Souveräne KI: die Verantwortung bleibt im Haus
Eva Mickler
7 Min. Lesezeit Wer ein KI-Modell in den produktiven Betrieb nimmt, trägt die Verantwortung für sein ...
Zum Beitrag
5 Min. Lesezeit
KI-gestützte Forecast- und Resilienzsysteme für Supply Chains liefern im stabilen Betrieb oft gute Ergebnisse. Sie versagen jedoch systematisch genau dort, wo Unternehmen auf sie angewiesen sind: bei plötzlichen geopolitischen Schocks, Routenbrüchen oder abrupten Nachfrageeinbrüchen. Der Grund liegt in der Abhängigkeit von historischen Mustern und der Unterrepräsentation seltener Ereignisse.
Das Wichtigste in Kürze
- Im Normalbetrieb stark, im Ernstfall blind. Prädiktive Modelle extrapolieren historische Verteilungen und erkennen strukturelle Brüche systematisch zu spät.
- Seltene Ereignisse fehlen in den Trainingsdaten. Gleichzeitige Schocks aus Geopolitik, Wetter und Hafenengpässen sind unterrepräsentiert, die angenommenen Korrelationen brechen.
- Automatisierung ohne Eskalation verschärft die Lage. Ein Modell, das einen Bruch für einen Ausreißer hält, bestellt weiter auf falschen Parametern und erzeugt Fehl- und Überbestände.
- Datenbasis schlägt Algorithmus. Mehrstufige Transparenz und geprüfte Eingangsdaten bringen mehr Resilienz als eine weitere Verfeinerung der Modelle.
Historische Muster treffen auf strukturelle Brüche
Prädiktive Modelle lernen statistische Beziehungen aus vergangenen Beobachtungen. Sie extrapolieren Verteilungen von Lieferzeiten, Frachtkosten und Verfügbarkeiten, die in der Trainingsperiode aufgetreten sind. Solange neue Entwicklungen innerhalb dieser Verteilungen bleiben, erzeugen sie brauchbare Punktprognosen und Bandbreiten.
Die Red-Sea-Krise ab Ende 2023 zeigt die Grenze. Angriffe auf Schiffe im Roten Meer zwangen Reedereien zur Umleitung um das Kap der Guten Hoffnung. Transitzeiten auf Asien-Europa-Routen verlängerten sich um rund zehn bis vierzehn Tage. Frachtraten stiegen auf einigen Routen innerhalb weniger Wochen um mehrere hundert Prozent. Automobilhersteller wie Tesla unterbrachen die Produktion an der Gigafactory Berlin für zwei Wochen, Volvo Cars pausierte kurzfristig das Werk in Gent. Modelle, die von stabilen Routen und historischen Laufzeiten ausgingen, reagierten zu spät oder unterschätzten die Auswirkungen auf nachgelagerte Bestände und Produktionspläne.
Strukturelle Brüche dieser Art ändern nicht einzelne Werte, sondern ganze Verteilungen gleichzeitig. Modelle, die langsame Drift oder Stationarität unterstellen, erkennen solche Sprünge systematisch zu spät.
Der Bruch, den die Modelle verpassten
10 bis 14 Tage längere Transitzeit. So stark verlängerten sich die Asien-Europa-Laufzeiten, als Reedereien wegen der Angriffe im Roten Meer um das Kap der Guten Hoffnung umleiteten. Modelle mit stabilen Laufzeiten reagierten zu spät.
Datenbasis und Modellannahmen als blinder Fleck
Viele Systeme arbeiten mit unvollständiger Sichtbarkeit über mehrere Lieferstufen hinweg. Sie stützen sich auf Tier-1-Daten, öffentliche Indizes oder aggregierte Marktindikatoren. Seltene Kombinationen von Ereignissen – geopolitische Eskalation, gleichzeitige Wetterereignisse und Hafenengpässe – sind in den Trainingsdaten unterrepräsentiert oder fehlen ganz.
Hinzu kommen implizite Annahmen über Korrelationen zwischen Indikatoren. Wenn ein Schock mehrere Lieferanten oder Regionen gleichzeitig trifft, brechen diese Beziehungen. Die Modelle liefern dann entweder zu optimistische Prognosen oder widersprüchliche Signale. Digital Twins, die als Simulationsumgebung für Resilienz dienen sollen, erben dieselbe Problematik. Sie sind nur so gut wie die Annahmen und Daten, die in sie eingespeist werden. Bei schnellen Veränderungen veralten die zugrunde liegenden Parameter rasch.
Für CIOs und Supply-Chain-Verantwortliche folgt daraus eine klare Priorität. Verbesserungen der Datenbasis und der mehrstufigen Transparenz bringen oft mehr Resilienz als eine weitere Verfeinerung der Algorithmen.
Verbesserungen der Datenbasis bringen oft mehr Resilienz als eine weitere Verfeinerung der Algorithmen.
Automatisierung ohne robuste Eskalation
Ein zweiter blinder Fleck liegt in der zunehmenden autonomen Steuerung. Viele Systeme lösen bei definierten Schwellenwerten automatisch Nachbestellungen, Routenwechsel oder Lageranpassungen aus. Im Normalbetrieb reduziert das manuelle Arbeit und verkürzt Reaktionszeiten.
Im Ausnahmefall kann dieselbe Logik die Lage verschärfen. Interpretiert ein Modell eine strukturelle Veränderung als temporären Ausreißer, bestellt es weiter auf Basis falscher Parameter. Die Folge sind Fehlbestände an einer Stelle und Überbestände an anderer. Gleichzeitig verliert das Planungsteam bei starker Automatisierung praktisches Wissen über Ausnahmesituationen. Wenn manuelles Eingreifen erforderlich wird, fehlt oft die aktuelle Erfahrung.
