Container, die im Roten Meer warten, Lkw-Fahrermangel in Europa, plötzliche Nachfragesprünge bei einem viralen Produkt: Wer im E-Commerce über eine Million Euro Umsatz macht, kennt das Muster. Störungen sind längst kein Ausnahmezustand mehr. Die Frage ist nicht, ob die Supply Chain ins Wanken gerät, sondern wie schnell sie sich neu ausrichtet.
Derzeit setzen gerade einmal 12 Prozent der globalen Logistikentscheider auf KI-gestützte Planungssysteme, die in Echtzeit reagieren. Das zeigt eine aktuelle McKinsey-Umfrage. Der Großteil arbeitet noch mit monatlichen Forecasts, statischen Excel-Tabellen und manuellen E-Mail-Abstimmungen. Das reicht nicht mehr, wenn sich Lieferzeiten innerhalb von Tagen verschieben.
Warum brechen klassische Lieferketten bei Störungen?
Traditionelle Supply Chains sind auf Effizienz getrimmt: just-in-time, geringe Bestände, wenige Lieferanten. Das funktioniert, solange nichts passiert. Sobald ein Hafen blockiert ist oder eine Rohstoffknappheit auftritt, entgleist das System. Denn die Planung blickt rückwärts: Sie sagt, was gestern wahrscheinlich war, nicht was morgen passieren könnte.
Ein Beispiel aus der Praxis: Ein deutscher Elektronikhändler mit einem zweistelligen Millionenumsatz bestellte 2022 Display-Controller monatlich nach Bedarfsprognose. Als ein Halbleiterwerk in Malaysia wegen Überschwemmungen ausfiel, saßen drei Monate lang Bestände in Häfen, während gleichzeitig Kundenaufträge storniert wurden. Der Schaden belief sich auf mehrere hunderttausend Euro.
Was macht eine AI-first Supply Chain anders?
Künstliche Intelligenz liest Signale aus verschiedenen Quellen gleichzeitig: Wetterdaten, Hafen-Informationen, Social-Media-Trends, Bestandsmeldungen von Lieferanten und eigene Verkaufszahlen. Statt eines starren Plans entsteht ein laufend aktualisiertes Szenariomodell. Das System simuliert Ausweichrouten, alternative Lieferanten und Preiseffekte, bevor der Engpass real wird.
Plattformen wie Kinaxis RapidResponse, o9 Solutions oder SAP Integrated Business Planning verknüpfen diese Datenströme. Sie arbeiten mit sogenanntem concurrent planning: Wenn sich ein Parameter ändert, aktualisiert sich das gesamte Modell in Sekunden. Für Händler bedeutet das konkret: Sie verschieben Warenbestände zwischen Lagern, bevor der Engpass die Kundenlieferung gefährdet.
Wie starten Mittelständler ohne Milliardenbudget?
Der Einstieg muss nicht ein vollständiges Enterprise-System sein. Viele Händler beginnen mit einem Use Case: die Nachfrageprognose für die Top-20-Produkte. Wer hier KI-gestützte Prognosen einsetzt, reduziert die Forecast-Abweichung typischerweise um 20 bis 30 Prozent. Das reicht, um Überbestände zu senken und gleichzeitig Out-of-Stock-Situationen zu vermeiden.
Wichtig ist ein sauberer Daten-Feed. Ohne konsistente Bestands-, Verkaufs- und Lieferantendaten bringt das beste Modell keine besseren Ergebnisse. Händler sollten deshalb zuerst ihre ERP- und WMS-Datenqualität prüfen, bevor sie ein KI-Tool evaluieren. Ein pragmatischer erster Schritt: die Integration von Versand- und Tracking-Daten mit der Bestandsplanung.
Störungen lassen sich nicht verhindern. Aber unterscheiden lässt sich, welche Lieferkette danach schneller wieder läuft.
Der Druck wächst. Kunden erwarten weiterhin zwei- bis dreitägige Lieferzeiten, gleichzeitig werden globale Lieferwege instabiler. Wer seine Supply Chain jetzt auf Echtzeitdaten und Szenarioplanung umstellt, vermeidet nicht jeden Engpass, aber er gewinnt Reaktionszeit. Und im E-Commerce ist Reaktionszeit oft der einzige Wettbewerbsvorteil, der übrig bleibt.