Erfolgreiche Unternehmen sind solche, die in der Lage sind, die Nachfrage nach ihren Produkten und Dienstleistungen mit ihrem Angebot in Einklang zu bringen. Das scheint selbstverständlich zu sein, und so war es schon immer.
“IBP verbindet Strategie, Portfolio, Nachfrage, Angebot und Finanzen zu einem einzigen Geschäftsplan unter der Verantwortung der obersten Führungsebene – und zwar im Rahmen eines monatlichen Neuplanungsprozesses, dessen Schwerpunkt auf Abweichungen liegt. Das Ergebnis ist ein einheitlicher operativer Plan mit einem rollierenden Zeithorizont von 24 Monaten oder mehr.” (Oliver Wight, 2005)
Obwohl sich das Ziel und die Struktur des Prozesses in den letzten 20 Jahren nicht verändert haben – seit er sich von einem reinen Ausgleich von Angebot und Nachfrage hin zur Erstellung eines einzigen integrierten Plans entwickelt hat, der auf den bestmöglichen Gesamtgeschäftswert abzielt –, sind Geschwindigkeit und Qualität dieser Integration heute völlig anders.
Ein stärker integriertes data-System mit höherer Verarbeitungskapazität und dem Einsatz von KI-Tools hat es ermöglicht, ein Maß an Komplexität zu bewältigen, das früher nur ein Wunschtraum war: Szenarien, deren Erstellung früher Wochen dauerte, werden nun in Echtzeit aktualisiert, data, das zuvor in Silos isoliert war, lässt sich nun vergleichen, und Entscheidungen, die früher von endlosen Abstimmungsbesprechungen abhingen, können nun einfach bestätigt werden.
Wir haben festgestellt, dass der Grad der KI-Einführung im Bereich IBP marktweit sehr unterschiedlich ist. Während einige Branchen und Funktionsbereiche den Umgang mit den Tools bereits beherrschen und bei deren Anwendung einen hohen Reifegrad erreicht haben, bleiben andere Herausforderungen latent und werden nur unzureichend angegangen, wie aus der folgenden Tabelle hervorgeht:
| IBP-Phase | Reife | Was bereits in der Praxis umgesetzt wird | Artefact – Beispiel |
|---|---|---|---|
| Portfolio-Prüfung | Niedrig | Einsatz generativer KI zur Zusammenführung von F&E- und Marketing-Inputs sowie zur Simulation von Portfolioszenarien. | Große B2B-Duftstoffbranche: Einsatz von GenAI zur Umwandlung visueller Marketingkonzepte in technische Beschreibungen und Formelsuchen. Ergebnisse: 99%: Verkürzung der Zeit für den Abgleich von Portfolios (von mehreren Tagen auf nur 20 Minuten) und eine 35-fache Steigerung der Anzahl der analysierten Simulationen neuer Formeln. |
| Überprüfung des Bedarfs | Hoch | ML-Modelle, die neben historischen Umsatzdaten weitere Nachfragefaktoren berücksichtigen: Saisonalität, Wetter, Marktentwicklung und wirtschaftliche Signale. | Marktführer im Bereich der Gasverteilung: Eine einheitliche KI-Plattform, die die kommerziellen Nachfrageverläufe für Flüssiggas in Großmengen und in Flaschen integriert und prognostiziert. Ergebnisse: • Senkung des globalen MAPE bei der Nachfrageprognose um 2% im Vergleich zum bisherigen Modell. • 33% Reduzierung kritischer Fehler bei der kaufmännischen Planung. • Eine Vervierfachung der Anzahl der Kundenportfolios, die innerhalb des idealen Versorgungsgenauigkeitsniveaus operieren. |
| Lieferüberprüfung | Mittel bis hoch | Digitale Zwillinge und ML-Optimierung für Entscheidungen hinsichtlich Kapazität, Zuweisung und Lagerbestand. | Agrarwirtschaft: Ein Werkssimulator und ein Optimierungsmodell, die auf mehrere Produktionslinien skaliert sind, um Verluste zu reduzieren und die Marge pro Werk zu optimieren. |
| Integrierte Abstimmung | Niedrig bis mittel | Agenten, die data aus verschiedenen Bereichen automatisch konsolidieren, um den Abgleich von operativen, kaufmännischen und finanziellen Plänen zu beschleunigen. | Einzelhandel: Eine Lösung, die Daten zu Expansion, Geomarketing und Finanzen (data) zusammenführt und innerhalb weniger Minuten eine vollständige Machbarkeitsstudie für eine neue Filiale erstellt (ein Prozess, der zuvor mehrere Wochen in Zusammenarbeit von drei Teams in Anspruch nahm). |
| Zusammenfassung für die Geschäftsleitung | Niedrig | Augmented BI, das die Untersuchung von Szenarien in natürlicher Sprache ermöglicht, wobei die Ausgabe an das Profil der Führungskraft angepasst wird. | Konsumgütersektor: Ein mehrjähriger Entwicklungsprozess mit durchgängigen Anwendungsfällen, die die Bereiche Finanzen, Preisgestaltung, Betriebsabläufe und Personalwesen miteinander verknüpfen und damit belegen, dass der Mehrwert steigt, wenn Anwendungsfälle miteinander vernetzt sind, anstatt isoliert zu bleiben. |
Wie zu erwarten war, gilt: Je näher die Phase einem klar definierten statistischen Problem kommt, desto schneller erfolgte die Einführung. Je stärker sie von organisatorischen Verhandlungen abhängt, desto langsamer schreitet die Reifung voran.
