KI im Einkauf – Hype oder Lebensretter?

Die Bedeutung Künstlicher Intelligenz für den Einkauf

Noch nie war Einkauf so schwierig wie heute. Durch die Inflation sind seit 2022 die Preise vieler Vorprodukte gestiegen. Auch Energie ist teuer. Bei Rohstoffen ist Europa abhängig von Lieferanten außerhalb der Europäischen Union. Durch den Klimawandel nehmen Extremwetterereignisse zu. Oft blockieren sie Transportwege. Zugleich kommen in immer mehr Ländern Rechtspopulisten in politische Ämter. Ihre Handels- und Technologiepolitik dient vermeintlich den Interessen des eigenen Landes. In Wahrheit schadet sie diesem ebenso wie seinen Partnern. Außerdem zerfällt die Welt durch nationale Egoismen geo-, handels- und technologiepolitisch in wenigstens drei Blöcke – die USA, China und die Europäische Union.

All das müssen Einkäufer im Blick behalten, wenn sie ihre Unternehmen sicher und nachhaltig mit allem versorgen wollen, was diese für ihre Produktion brauchen. Dabei wiegt der Aufbau und die Pflege stabiler Lieferketten, die auch dann nicht reißen, wenn irgendwo auf der Welt eine neue Krise entsteht, inzwischen vielfach schwerer, als die Verhandlung möglichst niedriger Einstandspreise.

Das ist eine Mammutaufgabe – und es ist nicht die einzige, die der Einkauf stemmen soll. Er muss auch immer mehr Compliance-Vorschriften wie das Lieferkettensorgfaltspflichtengesetz oder die Auflagen der European Carbon Border Adjustment Tax (CBAM) erfüllen. Dazu müssen Beschaffer wissen, wieviel Scope-3-Emissionen die Produktion von ihnen eingekaufter Materialien und Vorprodukte verursacht hat sowie, ob ihre Lieferanten Arbeitsschutz- und Sozialstandards erfüllen. Nur so können Unternehmen belastbar berechnen, welche Ausgleichsabgaben sie entrichten und wie viele Co2-Zertifikate sie erwerben müssen. Nur so können sie auch die von ihnen geforderten Nachhaltigkeitsberichte erstellen und gegenüber Kunden und Lieferanten nachweisen, dass sie in jeder Hinsicht klimaschonend und sozial verantwortungsbewusst wirtschaften.

Der Einkauf ist deshalb längst nicht mehr nur das Shopping Center des Betriebs. Er ist das „Einfallstor, durch das Themen wie Nachhaltigkeit und die geopolitische Unsicherheit ins Unternehmen kommen“, erklärt Alexander Buß, Leiter der Abteilung für „Prozesse, Performance und Nachhaltigkeit“ im indirekten Einkauf der SHS Stahl-Holding-Saar im Interview mit Technik und Einkauf Außerdem sind Einkäufer die Risikomanager, auf dies es ankommt, wenn sich geopolitische Entwicklungen oder die Blockade von Transportwegen auf die Lieferketten ihres Unternehmens auswirken.

Diese existenziellen Aufgaben können Einkäufer nur wahrnehmen, wenn sie möglichst viel über möglichst viele ihrer Lieferanten auf vorgelagerten Stufen wissen. Zudem brauchen sie so viele belastbare Informationen über die Welt, in der sie agieren, wie möglich.

Idealerweise liegen ihnen diese Informationen in Echtzeit, strukturiert und priorisiert vor. Das sagten sieben von zehn Einkäufern, die der Anbieter von Datenplattformen, Intersystems, jüngst zum Einsatz von Künstlicher Intelligenz (KI) in der Beschaffung befragte. Doch weltweit arbeiten nur zwölf Prozent der Einkäufer mit Daten, die jünger als eine Stunde sind. Als größtes Hindernis benannten 46 Prozent der von Intersystems Befragten die Tatsache, dass für sie relevante Informationen über eine unüberschaubar große Zahl von Quellen hinweg verteilt sind. Händisch können sich personell immer dünner besetzte Einkaufsabteilungen diese Informationen daher kaum mehr verschaffen – mit KI schon.

