In der schnelllebigen Welt des Supply Chain Managements zählt jede Sekunde. Verzögerungen, Ineffizienzen und isolierte Daten können massive finanzielle und operative Auswirkungen haben. Der Fokus des COO liegt auf der Aufrechterhaltung einer dauerhaften, nachhaltigen Lieferkette, von der Produktgestaltung bis hin zur Lieferung und zum Betrieb an einem Kundenstandort.

Diese umfassende Sicht kann zu effizienteren Abläufen und mehr Flexibilität, Produktivität und Nachhaltigkeit führen, da die Entscheidungsfindung auf Daten basiert und Ressourcen strategischer genutzt werden. Doch in jüngster Zeit hat die Lieferkette COOs mehr als ihren fairen Anteil an Kopfschmerzen gegeben, vor allem, wenn es darum geht, Störungen zu antizipieren und zu mindern: Pandemien, Handelskriege und Zölle, soziale Unruhen und sogar extremes Wetter. Du kennst den Bohrer. Aus diesem Grund stellt die Einführung von Agentic AI – intelligente, manchmal autonome Agenten, die natürliche Sprache verstehen, Informationslücken schließen, systemübergreifend integrieren und sogar handeln können – eine große Chance und sogar eine geschäftliche Notwendigkeit für operative Verbesserungen für Hersteller und ihre Supply-Chain-Partner dar.

Es gibt einen großen Unterschied zwischen generativer KI und Agentic AI. Generative KI eignet sich zwar hervorragend für die Erstellung von Inhalten, die Erstellung von Prognosen oder die Beantwortung von Fragen, aber Agentic AI macht die Dinge weiter. Es generiert nicht nur Erkenntnisse, sondern ist in der Lage, darauf zu reagieren. KI-Agenten können über verschiedene Geschäftsfunktionen hinweg zusammenarbeiten, Entscheidungen treffen und Aktionen auslösen. Mit anderen Worten: Agentic AI verlagert KI von der Empfehlung zur Umsetzung.

KI-Agenten können COOs nahezu in Echtzeit die Kontrolle über alle Design-to-Operate-Prozesse geben – einfach, indem sie dem Agenten ein Ziel geben, das als Abfrage in natürlicher Sprache formuliert wird. Angenommen, der COO des Technologieherstellers fragt den KI-Agenten: „Wie können wir die Effizienz verbessern und die Kosten für Laptops für die Fertigung um fünf Prozent senken?“ Dieser Orchestrierungs-Agent interpretiert die Anfrage und verfügt über den Breitengrad, um die besten Aktionen zu ermitteln und anzuwenden, um die Antworten zu finden. Der Orchestrierungs-Agent ist der Proxy des COO in allen an diesem Prozess beteiligten Systemen. Sie nutzt Informationen aus Produktion, Logistik, Lieferanten und Geschäftspartnern – manchmal interagiert mit anderen KI-Agenten in diesen Bereichen – und bringt alles zusammen, um den effizientesten und kostengünstigsten Weg zu ermitteln. Das könnte bedeuten, von gold- zu kupferbasierten Konnektoren zu wechseln, zu Lieferanten mit besseren Preisen zu wechseln, die Wartung zu verbessern, um Fertigungs- und Montageausfallzeiten zu reduzieren, oder einfach nur an einen effizienteren Montagestandort zu wechseln.

Es ist leicht zu erkennen, warum Agenten exponentiell schneller sein können, wenn sie eine Möglichkeit finden, die Produktion zu verbessern, im Vergleich zum manuellen Sammeln von Informationen aus jeder Abteilung.

Für COOs stellt Agentic AI sowohl eine Herausforderung als auch eine einmalige Chance dar. KI-Agenten haben das Potenzial, Lieferketten aus reaktiven und isolierten Abläufen in intelligente, kontinuierlich verbesserte Netzwerke umzuwandeln.

