KI-gestützte Rohstoffpreis-Prognose und Einkaufsoptimierung

Das echte Ausmaß des Problems

Rohstoffe sind für Automobilzulieferer keine Marginalie. Stahl, Aluminium, Kupfer und — für Elektrofahrzeugkomponenten — Lithium, Kobalt und Nickel machen zusammen typischerweise 8–20 Prozent der gesamten Herstellkosten aus. Bei einem Tier-1-Zulieferer mit 500 Millionen Euro Umsatz sind das leicht 60–100 Millionen Euro Jahreseinkaufsvolumen allein für Metalle.

Wenn Kupfer innerhalb von zwölf Monaten um 15 Prozent schwankt und du 5 Millionen Euro pro Jahr kaufst, liegt der Unterschied zwischen gutem und schlechtem Einkaufstiming bei 750.000 Euro. Nicht theoretisch — das ist Geld, das in der Marge landet oder verschwindet.

Die Volatilität hat in den letzten Jahren strukturell zugenommen:

• Stahl (HRC Europa): Zwischen Januar 2020 und August 2022 stiegen Warmbreitband-Notierungen von 420 €/t auf über 1.100 €/t — ein Anstieg von 160 Prozent — um dann bis Ende 2023 wieder auf unter 500 €/t zu fallen.
• Lithiumcarbonat: Von unter 10 USD/kg Ende 2020 auf 84 USD/kg im November 2022 und dann kollabiert auf unter 10 USD/kg Ende 2023 — eine Achterbahn, die Batteriezellhersteller und ihre Lieferketten direkt getroffen hat.
• Kupfer LME: Schwankungsbreite von bis zu 30 Prozent innerhalb einzelner Kalenderjahre ist seit 2020 keine Ausnahme mehr.

Das Problem ist: Die meisten Einkaufsabteilungen treffen diese Millionenentscheidungen mit denselben Werkzeugen, die 2005 üblich waren — Nachrichtenartikel, Bloomberg-Ticker, Meinungen von Marktanalysten und Bauchgefühl. Strukturierte Datenauswertung mit maschinenlesbaren Signalen findet kaum statt.

Fraunhofer SCS hat das so beschrieben: Das Preisgeschehen auf Rohstoffmärkten lässt sich durch historisch konsistente neuronale Netze besser modellieren als durch klassische Zeitreihenstatistik, weil die relevanten Einflussfaktoren nicht-linear und zeitversetzt wirken. Das Ergebnis: Prognosen, die Einkaufsexperten in ihrer Entscheidung unterstützen — nicht ersetzen. (Fraunhofer SCS, Referenzprojekt Stahlpreisprognose, seit Dezember 2020.)

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Schätzwert aus Praxisberichten und Fraunhofer-SCS-Analysen; Realeffekt hängt stark von Marktvolatilität, Prognosegüte und Entscheidungsqualität des Teams ab.

Einschätzung auf einen Blick

Zeitersparnis — minimal (1/5) Dieses System spart Einkäufern keine Zeit im Arbeitsalltag — es verändert die Qualität ihrer Entscheidungen. Die Recherche von Marktberichten wird teilweise ersetzt, aber die eigentliche Entscheidungsarbeit (Verhandlung, Lieferantenmanagement, strategische Planung) bleibt vollständig beim Menschen. Unter den verglichenen Anwendungsfällen ist dies das schwächste Argument — und das ist ehrlich gemeint. Wer einen Zeitgewinn sucht, findet ihn hier nicht.

Kosteneinsparung — hoch (4/5) Bei signifikanten Beschaffungsvolumina ist der Hebel real: 3–8 Prozent Einsparung auf 10 Millionen Euro Metallbeschaffung sind 300.000 bis 800.000 Euro im Jahr. Der Effekt ist materiell, aber nicht mit der Direktheit vergleichbar, die etwa bei der Batteriezellenschweißnaht-Inspektion durch Ausschussreduktion entsteht. Dort zählt man Ausschussteile. Hier schätzt man Gegenfaktisches.

