ) sowie Serviceplattformen miteinander verbinden, können Unstimmigkeiten in der Konfigurationslogik unbemerkt die Genauigkeit nachgelagerter Prozesse und die Wirksamkeit KI-gestützter Empfehlungen beeinträchtigen. Ohne eine vertrauenswürdige Konfigurationslogik beschleunigt KI Fehler, statt bessere Entscheidungen zu ermöglichen.

Warum die Produktkonfiguration das verborgene Fundament ist

Hersteller stützen sich heute zunehmend auf ein vernetztes Ökosystem, das PLM, ERP, CPQ, Fertigung und Service umfasst. Die Produktkonfiguration ist das verbindende Element, das technische Vorgaben in Anforderungen für Fertigung, Vertrieb, Preisgestaltung und Service überführt.

Jedes System betrachtet das Produkt aus einer anderen Perspektive: PLM benötigt technische Informationen und Konstruktionsdaten, die Fertigung muss wissen, was hergestellt werden kann, und CPQ benötigt die Vertriebs- und Marktregeln. Die Konfiguration verbindet diese Perspektiven. Ändert sich die zugrunde liegende Logik oder wird sie inkonsistent, reißt der digitale Faden – unabhängig davon, wie gut die Systeme integriert sind.

Veraltete Regeln bergen unsichtbare Risiken

Produktkonfigurationsmodelle enthalten oft über Jahrzehnte angesammeltes Wissen, das nach und nach um weitere Ebenen ergänzt wurde: regulatorische Anforderungen, Fertigungsbeschränkungen, marktspezifische Ausnahmen und Preislogik. Die Personen, die diese Modelle ursprünglich erstellt haben, haben das Unternehmen häufig längst verlassen. So bleiben Regeln zurück, die niemand mehr vollständig versteht.

Bei Modernisierungsprojekten für Unternehmenssysteme, etwa bei Migrationen auf SAP S/4HANA, liegt der Schwerpunkt in der Regel auf Anwendungen, Infrastruktur und kundenspezifischem Code, während die Konfigurationslogik als zweitrangig behandelt wird. Dadurch entsteht ein übersehenes Risiko: Systeme können erfolgreich migriert werden, während sich das Konfigurationsverhalten subtil verändert – und solche Änderungen lassen sich mit herkömmlichen Tests nur schwer erkennen.

Migrationen auf S/4HANA veranschaulichen das Problem sehr gut: Eine neue Konfigurations-Engine kann langjährig geltende Regeln anders interpretieren, obwohl die Syntax identisch ist. Unterschiede bei der Anwendung von Standardwerten, bei der Reihenfolge, in der Einschränkungen geprüft werden, und bei der Auflösung von Konflikten zwischen Regeln können allesamt verändern, welche Kombinationen ein Modell zulässt – ohne dass auch nur eine einzige Regelzeile geändert wird.

Das ist nicht bloß verwirrend: Eine fehlerhafte Konfigurationslogik wird zum Geschäftsproblem. Es gibt zwei Fehlerarten, und beide sind kostspielig:

• Eine Konfiguration ermöglicht es einem Unternehmen, etwas zu verkaufen, das es tatsächlich nicht herstellen kann. Das führt zu Nacharbeit, nicht eingehaltenen Zusagen und beschädigten Kundenbeziehungen.
• Eine Konfiguration verhindert fälschlicherweise, dass ein Unternehmen etwas verkauft, das es herstellen könnte. Das führt zu Umsatzeinbußen und möglicherweise zum Verlust eines Wettbewerbsvorteils.

Die erste Fehlerart macht sich früher oder später in der Fertigung bemerkbar. Die zweite bleibt unbemerkt: Im Auftragsbuch wird kein Verkauf erfasst, den der Konfigurator nie zugelassen hat.

Verifizierung wird zu einer strategischen Fähigkeit

Bei herkömmlichen Migrationsprüfungen kommen häufig manuelle Tests und Stichproben zum Einsatz. Damit lässt sich die enorme Zahl möglicher Produktkombinationen jedoch nicht realistisch überprüfen. Bei der Verifizierung von Konfigurationen verlagert sich der Schwerpunkt von der Frage, ob die Daten erfolgreich übertragen wurden, hin zur Frage, ob die fachliche Absicht erhalten bleibt.

