Was generative KI tatsächlich mit der Supply-Chain-Planung macht
Jeder Planungsanbieter liefert heute einen KI-Copiloten. Nach vierzehn Jahren, in denen ich zusehen konnte, wie Fähigkeiten umbenannt und neu verkauft wurden, hier ist, was die Technologie wirklich verändert, und was nicht.
Seit vierzehn Jahren beobachte ich in der Supply-Chain-Technologie dasselbe Muster: Eine Fähigkeit wird umbenannt, neu verpackt und neu verkauft. „Demand Sensing" wurde zu „KI-Prognose" wurde zu „ML-gestützter Planung" und heißt heute „generative" oder „agentische" KI. Die Anbieterfolien wechseln schneller als die Optimierungsmathematik darunter.
Ich bin also als Skeptiker in die Recherche für diesen Artikel gestartet. Herausgekommen bin ich als qualifizierter Skeptiker. Generative KI in der Planung ist real, sie läuft in Produktion, und sie ist die aufrichtigste Verbesserung der Nutzbarkeit von Planungssoftware seit zwei Jahrzehnten. Aber der Wert, den sie tatsächlich einfängt, ist enger, und langweiliger, als die Keynotes versprechen. Es ist größtenteils gesparte Planerzeit für Analyse und Erklärung. Es sind keine besseren Pläne, und es ist keine autonome Supply Chain.
Hier ist die Unterscheidung, und warum sie dafür wichtig ist, wo Sie 2026 Ihr Geld investieren.
Was sie tatsächlich tut, entkleidet vom Marketing
Entfernt man die Sprache, tut generative KI heute sieben verschiedene Dinge in produktiven Planungsumgebungen. Keines davon ist „eine bessere Prognose erstellen".
Der erste ist natürlichsprachliche Analytik auf Planungsdaten. SAPs IBP-Release im zweiten Quartal 2025 fügte ein Add-in hinzu, mit dem Planer IBP-Formeln in Microsoft Excel mittels natürlicher Sprache erzeugen können. Der Nutzen ist eine kürzere Lernkurve, keine bessere Zahl.
Der zweite ist Ausnahme- und Störungszusammenfassung. SAPs spätere Analysefunktionen 2025 fassen komplexe Optimierungs-, Bestands- und Prognoseergebnisse zusammen und übersetzen komplizierte Berechnungen in klare, natürliche Sprache. Der Plan bleibt unverändert; nur seine Erklärung ist schneller zu lesen.
Der dritte ist Szenariogenerierung in natürlicher Sprache, das Beschreiben einer Störung („unser Hauptlieferant für Stahl schließt für drei Wochen") und das Erhalten einer nachgelagerten Auswirkungsanalyse, ohne das Szenario von Hand zu bauen.
Der vierte ist der Planer-Copilot, oder „digitale Mitarbeiter". Kinaxis lancierte Maestro Agents im Oktober 2025 und positionierte sie als kontextbewusste Assistenten, eingebettet in die laufende Planungsumgebung.
Der fünfte sind zusammengesetzte, mehrstufige Agenten, die über Systeme hinweg abrufen, schlussfolgern und handeln. o9 erweiterte seine Digital-Brain-Plattform um generative-KI-gestützte Composite Agents, aufgebaut auf seinem Enterprise Knowledge Graph.
Der sechste und siebte, synthetische Daten für Cold-Start-Prognosen und Lieferantenrisiko-Erkennung aus unstrukturierten Dokumenten, sind in der Reife noch früher, aber real. Blue Yonder lancierte neue KI-Agenten und einen Supply-Chain-Knowledge-Graphen auf seiner ICON-2025-Veranstaltung im Mai 2025, unter Kombination von prädiktiven, generativen und agentischen Ansätzen.
Was generative KI in keinem glaubwürdigen Produktiveinsatz auffällig nicht tut: die Optimierungs-Engine ersetzen, eigenständig belastbare numerische Prognosen erzeugen oder rechenschaftspflichtige Plan-Commit-Entscheidungen treffen. Jeder ernstzunehmende Anbieter behält einen Menschen in der Schleife und betont „Erklärbarkeit", nicht aus Marketinggründen, sondern weil regulierte Branchen das Committen von Plänen nicht an ein Modell delegieren können, das seine Arbeit nicht nachweisen kann.
