Wenn KI zum teuren Spielzeug wird
KI ist das Buzzword der Stunde. Jeder will sie, kaum einer versteht sie, und noch weniger setzen sie richtig ein. Das gilt gerade für uns Supply Chain Manager auch, oder gerade, für die Absatzprognose. Ich sehe immer wieder Unternehmen, die monatelang an KI-Prognosemodellen feilen: Datenquellen anbinden, Parameter optimieren, Algorithmen vergleichen. Am Ende steht ein beeindruckendes Tool. Nur: Es läuft komplett neben dem eigentlichen Planungssystem.
Das Ergebnis? Die Prognosen aus dem KI-Modell lassen sich nicht in die normalen Workflows integrieren, sondern es sind immer weitere Schritte notwendig. Besonders ärgerlich für Nutzer unserer DISKOVER Software: die KI-Tools laufen außerhalb des Planungssystem, sie sind nicht in die Simulationen eingebunden, können nicht mit anderen Methoden verglichen werden, und laufen daher außerhalb der gewohnten Prozesse.
Stattdessen exportieren sie Excel-Dateien, kopieren Zahlen hin und her, pflegen Daten manuell ein. Eine klassische Sollbruchstelle. Und die macht den Prozess nicht einfacher, sondern komplizierter.
Aber das ist nur das erste Problem.
Das zweite: KI wird oft als Allheilmittel betrachtet. Die Annahme lautet: Wenn wir schon in KI investieren, dann muss sie auch überall zum Einsatz kommen. Bei jedem Artikel, jeder SKU, jedem Prognosehorizont. Klingt logisch, ist es aber nicht.
Denn die Realität sieht anders aus. Bei stabilen Produkten mit regelmäßigem Absatz liefern klassische statistische Methoden oft gleich gute – manchmal sogar bessere – Ergebnisse. Mit deutlich weniger Aufwand. Eine vielzitierte Studie von Makridakis und Kollegen1 hat genau das gezeigt: Einfache statistische Verfahren schlugen komplexe Machine-Learning-Modelle über alle Prognosehorizonte hinweg. Nicht weil KI schlecht ist. Sondern weil sie nicht für jeden Anwendungsfall die beste Wahl ist. Auch in unseren Projekten zur Nutzung von KI-Prognosen sehen wir, dass „nur“ in ca. 25% – 33% der Fälle die Simulation KI-Prognosen als bestes Verfahren auswählen.
Wer das ignoriert und pauschal auf KI setzt, riskiert, dass das Gesamtergebnis schlechter wird. Oder zumindest nicht besser genug, um den Aufwand zu rechtfertigen.
Natürlich: Der Druck ist da. Management, IT, Berater: alle reden von KI. Wer nicht mitmacht, wirkt rückständig. Ich verstehe das. Aber Technologie ohne Prozessdenken ist Ressourcenverschwendung. Und ein KI-Modell, das niemand nutzt, ist nichts anderes als ein teures Spielzeug.
Was also tun?
Erstens: Integration von Anfang an mitdenken. Bevor das erste Modell trainiert wird, muss klar sein, wie die Ergebnisse in den operativen Prozess fließen. Keine Insellösungen, keine Excel-Brücken.
Zweitens: Differenzieren statt pauschalisieren. KI dort einsetzen, wo sie echten Mehrwert bringt: bei komplexen Mustern, vielen Einflussfaktoren, stark sporadischen Produkten. Für den Rest reichen bewährte Methoden. Hybride Ansätze, die beide Welten kombinieren, liefern oft die besten Ergebnisse.
Drittens: Vergleichen. Immer. Wer nicht misst, ob KI tatsächlich besser prognostiziert als die bisherige Methode, tappt im Dunkeln.
Klar: Was hier so einfach klingt, ist in der Praxis selten trivial. Aber wer KI richtig einsetzt – gezielt, integriert, differenziert – der gewinnt. Wer nur dem Hype folgt, hat am Ende ein schickes Dashboard und trotzdem keine besseren Prognosen.
¹ Spyros Makridakis, Evangelos Spiliotis und Vassilios Assimakopoulos, ‘Statistical and Machine Learning forecasting methods: Concerns and ways forward’, PLOS ONE, 13/3 (2018), e0194889, https://doi.org/10.1371/journal.pone.0194889.
