Lieferantenbewertung und Preisbenchmarking automatisieren

Das echte Ausmaß des Problems

Die Chipkrise von 2021–2022 war kein Naturereignis, sondern ein Kontrollverlust: Einkaufsabteilungen, die bislang mit Excel und Lieferantenbeziehungen gut ausgekommen waren, standen plötzlich einer Marktdynamik gegenüber, für die ihre Prozesse nicht ausgelegt waren.

Ein Mikrocontroller, der Mitte 2020 für 1 US-Dollar zu haben war, wurde auf Spotmärkten für 50 US-Dollar gehandelt. Unternehmen wie der Allgäuer Elektronikhersteller STW berichteten von Lieferzeiten von zwei Jahren — COO Andreas Bernhardt formulierte es im Handelsblatt so: „Bei einigen Herstellern müssen wir zwei Jahre im Voraus bestellen, ohne Garantie, dass wir die Teile tatsächlich bekommen.” Ein Halbleiterhersteller erhöhte seine Preise laut demselben Bericht von heute auf morgen um 20 Prozent.

Das Problem ist nicht weg, es hat sich nur verlagert. Laut dem Lieferkettenreport 2025 von Beschaffung Aktuell haben 44 Prozent der befragten Unternehmen weiterhin Probleme beim Kauf von Halbleitern — geopolitische Risiken (Taiwan-Frage, US-Exportkontrolle) gelten bei zwei Dritteln der deutschen Industrieunternehmen als ernste Bedrohung.

Parallel dazu wächst das Fälschungsrisiko. Der ERAI, die weltweit führende Meldeorganisation für verdächtige Elektronikbauteile, verzeichnete 2024 insgesamt 1.055 gemeldete Verdachtsfälle — ein Neunjahreshoch und 25 Prozent mehr als im Vorjahr. Schätzungsweise 5 Milliarden US-Dollar an Elektronikausfällen jährlich lassen sich auf Fälschungen zurückführen. Gerade unter Knappheitsbedingungen steigt die Wahrscheinlichkeit, über graue oder illegitime Distributoren einzukaufen, die Fälschungen im Portfolio haben.

Das eigentliche Versäumnis liegt aber vor der Krise: 76 Prozent der europäischen Unternehmen führen Lieferantenbewertungen noch manuell durch, so eine Studie von Synertrade. Preishistorie, Liefertreue, Qualitätsdaten und Marktpreisindizes liegen in verschiedenen Systemen — und werden selten zusammengeführt, bevor jemand eine Entscheidung trifft.

Mit vs. ohne KI — ein ehrlicher Vergleich

Quelle Zeiteinsparung: Erfahrungswerte aus Praxisberichten von Tacto und Jaggaer AI bei Industriemittelstand (2024); Synertrade-Studie zur manuellen Lieferantenbewertung in Europa (2023).

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5)
Der Angebotsvergleich über fünf Distributoren, der früher anderthalb bis drei Stunden dauerte, dauert mit automatisierten Distributor-API-Abfragen und aggregierter Auswertung noch 15–20 Minuten. Hinzu kommt: Die Vorbereitung von Lieferantenentwicklungsgesprächen, die ohne Datenbasis zwei bis vier Stunden bindet, reduziert sich auf Durchsicht einer automatisch generierten Zusammenfassung. Zeitersparnis ist in diesem Anwendungsfall direkt messbar — nicht indirekt wie bei vielen anderen KI-Projekten.

Kosteneinsparung — hoch (4/5)
Die direkte Preissenkung durch datengestützte Verhandlungen liegt in der Praxis bei 4–9 Prozent des Beschaffungsvolumens. Für ein Unternehmen mit 5 Millionen Euro Komponenteneinkauf bedeutet das 200.000–450.000 Euro realisierbare Einsparung — vorausgesetzt, die Datenqualität stimmt. Hinzu kommen vermiedene Notfallbeschaffungen auf dem Spotmarkt, die regelmäßig das Drei- bis Zehnfache des Normalpreises kosten. Die Kosteneinsparung wurde nicht mit 5 bewertet, weil das Ergebnis stark vom Einkaufsvolumen abhängt: unter 1 Million Euro Komponentenspend fällt der Hebel marginal aus.