Analysen von Beratungshäusern und Branchenbeobachtern weisen wiederholt darauf hin, dass fehlende oder unklare Eskalationsregeln die Anfälligkeit erhöhen. Der Mensch-im-Loop ist kein Rückfall in manuelle Prozesse, sondern ein notwendiger Bestandteil robuster Steuerung.
Robustheit statt Genauigkeit messen
Die meisten Organisationen bewerten ihre Systeme anhand klassischer Genauigkeitskennzahlen wie mittlerer absoluter prozentualer Abweichung. Diese Werte sind im stabilen Umfeld nützlich. Sie sagen jedoch wenig darüber aus, wie das System bei extremen Bedingungen reagiert.
Robustheit zeigt sich anders. Sie liegt in drei Fähigkeiten: die Modellannahmen schnell als ungültig zu erkennen, mehrere plausible Entwicklungen parallel zu bewerten und Handlungsfähigkeit innerhalb definierter Toleranzen zu erhalten. Relevante Größen sind die Abdeckung von Stressszenarien, die Zeit bis zur ersten belastbaren Neubewertung und die Qualität von Entscheidungen unter Unsicherheit.
CIOs sollten daher neben der Forecast-Genauigkeit im Tagesgeschäft regelmäßige Stresstests und Simulationen durchführen. Die zentrale Frage lautet nicht, wie genau das Modell im Mittel ist, sondern wie es sich verhält, wenn mehrere Annahmen gleichzeitig zusammenbrechen.
Die tragfähige Kombination: KI, Szenarien und Urteil
Die Lösung liegt nicht im Verzicht auf prädiktive Verfahren, sondern in ihrer gezielten Einbettung. KI und Machine Learning eignen sich besonders für die schnelle Erkennung von Mustern und Anomalien sowie für die laufende Anpassung von Baseline-Plänen auf Basis aktueller Signale. Sie sind weniger geeignet als alleinige Grundlage für Entscheidungen unter hoher Unsicherheit.
Ergänzt werden müssen sie durch strukturierte Szenario-Planung. Dabei geht es nicht um ein einzelnes Worst-Case-Szenario, sondern um die systematische Exploration mehrerer plausibler Entwicklungen. Digitale Zwillinge können hier als Explorationswerkzeug dienen, um Auswirkungen von Routenwechseln, Lieferantenausfällen oder Nachfrageverschiebungen durchzuspielen.
Entscheidend ist die organisatorische Verankerung. Vordefinierte Trigger – etwa signifikante Abweichungen bei Lead Times über mehrere Stufen oder plötzliche Veränderungen geopolitischer Indikatoren – sollten automatisch eine Eskalation an menschliche Entscheidungsträger auslösen. Diese benötigen aktuelle Lagebilder, definierte Handlungsspielräume und vorab geübte Playbooks. Regelmäßige Übungen halten das Zusammenspiel funktionsfähig.
Unternehmen, die nach den Erfahrungen der letzten Jahre ausschließlich auf bessere Algorithmen gesetzt haben, stellen fest, dass echte Resilienz aus dem Zusammenspiel von datengetriebener Früherkennung, explorativer Szenariotechnik und qualifizierter menschlicher Bewertung entsteht. Die Technik liefert Signale und Optionen. Die Verantwortung für die Entscheidung bleibt beim Menschen – auch und gerade im Ausnahmefall.
Häufig gestellte Fragen
Wie testet man die Belastbarkeit eines bestehenden KI-Prognosesystems?
Ein direkter Weg sind Rückrechnungen auf Basis bekannter historischer Schocks mit aktuellen Daten und Parametern. Zeigen die Modelle dabei starke Abweichungen oder verzögerte Anpassung, ist die Robustheit unzureichend. Ergänzend hilft die Beobachtung, wie schnell das System bei echten Abweichungen Alarm auslöst und wie gut die Unsicherheitsintervalle in solchen Phasen kalibriert sind.
Genügt es, Szenario-Workshops neben den KI-Tools einzuführen?
Workshops allein schaffen selten Wirkung. Erforderlich ist die Integration in die operativen Prozesse durch klare Trigger, definierte Verantwortlichkeiten und regelmäßige Übungen. Ohne diese Verzahnung bleibt die Szenario-Arbeit oft losgelöst und wird im Ernstfall nicht genutzt.
Wo lohnt sich der erste Schritt, wenn die Datenbasis lückenhaft ist?
Priorität hat in der Regel die Verbesserung der Sichtbarkeit auf kritische Abhängigkeiten über mehrere Stufen. Das erfordert nicht immer neue Plattformen, sondern die systematische Verknüpfung vorhandener interner und externer Signale – von Lieferantenrückmeldungen über Frachtdaten bis zu geopolitischen Frühindikatoren. Auf dieser Grundlage entfalten erweiterte Modelle und Simulationen ihren Nutzen.
Bildquelle: KI-generiert (Juli 2026)
Weiterlesen auf Digital Chiefs
Digital ChiefsWarum mehr Tech-Budget keinen Vorsprung sichertDigital ChiefsDie IT entscheidet, ob der Spin-off sich auszahltDigital ChiefsTrotz PUE-Lockerung: Rechenzentren bei 21,3 Mrd. kWh 2025Mehr aus dem MBF Media Netzwerk
cloudmagazinDer Stichtag, den viele Navision-Anwender verschlafen MyBusinessFutureWenn jede Bestellmail von Hand ins ERP wandert SecurityTodayLieferkettenrisiko ist ein Programm, keine Audit-ListeAuch verfügbar in