In der schnelllebigen Welt des Supply Chain Managements zählt jede Sekunde. Verzögerungen, Ineffizienzen und isolierte Daten können enorme finanzielle und operative Folgen haben. Der Schwerpunkt des COO liegt auf der Erhaltung einer dauerhaften, nachhaltigen Lieferkette, vom Design des Produkts 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. In letzter Zeit hat die Lieferkette COOs jedoch mehr als ihren fairen Anteil an Kopfschmerzen geschenkt, insbesondere wenn es darum geht, Störungen zu antizipieren und zu mildern: Pandemien, Handelskriege und -zölle, soziale Unruhen und sogar Extremwetter. Du kennst den Drill. Deshalb ist die Einführung von Agentic AI – intelligente, manchmal autonome Agenten, die natürliche Sprache verstehen, Informationslücken schließen, systemübergreifend integrieren und sogar Maßnahmen ergreifen können – eine große Chance und sogar eine geschäftliche Notwendigkeit für operative Verbesserungen für Hersteller und ihre Supply-Chain-Partner.

Es gibt einen großen Unterschied zwischen generativer KI und Agentic AI. Generative KI eignet sich hervorragend zum Erstellen von Inhalten, zum Erstellen von Prognosen oder zum Beantworten von Fragen. Agentic AI geht jedoch noch weiter. Es generiert nicht nur Erkenntnisse, sondern hat die Möglichkeit, darauf zu reagieren. KI-Agenten können zusammenarbeiten, Entscheidungen treffen und Aktionen über verschiedene Geschäftsfunktionen hinweg auslösen. Mit anderen Worten: Agentic AI verschiebt KI von Vorschlag zu Ausführung.

KI-Agenten können COOs die Kontrolle und Kontrolle über alle Design-to-Operate-Prozesse nahezu in Echtzeit geben – einfach indem sie dem Agent ein Ziel geben, das er erreichen möchte, als natürliche Sprachabfrage formuliert. Nehmen wir an, der COO des Technologieherstellers fragt den KI-Agenten: „Wie können wir die Effizienz verbessern und die Kosten für die Fertigung von Laptops um fünf Prozent senken?“ Dieser Orchestrierungs-Agent interpretiert die Anfrage und hat den Spielraum, die besten Aktionen zu ermitteln und anzuwenden, um die Antworten zu finden. Der Orchestrierungsagent ist der Vertreter des COO in allen verschiedenen Systemen, die an diesem Prozess beteiligt sind. Sie nutzt Informationen aus Produktion, Logistik, Lieferanten und Geschäftspartnern – manchmal interagiert sie mit anderen KI-Agenten in diesen Bereichen – und bringt sie zusammen, um den effizientesten und kostengünstigsten Weg zu ermitteln. Das könnte bedeuten, von gold- zu kupferbasierten Steckverbindern 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, um eine Möglichkeit zu finden, die Produktion zu verbessern, im Vergleich zur manuellen Erfassung von Informationen aus jeder Abteilung.

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

Aber wie bei den meisten neuen Technologien müssen Sie den Hype von der Realität trennen. Derzeit beginnen wir, die ersten Anzeichen eines echten Nutzens von KI-Agenten in der Lieferkette zu erkennen, wobei eine Handvoll von Prognose-, Fertigungs- und Lageragenten in ihren Bereichen effizient arbeiten. Aber die Technologie schreitet im Warp-Tempo voran, und die wahre Integration dieser KI-Agenten ist nicht so weit, wie Sie vielleicht denken. Wenn Agents die gemeinsame Datennutzung und -abstimmung abteilungs- und funktionsübergreifend koordinieren können, werden nicht nur umfassende Prozesse effizienter, sondern auch der COO und der CFO können besser zusammenarbeiten. Deshalb müssen COOs jetzt erste Schritte auf dem Weg zu Agentic AI in Betracht ziehen, um bereit zu sein, wenn die Funktionen wachsen.

Was können KI-Agenten heute realistisch tun?

