Die meisten Demos von „KI für die Beschaffung" zeigen den Idealfall. Eine Bestellung geht raus, eine saubere Bestätigung kommt zurück, die Zahlen stimmen, alle lächeln. Das wirkt mühelos – weil das Beispiel so gewählt wurde, dass es mühelos ist.
Echte Einkaufsabteilungen leben aber nicht im Idealfall. Sie leben in den Ausnahmen – in der Bestätigung, die 4 € zu niedrig zurückkommt, im Lieferanten, der aus einem Lager in einem anderen Land verschickt als im Stammsatz hinterlegt, im Artikel, der genau dann nicht lieferbar ist, wenn die Bestellung rausgeht. Genau hier verbringen Einkäufer ihren Arbeitstag – und genau hier beweist sich Automatisierung oder zerbricht still und leise.
Die vergangene Woche haben wir genau in diesen Problemen verbracht – beim Bau von Lisa AI, unserem Beschaffungs-Agenten. Was dabei zutage kam, ist keine Theorie, sondern genau die Art von Detail, die darüber entscheidet, ob Automatisierung den Kontakt mit einer echten Lieferkette übersteht.
Eine Bestätigung, die „fast" passt, ist das eigentliche Problem
Wenn ein Lieferant eine Bestellung bestätigt, lautet die spannende Frage nie „Stimmen die Zahlen?" Sie stimmen selten exakt. Die eigentliche Frage ist: Spielt diese Abweichung eine Rolle – und wodurch ist sie entstanden?
Das klingt einfach, bis man versucht, es aufzuschreiben. Eine Abweichung von 2 € auf einer Position über 5.000 € ist Rauschen. Dieselben 2 € auf einer 10-€-Position sind eine ganz andere Sache. Eine Toleranz kann also keine feste Zahl sein – sie muss mit dem Wert mitgehen, um den es geht. Und sobald eine Abweichung die Toleranz überschreitet, ist die nächste Frage nicht ob, sondern wie laut man sie meldet: Eine Abweichung von 5 % und eine von 60 % sind nicht derselbe Alarm. Behandelt man sie gleich, lernen Einkäufer, Alarme komplett zu ignorieren.
Wirklich schwierig wird es durch die Verschachtelung. Eine Bestätigung kann auf Positionsebene falsch sein, auf Auftragsebene aber stimmen, sobald sich Zuschläge ausgleichen. Sie kann die richtige Gesamtsumme über die falsche Anzahl an Positionen tragen. Sie kann günstiger zurückkommen – „gut" für die Rechnung und trotzdem ein Signal, dass in der Bestellung etwas missverstanden wurde. Nützliche Automatisierung muss all das gleichzeitig durchdenken und nicht nur mit „Ausnahme" zurückkommen, sondern mit einer wahrscheinlichen Ursache. Der Wert liegt nicht darin, die Abweichung zu erkennen. Er liegt darin, dem Einkäufer die zwanzig Minuten zu ersparen, in denen er herausfindet, warum.
Die Daten, die man braucht, fehlen meistens
Ein Problem, das in keinem Produktprospekt auftaucht: Um abzuschätzen, wann Ware tatsächlich ankommt, muss man wissen, von wo sie verschickt wird. Und genau dieses Feld ist fast immer leer.
Eine Bestellung hält brav die eingetragene Geschäftsadresse des Lieferanten fest. Aber ein Unternehmen mit Sitz in München verschickt vielleicht aus einem Lager in Polen oder einer Fabrik in Asien. Der Versandort, der die Transitzeit bestimmt, taucht in der Regel erst auf, wenn die Versandavisierung kommt – lange nachdem man die Schätzung gebraucht hätte, um dem Bedarfsträger eine realistische Erwartung zu geben.
Ein starres System gibt hier auf – oder schlimmer: Es nutzt klammheimlich das falsche Feld und liefert eine selbstbewusste, falsche Antwort. Ein nützliches System arbeitet mit Näherungswerten: Es greift auf das Land des Lieferanten als sinnvolle Annäherung zurück, kombiniert es mit dem Lieferziel, um die Transitzeit realistisch zu schätzen, und – entscheidend – verbessert die Schätzung in dem Moment, in dem bessere Informationen auftauchen, etwa in einer Bestätigung oder einem Herkunftsfeld. Gute Beschaffungsautomatisierung ist nicht das System mit den perfekten Daten. Es ist das System, das elegant mit Lücken umgeht – und schärfer wird, sobald die Realität sie füllt.