Aber wie bei den meisten neuen Technologien müssen Sie den Hype von der Realität trennen. Derzeit beginnen wir, die ersten Anzeichen für echten Nutzen von KI-Agenten in der Lieferkette zu erkennen, mit einer Handvoll Prognose-, Fertigungs- und Lageragenten, die in ihren Bereichen effizient arbeiten. Die Technologie schreitet jedoch in Kettgeschwindigkeit voran, und die echte Integration dieser KI-Agenten ist nicht so weit, wie Sie denken. Wenn Agents die gemeinsame Nutzung und Abstimmung von Daten über Abteilungen und Funktionen hinweg koordinieren können, werden nicht nur breite Prozesse effizienter, sondern auch der COO und der CFO können besser zusammenarbeiten. Aus diesem Grund müssen COOs jetzt die ersten Schritte in Richtung Agentic AI in Betracht ziehen, um bereit zu sein, wenn die Fähigkeiten wachsen.

Was können KI-Agenten heute realistisch machen?

Derzeit sind funktionsübergreifende Agenten in der Wildnis schwer zu finden, aber die größten Unternehmen – deren Lieferkette ihr Lebenstief ist – setzen bereits spezialisierte KI-Agenten ein. Im Jahr 2025 fließt fast die Hälfte (44 %) der E-Commerce-Verkäufe im Einzelhandel in den USA über Amazon und Walmart. Walmart setzt KI-Agenten ein, um den Bedarf zu prognostizieren und den Lagerbestand in seinem großen Filialnetzwerk anzupassen. Die Agenten verwenden historische Verkaufsdaten und externe Faktoren (z.B. Community-Ereignisse oder lokales Wetter), um den Bedarf vorherzusagen, sodass das Unternehmen die richtigen Produkte zur richtigen Zeit lagern und Überbestände reduzieren kann. Amazon integriert KI-Agenten in seine Auftragsabwicklungszentren, um Lagervorgänge zu optimieren. Die Agents verwalten den Bestand, optimieren die Regalfläche und automatisieren die Kommissionierung. Als weiteres Beispiel nutzt der Logistikdienstleister DHL KI-gestützte Agenten, um die Logistik in Echtzeit zu überwachen und zu optimieren. Die Agents verfolgen Sendungen, identifizieren potenzielle Unterbrechungen wie Verzögerungen oder Bestandsunterdeckungen und schlagen alternative Routen vor, um Unterbrechungen zu minimieren.

Doch zunehmend beschränken sich KI-Agenten nicht nur auf die größten Unternehmen. Lieferketten jeder Größe können damit beginnen, KI-Agenten zu erkunden, während sich das KI-Partnernetz schnell entwickelt.

Für die meisten Supply-Chain-Abläufe sind vollständig autonome und vernetzte KI-Agenten noch sehr konzeptioneller Natur, aber die Technologie bewegt sich schnell, sagt Sree Mangalampalli, Vice President of Digital Transformation Solutions des Supply-Chain-KI-Unternehmens FourKites. Von den 33 verschiedenen Arten von KI-Agenten in der Lieferkette, die Mangalampalli in einem LinkedIn-Artikel identifiziert hat, „würde ich sagen, dass 25 % heute (Februar 2025) die tatsächliche Realität in der Lieferkette sind.“

KI-Agenten fahren mit einer steilen Lernkurve

KI-Agenten beginnen gerade, ihre Fähigkeiten zu erweitern. Hier sind vier Phasen der agentischen Entwicklung; jede neue Phase wird einen großen Schritt in der Komplexität darstellen.

1. Erste Einblicke. Jeder KI-Agent fragt in natürlicher Sprache ab und analysiert strukturierte und unstrukturierte Daten in seinem Bereich der Lieferkette, um relevante Informationen bereitzustellen und eine Vorgehensweise vorzuschlagen.