Was ist Künstliche Intelligenz? - Eine Definition

„Künstliche Intelligenz ist die Eigenschaft eines IT-Systems, ‚menschenähnliche’, intelligente Verhaltensweisen zu zeigen“, erklärt der Digitalverband Bitkom. Das Europäische Parlament beschreibt das noch etwas genauer. KI sei „die Fähigkeit einer Maschine, menschliche Fähigkeiten wie logisches Denken, Lernen, Planen und Kreativität zu imitieren“, stellt es in seiner Definition von KI fest.

Noch präzisier lässt sich der Begriff der Künstlichen Intelligenz kaum definieren. Denn es fehlt schon an einer allgemein anerkannten Definition dessen, was Intelligenz an sich ist. Außerdem gibt es eine Vielzahl unterschiedlicher KI-Technologien.

Unstrittig ist allerdings, dass Künstliche Intelligenz den Input, den sie verarbeitet erheblich schneller analysieren und auswerten kann als der Mensch. Auch kann sie um ein Vielfaches größere Datenmengen bearbeiten als dieser.

Experten unterscheiden zwischen „starker“ und „schwacher“ KI. Schwache KI unterstützt den Menschen bei der Lösung von Problemen und der Entscheidungsfindung in konkreten Anwendungsfällen. Dabei simuliert schwache KI mit Methoden der Mathematik und Informatik menschliches Denken. Indem sie die die Eintrittswahrscheinlichkeit von ihr ermittelter Ergebnisse bewertet, kann sie auch mit Informationen arbeiten, die noch keine gesicherten Erkenntnisse sind, sondern nur auf Möglichkeiten hindeuten. Außerdem kann schwache KI durch Feedback auf die von ihr vorgeschlagenen Lösungen immer präzisere Ergebnisse erzielen, also hinzulernen.

Was sie nicht kann, ist Entscheidungen autonom so zu treffen wie der Mensch. Auch hat sie kein Bewusstsein. Das wäre ein Merkmal „starker“ Künstlicher Intelligenz. Diese gibt es allerdings bislang nicht.

ML, GPT und GAN – KI ist nicht gleich KI

Um Künstliche Intelligenz, sinnvoll nützen zu können, müssen Einkäufer wissen, was sie von welcher Form der Technologie erwarten können. Denn KI ist nicht gleich KI.

Maschinelles Lernen

Maschinelles Lernen ist eine Form der KI, bei der Algorithmen durch die Anwendung von Regeln Muster und kausale Zusammenhänge in großen Datenmengen erkennen und mit anderen Informationen korrelieren – etwa die aktuelle Durchlaufzeit der Produktion mit dem Bestand bestimmter Vorprodukte im Lager eines Unternehmens und Schiffsbewegungen oder Staumeldungen. So lassen sich Einkaufsentscheidungen so frühzeitig treffen, dass die Fertigung immer ausreichend mit Material versorgt ist, ohne dass unnötig viel davon gelagert werden muss. Es geht kontinuierlich zum richtigen Zeitpunkt ein. Dadurch müssen Unternehmen weniger Kapital im Lager binden.

Generative Künstliche Intelligenz

Generative KI oder auf Englisch „generative artificial intelligence“, kurz „gen AI“, eignet sich weniger für die numerische Analyse von Daten oder Aufgaben mit einer hohen mathematischen Komplexität. Ihre große Stunde schlägt, wenn es darum geht, eigenständig Texte, Bilder, Tondokument oder Softwarecode neu zu erschaffen – also zu generieren. Das kann sie, weil sie bei ihrem Training Zusammenhänge und Muster in einer Vielzahl von Zeitungsartikeln, Büchern, Texten auf Webseiten, Musikstücken, Fotos und Kunstwerken oder Code erkannt hat. Entwickler nutzen dazu Technologien wie Deep Learning und Neuronale Netze, die die Logik menschlichen Denkens feiner imitieren als das Maschinelle Lernen.

