{"id":1404794,"date":"2026-09-16T17:19:38","date_gmt":"2026-09-16T16:19:38","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&p=1404794"},"modified":"2026-09-16T17:48:19","modified_gmt":"2026-09-16T16:48:19","slug":"nothing-has-changed-yet-everything-is-different-the-new-era-of-ibp","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/de\/blog\/nothing-has-changed-yet-everything-is-different-the-new-era-of-ibp\/","title":{"rendered":"Nichts hat sich ge\u00e4ndert, und doch ist alles anders: die neue \u00c4ra von IBP"},"content":{"rendered":"

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 selbstverst\u00e4ndlich zu sein, und so war es schon immer.<\/span><\/p>\n

\u201cIBP verbindet Strategie, Portfolio, Nachfrage, Angebot und Finanzen zu einem einzigen Gesch\u00e4ftsplan unter der Verantwortung der obersten F\u00fchrungsebene \u2013 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.\u201d <\/strong>(Oliver Wight, 2005)<\/span><\/i>\u00a0<\/span><\/p>\n

Obwohl sich das Ziel und die Struktur des Prozesses in den letzten 20 Jahren nicht ver\u00e4ndert haben \u2013 seit er sich von einem reinen Ausgleich von Angebot und Nachfrage hin zur Erstellung eines einzigen integrierten Plans entwickelt hat, der auf den bestm\u00f6glichen Gesamtgesch\u00e4ftswert abzielt \u2013, sind Geschwindigkeit und Qualit\u00e4t dieser Integration heute v\u00f6llig anders.\u00a0<\/span><\/p>\n

Ein st\u00e4rker integriertes data-System mit h\u00f6herer Verarbeitungskapazit\u00e4t und dem Einsatz von KI-Tools hat es erm\u00f6glicht, ein Ma\u00df an Komplexit\u00e4t zu bew\u00e4ltigen, das fr\u00fcher nur ein Wunschtraum war: Szenarien, deren Erstellung fr\u00fcher Wochen dauerte, werden nun in Echtzeit aktualisiert, data, das zuvor in Silos isoliert war, l\u00e4sst sich nun vergleichen, und Entscheidungen, die fr\u00fcher von endlosen Abstimmungsbesprechungen abhingen, k\u00f6nnen nun einfach best\u00e4tigt werden.<\/span><\/p>\n

Wir haben festgestellt, dass der Grad der KI-Einf\u00fchrung im Bereich IBP marktweit sehr unterschiedlich ist. W\u00e4hrend 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:\u00a0<\/span><\/p>\n\n\n\n\n\n\n\n\n\n
IBP-Phase<\/th>\nReife<\/th>\nWas bereits in der Praxis umgesetzt wird<\/th>\nArtefact \u2013 Beispiel<\/th>\n<\/tr>\n<\/thead>\n
Portfolio-Pr\u00fcfung<\/td>\nNiedrig<\/td>\nEinsatz generativer KI zur Zusammenf\u00fchrung von F&E- und Marketing-Inputs sowie zur Simulation von Portfolioszenarien.<\/td>\nGro\u00dfe B2B-Duftstoffbranche: Einsatz von GenAI zur Umwandlung visueller Marketingkonzepte in technische Beschreibungen und Formelsuchen.
\nErgebnisse:<\/strong> 99%: Verk\u00fcrzung der Zeit f\u00fcr den Abgleich von Portfolios (von mehreren Tagen auf nur 20 Minuten) und eine 35-fache Steigerung der Anzahl der analysierten Simulationen neuer Formeln.<\/td>\n<\/tr>\n
\u00dcberpr\u00fcfung des Bedarfs<\/td>\nHoch<\/td>\nML-Modelle, die neben historischen Umsatzdaten weitere Nachfragefaktoren ber\u00fccksichtigen: Saisonalit\u00e4t, Wetter, Marktentwicklung und wirtschaftliche Signale.<\/td>\nMarktf\u00fchrer im Bereich der Gasverteilung: Eine einheitliche KI-Plattform, die die kommerziellen Nachfrageverl\u00e4ufe f\u00fcr Fl\u00fcssiggas in Gro\u00dfmengen und in Flaschen integriert und prognostiziert.
\nErgebnisse:
\n\u2022 Senkung des globalen MAPE bei der Nachfrageprognose um 2% im Vergleich zum bisherigen Modell.
\n\u2022 33% Reduzierung kritischer Fehler bei der kaufm\u00e4nnischen Planung.
\n\u2022 Eine Vervierfachung der Anzahl der Kundenportfolios, die innerhalb des idealen Versorgungsgenauigkeitsniveaus operieren.<\/td>\n<\/tr>\n
Liefer\u00fcberpr\u00fcfung<\/td>\nMittel bis hoch<\/td>\nDigitale Zwillinge und ML-Optimierung f\u00fcr Entscheidungen hinsichtlich Kapazit\u00e4t, Zuweisung und Lagerbestand.<\/td>\nAgrarwirtschaft: Ein Werkssimulator und ein Optimierungsmodell, die auf mehrere Produktionslinien skaliert sind, um Verluste zu reduzieren und die Marge pro Werk zu optimieren.<\/td>\n<\/tr>\n
Integrierte Abstimmung<\/td>\nNiedrig bis mittel<\/td>\nAgenten, die data aus verschiedenen Bereichen automatisch konsolidieren, um den Abgleich von operativen, kaufm\u00e4nnischen und finanziellen Pl\u00e4nen zu beschleunigen.<\/td>\nEinzelhandel: Eine L\u00f6sung, die Daten zu Expansion, Geomarketing und Finanzen (data) zusammenf\u00fchrt und innerhalb weniger Minuten eine vollst\u00e4ndige Machbarkeitsstudie f\u00fcr eine neue Filiale erstellt (ein Prozess, der zuvor mehrere Wochen in Zusammenarbeit von drei Teams in Anspruch nahm).<\/td>\n<\/tr>\n
Zusammenfassung f\u00fcr die Gesch\u00e4ftsleitung<\/td>\nNiedrig<\/td>\nAugmented BI, das die Untersuchung von Szenarien in nat\u00fcrlicher Sprache erm\u00f6glicht, wobei die Ausgabe an das Profil der F\u00fchrungskraft angepasst wird.<\/td>\nKonsumg\u00fctersektor: Ein mehrj\u00e4hriger Entwicklungsprozess mit durchg\u00e4ngigen Anwendungsf\u00e4llen, die die Bereiche Finanzen, Preisgestaltung, Betriebsabl\u00e4ufe und Personalwesen miteinander verkn\u00fcpfen und damit belegen, dass der Mehrwert steigt, wenn Anwendungsf\u00e4lle miteinander vernetzt sind, anstatt isoliert zu bleiben.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Wie zu erwarten war, gilt: Je n\u00e4her die Phase einem klar definierten statistischen Problem kommt, desto schneller erfolgte die Einf\u00fchrung. Je st\u00e4rker sie von organisatorischen Verhandlungen abh\u00e4ngt, desto langsamer schreitet die Reifung voran.<\/span><\/p>\n

