Agentic AI im ERP: Wie BLP 300 Agenten in Kernprozesse bringt

Intro

In dieser Episode ist Tim Beck zu Gast – Co-Founder und CEO von BLP Digital, einem ETH-Spin-off aus Zürich. Im Gespräch mit Felix geht es darum, wie Agentic AI nicht nur als Demo oder Chatbot funktioniert, sondern in produktiven ERP-nahen Kernprozessen echte Arbeit übernimmt – von Finance über Einkauf bis Accounts Payable.

Besonders spannend: BLP arbeitet seit 2018 an dem, was heute KI-Agenten genannt wird. Damals hieß es noch Microservices – kleine autonome Softwarestücke mit KI im Kern, die Kontext, Systemzugriff und eine konkrete Aufgabe verbinden. Heute automatisiert BLP komplexe Unternehmensprozesse für große Kunden und sieht dabei, woran KI-Projekte in der Realität scheitern: selten an der Technologie, sehr oft an Prozesswissen, Governance und Change Management.

Inhaltsübersicht

Warum BLP schon vor dem Agenten-Hype an agentischer Automatisierung gearbeitet hat
Modell vs. Applikation: Warum der eigentliche Wert im Application Layer entsteht
Vom KI-Hype zum ROI: Warum 2027 keine Piloten ohne Business Impact mehr akzeptiert werden
Build vs. Buy: Time to Value, Betriebskosten und Risiko als zentrale Entscheidungsfaktoren
Warum individuelle KI-Produktivität oft nicht in Organisationen ankommt
Prozess-Redesign: Warum bestehende Freigabe- und Kontrollprozesse nicht für KI gebaut sind
Temporärer Schlusscheck, Kontrollverlust und menschliches Verhalten im Wandel
Change Management: Warum Kommunikation und Management-Ownership entscheidend sind
Neue Governance: Warum KI-Agenten fachliche Application Owner brauchen
Testing und Monitoring: Wie kundenspezifische Agenten sicher in Produktion gehen
Warum Tim glaubt, dass die Technologie heute schon funktioniert – und der Mensch der Engpass ist

Über den Gast

Tim Beck ist Co-Founder und CEO von BLP Digital. BLP ist ein Spin-off der ETH Zürich und automatisiert ERP-nahe Geschäftsprozesse mit agentischer KI – insbesondere in Finance, Procurement, Sales und Accounts Payable. Tim hat das Unternehmen gemeinsam mit seinem Bruder gegründet. Der familiäre Hintergrund im ERP-Umfeld prägte früh die Idee, KI nicht nur für Dokumentenextraktion einzusetzen, sondern End-to-End-Prozesse in Unternehmen zu automatisieren.

BLP begann 2018 mit eigenen Machine-Learning- und Transformer-Modellen für Dokumentenextraktion. Nach dem Durchbruch von ChatGPT entschied sich das Unternehmen bewusst gegen die Rolle als Modellanbieter und für den Aufbau einer Plattform, die mit unterschiedlichen Modellen arbeiten kann – als Ausführungsschicht für autonome ERP-Prozesse.

Detaillierte Zusammenfassung

Von Microservices zu KI-Agenten

Tim erklärt, dass BLP schon lange vor dem heutigen Agenten-Hype an autonomen Softwarebausteinen gearbeitet hat. 2018 und 2019 sprach noch niemand von KI-Agenten. BLP nannte diese Einheiten damals Microservices: kleine autonome Softwarestücke, die mit KI im Kern ganze Prozessschritte ausführen können.

Der Ausgangspunkt war eine Kombination aus Forschung und sehr konkretem Domänenwissen. Tim und sein Bruder kamen aus dem KI-Umfeld der ETH Zürich, kannten aber durch das ERP-Unternehmen ihrer Eltern auch die Prozesswelt mittelständischer und großer Unternehmen. Die erste Idee – KI für Dokumentenextraktion – erwies sich schnell als zu klein. Der eigentliche Wert lag nicht darin, Felder aus Dokumenten zu lesen, sondern Prozesse von Anfang bis Ende zu automatisieren.

„Ich hab Kontext, ich hab eine Anbindung an die Umwelt, ich hab eine Aufgabe und die möchte ich autonom ausführen."

Modell vs. Applikation: Wo der Wert wirklich entsteht

Ein zentraler Punkt im Gespräch ist die Unterscheidung zwischen Modell- und Applikationsschicht. Tim sieht die heutigen Large Language Models bereits auf einem sehr hohen Reifegrad. Die großen Sprünge in der Wahrnehmung entstehen aus seiner Sicht aber weniger durch immer bessere Modelle, sondern durch die Anwendungsschicht: Zugriff auf Dokumente, Systemaktionen, Internetrecherche, Dateien und Unternehmenssysteme.

