Die Rolle von KI in der Supply Chain

Die Debatte über künstliche Intelligenz in der Lieferkette leidet an einem Nachweisproblem. Anbieter berichten Verbesserungen von 40 oder 50 Prozent, Anwender finden diese Werte in ihren eigenen Zahlen nicht wieder, und die Diskussion verlagert sich auf Technologiefragen, die nicht das Problem sind.

Wir haben deshalb die 31 Mandate ausgewertet, in denen wir zwischen 2021 und 2026 Prognose- oder Dispositionsverfahren produktiv gesetzt haben – mit den Kennzahlen aus dem Controlling der jeweiligen Mandantin, nicht aus einer Pilotmessung.

Was die Auswertung zeigt

Effekt	Korridor über 31 Mandate
Bestandsreduktion	9 bis 27 %
Verbesserung der Prognosegenauigkeit	11 bis 34 %
Veränderung des Servicegrads	−0,4 bis +2,9 Prozentpunkte
Amortisationsdauer	7 bis 21 Monate

Der Median der Bestandsreduktion liegt bei 16 Prozent. Das ist ein erheblicher Wert – aber er ist weit entfernt von den Zahlen, mit denen Softwareanbieter in Ausschreibungen antreten. Wer mit 40 Prozent kalkuliert, wird seine Investitionsrechnung nicht halten.

Die sechs Mandate, in denen es nicht funktioniert hat

In sechs von 31 Fällen lag der realisierte Nutzen unterhalb der Projektkosten. Diese Fälle sind für eine Investitionsentscheidung wichtiger als die 25 erfolgreichen, weil sie alle dieselbe Ursache hatten: Stammdatenqualität.

Konkret:

• In drei Fällen existierten für dieselben Artikel mehrere Stammdatensätze mit abweichenden Wiederbeschaffungszeiten. Das Modell rechnete korrekt – mit falschen Eingangsgrößen.
• In zwei Fällen waren historische Nachfragedaten durch manuelle Eingriffe der Disponenten überschrieben. Das Modell lernte die Eingriffe, nicht die Nachfrage.
• In einem Fall war die Nachfrage tatsächlich nicht prognostizierbar: ein Projektgeschäft mit 40 Aufträgen pro Jahr. Dort hätte kein Verfahren geholfen.

Keiner dieser sechs Fälle war ein Algorithmusproblem. Fünf davon wären durch eine Datenreifeprüfung vor Projektbeginn erkennbar gewesen.

Was das für die Reihenfolge bedeutet

Die praktische Konsequenz ist unbequem, weil sie das Projekt verlängert: Die Investition in Stammdatenqualität muss vor der Investition in Prognoseverfahren erfolgen, nicht parallel.

1. Datenreife prüfen – Eindeutigkeit der Artikelstämme, Vollständigkeit der Wiederbeschaffungszeiten, Unverfälschtheit der Nachfragehistorie
2. Bereinigen, wo nötig – in unseren Mandaten typischerweise 8 bis 16 Wochen für die A- und B-Artikel
3. Erst dann modellieren – mit einem Business Case, der den Korridor oben und nicht die Anbieterzusage zugrunde legt

Ein Prognosemodell auf unbereinigten Stammdaten ist kein halber Erfolg. Es ist eine Verschlechterung, weil es Fehler schneller und mit höherer Autorität in die Disposition trägt.

Wo der Nutzen tatsächlich entsteht

Interessant ist, wo die Wirkung in den 25 erfolgreichen Mandaten herkam. Nicht primär aus besseren Punktprognosen, sondern aus zwei weniger beachteten Effekten:

Erstens die Prognoseunsicherheit selbst. Wenn ein Modell nicht nur einen Erwartungswert, sondern eine Verteilung liefert, lassen sich Sicherheitsbestände artikelspezifisch statt pauschal auslegen. In unseren Mandaten kamen 40 bis 60 Prozent der Bestandsreduktion aus diesem Effekt.

Zweitens der Wegfall lokaler Eingriffe. Wo die Disposition zentral und regelbasiert erfolgt, entfallen die Sicherheitsbestände, die einzelne Standorte gegen ein systemisches Problem bilden. Das ist streng genommen kein Effekt der künstlichen Intelligenz, sondern der Vereinheitlichung – aber er wird in der Praxis erst durch sie durchsetzbar, weil die einheitliche Regel nun begründbar ist.

Die vollständige Auswertung mit Rechenbeispiel zur Wirtschaftlichkeit und einer Checkliste zur Datenreife steht im Infocenter zum Download bereit.