abas ERP + KI: Auftragsplanung automatisieren

TL;DR

abas ERP lässt sich über die REST-API mit KI-Modulen verbinden, um Auftragsplanung, Bedarfsprognose und Kapazitätssteuerung zu automatisieren. Mittelständische Fertiger berichten von 22 % kürzeren Durchlaufzeiten und 15-30 % weniger Planungsaufwand. Die Integration gelingt stufenweise ohne ERP-Wechsel.

Warum abas-Fertiger jetzt KI brauchen

Ein Lohnfertiger aus dem Schwarzwald plant 400 Aufträge pro Woche manuell in abas. Zwei Disponenten verbringen je 6 Stunden täglich damit, Kapazitäten gegen Liefertermine abzugleichen. Bei Maschinenausfall wird umgeplant -- per Telefon und Excel. Das Ergebnis: 12 % verspätete Lieferungen, 8 % Leerlaufzeiten an CNC-Maschinen.

Dieses Szenario ist typisch für Betriebe mit 50-500 Mitarbeitenden, die abas ERP einsetzen. Das System verwaltet Stammdaten, Stücklisten und Arbeitspläne zuverlässig, aber die Planungsintelligenz fehlt. Genau hier setzt die KI-Integration an: Nicht das ERP ersetzen, sondern es mit Prognosefähigkeit und Optimierungslogik erweitern.

Die KI-Implementierung im Mittelstand zeigt, dass gerade die Kombination aus vorhandenen ERP-Daten und maschinellem Lernen den größten Hebel bietet.

So funktioniert die abas-KI-Architektur

abas ERP bietet seit Version 2023 eine dokumentierte REST-API, die Lese- und Schreibzugriff auf zentrale Objekte erlaubt: Aufträge, Artikel, Arbeitspläne, Kapazitäten und Lagerbestände. Ein KI-Modul dockt als Microservice an diese API an.

Architektur-Überblick

┌─────────────┐     REST API      ┌──────────────────┐
│  abas ERP   │◄────────────────►│  KI-Middleware    │
│  (On-Prem)  │   JSON / OAuth2  │  (Python/FastAPI) │
└─────────────┘                   └────────┬─────────┘
                                           │
                                  ┌────────▼─────────┐
                                  │  ML-Modelle       │
                                  │  - Bedarfsprognose│
                                  │  - Reihenfolge-   │
                                  │    optimierung    │
                                  │  - Kapazitäts-    │
                                  │    planung        │
                                  └──────────────────┘

Die Middleware läuft als Docker-Container auf einem separaten Server. Sie liest zyklisch Auftragsdaten, berechnet optimierte Reihenfolgen und schreibt Planvorschläge zurück. Der Disponent sieht die Vorschläge im abas-Client und bestätigt oder korrigiert sie.

Bedarfsprognose: Aufträge vorhersagen

Das erste KI-Modul analysiert historische Auftragsdaten aus abas -- typischerweise 2-3 Jahre Bestellhistorie, saisonale Muster und Kundensegmente. Ein Gradient-Boosting-Modell (XGBoost oder LightGBM) prognostiziert den Bedarf auf Artikelebene für die nächsten 4-12 Wochen.

Konfigurationsbeispiel für die Middleware:

# config/demand_forecast.yaml
data_source:
  erp: abas
  api_endpoint: "https://erp.firma.local/api/v1"
  auth: oauth2_client_credentials
  objects:
    - sales_orders (last_36_months)
    - article_master
    - customer_segments

model:
  type: lightgbm
  features:
    - order_quantity_rolling_avg_4w
    - seasonal_index
    - customer_segment_code
    - article_group
    - lead_time_days
  target: order_quantity_next_4w
  retrain_schedule: "weekly_sunday_02:00"

output:
  write_to_abas: true
  abas_field: "USER_FORECAST_QTY"
  confidence_threshold: 0.75

Ein Metallverarbeiter in Baden-Württemberg konnte mit dieser Methode seine Lagerreichweite von 18 auf 12 Tage senken -- bei gleichzeitig 4 % weniger Fehlteilen. Das gebundene Kapital sank um rund 340.000 €.

Reihenfolgeoptimierung: Rüstzeiten minimieren

Die zweite Stufe betrifft die Maschinenbelegung. abas verwaltet Arbeitspläne mit Rüst- und Bearbeitungszeiten, aber die Reihenfolgeplanung ist statisch. Ein KI-Optimierer gruppiert Aufträge nach Rüstähnlichkeit und minimiert Umrüstvorgänge.

Typische Ergebnisse

Der Algorithmus nutzt Constraint-basierte Optimierung (OR-Tools oder OptaPlanner), die Rüstmatrix aus abas und Echtzeit-Maschinenstatus. Bei einem Werkzeugmaschinenhersteller mit 12 CNC-Zentren amortisierte sich die Integration nach 7 Monaten.

Kapazitätsplanung mit Echtzeit-Feedback

Die dritte Stufe verbindet abas-Kapazitäten mit tatsächlichen Maschinendaten. OPC-UA-Signale von der Fertigung fließen über einen Edge-Gateway in die KI-Middleware. Das Modell erkennt Engpässe 2-3 Schichten im Voraus und schlägt Umverteilungen vor.

Ein konkretes Beispiel: Bei einem Automobilzulieferer in Franken mit 8 Spritzgussmaschinen erkennt die KI anhand von Zykluszeit-Abweichungen, wenn eine Maschine degradiert. Statt auf den Ausfall zu warten, verschiebt das System Aufträge proaktiv auf Maschinen mit stabileren Parametern. Die ungeplanten Stillstände sanken um 34 % innerhalb von 6 Monaten.