Schnelle Umsetzung — niedrig (2/5)
Das ist der größte Stolperstein: Bevor ein KI-System sinnvolle Lieferanten-Scores berechnen kann, müssen ERP-Daten angebunden, Lieferantenstammdaten normalisiert und historische Qualitäts- und Liefertreue-Daten strukturiert vorliegen. Realistisch sind 10–14 Wochen bis zum ersten produktiven Scoring-Lauf. Verglichen mit anderen Anwendungen im Elektrotechnik-Bereich ist das ein aufwendiger Einstieg — entsprechend die niedrige Bewertung.

ROI-Sicherheit — hoch (4/5)
Der Nutzen ist direkt messbar: Für jede Teilenummer lässt sich vergleichen, was man bezahlt hat, was der Marktpreis war und wo die Abweichung lag. Das macht diesen Anwendungsfall besonders stark — kein theoretisches ROI-Modell, sondern ein handfester Vorher-Nachher-Vergleich nach den ersten Verhandlungsrunden. Nicht mit 5 bewertet, weil der initiale ROI-Nachweis typisch 3–6 Monate produktiven Betriebs erfordert, bevor ausreichend Verhandlungsrunden stattgefunden haben.

Skalierbarkeit — hoch (4/5)
Einmal aufgebaut, lässt sich das System problemlos auf neue Lieferanten, Warengruppen und Beschaffungsmärkte erweitern — ohne proportionalen Mehraufwand. Neue Distributoren-APIs lassen sich in wenigen Tagen anschließen, neue Bewertungsdimensionen (z. B. ESG-Kriterien, EUDR-Compliance) können ergänzt werden. Nicht mit 5 bewertet, weil die Datenqualitätsarbeit bei jedem neuen Lieferanten einen gewissen Grundaufwand erzeugt.

Richtwerte — stark abhängig von Einkaufsvolumen, ERP-Datenqualität und Anzahl aktiver Lieferanten.

Was das System konkret macht

Das Prinzip klingt einfacher als es ist: Ein KI-gestütztes Lieferantenbewertungssystem zieht Daten aus drei Quellen zusammen und macht sie miteinander vergleichbar.

Quelle 1: Euer ERP. Bestellhistorie, Liefertermine (Soll vs. Ist), Reklamationen, Gutschriften, Retourenquoten — alles, was bereits im System steckt, aber nie aggregiert wurde. Das KI-System normalisiert Lieferantennamen (aus „Mouser”, „Mouser Electronics GmbH” und „Mouser DE” wird ein Datensatz), berechnet Liefertreue über definierte Zeiträume und erkennt Qualitätstrends.

Quelle 2: Marktpreisindizes. Über Automatisierung von Distributor-APIs (Mouser, Farnell, DigiKey, RS Components, Conrad) und spezialisierte Preisindizes (wie Octopart von Nexar oder LevaData) bezieht das System aktuelle Listenpreise, Lagerbestände und Lieferzeitenangaben in Echtzeit — für jede relevante Teilenummer (MPN).

Quelle 3: Externe Risikosignale. Bonitätsdaten, geopolitische Risikomarker (Taiwan-abhängige Fertigung, Exportkontrolllisten), Finanzdaten der Lieferanten und — für sensible Beschaffungswege — Prüfhistorien aus Graumarkt-Warndatenbanken.

Aus diesen drei Quellen berechnet das System einen Lieferanten-Score für jede aktive Lieferantenbeziehung — typisch als gewichteter Index aus Preisperformance, Liefertreue und Qualität. Einkäufer sehen auf einen Blick: Wer hat in den letzten 12 Monaten am zuverlässigsten geliefert? Wessen Preise sind über dem Marktindex? Welcher Lieferant hat die größte Risikokonstellation (Einfachbezug + politisch instabile Region)?

Das Ergebnis ist keine automatische Entscheidung, sondern eine strukturierte Datenbasis für bessere Entscheidungen: Wer in die Verhandlung geht, weiß, was man bisher bezahlt hat, was der Markt hergibt und wo der Hebel liegt.

Distributoren-APIs — wie Preisdaten tatsächlich fließen

Dieser Abschnitt ist für alle, die nicht einfach „ein Tool kaufen” wollen, sondern verstehen möchten, wie die Datenpipeline tatsächlich funktioniert. Denn das ist der Kern dieses Anwendungsfalls.