Derzeit sind funktionsübergreifende Agenten in freier Wildbahn schwer zu finden, aber die größten Unternehmen – deren Lieferkette ihre Lebensader ist – setzen bereits spezialisierte KI-Agenten ein. 2025 fließt fast die Hälfte (44 %) des E-Commerce-Umsatzes im US-Einzelhandel über Amazon und Walmart. Walmart setzt KI-Agenten ein, um den Bedarf zu prognostizieren und die Lagerbestände in seinem riesigen Filialnetz anzupassen. Die Agents verwenden historische Verkaufsdaten und externe Faktoren (z.B. Community-Ereignisse oder lokales Wetter), um die Nachfrage vorherzusagen, sodass das Unternehmen die richtigen Produkte zur richtigen Zeit vorrätig halten und Überbestände reduzieren kann. Amazon integriert KI-Agenten in seine Auftragsabwicklungszentren, um die Lagerabläufe zu optimieren. Die Agenten verwalten den Bestand, optimieren den Regalplatz 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 Störungen wie Verzögerungen oder Bestandsunterdeckungen und schlagen alternative Routen vor, um Störungen zu minimieren.

Doch zunehmend beschränken sich KI-Agenten nicht auf die größten Unternehmen. Lieferketten jeder Größe können mit der schnellen Entwicklung des KI-Partnernetzes beginnen, KI-Agenten zu untersuchen.

Für die meisten Supply-Chain-Abläufe sind vollständig autonome und vernetzte KI-Agenten immer noch sehr konzeptioneller Natur, aber die Technologie bewegt sich schnell, sagt Sree Mangalampalli, Vice President of Digital Transformation Solutions beim Supply-Chain-KI-Unternehmen 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) tatsächlich Realität im Lieferkettenbetrieb sind.“

KI-Agenten reiten eine steile Lernkurve

KI-Agenten beginnen gerade erst, ihre Fähigkeiten zu erweitern. Hier sind vier Phasen der Agenturentwicklung; jede neue Phase wird einen großen Komplexitätszuwachs darstellen.

1. Erste Erkenntnisse. Jeder KI-Agent nimmt eine Abfrage in natürlicher Sprache 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 initiale Abfrage hinausgehen. Der Agent hat die Möglichkeit zu 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 der möglichen Aktionen aus der ersten Anfrage erfordert erhebliche Arbeit, um alle verfügbaren Prozesse zu identifizieren und zu ermöglichen, die ausgeführt werden könnten.

3. Vorgeschlagene Ausführung. Wenn der Agent mit Ihren Aktionen vertraut wird, wird er mit der Empfehlung von Aktionen beginnen, die auf vorherigen Entscheidungsmustern basieren. Wenn Sie in der Vergangenheit eine ähnliche Frage mehrmals gestellt haben, der KI-Agent ähnliche Erkenntnisse geliefert und neun von zehn Mal ähnliche Maßnahmen ergriffen haben, fragt der Agent, ob er dieses Mal dieselbe Aktion ausführen möchte. In dieser Phase stellt der KI-Agent dem Benutzer unterstützende Informationen zur Verfügung, um Entscheidungen zu treffen.

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

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

Die meisten Supply-Chain-Organisationen nutzen KI-Agenten für Prognosen, sagt er. Seit der Pandemie können Unternehmen nicht mehr 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 erstellen“, sagt er. „Lassen Sie die KI aus diesen Marktfaktoren lernen, um zu verstehen, wie viel sie in zukünftigen Prognosen gewichten sollten und wie sie sich auf Ihre Nachfrage auswirken wird. Es ist ein sehr komplexes Problem, aber der Agent lernt ständig und aktualisiert Ihre Prognose, während sie geht.“

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

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 machen?

Agentic-AI-Anwendungsfälle entstehen für jede Funktion im Lieferkettenprozess und jeder hat das Potenzial, die Effizienz zu verbessern, Geld zu sparen und die Automatisierung durchgängig zu steigern.

Das oberste Ziel besteht darin, all diese aufgabenspezifischen Supply-Chain-Agenten nicht nur zusammenzuarbeiten, sondern auch mit KI-Agenten in anderen Geschäftsbereichen wie Vertrieb und Beschaffung zusammenzuarbeiten, um einen durchgängigen Prozess mit flexibler, intelligenter Automatisierung zu schaffen.

