KI-gestützte ERP-Software für Abfallwirtschaft und Recycling
Masterergebnisse zur Identifikation, Bewertung und Prototypisierung von KI-Use-Cases in branchenspezifischen ERP-Systemen.
Abfall- und Recyclingunternehmen bewältigen heterogene Materialströme, kurzfristige Aufträge und hohe Regulierungsdichte, während ERP-Prozesse wie Auftragserfassung, Disposition, Wareneingang, Routing und Wissenszugriff stark manuell bleiben. Die Arbeit identifizierte 16 KI-Use-Cases, analysierte sechs vertieft, validierte sie mit zehn Experteninterviews und setzte den bestbewerteten Fall als NLP-Prototyp um.
Die Studie auf einen Blick
16
KI-Use-Cases
Identifiziert über zentrale ERP-gestützte Branchenprozesse
6
Deep-Dive-Fälle
Detailliert mit strukturiertem Scoring bewertet
10
Experteninterviews
Validierung mit Praktikern und Domänenexperten
1
Arbeitsprototyp
NLP-Auftragserfassung als bestplatzierte Umsetzung
Zentrale Findings
Datenqualität ist der Engpass
KI-Nutzen wird durch unvollständige, inkonsistente oder siloisierte ERP- und Betriebsdaten begrenzt.
Nicht-technische Barrieren dominieren
Organisation, Prozessfit, Vertrauen und Change Management wiegen schwerer als reine Algorithmuswahl.
Assistenz vor Vollautomatisierung
Experten bevorzugen KI, die Entscheidungen vorbereitet, statt verantwortliche Handlungen zu ersetzen.
Modulare ERP-Integration
Use Cases gelingen als modulare Services mit klaren menschlichen Prüfstellen.
Kein universeller Best Use Case
Das Ranking hängt von Reife, Datenbereitschaft und Regulierungskontext ab.
Fachkräftemangel erhöht Assistenzwert
Wo Spezialwissen knapp ist, kann assistive KI Durchsatz und Wissenszugriff absichern.
Use-Case-Ranking
| Rang | Use Case | Score | Einschätzung |
|---|---|---|---|
| 1 | UC-01 NLP-Auftragserfassung | 3.78 | Bester Einstieg |
| 2 | UC-06 RAG-Compliance-Wissen | 3.68 | Starke Wissenshebelwirkung |
| 3 | UC-03 KI-Dispositionsunterstützung | 3.30 | Hohe Prozesswirkung |
| 4 | UC-02 Visuelle Klassifikation | 3.25 | Vielversprechend mit Sensorik/Kameras |
| 5 | UC-04 IoT-Füllstandsprognose | 2.82 | Abhängig von Sensorabdeckung |
| 6 | UC-05 Dynamisches Routing | 2.73 | Komplexe Constraints, spätere Phase |
Priorisierte Use Cases
UC-01 – NLP-Auftragserfassung 3.78
Strukturierte Aufträge aus E-Mails und Nachrichten extrahieren.
Lösung: NLP extrahiert Kunde, Material, Menge, Zeitfenster und Standortvorschläge.
ERP-Fit: Erzeugt Entwurfsaufträge zur Sachbearbeiterbestätigung.
Interview: Schnellster sichtbarer Gewinn bei kontrollierbarem Risiko.
Reife: Prototyp in der Arbeit umgesetzt.
UC-02 – Visuelle Materialklassifikation 3.25
Computer-Vision-Unterstützung zur Materialerkennung.
Lösung: Kamerabasierte Klassifikationsvorschläge mit Confidence Scores.
ERP-Fit: Anreichern von Wareneingangs-/Qualitätsdatensätzen.
Interview: Wertvoll, wenn Licht- und Kennzeichnungsvarianz beherrschbar sind.
Reife: Konzeptionell stark; hardwareabhängig.
UC-03 – KI-Dispositionsunterstützung 3.30
Planer mit Kapazitäts- und Sequenzvorschlägen unterstützen.
Lösung: Prädiktive/präskriptive Hinweise zu Slots, Ressourcen und Prioritäten.
ERP-Fit: Entscheidungshilfe in Planungsboards.
Interview: Hohe Wirkung bei solidem Trust- und Override-UX.
Reife: Benötigt saubere historische Planungsdaten.
UC-04 – IoT-Füllstandsprognose 2.82
Container-/Füllstände prognostizieren und Logistik auslösen.
Lösung: Sensor- und prognosegetriebene Abholtrigger.
ERP-Fit: Serviceaufträge aus prognostizierten Schwellen erzeugen.
Interview: Attraktiv, aber durch Sensor-Rollout-Kosten begrenzt.
Reife: Machbar in Nischen mit vorhandenem IoT.
UC-05 – Dynamisches Routing 2.73
Routen unter Branchenconstraints optimieren.
Lösung: Constrained Vehicle Routing mit Dispatcher-Override.
ERP-Fit: Touren und Aufträge mit Logistikplanung synchronisieren.
Interview: Später wertvoll, sobald Auftrags- und Geodatenqualität steigt.
Reife: Komplex; kein bestes Erstprojekt.
UC-06 – RAG-Compliance-Wissen 3.68
Retrieval-gestützte Antworten über Policies und SOPs.
Lösung: RAG-Assistenten auf freigegebenen internen Quellen.
ERP-Fit: Kontextuelle Hilfe neben Transaktionen und Stammdaten.
Interview: Starke Unterstützung bei hoher Audit- und Regulierungslast.
Reife: Hoher Hebel bei klarer Quellen-Governance.
Weitere Use Cases
UC-07 – Predictive Maintenance
Anlagenrisiko aus Nutzungs- und Sensorhistorie prognostizieren.
UC-08 – Nachhaltigkeitsreporting-Assistenz
ESG-/Recycling-KPIs aus Betriebsdaten entwerfen.