Dies gibt auch Aufschluss dar\u00fcber, wo es sich derzeit lohnt, zu investieren. Je nach der kritischen Bedeutung dieser Phase f\u00fcr die Branche und dem Reifegrad des Unternehmens m\u00fcssen F\u00fchrungskr\u00e4fte in den Bereichen Lieferkette und IT Pilotprojekte und strukturelle Vorhaben bewerten. In einem Unternehmen der Konsumg\u00fcterbranche (FMCG) beispielsweise bedeutet eine Prognose, die ausschlie\u00dflich auf Zeitreihen basiert, dass man weit hinter dem zur\u00fcckbleibt, was bereits seit Jahren verf\u00fcgbar ist, und damit Wert f\u00fcr Wettbewerber schafft. Aus einer anderen Perspektive betrachtet kann f\u00fcr Unternehmen in der Kosmetik- oder Pharmabranche, die sich durch ein hohes Innovationstempo auszeichnen, die Investition in die Weiterentwicklung der Portfolio\u00fcberpr\u00fcfung \u2013 trotz ihres geringen Reifegrades \u2013 einen erheblichen Wettbewerbsvorteil schaffen.\u00a0<\/span><\/p>\n

Was die KI noch nicht l\u00f6sen kann<\/h2>\n

Trotz bemerkenswerter Fortschritte stellen wir auch einige inh\u00e4rente Herausforderungen im IBP-Prozess fest, der nach wie vor in hohem Ma\u00dfe auf menschliches Urteilsverm\u00f6gen und ein tiefes Verst\u00e4ndnis des organisatorischen Kontexts angewiesen ist.\u00a0<\/span><\/p>\n