2. Parallele Einblicke. KI erkennt Muster in Daten, die über die ursprüngliche Abfrage hinausgehen. Der Agent kann sagen: „Sie haben diese Frage gestellt, aber bei der Analyse der Daten für Ihre Antwort sehe ich zusätzliche Probleme A, B und C. Willst du, dass ich auf sie eingehe?“ Diese Stufe stellt einen exponentiellen Komplexitätssprung dar. Die Erweiterung des Umfangs möglicher Aktionen aus der ersten Anfrage erfordert erheblichen Aufwand, um alle verfügbaren Prozesse zu identifizieren und zu ermöglichen, die ausgeführt werden könnten.

3. Vorgeschlagene Ausführung. Da der Agent mit Ihren Aktionen vertraut wird, wird er damit beginnen, Aktionen basierend auf vorherigen Entscheidungsmustern zu empfehlen. Wenn Sie in der Vergangenheit mehrmals eine ähnliche Frage gestellt haben, der KI-Agent ähnliche Erkenntnisse bereitgestellt hat und neun von zehn Mal eine ähnliche Aktion ausgeführt haben, fragt der Agent, ob er dieses Mal dieselbe Aktion ausführen soll. Zu diesem Zeitpunkt stellt der KI-Agent dem Benutzer unterstützende Informationen zur Verfügung, um Entscheidungen zu treffen.

4. Autonome Ausführung. Das ist das ultimative Ziel von Agentic AI. Nachdem der KI-Agent nun Ihre Antworten auf bestimmte Abfragen oder Daten „gelernt“ hat, wird er eigenständig handeln – oder mit sehr minimalem menschlichen Eingriff.

Was den Hype im Vergleich zur Realität angeht, wächst Agentic AI definitiv rasant;aber die volle Autonomie ist noch in Arbeit, sagt Carlos Romo, Senior Account Manager bei CodersLab, der bei der Automatisierung der Lieferkette der Automobilindustrie hilft. „Viele Unternehmen experimentieren damit, aber für komplexe Entscheidungen ist immer noch eine menschliche Aufsicht erforderlich. Die Technologie entwickelt sich jedoch rasant weiter, sodass wir uns den autarken Systemen nähern.“

Die meisten Supply-Chain-Unternehmen nutzen KI-Agenten für Prognosen, sagt er. Seit der Pandemie können Unternehmen nicht auf historische Daten als Grundlage für zukünftiges Wachstum zählen. „Sie müssen externe Marktfaktoren mit der engsten Korrelation zu Ihrem Unternehmen einbringen und Ihre Prognosen entsprechend durchführen“, sagt er. „Lassen Sie die KI von diesen Marktfaktoren lernen, um zu verstehen, wie viel sie in zukünftigen Prognosen gewichtet werden sollen und wie sich dies auf Ihre Nachfrage auswirken wird. Es ist ein sehr komplexes Problem, aber der Agent lernt und aktualisiert Ihre Prognose ständig.“

Die Fertigungsplanung ist ein weiteres einfaches Ziel für KI-Agenten. Sie können Daten von Materialanbietern, Kundenänderungen und Lieferzielen analysieren, um eine effizientere Terminierung im Fertigungsbereich und weniger Leerlaufzeit zu haben. KI-Agenten befinden sich im Lager und stellen sicher, dass der eingehende Bestand für ausgehende Sendungen optimiert ist, sodass Sie eine begrenzte Lagerung und eine effiziente Verteilung haben.

Interagieren diese Agenten in der gesamten Lieferkette miteinander? Noch nicht, aber die Technologie bewegt sich schnell, sagt Mangalampalli. «Gib es noch sechs Monate.»

Die Kunst des Möglichen: Was soll Agentic AI morgen tun?

Agentic-AI-Anwendungsfälle entstehen für jede Funktion im Supply-Chain-Prozess und haben das Potenzial, die Effizienz zu verbessern, Kosten zu sparen und die Automatisierung durchgängig zu steigern.

Letztendlich besteht das Ziel darin, dass all diese aufgabenspezifischen Supply-Chain-Agenten nicht nur zusammenarbeiten, sondern auch mit KI-Agenten in anderen Bereichen des Unternehmens – wie Vertrieb und Beschaffung – arbeiten, um einen durchgängigen Prozess mit flexibler, intelligenter Automatisierung zu schaffen.

