Anbieter zum Thema

FIS Informationssysteme und Consulting GmbH

xSuite Group GmbH

Esker Software Entwicklungs-und Vertrieb

Spend Analytics: Endlich den Überblick im Einkauf behalten

Wer kauft was, bei wem, zu welchem Preis, in welcher Währung – und wo gibt es Hebel für Kosteneinsparungen? Diese Frage lässt sich in vielen Unternehmen nur mit wochenlanger manueller Auswertung beantworten, da die Daten in verschiedenen Systemen verstreut liegen.

KI-Agenten klassifizieren Ausgaben automatisch, erkennen Doppeleinkäufe und Maverick Spending (Einkäufe außerhalb vereinbarter Kanäle), identifizieren Konsolidierungspotenziale und liefern Echtzeit-Dashboards – ohne manuellen Datenaufwand.

Risikobewältigung und Compliance-Monitoring

Geopolitische Spannungen, Insolvenzen, Lieferengpässe – Lieferantenrisiken können sich über Nacht materialisieren. Ein KI-Agent überwacht kontinuierlich Nachrichtenquellen, Ratingdatenbanken, Zollentscheidungen und ESG-Indikatoren, bewertet automatisch, welche Lieferanten ein erhöhtes Risiko darstellen, und schlägt proaktiv Maßnahmen vor, zum Beispiel Umbestellung oder Alternativlieferant. Gleichzeitig sorgt KI dafür, dass jede Transaktion automatisch auf Compliance-Konformität geprüft wird – ein entscheidender Vorteil angesichts wachsender regulatorischer Anforderungen.

Automatisierung des Lieferanten-Onboarding

Neue Lieferanten einzubinden ist oft ein langwieriger Prozess: Dokumente anfordern, prüfen, ins System einpflegen, Bankverbindungen validieren, Bonitätsprüfungen durchführen. KI-Agenten können diesen Prozess weitgehend automatisieren und dabei sicherstellen, dass alle Compliance-Anforderungen erfüllt sind.

Was bringt KI im Einkauf konkret? (Quellen: McKinsey, EY, Procurement Tactics, IBM Institute for Business Value)

Wie orchestriert man KI-Agenten sinnvoll im Einkauf?

Ein KI-Agent ist kein Plug-and-play-Gerät, das man einfach installiert und loslaufen lässt. Damit die Technologie zuverlässig und sicher funktioniert, braucht es einen strukturierten Rahmen. Dieser besteht aus fünf zentralen ementen:

1. Datengrundlage schaffen: KI ist nur so gut wie die Daten, auf denen sie basiert. Das bedeutet: Bestehende Stammdaten (Lieferanten, Verträge, Artikelstamm) müssen bereinigt und konsolidiert werden. Eine gute Datenbasis ist die Voraussetzung dafür, dass Agenten korrekte Entscheidungen treffen.

2. Mitarbeiter befähigen: Die Einführung von KI verändert die Arbeit im Einkauf – sie eliminiert sie nicht. Einkäufer müssen lernen, mit KI-Agenten zu arbeiten: Wie formuliere ich sinnvolle Anfragen (Prompt Engineering)? Wie validiere ich KI-Ergebnisse? Wie erkenne ich Fehler? Schulung und Begleitung sind deshalb kein Nice-to-have, sondern Erfolgsbedingung.

3. Regeln und Leitplanken definieren: KI-Agenten brauchen klare Grenzen: Welche Ausgaben darf ein Agent selbstständig freigeben? Welche Lieferanten sind vorab genehmigt? Welche Entscheidungen erfordern zwingend menschliche Freigabe? Diese Leitplanken müssen vor dem Einsatz definiert werden. Darüber hinaus muss jede Agentenhandlung protokolliert werden und nachvollziehbar sein.

4. Qualitätskontrolle und Eskalationsroutinen: Nicht jede KI-Entscheidung ist richtig. Deshalb braucht es klare Kontrollpunkte: Wann muss ein Mensch eingreifen? Was passiert, wenn ein Agent auf eine Situation trifft, die er nicht kennt? Definierte Eskalationsroutinen sorgen dafür, dass Fehler früh erkannt werden und keine ungewollten Konsequenzen eintreten.

5. Kontinuierliches Lernen einbauen: Gute KI-Systeme werden mit jedem Einsatz besser. Das funktioniert aber nur, wenn Feedback-Schleifen eingebaut sind: Der Agent protokolliert Ergebnisse, Menschen bewerten diese, und das System passt sich an. Wer das ignoriert, verschenkt einen der größten Vorteile von KI.

Wie führt man KI im Einkauf ein? Eine realistische Roadmap

Eine KI-Einführung im Einkauf muss kein großes IT-Projekt sein. Eine bewährte Vorgehensweise gliedert sich in vier Phasen:

Phase 1: Vorbereitung (Monate 1–2) Bevor der erste Agent eingeführt wird, gilt es, den Boden zu bereiten:

• Datenqualität und ERP-Readiness bewerten und sicherstellen
• Technologieplattform auswählen
• KI-Governance-Rahmen und Leitplanken definieren
• Kommunikationsstrategie ausarbeiten und starten
• Team informieren und trainieren
• 2–3 konkrete Use Cases mit hohem Nutzen und überschaubarem Risiko identifizieren

Phase 2: Pilotieren (Monate 3–5) Jetzt wird gestartet – aber fokussiert:

• Einen ersten Agenten in einem klar abgegrenzten Bereich einsetzen (z. B. Rechnungsprüfung oder Tail-Spend-Management)
• Ergebnisse konsequent messen und mit dem Ausgangszustand vergleichen
• Nutzerfeedback einholen und den Agenten feinjustieren
• Interne Überzeugungsarbeit mit echten Zahlen leisten

Phase 3: Skalieren (Monate 6–12) Was im Piloten funktioniert hat, wird ausgeweitet:

• Weitere Use Cases und Kategorien erschließen
• Multi-Agenten-Systeme einführen (verschiedene Agenten übernehmen verschiedene Aufgaben und übergeben sich die Arbeit)
• Integration mit ERP- und gegebenfalls anderen Systemen vertiefen
• Monatliche Performance-Reviews etablieren

Phase 4: Integration (ab Monat 13) KI wird zur Normalität im Einkauf:

• Vollständige Source-to-Pay-Abdeckung mit Agenten
• Autonome Verhandlungen in nicht-strategischen Kategorien
• Predictive Risk Management und proaktive Bedarfsplanung
• KI-gestützte Kategorie-Strategie

Praxis-Tipp: Starten Sie nicht mit dem komplexesten Prozess. Beginnen Sie mit einem Use Case, bei dem der Nutzen schnell sichtbar ist und das Risiko überschaubar bleibt. Erfolg in kleinem Maßstab schafft Vertrauen und Rückhalt für die nächsten Schritte.