Im Frühjahr 2021 standen Automobilfabriken weltweit still: wegen fehlender Halbleiter. Nicht wegen Kriegen oder Naturkatastrophen, sondern weil die Bedarfsprognosen der Einkaufsabteilungen falsch lagen. Das hat die Branche Milliarden gekostet und gezeigt: Wer den Bedarf nicht rechtzeitig sieht, kann nicht rechtzeitig handeln.
KI im Einkauf ist kein Digitalisierungsmodewort. Es ist eine direkte Antwort auf ein konkretes, teures Problem.
Anwendungsfall 1: Bedarfsprognose und proaktives Handeln
Klassische Bedarfsprognose funktioniert so: Du schaust auf den Verbrauch der letzten zwölf Monate, berechnest einen Mittelwert, hängst einen Sicherheitspuffer drauf. Das ist solide für stabile Märkte. Für alles andere ist es zu grob.
Machine Learning-basierte Prognosemodelle können deutlich mehr Variablen berücksichtigen: Saisonalität, Lieferzeiten, aktuelle Produktionspläne, externe Faktoren wie Rohstoffpreise oder Wetterprognosen für saisonale Waren, Kundenaufträge aus dem CRM.
Ein Maschinenbau-Unternehmen in Baden-Württemberg (etwa 600 Mitarbeitende) hat ein entsprechendes System eingeführt und seinen Lagerbestand bei gleichzeitig reduzierten Fehlmengen um rund 18 Prozent gesenkt. Die Investition lag bei etwa 80.000 Euro für die Implementierung, inklusive Datenbankanbindung und Schulungen. Amortisation nach knapp zwei Jahren.
Das ist kein Sonderfall. Prognosemodelle gibt es als SaaS-Lösung für mittlere Unternehmen ab etwa 1.500 Euro monatlich, oft als Modul bestehender ERP-Systeme (SAP hat SAP IBP, Microsoft Dynamics hat eigene Forecasting-Funktionen).
Anwendungsfall 2: Lieferantenrisiko-Monitoring mit Frühwarnsystem
Was macht ein Unternehmen, wenn sein wichtigster Zulieferer in Zahlungsschwierigkeiten gerät, ein Brand sein Werk beschädigt oder ein Tarifkonflikt die Produktion stoppt? Meistens: reagieren, wenn es zu spät ist.
KI-gestütztes Lieferantenmonitoring überwacht kontinuierlich externe Datenquellen wie Nachrichtenfeeds, Handelsregister, Bonitätsdatenbanken und Social Media und schlägt Alarm, wenn bei einem Lieferanten relevante Signale auftauchen.
Tools wie Riskmethods (heute Sphera) oder Prewave machen genau das. Sie aggregieren Nachrichtenmeldungen in über 100 Sprachen, Daten aus Handelsregistern, Wetterereignisse in Produktionsregionen und Finanzkennzahlen. Das alles ordnen sie automatisch den Lieferanten in deiner Datenbank zu.
Was das in der Praxis bedeutet: Du erfährst, dass ein Tier-2-Lieferant (also der Lieferant deines Lieferanten) in Malaysia von einem Überschwemmungsereignis betroffen ist. Du hast dann zwei Wochen, um eine Alternative zu aktivieren, bevor der Engpass dich trifft. Ohne automatisches Monitoring wärst du erst informiert worden, wenn dein direkter Lieferant nicht mehr liefern kann.
Die Einführungskosten für diese Tools liegen je nach Unternehmensgröße zwischen 30.000 und 120.000 Euro jährlich. Für Unternehmen mit komplexen, globalen Lieferketten ist das eine klare Rechnung.
Anwendungsfall 3: Vertragsanalyse in einer Stunde statt in Tagen
Einkaufsverträge mit Lieferanten sind oft komplex. Ein 50-seitiger Rahmenvertrag enthält leicht 30 Klauseln, die im Streitfall relevant werden: Haftungsklauseln, Preisgleitformeln, Mindestabnahmemengen, Kündigungsfristen, Force-Majeure-Regelungen, Pönalen.
Wer prüft das wirklich sorgfältig? In vielen Mittelstandsunternehmen ohne eigene Rechtsabteilung: niemand. Man verlässt sich auf Standard-Vorlagen und hofft.
KI-gestützte Vertragsanalyse kann das ändern. Du gibst den Vertrag als PDF in ein Tool wie Harvey, Luminance oder (in der einfachsten Form) direkt in Claude mit einer klaren Aufgabe: “Identifiziere alle Klauseln, die bei Lieferverzug Konsequenzen für uns haben, und bewerte, ob sie marktüblich oder auffällig nachteilig sind.”