Genau dort beginnt für Tim Agentic AI: Nicht mehr nur Antworten geben, sondern handeln. In BLPs Fall heißt das: Bestellungen anlegen, Auftragsbestätigungen prüfen, Rechnungen verarbeiten, Kontierungen vorschlagen oder ausführen und nur dort Menschen einbinden, wo echte Ausnahmen entstehen.

Vom Hype zur ROI-Pflicht

Tim ordnet den Agenten-Hype nüchtern ein. Er sieht einen starken Marketing-Hype, in dem jede Software plötzlich KI-nativ sein will. Gleichzeitig sei es heute sehr leicht geworden, überzeugende Demos zu bauen – und dadurch im Vertrieb über Probleme hinwegzutäuschen, die erst in Produktion sichtbar werden.

Seine These: Die Explorationsphase endet. Unternehmen haben genug ausprobiert, erste Piloten gebaut und verstanden, dass KI funktionieren kann. Jetzt wird entscheidend, ob daraus messbarer Business Impact entsteht.

„2027 wird kein Board mehr akzeptieren, KI-Piloten zu machen, Token Spend zu generieren, ohne echten Return on Investment."

Build vs. Buy: Es geht nicht um Können, sondern um Time to Value

Tim betont, dass Unternehmen heute grundsätzlich fast jedes KI-Produkt selbst bauen können. Die entscheidenden Fragen sind aber andere: Wie schnell kommt man zum Wert? Zu welchen Kosten lässt sich das System betreiben? Und welches Risiko nimmt man in Kauf?

Am Beispiel Accounts Payable macht er deutlich, warum produktive Automatisierung komplex ist. Eine End-to-End-Rechnungsverarbeitung besteht nicht aus einem Use Case, sondern aus vielen Varianten und Ausnahmen. BLP bricht einen solchen Prozess in rund 160 Teilfälle herunter. Manche Ausnahmen sind technisch einfach, andere erfordern Prozesswissen – etwa wenn ein Kontierungsagent nicht erkennen kann, warum AWS-Rechnungen in der Vergangenheit unterschiedlich kontiert wurden.

„Nur wie lang dauert's? Wie viel Risiko hab ich dabei? Und wie kostengünstig krieg ich's wirklich hin?"

Warum individuelle KI-Produktivität nicht automatisch organisational wirkt

Felix bringt das Paradox ein, dass Einzelpersonen mit KI-Agenten oft enorme Produktivitätsgewinne erleben, während diese Effekte in Organisationen nur langsam ankommen. Tim sieht dafür zwei Hauptgründe: Prozesse und Menschen.

Prozesse wurden historisch nicht für KI gebaut. Sie entstanden aus Kontrolle und Guidance. Ein Spesenprozess etwa gibt Mitarbeitenden Orientierung und dem Unternehmen Kontrolle. Viele dieser Prozesse enthalten aber mehrstufige Freigaben, implizites Wissen und menschliche Entscheidungspunkte, die nie sauber dokumentiert wurden. Damit ein Agent autonom handeln kann, muss genau dieses implizite Wissen explizit gemacht werden.

„Wir müssen jeden Prozess neu denken. Wir müssen implizites Wissen explizit machen."

Kontrolle, temporäre Schlusschecks und die Psychologie des Wandels

Besonders anschaulich wird das beim temporären Schlusscheck. BLP baut in vielen Projekten zunächst einen Schritt ein, in dem Buchhaltungsteams prüfen können, ob die KI alles richtig gemacht hat. Dieser Check ist bewusst temporär gedacht und soll nach einigen Monaten abgeschaltet werden, wenn keine Änderungen mehr auftreten.

In der Praxis zeigt sich aber: Selbst wenn keine Fehler gefunden werden, fällt es Menschen schwer, Kontrolle abzugeben. Teilweise sieht BLP sogar, dass Nutzer:innen Dinge löschen und wieder hinzufügen – mit exakt gleichem Ergebnis. Für Tim zeigt das, dass der Wandel nicht nur technisch, sondern zutiefst menschlich ist.

Change Management: Technologie ist nicht der Engpass

Tim beschreibt Change Management als den eigentlichen Engpass. Die Technologie sei heute weit genug, aber schlecht kommunizierte KI-Projekte erzeugen Angst, Widerstand und Sabotage. Er verweist auf Studien, nach denen ein signifikanter Teil der Mitarbeitenden KI-Projekte aktiv torpediert – oft aus Sorge um die eigene Rolle.

