KI in der Supply Chain: Welche Prozesse profitieren (und welche nicht)

Laut BCG-Studie "Supply Chain Planning 2026: Why AI Alone Isn't Enough" berichten nur rund 20 Prozent der befragten 181 Supply-Chain-Verantwortlichen weltweit über einen messbaren Mehrwert aus KI-Investitionen in SCM-Prozessen. Der Grund liegt nicht in der Technologie selbst, sondern im falschen Einsatzbereich: KI wird auf Prozesse angewendet, die strukturell nicht dafür geeignet sind. Wer das ignoriert und KI pauschal über alle Planungs- und Beschaffungsprozesse ausrollt, investiert in Implementierungsaufwand, der den Nutzen übertrifft. Dieser Artikel zeigt, welche SCM-Prozesse die strukturellen Voraussetzungen erfüllen, welche das nicht tun, und nach welchen Kriterien Sie Ihre eigene KI-Priorisierung vornehmen können. 

Wo KI in der Supply Chain tatsächlich Mehrwert liefert: Vier Prozesse im Überblick 

KI-Systeme (also Systeme, die Muster in historischen Daten erkennen und auf dieser Basis Vorhersagen oder Handlungsempfehlungen erzeugen, ohne für jeden Fall explizit programmiert zu werden) funktionieren dann gut, wenn drei Bedingungen gleichzeitig zutreffen: eine strukturierte, ausreichend umfangreiche Datenbasis, wiederkehrende Entscheidungsstrukturen mit lernbaren Mustern und eine hohe Entscheidungsfrequenz, die manuelles Bearbeiten unwirtschaftlich macht. Die vier folgenden Prozesse erfüllen diese Bedingungen in unterschiedlichem Maß.

Bedarfsplanung: Der reifste KI-Anwendungsfall im SCM

Bedarfsplanung (auch Demand Planning, d.h. der Prozess der Nachfrageprognose auf Basis historischer Absatzdaten, Marktinformationen und externer Signale) ist der am besten untersuchte KI-Anwendungsfall in der gesamten Supply Chain. Das liegt an der Datenstruktur: Absatzdaten liegen in den meisten Unternehmen in langen Zeitreihen vor, Nachfragemuster sind messbar, und Prognosequalität lässt sich mit dem MAPE (Mean Absolute Percentage Error, d.h. der durchschnittlichen prozentualen Abweichung zwischen Prognose und tatsächlichem Absatz) direkt quantifizieren. 

Fraunhofer IML zeigt in seiner Forschung zu ML-basierter Bedarfsplanung, dass maschinelle Lernverfahren insbesondere bei Artikeln mit ausgeprägter Saisonalität und bei Prognosen mit externen Einflusssignalen gegenüber klassischen statistischen Verfahren überlegen sind. BCG bestätigt in ihrer 2026er Analyse, dass Demand Planning zu den Prozessen mit dem höchsten messbaren KI-Nutzen in der Supply Chain gehört, sofern Datenqualität und Prozessreife stimmen. 

Eine Einschränkung ist dabei unverzichtbar: Diese Vorteile gelten für Artikel mit strukturierter, wiederholbarer Nachfrage. Für Z-Artikel (d.h. Produkte mit sporadischem, unregelmäßigem Bedarf) liefert auch ein KI-Modell keine zuverlässigen Prognosen, weil keine ausreichende Musterbasis existiert. Die Entscheidung, welche Artikel für KI-gestützte Prognose geeignet sind, bleibt menschlich. Eine ausführliche Beschreibung der Voraussetzungen und Implementierungsschritte findet sich in unserem Beitrag zur KI-gestützten Absatzprognose. 

Bestandsoptimierung: Lagerkosten als direkter ROI-Nachweis 

Bestandsoptimierung ist für KI-Investitionen aus einem Grund besonders attraktiv: Der Nutzen ist direkt messbar. Lagerkosten (Kapitalkosten, Lagerplatzmietkosten, Obsoleszenzrisiko) lassen sich vor und nach dem Einsatz eines KI-Systems exakt vergleichen. Das macht den ROI-Nachweis gegenüber Geschäftsführung und Controllingabteilung einfacher als bei vielen anderen Digitalisierungsinvestitionen. 

KI-Systeme berechnen optimale Sicherheitsbestände und Nachbestellzeitpunkte auf Artikelebene, differenzierter als statische Formeln es erlauben. Sie passen Parameter dynamisch an veränderte Nachfrageschwankungen an, statt auf manuell hinterlegten Werten zu beharren. Ein typisches Nutzenszenario: dasselbe Servicelevel bei einem reduzierten durchschnittlichen Lagerbestand, weil das Modell überdimensionierte Sicherheitsbestände bei stabilen A/X-Artikeln identifiziert und freigibt. 

