Lieferketten waren noch nie vollständig störungsfrei. Neu ist jedoch die Geschwindigkeit, mit der sich Risiken heute entwickeln – und wie schnell ein scheinbar lokales Ereignis die gesamte Supply Chain erreicht.
Ein Produktionsausfall bei einem Tier-2-Lieferanten, ein gesperrter Hafen, neue Handelsbeschränkungen, Cyberangriffe, extreme Wetterereignisse oder ein unerwarteter Nachfrageanstieg können innerhalb weniger Tage aus einem operativen Problem ein Managementthema machen.
Die klassische Reaktion darauf kennen viele Unternehmen: Taskforce einberufen, Excel-Dateien aktualisieren, Lieferanten anrufen, Bestände überprüfen und anschließend möglichst schnell herausfinden, welche Kunden betroffen sind.
Das funktioniert. Allerdings meist erst dann, wenn das Problem bereits da ist.
Künstliche Intelligenz verändert genau diesen Punkt.
Die entscheidende Frage im Supply Chain Risk Management lautet künftig nicht mehr:
„Was ist passiert?“
Sondern:
„Was könnte passieren, welche Auswirkungen hätte es – und was sollten wir heute dagegen tun?“
Damit entwickelt sich Supply Chain Risk Management vom administrativen Risikoregister zu einem aktiven Decision System für Resilience.
Resilience bedeutet nicht, möglichst viel Bestand aufzubauen
Nach mehreren Jahren erheblicher Supply-Chain-Störungen haben viele Unternehmen ihre Antwort auf Risiken zunächst in höheren Sicherheitsbeständen gesucht.
Das ist verständlich, aber teuer.
Ein zusätzlicher Bestand kann bestimmte Versorgungsrisiken reduzieren. Er bindet jedoch Working Capital, benötigt Lagerfläche und erhöht gleichzeitig das Risiko von Überbeständen, Obsoleszenz und Abschreibungen.
Eine resiliente Supply Chain ist deshalb nicht die Lieferkette mit dem größten Sicherheitsbestand.
Sie ist die Lieferkette, die Risiken früh erkennt, Auswirkungen schnell bewertet und rechtzeitig reagieren kann.
Genau hier liegt eine der interessantesten Anwendungen von KI.
Internationale Untersuchungen beschreiben zunehmende geopolitische Unsicherheit, Klimarisiken, Handelsrestriktionen und Cyberrisiken inzwischen nicht mehr als Ausnahme, sondern als Bestandteil des normalen Supply-Chain-Umfelds. Gleichzeitig steigt die Bedeutung von Technologien, die externe Signale mit internen Supply-Chain-Daten verbinden können.
Das eigentliche Problem ist nicht der Mangel an Daten
Die meisten Unternehmen verfügen bereits über enorme Datenmengen.
Im ERP liegen Bestellungen, Bestände, Lieferzeiten und Lieferanteninformationen. Das Planungssystem kennt Bedarfe und Forecasts. Im Transportmanagement befinden sich Sendungsdaten. Qualitätsmanagementsysteme speichern Reklamationen und Abweichungen.
Hinzu kommen externe Informationen über Wetter, politische Entwicklungen, Rohstoffpreise, Insolvenzen, Häfen, Transportwege, Cyberbedrohungen oder gesetzliche Veränderungen.
Das Problem lautet also häufig nicht:
„Wir haben keine Informationen.“
Das Problem lautet:
„Wir erkennen aus den Informationen nicht früh genug, was für unsere Supply Chain relevant ist.“
Ein Supply-Chain-Manager kann kaum täglich Tausende Lieferanten, Materialien, Transportwege und Nachrichtenquellen überwachen.
Eine KI schon.
Sie kann große Mengen heterogener Daten analysieren, Zusammenhänge erkennen und Signale herausfiltern, die für die konkrete Supply Chain relevant sein könnten. Gerade die Verbindung fragmentierter interner und externer Daten gilt als eines der großen Potenziale von KI für resilientere Lieferketten.