Produktdesign

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

Bei der Entwicklung eines neuen Hautpflegeprodukts kann KI alle Kundenservicedaten des Unternehmens über die Leistung seiner aktuellen Produkte und das, was auf dem Markt gefordert wird, erfassen. Dann könnte der Designer den KI-Agenten fragen, was in seinen vorhandenen Produkten fehlt oder was Kunden verlangen. Beispielsweise sind Vitamin C und Niacinamid online als Top-Hautpflegezutaten nach 2025 gefragt. Der KI-Agent untersucht F&E-Daten und Social-Media-Daten, die zu Ihrem Kundenstamm passen, und stellt alternative Formeln, Rezepte oder Modelle bereit, wie das Unternehmen neue Produkte erstellen kann. Es könnte sogar neue Materialien vorschlagen, die verwendet werden könnten, wie z.B. den Ersatz von Erdöldestillaten – die in Großbritannien 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 ein wachsendes Interesse daran, sie für die Qualitätskontrolle zu verwenden. Visuelle Prüfwerkzeuge können bereits Fehler in einer Fertigungslinie in Echtzeit erkennen, um Abfall zu reduzieren und die Qualität zu verbessern. Aber der KI-Agent würde dort nicht aufhören, er könnte auch Instandhaltungsaufträge auslösen oder Produktionsparameter automatisch anpassen.

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

KI-Agenten ermitteln auch die beste Reihenfolge der Schritte in der Fertigungslinie und passen sie entsprechend an.

Lagerverwaltung

Agentic AI passt Lagervorgänge kontinuierlich an Bedarfsschwankungen und Lagerbestände an. Sie kann auch mit bereits vorhandenen Lagerrobotiksystemen arbeiten, um Materialien für eine effizientere Verwendung besser zu lagern. Wenn beispielsweise Bedarfsspitzen für eine bestimmte elektronische Komponente auftreten, können KI-Agenten Lagerlayouts anpassen, um sicherzustellen, dass das Produkt für eine einfachere Barrierefreiheit in der Nähe des Ladedocks positioniert wird. Durch weiteres Lernen werden KI-Agenten den gesamten Prozess für Versand, Verpackung und Verbesserung der Erfüllungsgeschwindigkeiten automatisieren.

Transport & Logistik

KI-Agenten können Lieferwege optimieren, Lieferzeiten verbessern und Kraftstoffkosten senken. Sie können auch externe Daten wie Wetterberichte, Gaspreise und Nachrichtenberichte 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 Suez-Kanal sperrte, wurden die Informationen per Text übermittelt, was sich auf Lieferketten auswirkte. In einer ähnlichen Situation könnten KI-Agenten den Vorfall schnell aus der internen Kommunikation und Newsfeeds erkennen. Sie könnten dann proaktiv die Wirtschaftlichkeit der Umleitung von Lieferungen rund um das Kap der Guten Hoffnung oder auf dem Landweg berechnen und Aufträge an 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 für die Erfüllung von SLAs verwendet werden soll. Ein Planer könnte beispielsweise einen KI-Agenten fragen, ob er zwei Fertigungsaufträge an denselben Hersteller oder an separate Hersteller senden soll, um SLAs zu erfüllen. 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 geht, von Wetter über soziale Medien bis hin zu Audio-News-Accounts, können KI-Agenten in Echtzeit Unternehmen dabei unterstützen, 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 auf einem Wall Street Journal Tech Summit im Februar sagten, dass sie mit KI-Agenten experimentieren, gaben 21 % an, sie überhaupt nicht zu nutzen. Die Umfrage ergab, dass ihre dringendste Sorge um die Technologie ein Mangel an Zuverlässigkeit ist, und das schließt auch zuverlässige Daten ein.

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 Thema. Unternehmen ertrinken an Daten – von internen Systemen, Lieferantenkooperationen, Logistikanbietern und sogar Social Media und IoT-Sensoren –, aber vieles davon ist isoliert, unstrukturiert oder einfach nur unübersichtlich.

Ein erster Schritt hin zu Agentic AI umfasst zwar, Ihre Daten in Ordnung zu bringen, aber es ist einfacher, dies zu tun, wenn Sie mit einigen wenigen Agenten in bestimmten Bereichen der Lieferkette beginnen.

