Wie Künstliche Intelligenz das Supply Chain Controlling revolutioniert

Geopolitische Spannungen, globale Versorgungsrisiken und neue regulatorische Vorgaben wie das Lieferkettensorgfaltspflichtengesetz stellen Unternehmen vor gewaltige Herausforderungen. Um Risiken in mehrstufigen Lieferantenstrukturen frühzeitig zu erkennen und Bestände datenbasiert zu steuern, setzen immer mehr Unternehmen auch in diesem Beriech auf Künstliche Intelligenz (KI).

Doch wo bringt KI im Supply Chain Controlling (SCC) heute wirklich schon einen Mehrwert – und wo steht die Forschung erst am Anfang?

In seiner neuesten Publikation „Einsatz von Künstlicher Intelligenz im Supply Chain Controlling“ bringt Prof. Dr. Andreas Jonen, Professor in RSW - Accounting & Controlling, Licht ins Dunkel. Auf Basis einer systematischen Literatur- und Inhaltsanalyse strukturiert er den aktuellen Forschungsstand, analysiert konkrete KI-Techniken wie Machine Learning oder Natural Language Processing und zeigt auf, welche Hausaufgaben Wissenschaft und Praxis noch zu erledigen haben.

Herr Prof. Jonen, das Thema Künstliche Intelligenz ist in aller Munde. Was hat Sie dazu bewogen, den Einsatz im Supply Chain Controlling zu erforschen?

Zunächst einmal ist KI natürlich eines der großen aktuellen Themen. Mich interessiert dabei besonders, wie sich diese Technologie auf unterschiedliche Bereiche unseres alltäglichen Lebens, aber auch auf Wissenschaft und Unternehmenspraxis auswirkt.

Da ich mich seit vielen Jahren intensiv mit dem Beschaffungs- und SCC beschäftige, lag es für mich nahe, beide Themen miteinander zu verbinden. Ziel war es zunächst, den aktuellen Stand zu untersuchen:

• Wo wird KI im SCC bereits eingesetzt?
• In welchen Bereichen bietet sie einen konkreten Mehrwert?
• Welche Techniken haben welche Relevanz?

Die Publikation soll Unternehmen eine Orientierung geben, in welchen Anwendungsfeldern KI schon heute sinnvoll eingesetzt werden kann. Gleichzeitig ging es mir darum, bestehende Forschungslücken aufzuzeigen und Fragestellungen zu identifizieren, bei denen noch genauer untersucht werden muss, welches Potenzial Künstliche Intelligenz für das Supply Chain Controlling tatsächlich besitzt.

In welchen Bereichen des Supply Chain Controllings wird KI laut Ihren Studienergebnissen heute bereits am erfolgreichsten bzw. intensivsten eingesetzt?

Die Studienergebnisse zeigen, dass KI derzeit vor allem in prognose- und performanceorientierten Aufgabenfeldern eingesetzt wird. Besonders stark vertreten ist das Performance Controlling: Alle 19 untersuchten Studien befassen sich damit. KI hilft hier, Kennzahlen zu analysieren, Abweichungen frühzeitig zu erkennen und Entwicklungen vorherzusagen.

Ein weiterer Schwerpunkt ist das Risiko- und Resilienzcontrolling, das in 89 Prozent der Publikationen behandelt wird. KI kann etwa Lieferausfälle, Transportverzögerungen und andere Störungen frühzeitig erkennen und deren Auswirkungen bewerten. Auch bei Nachfrageprognosen sowie der Bestands- und Kapazitätsplanung bestehen bereits konkrete Anwendungen.

Technologisch dominieren Machine Learning und Predictive Analytics. Die Studie misst allerdings nicht unmittelbar den wirtschaftlichen Erfolg einzelner Anwendungen, sondern zeigt, in welchen Bereichen KI bereits besonders intensiv untersucht und als praxistauglich eingeordnet wird.

Wo sehen Sie aktuell die größten Lücken – sowohl in der Forschung als auch in der betrieblichen Praxis?

Die Forschungslücken werden besonders deutlich, wenn man die Verteilung der untersuchten Themen betrachtet. Während sich alle 19 analysierten Publikationen mit dem Performance Controlling und 17 mit dem Risiko- und Resilienzcontrolling beschäftigen, werden das Bestands- und Kapazitätscontrolling nur in 11 Studien und das Nachhaltigkeitscontrolling lediglich in 10 Studien behandelt. Strategische Fragestellungen und die Integration von KI in umfassende Supply-Chain-Controlling-Systeme sind noch deutlich schwächer ausgeprägt.