Vom Risk Monitoring zum Early Warning System
Nehmen wir ein einfaches Beispiel.
Ein Unternehmen bezieht einen kritischen Rohstoff von einem Lieferanten in Asien. Die ERP-Daten zeigen zunächst keinerlei Problem. Bestellungen sind bestätigt und die hinterlegte Lieferzeit beträgt sechs Wochen.
Klassisches Supply Chain Management meldet deshalb:
Grün.
Gleichzeitig erkennt ein KI-System jedoch mehrere externe Signale: zunehmende politische Spannungen in der Region, Verzögerungen in einem wichtigen Hafen, steigende Spotraten sowie erste Nachrichten über mögliche Exportbeschränkungen.
Jedes Signal für sich wäre möglicherweise noch kein Grund zur Eskalation.
Die Kombination verändert jedoch das Risikoprofil.
Aus „Lieferant bestätigt Termin“ wird plötzlich:
Erhöhte Wahrscheinlichkeit einer Versorgungsunterbrechung innerhalb der kommenden acht Wochen.
Jetzt beginnt echtes Risk Management.
Denn acht Wochen vor einem möglichen Problem stehen noch Optionen zur Verfügung.
Zwei Tage vor Produktionsstillstand meist nicht mehr.
Die nächste Stufe: KI bewertet nicht nur das Risiko, sondern dessen Wirkung
Eine reine Warnmeldung reicht allerdings nicht.
„Lieferant X hat ein erhöhtes Risiko“ klingt interessant, hilft dem Management aber nur begrenzt.
Entscheidend ist die Frage:
Was bedeutet dieses Risiko für unser Geschäft?
Dafür muss KI das externe Ereignis mit der internen Supply Chain verbinden.
Welche Materialien liefert der Lieferant? Welche Produkte benötigen diese Materialien? Welche Kundenaufträge sind betroffen? Wie hoch sind unsere aktuellen Bestände? Gibt es alternative Lieferanten? Wie lange dauert deren Qualifizierung? Welche Deckungsreichweite haben wir?
Erst damit wird aus einem externen Signal eine unternehmerisch relevante Information.
Ein gutes KI-basiertes Risk Management könnte beispielsweise melden:
Lieferant A weist ein erhöhtes Ausfallrisiko auf. Betroffen sind drei Rohstoffe und acht Fertigprodukte. Der aktuelle Bestand deckt voraussichtlich noch 31 Tage. Ohne Gegenmaßnahmen besteht ab Kalenderwoche 42 ein erhöhtes OOS-Risiko. Der potenziell gefährdete Umsatz beträgt rund 1,4 Mio. Euro.
Damit verändert sich die Qualität der Diskussion erheblich.
Aus einem abstrakten Risiko wird eine quantifizierte Managemententscheidung.
KI kann Szenarien durchspielen
Die vielleicht spannendste Entwicklung entsteht durch die Verbindung von Artificial Intelligence, Advanced Analytics und Digital Supply Chain Twins.
Anstatt lediglich ein Risiko zu melden, kann das System unterschiedliche Gegenmaßnahmen simulieren.
Was passiert beispielsweise, wenn 20 Prozent mehr Material bestellt werden? Was bringt ein Wechsel auf Luftfracht? Welche Kunden sollten priorisiert werden? Kann ein alternatives Material verwendet werden? Welche Auswirkungen hätte ein zweiter Lieferant? Wie verändern sich Bestand, OTIF und Kosten?
Solche Szenarien machen Supply Chain Resilience messbar.
Aktuelle Ansätze für KI-gestützte Lieferketten gehen genau in diese Richtung: Systeme sollen nicht nur Informationen bereitstellen, sondern Alternativen bewerten, Szenarien simulieren und zunehmend konkrete Handlungsempfehlungen entwickeln.
Von der Risikoampel zur Handlungsempfehlung
Viele heutige Risk-Management-Systeme arbeiten noch mit Ampellogiken.
Grün. Gelb. Rot.
Das Problem dabei: Eine rote Ampel löst noch kein Problem.
