Die wichtigsten KI-Typen und ihre Rolle im Lieferkettenrisikomanagement

Nach nahezu jedem verfügbaren Maßstab war das Wachstum der Künstlichen Intelligenz (KI) – insbesondere ihrer neuesten Ausprägung, der generativen KI – in den letzten Jahren beeindruckend. Laut einer Studie von Goldman Sachs beliefen sich 2020 die privaten Investitionen in KI in den USA auf rund 28 Milliarden US-Dollar. Das Investmentbanking-Unternehmen prognostiziert für 2024 einen Anstieg um fast 250 %, auf nunmehr 68 Milliarden US-Dollar. Eine aktuelle Umfrage von McKinsey & Co. liefert weitere Belege für die zügige Einführung dieser Technologie in der Unternehmenswelt. Die Unternehmensberatung fand heraus, dass sich die Zahl der Unternehmen, die generative KI regelmäßig einsetzen, innerhalb eines Jahres fast verdoppelt hat. Im Mai 2024 nutzten 65 % der befragten Unternehmen – darunter auch Organisationen aus unterschiedlichsten Regionen und Branchen – Künstliche Intelligenz für Funktionen wie Marketing, Vertrieb und Produktentwicklung.

Für Unternehmen und Fachkräfte im Bereich Lieferkettenmanagement erscheinen die Einsatzmöglichkeiten von KI besonders vielversprechend. Die Tools übernehmen Aufgaben wie prädiktive Analysen, Bedarfsprognosen und Risikobewertungen – kritische Anwendungen mit unmittelbarem Mehrwert. In den vergangenen 18 Monaten haben sich jedoch viele Unternehmen von den spektakulären Szenarien der KI blenden lassen, ohne zu prüfen, ob diese Plattformen in ihrer spezifischen Geschäftsumgebung tatsächlich Vorteile bieten. Vor diesem Hintergrund ist es essenziell, dass Teams im Lieferkettenmanagement, die sich für KI interessieren, die aktuelle Entwicklung dieser Technologie verstehen, die unterschiedlichen KI-Ausprägungen kennen und klare Ziele für die Wertschöpfung in ihrem Betrieb formulieren. In einer Zeit, in der Unternehmen ihre Gelder geradezu unüberlegt in KI-Startups investieren, ist eine nüchterne Bewertung der tatsächlichen Leistungsfähigkeit der Technologie ein entscheidender Bestandteil der Due Diligence. 

Die wichtigsten Arten von KI für Unternehmen

Die vergangenen eineinhalb Jahrzehnte waren ein Zeitraum rasanter Entwicklung für Künstliche Intelligenz. Unterschiedliche Varianten der Technologie sind entstanden, seit Apple 2011 erstmals Siri mit dem iPhone der vierten Generation vorstellte. Siri, der weltweit erste für ein Smartphone breit verfügbare „Virtuelle Assistent“, nutzte maschinelles Lernen und „schwache KI“, um Fragen zu beantworten, Informationen zu liefern und bestimmte Aufgaben zu erledigen. Seither wurden die Fähigkeiten von Siri und anderer Sprachassistenten von revolutionären Plattformen wie ChatGPT, Dall-E, Claude und Gemini übertroffen. 

Unter dem Oberbegriff KI fallen verschiedene Technologien. Jede bietet eigene Stärken und Funktionen, die sich in bestimmten Unternehmen und Branchen besser nutzen lassen als in anderen.

Maschinelles Lernen

Maschinelles Lernen (Machine Learning, ML) ist eine Form der Künstlichen Intelligenz, die große Mengen an Daten analysiert, um Muster zu erkennen, Vorhersagen zu treffen, im Zeitverlauf zu „lernen“ und so Menschen bei präziseren, fundierten Entscheidungen zu unterstützen. Im Gegensatz zur klassischen Programmierung, bei der Entwickler konkrete Anweisungen formulieren, ermöglicht ML dem Computer, Wissen und Kompetenzen durch Auswertung von Texten, Zahlen, Bildern, Berichten und anderen Datenformen selbstständig zu entwickeln. Der Informatiker Arthur Samuel, Pionier der KI-Forschung in den 1950er-Jahren, definierte maschinelles Lernen als „das Forschungsgebiet, das Computern die Fähigkeit gibt, zu lernen, ohne explizit dafür programmiert zu sein“. 