Für Betriebe, die bereits Predictive Maintenance in der Produktion nutzen, ist dieser Schritt besonders wertvoll: Die Wartungsprognose fließt direkt in die Kapazitätsplanung ein. Wenn Maschine 7 in 48 Stunden eine Wartung benötigt, plant die KI automatisch um. Der Fertigungsleiter sieht im Dashboard eine Ampel-Ansicht aller Maschinen mit prognostizierten Verfügbarkeiten für die kommenden 72 Stunden.

Implementierung in 3 Phasen

Phase 1 (Wochen 1-4): Datenanbindung

• REST-API-Zugang einrichten, OAuth2-Credentials konfigurieren
• Historische Daten exportieren und bereinigen
• Datenqualität prüfen: Sind Arbeitspläne gepflegt? Stimmen Rüstzeiten?
• Kosten: ca. 8.000-12.000 € (externer Berater + interne IT)

Phase 2 (Wochen 5-10): Erstes ML-Modell

• Bedarfsprognose trainieren und validieren
• Ergebnisse als Custom-Felder in abas anzeigen
• Parallelbetrieb: KI-Vorschlag vs. manuelle Planung vergleichen
• Kosten: ca. 15.000-25.000 €

Phase 3 (Wochen 11-16): Optimierung und Closed Loop

• Reihenfolgeoptimierung aktivieren
• Feedback-Schleife: Disponent bewertet Vorschläge, Modell lernt
• Dashboard für Fertigungsleitung aufbauen
• Kosten: ca. 12.000-20.000 €

Gesamtinvestition: 35.000-57.000 € für einen mittelständischen Fertiger. Dem stehen typischerweise 80.000-150.000 € jährliche Einsparungen gegenüber -- ein ROI innerhalb von 6-9 Monaten. Details zur Kostenplanung für KI-Projekte finden Sie im verlinkten Beitrag.

Stolpersteine vermeiden

Datenqualität ist entscheidend. Wenn Arbeitspläne in abas nicht gepflegt sind oder Rüstzeiten pauschal mit 30 Minuten hinterlegt wurden, liefert die KI keine brauchbaren Ergebnisse. Vor dem Projektstart sollten mindestens die Top-50-Artikel korrekte Arbeitspläne haben.

Change Management nicht unterschätzen. Disponenten mit 20 Jahren Erfahrung vertrauen ihrer Intuition. Die KI muss als Werkzeug positioniert werden, nicht als Ersatz. Der Parallelbetrieb in Phase 2 ist entscheidend für die Akzeptanz.

API-Limitierungen kennen. Die abas-REST-API hat je nach Version Rate Limits und nicht alle Objekte sind exponiert. Vor Projektstart die API-Dokumentation prüfen und mit dem abas-Partner klären, welche Customizing-Felder verfügbar sind.

Wer die KI-Anbindung strategisch plant, profitiert auch beim Thema KI für Unternehmen -- die abas-Integration ist ein guter erster Use Case.

Nächste Schritte

1. API-Check: abas-Version prüfen, REST-API aktivieren, Testumgebung aufsetzen
2. Daten-Audit: Qualität von Arbeitsplänen, Stücklisten und Rüstmatrizen bewerten
3. Pilotbereich wählen: Eine Fertigungsinsel mit 3-5 Maschinen auswählen
4. Partner einbinden: abas-Implementierungspartner und KI-Dienstleister zusammenbringen
5. KPI definieren: Durchlaufzeit, Termintreue und Rüstzeit als Messgrössen festlegen

Häufige Fragen

Funktioniert die KI-Integration mit jeder abas-Version?

Die REST-API ist ab abas ERP Version 2020 verfügbar. Ältere Versionen benötigen einen Upgrade oder eine alternative Anbindung über die abas-Datenbank (weniger empfohlen). Für den vollen Funktionsumfang empfiehlt sich Version 2023 oder neuer, da dort OAuth2 und erweiterte Objekte unterstützt werden.

Wie lange dauert die Integration typischerweise?

Von Projektstart bis zum produktiven Einsatz des ersten KI-Moduls vergehen 10-16 Wochen. Die Bedarfsprognose ist meist in 6-8 Wochen produktiv, die Reihenfolgeoptimierung benötigt weitere 4-6 Wochen. Kritischer Pfad ist die Datenbereinigung, nicht die KI-Entwicklung.

Brauche ich einen eigenen Data Scientist?

Für die initiale Implementierung nicht -- ein externer KI-Dienstleister mit ERP-Erfahrung reicht aus. Für den laufenden Betrieb sollte ein technisch versierter Mitarbeiter (z. B. IT-Leiter oder Fertigungsplaner mit Python-Grundkenntnissen) die Modelle überwachen und Parameter anpassen können.

Was passiert bei einem ERP-Update?

Die Anbindung über die REST-API ist versionsstabil. Solange abas die API abwärtskompatibel hält, funktioniert die KI-Integration nach Updates weiter. Empfehlung: Nach jedem abas-Update die API-Endpunkte in der Testumgebung prüfen, bevor das Produktivsystem aktualisiert wird.

Ist die Lösung DSGVO-konform?

Ja, wenn die KI-Middleware auf eigener Infrastruktur (On-Premise oder Private Cloud) läuft. Personenbezogene Daten wie Kundennamen und Ansprechpartner werden für die Auftragsplanung nicht benötigt -- die Modelle arbeiten mit anonymisierten Auftrags-, Artikel- und Maschinendaten. Ein Verarbeitungsverzeichnis nach Art. 30 DSGVO sollte dennoch erstellt werden.