Ich habe erlebt, dass Hersteller Teams beschäftigen, deren einzige Aufgabe darin besteht, zu bestätigen, dass ein migriertes Modell weiterhin dieselben gültigen Konfigurationen erzeugt und dieselben ungültigen Konfigurationen zurückweist – schlicht, weil ihnen keine andere Möglichkeit zur Überprüfung bleibt. Diese Arbeit ist detailintensiv, teuer und zeitaufwendig. Und selbst dann wird das Problem nur stichprobenartig geprüft.

Es lohnt sich, das Ausmaß genau zu betrachten. Ein Modell mit 30 Variablen und jeweils fünf Auswahlmöglichkeiten erlaubt rund 10²¹ Kombinationen – weit mehr als die geschätzte Zahl der Sandkörner auf der Erde. Reale Industriemodelle sind noch deutlich größer. So viele Menschen können gar nicht durch eine Benutzeroberfläche klicken, dass sie diesen gesamten Möglichkeitsraum abdecken; das lässt die Mathematik nicht zu.

Deshalb sind formale Methoden wichtig. Statt Kombinationen stichprobenartig zu prüfen, lässt sich ein Konfigurationsmodell in eine kanonische logische Form überführen: eine kompakte mathematische Darstellung aller zulässigen Kombinationen, die seine Regeln erlauben. Zwei auf diese Weise überführte Modelle lassen sich direkt vergleichen. Entweder beschreiben sie genau dieselbe Menge zulässiger Produkte, oder der Vergleich zeigt präzise, worin sie sich unterscheiden, und liefert konkrete Beispiele für Kombinationen, die das eine Modell zulässt und das andere ablehnt. Dieselbe Darstellung macht aus dem Verhalten zur Laufzeit eine Abfrage statt einer Suche. Dadurch kann ein Konfigurator ausschließlich gültige Optionen anzeigen und Nutzer niemals in eine Sackgasse führen. Verifizierung und Korrektheit zur Laufzeit erweisen sich als dieselbe Fähigkeit, betrachtet aus zwei unterschiedlichen Richtungen.

Unternehmen müssen diese Art formaler Vergleiche zunehmend durchführen, bevor sie KI oder Automatisierung über ihre Produktregeln legen. Dabei geht es nicht nur darum, das Migrationsrisiko zu senken, sondern auch die Betriebskontinuität in den Bereichen Engineering, Fertigung, Vertrieb und Service zu wahren. Außerdem sollen sich Konfigurationsmodelle vor der Freigabe testen, debuggen und verifizieren lassen – statt erst danach.

KI gehört auf eine deterministische Engine, nicht an ihre Stelle

Nichts davon setzt voraus, dass KI die Konfigurations-Engine ersetzt. Das nachhaltigere Modell ist das Gegenteil: Die KI vermittelt zwischen dem Nutzer und einer rigorosen Konfigurations-Engine. So ermöglicht sie ein natürlicheres Erlebnis mit geführtem Verkauf oder Produktempfehlungen, während die zugrunde liegenden Regeln deterministisch bleiben. Das Sprachmodell interpretiert die Anfrage des Kunden; die Engine entscheidet, was tatsächlich konfigurierbar ist. Durch diese Aufgabenteilung bleibt jener Prozessschritt, der nachweislich korrekt sein muss, einem System entzogen, das von seiner Konstruktion her probabilistisch arbeitet.

Vertrauenswürdige Daten sind der Schlüssel zum Erfolg von KI-Programmen

KI kann Empfehlungen nur so zuverlässig erstellen, wie es das Produktwissen ist, auf das sie zugreift. Ungeprüfte Konfigurationsdaten führen dazu, dass KI Fehler in großem Unternehmensmaßstab weiterträgt und dadurch die Vertriebsberatung, Fertigungsentscheidungen und Zusagen gegenüber Kunden beeinträchtigt.

Hersteller sollten die Datenverifizierung als Voraussetzung für den Einsatz von KI betrachten – ähnlich wie Softwaretests zur Voraussetzung für die Anwendungsentwicklung wurden. Mit dem fortschreitenden digitalen Wandel wird der Wettbewerbsvorteil zunehmend nicht daraus entstehen, KI als Erster einzusetzen, sondern sie auf einer Grundlage aus vertrauenswürdigen Produktinformationen einzuführen.