    \n
  • Zielsetzung und Anreize.<\/b> Vertrieb, Betrieb und Finanzwesen messen ein und dieselbe Transaktion oft auf unterschiedliche Weise (Volumen, Marge, OTIF), und jeder Bereich optimiert seine Abl\u00e4ufe im Hinblick auf seine eigenen KPIs. Kein Modell allein kann dieses Problem l\u00f6sen, da es sich nicht um ein data- oder Genauigkeitsproblem handelt: Es ist ein Governance-Problem, bei dem explizit entschieden werden muss, welche Priorit\u00e4ten das Unternehmen setzen m\u00f6chte, wenn die Ziele der Abteilungen miteinander kollidieren. Solange diese Definition nicht mit dem richtigen Ma\u00dfstab festgelegt wird, wird KI den Konflikt lediglich automatisieren.\u00a0<\/span><\/li>\n
  • Zusammenarbeit \u00fcber Organisationsgrenzen hinweg.<\/b> CPFR- und VMI-Tools gibt es bereits seit Jahrzehnten, und sie werden st\u00e4ndig weiterentwickelt; doch die Ausweitung ihrer Anwendung \u2013 die systematische Abstimmung von Pl\u00e4nen mit Lieferanten und H\u00e4ndlern \u2013 ist f\u00fcr die meisten Betriebe in Brasilien nach wie vor kaum realisierbar. Es handelt sich um einen strukturellen Engpass: Er h\u00e4ngt von Vertr\u00e4gen, dem gesch\u00e4ftlichen Vertrauen zwischen den Parteien und kompatiblen Systemen der Partner ab \u2013 nicht nur von der verf\u00fcgbaren Technologie.\u00a0<\/span><\/li>\n
  • Vertrauen in Modelle und den Einsatz von KI.<\/b> Selbst wenn das Modell technisch dazu in der Lage ist, z\u00f6gert das Unternehmen, Entscheidungsbefugnisse an das Modell zu \u00fcbertragen. Dieses Z\u00f6gern ist gr\u00f6\u00dftenteils sinnvoll; Entscheidungen \u00fcber Kapazit\u00e4ten und das Portfolio haben Konsequenzen, die zu kostspielig sind, um sie ohne eine nachgewiesene Erfolgsbilanz hinsichtlich der Genauigkeit zu delegieren. Der Weg f\u00fchrt \u00fcber eine parallele Validierungsphase, in der das Modell seine Genauigkeit unter Beweis stellt, bevor es die Entscheidungsfindung \u00fcbernimmt \u2013 und nicht \u00fcber einen direkten Sprung von \u201ckeine KI\u201d zu \u201cKI hat das Sagen\u201d.\u201d\u00a0<\/span><\/li>\n<\/ul>\n

    Die n\u00e4chste Welle: vom Assistenten zum koordinierenden Akteur<\/h2>\n

    Die Fortschritte des neuen, KI-gest\u00fctzten IBP in Phasen wie der Bedarfsplanung und der Liefer\u00fcberpr\u00fcfung werden voraussichtlich weiterhin hervorragende Ergebnisse f\u00fcr Unternehmen erzielen und sich zunehmend in die anderen Phasen des Prozesses integrieren. Die Vision einer vollst\u00e4ndig autonomen Lieferkette ist zwar noch Zukunftsmusik, doch es gibt bereits Beispiele f\u00fcr Agenten, die Marktsignale und relevante Nachrichten erfassen, um die Nachfrage zu steuern, Optimierungsmodelle automatisch ausl\u00f6sen und Unstimmigkeiten kennzeichnen, bevor ein Mensch danach suchen muss.\u00a0<\/span><\/p>\n

    In diesem neuen Szenario durchl\u00e4uft 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 \u2013 nur um anschlie\u00dfend Felder in Pr\u00e4sentationen auszurichten, die bereits bei ihrer Erstellung veraltet waren \u2013, wird erleben, wie sich sein Alltag radikal ver\u00e4ndert. Sein Schwerpunkt verlagert sich zunehmend auf die kritische Analyse und \u00dcberpr\u00fcfung der Arbeit der Mitarbeiter, auf Verhandlungen mit Lieferanten und Kunden sowie auf die Identifizierung von Chancen innerhalb des Plans. Eine weitaus interessantere T\u00e4tigkeit mit h\u00f6herem Mehrwert. Und genau dieser von der Pivot-Tabelle befreite Analyst wird die Reifung der Phasen vorantreiben, die noch im R\u00fcckstand sind.\u00a0<\/span><\/p>\n

    <\/span><\/div>

    <\/h1><\/div><\/p>\n

    Da das Ziel des IBP, Angebot und Nachfrage in Einklang zu bringen, unver\u00e4ndert bleibt, sich seine Instrumente jedoch in Richtung k\u00fcnstlicher Intelligenz weiterentwickelt haben, gewinnt das Wissen, das F\u00fchrungskr\u00e4fte und Vorst\u00e4nde in diesem Prozess gesammelt haben, noch mehr an Wert. KI ist keineswegs dazu bestimmt, jahrzehntelange Erfahrung und kontextbezogene Einsch\u00e4tzungen zu ersetzen, sondern ist vielmehr in der Lage, die Reichweite dieses Humankapitals zu erweitern. So k\u00f6nnen F\u00fchrungskr\u00e4fte damit dort experimentieren, wo sie zuvor Grenzen sahen, in jeder entscheidenden Phase Effizienz steigern und mittelfristig die Grundlage f\u00fcr eine agilere und intelligentere Plattform schaffen. <\/span><\/p>","protected":false},"excerpt":{"rendered":"

    Erfolgreiche Unternehmen sind solche, die in der Lage sind, die Nachfrage nach<\/p>","protected":false},"featured_media":0,"parent":0,"template":"","meta":{"_acf_changed":false},"blog-category":[],"blog-language":[],"class_list":["post-1404794","blog","type-blog","status-publish","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/1404794","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=1404794"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=1404794"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=1404794"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}