KI im Einkauf: Wie Firmen den Durchbruch schaffen

Künstliche Intelligenz soll auch den Einkauf schneller, transparenter und widerstandsfähiger machen. Sie soll Risiken früher sichtbar machen, Ausgaben besser steuern und Teams von manuellen Routinetätigkeiten entlasten. Die Erwartungen sind hoch, erste Anwendungsfälle laufen. Trotzdem bleibt der tatsächliche Effekt im Alltag vieler Unternehmen begrenzt.

Das liegt allerdings selten an der Technologie selbst. Gerade im Einkauf, wo große Datenmengen, wiederkehrende Entscheidungen und komplexe Lieferantenbeziehungen zusammenkommen, kann KI erheblichen Mehrwert schaffen. Doch dafür braucht sie die richtigen Voraussetzungen. In vielen Organisationen trifft sie auf fragmentierte Daten, uneinheitliche Prozesse und Unsicherheit im Umgang mit automatisierten Empfehlungen.

Aktuelle Coupa-Daten zeigen diese Lücke deutlich. In einer Umfrage unter mehr als 600 Führungskräften aus Einkauf, Finanzen, IT und Supply Chain geben 86 Prozent an, dass KI unverzichtbar ist, um wettbewerbsfähig zu bleiben. 79 %  haben konkrete KI-Ziele formuliert. Gleichzeitig verfügen nur 29 % über eine klare Strategie für den Einsatz von KI im Ausgabenmanagement. Lediglich zwei Prozent haben KI bereits unternehmensweit skaliert.

Ohne gemeinsame Datenbasis bleibt KI punktuell

Eine der größten Hürden ist die Datenbasis. In vielen Unternehmen ist das Einkaufsvolumen über verschiedene Systeme, Regionen und Warengruppen verteilt. Informationen zu Lieferanten, Verträgen, Bestellungen und Rechnungen liegen häufig in unterschiedlichen Anwendungen und sind nur teilweise miteinander verknüpft. In vielen Einkaufsabteilungen entstehen Entscheidungen oft auf Basis einzelner Ausschnitte. Ein Team verhandelt möglicherweise exzellente Konditionen für eine Warengruppe, während vergleichbare Leistungen an anderer Stelle zu völlig anderen Preisen beschafft werden. Vertragsinformationen sind vorhanden, werden aber nicht im richtigen Moment sichtbar. Lieferantenrisiken fließen nicht konsequent in operative Entscheidungen ein.

KI kann solche Brüche nicht automatisch beheben. Sie erkennt aber Muster in den Daten, auf die sie zugreifen kann. Sind diese Daten unvollständig oder voneinander getrennt, bleiben auch die Empfehlungen begrenzt. 77 %  der Befragten nennen Datenqualität und Systemintegration als zentrale Hürden. Nur 34 %  fühlen sich bei Dateninfrastruktur und Datenqualität ausreichend vorbereitet.

Um KI effektiv nutzen zu können, müssen Unternehmen zunächst eine einheitliche Datenbasis schaffen: vernetzte Systeme und einen einheitlichen Überblick über direkte und indirekte Ausgaben, Lieferanten und Verträge. Erst dann erkennen Unternehmen Preisunterschiede, abweichende Vertragsbedingungen oder Maverick Buying, also unkontrollierte Beschaffung.

Automatisierung ersetzt keine Entscheidungslogik

Ein zweites Hindernis zeigt sich darin, wie Unternehmen KI einsetzen. Viele führen die Technologie vor allem dort ein, wo sie einzelne Prozessschritte beschleunigen wollen. Sie gleichen Rechnungen automatisch ab, leiten Anfragen weiter, fassen Lieferantenprofile zusammen oder prüfen Bestellungen vor.

Diese Anwendungen schaffen Effizienz, verbessern aber nicht automatisch die Qualität der Entscheidungen. Solange Freigaberegeln uneinheitlich bleiben, Schwellenwerte variieren und Zuständigkeiten nicht klar geregelt sind, beschleunigt KI vor allem bestehende Reibungsverluste.

Der größere Hebel liegt deshalb nicht in reiner Automatisierung, sondern in Orchestrierung. Automatisierung optimiert einzelne Schritte. Orchestrierung führt Bedarfsmeldung, Sourcing, Vertragsmanagement, Einkauf, Lieferantenmanagement und Rechnungsprüfung zu einem durchgängigen Prozess zusammen. Die Abteilungen treffen dann Entscheidungen entlang klarer Regeln, statt sie in jedem Teilprozess neu auszuhandeln.

Auch hier besteht Nachholbedarf. 77 % der Befragten richten ihre KI-Investitionen vor allem auf einfache Automatisierung aus. Nur zwei Prozent setzen bereits auf Orchestrierung.

Das zeigt sich etwa in der Rechnungsprüfung. KI kann eine Rechnung schneller prüfen und dadurch Zeit sparen. Bleibt aber unklar, welche Abweichungen akzeptiert werden dürfen und wann eine Eskalation nötig ist, entstehen neue Prüfschleifen. Betrachtet das Unternehmen den Prozess dagegen ganzheitlich, kann KI Routinefälle automatisch verarbeiten und nur relevante Ausnahmen weiterleiten.

