Bei der diesjährigen Veranstaltung Automotive Logistics and Supply Chain Europe in Bonn stach ein Thema besonders hervor: Die europäische Automobilindustrie steht nicht still – sie passt sich der neuen Realität an.
Trotz der anhaltenden Erzählungen über Umbrüche und Niedergang war das, was ich sowohl in Gesprächen als auch auf dem von Blue Yonder gesponserten Panel „Datennutzung zum Aufbau transparenterer, widerstandsfähigerer und KI-gesteuerter Lieferketten“ sah, etwas weitaus Konstruktiveres. Keine Verleugnung. Keine Angst haben. Ausführung.
Der Dialog hat sich über OEMs, Zulieferer, Logistik- und Technologiepartner hinweg weiterentwickelt. KI ist keine ferne Verheißung oder ein Nebenexperiment mehr. Es ist da. Es wird gerade eingesetzt. Und zunehmend wird es in reale Prozesse integriert.
Die eigentliche Frage lautet nicht mehr: „Wo können wir KI einsetzen?“ (eine Lösung sucht ein Problem). Die Frage lautet vielmehr: „Wo genau verbessert es die Entscheidungen?“ Sowohl in Bezug auf Geschwindigkeit als auch auf Qualität?“
Mehr als nur Sichtbarkeit
Jahrelang war die Transparenz der Lieferkette das Hauptziel. Und das aus gutem Grund – viele Organisationen agierten im Dunkeln. Heute hat sich das geändert. Die meisten Unternehmen haben mittlerweile irgendeine Form von:
- Kontrollturm
- Ereignisverfolgung
- Frachtüberwachung
- Lieferantensichtbarkeit
Aber hier ist die unangenehme Wahrheit. Die Sichtbarkeit ist nicht länger der Flaschenhals. Der Flaschenhals ist das, was als Nächstes passiert. Können Sie diese Transparenz nutzen, um schnelle, konsistente und funktionsübergreifende Entscheidungen zu treffen?
In vielen Fällen lautet die Antwort immer noch nein. Entscheidungen werden weiterhin manuell getroffen, verzögert, funktionsübergreifend inkonsistent (siloartig) und basieren eher auf individueller Erfahrung als auf Systemlogik. Hier liegt die eigentliche Lücke. Nicht in Bezug auf Datenqualität und -zugriff, sondern auf Entscheidungsfähigkeit.
Dies führt zu einer einfachen, aber wichtigen Umdeutung. Die meisten Unternehmen haben kein Datenproblem. Sie stehen vor einer Herausforderung im Bereich der Entscheidungsarchitektur.
Das fehlende Element: Entscheidungsarchitektur
Es wurden erhebliche Investitionen in Datenplattformen, Dashboards und Integrationen getätigt. Das ist notwendig – aber nicht hinreichend.
Daten allein schaffen keinen Wert. Wert entsteht, wenn qualitativ hochwertige Daten auf orchestrierte Weise in Entscheidungssysteme eingespeist werden.
In der Lieferkette sind diese Mechanismen bereits vorhanden:
- Prognosemodelle
- Bestandsoptimierung
- Optimierung der Bedarfsplanung
- Routen- und Transportoptimierung
- Netzwerksimulation
- Produktionsplanung und -sequenzierung
- Pickwellenoptimierung und Aufgabenmanagement
- etc…
Das Problem besteht darin, dass diese Fähigkeiten in vielen Organisationen über verschiedene Systeme verteilt, uneinheitlich angewendet und von Echtzeitsignalen abgekoppelt sind.
Was fehlt, ist eine kohärente Entscheidungsarchitektur, die Folgendes miteinander verbindet:
Daten → Entscheidungsmechanismen → Arbeitsabläufe → Ausführung
Ohne das werden Versuche, KI einzusetzen, letztendlich zu einer Ebene der Erkenntnisgewinnung, die über den Daten liegt – also „neben dem Prozess“ –, anstatt in die Entscheidungsfindung eingebettet zu sein. Und genau hier scheitern viele KI-Initiativen. KI ist nicht eine einzige Sache!
Ein weiteres Thema, das in der Diskussion deutlich zum Ausdruck kam: Künstliche Intelligenz wird oft missverstanden. Es wird so darüber gesprochen, als wäre es eine einzige Fähigkeit. Das ist es nicht. In der Lieferkette lässt sich KI besser als ein Stapel verschiedener Fähigkeiten verstehen, von denen jede eine spezifische Rolle spielt.
Die Grundlage bildet prädiktive KI (maschinelles Lernen): Wird für Prognosen, ETA-Vorhersagen und Risikoerkennung verwendet.