Auch bei den eingesetzten Technologien zeigt sich ein klares Ungleichgewicht: Machine Learning kommt in allen 19 Studien und Predictive Analytics in 17 Studien vor. Natural Language Processing wird dagegen nur in 7 Studien, Deep Learning in 6 und Reinforcement Learning sogar nur in einer einzigen Publikation berücksichtigt.

Erhebliches Forschungspotenzial besteht daher noch bei der automatisierten Auswertung von Nachhaltigkeitsberichten, Auditunterlagen oder Lieferantenbewertungen.

Wo sollten Unternehmen beginnen, wenn sie KI erstmals im Supply Chain Controlling einsetzen möchten?

Unternehmen sollten mit einem klar abgegrenzten Anwendungsfall beginnen, für den bereits ausreichend verlässliche Daten vorliegen und dessen Nutzen messbar ist. Die Studienergebnisse sprechen insbesondere für einen Einstieg über das Performance Controlling, die Nachfrageprognose oder die Risikofrüherkennung. In diesen Bereichen sind Machine Learning und Predictive Analytics bereits vergleichsweise stark etabliert.

Sinnvoll ist zunächst ein Pilotprojekt, beispielsweise zur Prognose von Lieferverzögerungen, zur Erkennung auffälliger Kennzahlenentwicklungen oder zur Optimierung von Beständen. Dabei sollte vorab festgelegt werden, anhand welcher Kriterien der Erfolg bewertet wird – etwa Prognosegenauigkeit, geringere Bestände, vermiedene Lieferausfälle oder eingesparte Bearbeitungszeit.

Entscheidend sind zudem eine ausreichende Datenqualität, klar geregelte Verantwortlichkeiten und die frühzeitige Einbindung der späteren Anwender*innen. Wenn das Pilotprojekt einen nachweisbaren Mehrwert liefert und die Ergebnisse nachvollziehbar sind, kann die Anwendung schrittweise auf weitere Aufgaben des Supply Chain Controllings übertragen werden.

Welche Potenziale bietet KI für das Nachhaltigkeitscontrolling und die Überwachung von Lieferketten?

Von den insgesamt 19 untersuchten Publikationen behandeln 10, also 53 Prozent, den Einsatz von KI im Nachhaltigkeitscontrolling. KI kann hier große Mengen an ESG-Daten auswerten, Lieferanten anhand ökologischer und sozialer Kriterien bewerten sowie Risiken wie eine hohe CO₂-Intensität, Menschenrechtsverletzungen oder Compliance-Verstöße frühzeitig erkennen.

In allen 10 Publikationen zum Nachhaltigkeitscontrolling, wird Machine Learning genannt. Predictive Analytics findet sich in 9 dieser 10 Publikationen. Dadurch lassen sich Lieferanten automatisiert bewerten, Entwicklungen von Nachhaltigkeitskennzahlen prognostizieren und mehrstufige Lieferketten besser überwachen.

Besonders auffällig ist Natural Language Processing (NLP): Es wird in 6 der 10 Publikationen mit Bezug zum Nachhaltigkeitscontrolling behandelt, also in 60 Prozent. Von den übrigen 9 Publikationen greift dagegen nur eine, also 11 Prozent, NLP auf. Die Technik wird damit beim Nachhaltigkeitscontrolling mehr als fünfmal so häufig berücksichtigt. Das ist nachvollziehbar, da viele relevante Informationen in Nachhaltigkeitsberichten, Auditunterlagen und Lieferantenbewertungen als Text vorliegen und durch NLP automatisiert analysiert und verdichtet werden können.

Vielen Dank, Prof. Dr. Jonen! 

Die Arbeit zeigt somit eindrücklich: KI im Supply Chain Controlling ist längst kein reines Zukunftsszenario mehr, sondern erfordert bereits heute klare Strategien und saubere Datenfundamente. 

Das Buch bietet sowohl für Wissenschaftler*innen als auch für Praxispartner und Studierende einen fundierten Überblick über Einsatzmöglichkeiten und Entwicklungsperspektiven.