Vertrauen braucht klare Leitplanken

Neben Daten und Prozessen entscheidet Vertrauen über den Erfolg. Im Einkauf geht es um sensible Ausgabeninformationen, Lieferantenbeziehungen, Compliance-Vorgaben und finanzielle Entscheidungen. Entsprechend hoch sind die Anforderungen an Nachvollziehbarkeit und Kontrolle.

78 % der Befragten sehen Datenschutz- und Sicherheitsrisiken als zentrale Sorge. 67 % fürchten gravierende Fehler der KI, 64 % den Verlust menschlicher Kontrolle. Vollständige Automatisierung ist für die meisten Unternehmen daher nicht das Ziel. In Europa bevorzugen 65 % der Befragten Modelle, bei denen KI unterstützt, Menschen aber bei relevanten Entscheidungen eingebunden bleiben.

Wenn „Human-in-the-Loop“ jedoch bedeutet, dass jede KI-Empfehlung manuell doppelt überprüft werden muss, geht die Skalierbarkeit der KI sofort verloren. Sinnvoller ist ein Modell, in dem Menschen sich auf Ausnahmen konzentrieren: auf Fälle mit erhöhtem Risiko, ungewöhnlichen Abweichungen oder strategischer Bedeutung. Dafür braucht es klare Regeln, Schwellenwerte und Eskalationslogiken. Liegt eine Bestellung innerhalb bestehender Vertragsbedingungen, erfüllt sie Compliance-Vorgaben und bleibt unter definierten Wertgrenzen, kann sie ohne zusätzliche Prüfung weiterlaufen. Weicht sie davon ab, wird sie gezielt eskaliert. Kontrolle geht dabei nicht verloren, sondern wird dort eingesetzt, wo sie Mehrwert schafft.

Mit KI-Daten zur resilienten Lieferkette

KI-Daten verändern die industrielle Beschaffung: Aus einzelnen Lieferantenbewertungen wird eine kontinuierliche Leistungsüberwachung für resilientere Lieferketten.

Iana Mashutina, Xometry

Auch Kompetenzen gehören zur Umsetzung. 69 %  der Befragten nennen fehlende KI-Kompetenz und unzureichende Schulung als Hürde, nur 21 Prozent fühlen sich bei technischen KI-Kompetenzen ausreichend gerüstet. Teams müssen nachvollziehen können, warum eine Empfehlung entsteht, welche Daten einfließen und welche Entscheidung daraus folgt.

Der Autor: Salva Lombardo

Salvatore Lombardo ist Chief Product and Technology Officer bei Coupa. Er verantwortet die Produkt- und Technologiestrategie sowie die Weiterentwicklung der KI-nativen Total Spend Management-Plattform des Unternehmens. Mit mehr als 20 Jahren Erfahrung in den Bereichen Procurement, Cloud-Technologien und Enterprise-Software treibt er Innovationen voran, die Unternehmen weltweit dabei unterstützen, ihre Ausgaben intelligenter zu steuern. Zuvor war Lombardo unter anderem Chief Product and Technology Officer für SAP Ariba sowie in verschiedenen Führungspositionen bei SAP tätig, wo er maßgeblich die Transformation zentraler Beschaffungslösungen in die Cloud mitgestaltete.

Vom Pilotprojekt zur Wirkung

Der nächste Schritt liegt in der Verbindung von Daten, Prozessen, Governance und Kompetenzen. Unternehmen schaffen den größten Mehrwert, wenn sie KI dort eingebetten, wo Einkaufsentscheidungen tatsächlich entstehen. 

Dafür braucht es eine einheitliche Datenbasis, klare Regeln für automatisierte Entscheidungen und durchgängige Prozesse von der Bedarfsmeldung über Sourcing und Vertragsmanagement bis hin zu Einkauf und Lieferantenmanagement. Dann erkennt KI relevante Abweichungen früh, weist auf bestehende Verträge hin, macht Risiken sichtbar und leitet gezielt die Fälle weiter, die eine menschliche Bewertung erfordern.

So wird der Einkauf effizienter und zugleich steuerungsfähiger. Er trifft Entscheidungen konsistenter, erkennt Risiken früher und lenkt Ausgaben gezielter.

Unternehmen skalieren KI im Einkauf erst dann erfolgreich, wenn sie die strukturellen Voraussetzungen schaffen: verlässliche Daten, integrierte Systeme, klare Leitplanken, praxisnahe Kompetenzen und durchgängige Prozesse. Dann wird aus Automatisierung Orchestrierung – und aus Pilotprojekten messbarer Mehrwert.

Warum es beim IDP-System auf die Validierung ankommt

Ein IDP-System (Intelligent Document Processing) ist nur so gut wie seine Validierungslogik. Wer Supply-Chain-Dokumente automatisieren will, braucht mehr als Feldextraktion.

Lisa Hahn, Retarus