Wer jetzt einwirft, dass dieser Nutzen nur bei sauberer Datenlage eintritt, hat recht. Fehlende Retourbuchungen, inkonsistente Lagerplatzzuordnungen oder historische Stammdatenfehler korrumpieren das Modell von Grund auf. Datenqualität im ERP ist keine KI-Frage, sie ist eine Voraussetzung, die unabhängig von der KI-Entscheidung gelöst werden muss. 

Lieferantenmonitoring: Frühwarnfunktion mit überschaubarem Aufwand 

Anomalieerkennung (d.h. die KI-gestützte automatische Identifikation von Abweichungen vom Normalverhalten in Datenströmen) ist einer der niedrigschwelligsten KI-Einstiege im SCM. Auf Lieferantendaten angewendet bedeutet das: Das System erkennt, wenn ein Lieferant beginnt, von seinem historischen Liefertreue-Muster abzuweichen, bevor aus einer Häufung kleiner Verzögerungen ein Versorgungsausfall wird. 

Die Eingangsdaten für solche Modelle sind in den meisten ERP-Systemen bereits vorhanden: Liefertreue-Historien, Auftragseingangsmengen, Vorlaufzeiten je Lieferant. McKinsey dokumentiert im Supply Chain Risk Pulse 2025, dass Demand Forecasting, Bestandsoptimierung und Supply Planning die drei meistgenannten KI-Anwendungsfälle unter den befragten 100 Supply-Chain-Leitern weltweit sind, wobei Lieferantenmonitoring über Anomalieerkennung als niedrigschwelliger Einstiegspunkt gilt, weil keine neue Datenbasis aufgebaut werden muss. 

Die Verbindung zu bestehenden ERP-Schnittstellen reicht für einen ersten Piloten aus. Der Implementierungsaufwand ist im Vergleich zu anderen KI-Projekten überschaubar. 

Transportoptimierung: KI dort, wo Regellogik an Grenzen stößt 

Routenoptimierung, Ankunftszeitprognose (ETA-Vorhersage) und dynamische Tourenplanung sind Aufgaben, bei denen KI gegenüber regelbasierter Optimierung strukturell überlegen ist. Der Grund: Klassische Optimierungsregeln sind statisch. Sie kennen keine Echtzeitsignale zu Verkehrslage, Wetterbedingungen, Fahrzeugkapazitäten oder Fahrerverfügbarkeit. KI-Modelle integrieren diese Signale kontinuierlich und passen Routen und Zeitplanungen in Echtzeit an. 

Fraunhofer IML beschreibt in seiner Forschung zur KI-basierten Tourendisposition, wie ML-Algorithmen und Operations-Research-Methoden kombiniert werden, um dynamische Tourenplanung in Echtzeit zu ermöglichen. TMS-Systeme (Transportmanagementsysteme, d.h. Software zur Planung, Steuerung und Überwachung von Transportprozessen) integrieren solche KI-Module zunehmend als Standardfunktion, insbesondere für ETA-Prognosen und Kapazitätsauslastungsoptimierung. 

Der Einwand, dass sich dieser Investitionsaufwand für kleine Fuhrparks nicht rechnet, ist berechtigt. Für ein Unternehmen mit 5 eigenen Fahrzeugen ist KI-gestützte Routenoptimierung überdimensioniert. Der Nutzen skaliert mit dem Transportvolumen, und bei externen Speditionen liegt die Optimierungsverantwortung ohnehin beim Dienstleister. 

Wo KI in der Supply Chain an Grenzen stößt: drei Prozesse mit geringem Automatisierungspotenzial 

Nicht jeder Prozess mit hoher wirtschaftlicher Bedeutung eignet sich für KI. Die gemeinsame Struktur der folgenden drei Prozesse: hohe Kontextabhängigkeit, dünne oder nicht-wiederholbare Datenlage, oder Entscheidungskonsequenzen, die eine menschlich nachvollziehbare Entscheidungslogik erfordern. KI kann in diesen Prozessen unterstützen, als Entscheider scheidet sie aus. 

Strategischer Einkauf: Beziehung und Kontext schlagen Algorithmus 

Strategischer Einkauf (Lieferantenauswahl, Vertragsverhandlung, Lieferantenentwicklung) ist kontextuell, beziehungsbasiert und von Faktoren abhängig, die sich kaum in strukturierten Daten abbilden lassen: Vertrauen aus mehrjähriger Zusammenarbeit, politische Risiken in Beschaffungsmärkten, strategische Partnerschaftspläne, Reputationsrisiken. KI kann Datenbasis liefern (Preisindex-Analysen, Liefertreue-Screenings, Marktpreis-Benchmarks), aber nicht die eigentliche Entscheidung treffen, weil die relevanten Informationen schlicht nicht in der Datenbasis liegen. 