Schnelle Umsetzung — mittel (3/5) Mit einer SaaS-Lösung wie ChAI sind erste Prognosen in wenigen Wochen zugänglich — Marktdaten-Anbindung und Konfiguration auf die eigenen Rohstoffkategorien dauern realistisch 6–10 Wochen. Eigene Modelle auf Dataiku oder Azure ML sind deutlich länger (3–6 Monate). Kein extremes Projekt, aber auch kein Eintagswerk. Ähnliche Komplexität wie die Lieferantenbewertung, kürzer als die Crashtest-Simulation.

ROI-Sicherheit — niedrig (2/5) Das ist der ehrlichste Score dieser Seite. Du kannst beweisen, dass deine Prognosen mit einer gewissen Genauigkeit eintrafen — zum Beispiel MAPE unter 12 Prozent auf 3-Monats-Horizont. Du kannst nicht beweisen, was passiert wäre, wenn du anders entschieden hättest. Der Markt ist keine Kontrollgruppe. Unternehmen, die dieses System langfristig nutzen, berichten von Einsparungen — aber niemand hat eine randomisierte Studie aufgesetzt. Niedriger Score, weil die Zuschreibung strukturell schwierig bleibt.

Skalierbarkeit — sehr hoch (5/5) Das stärkste Argument für diesen Anwendungsfall. Wenn das System für Kupfer läuft, kostet die Erweiterung auf Aluminium, Stahl, Nickel, Kobalt oder Palladium nur marginalen Zusatzaufwand. Marktdaten-Feeds für neue Rohstoffe werden angebunden, das Modell wird konfiguriert, fertig. Wer ein robustes Procurement-Intelligence-System aufgebaut hat, kann es über alle Einkaufskategorien ausrollen — ohne proportional steigende Betriebskosten.

Richtwerte — stark abhängig von Beschaffungsvolumen, Marktvolatilität der jeweiligen Rohstoffkategorie und Prognosegüte des Modells.

Was das System konkret macht

Die technische Basis ist Machine Learning auf Zeitreihendaten — konkret eine Kombination aus zwei Ansätzen:

Preisprognose-Modell: Ein neuronales Netz (typisch LSTM oder Prophet mit externen Regressoren) lernt aus historischen Preisbewegungen und den Faktoren, die diese getrieben haben. Das Modell erzeugt für jeden Rohstoff eine Preisprognose auf 1, 3, 6 und 12 Monate, zusammen mit einem Konfidenzintervall — also nicht “Kupfer kostet in drei Monaten 9.200 USD”, sondern “Kupfer liegt mit 70-prozentiger Wahrscheinlichkeit zwischen 8.800 und 9.600 USD”.

Sentiment-Analyse: NLP-Modelle (pacemaker.ai, eine Thyssenkrupp-Ausgründung, hat diesen Ansatz 2024 in Beschaffung Aktuell vorgestellt) extrahieren marktrelevante Ereignisse aus Tausenden von Nachrichten täglich. Rohstoffpreise reagieren auf Nachrichten — eine Minenschließung in Chile, ein US-Zoll auf Stahl, ein PMI-Rückgang in China — bevor sich das in offiziellen Statistiken widerspiegelt. Das Modell quantifiziert, wie stark welche Ereigniskategorien historisch auf welche Preise gewirkt haben.

Das Ergebnis ist kein Trading-Signal im Finanzmarktsinne — es ist eine strukturierte Entscheidungshilfe für Einkäufer: “In den letzten 90 Tagen signalisieren die Modelle einen fallenden Trend bei HRC Stahl mit mittlerem Vertrauen. Historisch lagen Preise nach solchen Signalen in 65 Prozent der Fälle innerhalb von 8 Wochen unter dem Einstiegsniveau.” Die finale Entscheidung trifft immer der Mensch — mit besserem Informationsstand.

Welche Datensignale das Modell wirklich braucht

Das unterscheidet Rohstoffpreis-Prognose von vielen anderen KI-Projekten: Die Daten liegen nicht im eigenen ERP. Sie kommen aus Märkten, Nachrichtenquellen und makroökonomischen Statistiken, von denen Einkaufsabteilungen oft gar nicht wissen, dass sie existieren.

