Wie der Einkauf mit KI den richtigen Bestellzeitpunkt findet

Der operative Einkauf bewegt sich seit jeher im selben Dilemma: zu viel Bestand auf der einen, zu schlechte Verfügbarkeit auf der anderen Seite. Gleichzeitig erhöhen volatile Märkte den Druck, schneller und fundierter zu entscheiden. Die Komplexität moderner Lieferketten überfordert klassische Logiken jedoch. 

Lieferzeiten schwanken, Bedarfe verschieben sich und die Verfügbarkeit kritischer Rohstoffe wird zunehmend zum Unsicherheitsfaktor. Aktuelle Lieferengpässe zeigen, wie schnell Versorgungsrisiken entlang globaler Lieferketten kaskadieren können. So wird jede Disposition zu einem Balanceakt zwischen gebundenem Kapital und Versorgungssicherheit.

Reaktive Disposition: das Stammdatum, das die Welt anhält

Ein zentrales, oft übersehenes Problem liegt in einem eher unscheinbaren Datenfeld, der Lieferzeit. In nahezu jedem ERP-System handelt es sich um eine statische Zahl: einmal gepflegt, gelegentlich überprüft, im Kern unbeweglich. In der Realität verändern sich Lieferzeiten jedoch ständig, etwa durch Hafenüberlastung, Feiertage in den Herkunftsregionen oder Transportstörungen. Besonders kritisch wird diese Dynamik bei Rohstoffen mit angespanntem Marktumfeld.

Wer darauf erst reagiert, wenn die Störung sichtbar wird, hat bereits Handlungsspielraum verloren. Die Folgen sind gravierend. Bestellungen erfolgen zum falschen Zeitpunkt, woraus Überbestände mit hoher Kapitalbindung oder Fehlmengen samt Produktionsengpässen folgen. Es entsteht ein teurer Krisenmodus.

Perspektivwechsel: von reaktiv zu vorausschauend

Resilienz entsteht erst, wenn Marktbewegungen möglichst früh in die operative Planung einfließen. Gerade bei volatilen Rohstoffmärkten entscheidet die Geschwindigkeit der Reaktion darüber, ob Lieferengpässe abgefedert werden können.

Die entscheidenden Fragen lautet deshalb nicht mehr nur, was und wie viel bestellt werden muss, sondern wann der richtige Zeitpunkt dafür ist und wie sich Verfügbarkeits- und Preisrisiken entwickeln könnten. Beantworten kann man sie nur dann, wenn Bedarfsprognose und Bestelldisposition nicht länger in getrennten Systemen verharren, sondern als durchgängiger Prozess zusammenwirken.

Genau hier setzen moderne Plattformen an. Machine-Learning-Verfahren analysieren historische Verkaufs- und Bestandsdaten und prognostizieren den künftigen Bedarf. Diese Prognose ist kein Orakel. Statt einer einzelnen Zahl liefert sie ein Spektrum mit Konfidenzintervall. 

Wo dieses eng ist, kann sich die Disposition auf die Prognose verlassen. Wo es weit ist, signalisiert das System selbst, dass zu viele Faktoren im Spiel sind und ein genauerer Blick nötig ist. Diese kommunizierte Unsicherheit steuert die knappste Ressource des Einkaufs, nämlich die Aufmerksamkeit des Menschen.

Wie KI Lieferzeiten antizipierbar macht

Bei pacemaker.ai verfolgen wir im Modul Replenishment einen integrierten Ansatz, der die Bedarfsprognose unmittelbar mit der Bestelldisposition verbindet. Den zentralen Hebel bildet dabei die dynamische Lieferzeitberechnung. 

Statt die statische Lieferzeit aus dem ERP zu übernehmen, behandelt unser Verfahren sie als lebendige, prognostizierbare Größe. In die Berechnung fließen historische Lieferzeiten nach Standort, Lieferant und Material ein, dazu Bestellmenge, Lieferantenstandort, Hafennähe und Feiertage wie das chinesische Neujahr.

Der eigentliche Mehrwert entsteht durch die Kaskade. Verlängert sich eine prognostizierte Lieferzeit, verändert das System nicht nur eine einzelne Zahl. Es rechnet durch, welche Folgen diese Verzögerung nach sich zieht, und schlägt eine entsprechend angepasste Bestellmenge vor, um die künftige Lieferfähigkeit zu sichern. 

