:quality(85))
Seit der Einführung von ChatGPT durch OpenAI im November 2022 ist ein Großteil der Welt gleichermaßen fasziniert, beunruhigt und erstaunt über die technologischen Durchbrüche und das scheinbar grenzenlose Potenzial von Künstlicher Intelligenz (KI). In den 18 Monaten seither haben Unternehmen im Eiltempo KI-Plattformen und -Modelle in ihre Produkte, internen Prozesse und übergeordneten Unternehmensstrategien integriert. Aus einem kontinuierlichen Trend ist so eine regelrechte Investitionswelle entstanden.
Laut The Wall Street Journal werden Unternehmen dieses Jahr voraussichtlich fast 39 Milliarden US-Dollar für generative KI ausgeben – das entspricht dem Doppelten der Ausgaben von 2023. Prognosen, die Goldman Sachs im letzten Jahr veröffentlichte, deuten auf einen noch größeren Anstieg der KI-Investitionen hin. Die Ökonomen des Finanzdienstleisters erwarten, dass die Investitionen in KI in den USA bis 2025 rund 100 Milliarden US-Dollar erreichen könnten (die Studie unterscheidet dabei nicht zwischen generativer KI – wie ChatGPT – und KI-Technologien im weiteren Sinne).
Während viele der weltweit größten Unternehmen sich weiterhin in der „Flitterwochen-Phase“ mit dieser revolutionären Technologie befinden, gibt es bereits belastbare Daten, die den Einsatz von KI in unterschiedlichen Branchen dokumentieren. Eine im Dezember 2022 von McKinsey & Company durchgeführte Studie befragte fast 1.500 Unternehmen weltweit zur Umsetzung von Künstlicher Intelligenz in Unternehmen und zum Mehrwert, den diese Technologien generieren. Dabei stellte das Beratungsunternehmen fest, dass Unternehmen insgesamt moderate Umsatzsteigerungen und Kostenreduzierungen über verschiedene Funktionen hinweg verzeichnen – darunter Produktion, Vertrieb und Marketing sowie Produktentwicklung. Besonders stark profitieren viele Organisationen jedoch im Bereich des Lieferkettenmanagements: 52 Prozent der Befragten sahen durch KI-Einsatz Kostensenkungen im Lieferkettenmanagement; fast 60 Prozent gaben an, dass die Technologie zu Umsatzsteigerungen beiträgt.
Während viele der weltweit größten Unternehmen sich weiterhin in der „Flitterwochen-Phase“ mit dieser revolutionären Technologie befinden, gibt es bereits belastbare Daten, die den Einsatz von KI in unterschiedlichen Branchen dokumentieren.
Die Erwartung, dass KI – insbesondere ihre neueste und faszinierendste Ausprägung, die generative KI – dem Lieferkettenmanagement Vorteile verschafft, überrascht kaum. Diese Disziplin beruht maßgeblich auf der Analyse großer Datenmengen, dem Einsatz komplexer Analysen zur Steuerung von Strategien und Entscheidungen sowie dem Erkennen und Bewerten hypothetischer Risiken – alles Aufgaben, die durch die einzigartigen Möglichkeiten von KI erheblich verstärkt werden können.
Für ein so pragmatisches Feld wie das Lieferkettenmanagement und – in gleichem Maße – das Lieferkettenrisikomanagement (SCRM) reicht allerdings das bloße Staunen über diese neuen Technologien nicht aus. Entscheidend ist, die tatsächlichen Anwendungsfälle für Künstliche Intelligenz zu identifizieren und zu evaluieren, ob diese Chancen durch die Risiken einer noch jungen, teuren und potenziell disruptiven Technologie sinnvoll aufgewogen werden.
Anwendungsfälle von KI im Lieferkettenmanagement
Künstliche Intelligenz ist im Bereich Lieferkettenmanagement und SCRM längst keine hypothetische Option mehr: Sie steht Supply-Chain-Profis als multifunktionales Werkzeug bereits heute zur Verfügung und wird in den USA und anderen Märkten schon vielfältig zur Wertsteigerung eingesetzt.