Hier sind die wichtigsten Signalgruppen, die ein solides Modell integrieren sollte:

Terminmarktdaten (Pflicht):

• LME Spot- und Forward-Kurse (Kupfer, Aluminium, Nickel, Zinn, Zink, Blei)
• CME Futures für Stahl (US HRC), Erz (TSI Iron Ore)
• Backwardation vs. Contango in der Terminkurve — einer der stärksten Frühindikatoren für kurzfristige Preisbewegungen

Makroökonomische Indikatoren:

• PMI Manufacturing China, Deutschland, USA (erscheint monatlich — Vorlauf ~4 Wochen für Metallnachfrage)
• USD-Index (DXY) — Metalle notieren in Dollar, Währungsbewegungen beeinflussen reale Preise für Euro-Käufer erheblich
• Frachtkosten (Baltic Dry Index als Proxy für globale Güternachfrage)

Fundamentale Angebots-/Nachfragedaten:

• Lagerbestände an LME-Registered Warehouses (offiziell verfügbar, verzögert)
• Produktionszahlen wichtiger Minen und Schmelzen (quartalsweise via ICSG, IAI, IWCC)
• Importdaten China (monatlich via National Bureau of Statistics China)

Geopolitische Signale:

• Nachrichtenanalyse zu Exportbeschränkungen, Sanctions, Bergbaustreiks
• Energiepreise (Elektrolyse-Aluminium und Stahl sind energieintensiv — Strompreissprünge treffen Produktionskosten)

Die gute Nachricht: Die meisten dieser Daten sind öffentlich oder günstig lizenzierbar. Der Aufwand liegt im Zusammenführen, Bereinigen und zeitlichen Ausrichten der Feeds — nicht im Beschaffen der Daten.

EV-Batteriemetalle: Das Lithium-Problem

Für Automobilzulieferer mit Elektrofahrzeug-Komponenten (Batteriesysteme, Elektromotoren, Leistungselektronik) gibt es eine zusätzliche Komplexitätsebene, die konventionelle Commodity-Forecasting-Tools oft schlecht abdecken.

Lithium, Kobalt und Nickel verhalten sich strukturell anders als industriell etablierte Metalle:

Limitierte historische Datenbasis: Lithiumcarbonat hatte bis 2020 kaum signifikante Preisbewegungen. Die Datenbasis für Modelltraining ist dünn — Modelle, die auf zehn Jahre Kupferhistorie trainiert wurden, liefern andere Verlässlichkeit als Modelle mit drei Jahren Lithiumdaten.

Superzyklus-Konzeptdrift: Das Lithium-Pricing-Regime wechselte zwischen 2020 und 2023 dreimal fundamental: Mangelnachfrage (2020), EV-Boom-Euphorie (2021–2022) mit 800 Prozent Preisanstieg, und dann Überangebot-Kollaps (2023) auf ein Zehntel des Peaks. Jedes dieser Regime hat andere Modellparameter gebraucht. Ein Modell, das in Q4 2022 auf historischen Daten trainiert wurde, hatte im Q2 2023 keine Prognosegüte mehr — konzeptionell vollständig versagt.

Liefervertragsdynamik: Langfristige Lithium-Offtake-Agreements (Mindestabnahmeverträge mit Minen) haben zwar dynamische Preisformel, aber keine freie Beschaffungsflexibilität. Hier ist der Hebel des Prognose-Systems nicht Timing, sondern Mengenallokation: Wann kauft man den Spotanteil zu, der außerhalb des Fixvertrags liegt?

Empfehlung: Für Batteriemetalle separat von der konventionellen Metallbeschaffung modellieren — andere Datenquellen (BNEF, Fastmarkets Battery Materials), kürzere Trainingszyklen (monatliches Retraining statt quartalsweise), und höhere Prognoseunsicherheit als Standard einkalkulieren.

Konkrete Werkzeuge — was wann passt

ChAI — Enterprise-Lösung ab 5.000–15.000 €/Monat Der Marktführer für industrielles Commodity Forecasting als SaaS. ChAI deckt über 40 Rohstoffe ab (Metalle, Kunststoffe, Altpapier, Energie), liefert 1–12-Monats-Prognosen mit erklärbaren Modellfaktoren und bietet eine REST-API für ERP-Integration. Preislich auf Großunternehmen ausgelegt — unter 200 Millionen Euro Einkaufsvolumen ist die ROI-Rechnung schwierig. Englischsprachig, UK/US-Hosting (DSGVO-Prüfung nötig).