Bestellzeitpunkt, Menge, Sicherheitsbestand und Bestandswarnungen hängen damit alle an dieser einen, nun dynamischen Größe. Als willkommener Nebeneffekt fällt eine Lieferantenbewertung ab. Der systematische Abgleich zugesagter mit tatsächlicher Lieferzeit liefert eine belastbare Scorecard für Vertrags- und Performancegespräche.

Prognosen operativ nutzen

Im täglichen Betrieb übersetzt sich dieser Prozess in ein Dashboard, das sofort über ein Ampelsystem Handlungsbedarf aufzeigt. Per Klick auf einen Artikel wird der aktuelle Bestand, der hinterlegte Sicherheitsbestand und eine automatisch generierte Bestellempfehlung samt Zeitpunkt und Menge angezeigt.

In Phasen angespannter Versorgung kann das System Empfehlungen also dynamisch anpassen und potenzielle Versorgungslücken sichtbar machen, bevor sie die Produktion erreichen. Beschaffungsentscheidungen werden dadurch enger mit Produktionsplanung und Bestandsmanagement verzahnt. Risiken lassen sich gezielter steuern, Materialverfügbarkeiten stabilisieren und kurzfristige Krisenmaßnahmen vermeiden.

Allerdings entscheidet das System nicht eigenständig, sondern schafft vielmehr die Voraussetzung, um informierte Entscheidungen zu treffen. Es zeigt Alternativen auf, etwa einen Lieferanten mit kürzerer Lieferzeit, eine Umlagerung von einem überbestückten an einen unterversorgten Standort oder die Abwägung, ob eine Lieferung um einige Wochen verschoben werden kann. S

o wird das Werkzeug zur Schaltzentrale eines mehrdimensionalen Optimierungsproblems aus Versorgungssicherheit, Kosten und Lieferantenbeziehung, statt zu einer Blackbox, die fertige Befehle ausgibt.

Der Mensch als Korrektiv im Lernkreislauf

Die maßgebliche Veränderung liegt nicht in der Automatisierung, sondern in der höheren Entscheidungsqualität. Im reinen KI-Forecast sind manuelle Eingriffe bewusst deaktiviert. Dort jedoch, wo menschliches Wissen dem Algorithmus voraus ist, greift ein eigenes Element, der Consensus.

Der Autor: Andreas Höppener

Andreas Höppener ist Chief Technology Officer (CTO) bei Pacemaker.ai. In dieser Funktion verantwortet er die Entwicklung KI-basierter Lösungen für Supply Chain Planning und Sustainability. Der Diplom-Informatiker verfügt über langjährige Erfahrung in den Bereichen Produkt Entwicklung, Künstliche Intelligenz, Datenanalyse und Cloud-Technologien.

Über diese Funktion können mehrere Abteilungen wie Einkauf und Vertrieb ihre Einschätzungen einspielen. Der Clou: Die Eingabe überschreibt den KI-Forecast nicht, sondern läuft parallel. Maschinelle Prognose und menschliches Urteil bleiben sichtbar, jede Anpassung ist versioniert und nachvollziehbar. In regulierten und vertraglich heiklen Branchen ist diese Auditierbarkeit keine Spielerei, sondern Bedingung.

Der eleganteste Mechanismus schließt den Kreis zur KI zurück. Die menschlichen Eingriffe werden zurückgespielt und gegen den Ist-Wert gemessen. So lässt sich für jeden Artikel belegen, ob „KI plus Mensch“ tatsächlich besser war als „KI allein“, oder ob der Eingriff geschadet hat. Aus dem Prinzip „Human in the Loop“ wird ein gemeinsamer Lernkreislauf, in dem beide Seiten messbar werden.

Ausblick

Volatile Lieferzeiten und schwankende Bedarfe sind The New Normal. Wer ihnen mit statischen Stammdaten und isolierten Prognosen begegnet, bleibt im reaktiven Krisenmodus gefangen. KI-gestütztes Replenishment durchbricht diesen Kreislauf, indem es Bedarfsprognose, dynamische Lieferzeit und menschliches Urteil zu einem durchgängigen Prozess verbindet, von der Vorhersage über den Bestellvorschlag bis zur nachvollziehbaren Entscheidung.

Das alte Dilemma zwischen Bestand und Verfügbarkeit wird damit nicht aufgelöst, aber Schritt um Schritt besser bewirtschaftet. Genau daran muss sich jede Technologie im Procurement messen lassen: Nicht daran, wie beeindruckend sie klingt, sondern ob der Disponent am Montagmorgen genauer weiß, wo er handeln muss.