Es eignet sich gut zur Beantwortung der Frage: Was wird wahrscheinlich passieren?
Außerdem gibt es Optimierungs- und Entscheidungsmodule: Diese werden für die Planung von Lagerbeständen, Produktion und Routenplanung verwendet.
Sie beantworten die Frage: Was sind die bestmöglichen Entscheidungen unter den gegebenen Einschränkungen?
Und zunehmend generative KI und agentenbasierte Arbeitsabläufe: Wird für Interaktion, Erklärung und Orchestrierung verwendet.
Sie helfen bei der Beantwortung folgender Fragen: Was sollten wir als Nächstes tun – und wie setzen wir es um?
Hier kommt oft die Idee einer „KI-Schicht“ ins Spiel. In der Praxis ersetzt diese Ebene jedoch weder Planung noch Optimierung.
Sie fungiert als Orchestrierungsschicht – sie verbindet Signale, löst Entscheidungen aus und koordiniert Arbeitsabläufe über verschiedene Funktionen hinweg. Anstatt KI in der Lieferkette als ein einzelnes Werkzeug zu betrachten, ist es genauer, sie folgendermaßen zu sehen:
Vorhersage + Entscheidungsmechanismen + Erkenntnisgewinnung + Orchestrierung arbeiten zusammen
Was generative KI tatsächlich hinzufügt
Um generative KI wird viel Aufhebens gemacht, daher ist es wichtig, ihre Rolle realistisch zu betrachten. Generative KI ist keine Planungsmaschine. Es optimiert keine komplexen, eingeschränkten Systeme. Es ersetzt keine Prognosemodelle.
Was es aber sehr gut kann, ist:
- große Informationsmengen synthetisieren
- Oberflächenrelevanter Kontext über Funktionen hinweg
- Ergebnisse so erklären, dass Menschen sie verstehen können
- Unterstützung der Entscheidungsfindung in mehrdeutigen Situationen
- Koordination zwischen den Beteiligten
- im Namen der Nutzer handeln (innerhalb klar definierter Richtlinien und Geschäftsregeln)
Einfach ausgedrückt:
- Maschinelles Lernen extrapoliert und sagt voraus
- Generative KI argumentiert und erklärt
Was sie gemeinsam haben, ist genauso wichtig. Beide hängen vollständig von der Datenqualität und dem Kontext ab. Beide müssen auf realen operativen Systemen basieren, um Wert zu schaffen.
Daten: von IT-Themen bis hin zu operativen Disziplinen
Ein weiterer Wandel, der deutlich zum Vorschein kam, betrifft die Art und Weise, wie Organisationen mit Daten umgehen. Lange Zeit wurden Daten als Angelegenheit der IT-Abteilung betrachtet. Dieses Modell ist nicht mehr gültig. Denn die Qualität der Entscheidungen hängt direkt von der Qualität der Daten ab – und die Menschen, die diese Daten am besten verstehen, sind nicht in der IT-Branche tätig.
Im Bereich der Lieferkette sind sie in folgenden Bereichen vertreten: Beschaffung, Fertigung, Logistik und Planung.
Die Organisationen, die wirkliche Fortschritte erzielen, sind diejenigen, die sich in Richtung unternehmerischer Datenhoheit bewegen. Hierbei geht es weniger um Governance-Rahmenbedingungen, sondern vielmehr um Verantwortlichkeit an der Quelle.
Diese Verantwortlichkeit führt zum nächsten wichtigen Wandel: Anstatt sich auf das Ergebnis zu konzentrieren, sollte man die Anstrengungen nicht in die Verbesserung der Rahmenbedingungen investieren und sich dann auf das Ergebnis verlassen.
In vielen Unternehmen läuft die Planung immer noch so ab: Man erstellt einen Plan, identifiziert Probleme und passt ihn manuell an.
Dieser Ansatz ist nicht skalierbar. Das Zukunftsmodell ist anders. Sie verändern die Ausgabe nicht. Sie verbessern die Eingangsdaten für die Entscheidungsalgorithmen. Das ist es, was Konsistenz und Automatisierung ermöglicht.
Kontrolltürme: Von der Sichtbarkeit zum Handeln
Das Konzept des Supply-Chain-Kontrollturms hat sich deutlich weiterentwickelt. Frühere Versionen konzentrierten sich auf die Aggregation von Daten und die Schaffung von Transparenz. Das reicht heute nicht mehr aus.