Produktdesign

KI kann Kundenfeedback, Markttrends und Leistungsdaten analysieren, um Verbesserungen bestehender Produkte vorzuschlagen oder sogar neue Produkte zu inspirieren.

Bei der Entwicklung eines neuen Hautpflegeprodukts kann KI alle Kundenservicedaten des Unternehmens darüber erfassen, wie seine aktuellen Produkte funktionieren und was auf dem Markt gefordert wird. Dann könnte der Designer den KI-Agenten fragen, was in seinen bestehenden Produkten fehlt oder was Kunden verlangen. Beispielsweise sind Vitamin C und Niacinamid im Online-Trend zu den wichtigsten Hautpflegeprodukten, die für 2025 nachgefragt sind. Der KI-Agent untersucht F&E-Daten und Social-Media-Daten, die zu Ihrem Kundenstamm passen, und erarbeitet alternative Formeln, Rezepte oder Modelle, wie das Unternehmen neue Produkte erstellen kann. Es könnte sogar neue Materialien vorschlagen, die verwendet werden könnten, wie den Austausch von Erdöldestillaten – die im Vereinigten Königreich verboten sind – durch Sheabutter, Bienenwachs oder Kokosöl. Oder es könnte bestimmte Materialien wie Parabene oder Aluminium vermeiden, die viele Verbraucher in ihren Produkten nicht wollen.

Fertigung

KI-Agenten können Produktionsschritte und -prozesse optimieren, und es besteht wachsendes Interesse, sie für die Qualitätskontrolle zu verwenden. Visuelle Prüfwerkzeuge können Fehler in einer Fertigungslinie bereits in Echtzeit erkennen, um Abfall zu reduzieren und die Qualität zu verbessern. Aber der KI-Agent würde dort nicht aufhören; er könnte auch Instandhaltungsarbeitsaufträge auslösen oder Produktionsparameter automatisch anpassen.

In der Auftragsfertigung können KI-Agenten den Fortschritt von Produktionsaufträgen überwachen und direkt mit den KI-Systemen von Auftragnehmern kommunizieren, um sicherzustellen, dass Unternehmen ihre Service-Level-Vereinbarungen (SLAs) einhalten.

KI-Agenten werden auch die beste Abfolge von Schritten in der Fertigungslinie ermitteln und entsprechend anpassen.

Lagerverwaltung

Agentic AI passt Lagervorgänge basierend auf Bedarfsschwankungen und Lagerbeständen kontinuierlich an. Es kann auch mit bereits vorhandenen Lager-Robotersystemen arbeiten, um Materialien für eine effizientere Verwendung besser zu lagern. Wenn sich beispielsweise der Bedarf für eine bestimmte elektronische Komponente spitzt, können KI-Agenten Lagerlayouts anpassen, um sicherzustellen, dass das Produkt in der Nähe des Ladedocks positioniert wird, um die Zugänglichkeit zu erleichtern. Mit weiterem Lernen automatisieren KI-Agenten den gesamten Prozess für Versand, Verpackung und die Verbesserung der Erfüllungsgeschwindigkeit.

Transport & Logistik

KI-Agenten können Lieferrouten optimieren, Lieferzeiten verbessern und Treibstoffkosten senken. Sie können auch externe Daten wie Wetterberichte, Gaspreise und Nachrichtenmeldungen über Hafenüberlastung verwenden, um Sendungen oder Fahrrouten in Echtzeit anzupassen.

Hier ist es wichtig, Zugriff auf unstrukturierte Daten wie Texte und Nachrichtenberichte zu haben. Als ein Schiff den Suezkanal blockierte, wurden die Informationen per Text übermittelt und betrafen die Lieferketten. In einer ähnlichen Situation könnten KI-Agenten den Vorfall schnell aus internen Kommunikationen und Newsfeeds erkennen. Sie könnten dann proaktiv die Wirtschaftlichkeit der Umlenkung von Lieferungen um das Cape of Good Hope oder an Land berechnen und Bestellungen auf alternative Lieferanten verschieben oder Bestandsstrategien und Preise anpassen.