Auch wenn derzeit andere KI-Spielarten stärker im Rampenlicht und Fokus der Investoren stehen, bleibt Maschinelles Lernen eine besonders vielseitige und bewährte Ausprägung der Technologie. Der MIT-Informatiker und ML-Experte Aleksander Madry betonte gegenüber dem MIT Sloan Management Review: „Maschinelles Lernen verändert – oder wird verändern – jede Branche. Führungskräfte müssen die Grundprinzipien, das Potenzial und die Grenzen kennen.“ 

Anwendungsbereiche von Maschinellem Lernen

• Identifikation von Geschäftstrends
• Entwicklung von Empfehlungsalgorithmen
• Erkennung von Lieferketten-Engpässen und Flaschenhälsen
• Unterstützung bei medizinischen Diagnosen
• Kundendienst via Online-Chatbots

Prädiktive KI

Im stetig wachsenden KI-Ökosystem gibt es eine Vielzahl an Tools, Begrifflichkeiten und Konzepten, die zum Teil signifikant überlappen. Auch sogenannte Prädiktive KI nutzt maschinelles Lernen – ergänzt um statistische Analysen – um riesige Datenmengen auszuwerten und effektive, umsetzbare Prognosen über Muster, Verhaltensweisen und sogar künftige Ereignisse zu erstellen. 

Prädiktive KI gilt oft als technologisch fortschrittlicher Nachfolger der Prädiktiven Analytik, die noch auf mehr menschliches Zutun angewiesen ist. Prädiktive KI hingegen kann komplett autonom lernen und Entscheidungen ableiten. 

Anwendungsbereiche von Prädiktiver KI

• Vorhersage von Verbraucherverhalten
• Finanzprognosen
• Bedarfsprognosen
• Vorausschauende Wartung/Ausfallrisiko-Erkennung bei Anlagen
• Lagerbestandsmanagement

Large Language Models (LLMs)

Large Language Models sind eine Klasse von KI, die große Mengen an Text und Daten analysieren, um Sprache zu verstehen und zu generieren und flüssig mit Menschen zu kommunizieren. Heute gelten LLMs als „Foundation Models“. Dieser Begriff wurde 2021 von Forschern der Stanford University geprägt und beschreibt groß angelegte KI-Plattformen, die mit ausreichend Daten trainiert wurden, um ein breites Spektrum an Aufgaben und Funktionen zu beherrschen. Wie das Center for Security and Emerging Technology der Georgetown University erläutert, entstehen so Modelle, deren ursprüngliche Form als Ausgangspunkt („Foundation“) für vielseitige Anwendungen dient.

Seit dem richtungsweisenden Start von Chat-GPT Ende 2022 haben LLMs rasant an Popularität gewonnen. Diese Foundation Models finden mittlerweile zahllose Einsatzmöglichkeiten – von E-Mails, Berichten und Schulaufgaben – bei Schülern, Lehrkräften, Forschern, Content-Creators und Fachkräften in Unternehmen. Neben OpenAIs Plattform sind Alternativen wie Google Gemini, Anthropic’s Claude und Meta’s Llama bekannt.

Anwendungsbereiche von Large Language Models

• Kundenservice
• Textzusammenfassungen
• Content-Erstellung
• Codegenerierung
• Marktforschung

Generative KI

Wie bei Maschinellem Lernen und Prädiktiver KI bestehen Überschneidungen zwischen LLMs und Generativer KI. Letztere bezeichnet jede Form von Künstlicher Intelligenz, die vorrangig für die Erstellung von Inhalten genutzt wird. Alle LLMs sind Teil der Generativen KI, aber nicht jede Generative KI ist ein LLM. Neben der Textgenerierung und natürlicher Kommunikation können generative KI-Modelle hochwertige Bilder, Computercode und sogar Musik oder Audio erzeugen. Beispiele für Generative-KI-Tools, die keine LLMs sind, sind DALL-E, Midjourney, AIVA und IBM’s watsonx Code Assistant. 

Obwohl generative KI eine noch recht junge Technologie ist, entwickelt sie sich bereits zu einem transformativen Ansatz, den Unternehmen wirksam einsetzen möchten. Das Marktforschungsunternehmen IDC prognostiziert, dass sich die weltweiten Ausgaben der Unternehmen für Generative KI bis Ende 2024 auf fast 40 Milliarden US-Dollar belaufen werden. 

Anwendungsbereiche von Generativer KI

• Marketing und Werbung
• Content-Erstellung
• Softwareentwicklung
• Wirkstoffforschung
• Modedesign
• Produktentwicklung

KI-Anwendungen im Lieferkettenrisikomanagement

Für Organisationen und Teams, die KI im Risikomanagement einsetzen möchten, ist das Verständnis der einzigartigen Einsatzmöglichkeiten jedes Tools entscheidend für wirksame Entscheidungen. Denn während Generative KI und LLMs aktuell die größte mediale Aufmerksamkeit und Investitionsbudgets erhalten, sind sie nicht unbedingt die beste Wahl für Lieferkettenrisikomanagement (SCRM)-Bedarfe. Stattdessen sollten Einkaufs- und SCRM-Profis die vielfältigen Funktionen aller derzeit verfügbaren KI-Tools prüfen – darunter auch prädiktive KI und Maschinelles Lernen.