Ein Kontrollturm schafft nur dann Wert, wenn er:
- liefert kontextbezogene Einblicke
- Stellt eine direkte Verbindung zu Entscheidungsmodulen her.
- Löst Aktionen innerhalb von Arbeitsabläufen aus
Andernfalls wird es nur ein weiteres Dashboard. Und genau hier haben viele Organisationen noch immer Schwierigkeiten – nicht wegen technologischer Beschränkungen, sondern wegen der operativen Integration. Die Herausforderung besteht darin, Erkenntnisse in die täglichen Prozesse und Arbeitsabläufe, einschließlich der Benutzer, sowie in funktionsübergreifende Entscheidungen und die Zusammenarbeit mit Partnern, zu integrieren. Dies erfordert eine Abstimmung zwischen Systemen, Teams und Entscheidungslogik. Es ist schwieriger als die Erstellung eines Dashboards – aber genau darin liegt der Wert.
ERP-Systeme, Datenplattformen und die Realität der Architektur
Ein weiteres Thema, das zur Sprache kam: Cloud-Transformation und ERP-Modernisierung. Das sind wichtige Initiativen. Doch im Kontext von KI werden sie oft missverstanden. ERP-Systeme sind darauf ausgelegt, Transaktionen zu erfassen. Sie sind nicht dafür ausgelegt, komplexe Entscheidungen zu treffen oder KI in großem Umfang zu unterstützen.
Auch modernisierte ERP-Systeme behalten weitgehend ihren transaktionsorientierten Charakter bei. Dies führt zu einem grundlegenden architektonischen Wandel: KI und fortschrittliche Entscheidungsfindung benötigen eine andere Datengrundlage. Hier kommen Datenplattformen und Datenclouds ins Spiel.
Sie ermöglichen es Organisationen:
- Daten über verschiedene Funktionen hinweg integrieren
- eine konsistente Echtzeit-Sicht auf die Lieferkette schaffen
- diese Daten für Entscheidungsmechanismen zugänglich machen
- Diese Daten für KI zugänglich machen, um Erkenntnisse zu gewinnen und sie in einen Kontext zu setzen
Dies wirft eine interessante Frage für die Zukunft auf:
Was wäre, wenn Supply-Chain-Anwendungen nativ auf einer gemeinsamen Datenplattform aufgebaut wären, anstatt Daten systemübergreifend zu duplizieren und unterschiedliche Datenversionen abzugleichen? Sie hätten einen einheitlichen Zustand, der für Benutzer, Entscheidungsmodule und KI direkt zugänglich wäre. Hier wird es interessant.
Ein Mentalitätswandel
Der vielleicht wichtigste Erkenntnisgewinn aus der Podiumsdiskussion war nicht technischer Natur. Es ging um die Einstellung.
Es herrscht immer noch die weitverbreitete Ansicht vor: „Lasst uns zuerst die Grundlagen richtig machen – dann können wir KI einführen.“ Das klingt vernünftig, ist aber gleichzeitig falsch. KI ist nicht die Belohnung für Reife. Es ist einer der schnellsten Wege, dies zu erreichen.
KI hilft Organisationen:
- Datenprobleme identifizieren
- Prozesse standardisieren
- Verbesserung der Entscheidungskonsistenz
- Skalierungs-Best-Practices
Die Unternehmen, die voranschreiten, warten nicht auf Perfektion, sondern treffen konkrete Entscheidungen, setzen KI dort ein, wo sie einen Mehrwert bietet, und verbessern sich Schritt für Schritt, Anwendungsfall für Anwendungsfall. So entsteht Dynamik.
Der Weg vor uns
Tritt man einen Schritt zurück, zeichnet sich ein klares Muster ab.
Die nächste Phase der Transformation der Lieferkette besteht nicht in mehr Dashboards, mehr Datenerfassung und mehr isolierten KI-Pilotprojekten. Es geht darum, kohärente Entscheidungssysteme aufzubauen.
Das bedeutet:
- Die Lieferkette als einheitliches Entscheidungsumfeld behandeln
- Daten mit Entscheidungssystemen verknüpfen
- Einbettung von KI in durchgängige Arbeitsabläufe
- Angleichung der Verantwortlichkeiten über verschiedene Funktionen hinweg
- und pragmatisch vorgehend, ein Anwendungsfall nach dem anderen.
In der heutigen Zeit lässt sich Resilienz nicht durch vollmundige Behauptungen aufbauen. Es basiert auf der Disziplin, Erkenntnisse konsequent und in großem Umfang in konkrete Maßnahmen umzusetzen.
Neugierig geworden? Besuchen Sie uns hier.