Gut funktionierende Projekte haben aus seiner Sicht klare Kommunikation, Management-Ownership und ein attraktives Zielbild. Ein Beispiel: Bei einem großen Lebensmittelkonzern in der Schweiz übernahm ein Geschäftsführungsmitglied selbst die Rolle als Key User, analysierte gemeinsam mit dem Team hunderte Fälle und machte sichtbar, dass das Wissen vorhanden war – nur nicht explizit dokumentiert. Dadurch wurden Mitarbeitende nicht als ersetzbare Sachbearbeitung positioniert, sondern als Wissensträger:innen, die die KI befähigen.

„Technologie ist gelöst. Es geht um Change."

Zielbild statt vager Wertschöpfung

Felix ergänzt, dass Unternehmen zu oft von „wertstiftenderer Arbeit” sprechen, ohne konkret zu benennen, was das für einzelne Teams oder Rollen bedeutet. Tim stimmt zu und nennt Beispiele: Vertrieb sollte mit Kund:innen sprechen statt Aufträge erfassen, Einkauf sollte Lieferanten verhandeln statt Auftragsbestätigungen kontrollieren, Accounting sollte nicht intern Spesenbelegen hinterherlaufen.

Der gemeinsame Punkt: Automatisierung wird akzeptabler, wenn Teams verstehen, welche bessere Arbeit dadurch möglich wird – und wenn diese Arbeit konkret beschrieben wird.

Neue Governance: KI gehört nicht nur in die IT

Ein weiteres zentrales Learning betrifft Governance. Historisch liegt Software-Governance stark in der IT: Fachbereiche stellen Tickets, IT setzt Änderungen um, Fachbereiche testen. Für KI-Agenten funktioniert dieses Modell laut Tim nicht mehr. Die Veränderungsfrequenz ist zu hoch, und das relevante Wissen liegt im Fachbereich.

Wenn Agenten kontinuierlich mit neuem Kontext versorgt werden müssen, braucht es eine geteilte Ownership. IT bleibt für Integration, Security und Technologie verantwortlich. Fachbereiche müssen aber fachliche Agenten-Konfiguration, Tests und Freigaben übernehmen.

Der Application Owner im Fachbereich

BLP setzt deshalb auf Application Owner aus dem Fachbereich. Diese Personen bringen Finance-, Procurement- oder Sales-Wissen mit und entwickeln sich zu einer Art IT-Application-Owner für ihren Prozessbereich. Sie müssen nicht klassische Entwickler:innen sein, brauchen aber Prozesswissen, technologische Affinität und Lust, Zukunft zu gestalten.

Für Tim ist das eine neue Rolle, die in vielen Unternehmen erst entstehen muss. Sie verbindet Domänenwissen, Prozessverständnis und die Fähigkeit, KI-Agenten sinnvoll zu betreiben.

Testing und Monitoring: 99 Prozent reichen nicht

In ERP-nahen Kernprozessen reichen 99 Prozent Zuverlässigkeit laut Tim nicht. BLP automatisiert auditierte Prozesse, in denen Fehler teuer sind. Deshalb wird ein großer Workflow nicht von einem einzigen Agenten übernommen. Stattdessen besteht er aus vielen spezialisierten Agenten, die einzelne Schritte ausführen und orchestriert werden.

Für Accounts Payable können je nach Rechnung 20 bis 30 Agenten aus einem Pool von rund 160 generischen Agenten zum Einsatz kommen. Diese generischen Agenten funktionieren zunächst über Kund:innen hinweg. Höhere Automatisierung entsteht dann durch kundenspezifische Agenten, die bestimmte Muster, Lieferanten, Nutzer:innen oder Kontextregeln abbilden.

Kundenspezifische Agenten und Validierungssets

Tim erklärt das am Beispiel von AWS-Rechnungen: Wenn eine Person Rechnungen in der Vergangenheit unterschiedlich kontiert hat, muss geklärt werden, ob es dafür eine Regel gab oder ob Fehler passiert sind. Erst wenn genügend Fälle und ein Validierungsset vorhanden sind, wird ein kundenspezifischer Agent erstellt, der den generischen Agenten übersteuert.

Testing passiert also nicht rein a priori, sondern innerhalb des laufenden Prozesses. Neue Ausnahmen werden menschlich geklärt, Muster werden erkannt, und erst dann werden spezifische Agenten freigegeben. Gleichzeitig muss bei Modellwechseln automatisiert getestet werden, ob bestehende Agenten weiterhin korrekt funktionieren.

