KI-Agenten in der Supply Chain schließen eine Lücke, die klassische Planungssoftware offenlässt: Sie empfehlen nicht nur, sie führen Entscheidungen aus. Prognosen werden seit Jahren präziser, Bestellvorschläge granularer. Und doch übertragen Disponentinnen und Disponenten die Empfehlungen am Ende oft von Hand ins ERP. Der Engpass liegt nicht in der Entscheidungsqualität, sondern in der Ausführung.
Auch der BCG-Report „Supply Chain Planning 2026" bestätigt nach einer Befragung von über 180 Führungskräften: Der eigentliche Engpass ist nicht die Technologie, sondern wie konsequent Unternehmen Entscheidungen, Prozesse und Daten zu echter Ausführung verbinden. Dieser Artikel erklärt, was KI-Agenten sind, welche Entscheidungen sich für sie eignen und wie der Einstieg gelingt.
Was sind KI-Agenten in der Supply Chain?
KI-Agenten in der Supply Chain sind Softwaresysteme, die Planungs- und Dispositionsentscheidungen nicht nur vorbereiten, sondern selbstständig ausführen. Sie werten Daten aus, wenden Entscheidungslogik an und lösen Aktionen in angebundenen Systemen aus, etwa eine Bestellung im ERP, eine Anfrage an einen Lieferanten oder die Anpassung eines Sicherheitsbestands. Der Mensch legt fest, innerhalb welcher Grenzen sie handeln.
Im Englischen hat sich dafür der Begriff Agentic AI etabliert, im Deutschen spricht man zunehmend von agentischer KI. Gemeint ist in beiden Fällen derselbe Schritt: von der Empfehlung zur ausgeführten Aktion.
Dass sich gerade die Lieferkette dafür eignet, hat einen einfachen Grund. Supply-Chain-Entscheidungen sind selten subjektiv. Eine Dispositionsentscheidung basiert auf Prognosen, Lagerbestand, Lieferzeiten, Service-Level-Zielen und Kostenstrukturen. Sie muss numerisch korrekt, konsistent und reproduzierbar sein. Hinzu kommt die Frequenz: tägliche Disposition, wöchentliche Prognoseaktualisierung, kontinuierliches Ausnahmen-Management. Je häufiger eine Entscheidung fällt, desto größer der Hebel der Automatisierung und desto teurer der manuelle Medienbruch zwischen Empfehlung und Aktion.
KI-Agenten vs. klassische Supply-Chain-Software und Predictive AI
Die drei Begriffe werden oft vermischt, beschreiben aber unterschiedliche Stufen:
- Klassische Supply-Chain-Software berechnet auf Basis von Regeln und Parametern, was zu tun wäre, etwa einen Bestellvorschlag aus Meldebestand und Losgröße. Umgesetzt wird der Vorschlag von einem Menschen.
- Predictive AI sagt voraus, was passieren wird. Ein Forecasting-Modell schätzt die Nachfrage der nächsten Wochen genauer, als es eine Faustregel könnte. Das Ergebnis ist eine Prognose, keine Handlung.
- Ein KI-Agent verbindet beides mit der Ausführung. Er nimmt Prognose und Optimierungsergebnis, prüft sie gegen definierte Regeln und handelt: Aus einer Empfehlung wird eine angelegte Bestellung, ein angepasster Sicherheitsbestand, eine versendete Lieferantenanfrage.
Agenten ersetzen die bewährte Entscheidungslogik dabei nicht. Statistische Forecasting-Methoden, Machine-Learning-Modelle wie LightGBM oder XGBoost und Operations-Research-Optimierung bleiben das Fundament. Der Agent orchestriert und führt aus, was diese Modelle berechnen.
Sprachmodelle wie Claude oder ChatGPT spielen eine eigene Rolle: Sie verarbeiten unstrukturierte Informationen, erklären Ergebnisse und machen Systeme in natürlicher Sprache bedienbar. Für die operativen Kernentscheidungen bleiben strukturierte Modelle und deterministische Logik essentiell. Die stärksten Systeme kombinieren beides.
Automatisierungsstufen: von Decision Support bis Decision Automation
Wo ein Agent ansetzt, lässt sich am Automatisierungsspektrum von Gartner ablesen. Es reicht von der reinen Entscheidungsunterstützung bis zur vollständigen Autonomie:
- Decision Support: Der Mensch entscheidet, das System liefert Transparenz und Diagnosen. Ein Dashboard zeigt Bestandsrisiken, gehandelt wird manuell.