Im Ergebnis entsteht so ein Modell, ein mit den entsprechenden Datensätzen angelerntes Programm – beispielsweise der Generative Pre-Trained Transformer (GPT), die Grundlage des Bots ChatGPT des US-Unternehmens OpenAI, oder die Modelle Google Gemini, Titan von Amazon, Luminous vom deutschen Startup Aleph Alpha oder Mixtral und Mistral 7 vom gleichnamigen französischen Jungunternehmen.

All diese Modelle können die „Lernergebnisse“ und „-erkenntnisse“ aus ihrem Training anhand definierter Regeln nutzen, um auf Anforderung ihrer Nutzer neue authentisch erscheinende Texte oder Bilder zu erstellen. LLMs können außerdem unstrukturierten, ihnen bislang unbekannten Daten, etwa Angaben, die Lieferanten auf ihren Webseiten über sich selbst machen, Nachrichtenmeldungen im Internet oder Posts in Sozialen Netzwerken sinnvoll Zusammenhänge entnehmen. In der Kombination mit Webcrawlern können Einkäufer so dank generativer KI erstmals die im Internet vorhandenen riesigen Mengen unstrukturierter Informationen sinnvoll für ihre Entscheidungsfindung und ihr Risikomanagement nutzen.

Nicht jedes Modell generativer KI ist jedoch nach dem Training für alle Anwendungsfälle gleich gut geeignet.

Large Language Modelle (LLMs) werden mit großen Textmengen trainiert. Als computerlinguistische Wahrscheinlichkeitsmodelle erlernen sie dabei die statistischen Beziehungen zwischen Wörtern und Satzfolgen. Sie wissen also, mit welcher Wahrscheinlichkeit in einem gegebenen Kontext auf ein bestimmtes Wort ein bestimmtes anderes folgt, oder wie der sprachliche Anschluss nach einer gegebenen grammatikalischen Konstruktion aussehen muss. Durch einen Aufmerksamkeitsmechanismus verarbeiten die Programme dazu den gesamten Kontext eines Ausgangstextes. Sprache wandeln sie dabei in numerische Darstellungen um, die Computer verarbeiten können. LLMs sind dafür auf einer Transformer-Netzwerkarchitektur aufgebaut. Deshalb werden sie häufig auch als Transformer-Modelle bezeichnet.

Es versteht sich, dass sich LLMs vor allem für Anwendungsfälle eignen, in denen Text erfasst und verstanden oder neu erstellt werden soll. Etwa bei der Suche nach Informationen auf den Webseiten möglicher Lieferanten, dem automatisierten Verfassen von Emails und Bestellungen, oder dem Betrieb von Chatbots.

Generative kontradiktorische Netze oder auf Englisch „Generative Adversarial Networks“ (GAN) eignen sich besonders, um neue Bilder photorealistisch zu erstellen, in Videos Bewegungsmuster zu modellieren oder dreidimensionale Modelle von Objekten zu erzeugen. Dazu schaffen und trainieren Entwickler zwei gegeneinander arbeitende Modelle – den Generator und den Diskriminator. Während der Generator die neuen Inhalte erzeugt, prüft der Diskriminator, wie authentisch und realistisch sie sind. Im Ergebnis lernt der Generator so, glaubwürdige Bilder oder Filmsequenzen zu erzeugen.

Anwendungsfälle für generative KI im Einkauf

So unterstützt generative Künstliche Intelligenz Einkäufer in der Beschaffung schon heute:

Risikomanagement

 Acht von zehn Chefeinkäufern sind überzeugt, dass generative Künstliche Intelligenz geopolitische und klimatische Risiken identifizieren und sinnvolle Maßnahmen empfehlen kann, um die Auswirkungen dieser Gefahren für ihr Unternehmen zu verringern. Das dokumentiert der US-Konzern IBM in einer mit Oxford Economics durchgeführten Studie. KI kann das, weil sie in Kombination mit Webcrawlern erstmals riesige im Internet verfügbare Mengen unstrukturierter Informationen aufspürt und auswertet. Das können Selbstdarstellungen von Lieferanten und Unternehmen in deren Jahres- oder Nachhaltigkeitsberichten ebenso sein wie Äußerungen von Arbeitnehmern und Kommunen über einen Zulieferer in Sozialen Netzen. KI findet Inhalte dabei in unterschiedlichen Textformaten – beispielsweise auch in Pdfs. Viele dieser Informationen standen Einkäufern bislang nicht zur Verfügung. Oft kannten sie schon deren Quellen nicht.