- Predictive Analytics für Produktionsanlagen
- Bedarfsprognosen
- Lieferketten-Mapping
- Risikobewertungen und Risikomatrizen
- Alternative Lieferanten
Predictive Analytics für Produktionsanlagen
Trotz der enormen Informationsmengen, die Predictive Analytics nutzen, ist das Grundkonzept einfach und schlüssig: Die Harvard Business School definiert Predictive Analytics als „die Nutzung von Daten zur Vorhersage zukünftiger Entwicklungen und Ereignisse“. Während diese Vorhersagen kurzfristige Szenarien – etwa das Erkennen eines drohenden Maschinenstillstands – oder langfristige, wie die Jahresumsatzplanung, betreffen können, steht für das Lieferkettenmanagement meist die vorausschauende Wartung (Predictive Maintenance) im Mittelpunkt. KI und Machine Learning sammeln dazu umfangreiche Daten von Sensoren an spezifischer Ausrüstung oder Infrastruktur, wie Temperatur, Vibration, Druck, Luftfeuchtigkeit und Geschwindigkeit. Die KI lernt so den normalen Betriebszustand und erkennt Abweichungen, die auf mögliche Störungen, Ausfälle oder Schäden hinweisen können.
Ein solcher Ausfall kann so bereits erkannt werden, bevor er auftritt – was nicht nur Unterbrechungen abmildert, sondern diese oft gänzlich vermeidet. Für die elektronische Lieferkette bedeutet das: Electronics Contract Manufacturers (ECMs) und andere Lieferanten können Anlagenstillstände verhindern, Ausfallzeiten minimieren und die Produktivität maximieren. Weiterverarbeitende Unternehmen wie OEMs profitieren von weniger Verzögerungen, einer besseren Einhaltung von Produktionszielen sowie – im Fall unvermeidbarer Ausfälle – von frühzeitigen Warnungen, um umgehend Notfallpläne einzuleiten und gezielt zu reagieren.
Bedarfsprognosen
Bedarfsprognosen sind für Unternehmen kein neues Instrument. Hersteller waren schon immer von der Volatilität der Märkte abhängig. (Während der „Tulpenmanie“ im 17. Jahrhundert etwa wurden einzelne Tulpenzwiebeln zu heutigen Preisen von bis zu 750.000 US-Dollar gehandelt.) Ziel war stets, aus quantitativen Daten wie Verkaufstrends, Saisoneffekten oder historischen Mustern verlässliche Prognosen zu gewinnen – mit mäßigem Erfolg, da Menschen nur begrenzt Daten verarbeiten können. Hinzu kommen Verzerrungen durch subjektive Erwartungen oder emotionale Bindungen.
Die aktuellen KI-Modelle sind diesen menschlichen Begrenzungen nicht unterworfen und können zudem weitaus mehr Informationen einbeziehen als jeder Mensch. Sie analysieren neben historischen Vertriebsdaten auch Faktoren wie das Verhalten von Wettbewerbern, makroökonomische Rahmenbedingungen oder neue Konsumtrends, die relevante Nachfrageschwankungen signalisieren können. Einige KI-Modelle erkennen zudem erste Anzeichen von „Panik-Käufen“, sodass Unternehmen strategisch reagieren können, ohne kurzzeitigen Anstiegen dauerhaft überzubewerten.
Durch den gezielten Einsatz von KI-Tools steigern Hersteller und andere Unternehmen ihre Fähigkeit, die Marktnachfrage nach ihren Produkten präziser vorherzusagen. So vermeiden sie eher drastische Opportunitätskosten durch Lieferengpässe oder die Notwendigkeit, überschüssige Waren kurzfristig auszulagern.
Durch den gezielten Einsatz von KI-Tools steigern Hersteller und andere Unternehmen ihre Fähigkeit, die Marktnachfrage nach ihren Produkten präziser vorherzusagen.