Mangalampalli schlägt sogar vor, bei Daten zu einer stetigen Verbesserung und flexiblen Denkweise zu wechseln. «Es muss nicht perfekt sein, bevor wir anfangen», sagt er.

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

Wie bereits erwähnt, benötigen KI-Agenten immer noch einen Menschen im Prozess, 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 weiter. Es spielt keine Rolle, wie autonom der Agent ist, ein Mensch wird immer noch im Mittelpunkt stehen, um die Aufsicht zu gewährleisten. Aber die Fähigkeiten des Menschen im Zentrum werden sich ändern.

Heute setzt das Supply Chain Management auf spezialisierte Mitarbeiter – Planer, Betriebsleiter, Logistikexperten und andere. KI-Agenten werden einen Großteil des Fachwissens nutzen, das benötigt wird, um neue Produktdesigns zu erstellen, Fertigungszeitpläne im Fertigungsbereich festzulegen oder den besten Materiallieferanten für ein neues Produkt auszuwählen. Dies wird die Entscheidungsfindung in Richtung Geschäftsbetrieb und COO und weg von den technischen Experten verlagern.

Diese neu besetzten "Wissensexperten" werden stattdessen damit beauftragt, eine ganzheitliche Sicht auf die jeweilige Funktion des KI-Agenten und dessen Interaktion in der gesamten Lieferkette zu haben. 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, die KI-Automatisierung mit menschlichem Urteilsvermögen in Einklang zu bringen. Es ist zweifelhaft, dass wir jemals eine hundertprozentige Replikation der Lieferkette in einem Agenten erhalten werden, und sehr wahrscheinlich wird es immer einen Menschen in der Schleife geben. KI ersetzt nicht Menschen, sondern 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, besteht der erste Schritt nicht darin, das neueste KI-Tool zu kaufen, sondern zu ermitteln, wo die größten geschäftlichen Herausforderungen liegen.

1. Behalten Sie ein klares Geschäftsergebnis im Hinterkopf. Wenn Sie das Ergebnis verstehen, können Sie Ihre Agents so einrichten, dass sie es erreichen.
2. Überprüfen Sie Ihre Daten. Verfügen Sie tatsächlich über die richtigen Daten, um diese Probleme zu lösen? Wenn nicht, wo können Sie es 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 anbieten möchten –, die Agenten verwaltet oder dem Benutzer durch die Kombination vorkonfigurierter Funktionen ermöglicht, schnell eigene Agenten zu erstellen.

In der heutigen Lieferkette gibt es Probleme, die von Agentic AI profitieren können. KI-Agenten arbeiten an der gemeinsamen Nutzung und Integration von Stammdaten zwischen allen globalen Supply-Chain-Unternehmen, auch wenn diese Quellen unterschiedliche Formate, Standards und Systeme verwenden. Und sie kann sich in einer dynamischen und komplexen Supply-Chain-Umgebung bewegen. 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 ein manuelles Eingreifen erforderlich ist.

Noch vielversprechender ist, dass Daten im gesamten Unternehmen integriert und ausgetauscht werden können, die Interaktionen zwischen COOs, CFOs und dem Rest der Geschäftsleitung viel kooperativer sind. Dadurch wird sichergestellt, dass ihre Funktionen zusammenarbeiten, um die Engpässe zu finden und das richtige Gleichgewicht von Autonomie und Leitplanken einzubeziehen.

Agentic AI in Design-to-Operate-Prozessen ist nicht nur ein Upgrade auf generative KI, sondern kann ein großer Sprung nach vorn sein. Sie verlagert KI von passiven Erkenntnissen zur aktiven Ausführung. Aber damit es funktioniert, brauchen Unternehmen eine Strategie. Beginnen Sie mit den richtigen Daten, finden Sie die richtigen Anwendungsfälle, und lassen Sie KI-Agenten zunächst effizient innerhalb ihrer Disziplin arbeiten. Sie sind dann bereit, wenn die Technologie voranschreitet. So geht man vom KI-Hype zu KI-Ergebnissen.

Mehr erfahren