{"id":227814,"date":"2026-01-23T13:52:14","date_gmt":"2026-01-23T12:52:14","guid":{"rendered":"https:\/\/www.ak-online.de\/?p=227814"},"modified":"2026-01-26T10:29:02","modified_gmt":"2026-01-26T09:29:02","slug":"wenn-ki-zum-teuren-spielzeug-wird","status":"publish","type":"post","link":"https:\/\/www.ak-online.de\/de\/wenn-ki-zum-teuren-spielzeug-wird\/","title":{"rendered":"Wenn KI zum teuren Spielzeug wird"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t

Wenn KI zum teuren Spielzeug wird<\/h2>\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

KI ist das Buzzword der Stunde. Jeder will sie, kaum einer versteht sie, und noch weniger setzen sie richtig ein. Das gilt gerade f\u00fcr uns Supply Chain Manager auch, oder gerade, f\u00fcr 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 l\u00e4uft komplett neben dem eigentlichen Planungssystem.<\/p>\n

Das Ergebnis? Die Prognosen aus dem KI-Modell lassen sich nicht in die normalen Workflows integrieren, sondern es sind immer weitere Schritte notwendig. Besonders \u00e4rgerlich f\u00fcr Nutzer unserer DISKOVER Software: die KI-Tools laufen au\u00dferhalb des Planungssystem, sie sind nicht in die Simulationen eingebunden, k\u00f6nnen nicht mit anderen Methoden verglichen werden, und laufen daher au\u00dferhalb der gewohnten Prozesse. <\/p>\n

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.<\/p>\n

Aber das ist nur das erste Problem.<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t

\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Das zweite: KI wird oft als Allheilmittel betrachtet. Die Annahme lautet: Wenn wir schon in KI investieren, dann muss sie auch \u00fcberall zum Einsatz kommen. Bei jedem Artikel, jeder SKU, jedem Prognosehorizont. Klingt logisch, ist es aber nicht.<\/p>\n

\u00a0<\/p>\n

Denn die Realit\u00e4t sieht anders aus. Bei stabilen Produkten mit regelm\u00e4\u00dfigem Absatz liefern klassische statistische Methoden oft gleich gute \u2013 manchmal sogar bessere \u2013 Ergebnisse. Mit deutlich weniger Aufwand. Eine vielzitierte Studie von Makridakis und Kollegen1<\/sup> hat genau das gezeigt: Einfache statistische Verfahren schlugen komplexe Machine-Learning-Modelle \u00fcber alle Prognosehorizonte hinweg. Nicht weil KI schlecht ist. Sondern weil sie nicht f\u00fcr jeden Anwendungsfall die beste Wahl ist. Auch in unseren Projekten zur Nutzung von KI-Prognosen sehen wir, dass \u201enur\u201c in ca. 25% \u2013 33% der F\u00e4lle die Simulation KI-Prognosen als bestes Verfahren ausw\u00e4hlen.<\/p>\n

\u00a0<\/p>\n

Wer das ignoriert und pauschal auf KI setzt, riskiert, dass das Gesamtergebnis schlechter wird. Oder zumindest nicht besser genug, um den Aufwand zu rechtfertigen.<\/p>\n

\u00a0<\/p>\n

Nat\u00fcrlich: Der Druck ist da. Management, IT, Berater: alle reden von KI. Wer nicht mitmacht, wirkt r\u00fcckst\u00e4ndig. Ich verstehe das. Aber Technologie ohne Prozessdenken ist Ressourcenverschwendung. Und ein KI-Modell, das niemand nutzt, ist nichts anderes als ein teures Spielzeug.<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Was also tun?<\/h4>\n

Erstens: Integration von Anfang an mitdenken. Bevor das erste Modell trainiert wird, muss klar sein, wie die Ergebnisse in den operativen Prozess flie\u00dfen. Keine Insell\u00f6sungen, keine Excel-Br\u00fccken.<\/p>\n

Zweitens: Differenzieren statt pauschalisieren. KI dort einsetzen, wo sie echten Mehrwert bringt: bei komplexen Mustern, vielen Einflussfaktoren, stark sporadischen Produkten. F\u00fcr den Rest reichen bew\u00e4hrte Methoden. Hybride Ans\u00e4tze, die beide Welten kombinieren, liefern oft die besten Ergebnisse.<\/p>\n

Drittens: Vergleichen. Immer. Wer nicht misst, ob KI tats\u00e4chlich besser prognostiziert als die bisherige Methode, tappt im Dunkeln.<\/p>\n

Klar: Was hier so einfach klingt, ist in der Praxis selten trivial. Aber wer KI richtig einsetzt \u2013 gezielt, integriert, differenziert \u2013 der gewinnt. Wer nur dem Hype folgt, hat am Ende ein schickes Dashboard und trotzdem keine besseren Prognosen.<\/p>\n

\u00a0<\/p>\n

\u00b9 Spyros Makridakis, Evangelos Spiliotis und Vassilios Assimakopoulos, ‘Statistical and Machine Learning forecasting methods: Concerns and ways forward’, PLOS ONE<\/em>, 13\/3 (2018), e0194889, https:\/\/doi.org\/10.1371\/journal.pone.0194889<\/a>.<\/p>\n

\u00a0<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

KI ist das Buzzword der Stunde. Jeder will sie, kaum einer versteht sie, und noch weniger setzen sie richtig ein. Das gilt gerade f\u00fcr uns Supply Chain Manager auch, oder gerade, f\u00fcr die Absatzprognose. Ich sehe immer wieder Unternehmen, die monatelang an KI-Prognosemodellen feilen: Datenquellen anbinden, Parameter optimieren, Algorithmen vergleichen. Am Ende steht ein beeindruckendes<\/p>\n","protected":false},"author":36,"featured_media":227821,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"footnotes":""},"categories":[2039,20],"tags":[],"class_list":["post-227814","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ki","category-newsletter"],"acf":[],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t