KI in der Supply Chain: Use Cases, Agenten und echter Mehrwert

KI in der Supply Chain arbeitet heute auf drei Ebenen: Forecasting, generative Texterstellung und agentische Automatisierung, die innerhalb definierter Grenzen selbstständig handelt. Etwas mehr als die Hälfte der Operations- und Supply-Chain-Verantwortlichen hatte KI Anfang 2025 bereits in mindestens einer Funktion eingesetzt, doch fast alle sagen, sie habe die erwarteten Ergebnisse noch nicht vollständig gebracht.

Für Einkaufs- und Supply-Chain-Verantwortliche stellt sich längst nicht mehr die Frage, ob KI eingeführt wird, die meisten haben das bereits getan. Die eigentliche Frage ist, welche dieser Werkzeuge tatsächlich eine Festlegung verändern und welche nur ein weiteres Dashboard hinzufügen, das nach der ersten Woche niemand mehr aufruft. Genau dieser Unterschied entscheidet, welche Projekte sich rechnen und welche im Pilotstadium hängen bleiben.

An dieser Stelle entscheidet sich, ob aus dem Einsatz von KI auch tatsächlich ein Ertrag wird:

Was leistet KI in der Supply Chain heute tatsächlich?

KI in der Supply Chain lässt sich in drei Reifegrade einteilen, die selten klar benannt werden. Prädiktives Forecasting ist die am weitesten etablierte Stufe, generative KI hat sich am schnellsten im Tagesgeschäft verbreitet, und agentische KI ist die jüngste Stufe: Sie handelt eigenständig, innerhalb klar definierter Grenzen.

Prädiktives Forecasting weist mit Abstand die breiteste Verbreitung auf. Etwas mehr als die Hälfte, 57 %, der Operations- und Supply-Chain-Verantwortlichen hatte KI Anfang 2025 bereits in mindestens einer Funktion integriert, und Gartner erwartet, dass 70 % der großen Organisationen bis 2030 KI-gestütztes Bedarfsforecasting einsetzen werden, ausgehend von einer heute noch deutlich kleineren Gruppe früher Anwender.

Bis 2026 wirkt das Bild unter den Schlagzeilen-Zahlen deutlich brüchiger. Die Digital-Trends-Umfrage 2026 von PwC ergab, dass sich 85 % der Verantwortlichen bei der digitalen Transformation vor den meisten Wettbewerbern sehen, doch 89 % sagen, ihre Technologieinvestitionen hätten die erwarteten Ergebnisse noch nicht vollständig gebracht, und nur 27 % haben eine KI-Strategie unternehmensweit verankert.

Warum die Marktgrößen-Zahlen so weit auseinanderliegen: Precedence Research beziffert den Markt für KI in der Supply Chain 2025 auf 9,94 Milliarden US-Dollar bei einer jährlichen Wachstumsrate von 37,3 %. Grand View Research bewertet die enger gefasste Kategorie „KI im Supply Chain Management" im selben Jahr dagegen mit 40,4 Milliarden US-Dollar. Jede einzelne Zahl sollte als Richtwert gelten, nicht als Präzisionsangabe. Der Zuschnitt der Kategorie unterscheidet sich zwischen den Analysehäusern stark genug, um einen vierfachen Unterschied zu erzeugen.

Wo automatisieren KI-Agenten bereits Sourcing und Replanning?

Agentische Automatisierung hat im Einkauf bereits einen messbaren Fuß in der Tür. Das Modell von PwC zu agentischer KI im Einkauf zeigt, dass Agenten bis zu 25 % der aktuellen Einkaufsaktivitäten eigenständig übernehmen und bei rund 70 % des Rests unterstützen können, was den Sourcing-Zyklus um die Hälfte oder mehr verkürzt. Die klarsten Anwendungsfälle liegen im Sourcing, in der Ausschreibungsbearbeitung und im Replanning, also dort, wo Richtlinie und zugrunde liegende Daten bereits gut definiert sind.

McKinsey dokumentiert Effekte in ähnlicher Größenordnung in der Logistik. Generative KI kann die Durchlaufzeit für Versanddokumente um bis zu 60 % senken und die administrative Arbeitslast von Logistikkoordinatoren um 10 bis 20 % reduzieren. Ein Last-Mile-Anbieter mit einer Flotte von mehr als 10.000 Fahrzeugen setzte virtuelle Dispatcher-Agenten ein und berichtete von Einsparungen zwischen 30 und 35 Millionen US-Dollar bei einer Investition von rund 2 Millionen US-Dollar.

Bei der Lieferantenverhandlung hält sich der früheste öffentlich dokumentierte agentische Fall bis heute, allerdings mit klaren Grenzen. Walmarts Pilotprojekt mit einem KI-Verhandlungsagenten von Pactum schloss Vereinbarungen mit 68 % der angesprochenen Lieferanten aus dem Long-Tail-Bereich ab und senkte die Verhandlungsdauer auf rund 11 Tage. Das Pilotprojekt zielte auf geringwertige Einkäufe ohne Weiterverkaufsbezug ab. Die 68 %-Zahl sollte als isoliertes Ergebnis eines einzelnen Unternehmens gelesen werden, nicht als Branchenmaßstab für KI im Einkauf insgesamt.