Planung & Prognose

KI-Agenten werden bald in der Fertigung, Planung und Logistik synchronisiert und können Ihnen den effizientesten Fertigungsplan mitteilen, der zur Erfüllung von SLAs verwendet werden kann. Ein Planer könnte beispielsweise einen KI-Agenten fragen, ob er zwei Produktionsaufträge an denselben Hersteller oder an separate Hersteller senden soll, um SLAs einzuhalten. Der Agent sammelt Daten zu Rohstoffen, Fertigungsspezifika und SLA-Anforderungen, um einen Aktionsplan zu erstellen.

Wenn es um Prognosen, die Überwachung strukturierter und unstrukturierter Daten, vom Wetter über soziale Medien bis hin zu Audio-Nachrichtenkonten geht, können KI-Agenten in Echtzeit Unternehmen dabei helfen, ihre Produktions- und Logistikpläne schnell anzupassen.

Was hält die Lieferkette von Agentic AI zurück?

Technologieanbieter setzen darauf, dass Unternehmen bereit sind, autonome KI-Bots zu verwenden, aber Unternehmen sind sich nicht so sicher. Während 61 % der Teilnehmer an einem Wall Street Journal Tech Summit im Februar sagten, dass sie mit KI-Agenten experimentieren, gaben 21 % an, dass sie sie überhaupt nicht verwenden. Die Umfrage ergab, dass ihre dringendste Sorge um die Technologie ein Mangel an Zuverlässigkeit ist, und dazu gehört auch, zuverlässige Daten zu haben.

Bevor KI jeder Art erfolgreich eingesetzt werden kann, müssen Lieferketten sowohl strukturierte als auch unstrukturierte Daten sichtbar, korrekt und zugänglich sein. Und das ist das Problem. Unternehmen ertrinken in Daten – von internen Systemen, Lieferantenkooperationen, Logistikdienstleistern und sogar von Sensoren für soziale Medien und das Internet der Dinge (IoT) – aber vieles davon ist isoliert, unstrukturiert oder einfach nur unübersichtlich.

Während ein erster Schritt in Richtung Agentic AI darin besteht, Ihre Daten in Ordnung zu bringen, ist es einfacher, dies zu tun, wenn Sie mit einigen wenigen Agenten in bestimmten Bereichen der Lieferkette beginnen.

Mangalampalli schlägt sogar vor, auf eine kontinuierliche Verbesserung und flexible Denkweise umzustellen, wenn es um Daten geht. «Es muss nicht perfekt sein, bevor wir anfangen», sagt er.

Welche Rolle werden Menschen in einer Lieferkette spielen, die von Agentic AI getrieben wird?

Wie bereits erwähnt, benötigen KI-Agenten immer noch einen Menschen, um die Entscheidungen zu überprüfen, die sie treffen. Und selbst wenn die Fähigkeiten von KI wachsen, verschwindet die menschliche Rolle im Supply Chain Management nicht, sondern entwickelt sich. Es spielt keine Rolle, wie autonom der Agent ist, ein Mensch wird immer noch im Mittelpunkt stehen und Aufsicht geben. Aber die Fähigkeiten des Menschen im Zentrum werden sich ändern.

Heute setzt das Supply Chain Management auf spezialisierte Mitarbeiter – Planer, Werksleiter, Logistikexperten und andere. KI-Agenten werden einen Großteil des Fachwissens aufnehmen, das für die Erstellung neuer Produktdesigns, die Festlegung von Fertigungsplänen im Fertigungsbereich oder die Auswahl des besten Materiallieferanten für ein neues Produkt erforderlich ist. Dies wird die Entscheidungsfindung in Richtung Geschäftsbetrieb und COO und von den technischen Experten verlagern.