- Decision Augmentation: Das System empfiehlt Optionen, der Mensch bestätigt oder passt an. Hier arbeiten die meisten fortgeschrittenen Supply-Chain-Lösungen heute.
- Decision Automation: Das System entscheidet und führt autonom aus. Geschwindigkeit, Skalierbarkeit und Konsistenz sind die Vorteile und das Kernversprechen von Agentic AI.
Die entscheidende Frage ist nicht, ob ein Unternehmen vollständige Automatisierung anstrebt, sondern welche Entscheidungen für welche Stufe geeignet sind und wie der Weg dorthin aussieht.
Welche Entscheidungen eignen sich für KI-Agenten?
Nicht jede Entscheidung sollte ein Agent treffen. Fünf Kriterien helfen bei der Einordnung:
| Kriterium | Gut geeignet für Agenten | Eher nicht geeignet |
|---|---|---|
| Frequenz | Täglich oder wöchentlich, viele gleichartige Fälle | Selten oder einmalig, etwa ein Lieferantenwechsel |
| Datenqualität | Bestände, Lieferzeiten und Stammdaten vollständig und aktuell im System | Lückenhafte Stammdaten, Wissen nur in Köpfen oder E-Mails |
| Risiko | Geringer Einzelwert, begrenzte Auswirkung | Hoher Wert, Vertragsbindung, direkte Wirkung auf Kundenaufträge |
| Umkehrbarkeit | Leicht korrigierbar, etwa ein Parameter oder eine stornierbare Bestellung | Schwer rückgängig, etwa Großabnahmen oder Rahmenverträge |
| Regelbarkeit | Klare Logik und messbares Ziel wie Servicegrad oder Reichweite | Stark ermessensabhängig oder Verhandlungssache |
Als Faustregel gilt: Je mehr Kriterien in die linke Spalte fallen, desto höher kann die Automatisierungsstufe sein. Entscheidungen mit hohem Risiko oder schlechter Datenlage bleiben besser in der Freigabe oder im Monitoring, auch wenn sie häufig vorkommen.
Einsatzfelder entlang der Supply Chain
Wo KI-Agenten in der Lieferkette heute ansetzen, hängt weniger von der Branche ab als vom Prozess. Die folgenden Felder erfüllen die Kriterien oben besonders häufig.
Nachfrageplanung
In der Nachfrageplanung überwachen Agenten, ob der Abverkauf von der Prognose abweicht, und stoßen eine Neuberechnung an, wenn sich das Muster signifikant verändert. Sie verteilen Prognoseänderungen konsistent auf alle betroffenen Artikel und melden nur die Fälle, bei denen menschliches Urteil gefragt ist. Grundlage dafür ist eine belastbare KI-gestützte Nachfrageprognose und ein Planungsprozess mit klaren Rollen, wie ihn unser Framework für resiliente Nachfrageplanung beschreibt.
Bestandsmanagement
Ändert sich die prognostizierte Nachfrage oder zeigen Lieferzeitprognosen neue Risiken, passen Agenten Sicherheitsbestände und Dispositionsparameter an, für alle betroffenen Artikel gleichzeitig. Das verhindert, dass Parameter über Monate unverändert bleiben und gut planbare Artikel überbevorratet werden. Wie sich dadurch Bestände senken lassen, ohne die Verfügbarkeit zu gefährden, zeigen unser Beitrag zur Bestandsreduzierung und die Funktionen im Bestandsmanagement.
Disposition und Einkauf
Hier liegt der unmittelbarste Hebel. Liegt ein Bestellvorschlag innerhalb definierter Grenzen für Menge, Wert und Lieferant, legt der Agent die Bestellung direkt im ERP an. Vorschläge außerhalb dieser Grenzen gehen mit Begründung in die Freigabe. Bestätigt sich ein Kundenauftrag, können Agenten nach einer Verfügbarkeitsprüfung auch Liefertermine an nachgelagerte Systeme wie den Onlineshop zurückspielen. Voraussetzung ist eine automatisierte Disposition mit priorisierten Bestellvorschlägen.