Lieferketten-Mapping
Strategische Beschaffungs- und Einkaufsverantwortliche stehen vor der Herausforderung, ihre gesamte Lieferkette vollständig zu verstehen. Eine Studie von McKinsey aus dem Jahr 2021 zeigt, wie schwierig detailliertes Lieferketten-Mapping ist – und wie rasch die Transparenz abnimmt, je tiefer ein Unternehmen seine Lieferantennetzwerke analysiert. Während fast die Hälfte der befragten Führungskräfte eine gute Sicht auf ihre Tier-1-Lieferanten angibt, fällt dieser Wert für Tier-2-Hersteller auf etwa ein Fünftel. Bei Tier-3-Lieferanten existiert praktisch keine Transparenz: Lediglich 2 % der Befragten wussten, wer ihre Tier-3-Lieferanten sind.
Umfassendes und tiefgehendes Lieferketten-Mapping stiftet zahlreiche operative Vorteile. Wer bis zu seinen Tier-2- und Tier-3-Lieferanten blicken kann, ist in der Lage, vollständige Risikobewertungen der eigenen Lieferkette durchzuführen, Herkunftsländer und regulatorisch relevante Datenpunkte wirkungsvoll zu erfassen und die Ursachen von Verzögerungen und Lieferengpässen exakt zu identifizieren. Gerade letzteres ist entscheidend: Nur mit der genauen Kenntnis über einen bestimmten Tier-3-Hersteller als Auslöser für einen Engpass beim Tier-1-Lieferanten können Hersteller gemeinsam mit dem direkten Lieferanten gezielt Lösungswege finden.
Die prinzipielle Sinnhaftigkeit von Lieferketten-Mapping ist unbestritten; das Problem liegt vielmehr in der logistischen Komplexität, diese datenintensiven Visualisierungen zu erstellen. Hier bietet KI einen echten Anwendungsfall: KI-Tools durchsuchen das Internet nach verborgenen und global verteilten Informationen, die Geschäftsbeziehungen zwischen Herstellern sichtbar machen und dadurch Lieferantenschichten verbinden. KI-Plattformen beschaffen Bestellungen, Belege, Zollpapiere, Frachtbuchungen und weitere Dokumente, die eine Herkunftskette für Ihre Produkte, Komponenten und Rohstoffe schaffen. Auf Basis dieser Dokumentation lassen sich weitreichendere, widerstandsfähigere Lieferkettenkarten bauen, die das Lieferkettenrisikomanagement (SCRM) stärken.
KI-Plattformen beschaffen Bestellungen, Belege, Zollpapiere, Frachtbuchungen und weitere Dokumente, die eine Herkunftskette für Ihre Produkte, Komponenten und Rohstoffe schaffen.
Risikobewertungen und Risikomatrizen
Eine Risikomatrix ist ein visuelles Werkzeug, das Unternehmen unterstützt, Risiken für Betrieb und Geschäft zu bewerten. Typischerweise werden dabei zwei Hauptfaktoren kombiniert: die Wahrscheinlichkeit des Eintritts sowie die Schwere der möglichen Auswirkung. Entlang der X- und Y-Achse ergibt sich eine Kategorisierung, die das Risikomanagement befähigt, die Dringlichkeit der einzelnen Risiken einzuordnen. (So kann etwa ein Cyberangriff für ein Unternehmen mit hoher IT-Security als wenig wahrscheinlich, aber äußerst kritisch eingestuft werden.)
Auch wenn Risikomatrizen ein wesentliches Instrument für SCRM-Teams sind, fließen bei der Einordnung von Risiken wie Werkschließungen, extremen Wetterereignissen oder Insolvenzen mitunter Erfahrungswerte und Annahmen – und damit Unsicherheiten – ein. Genau hier kann KI ihren Wert entfalten: Anstatt auf persönliche Einschätzungen und begrenzte Daten zurückzugreifen, verarbeitet KI eine Vielzahl von Informationen und liefert hochpräzise, objektive Bewertungen der Relevanz bestimmter Risiken für Ihr Unternehmen oder Ihre Branche. Selbst wenn diese Aufgabe eine Nische ist, steigert der KI-gestützte Einsatz von Risikomatrizen die Effizienz der Ressourcenzuteilung innerhalb des Unternehmens.
