- Der größte Hemmschuh für die Skalierung in zahlreicher branchenspezifischer (Vertical) Software ist die Abgeschlossenheit bestehender Managementsysteme (ERP/SOR) und deren Politik, externe Integrationen zu blockieren
- Die meisten Kerndaten sind in Legacy-ERPs eingeschlossen oder nur teilweise zugänglich, sodass junge Vertical-AI-Startups trotz Kundennachfrage keine Anbindung an Kernsysteme umsetzen können
- Neue AI-basierte SaaS haben einen besonders hohen Bedarf an Datenintegration und stehen vor der neuen Herausforderung, nicht nur traditionelle APIs, sondern auch unstrukturierte Daten (E-Mails, Fotos vor Ort, Telefonate usw.) zu integrieren
- Um das zu lösen, probieren Gründer in der Praxis fünf Strategien aus: „Nutzung von Login-Credentials“, „Partnerschaften“, „SMB-Fokussierung“, „ERP-unabhängige AI“ und „Nutzung von AI-Infrastruktur“
- Es wird erwartet, dass standardisierte AI-Agent-Frameworks (wie MCP) und AI-basierte RPA-/Operator-Modelle künftig neue Integrationswege schaffen
Branchensoftware und das Integrationsproblem
- Nach Definition des US-Arbeitsministeriums gibt es mehr als 1.000 Branchen; in jeder fungieren ERP/SOR-Systeme (Business-Management-Systeme) als „Zentrum der Daten“
- Die meisten branchenspezifischen ERPs beschränken externe Anbindungen und Integrations-APIs oder erlauben sie nur auf teure bzw. komplexe Weise
- Beispiele: Epic im Gesundheitswesen, Yardi in der Immobilienbranche, Dentrix in Zahnarztpraxen – sie schotten Daten stark ab und blockieren oder begrenzen so die Anbindung junger SaaS-Anbieter
- Diese Struktur führt trotz Kundenunzufriedenheit (sinkender NPS-Werte) zu einem Lock-in-Effekt, der den Ausstieg aus dem ERP erschwert
Integrationshürden für Vertical AI
- Schon frühe Kunden verlangen häufig: „Ohne Integration mit unserem ERP ist das nicht nutzbar“
- Legacy-Anbieter scheuen offene APIs und Integrationen – aus Wettbewerbsgründen oder wegen mangelnder technischer Fähigkeiten
- Auch Unternehmens-IT-Teams (insbesondere CIOs und Führungskräfte) stehen dem Datenzugriff externer AI- oder neuer SaaS-Anbieter skeptisch gegenüber
Was AI verändern kann – und ihre Grenzen
- Im Unterschied zu klassischer SaaS verlangt ein AI-basiertes Produkt oft auch die Nutzung unstrukturierter Daten außerhalb des ERP (E-Mails, Papierdokumente, Fotos, mündliches Wissen usw.)
- AI-Lösungen machen die Hürden der Datenintegration dadurch eher noch sichtbarer
- Der Integrationsbereich erweitert sich von „offiziellen APIs“ auf „inoffizielle Wege + externe unstrukturierte Daten“
Fünf Strategien, die Gründer tatsächlich ausprobieren
1. Kludge (Workaround / inoffizielle Integration)
- Vom Kunden ERP-Logins bzw. Berechtigungen erhalten, damit ein AI-Agent Daten direkt lesen und schreiben kann
- Einsatz pragmatischer Umwege wie automatisiertes Crawling oder direkte Datenbankinjektion
- Reales Beispiel: das Urteil RTMS vs. PointClickCare (auf Basis eines US-Gesetzes zur Öffnung medizinischer Informationen, mit einem für EHR-Anbieter nachteiligen Urteil, die AI-Zugänge beschränkt haben)
- Vorteil: schnelle Ergebnisse
- Nachteil: rechtliche Risiken, Compliance-Themen (HIPAA, GDPR usw.), Sicherheitsprobleme und keine langfristige Skalierbarkeit
2. Partnerschaften
- Offizielle Partnerschaft mit Legacy-ERP-/Plattform-Anbietern, sodass AI gemeinsam mit dem ERP arbeitet
- Dem ERP wird vermittelt: „AI ist ein Trend – arbeitet mit uns zusammen, stellt Daten bereit und teilt einen Teil des Umsatzes“
- Vorteil: potenziell schnellere Skalierung als das ERP selbst, Möglichkeit größerer Deals
- Nachteil: branchenspezifische Eintrittsbarrieren und Geschwindigkeit sowie mögliche Gegenreaktionen oder ein späteres Aufwachen der ERP-Anbieter
3. Segmentation (Marktsegmentierung: Fokus auf SMB)
- Zielgruppe sind kleine und mittlere Unternehmen (SMB) mit offeneren APIs oder leichter austauschbaren ERPs
- Im SMB-Markt ist der Legacy-Lock-in schwächer; der Wettbewerb ist zwar intensiver, aber die Eintrittsbarrieren sind niedriger
- Wichtig ist, dass der adressierte SMB-Markt groß genug ist
4. Wedge Selection (ERP-unabhängige AI)
- Fokus auf Vertical-AI-Bereiche, die keine ERP-/SOR-Integration benötigen
- Beispiele: branchenspezifische AI für Vertrieb oder AI-Kundensupport
- Auch erfolgsbasierte Abrechnung ist möglich (Lead-Generierung, bearbeitetes Ticket-Volumen usw.)
- Daten werden dann vom Kunden selbst ins ERP eingegeben (Handoff-Modell)
5. Nutzung von AI-Infrastruktur und Standards
- Das Aufkommen standardisierter Frameworks für AI-Integration (z. B. Anthropic Model Context Protocol, MCP)
- Sie reduzieren den Aufwand einmaliger Integrationen mit verschiedenen SaaS-/API-Systemen und unterstützen modulare Erweiterung
- Das Konzept AI-basierter „Computer User“ (Operator, CUA usw.): eine AI-Weiterentwicklung klassischer RPA, die von simpler Klick-Automatisierung zu bild- und situationsbasierter Bedienung erweitert wird
- Beispiele: OpenAI ChatGPT Operator (webbasierte Browser-Automatisierung), Adept (Enterprise-AI-RPA)
- Noch in einer frühen Phase, aber mit Aussicht auf eine wichtige Rolle bei Vertical AI im Enterprise-Bereich
Fazit und Erkenntnisse
- Das ERP-/SOR-Integrationsproblem bei branchenspezifischer AI ist nicht nur ein technisches oder API-Problem, sondern auch ein Thema von Branchenstruktur und Markteintrittsstrategie
- Je nach Kunden, ERP, Datenlage und Umfang der AI-Nutzung ist eine mehrschichtige und flexible Strategie nötig
- In Zukunft könnten standardisierte AI-Agent-Frameworks sowie AI-basierte RPA-/Operator-Technologien neue Integrationsmodelle etablieren
- Die Kombination und Anwendung der einzelnen Strategien (Workarounds, Partnerschaften, SMB, nicht integrierte AI, Infrastrukturstandards) ist der Schlüssel realer Erfolgsgeschichten
Noch keine Kommentare.