MetalMiner — spezialisiert auf Metalle, günstiger Einstieg Einfacher zu rechtfertigen für mittelständische Zulieferer. MetalMiner liefert monatliche Kauf/Warte-Empfehlungen für Stahl, Aluminium, Kupfer und weitere Industriemetalle, strukturiert für Einkaufsteams. Kein API, keine ERP-Integration — dafür deutlich zugänglicherer Preis (Schätzung 1.500–4.000 €/Monat). Keine Batteriemetalle.

SAP IBP mit Commodity-Modul — wenn SAP-Landschaft vorhanden SAP Integrated Business Planning enthält Demand-Planning-Funktionen, die sich mit externen Commodity-Preisfeeds koppeln lassen. Wer bereits SAP S/4HANA und SAP Ariba betreibt, kann Preisprognosen direkt in Einkaufsprozesse integrieren. Vorteil: keine zusätzliche Schnittstellenentwicklung. Nachteil: das System ist kein spezialisiertes Commodity-Forecasting-Tool — Prognosemodelle sind einfacher als bei ChAI oder einer Eigenentwicklung.

Eigenentwicklung auf Dataiku oder Azure ML Für Unternehmen mit internem Data-Science-Team, spezifischen Rohstoffkategorien oder datenschutzrechtlichen Anforderungen. Mit Prophet, XGBoost und öffentlichen LME-Daten lässt sich ein solides Prognosemodell für 3–4 Rohstoffe in einem dreimonatigen Projekt aufbauen. Fraunhofer SCS beschreibt Historical Consistent Neural Networks als besonders geeigneten Ansatz. Setup-Kosten typisch 40.000–100.000 Euro (externe Unterstützung), laufende Betriebskosten 800–2.500 Euro/Monat für Infrastruktur und Datenpflege.

Tableau oder Microsoft Power BI für Visualisierung Kein Prognosetool, aber ein wichtiger Layer oben drauf: Prognosen, aktuelle Marktdaten und historische Einkaufspreise in einem Dashboard, das Einkäufer täglich nutzen. SAP Ariba Spend-Analyse kombiniert mit externen Preisfeeds in Tableau ist ein bewährtes Setup bei größeren Zulieferern.

Wann welcher Ansatz:

• Jahresvolumen >50 Mio. € Metalle, 5+ Rohstoffe → ChAI evaluieren
• Jahresvolumen 5–50 Mio. € Metalle, primär Stahl/Alu/Kupfer → MetalMiner als Einstieg
• SAP-Landschaft vorhanden, Integration gewünscht → SAP IBP mit externen Feeds
• Spezifische Anforderungen, Data-Science-Team vorhanden → Eigenentwicklung
• Start ohne Budget → freie LME-Daten + eigene Analyse als Baseline

Hedge-Strategie vs. Beschaffungs-Timing: Den Unterschied kennen

Ein häufiges Missverständnis, das Einkaufsleiter und CFOs teuer zu stehen kommt: Preisprognose-Systeme optimieren Beschaffungs-Timing — sie sind kein Instrument für Finanzabsicherung.

Beschaffungs-Timing bedeutet: Du kaufst physisches Material zu einem anderen Zeitpunkt als ursprünglich geplant — früher bei erwarteten Preissteigerungen, später bei erwartetem Preisverfall. Der Hebel ist der Zeitpunkt der physischen Transaktion.

Finanzielle Absicherung (Hedging) bedeutet: Du kaufst oder verkaufst Terminkontrakte (Futures, Optionen) auf ein Rohstoff-Underlying an einer Börse wie LME oder CME. Das fixiert einen Preis für eine zukünftige Lieferung — unabhängig davon, wann du physisch kaufst. Das setzt einen Derivatehändler, eine Börsenmitgliedschaft oder Bankbeziehung für OTC-Kontrakte voraus.

Warum ist die Unterscheidung wichtig? Weil beide Ansätze nicht kombinierbar ohne klare Governance sind:

• Wenn du über das Prognose-System entscheidest “Wir kaufen jetzt physisch vor, weil die Prognose steigende Preise zeigt”, und gleichzeitig dein Treasury eine Short-Position auf Kupfer-Futures hält, heben sich beide Maßnahmen auf — zu einem höheren Transaktionskostenaufwand.
• Wenn du einer Prognose folgend abwartest, aber kein Finanzinstrument zur Preissicherung hast, trägst du im Warteintervall das volle Preisrisiko.

