KI-Absatzprognose im Mittelstand: Wann sich die Einführung lohnt

Der Einsatz von künstlicher Intelligenz im Supply Chain Management ist nicht mehr nur Großkonzernen vorbehalten. Sowohl Kosten als auch die Implementierungshürden für entsprechende Tools sinken, was den Einsatz auch für mittelständische Unternehmen interessant macht. Das bestätigt auch die BVL-Studie „Trends und Strategien in Logistik und Supply Chain Management 2025/26“: Für fast 70% der Logistik- und SCM-Verantwortlichen ist die Implementierung von KI strategische Priorität.  

Oft bleiben die Ergebnisse von KI-Projekten und der einhergehenden Investitionen aber hinter den ursprünglichen Erwartungen. Das liegt aber selten an der Qualität der eingesetzten Modelle, sondern an fehlenden Voraussetzungen in den Bereichen Datenqualität, Prozessreife oder Erfolgsmessung. Im Folgenden wollen wir der Frage nachgehen, wann die Einführung von KI-Absatzprognosen im Mittelstand Sinn ergibt und welche Problemfelder zuvor behandelt werden sollen. 

Datenbasis, Prozessreife und Erfolgsmessung: Die Voraussetzungen für erfolgreiche Implementierungsprojekte 

Anwendungen zur Erstellung von KI-Absatzprognosen verlangen nach Grundlagen, um messbaren Mehrwert zu erzielen. Neben dem Vorhandensein einer ausreichenden historischen Datenbasis müssen auch die Prozesse stimmen, die auf KI-generierte Vorhersagen zurückgreifen und klare Messkonzepte sollten Auskunft über Erfolg oder Misserfolg von Implementierungsprojekten geben. 

Datenqualität als Grundlage für präzise Absatzprognosen 

Machine Learning beschreibt den Teilbereich der künstlichen Intelligenz, der selbstständig Muster in vorhandenen Daten erkennt. Dabei müssen die zugrundeliegenden Daten Wiederholungen aufweisen, aus denen ebendiese Muster erkannt werden können. Fehlt eine längere Wiederholungshistorie oder sind Daten lückenhaft oder inkonsistent, wird das System nur auf „Rauschen“ trainiert. 

Für die Wiederholungshistorie gibt es klare Empfehlungen: Um hochwertige Prognosen zu erstellen sollten zumindest zwei, besser noch 3 Jahre, von vollständigen Absatzdaten je Artikel vorliegen. Dabei sollte es auch keine Lücken geben, wie sie etwa durch den Wechsel oder die Migration von ERP-Systemen entstehen. Praktisch wird es immer wieder zu lückenhaften Historien kommen. Das ist kein Ausschluss-Kriterium für die Nutzung von KI-Tools. Wichtig ist es aber, diese frühzeitig zu erkennen und zu bereinigen, bevor das Modell trainiert wird.  

Neben fehlenden historischen Daten sind es oft aber auch gängige und häufig auftretende Probleme, die historische Absätze verzerren können. Werden Retouren nicht richtig gegen den Ursprungsauftrag gebucht, verzerrt das Absätze ebenso wie Aktionen oder Großaufträge, die als regulärer Absatz gebucht werden. Werden solche Anomalien vor der Implementierung von KI-Tools nicht korrigiert, lernt das Modell falsche Muster.  

Wie wichtig eine gute Datenbasis ist, wird auch in der BCG-Studie „Supply Chain Planning 2026“ hervorgehoben. Hier wird bestätigt, dass die Datenvorbereitung in erfolgreichen KI-Projekten im Schnitt mehr Zeit in Anspruch nimmt als die eigentliche Implementierung der Anwendung. Ausreichende Datenqualität ist also die Grundlage für die erfolgreiche Einführung von KI-Absatzprognosen.  

Prozesse, um Informationen erfolgreich zu nutzen 

Mit der richtigen Datenbasis liefern KI-basierte Prognosetools die besseren Ergebnisse. Aber was diese im Unternehmen wirksam macht, ist immer noch der Mensch. Ohne klare, strukturierte Planungsprozesse werden die Informationen nicht an den richtigen Stellen genutzt und die erhofften Resultate bleiben aus. 