Der nächste Entwicklungsschritt besteht deshalb darin, aus der Risikoerkennung direkt Maßnahmenoptionen abzuleiten.
Ein KI-System könnte beispielsweise erkennen, dass ein kritischer Lieferant ein erhöhtes Risiko aufweist und gleichzeitig feststellen, dass ein zweiter qualifizierter Lieferant vorhanden ist. Es könnte prüfen, welche zusätzliche Menge dort verfügbar ist, welche Mehrkosten entstehen und wie sich dadurch das Versorgungsrisiko verändert.
Die Empfehlung könnte dann lauten:
30 Prozent des offenen Bedarfes auf Lieferant B verlagern. Mehrkosten: 42.000 Euro. Erwartete Reduzierung des Shortage-Risikos: von 68 auf 17 Prozent.
Damit reden Managementteams nicht mehr über die Farbe einer Ampel.
Sie reden über Alternativen.
Und Alternativen sind die Grundlage guter Entscheidungen.
Fünf Schritte zu einem KI-basierten Supply Chain Risk Management
Der Einstieg muss nicht mit einem riesigen Transformationsprogramm beginnen. Sinnvoller ist ein klar abgegrenzter Business Case entlang kritischer Lieferketten.
- Transparenz schaffen: Kritische Materialien, Lieferanten, Regionen, Transportwege und Abhängigkeiten identifizieren. Besonders wichtig sind Single Sources, lange Wiederbeschaffungszeiten und Materialien mit hoher wirtschaftlicher Bedeutung.
- Interne und externe Daten verbinden: ERP-, Planungs-, Qualitäts- und Logistikdaten mit relevanten externen Informationsquellen zusammenführen. KI benötigt Kontext – eine Nachricht über einen Hafen ist nur relevant, wenn über diesen Hafen tatsächlich kritische Warenströme laufen.
- Risiken quantifizieren: Nicht jedes Risiko verdient eine Taskforce. Wahrscheinlichkeit und wirtschaftliche Auswirkung müssen gemeinsam bewertet werden.
- Szenarien und Maßnahmen entwickeln: Für relevante Risiken werden Alternativen simuliert – beispielsweise Dual Sourcing, Sicherheitsbestand, alternative Transportwege, Kapazitätsverschiebungen oder Materialsubstitution.
- Entscheidungen in S&OE und S&OP integrieren: Risk Management darf kein separates Paralleluniversum sein. Kurzfristige Risiken gehören in das wöchentliche S&OE, strukturelle Risiken und Netzwerkentscheidungen in das monatliche S&OP.
Besonders spannend wird Agentic AI
Die nächste Entwicklungsstufe geht noch weiter.
Heute unterstützt KI überwiegend Entscheidungen.
Künftig werden sogenannte AI Agents innerhalb definierter Regeln selbstständig bestimmte Aufgaben durchführen.
Ein Supply Chain Risk Agent könnte beispielsweise permanent Lieferanten, Bestände, Transportwege und externe Ereignisse überwachen. Erkennt er ein relevantes Risiko, analysiert er automatisch betroffene Materialien und Produkte, berechnet die Reichweite, entwickelt Szenarien und schlägt Maßnahmen vor.
Bei klar definierten Entscheidungen könnte das System irgendwann sogar selbst aktiv werden.
Beispielsweise könnte ein Agent einen alternativen Transportweg buchen, einen Sicherheitsbestand erhöhen oder eine Beschaffungsanfrage an einen qualifizierten Zweitlieferanten vorbereiten.
Die Entwicklung in Richtung agentenbasierter Supply-Chain-Planung wird bereits intensiv diskutiert. Dabei verschiebt sich die Rolle des Planers zunehmend vom manuellen Datensammler und „Firefighter“ zum Orchestrator von Entscheidungen.
Aber Vorsicht: KI macht schlechte Supply-Chain-Strukturen nicht automatisch gut
Es gibt einen entscheidenden Punkt, der in vielen KI-Diskussionen zu kurz kommt.
Eine KI kann nur dann gute Entscheidungen unterstützen, wenn sie die Supply Chain versteht.