Die richtige Einordnung lautet: KI als Datenwerkzeug im strategischen Einkauf, nicht als Entscheider. Ein Einkäufer, der eine Lieferantenentscheidung mit KI-gestützten Liefertreue-Historien trifft, entscheidet besser informiert. Ein KI-System, das die Lieferantenentscheidung selbst trifft, entscheidet auf einer unvollständigen Informationsbasis. 

BCG formuliert diesen Punkt in ihrer 2026er Studie präzise: Unternehmen, die KI auf Entscheidungen anwenden, für die keine ausreichende Musterbasis existiert, erzielen keinen messbaren ROI. Strategischer Einkauf ist eines der explizit genannten Beispiele. 

Krisenmanagement: KI lernt aus Wiederholung, Krisen wiederholen sich nicht 

Lieferkettenkrisen (Pandemien, Hafensperrungen, geopolitische Eskalationen, plötzliche Rohstoffengpässe) sind strukturell neu. Es gibt keine ausreichende historische Musterbasis, aus der ein KI-Modell lernen könnte. Das Modell, das auf Basis von Verkaufsdaten der vergangenen Jahre trainiert wurde, hat keinen Anhaltspunkt dafür, wie sich eine neue Krisenkonstellation entwickelt, weil diese Konstellation so noch nicht aufgetreten ist. 

Das ist kein Scheitern von KI. Es ist eine strukturelle Grenze, die aus dem Konstruktionsprinzip folgt: KI lernt aus Wiederholung. Einmalige Hochdynamik-Situationen sind per Definition nicht wiederholbar. McKinsey zeigt im Supply Chain Risk Pulse 2025, dass trotz erheblicher KI-Investitionen in Supply-Chain-Resilienz die meisten Unternehmen bei echten Lieferkettenstörungen nach wie vor auf reaktive, menschlich gesteuerte Krisenmaßnahmen zurückgreifen. KI kann in solchen Situationen Szenarien simulieren und Daten aggregieren, aber die eigentliche Krisenentscheidung verbleibt beim Menschen. 

Strategische S&OP-Entscheidungen: Daten helfen, abwägen bleibt menschlich 

S&OP (Sales & Operations Planning, d.h. der monatliche, bereichsübergreifende Planungsabgleich zwischen Vertrieb, Produktion und Einkauf) ist ein Prozess, in dem KI eine klar definierte, sinnvolle Teilrolle hat: bessere Prognosedaten liefern. Die eigentlichen S&OP-Entscheidungen dagegen (Kapazitätsinvestitionen, Make-or-Buy-Abwägungen, Priorisierungen bei Engpässen) beinhalten Wertentscheidungen, Stakeholder-Interessen und strategische Prämissen, die nicht automatisierbar sind. 

Hinzu kommt das Black-Box-Problem: Viele leistungsfähige KI-Modelle (insbesondere neuronale Netze) können ihre Entscheidungslogik nicht in für Menschen nachvollziehbarer Form erklären. Bei Entscheidungen, die gegenüber Geschäftsführung, Aufsichtsrat oder Eigentümern begründet werden müssen, ist das ein strukturelles Ausschlusskriterium. BCG identifiziert in ihrer 2026er Studie mangelnde Erklärbarkeit von KI-Ausgaben explizit als einen der zentralen Adoptionsbarrieren bei strategischen Planungsprozessen. 

Wie Sie KI-Investitionen in Ihrer Supply Chain priorisieren: vier Bewertungskriterien 

Die Frage ist nicht, wo die Branche KI einsetzt. Die relevante Frage ist: Welche meiner Prozesse erfüllen die Voraussetzungen für einen sinnvollen KI-Einsatz? Vier Kriterien helfen bei der Antwort. Sie sind kein Regelwerk, sondern ein Werkzeugkasten für die Entscheidungsvorbereitung. 

Kriterium 1: Datenverfügbarkeit und -qualität 

Die praktische Prüffrage lautet: Verfügen Sie für diesen Prozess über mindestens 2 bis 3 Jahre vollständige, konsistente Prozessdaten? Vollständig bedeutet: keine Lücken durch Systemwechsel, Retourbuchungsfehler oder fehlende Historien. Konsistent bedeutet: dieselbe Buchungslogik über den gesamten Zeitraum, keine Umstellungsartefakte. 

Fraunhofer IML benennt in seiner Forschung zur ML-basierten Bedarfsplanung Datenverfügbarkeit und -qualität als entscheidende Grundvoraussetzung: Damit ein Algorithmus aus Daten valide Erkenntnisse ziehen kann, muss eine kritische Menge an Daten in der richtigen Qualität verfügbar sein. Wer feststellt, dass die Datenbasis nicht ausreicht: Datenqualität zuerst sichern, KI-Investition verschieben. Eine ausführlichere Beschreibung der Datenbasis-Anforderungen findet sich in unserem Beitrag zur automatischen Disposition durch Bestellvorschläge. 