Die Anbieter-Scorecard
Das Wettrüsten ist real und schnell passiert. Hier ist, was tatsächlich ausgeliefert wurde, im Gegensatz zu dem, was demonstriert wurde.
| Anbieter | Produkt | Ausgeliefert | Kernaussage (anbieterseitig) |
|---|---|---|---|
| SAP | Joule + Joule Agents, in IBP | 2024–25 | 350 KI-Funktionen, 2.400+ Joule-Skills bis Q4 2025 |
| Kinaxis | Maestro Agents | Okt 2025 | Bestandsrisiko-Schritte von 40 Klicks auf 4 reduziert (Pharma) |
| o9 | Specialized AI Agents | Jun 2025 | Erster GenKI-Pilot in Produktion überführt |
| Blue Yonder | Cognitive Solutions + 5 Agenten | Mai 2025 | Basiert auf einer Investition von 2 Mrd. USD in KI; gestützt auf Knowledge Graph |
| Anaplan | CoPlanner for Demand Planning | Sep 2024 | Kontextbewusste generative KI in der Planung |
| OMP | UnisonIQ | Okt 2025 | Orchestrierungsframework + stets aktiver GenKI-Assistent |
| Microsoft | Copilot in Dynamics 365 SCM | 2025 | Nachfrage-Insights + Erklärbarkeit auf Zellebene |
Das Muster über alle hinweg ist identisch: Die KI sitzt auf der Interface- und Orchestrierungsebene. Sie hilft dem Planer, Fragen zu stellen, Ergebnisse zu lesen und Workflows auszulösen. Die Prognose-Engine und der Optimierer darunter sind weitgehend dieselbe deterministische Mathematik wie vor drei Jahren.
Die Zahlen, ehrlich behandelt
Hier trennt sich intellektuelle Redlichkeit von Stenografie. Die meistzitierte Statistik in dieser gesamten Kategorie, dass KI Prognosefehler um 20 bis 50 Prozent reduziert, geht auf einen einzigen McKinsey-Artikel zurück. McKinsey stellte fest, dass KI-gestützte Prognosen Fehler reduzieren können und dass Lagerkosten um 5 bis 10 Prozent und Verwaltungskosten um 25 bis 40 Prozent sinken können. Diese Spanne ist real, aber sie wird durch Anbieterfolien, zurück in Analystenpräsentationen und in die Fachpresse rezykliert, oft entkleidet ihres ursprünglichen Kontexts. Behandeln Sie sie als illustrative Obergrenze, nicht als Benchmark, den Sie erwarten sollten.
Die Fallstudienschicht von 2025 ist konkreter, aber fast vollständig anbietergestützt:
- Kinaxis × Top-10-Pharmaunternehmen: Planerproduktivität bis zu 10-fach, mit Identifikation von Bestandsrisiken von 40 Klicks auf 4 reduziert.
- SAP IBP × Joule: Planerproduktivität bei der Analyse von Prognoseläufen um anbieterseitig genannte 25% verbessert.
- SAP Digital Manufacturing: bis zu 25% Reduktion der Fehleranalysezeit.
Lesen Sie das genau. „10-fache Planerproduktivität" und „40 Klicks auf 4" sind dieselbe Behauptung, zweimal formuliert, und was sie beschreiben, ist Klickreduktion, nicht Prognosequalität. Das ist ein realer und lohnenswerter Produktivitätsgewinn. Es ist aber nicht dasselbe wie ein besserer Plan.
Wie groß, und wie schnell
Marktgrößenschätzungen in dieser Kategorie sind nahezu nutzlos, sofern man sie nicht daran verankert, wer zählt und wie die Kategorie definiert wird. Die belastbaren Ankerpunkte:
Gartner prognostiziert, dass Supply-Chain-Management-Software mit agentischen KI-Fähigkeiten von unter 2 Mrd. USD im Jahr 2025 auf 53 Mrd. USD an Ausgaben bis 2030 wachsen wird. Separat wird der breitere Markt für „KI in der Supply Chain" von MarketsandMarkets auf rund 13,9 Mrd. USD im Jahr 2025 beziffert, steigend auf 50,4 Mrd. USD bis 2032, wobei Nordamerika den größten Anteil hält.
Zur Adoption: McKinseys State-of-AI-Umfrage 2025 fand, dass 88% der Organisationen KI inzwischen in mindestens einer Geschäftsfunktion einsetzen, gegenüber 78% im Vorjahr. Aber dieselbe Umfrage enthält das Detail, das ehrlich hält: Nur eine Minderheit schreibt der KI bislang eine messbare Auswirkung auf das Ergebnis zu. Adoption ist nahezu universell; Wertschöpfung nicht.