UC-09 – Digitaler Produktpass-Support
Nachweisartefakte für Materialien und Lose zusammenführen.
UC-10 – Materialfluss-Anomalieerkennung
Ungewöhnliche Mengen-/Qualitätsmuster früh markieren.
UC-11 – Retouren-/Reverse-Logistics-Assistenz
Klassifikation und Routing von Rückflüssen unterstützen.
UC-12 – Bestandsoptimierungshinweise
Lager- und Pufferanpassungen nach Materialklasse vorschlagen.
UC-13 – Bedarfsprognose
Zu- und Abflüsse für Planungshorizonte prognostizieren.
UC-14 – Preis-/Margenassistenz
Kontext für kommerzielle Entscheidungen unter Constraints liefern.
UC-15 – Anlagenauslastungs-Coaching
Engpässe über Höfe und Verarbeitungsstrecken hervorheben.
UC-16 – Assistierte Qualitätsprüfung
Checklistenführung mit Vision-/NLP-Evidenz kombinieren.
Interview-Findings
Daten oft vorhanden, aber schwer nutzbar
Experten berichten Verfügbarkeit ohne verlässliche AI-Readiness.
Prozessfit schlägt Modellneuheit
Use Cases scheitern, wenn reale ERP-Transaktionspfade ignoriert werden.
Akzeptanz braucht Transparenz
Nutzer übernehmen KI, wenn Vorschläge erklärbar und überschreibbar sind.
Technik ist selten der Hauptblocker
Governance, Ownership und Change-Kapazität dominieren Verzögerungen.
Domänenadaptation ist Pflicht
Generische KI-Tools unterperformen ohne recycling-spezifisches Vokabular und Regeln.
Mit Low-Regret-Einstiegen starten
NLP-Erfassung und Wissensassistenten waren bevorzugte erste Schritte.
Prototyp – NLP-Auftragserfassung
-
Schritt 1 – Nachricht erfassen
Kunden-E-Mail-/Textaufträge in die Prototyp-Pipeline einlesen.
-
Schritt 2 – NLP-Extraktion
Entitäten wie Kunde, Material, Menge, Datum und Ort identifizieren.
-
Schritt 3 – Confidence & Validierung
Felder scoren und unsichere Extraktionen zur Prüfung markieren.
-
Schritt 4 – ERP-Entwurfs-Mapping
Extrahierte Felder auf Entwurfsauftragsstrukturen für die Bestätigung mappen.
-
Schritt 5 – Menschliche Bestätigung
Mitarbeitende akzeptieren, korrigieren oder lehnen vor jedem operativen Buchen ab.
Umsetzungsempfehlungen
-
Phase 1 – Datenbereitschaft
Stammdaten bereinigen, Ownership definieren und kritische Medienbrüche schließen.
-
Phase 2 – Einstiegs-Use-Case wählen
Mit UC-01 oder UC-06 starten, wo Risiko kontrollierbar und Nutzen sichtbar ist.
-
Phase 3 – Human-in-the-Loop-UX
Review, Override und Audit Trails vor Automatisierungsansprüchen gestalten.
-
Phase 4 – Modulare Integration
KI als Services neben ERP-Transaktionen exponieren, nicht als Monolith-Rewrite.
-
Phase 5 – Pilot mit KPIs
Bearbeitungszeit, Korrekturrate, Adoption und Ausnahmevolumen messen.
-
Phase 6 – Governance
Modell-, Prompt- und Quellen-Governance für Compliance setzen.
-
Phase 7 – Nach Prozess skalieren
Disposition, Vision oder IoT erst nach Daten- und Trust-Fundament erweitern.
-
Phase 8 – Capability Building
Key User schulen und MLOps-/DevOps-Ownership für den Betrieb etablieren.
Ausblick
Process Mining
Reale ERP-Varianten entdecken, bevor der falsche Pfad automatisiert wird.
Digital Twin von Hof-/Anlagenflüssen
Kapazitäts- und Materialflusseingriffe simulieren.
Agentic-AI-Assistenten
Mehrschritt-Agenten für Vorbereitungsaufgaben unter strengen Freigaben.
Multimodale Modelle
Text, Bild und tabellarische Signale in einem Entscheidungskontext verbinden.
Tabular Foundation Models
Vorhersagen auf ERP-tabellenlastigen Workloads verbessern.
Time-Series Foundation Models
Stärkere Prognosen für Mengen, Füllstände und Nachfrage.
Digitale Produktpässe
Regulatorische Traceability zieht KI in Dokumentationsworkflows.
Limitationen
Nicht statistisch repräsentativ
Zehn Interviews lassen sich nicht auf die gesamte Branche verallgemeinern.
Unternehmensabhängiges Ranking
Scores verschieben sich mit Reife, Systemen und Regulierungsdruck.
Kein Produktions-Feldversuch
Business-Nutzen wurde nicht im Live-Betrieb gemessen.
Begrenzte Prototyp-Kanäle
NLP-Fokus auf nachrichtenartige Erfassung deckt nicht alle Auftragskanäle ab.
Datensensitivitätsgrenzen
Privacy und Geschäftsgeheimnisse begrenzten die Datensatzbreite.
Machbarkeit ≠ Nutzen
Technischer Erfolg impliziert nicht automatisch positiven ROI.
Technologie-Stack
Backend
Frontend
KI / Analytics
Infrastruktur
Entwicklungslinie
-
2022 – Praxisprojekt
DevOps-Zyklus und Kundenportal-Fundament.
-
2023 – Bachelorarbeit
ERP-nahe Unternehmenssoftware und digitale Annahme.
-
2025/2026 – Masterarbeit
KI-Use-Case-Portfolio, Expertenvalidierung und NLP-Prototyp.