Eine Lösungsstrategie auf organisatorischer Ebene ist die Einführung von S&OP („Sales & Operations Planning“) Prozessen. Sie beschreiben die regelmäßige und formalisierte Abstimmung zwischen allen Abteilungen, die in der Absatz-, Produktions- und Beschaffungsplanung involviert sind. Ohne diese Prozesse landen Prognosen zwar im richtigen System, aber Vertrieb, Einkauf und Produktion arbeiten weiterhin auf Basis ihrer eigenen Annahmen und Daten. Die KI-Prognosen werden von den Abteilungen nicht als verbindlich wahrgenommen. 

Besonders bei mittelständischen Unternehmen, wird die Definition solcher Prozesse oft vernachlässigt, weil die Abstimmung, allein schon durch die räumliche Nähe, als ausreichend empfunden wird. Da es nach Einführung von KI-basierten Anwendungen aber einen verstärkten Bedarf für Feedbackschleifen zwischen Planung und Ausführung braucht, steigt die Notwendigkeit wirklich alle beteiligten Abteilungen an den gleichen Tisch zu bringen. Ohne soliden Planungsprozess schaffen es Unternehmen meist nicht, den Nutzen von künstlicher Intelligenz in die eigene Organisation einzubringen, wie auch die 2026er Studie der BCG belegt.  

(Miss-)Erfolge messbar machen 

Um im eigenen Unternehmen Akzeptanz für KI-basierte Prognosen aufzubauen, braucht es Belegbarkeit. Messungen müssen den generierten Mehrwert für die Organisation belegen und die Investitionen rechtfertigen. Hierfür sollten zumindest vier KPIs bereits vor der Implementierung regelmäßig erhoben werden: 

1. Der „Mean Absolute Percentage Error“ (MAPE): Er beschreibt die durchschnittliche prozentuale Abweichung zwischen Prognose und dem tatsächlichen Absatz und dient als zentrale Messgröße für Prognosegenauigkeit. Er zeigt Ihnen, wie sehr sich die Genauigkeit verbessert oder verschlechtert hat.  

2. Der durchschnittliche Sicherheitsbestand je Artikel: Eines der wichtigsten Ziele, das mit Verbesserungen der Prognosequalität erreicht werden soll, ist die Verringerung des Sicherheitsbestands, um gebundenes Kapital und Lagerkosten zu verringern. Daher sollte er bereits vor Projektstart erfasst werden, um einen glaubwürdigen Vorher-Nachher Vergleich zu erstellen. 

3. Der Servicegrad (zumindest auf A-Artikel): Schaffen es Unternehmen, den Sicherheitsbestand zu senken, darf dies nicht auf Kosten des Servicegrads geschehen. Daher bietet es sich an, auch diesen bereits vor der Einführung zu erheben, um gewährleisten zu können, dass Bestandsreduzierungen nicht zu Lieferengpässen führen.  

4. Die Anzahl der manuellen Korrekturen: Das manuelle Überschreiben von Prognosen, der „Forecast Override“ kann Einblick in zwei Problemfelder im Zusammenhang mit KI-Prognosen liefern. Einerseits lässt sich damit die Qualität der eingesetzten Modelle bewerten. Wenn sich manuelle Überschreibungen häufen, kann das ein Indikator dafür sein, dass die Prognosequalität nicht ausreicht. Sie können aber auch Akzeptanz-Probleme, also wie sehr die eigenen Mitarbeiter gewillt sind, die neue Technologie zu nutzen, sichtbar machen. Erfahren Sie in unserem Artikel zum „Forecast Override“, wie Sie das Vertrauen in KI-Prognosen im eigenen Unternehmen stärken können.   

Die häufigsten Stolpersteine für Mittelständler 

Oft scheitern Projekte zur Einführung von KI-basierten Absatzprognosen nicht an der Qualität der gewählten Modelle. Es können auch zu hohe Erwartungen an die Ergebnisse, zu früh getätigte Investitionen oder fehlende Akzeptanz bei den Endnutzern sein.  

Zu hohe Erwartungen an die Prognosegenauigkeit 

Egal ob vom Menschen erstellt oder durch KI-Anwendungen: Absatz- und Bedarfsprognosen können keine perfekte Prognosequalität erreichen. Zu viele unvorhersagbare Faktoren wie Kundenverhalten, Marktschwankungen oder Lieferkettenunterbrechungen beeinflussen sie. Zwar können Planer und Supply Chain Verantwortliche vom Einsatz von KI-generierten Prognosen genauere Vorhersagen erwarten, aber sind diese Erwartungen zu hoch, führt das schnell zu Enttäuschungen. 