Beziehungen sind die Daten, die eure Systeme nicht haben
Die meisten Unternehmen haben viel in Produktinformationen und Stammdaten investiert. Diese Systeme sind sehr gut bei Attributen – was ein Produkt ist, was es kostet, wie es klassifiziert ist. Erstaunlich schwach sind sie bei Beziehungen – welches Produkt welches ersetzt, welche Artikel typischerweise zusammen gekauft werden, welche SKUs gemeinsam zurückgerufen wurden, welche Eigenmarke mit welcher Marke konkurriert.
Diese Lücke wird im denkbar schlechtesten Moment teuer: bei einem Lieferengpass. Wenn der gewünschte Artikel eines Kunden nicht verfügbar ist, sind die üblichen Auswege alle schlecht – Rückstand riskieren und die Stornierung in Kauf nehmen, einen Vertriebsmitarbeiter manuell nach einer Alternative telefonieren lassen oder die Position schlicht verlieren. Was die Rechnung verändert, ist eine geprüfte, priorisierte Liste akzeptabler Alternativen – verfügbar im Moment der Bestellung, nicht erst danach zusammengestellt. Das setzt voraus, dass „dieses ersetzt jenes" als explizite, begründete Beziehung gepflegt wird – etwas, wofür attributbasierte Systeme nie gebaut wurden.
Auch hier gehört die ehrliche Einschränkung dazu: Die kommerziell sinnvollen Alternativen sind nicht immer die Äquivalenzen, die ein Regulierer anerkennt – und in regulierten Kategorien lehnt ein Kunde einen Austausch womöglich aus Haftungsgründen ab. Automatisierung, die solche Einschränkungen wegredet, hilft nicht; Automatisierung, die sie abbildet, hilft. Es geht nicht darum, das Urteil des Category Managers zu ersetzen – sondern darum, dieses Urteil in Maschinengeschwindigkeit verfügbar zu machen, im Moment, in dem es Geld wert ist.
Die Regulierung verschiebt ständig den Boden darunter
Nichts davon steht still. In der Medizinprodukte-Distribution etwa wird die EU-Datenbank EUDAMED für ihre ersten Module zum 28. Mai 2026 verpflichtend, Bestandsprodukte folgen später im Jahr. Schon diese eine Umstellung verändert die Stammdaten-Ebene unter jedem Beschaffungsprozess, den sie berührt.
Die Lehre reicht weit über eine einzelne Regelung hinaus: Das Datenfundament der Beschaffung ist nichts Festes, das man einmal automatisiert. Es bewegt sich. Systeme, die als starre, fest verdrahtete Pipelines gebaut sind, brechen genau an solchen Änderungen. Systeme, die zum Schlussfolgern gebaut sind – die Regeln als anpassbare Eingaben behandeln statt als fest in die Leitungen geschweißte Logik – biegen sich, statt zu brechen. Bei der Wahl, wie man automatisiert, ist diese Flexibilität kein Nice-to-have. Sie ist der Unterschied zwischen einem Werkzeug, das gut altert, und einem, das man in zwei Jahren neu kauft.
Das unglamouröse Fazit
Der rote Faden durch all das ist derselbe: Der Wert von KI in der Beschaffung liegt nicht in den Fällen, die ohnehin einfach waren. Er liegt in den unübersichtlichen, mehrdeutigen, unvollständigen, von Regulierung überschatteten Fällen, die den eigentlichen Arbeitstag eines Einkäufers ausmachen – die Abweichung, die eine Ursache braucht, das fehlende Feld, das einen sinnvollen Näherungswert braucht, der Engpass, der eine Alternative braucht, die Regel, die sich gerade geändert hat.
Das ist ein weniger schillerndes Versprechen als „vollautonomer Einkauf". Aber es ist das, das an einem Dienstagnachmittag hält, wenn die Bestätigung 4 € zu niedrig zurückkommt und niemand zwanzig Minuten übrig hat. An diesem Maßstab messen wir Lisa AI – und zunehmend halten wir ihn für den Maßstab, an dem die ganze Kategorie gemessen werden sollte.
Lisa AI ist der Beschaffungs-Agent von Recall Space für Einkaufsautomatisierung, Materialplanung und ERP-Integration. Wenn euer Team seinen Tag in den Ausnahmen verbringt, würden wir gern davon hören.