Klarheit schaffen, bevor das System eingeführt wird:

1. Wer darf physisches Volumen über das Standard-Beschaffungsmandat hinaus akkumulieren (sogenanntes “Vorziehen”)?
2. Gibt es eine CFO-Freigabepflicht für Bestellmengen über X Euro, die auf Preisprognosen basieren?
3. Ist Financial Hedging im Unternehmen erlaubt und wer führt es aus — Treasury oder Einkauf?

Ohne diese Governance-Regeln läuft die beste Prognose ins Leere — oder schlimmer, sie erzeugt unkoordinierte Risikopositionen in verschiedenen Abteilungen.

Datenschutz und Datenhaltung

Rohstoffpreis-Prognose ist datenschutzrechtlich keine typische DSGVO-Herausforderung — die Kerndaten (Marktpreise, Makroindikatoren) sind öffentlich und enthalten keine personenbezogenen Informationen.

Die relevante Datenschutzfrage stellt sich an anderer Stelle: Deine eigenen Einkaufspreise und -mengen sind vertrauliche Geschäftsdaten.

• Wer ein SaaS-System wie ChAI oder MetalMiner nutzt, sollte prüfen, ob historische eigene Einkaufspreise hochgeladen werden müssen und wie diese Daten beim Anbieter behandelt werden.
• ChAI hostet auf UK/US-Infrastruktur — für die DSGVO-Bewertung ist entscheidend, ob und welche internen Daten übermittelt werden (ein AVV ist obligatorisch, die Drittlandübertragung muss dokumentiert sein).
• Eine Eigenentwicklung auf Azure EU-Region oder deutschen Hosting-Anbietern vermeidet diese Frage vollständig.
• Für Tier-1-Zulieferer mit OEM-Lieferverträgen gilt zusätzlich: Vertraulichkeitsklauseln in Lieferverträgen können untersagen, Beschaffungsvolumina an Drittanbieter zu übermitteln. Rechtsprüfung empfohlen.

Kurzfassung: Wenn du nur externe Marktdaten verarbeitest, ist die Datenschutzfrage einfach. Wenn du eigene Einkaufsdaten in die Plattform ladest, braucht es eine sorgfältige Prüfung.

Was es kostet — realistisch gerechnet

Setup-Kosten:

• SaaS-Lösung (ChAI, MetalMiner): Typisch kein Setup-Fee, aber 1–3 Monate Konfigurationszeit mit internem Einkaufs-Know-how. Interner Aufwand: 2–4 Wochen Arbeitszeit eines erfahrenen Einkäufers.
• Eigenentwicklung: 40.000–100.000 Euro externe Entwicklungskosten (Data Science + Datenbeschaffung + Integration), 3–5 Monate Projektdauer.

Laufende Kosten (monatlich):

• ChAI: 5.000–15.000 €/Monat (Enterprise-Pricing, Jahresvertrag)
• MetalMiner: ca. 1.500–4.000 €/Monat (Schätzung)
• Eigenentwicklung: 800–2.500 €/Monat (Cloud-Infrastruktur, LME-Datenfeed-Lizenzen, Wartung)

Was du gegenrechnen kannst: Ein Automobilzulieferer mit 15 Millionen Euro Jahreseinkaufsvolumen allein für Kupfer: Bei einer Prognosequalität, die das Timing um durchschnittlich 2 Prozent verbessert, sind das 300.000 Euro Einsparung im Jahr. Auch im konservativen Szenario (1 Prozent Timingvorteil, 50 Prozent der Prognosen treffen zu) sind das 75.000 Euro — deutlich mehr als die Werkzeugkosten. Der Break-even liegt typischerweise unter dem dreifachen Jahres-Lizenzpreis, wenn das Einkaufsvolumen hoch genug ist.

Das Entscheidende: Diese Rechnung funktioniert nur ab einem Schwellenwert. Unter 5–10 Millionen Euro Jahresvolumen je Rohstoffkategorie ist der mögliche Timinggewinn kleiner als die Toolkosten. Das ist kein Marketing-Vorbehalt — das ist die ehrliche Grenze des Einsatzgebiets.