Um eine realistische Einschätzung abzugeben: Für A/X Artikel, also umsatzstarke Artikel mit vorhersagbarem Verbrauch, kann durch den Einsatz von künstlicher Intelligenz eine MAPE-Verbesserung von 20 bis 35 Prozent erreicht werden. Diese weisen üblicherweise, für die KI klar erkennbare Muster auf, wodurch die KI-Prognosen, klassischen statistischen Prognosemodellen überlegen sind. Handelt es sich um Y Artikel mit stärkeren Schwankungen in der Nachfrage, sinkt die Verbesserung üblicherweise auf 10 bis 25 Prozent. Bei Z Artikeln mit unregelmäßigem Bedarf fehlen die, sich wiederholenden Muster, aus denen die künstliche Intelligenz lernt. Hier sind kaum Verbesserungen im Vergleich zu klassischen Prognosen zu erwarten. 

Investieren, ohne die Grundlagen zu schaffen 

Das oben beschriebene Problem zu fehlender Qualität und Konsistenz in den Absatzdaten betrifft zwar nicht nur, aber sehr oft den Mittelstand. Der, in der Datenverarbeitung gängige Fachbegriff „Garbage in, Garbage out“ (sinngemäß: Input mit schlechter Qualität führt zu Output mit schlechter Qualität), beschreibt das Problem. Wird beispielsweise ein ERP-System gewechselt und die Daten im Anschluss nicht bereinigt, schlägt das ein Loch in die Absatzhistorie. Daten vor dem Wechsel sind strukturell anders als danach. Die Muster, die von Modellen zum Lernen herangezogen werden, fehlen oder ergeben keinen Sinn und die Prognosen werden nutzlos.  

Wird nun zu früh in Software investiert, bevor diese Probleme behoben sind, wird das Modell falsch trainiert und die eingesetzte Lösung kann ihren Nutzen nicht entfalten. Der Output stiftet keinen Mehrwert im Unternehmen und Tools werden wieder aus den Prozessen entfernt. Die Reihenfolge im Vorgehen ist daher klar: Bevor Investitionen getätigt werden, muss die eigene Datenlage bewertet und mögliche Fehler behoben werden. Nur so können KI-Projekte messbaren ROI erzielen.   

Fehlende Schulung und Begleitung des Teams 

Oft scheitern KI-Projekte nicht an Problemen von technischer Natur oder falschen Erwartungshaltungen. Es können auch die Mitarbeiter sein, die von der neuen Technologie profitieren sollen, sich aber aus unterschiedlichen Gründen weigern sie zu nutzen.  

Da viele KI-Anwendungen zu wenig Transparenz bieten, wie Prognosen genau erstellt werden, ist es für erfahrene Planer oft schwierig Vertrauen in die Modelle aufzubauen. Auch organisatorische Versäumnisse, wie fehlende Einschulungen, können den Umstieg auf neue Tools erschweren. So identifiziert auch PWC im „Digital Operations Survey 2025“, dass fehlendes Nutzervertrauen und mangelnde Erklärbarkeit zu den häufigsten Gründen zählen, warum KI-Projekte langfristig scheitern.  

Es ist hier an den Projektverantwortlichen sicherzustellen, dass Endnutzer bereits in den Entscheidungsprozess für den Erwerb neuer Software eingebunden werden und dass jene Lösungen bevorzugt werden, die für Planer ein hohes Maß an Transparenz bieten. Weitere Gründe für mangelnde Adoption sowie Empfehlungen, wie diese verbessert werden kann, finden Sie in unserem Artikel zur Akzeptanz von KI-Prognosen.  

Einstiegsstrategien für die Einführung von KI-Prognosen im Mittelstand 

Die Einführung von künstlicher Intelligenz erfordert nicht die sofortige Umstellung aller internen Prozesse. Besonders für Mittelständler bietet es sich an, mit kleineren und klar abgegrenzten Projekten zu starten. Hier drei mögliche Einstiegsszenarien, um KI-Anwendungen im eigenen Unternehmen zu nutzen. 