Kriterium 2: Entscheidungsfrequenz und Musterhaftigkeit 

Wie oft wird diese Entscheidung pro Monat getroffen, und wiederholt sie sich strukturell? Bestandsdisposition: täglich, für Tausende von Artikeln, nach denselben Grundprinzipien. Das ist hohe Frequenz und hohe Musterhaftigkeit, beide Bedingungen für KI-Eignung sind erfüllt. Lieferantenverhandlung: einmal im Jahr pro Lieferant, hochkontextuell, ohne strukturell identische Wiederholung. Beide Bedingungen sind nicht erfüllt. 

Musterhaftigkeit (d.h. der Grad, zu dem ein Prozess durch wiederkehrende, lernbare Datenmuster beschreibbar ist) ist das zentrale Bewertungskriterium, weil es direkt bestimmt, was ein KI-Modell lernen kann. Prozesse ohne Musterhaftigkeit lassen sich nicht sinnvoll automatisieren, unabhängig von der Datenmenge. 

Kriterium 3: Konsequenz bei Fehlentscheidung 

Wie gravierend ist eine falsche KI-Ausgabe, und wie schnell ist sie korrigierbar? Bei der Bestandsoptimierung führt ein falsch berechneter Sicherheitsbestand zu Mehrkosten oder einem Out-of-Stock-Ereignis. Beides ist messbar, korrigierbar und beim nächsten Parameterdurchlauf behebbar. Bei einer strategischen Lieferantenentscheidung kann eine falsche Empfehlung eine mehrjährige Partnerschaft beschädigen, die sich nicht in Wochen reparieren lässt. 

Je höher die Konsequenz einer Fehlentscheidung und je länger die Korrekturzeit, desto stärker muss der Mensch im Entscheidungsprozess bleiben. Das ist kein Misstrauen gegenüber KI, sondern ein Gestaltungsprinzip: KI-Systeme erzielen ihre besten Ergebnisse, wenn sie in einen Prozess eingebettet sind, der ihre Ausgaben überprüft und korrigiert. 

Pilotprinzip: Mit einem Prozess beginnen, skalieren nach Beweis 

Wer alle drei Kriterien auf sein Prozessportfolio anwendet, erkennt schnell, welcher Prozess zuerst bearbeitet werden sollte. Bedarfsplanung und Bestandsoptimierung erfüllen in den meisten mittelständischen Unternehmen alle Voraussetzungen: Datenbasis vorhanden, hohe Frequenz und Musterhaftigkeit, überschaubare Fehlentscheidungskonsequenz. 

Die Empfehlung lautet: Einen Prozess als Pilot auswählen, eine klare Baseline für den Status quo definieren (MAPE, Lagerkosten, Fehlerquote), 6 Monate pilotieren und dann auf Basis gemessener Ergebnisse entscheiden, ob und wie skaliert wird. BCG empfiehlt in ihrer 2026er Analyse dieses Pilot-vor-Skalierung-Prinzip ausdrücklich: Unternehmen, die KI schrittweise und auf Basis bewiesener Ergebnisse ausrollen, performen deutlich besser als jene, die mehrere Prozesse gleichzeitig digitalisieren. 

Fazit: KI-Potenzial hängt vom Prozesstyp ab, nicht von der Unternehmensgröße 

KI in der Supply Chain lohnt sich dort, wo Daten verfügbar sind, Entscheidungen sich strukturell wiederholen und Fehler korrigierbar bleiben. Bedarfsplanung, Bestandsoptimierung und Lieferantenmonitoring erfüllen diese Kriterien. Strategischer Einkauf, Krisenmanagement und strategische S&OP-Entscheidungen erfüllen sie nicht. 

Stellen Sie sich für Ihren nächsten KI-Investitionsvorschlag drei Fragen: Haben wir 2 bis 3 Jahre saubere Prozessdaten? Wird diese Entscheidung täglich oder wöchentlich in strukturell vergleichbarer Form getroffen? Ist eine Fehlentscheidung innerhalb von Wochen korrigierbar? Wenn alle drei Fragen mit Ja beantwortet werden können: Starten Sie den Pilot. Wenn nicht: Beheben Sie zunächst, was die Antwort verhindert. 

Weiterführende Quellen 

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

2. McKinsey & Company (2025): Supply Chain Risk Pulse 2025: Tariffs Reshuffle Global Trade Priorities  

3. Deloitte (2026): 2026 Manufacturing Industry Outlook 

4. Fraunhofer IML: Machine Learning im Supply Chain Management (Potenziale des maschinellen Lernens in der Bedarfsplanung)  

5. Fraunhofer IML: Künstliche Intelligenz und maschinelles Lernen in der Tourendisposition 

FAQs