Dies gibt auch Aufschluss darüber, wo es sich derzeit lohnt, zu investieren. Je nach der kritischen Bedeutung dieser Phase für die Branche und dem Reifegrad des Unternehmens müssen Führungskräfte in den Bereichen Lieferkette und IT Pilotprojekte und strukturelle Vorhaben bewerten. In einem Unternehmen der Konsumgüterbranche (FMCG) beispielsweise bedeutet eine Prognose, die ausschließlich auf Zeitreihen basiert, dass man weit hinter dem zurückbleibt, was bereits seit Jahren verfügbar ist, und damit Wert für Wettbewerber schafft. Aus einer anderen Perspektive betrachtet kann für Unternehmen in der Kosmetik- oder Pharmabranche, die sich durch ein hohes Innovationstempo auszeichnen, die Investition in die Weiterentwicklung der Portfolioüberprüfung – trotz ihres geringen Reifegrades – einen erheblichen Wettbewerbsvorteil schaffen.
Was die KI noch nicht lösen kann
Trotz bemerkenswerter Fortschritte stellen wir auch einige inhärente Herausforderungen im IBP-Prozess fest, der nach wie vor in hohem Maße auf menschliches Urteilsvermögen und ein tiefes Verständnis des organisatorischen Kontexts angewiesen ist.
- Zielsetzung und Anreize. Vertrieb, Betrieb und Finanzwesen messen ein und dieselbe Transaktion oft auf unterschiedliche Weise (Volumen, Marge, OTIF), und jeder Bereich optimiert seine Abläufe im Hinblick auf seine eigenen KPIs. Kein Modell allein kann dieses Problem lösen, da es sich nicht um ein data- oder Genauigkeitsproblem handelt: Es ist ein Governance-Problem, bei dem explizit entschieden werden muss, welche Prioritäten das Unternehmen setzen möchte, wenn die Ziele der Abteilungen miteinander kollidieren. Solange diese Definition nicht mit dem richtigen Maßstab festgelegt wird, wird KI den Konflikt lediglich automatisieren.
- Zusammenarbeit über Organisationsgrenzen hinweg. CPFR- und VMI-Tools gibt es bereits seit Jahrzehnten, und sie werden ständig weiterentwickelt; doch die Ausweitung ihrer Anwendung – die systematische Abstimmung von Plänen mit Lieferanten und Händlern – ist für die meisten Betriebe in Brasilien nach wie vor kaum realisierbar. Es handelt sich um einen strukturellen Engpass: Er hängt von Verträgen, dem geschäftlichen Vertrauen zwischen den Parteien und kompatiblen Systemen der Partner ab – nicht nur von der verfügbaren Technologie.
- Vertrauen in Modelle und den Einsatz von KI. Selbst wenn das Modell technisch dazu in der Lage ist, zögert das Unternehmen, Entscheidungsbefugnisse an das Modell zu übertragen. Dieses Zögern ist größtenteils sinnvoll; Entscheidungen über Kapazitäten und das Portfolio haben Konsequenzen, die zu kostspielig sind, um sie ohne eine nachgewiesene Erfolgsbilanz hinsichtlich der Genauigkeit zu delegieren. Der Weg führt über eine parallele Validierungsphase, in der das Modell seine Genauigkeit unter Beweis stellt, bevor es die Entscheidungsfindung übernimmt – und nicht über einen direkten Sprung von “keine KI” zu “KI hat das Sagen”.”
Die nächste Welle: vom Assistenten zum koordinierenden Akteur
Die Fortschritte des neuen, KI-gestützten IBP in Phasen wie der Bedarfsplanung und der Lieferüberprüfung werden voraussichtlich weiterhin hervorragende Ergebnisse für Unternehmen erzielen und sich zunehmend in die anderen Phasen des Prozesses integrieren. Die Vision einer vollständig autonomen Lieferkette ist zwar noch Zukunftsmusik, doch es gibt bereits Beispiele für Agenten, die Marktsignale und relevante Nachrichten erfassen, um die Nachfrage zu steuern, Optimierungsmodelle automatisch auslösen und Unstimmigkeiten kennzeichnen, bevor ein Mensch danach suchen muss.
In diesem neuen Szenario durchläuft der Arbeitsalltag des IBP-Analysten einen tiefgreifenden Wandel. Der Fachmann, der zuvor zwei Drittel seiner Zeit damit verbrachte, verstreute data-Daten zu konsolidieren, Pivot-Tabellen zu erstellen und Spalten zu ordnen, um Erkenntnisse zu gewinnen – nur um anschließend Felder in Präsentationen auszurichten, die bereits bei ihrer Erstellung veraltet waren –, wird erleben, wie sich sein Alltag radikal verändert. Sein Schwerpunkt verlagert sich zunehmend auf die kritische Analyse und Überprüfung der Arbeit der Mitarbeiter, auf Verhandlungen mit Lieferanten und Kunden sowie auf die Identifizierung von Chancen innerhalb des Plans. Eine weitaus interessantere Tätigkeit mit höherem Mehrwert. Und genau dieser von der Pivot-Tabelle befreite Analyst wird die Reifung der Phasen vorantreiben, die noch im Rückstand sind.
Da das Ziel des IBP, Angebot und Nachfrage in Einklang zu bringen, unverändert bleibt, sich seine Instrumente jedoch in Richtung künstlicher Intelligenz weiterentwickelt haben, gewinnt das Wissen, das Führungskräfte und Vorstände in diesem Prozess gesammelt haben, noch mehr an Wert. KI ist keineswegs dazu bestimmt, jahrzehntelange Erfahrung und kontextbezogene Einschätzungen zu ersetzen, sondern ist vielmehr in der Lage, die Reichweite dieses Humankapitals zu erweitern. So können Führungskräfte damit dort experimentieren, wo sie zuvor Grenzen sahen, in jeder entscheidenden Phase Effizienz steigern und mittelfristig die Grundlage für eine agilere und intelligentere Plattform schaffen.