Einen niedrigschwelligen Einstiegspunkt wählen 

Sind keine, über Jahre hindurch gepflegten, historische Daten vorhanden, kann es sinnvoll sein mit niederschwelligen Technologien zu starten. Als Einstieg bieten sich vor allem Anwendungen für Demand Sensing an. Hier fließen Echtzeitsignale, beispielsweise aus aktuellen Auftragseingängen oder POS-Daten, ergänzend in die statistische Absatzplanung ein. Sie eignen sich besonders um kurzfristige Nachfrageschwankungen zu identifizieren und die Prognose der kommenden 2 bis 4 Wochen zu verbessern. 

Neben den Vorteilen, wie der schnellen Implementierung und niedrigerem Aufwand bei der Datenaufbereitung müssen die Grenzen entsprechender Modelle aber berücksichtigt werden. Es handelt sich nicht um einen Ersatz, sondern um eine Ergänzung zu strategischer Absatzplanung. Der Weg zur vollständigen KI-Absatzprognose wird aber durch die Schaffung von Daten- und Prozessgrundlagen deutlich vereinfacht. 

Mit den richtigen Pilotprojekten starten 

Wenn ein vollständiger Roll-out von Lösungen zu komplex erscheint, kann die Eingrenzung auf ein Pilotprojekt mit klarer Zielsetzung helfen. So kann ein Projekt mit begrenzter Laufzeit, etwa 6 Monate, einem Fokus auf wenige, aber umsatzstarke Artikel und mit 2 bis 3 Beteiligten dienen, um die Qualität von KI-Prognosemodellen zu testen und um erste Erfahrungen für größere Implementierungsprojekte zu sammeln. 

Ist ein Pilotprojekt nicht erfolgreich, können die Erfahrungen helfen mögliche Problemfelder einzugrenzen. Ist die Datenqualität nicht ausreichend? Wurde ein unpassendes Prognosemodell gewählt? Oder waren die ausgewählten Artikel für den Testlauf nicht geeignet? Kann man die ersten Erfolge verzeichnen, gibt das Selbstvertrauen für größere Projekte und der Pilot kann als interne Argumentationsbasis mit echten Ergebnissen dienen. 

ERP-Systeme erweitern oder spezialisierte Software 

Auch die Auswahl des richtigen Systems kann zum Erfolg von KI-Projekten beitragen. Hier ist unter anderem zwischen Erweiterungen des bestehenden ERP-Systems, um Demand Planning Module und spezialisierter Software zu unterscheiden.  

Klarer Vorteil von, im bestehenden ERP-System angebotenen, Erweiterungen ist der reduzierte Schnittstellenaufwand. Das ausgewählte Modul hat bereits vollen Zugriff auf alle relevanten Daten. Dies setzt voraus, dass das eingesetzte System entsprechende Erweiterungen anbietet, aber auch, dass IT-Ressourcen zur Verfügung stehen, die Implementierung und Pflege übernehmen können.  

Spezialisierte Software kann in den meisten Fällen noch deutlich schneller eingeführt und an bestehende Systeme angeschlossen werden, da sie genau dafür ausgelegt und oft weniger wartungsintensiv sind. Herausfordernd kann aber der Aufbau einer sauberen Schnittstelle zum ERP-System sein. 

Eine Entscheidungshilfe kann der Blick ins eigene Unternehmen sein. Handelt es sich um große Betriebe, die dezidierte IT-Ressourcen für Projekte bereitstellen können, ist oft die Erweiterung des bestehenden Systems der bessere Weg. Für kleinere, dynamischere Mittelständler kann eine spezialisierte Software, die sich schnell und mit weniger Aufwand implementieren lässt, die bessere Wahl sein. 

Fazit: Der Mittelstand profitiert, wenn die internen Voraussetzungen stimmen 

Der Mittelstand kann von der Anwendung von künstlicher Intelligenz profitieren. Aber bevor neue Tools eingeführt werden, muss der Fokus auf der Schaffung der passenden Rahmenbedingungen liegen.  

Sind die historischen Daten gepflegt und die betroffenen Abteilungen durch die richtigen Prozesse abgestimmt, ist es sinnvoll KI-Prognosen erst für einen kleinen und gut dokumentierten Teil des Sortiments zu nutzen. So können wichtige Erfahrungen gesammelt und Probleme identifiziert werden,  die einem größeren Roll-out im Weg stehen könnten. 

Weiterführende Quellen  

1. BCG (2026): Supply Chain Planning 2026: Why AI Alone Isn't Enough   

2. BVL (2025): Trends und Strategien in Logistik und Supply Chain Management 2025/26  

3. PWC (2025): 2025 Digital Trends in Operations Survey  

 FAQs