Die Investitionsintensität korrespondiert hier mit den Ergebnissen. Die globale CPO-Umfrage 2025 von Deloitte zeigt, dass die leistungsstärksten Einkaufsorganisationen, die sogenannten Digital Masters, bis zu 24 % ihres Technologiebudgets in KI investieren und einen dreifach höheren Return aus generativer KI erzielen als ihre Vergleichsgruppe. Vertiefend dazu, was diese Agenten unbeaufsichtigt bereits können und was nicht, geht unser Beitrag zu agentischer KI in der Supply Chain ein, ebenso wie unsere Übersicht der Decision-Intelligence-Anwendungsfälle für Einkaufsteams.

Warum schlagen sich die meisten KI-Pilotprojekte immer noch nicht im Ergebnis nieder?

Die meisten Pilotprojekte mit generativer KI erreichen nie den Punkt, an dem sie ihren Wert in den Zahlen belegen, auf die es ankommt. Das Project NANDA des MIT, das 300 öffentliche KI-Einsätze ausgewertet und 150 Führungskräfte befragt hat, stellte fest, dass nur rund 5 % der Pilotprojekte mit generativer KI rasch einen messbaren Ergebniseffekt erzielen, während rund 95 % stecken bleiben. Einsätze mit externem Partner waren in etwa 67 % der Fälle erfolgreich, gegenüber rund 33 % bei vollständig intern entwickelten Projekten.

Wo die KI-Strategie in der Supply Chain wirklich steht: Gartners Ende 2025 durchgeführte Befragung von 140 Führungskräften aus Organisationen mit 250 Millionen US-Dollar Jahresumsatz oder mehr ergab, dass nur 23 % der Supply-Chain-Organisationen eine formale KI-Strategie besitzen, obwohl die meisten bereits irgendwo KI einsetzen. 56 % nannten die Integration in bestehende Systeme als großes Hindernis, 50 % fehlende interne Expertise.

Sichtbarkeits-Plattformen erzählen eine ähnliche Geschichte: einen Stack, der seinen eigenen Grundlagen voraus ist. Die Einschätzung von ABI Research zu Supply-Chain-Control-Towers zeigt, dass rund 80 % der Organisationen noch an der grundlegenden Sichtbarkeit arbeiten und rund 60 % noch keinen digitalen Zwilling einsetzen. Rund 70 % können Daten nahezu in Echtzeit erfassen, doch nur etwa 40 % können darauf prädiktive oder präskriptive Analysen laufen lassen, also den Schritt gehen, der aus einem Control Tower ein Werkzeug macht, das eine Handlung empfehlen kann. Unser Vergleich von Control Tower und Decision Intelligence geht auf diese Grenze näher ein.

Was müssen KI-Agenten in der Supply Chain noch sehen, um den Markt richtig einzuschätzen?

Ein Foundation Model oder ein generischer KI-Agent verfügt von sich aus über kein Wissen über den aktuellen operativen oder marktbezogenen Zustand. Allein kann er folgende Fragen nicht beantworten:

Eine Analyse von ARC Advisory Group hält fest, dass große Sprachmodelle stark darin sind, Dokumente zusammenzufassen und über Text zu argumentieren, aber blind bleiben für alles außerhalb ihrer Trainingsdaten, solange keine eigene Konnektivitätsschicht, etwa das Model Context Protocol, ihnen aktuellen Kontext liefert.

Genau diese Lücke soll Sybilion für die Signale schließen, die die Marge bewegen: Rohstoffpreise, Energiekosten, Logistikbedingungen und makroökonomische Indikatoren. Die Plattform funktioniert als ökonomisches Weltmodell, das Agenten und Planungswerkzeuge über eine API oder einen MCP-Connector abrufen können, und verwandelt eine rohe Marktbewegung in eine Kauf-, Warte- oder Absicherungsempfehlung mit offengelegter Begründung. KD Feddersen nutzte es, um rund 4 Millionen US-Dollar Marge beim Timing von Rohstoffeinkäufen zu sichern, eine Entscheidung, die ein Agent ohne diesen externen Kontext allein nicht hätte verteidigen können.

Die Qualität des Forecasts setzt weiterhin die Obergrenze dafür, was ein nachgelagerter Agent überhaupt tun kann. Unser Beitrag zur Rohstoffpreisprognose mit Machine Learning beschreibt, was diese Modelle können und was nicht, bevor diese Prognose überhaupt bei einer Entscheidung ankommt.

Was bedeutet mehr Autonomie für Vertrauen und Arbeitsplätze in der Supply Chain?

Das Vertrauen in KI wächst schneller als die Bereitschaft, ihr die volle Kontrolle zu überlassen. Die 2026er-Umfrage von RELEX Solutions unter mehr als 500 Supply-Chain-Verantwortlichen zeigt, dass 67 % der KI heute mehr vertrauen als vor einem Jahr, doch eine gesonderte Auswertung derselben Daten ergab, dass nur rund 10 % KI kritische operative Entscheidungen ohne menschliches Eingreifen anvertrauen. Auf der Einsatzseite zeigt die 2026er-Umfrage von PwC, dass sich nur 37 % damit wohlfühlen, Agenten einen kompletten End-to-End-Prozess ausführen zu lassen, ohne dass eine Person das Ergebnis prüft.