Vier typische Einstiegsfehler

1. Die Prognose als Garantie behandeln. Das häufigste und teuerste Missverständnis: Ein Einkäufer sieht “Modell erwartet fallende Kupferpreise in 8 Wochen” und bestellt deshalb deutlich weniger als geplant. Die Prognose trifft nicht ein. Er steht mit einem Produktionsengpass. Der Fehler ist nicht das Modell — das Modell hat ein Konfidenzintervall kommuniziert. Der Fehler ist, dass das Team den Unterschied zwischen “erhöhter Wahrscheinlichkeit” und “Gewissheit” nicht internalisiert hat. Lösung: Prognosen immer mit Konfidenzintervall präsentieren, nie als Punktprognose. Entscheidungsrahmen definieren: Ab welchem Konfidenzwert wird das Timing verändert?

2. Das Modell nach dem Launch nie retrainieren. Modelle veralten. Ein LSTM, das auf Kupferdaten von 2018–2022 trainiert wurde, hat die Zinswende 2022/2023 und die strukturelle Nachfrageverschiebung durch Elektromobilität nicht gelernt. Fraunhofer SCS empfiehlt für industrielle Rohstoffmodelle ein Retraining mindestens vierteljährlich, bei stark volatilen Märkten monatlich. Wer das auslässt, hat nach 12–18 Monaten ein Modell, das systematisch falsch liegt — ohne es zu merken.

3. Das Lithium-Modell mit dem Kupfer-Modell gleichbehandeln. Beides sind Metalle, beide haben Börsenkurse. Aber Lithium hat drei Jahre relevante Preisgeschichte, Kupfer 50 Jahre. Lithium handelt nicht an LME, sondern über OTC-Spotpreise und Indexpreise von Fastmarkets oder Benchmark Mineral Intelligence. Die Datenquellen, Modellarchitektur und Konfidenzerwartungen müssen für Batteriemetalle separat kalibriert werden.

4. Den Einkäufer übergehen — Prognose statt Entscheidungsunterstützung. Wenn das System eine Empfehlung liefert und der Einkäufer davon nicht überzeugt ist, aber aus Systemtreue handelt, bekommt ihr das Schlechteste aus beiden Welten: Die menschliche Expertise fließt nicht ein, und das Vertrauen in das System bricht beim ersten Fehler zusammen. Das Modell sollte erklären können, welche Faktoren es gerade am stärksten gewichtet — und der Einkäufer sollte das Recht haben, eine abweichende Entscheidung zu dokumentieren. Die Kombination aus Modellsignal und menschlichem Urteil schlägt beide Varianten einzeln.

Was mit der Einführung wirklich passiert — und was nicht

Das technische Onboarding ist vergleichsweise unkompliziert. Die organisatorische Veränderung ist schwieriger.

Typisches Widerstands-Muster Nr. 1: “Das Modell kennt unseren Markt nicht.” Erfahrene Einkäufer mit 15 Jahren Kupfer-Know-how werden dem Modell misstrauen — besonders, wenn die ersten Prognosen in einem unruhigen Markt nicht eingetroffen sind. Das ist berechtigt. Lösung: Führe das System zunächst parallel zur bestehenden Entscheidungspraxis. Drei bis sechs Monate “Schattenprognosen” — Modell empfiehlt, Team entscheidet wie bisher — und dann ex-post Auswertung: Wer hätte besser abgeschnitten, Modell oder Bauchgefühl? Dieser Vergleich überzeugt oder widerlegt das System mit echter Evidenz.

Typisches Widerstands-Muster Nr. 2: Black-Box-Ablehnung. “Ich verstehe nicht, warum das Modell das empfiehlt, also vertraue ich dem nicht.” Das ist kein irrationales Verhalten — in einem Markt, in dem falsche Entscheidungen Millionen kosten, ist Vertrauen in das Werkzeug Pflicht. Lösung: Nur Systeme einsetzen, die Prognosen mit erklärenden Faktoren ausliefern. “Modell gewichtet aktuell stark: steigende LME-Lagerbestände (+40.000 Tonnen in 6 Wochen), schwacher USD-Index, PMI China im Expansionsbereich. Diese Kombination hat in 2019 und 2021 zu fallenden Kupferpreisen in den folgenden 8 Wochen geführt.” Das ist keine Garantie — aber ein Argument.