Sind Lieferzeiten im ERP falsch, Stücklisten nicht aktuell, Lieferantenbeziehungen nicht sauber hinterlegt oder Bestände nicht zuverlässig, wird auch die intelligenteste KI Schwierigkeiten haben.
Garbage in, artificial intelligence out.
Deshalb beginnt eine erfolgreiche KI-Transformation im Risk Management häufig erstaunlich klassisch:
mit Stammdaten, Prozessklarheit und Verantwortlichkeiten.
Auch die organisatorische Einbettung ist entscheidend. Neue Technologien erhöhen nicht automatisch die Resilience. Unternehmen müssen gleichzeitig Prozesse, Rollen, Kompetenzen und Entscheidungsmodelle weiterentwickeln.
Cyber Risk gehört inzwischen ebenfalls ins Supply Chain Risk Management
Mit zunehmender Digitalisierung erweitert sich zudem der klassische Risikobegriff.
Nicht nur Rohstoffe oder Transportwege können eine Lieferkette unterbrechen.
Auch ein Cyberangriff auf einen Lieferanten, Logistikdienstleister oder Softwareprovider kann Produktion und Distribution zum Stillstand bringen.
Das World Economic Forum beschreibt Supply-Chain-Abhängigkeiten als eine wesentliche Herausforderung der Cyber-Resilience. Gleichzeitig ermöglichen KI-basierte Systeme eine wesentlich schnellere Erkennung von Anomalien und potenziellen Bedrohungen innerhalb komplexer Lieferantennetzwerke.
Supply Chain Risk Management wird damit zunehmend multidimensional.
Physische Lieferketten, digitale Abhängigkeiten und Informationsflüsse müssen gemeinsam betrachtet werden.
Der Mensch bleibt Teil der Entscheidung
Die Konsequenz daraus ist nicht die vollautomatische Supply Chain ohne Menschen.
Zumindest nicht kurzfristig.
Die interessante Organisationsfrage lautet vielmehr:
Welche Entscheidung darf die KI treffen – und welche muss der Mensch treffen?
Eine sinnvolle Governance könnte beispielsweise operative Maßnahmen mit geringem finanziellem Risiko automatisieren, während Entscheidungen über Lieferantenwechsel, Kundenpriorisierung oder größere Bestandsinvestitionen weiterhin durch das Management freigegeben werden.
Dieses Human-in-the-Loop-Modell wird aus meiner Sicht zum entscheidenden Baustein erfolgreicher KI-Anwendungen im Supply Chain Management.
KI liefert Geschwindigkeit und analytische Tiefe.
Der Mensch liefert Erfahrung, Kontext und Verantwortung.
Fazit: Resilience wird zur Entscheidungsfähigkeit
Viele Unternehmen haben in den vergangenen Jahren gelernt, auf Krisen schneller zu reagieren.
Der nächste Schritt ist anspruchsvoller:
Probleme erkennen, bevor sie zur Krise werden.
KI kann Supply Chain Risk Management genau an dieser Stelle fundamental verändern.
Nicht weil ein Algorithmus plötzlich weiß, was geopolitisch morgen passiert.
Sondern weil KI sehr viel schneller als klassische Prozesse Zusammenhänge zwischen externen Signalen, Lieferanten, Materialien, Beständen, Kunden und Kapazitäten erkennen kann.
Die strategische Entwicklung lautet deshalb:
Risk Register → Early Warning → Impact Analysis → Scenario Simulation → Decision Recommendation → Autonomous Action
Damit wird Resilience messbar und operativ steuerbar.
Und vielleicht ist das der wichtigste Perspektivwechsel:
Die resilienteste Supply Chain ist nicht diejenige, in der nichts schiefgeht.
Das wäre unrealistisch.
Die resilienteste Supply Chain ist diejenige, die eine Störung früher erkennt als andere, schneller die richtigen Optionen entwickelt und handelt, solange noch Handlungsspielraum besteht.
Genau dabei kann KI einen entscheidenden Unterschied machen.