Die Beschäftigungseffekte folgen einem ähnlichen Muster nach Aufgabentyp. Das Weltwirtschaftsforum rechnet weltweit mit 170 Millionen neuen Arbeitsplätzen bis 2030, denen 92 Millionen wegfallende gegenüberstehen, ein Nettozuwachs von 78 Millionen, der sich auf Rollen konzentriert, die auf Urteilsvermögen statt auf Routinetätigkeiten beruhen. Gartners Future-of-Supply-Chain-2026-Umfrage unter 509 Führungskräften ergab, dass 51 % davon ausgehen, dass agentische KI insgesamt zu einem Personalabbau führen wird, und 86 % neue Prozesse für die Talentgewinnung für notwendig halten.

Was KI-Pilotprojekte auszeichnet, die sich rechnen

Eine formale KI-Strategie geht mit einer bestimmten Gewohnheit einher: vorab festzulegen, welche Entscheidungen ein Agent unbeaufsichtigt treffen darf und welche externen Daten er braucht, bevor er sich diese Befugnis verdient. Genau diese Reihenfolge, mehr als die Größe des zugrunde liegenden Modells, trennt tendenziell einen Einsatz, der im Ergebnis ankommt, von einem, der im Pilotstadium hängen bleibt.

Der nächste praktische Schritt bleibt bewusst eng gefasst. Wählen Sie eine Entscheidung mit hoher Exponierung, etwa das Festschreiben eines Rohstoffpreises oder den Spielraum, den ein Agent bei der Verhandlung von Long-Tail-Verträgen erhält, und verankern Sie sie im Rohstoff-, Energie- oder Logistiksignal, das diese Entscheidung tatsächlich bewegt, bevor Sie dem Agenten mehr Befugnis übertragen.

Predict. Decide. Commit.

Häufig gestellte Fragen

Ist agentische KI in der Supply Chain dasselbe wie Robotic Process Automation?

Nein, sie geht deutlich über Robotic Process Automation (RPA) hinaus. RPA folgt festen Regeln auf strukturierten Eingaben. Agentische KI kann über unstrukturierte Informationen nachdenken und eine Handlung wählen, ohne dass eine Person jedes Ergebnis vorab festgelegt hat, und rund die Hälfte der funktionsübergreifenden Supply-Chain-Management-Lösungen soll bis 2030 diese Art autonomer Entscheidungsausführung nutzen.

Wie viel vom Einkauf können KI-Agenten tatsächlich übernehmen?

Agenten können bereits bis zu 25 % der aktuellen Einkaufsaktivitäten eigenständig übernehmen und bei rund 70 % des Rests unterstützen, was den Sourcing-Zyklus in manchen Fällen um die Hälfte oder mehr verkürzt. Volle Befugnis konzentriert sich weiterhin auf Kategorien mit hohem Volumen und geringem Risiko, etwa Long-Tail-Verträge. Strategische Sourcing-Entscheidungen laufen weiterhin über eine Person.

Warum zeigen so viele KI-Pilotprojekte keinen finanziellen Effekt?

Die meisten scheitern, weil das Pilotprojekt nie mit einer echten, geldwerten Entscheidung verknüpft wird. Untersuchungen zu Unternehmenseinsätzen generativer KI zeigen, dass nur rund 5 % rasch einen messbaren Ergebniseffekt erzielen, während der Rest im Proof-of-Concept-Stadium hängen bleibt. Einsätze mit einem erfahrenen externen Partner waren etwa doppelt so oft erfolgreich wie vollständig intern entwickelte Projekte.

Können KI-Agenten live auf Rohstoff- oder Marktpreise zugreifen, ohne zusätzliche Einrichtung?

Nein, nicht ohne Weiteres. Ein Foundation Model oder ein allgemeiner Agent ist mit historischem Text trainiert und hat keine eingebaute Verbindung zu aktuellem Bestellstatus, Lagerdaten oder aktuellen Rohstoff- und Energiepreisen. Er braucht eine eigene Konnektivitäts- und Anbindungsschicht, häufig auf Basis von Protokollen wie MCP, um diesen Live-Kontext zu erhalten, bevor er darauf reagieren kann.

Wird KI Arbeitsplätze in der Supply Chain abbauen?

Nicht einheitlich. Weltweite Prognosen gehen bis 2030 von mehr neu geschaffenen als wegfallenden Arbeitsplätzen aus, wobei Einstiegspositionen und Routinetätigkeiten am stärksten betroffen sind und Planungs- sowie Ausnahmebearbeitungsrollen, die auf Urteilsvermögen beruhen, an Bedeutung gewinnen. Die meisten Supply-Chain-Verantwortlichen erwarten zudem, dass agentische KI neue Prozesse für Recruiting und Weiterbildung erfordert, selbst dort, wo der Personalbestand in einzelnen Funktionen sinkt.