Lieferantenmanagement
Erkennt das System eine drohende Lieferverzögerung oder eine fehlende Auftragsbestätigung, fragt der Agent proaktiv beim Lieferanten nach, wertet die Antwort aus und aktualisiert den Liefertermin. Parallel entsteht eine faktenbasierte Sicht auf Lieferzeittreue und Reaktionsgeschwindigkeit, die Lieferantengespräche von Anekdoten auf Kennzahlen umstellt.
Produktion
In der Produktionsversorgung filtern Agenten aus hunderten täglichen Ereignissen die wirklich kritischen heraus: drohende Fehlteile, Auslastungsspitzen einzelner Maschinen, verspätete Vormaterialien. Sie bewerten die Auswirkung auf Fertigungs- und Kundenaufträge und leiten die Fälle priorisiert an die zuständige Person im Team weiter.
Welchen Hebel schon die Vorstufe hat, zeigt die Customer Story der Karl Pichler AG: Mit automatisierten Bestellvorschlägen spart der Einkauf dort bis zu 8 Stunden pro Anwender und Woche, der Lagerumschlag stieg innerhalb von zwölf Monaten um 19 Prozent. Jeder weitere Schritt von der Empfehlung zur ausgeführten Aktion vergrößert diesen Effekt.
Voraussetzungen und typische Fehler beim Einstieg
KI-Agenten sind nur so gut wie die Daten und Regeln, auf denen sie arbeiten. Vor dem ersten produktiven Einsatz sollten fünf Voraussetzungen erfüllt sein:
- Gepflegte Stammdaten: Lieferzeiten, Mindestbestellmengen, Losgrößen und Lieferantenzuordnungen sind vollständig und aktuell.
- Systemzugriff: Der Agent kann über eine Schnittstelle nicht nur lesen, sondern definierte Aktionen im ERP ausführen.
- Messbare Ziele: Servicegrad, Reichweite oder Bestandswert sind als Zielgrößen festgelegt, gegen die sich Entscheidungen prüfen lassen.
- Klare Verantwortung: Eine Person im Fachbereich legt Freigaberegeln fest und entscheidet über Ausnahmen.
- Nachvollziehbarkeit: Jede Aktion wird protokolliert und lässt sich im Nachhinein prüfen.
Die häufigsten Fehler beim Einstieg sind absehbar. Unternehmen starten mit dem komplexesten statt mit dem häufigsten Prozess. Sie automatisieren auf Stammdaten, deren Qualität niemand geprüft hat, und automatisieren damit auch deren Fehler. Sie lassen ein Sprachmodell operative Entscheidungen treffen, die deterministische Modelle zuverlässiger berechnen. Und sie definieren keine Eskalationswege, sodass Ausnahmen im System hängen bleiben, statt bei einem Menschen anzukommen. Wer den Erfolg nicht misst, etwa über Freigabequote, Bearbeitungszeit oder Servicegrad, kann außerdem nicht belegen, wann die nächste Automatisierungsstufe gerechtfertigt ist.
Guardrails und Governance: Der Mensch setzt die Leitplanken
Vollständige Autonomie ist nicht das Ziel und auch nicht das, was die Praxis fordert. Auch BCG hält fest, dass vollständig autonome Planung vorerst eine Aspiration bleibt. Der bessere Ansatz: Der Mensch setzt die Leitplanken, innerhalb derer automatisiert wird.
Innerhalb dieser Guardrails handeln Agenten eigenständig und in hoher Frequenz. Gemeint sind definierte Schwellenwerte, Mengen-, Wert- und Risikogrenzen sowie freigegebene Lieferanten. Außerhalb der Leitplanken übernimmt der Mensch. Überschreitet ein Vorgang die definierten Grenzen, wird er nicht automatisch ausgeführt, sondern als Ausnahme an die richtige Person eskaliert.
Über kontinuierliches Monitoring bleibt der Mensch jederzeit im Bild und kann jede Agentenaktion nachvollziehen, anpassen und bei Bedarf übersteuern. Experten liefern das Domänenwissen, das Algorithmen allein nicht kennen: unternehmensspezifische Constraints, Saisonalitäten, Lieferantenbeziehungen. Die Maschine übernimmt, was sie besser kann. Der Mensch führt, wo sein Urteil den Unterschied macht.