Der Mensch als wichtigstes Learning

Zum Abschluss fragt Felix nach Tims wichtigstem Learning aus acht Jahren Arbeit an agentischen Systemen. Tim kommt erneut auf den Menschen zurück. Er beschreibt einen Veränderungszyklus: Menschen reagieren zunächst mit Abwehr, suchen Beispiele für Fehler, erleben Frustration, adaptieren schließlich und lernen, die neue Technologie sinnvoll einzusetzen.

Für Tim ist entscheidend, sich klarzumachen: Die Technologie wird jeden Tag besser. Das schlechteste Niveau, das Unternehmen erleben werden, ist das heutige. Die eigentliche Aufgabe besteht jetzt darin, Menschen und Organisationen durch den Wandel zu bringen.

„Das Schlechteste, was wir erleben werden, ist heute, wenn wir nach vorne gucken."

Kernaussagen

Agenten sind keine Demo, sondern Ausführungsschicht – Der Wert entsteht, wenn KI nicht nur antwortet, sondern in Systemen Arbeit übernimmt. Agentic AI, ERP, Automation
Der Application Layer entscheidet – Modelle sind reif, aber der Nutzen entsteht durch Integration, Kontext und konkrete Prozessausführung. Modell vs. Applikation, Produktstrategie
ROI ersetzt Experimentiermodus – KI-Piloten ohne messbaren Business Impact werden zunehmend nicht mehr akzeptiert. ROI, Board, KI-Strategie
Build vs. Buy ist eine Risikofrage – Unternehmen können vieles selbst bauen, aber Time to Value, Betriebskosten und Risiko entscheiden. Make or Buy, Skalierung
Prozesse müssen für KI neu gedacht werden – Bestehende Freigaben, Kontrollen und implizites Wissen sind oft nicht agentenfähig. Prozess-Redesign, Governance
Technologie ist nicht der Engpass – Der Wandel scheitert häufiger an Kommunikation, Angst und unklaren Zielbildern als an der KI selbst. Change Management, Leadership
Fachbereiche brauchen neue Ownership – KI-Agenten müssen fachlich betrieben, getestet und weiterentwickelt werden – nicht nur durch die IT. Application Owner, Fachbereich
Zuverlässigkeit braucht Orchestrierung und Tests – In Kernprozessen reichen 99 Prozent nicht; generische und kundenspezifische Agenten brauchen Validierungssets und Monitoring. Testing, Monitoring, Auditierbarkeit

Fazit und Takeaways

Für Führungskräfte

Vom Pilot zum Impact wechseln: KI-Initiativen brauchen klare Business-Ziele, messbare KPIs und eine Verbindung zu Bottom-Line- oder Top-Line-Effekten.
Change aktiv führen: Mitarbeitende brauchen nicht nur Tools, sondern Kommunikation, Orientierung und ein konkretes Zielbild für ihre zukünftige Arbeit.
Kontrolle neu denken: Kontrolle muss nicht menschliche Prüfung bedeuten. Auditierbare KI-Systeme können Kontrolle erhalten, während manuelle Arbeit verschwindet.

Für Fachbereiche

Implizites Wissen sichtbar machen: Agenten brauchen Kontext. Fachbereiche müssen dokumentieren, warum Ausnahmen wie entschieden werden.
Neue Rollen aufbauen: Application Owner im Fachbereich werden zentral, um Agenten fachlich zu betreiben, zu testen und weiterzuentwickeln.
Prozesse nicht nur automatisieren: Der alte Ablauf ist nicht automatisch der beste. KI lohnt sich besonders, wenn Prozesse neu gedacht werden.

Für Unternehmen, die Agentic AI skalieren wollen

Mit klaren Kernprozessen starten: Accounts Payable, Einkauf oder ERP-nahe Workflows eignen sich, wenn Wert, Volumen und Ausnahmen messbar sind.
Testing und Monitoring von Anfang an mitdenken: Produktive Agenten brauchen Validierungssets, automatisierte Regressionstests und klare Eskalationslogik.
Build vs. Buy nüchtern entscheiden: Nicht die technische Machbarkeit entscheidet, sondern Geschwindigkeit, Betrieb, Kosten und Risiko.

Tim Beck zeigt in dieser Folge, dass Agentic AI im Enterprise nicht an einzelnen beeindruckenden Demos hängt. Entscheidend ist, ob Unternehmen Prozesse, Wissen, Governance und Menschen so organisieren, dass KI-Agenten in echten Kernprozessen zuverlässig Arbeit übernehmen können.

Zum Gast: Tim Beck

#96Agentic AI im ERP: Wie BLP 300 Agenten in Kernprozesse bringt