Wenn der Mensch ihr sagt, wonach sie suchen muss, findet KI diese Daten. Auf Plattformen für das Risikomanagement verbindet sie die Ergebnisse ihrer Webrecherche mit Informationen, die sie  von Anbietern von Finanzdaten, Hafenbetreibern, Zollbehörden, Nachrichtenagenturen oder Wetterdiensten bekommt. Sie setzt die Angaben, mit einander in Zusammenhang, analysiert und gewichtet sie. Um die Bedeutung der Informationen für die Lieferkette eines Unternehmens zu ermitteln, tun Algorithmen dies nach von Einkäufern festgelegten individuellen Kriterien. Ihre Ergebnisse präsentiert KI schließlich in Form eines Scores auf intuitiv erfassbaren Dashboards. Ist sie darauf ausgelegt, schlägt sie zugleich Maßnahmen zur Risikominderung vor.

Lieferantenbewertung und -suche

 Da generative KI im Internet nach Unternehmen suchen kann, die bestimmte Kriterien erfüllen, kann sie Einkäufern Lieferanten vorschlagen, von denen diese teilweise noch gar nichts wussten. Das hilft, wenn die Lieferkette durch eine Naturkatastrophe, Streiks oder die Blockade von Transportrouten reißt und Einkäufer schnell alternative Bezugsquellen finden müssen. KI analysiert dabei nicht nur, ob ein möglicher Zulieferer und seine Produkte, die vorgegebenen Anforderungen erfüllen. Sie überprüft auch, ob und wie schnell dieser in der gegebenen Situation lieferfähig ist, wie nachhaltig er wirtschaftet sowie wann seine Produkte auf welchen Transportwegen eintreffen könnten. So haben Einkäufer in kurzer Zeit belastbare Informationen dazu, wie sie ihre Lieferkette wiederherstellen können.

Kommunikation und Dokumentenerstellung

Da generative KI ihre Stärke in der Analyse und Erstellung neuer Texte hat, kann sie Einkäufern zeitraubenden Schriftverkehr abnehmen. So kann sie beispielsweise das nach dem Urlaub zugelaufene Email-Postfach auf die Nachrichten absuchen, die am dringlichsten beantwortet werden müssen. Sie schlägt dazu auch Entwürfe für Antwortmails vor. Generative KI kann aus entsprechenden Vorgaben zudem automatisiert Aufforderungen zur Angebotsabgabe an Lieferanten einschließlich Checklisten zu Produktspezifikationen oder Fragebögen zu Nachhaltigkeitskennzahlen eines Zulieferers erstellen. Eingehende Angebote wertet die KI aus und schlägt Einkäufern die besten davon priorisiert vor. Im Bereich der Texterstellung ist fast jeder Anwendungsfall für den Einsatz generativer KI denkbar.

Vertragsmanagement

 Verträge mit Lieferanten sind eines der wichtigsten Textdokumente im Einkauf. Meist sind sie ellenlang und in schwerverständlichem Juristendeutsch formuliert. Sie müssen regelmäßig aktualisiert und neu aufgesetzt werden, wenn ein Lieferpartner hinzukommt. Generative Künstliche Intelligenz nimmt Einkäufern und Unternehmensjuristen einen Großteil dieser zeitraubenden Arbeit ab. Sie kann den Entwurf für einen neuen Vertrag ebenso vorschlagen, wie in bestehenden Verträgen gezielt nach Informationen suchen oder den ganzen Kontrakt zusammenfassen.

Informationsmanagement

 Einkäufer müssen eine Vielzahl sich ständig ändernder gesetzlicher Vorgaben berücksichtigen – diese reichen von Compliance-Vorschriften bis zum Zollrecht der Staaten, aus denen sie Vorprodukte beziehen. Generative KI lässt sich so programmieren, dass sie die Entwicklung in bestimmten Rechtsbereichen eigenständig verfolgt und dokumentiert – egal, in welchem Land und in welcher Sprache. Siemens beispielsweise nutzt generative KI, um seine Steuerberater ständig auf dem Laufenden zu halten.