Was nach 6 Monaten passiert, wenn es gut läuft: Das Team beginnt die Prognose als Standard in die Einkaufsplanung einzubauen. Die Konfidenzintervalle werden verinnerlicht. Einkäufer entwickeln ein Meta-Gefühl: “Bei niedrigem Konfidenzwert plus geopolitischer Unsicherheit kaufe ich zur Sicherheit früher.” Das ist die eigentliche Reife — nicht das Vertrauen ins Modell, sondern das bewusste Navigieren von Modellsignal plus Menschenurteil.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Wenn KI Rohstoffpreise vorhersagen könnte, würden Hedgefonds damit Milliarden verdienen.” Der Einwand verwechselt zwei grundlegend verschiedene Anwendungen. Professionelle Trading-Desks suchen nach Alpha — Mikro-Timing-Vorteilen, die sich in Sekundentransaktionen ausdrücken. Industrie-Beschaffung operiert auf Wochen- bis Monatshorizonten, mit anderen Marktmechaniken. Ein Prognosemodell, das 65 Prozent der Richtungsänderungen auf 6-Wochen-Horizont korrekt identifiziert, bringt für einen Hedgefonds kaum mehr als Transaktionskosten — für einen Einkaufsleiter mit 10-Millionen-Euro-Jahresvolumen sind das mehrere Hunderttausend Euro. Die Benchmark ist nicht “besser als Hedgefonds”, sondern “besser als Bauchgefühl”.

“Wir haben schon Bloomberg — das reicht doch.” Bloomberg Terminal liefert hervorragende Echtzeit-Marktdaten. Es liefert keine Prognose-Empfehlungen, kein Konfidenzintervall, keine Einkaufs-Handlungsempfehlung. Es ist ein Informationswerkzeug — du brauchst immer noch jemanden, der die Informationen interpretiert und zu einer Entscheidung verdichtet. Das Prognosesystem automatisiert genau diese Verdichtungsleistung mit 50 Datensignalen gleichzeitig.

“Der Markt ist zu unvorhersehbar — das macht keinen Sinn.” Stimmt, wenn man absolute Punkt-Vorhersagen versucht. Stimmt nicht, wenn man Wahrscheinlichkeiten für Richtungsänderungen modelliert. pacemaker.ai (Thyssenkrupp-Ausgründung) hat 2024 für Aluminium, Kupfer und Nickel über 10 Prozent bessere Prognosegenauigkeit gegenüber dem Branchenbenchmark gemessen — nicht durch Magie, sondern durch systematische Integration von 40 Datensignalen statt fünf. Selbst eine 10-prozentige Genauigkeitsverbesserung erzeugt bei großem Volumen materialisierbaren Nutzen.

Woran du merkst, dass das zu dir passt

Grünes Licht — wenn mehrere davon zutreffen:

• Dein Einkaufsvolumen für volatile Rohstoffe (Stahl, Aluminium, Kupfer, Nickel) übersteigt insgesamt 5 Millionen Euro pro Jahr
• Ihr kauft große Mengen in Quartals- oder Jahresverträgen — Timing-Entscheidungen haben echten finanziellen Hebel
• Dein Team verbringt heute messbar Zeit damit, Marktberichte zu lesen und Experteneinschätzungen zu aggregieren
• Rohstoffpreisschwankungen tauchen regelmäßig als Thema in der Marge-Diskussion auf
• Ihr habt strukturierte Einkaufscontrolling-Daten — ihr wisst, zu welchen Preisen ihr wann was eingekauft habt

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Einkaufsvolumen je Rohstoffkategorie unter 3–5 Millionen Euro pro Jahr. Das ist das wichtigste Ausschlusskriterium. Ein 2-Prozent-Timinggewinn auf 3 Millionen Euro sind 60.000 Euro — das deckt die Werkzeugkosten nicht. Wer hier vorrechnet, dass “theoretisch” 6 Prozent Einsparung möglich sind, baut seine Argumentation auf optimistische Szenarien. Erst ab einem gewissen Volumen ist die ROI-Gleichung robust.