Diese erneut getöteten "Wissensexperten" werden stattdessen mit einer ganzheitlichen Sicht auf die jeweilige Funktion des KI-Agenten und die Art und Weise, wie er in der gesamten Lieferkette interagiert, beauftragt. Sie werden die Leistung des KI-Agenten überwachen und seine Interaktionen mit verschiedenen Daten innerhalb und außerhalb seines Funktionsbereichs validieren.

Der Schlüssel zum Erfolg wird darin bestehen, KI-Automatisierung mit menschlichem Urteilsvermögen in Einklang zu bringen. Es ist zweifelhaft, dass wir jemals eine 100%ige Replikation der Lieferkette in einem Agenten erhalten werden, und sehr wahrscheinlich wird es immer einen Menschen in der Schleife geben. KI wird Menschen nicht ersetzen, aber Menschen, die KI verwenden, werden Menschen ersetzen, die dies nicht tun.

Was sollten COOs jetzt tun?

Für COOs, die Agentic AI in ihre Lieferkette integrieren möchten, ist der erste Schritt nicht der Kauf des neuesten KI-Tools, sondern die Ermittlung, wo die größten geschäftlichen Herausforderungen liegen.

1. Haben Sie ein klares Geschäftsergebnis im Blick. Wenn Sie das Ergebnis verstehen, können Sie Ihre Agents erstellen, um dieses zu erreichen.
2. Überprüfen Sie Ihre Daten. Haben Sie tatsächlich die richtigen Daten, um diese Probleme zu lösen? Wenn nicht, wo können Sie das bekommen?
3. Arbeiten Sie mit Softwareanbietern zusammen. Unternehmen wie SAP entwickeln KI-Agenten, sodass COOs sie nicht von Grund auf neu aufbauen müssen. Einige entwickeln einzelne Agenten mit bestimmten Funktionen, während andere Software anbieten – oder planen –, die Agenten verwaltet oder dem Benutzer ermöglicht, durch die Kombination vorkonfigurierter Funktionen schnell eigene Agenten zu erstellen.

Die Lieferkette von heute ist mit Problemen behaftet, die von Agentic AI profitieren können. KI-Agenten arbeiten daran, den Austausch und die Integration von Daten zwischen allen globalen Lieferkettenunternehmen zu pflegen, auch wenn diese Quellen unterschiedliche Formate, Standards und Systeme verwenden. Und es kann in einer dynamischen und komplexen Supply-Chain-Umgebung navigieren. Agentic AI kann über die herkömmliche, regelbasierte Automatisierung hinausgehen, die von vordefinierten Szenarien abhängt, und stattdessen aus historischen Daten lernen, um potenzielle Störungen vorherzusagen und den Plan automatisch anzupassen, ohne dass manuelle Eingriffe erforderlich sind.

Noch vielversprechender ist, wenn Daten im gesamten Unternehmen integriert und ausgetauscht werden können. Interaktionen zwischen COOs, CFOs und den übrigen Führungskräften sind viel kollaborativer. Dadurch wird sichergestellt, dass ihre Funktionen zusammenarbeiten, um die Engpässe zu finden und das richtige Gleichgewicht zwischen Autonomie und Leitplanken zu berücksichtigen.

Agentic AI in Design-to-Operate-Prozessen ist nicht nur ein Upgrade auf generative KI, sondern kann ein Riesensprung nach vorn sein. Sie verlagert KI von passiven Einblicken in die aktive Ausführung. Aber um es funktionieren zu lassen, brauchen Unternehmen eine Strategie. Beginnen Sie mit den richtigen Daten, finden Sie die richtigen Anwendungsfälle und sorgen Sie dafür, dass KI-Agenten zunächst effizient in ihrem Fachgebiet arbeiten. Sie sind dann bereit für den technologischen Fortschritt. So gehen Sie von KI-Hype zu KI-Ergebnissen.

Mehr erfahren