Ein langjähriges Problemfeld ist das umfassende Mapping von Lieferketten: Nur so erhalten Hersteller Transparenz über ihre Lieferanten, verstehen die Strukturen und Risiken in den Sub-Tiers und identifizieren Gefährdungen, bevor diese teure Unterbrechungen verursachen. KI-Plattformen können diesen komplexen Prozess entscheidend unterstützen. Sie orten Bestellungen, Versandbuchungen, Transportnachweise und andere Dokumente der Lieferkette und verknüpfen diese zu detailreichen Lieferkettenkarten, die mehrere Tier-Stufen sichtbar machen. Mithilfe KI-gestützter Machine-Learning-Modelle lässt sich die Transparenz der Lieferkette verbessern und die Resilienz insgesamt stärken. 

KI kann Unternehmen nicht nur beim Mapping helfen, sondern auch zur Früherkennung von Anlagenausfällen eingesetzt werden. Prädiktive Analysen werden hierfür seit Jahren genutzt, prädiktive KI ist eine konsequente Weiterentwicklung. Solche Systeme verwenden Sensoren an Maschinen und Infrastruktur, um große Mengen an Daten über Parameter wie Temperatur, Akustik, Feuchtigkeit, Druck und Schmierung zu erfassen. 

Durch die Analyse dieser Verhaltensdaten erkennen die Plattformen die optimalen Betriebsbedingungen der Ausrüstung und können Wartungsverantwortliche warnen, wenn Abweichungen, Verschlechterungen oder anderweitige Hinweise auf nachlassende Leistung auftreten. Diese Predictive-Maintenance-Funktionalität hilft, Vorboten von Ausfällen rechtzeitig zu erkennen und frühzeitig gegenzusteuern – ein entscheidender Vorteil, um kostenintensive Stillstände im Fertigungsbetrieb zu vermeiden. 

Auch bei der Bewertung der Auswirkungen von Lieferkettenstörungen lässt sich KI im Risikomanagement gezielt nutzen. Muss beispielsweise ein Tier-1-Lieferant der Automobilindustrie mehrere Werke infolge eines extremen Wetterereignisses schließen, kann der Automobilhersteller relevante historische Daten und aktuelle Bedingungen in eine KI-Plattform einspeisen und so eine objektive Einschätzung der Auswirkungen auf Produktion und Lieferzeiten – inklusive der erwarteten Verzögerungsdauer – erhalten. 

Es ist zu betonen, dass diese Form der Störungsprognose aktuell noch im Entwicklungsstadium steckt – ein Beispiel dafür, wie KI im Risikomanagement weiterhin in den Kinderschuhen steckt. Dennoch sind heutige KI-Anwendungen in der Lage, Unternehmen objektive, handlungsleitende Schätzungen zu liefern, die helfen, strategische Entscheidungen zu treffen. Selbst wenn diese Informationen unvollständig sind, ermöglichen sie Herstellern, abzuwägen, ob sie am betroffenen Lieferanten festhalten, Alternativpartner in der Lieferkette kontaktieren oder andere Notfallmaßnahmen ergreifen. 

Die kühne Zukunft von KI im Lieferkettenrisikomanagement

Trotz Dauerhype und Rekordbewertungen an der Börse stehen LLMs, generative KI und andere hochmoderne KI-Tools noch am Anfang ihrer Entwicklung. Diese Unreife rechtfertigt zwar Zurückhaltung, zwingt Unternehmen aber nicht dazu, untätig zuzusehen, während mutigere Wettbewerber Großinvestitionen tätigen. Vielmehr sollten Profis im Lieferkettenrisikomanagement gezielt untersuchen, welche Auswirkungen verschiedene KI-Formen auf ihr Geschäft haben können. Dazu zählen Kosten-Nutzen-Analysen, sorgfältige Betrachtung relevanter Use Cases und auch der kostenlose Test führender KI-Plattformen. Solche Due-Diligence-Maßnahmen führen zu informierten, durchdachten Investitionen – und beginnen mit dem Verständnis der einzelnen Tools innerhalb des dynamischen KI-Ökosystems.

Unternehmen, die angesichts der Chancen von KI im Risikomanagement neugierig sind, sollten die prädiktiven Funktionen der SCRM-Plattform Z2Data berücksichtigen. Die branchenführende Software bietet zahlreiche Prognosetools – darunter EOL-Prognosen (Produktlebensende) für elektronische Bauteile mit einer historischen Genauigkeit von 90 % sowie eine Sanktionsbeobachtung, die auf Berichte des US-Kongresses, NGO-Untersuchungen und weitere hochwertige Quellen zurückgreift, um global gefährdete Unternehmen mit hohem Sanktionsrisiko zu erkennen. Zusammengenommen unterstützen diese Forecasting-Funktionen Hersteller dabei, ihre Risiko-Resilienz zu erhöhen und eine agile, proaktive Bedrohungsmanagement-Strategie aufzubauen. 

Mehr über Z2Data und die Prognosefunktionen für Ihre Organisation erfahren Sie in einer kostenlosen Demo mit unseren Produktexpertinnen und -experten.