Das ersetzt keine anwaltliche Prüfung für kritische Verträge. Aber es macht die Vorbereitung dieser Prüfung wesentlich effizienter und hebt Klauseln hervor, die du ohne KI vielleicht überlesen hättest. Den konkreten Ablauf von der Dateiübergabe bis zum strukturierten Ergebnis-Report beschreibt der Use Case Vertragsanalyse mit KI.
Ein Einkaufsleiter eines mittelständischen Chemieunternehmens hat berichtet, dass sein Team bei der Überprüfung von 40 bestehenden Lieferantenverträgen mit KI-Unterstützung innerhalb einer Woche neun Verträge identifiziert hat, die nachverhandlungswürdig waren: wegen nicht mehr zeitgemäßer Pönalen oder ungünstiger Preisgleitformeln.
Was Mittelstandsunternehmen in Deutschland wirklich tun
Der Großteil der KI-Einführung im Einkauf ist aktuell nicht bei großen Konzernen, sondern bei Mittelstand mit 200 bis 2.000 Mitarbeitenden.
Was funktioniert: Punktuelle Einführungen in einem klar definierten Bereich. Nicht “wir machen KI im Einkauf”, sondern “wir führen ein Forecasting-Modul für unsere fünf umsatzstärksten Materialgruppen ein”. Das ist handhabbar, messbar und liefert in sechs bis zwölf Monaten konkrete Ergebnisse.
Was noch selten ist: vollständig integrierte KI-gestützte Supply-Chain-Steuerung. Das setzt erhebliche IT-Ressourcen voraus, wie sie bei BMW oder Bosch vorhanden sind. Für den Mittelstand ist das kein realistisches kurzfristiges Ziel.
Die entscheidende Voraussetzung: saubere Daten
KI im Einkauf ist nur so gut wie die Daten, die sie bekommt. Das klingt wie ein Disclaimer, aber es ist das häufigste Scheiternsmuster.
Wenn Bestellhistorien in drei verschiedenen Systemen liegen und nicht sauber zugeordnet sind, kann kein Algorithmus verlässliche Prognosen machen. Wenn Lieferantenstammdaten inkonsistent gepflegt sind, findet das Risikotool die richtigen Firmen nicht. Wenn Vertragsversionen nicht zentral abgelegt sind, kann keine KI den richtigen Vertrag analysieren.
Vor der KI-Einführung steht deshalb meistens eine Datenhygiene-Initiative. Das ist keine IT-Aufgabe, sondern eine Organisationsaufgabe. Wer ist verantwortlich für welche Daten? Wie werden sie gepflegt? Welche Systeme müssen synchronisiert werden?
Wer hier schleudert, wird auch mit der besten KI-Lösung keine verlässlichen Ergebnisse bekommen. Das ist unangenehm, aber es ist die Realität.
Wie du den Einstieg gestaltest
Drei konkrete erste Schritte:
Erstens: Identifiziere deinen größten Schmerzpunkt im Einkauf. Fehlmengen? Überraschende Lieferantenprobleme? Unübersichtliche Vertragssituation? Fang dort an, nicht mit dem kompliziertesten Fall.
Zweitens: Prüfe, ob dein ERP-System bereits KI-Module hat, die du noch nicht nutzt. SAP, Microsoft Dynamics und Oracle haben in den letzten zwei Jahren erheblich in integrierte KI-Funktionen investiert. Oft ist das Potenzial schon da und wartet nur auf Konfiguration.
Drittens: Starte mit einem Piloten an einer klar abgegrenzten Materialgruppe oder einem Liefersegment. Messe das Ergebnis nach sechs Monaten: Fehlmengen, Lagerhaltungskosten, Zeitaufwand für manuelle Arbeit.
Den Überblick über den breiteren Einsatz von Automatisierung in Unternehmen und was dabei realistisch ist, findest du im Artikel über KI einführen ohne zu scheitern. Wer den Einkauf im Gesamtkontext einer KI-Strategie sehen will, findet in KI-Strategie in 5 Schritten eine strukturierte Vorgehensweise.
Wenn du weitere praktische Einblicke zu KI im Unternehmenskontext willst: Der Newsletter liefert regelmäßig konkrete Beispiele aus der Unternehmenspraxis, ohne Werbeversprechen.