Identifizierung alternativer Lieferanten
Die Suche nach alternativen Lieferanten (Multisourcing) ist ein weiterer Bereich, in dem KI-Tools Unternehmen effektiver und umfassender unterstützen können. Zahlreiche Anbieter bringen heute KI-Modelle auf den Markt, die auf Basis spezifischer Vorgaben eine Liste potenzieller Lieferanten erstellen. Es bleibt dabei nicht bei der bloßen Auffindung passender Hersteller; die Modelle berücksichtigen zusätzlich Faktoren wie Unternehmenskennzahlen, ESG-Leistung oder Kundenzufriedenheit, sodass Organisationen eine gründlich „geprüfte“ Kandidatenliste erhalten.
Durch den enormen Rechercheumfang, den KI-Modelle in kürzester Zeit leisten, erschließen sich Unternehmen auch Lieferanten, die über klassische Suchmethoden kaum zugänglich wären, wie kleinere und mittelständische Betriebe (SMBs), vielfältigere Lieferanten oder andere oft übersehene Anbieter.
Auch wenn diese Funktion für das Lieferkettenmanagement allein nicht revolutionär ist, bietet sie die Möglichkeit, die Resilienz des eigenen SCRM gezielt zu stärken. In einem Beitrag für die Harvard Business Review schilderte ein Supply-Chain-Manager von Siemens, wie eine KI-Anwendung dem Unternehmen bei der Zusammenstellung relevanter Daten zu Alternativlieferanten hilft – ein entscheidender Faktor zur erfolgreichen Vermeidung künftiger Versorgungsprobleme. „Technologie ermöglicht keine absolute Transparenz, um Lieferunterbrechungen stets im Vorfeld zu verhindern“, so der Senior Director gegenüber HBR. „Aber sie liefert Informationen, mit denen Sie deutlich schneller reagieren können als jedes menschliche Einkaufsteam.“
Die potenziellen Risiken von KI im Lieferkettenmanagement
Die genannten Anwendungsfälle und die massiven Investitionen aus der Wirtschaft belegen das große Potenzial von KI-Tools und -Modellen im Lieferkettenmanagement. Doch auch eine so leistungsfähige Technologie ist nicht frei von Fallstricken. Hersteller, die KI integrieren möchten, sollten folgende Risiken im Blick behalten:
- Hohe Anfangsinvestitionen
- Skepsis unter Mitarbeitenden
- Unzuverlässige, ungeprüfte Daten
Die meisten KI-Plattformen, ob von etablierten Tech-Unternehmen oder spezialisierten Start-ups, verursachen erhebliche Einstiegskosten. Maßgeschneiderte Lösungen etwa bewegen sich nicht selten im sechsstelligen Bereich. Unternehmen sollten Investitionsentscheidungen daher streng prüfen – beispielsweise durch eine Kosten-Nutzen-Analyse und Bewertung der potenziellen Kapitalrendite (ROI).
Zudem erfordern diese Plattformen eine breite, nachvollziehbare Akzeptanz im Unternehmen. Entscheider sollten nicht vorschnell, ohne ausreichende Kommunikation der Ziele und Einsatzszenarien, eine Integration vorantreiben. Andernfalls drohen Demotivation, Ablehnung oder sogar Mitarbeiterfluktuation.
Schließlich laufen Unternehmen, die zu rasch auf KI-basierte Prognosen setzen, Gefahr, die Zuverlässigkeit und Integrität der Lösungen zu überschätzen. Wie viele Nutzer von ChatGPT bereits erlebt haben, hängt die Qualität der Ergebnisse direkt von den eingespeisten Informationen ab. Fehlerhafte, veraltete oder „unbereinigte“ Daten führen zu mangelnder Verlässlichkeit und irreführenden Analysen. Daher ist in der Anfangsphase Vorsicht geboten, wenn KI-Tools unkontrolliert alle möglichen Quellen aus dem Internet auswerten.