2. Kein strukturiertes Einkaufs-Controlling, keine historischen Kaufpreisdaten. Wenn ihr nicht dokumentiert habt, wann ihr zu welchem Preis eingekauft habt, könnt ihr weder die Baseline messen noch beweisen, dass das System einen Unterschied macht. Das ist nicht nur eine ROI-Nachweisfrage — es ist die Voraussetzung für Modellvalidierung. Wer heute Excel-Tabellen ohne Zeitstempel nutzt, muss zuerst dieses Fundament legen.

3. Rohstoffkategorien ausschließlich mit Festpreisverträgen und keinerlei Spotanteil. Wenn 100 Prozent eurer Einkäufe über mehrjährige Festpreiskontrakte mit OEM-Abnahmeverpflichtung laufen, gibt es keinen Hebel für Timing-Optimierung. Das System schafft dann Wissenstransparenz — es kann die nächste Vertragsverhandlung vorbereiten — aber die unmittelbare Einsparmöglichkeit fehlt.

Das kannst du heute noch tun

Die einfachste Erste-Schritte-Übung kostet nichts: Leg eine Tabelle an, in der du die letzten zwei Jahre deiner drei größten Rohstoffeinkäufe (Datum, Menge, Preis) einträgst. Dann leg daneben die LME- oder Stahl-Notierungen desselben Zeitraums (frei verfügbar über LME-Website, Fastmarkets oder Destatis-Importpreise). Vergleiche: Hast du systematisch zu teuer oder zu günstig eingekauft? Diese Baseline ist die Voraussetzung, um später zu beweisen, dass ein Prognosesystem einen Unterschied macht.

Der nächste Schritt: Lass diesen Prompt auf öffentlich verfügbaren Marktdaten laufen — zum Beispiel die letzten drei Monate LME-Kupferpreisentwicklung plus aktuelle Nachrichtenlage — und schau, was ein Sprachmodell als strukturierte Marktanalyse daraus macht. Es ist kein Ersatz für ein echtes Prognosemodell, aber es gibt dir ein Gefühl, wie viel Informationsverarbeitung automatisierbar ist:

Quellen & Methodik

• Fraunhofer SCS, Referenzprojekt KI-basierte Stahlpreisprognose: Fraunhofer-Institut für Integrierte Schaltungen (SCS), Nürnberg. Projekt für ERFA Gruppe Großhandel, aktiv seit Dezember 2020. Methodik: Historical Consistent Neural Networks auf multivariate Zeitreihendaten. https://www.scs.fraunhofer.de/de/referenzen/stahlpreisprognose.html
• pacemaker.ai / Thyssenkrupp, Aluminium-/Kupfer-/Nickel-Prognose: Bericht in Beschaffung Aktuell (Vogel Communications Group), 2024. Beschreibt über 10 % Prognosegenauigkeitsverbesserung gegenüber Branchenbenchmark durch Kombination von NLP-Nachrichtenanalyse und ML-Preismodellierung. https://beschaffung-aktuell.industrie.de/einkauf/wie-ki-rohstoffmaerkte-berechenbar-macht/
• LME-Preishistorie Kupfer, Aluminium, Nickel: London Metal Exchange, öffentlich verfügbare Tagespreise. https://www.lme.com
• Lithiumcarbonat-Preiskollaps 2023: Fraunhofer ISI, Blog Batterie-Update, Preisschwankungen bei Batterie-Rohstoffen. https://www.isi.fraunhofer.de/en/blog/themen/batterie-update/batterie-rohstoffe-preis-schwankungen-wie-reagiert-automobil-industrie-auswirkungen-zellkosten.html
• McKinsey, KI in Supply Chain: McKinsey Global Institute, AI adoption in procurement and supply chain (2024) — 52 % der Unternehmen berichten Kosteneinsparungen nach KI-Einführung in der Supply Chain.
• ChAI Pricing: Veröffentlichte Informationen und Toolprofil ki-syndikat.de (Stand Mai 2026). Enterprise-Pricing typisch 5.000–15.000 €/Monat.
• SAP Ariba, SAP IBP: Veröffentlichte Produktdokumentation SAP SE (Stand Mai 2026).
• Stahl-Preisvolatilität HRC Europa 2020–2023: DSAG (Deutschsprachige SAP Anwendergruppe), Artikel “Preisschwankungen mit Seltenheitswert” sowie öffentlich zugängliche Stahl-Marktindizes.