Wo ich sie noch nicht einsetzen würde
Die Prognoseliteratur ist ungewöhnlich offen über die Schwachstellen generativer KI, und die Offenheit kommt von Menschen ohne Anreiz zur Schönfärberei. Der ernüchterndste Datenpunkt: Im M5-Retail-Prognosewettbewerb, dem strengsten öffentlichen Benchmark der Disziplin, war die Gewinnermethode kein großes Modell, sondern eine gleichgewichtete Kombination aus Gradient-Boosted Trees, eingereicht von einem Studenten im Grundstudium. Dieses Ergebnis sollte jede Anbieterbehauptung dämpfen, große Sprachmodelle würden die Prognosegenauigkeit verbessern. Sie verbessern die Prognoseerklärung.
Fünf Fehlermodi, die ich als real für Implementierungen 2025–26 einschätzen würde:
- Halluzination bei numerischem Schlussfolgern. LLMs sind schwach in Arithmetik und beschränkter Optimierung. Anbieter mildern dies, indem sie die Mathematik an deterministische Engines weiterleiten, aber sobald das Modell das Ergebnis erzählt, kann es davon abweichen.
- Datenqualitätsabhängigkeit. Piloten gelingen mit kuratierten Daten und scheitern in der Produktion am Stammdatenchaos darunter. Die harte vorgelagerte Arbeit, Governance, Stammdaten, ist die Voraussetzung, nicht der Nachtrag.
- Rechenschaftslücken. Deshalb betont jeder Anbieter Erklärbarkeit. Ein regulierter Planer kann keinen Plan committen, den er in einer Prüfung nicht verteidigen kann.
- Die Klippe zwischen Pilot und Produktion. Gartner prognostiziert, dass über 40% der agentischen-KI-Projekte bis Ende 2027 eingestellt werden, unter Verweis auf eskalierende Kosten, unklaren Wert und unzureichende Risikokontrollen.
- Die Enablement-Illusion, das Kaufen der Fähigkeit, ohne die Belegschaft oder die Daten für ihre Nutzung vorzubereiten.
Das unbequeme Fazit
Generative KI ist die beste Nutzbarkeitsverbesserung, die Planungssoftware in zwanzig Jahren hatte. Ein Planer, der fragen kann „warum hat sich die Prognose für dieses Distributionszentrum letzte Woche geändert?" und in dreißig Sekunden eine kohärente Antwort bekommt, ist tatsächlich produktiver, und dieser Gewinn summiert sich über ein Team.
Aber derselbe Planer erzeugt dadurch nicht automatisch eine genauere Prognose oder einen besseren Lieferplan. Die Engine, die die Zahl erzeugt, hat sich nicht geändert. Das Modell erklärt sie nur schneller und lässt Sie sie auf Deutsch, oder Englisch, befragen.
Die Kauflogik für 2026 ist also klar. Bezahlen Sie für die Produktivität, sie ist real und bei Ihrem bestehenden Anbieter ohne Mondschuss erhältlich. Bezahlen Sie nicht für die Autonomie, denn was als Autonomie verkauft wird, ist größtenteils Klickreduktion mit teurerem Namen. Und erledigen Sie zuerst die unglamouröse Datenverwaltungsarbeit, denn das ist die Variable, die tatsächlich entscheidet, ob irgendetwas davon den Kontakt mit der Produktion übersteht.
Die Technologie ist real. Die Transformation ist bescheidener als die Keynote. Beides ist gleichzeitig wahr.
Sources
- SAP News Center. (2025). SAP Business AI: Release Highlights Q2 2025; Q4 2025. news.sap.com
- Kinaxis. (2025). Kinaxis Accelerates Agentic Era for Supply Chain Orchestration with the Launch of Maestro Agents. kinaxis.com
- o9 Solutions. (2024–2025). Composite Agents; Specialized AI Agents for Planning and Execution. o9solutions.com
- Blue Yonder / Business Wire. (2025). Blue Yonder Transforms Supply Chain Management With New AI Agents at ICON 2025. businesswire.com
- Anaplan. (2024). Anaplan CoPlanner for Demand Planning. anaplan.com
- OMP. (2025). OMP Unveils UnisonIQ. omp.com
- Microsoft Learn. (2025). Dynamics 365 Supply Chain Management 2025 Release Wave 1. learn.microsoft.com
- McKinsey & Company. (2021). AI-driven operations forecasting in data-light environments. mckinsey.com
- McKinsey & Company. (2025). The State of AI in 2025: Agents, Innovation, and Transformation. mckinsey.com
- Gartner. (2025). Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. gartner.com
- Gartner. (2026). Gartner Forecasts Supply Chain Management Software with Agentic AI Will Grow to $53 Billion in Spend by 2030. gartner.com
- MarketsandMarkets. (2026). AI in Supply Chain Market. marketsandmarkets.com
- Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2022). The M5 Accuracy Competition: Results, Findings and Conclusions. International Journal of Forecasting.