Der Nutzen von Machine Learning für die Beschaffung

Machine Learning unterstützt den Einkauf überall dort, wo er große Bestände numerischer Daten auswerten muss. Das können historische Verkaufsdaten des Unternehmens genau so sein, wie Performancekennziffern von Lieferanten.

Prädiktiver Einkauf und Lageroptimierung

Durch die kombinierte Auswertung von Auftrags- und Lagerbeständen, Durchlaufzeiten und historischen Verkaufsdaten lässt sich vorhersagen, wie groß die Nachfrage künftig sein wird und zu welchem Zeitpunkt welches Material eingekauft werden muss, so dass es zum richtigen Zeitpunkt vorliegt, ohne lange eingelagert werden zu müssen.

Meist liegen dazu im Unternehmen historische Daten vor. Damit lassen sich entsprechende Modelle trainieren.

Machine Learning kann in seine Analyse aber auch metereologische Daten, Konjunkturindikatoren oder die Entwicklung von Preisen an Rohstoffmärkten einschließen.

Lieferantenbewertung und –entwicklung

Die Leistung und der Beitrag von Lieferanten für die eigene Wertschöpfung lassen sich in einer Vielzahl von numerischen Kennziffern abbilden. Das können Daten zu Lieferzeiten, zur Liefertreue, den gewährten Rabatten oder die Zahl der Reklamationen sein. Algorithmen des Machine Learning können in solchen Datenbeständen Muster und Abweichungen erkennen. Aus diesen lässt sich ein Wert errechnen, der das Risiko und die Bedeutung des jeweiligen Zulieferers für die eigene Lieferkette abbildet. Dieser Score lässt sich als Argument in Preisverhandlungen nutzen oder als Grundlage für die Weiterentwicklung des Lieferanten.

Welches Potenzial hat KI im Einkauf? – Eine Frage der Kombination

Für sich genommen werden weder generative noch analytische KI den Einkauf ausreichend dabei unterstützen, Lieferketten reibungslos durch eine von immer mehr Krisen geprägte Welt zu steuern und Risiken für ihr Unternehmen zu verringern. Erst wenn sie miteinander und mit anderen Technologien kombiniert werden, entfaltet KI in der Beschaffung ihr volles Potenzial.

Die Zukunft wird daher von Plattformenlösungen für das Risikomanagement und die Beschaffung, Multiagentensystemen (MAS) und Insight Engines bestimmt. MAS verbinden unterschiedliche Software-Agenten – etwa einen Webcrawler mit einer KI - in einem System. Insight Engines führen strukturierte und unstrukturierte Daten auf einer Plattform zusammen, analysieren und organisieren sie dort. Sie erledigen komplexe Suchanfragen und ziehen zu deren Beantwortung unterschiedliche unternehmensin- wie externe Datenquellen heran. Dazu nutzen sie Maschinelles Lernen ebenso wie generative KI und Natural Language Processing.

Bevor die Systeme ihre Einsichten und Rechercheergebnisse in überschaubaren, leicht zu erfassenden Dashboards darstellen, können Algorithmen sie danach priorisieren, welche Bedeutung sie für ein Unternehmen haben. Sie können unterschiedliche Rechercheergebnisse und Datenauswertungen auch gewichten und zu einem einfach zu verstehenden Score zusammenfassen. So entsteht zu jederzeit eine 360-Grad-Sicht der aktuellen Situation. Erst diese hilft Einkäufern, schnell die richtigen Entscheidungen zu treffen, wenn geopolitische Krisen, Naturkatastrophen oder die Insolvenz eines Zulieferers ihre Lieferketten zum Stillstand bringen. Erst diese Kombination von analytischer und generativer Künstlicher Intelligenz mit weiteren Digitaltechnologien macht die Beschaffung daher ein Stück weniger schwierig.