Einführung Schritt für Schritt: von Monitoring zur Vollautomatik
Der Weg zu KI-Agenten in der Supply Chain führt über Vertrauen, und Vertrauen entsteht schrittweise. Bewährt hat sich ein Vorgehen in drei Stufen:
- Monitoring: Der Agent beobachtet einen ausgewählten Prozess und meldet, was er tun würde, handelt aber nicht. Sein Vorschlag lässt sich mit der tatsächlichen Entscheidung des Teams vergleichen.
- Freigabebasierte Ausführung: Der Agent bereitet die Aktion vor, ein Mensch genehmigt sie. Steigt die Freigabequote und sinkt der Korrekturbedarf, ist die Logik reif für den nächsten Schritt.
- Vollautomatik innerhalb der Guardrails: Der Agent handelt eigenständig, solange ein Vorgang innerhalb der definierten Grenzen liegt. Alles andere eskaliert er als Ausnahme.
Welcher Prozess den Anfang macht, beantworten die Kriterien aus der Tabelle oben: hohe Frequenz, gute Daten, geringes Risiko, leicht umkehrbar. Ist der erste Prozess stabil automatisiert, lässt sich das Vorgehen auf den nächsten übertragen.
KI-Agenten mit numi: MCP-Server und native Agenten
numi bietet zwei Wege. Native Agenten laufen direkt in numi als konfigurierbare Workflows aus Trigger, Logik und Aktion, mit den drei Automatisierungsstufen Monitoring, Freigabe und Vollautomatik. Der numi MCP-Server verbindet Modelle wie Claude, ChatGPT oder Microsoft Copilot mit Prognosen, Beständen, Bestellvorschlägen und Ausnahmen in numi. So lässt sich die Supply Chain in natürlicher Sprache befragen, und Agenten können innerhalb klar definierter Berechtigungen Aktionen auslösen. Die deterministischen Modelle von numi treffen die Entscheidungen, das Sprachmodell übernimmt Interaktion und Erklärung. Wie das im Detail funktioniert, zeigt die Seite zur Supply Chain Automatisierung mit numi.
Häufige Fragen (FAQ)
Was bedeutet Agentic AI in der Lieferkette?
Agentic AI bezeichnet KI-Systeme, die Entscheidungen nicht nur empfehlen, sondern eigenständig ausführen. In der Lieferkette heißt das etwa: eine Bestellung im ERP anlegen, einen Sicherheitsbestand anpassen oder einen Lieferanten kontaktieren. Bewährte Prognose- und Optimierungsmodelle ersetzt Agentic AI nicht, sie automatisiert deren Ausführung.
Was ist ein MCP-Server?
MCP steht für Model Context Protocol, einen offenen Standard, über den KI-Modelle sicher mit externer Software kommunizieren. Ein MCP-Server stellt Daten und Funktionen einer Anwendung als aufrufbare Tools bereit. Ein Sprachmodell kann damit Informationen abfragen und definierte Aktionen auslösen, ohne dass für jede Anwendung eine eigene Integration gebaut werden muss.
Worin unterscheidet sich ein KI-Agent von einem Chatbot?
Ein Chatbot beantwortet Fragen, ein KI-Agent handelt. Der Chatbot liefert eine Auskunft, etwa welche Artikel gefährdet sind. Der Agent zieht daraus die Konsequenz und führt eine Aktion in einem angebundenen System aus. Viele Anwendungen kombinieren beides: Die Frage wird in natürlicher Sprache gestellt, die Aktion anschließend von einem Agenten ausgeführt.
Ersetzen KI-Agenten Disponentinnen und Disponenten?
Nein. Agenten übernehmen Routineentscheidungen mit hoher Frequenz und klarer Logik. Disponentinnen und Disponenten setzen die Regeln, entscheiden über Ausnahmen und bringen Wissen ein, das in keinem System steht, etwa zu Lieferantenbeziehungen oder anstehenden Aktionen. Ihre Rolle verschiebt sich vom Abarbeiten zum Steuern.
Brauchen KI-Agenten ein Sprachmodell wie ChatGPT oder Claude?
Nicht zwingend. Viele Agenten arbeiten ausschließlich mit Regeln und deterministischen Modellen, zum Beispiel bei der automatischen Bestellauslösung. Ein Sprachmodell kommt hinzu, wenn Menschen in natürlicher Sprache mit dem System interagieren, unstrukturierte Informationen wie E-Mails ausgewertet oder Ergebnisse erklärt werden sollen.
Sehen Sie Agenten und den MCP-Server live in Ihrem eigenen Supply-Chain-Kontext.