Die großen Elektronikdistributoren bieten APIs an, über die sich Preise, Lagerbestände und Lieferzeiten in Echtzeit abrufen lassen. Mouser, DigiKey, Farnell und RS Components haben alle offizielle Entwickler-APIs. Octopart (von Nexar/Altium) aggregiert diese Daten und macht sie über eine einzige GraphQL-API abfragbar.

Was das in der Praxis bedeutet: Statt fünf Browserfenster zu öffnen und Preise manuell zu kopieren, schickt ein automatisierter Workflow — aufgebaut in Make, n8n oder direkt als API-Integration ins ERP — eine Anfrage mit eurer aktuellen Einkaufsliste. Innerhalb von Sekunden kommt zurück: welcher Distributor hat die Menge auf Lager, zu welchem Preis, mit welcher Lieferzeit. Bei Conrad und Distrelec gibt es ähnliche Datenzugänge, allerdings mit variierender API-Qualität und Dokumentation.

Wo es kompliziert wird: Die Listenpreise der Distributoren sind nicht eure Verhandlungspreise. Wer einen Rahmenvertrag hat, zahlt weniger — und dieser Rabatt taucht in keiner öffentlichen API auf. Ein intelligentes Benchmarking-System muss also beides kennen: den Marktpreis als Referenz und eure tatsächlichen Vertragskonditionen als Baseline. LevaData löst das durch eine anonymisierte Community-Benchmark, die echte Transaktionspreise aus einem Netzwerk von Elektronikeinkäufern aggregiert — deutlich aussagekräftiger als Listenpreise.

Minimum Viable Setup für kleinere Unternehmen: Wer noch kein Budget für eine Enterprise-Plattform hat, kann als ersten Schritt eine automatisierte Preisabfrage über die Octopart-API und ein einfaches n8n-Workflow bauen. Das kostet unter 100 Euro pro Monat, spart aber sofort die manuelle Preisrecherche-Stunde — und liefert gleichzeitig eine saubere Datenhistorie, die für spätere Auswertungen genutzt werden kann.

Konkrete Werkzeuge — was wann passt

Für den deutschen Industriemittelstand (20–500 Mio. € Einkaufsvolumen):

Tacto ist die stärkste Option für deutsche Elektronikunternehmen im Mittelstand. Das Münchner Unternehmen ist auf industriellen Einkauf spezialisiert, bietet EU-Hosting und deutschsprachigen Support — und hat ERP-Konnektoren für SAP, Microsoft Dynamics und proAlpha. Die KI-Agenten übernehmen Spend-Klassifikation, Should-Cost-Analyse und automatisierte Lieferantenscores. Preis: typisch fünfstellig pro Jahr je nach Modulzahl, kein öffentlicher Tarif. Geeignet ab ca. 20 Mio. € Beschaffungsvolumen.

Jaggaer ONE ist die Enterprise-Wahl für Unternehmen mit komplexen Ausschreibungszyklen und strengen Supplier-Scorecard-Anforderungen — stark in Automotive, Aerospace und Chemie. Jaggaer Copilot (seit März 2024) ergänzt das Lieferantenmanagement um KI-gestützte Zusammenfassungen und Handlungsempfehlungen in natürlicher Sprache. Einstiegskosten ab ca. 45.000 USD/Jahr, typisch deutlich mehr im Mittelstand- und Enterprise-Segment. US-amerikanischer Anbieter — EU-Hosting auf Anfrage verhandelbar.

SAP Ariba ist die Standardwahl für Unternehmen, die bereits auf SAP S/4HANA oder SAP ECC laufen. Die KI-gestützte Spend-Analyse und Lieferantenrisikobewertung sind tief in die SAP-Landschaft integriert. Für Elektronikunternehmen mit SAP-Backend und mehr als 50 Mio. € Einkaufsvolumen ein naheliegender Pfad. Warnung: Implementierungszeiten von 6–18 Monaten sind keine Seltenheit.

Für Preisbenchmarking im Direktmaterial (Großunternehmen):

LevaData ist das spezialisierte Werkzeug für MPN-genaues Preisbenchmarking in der Elektronikindustrie. Kunden wie Dyson, NVIDIA, Bose und Zebra nutzen es, um ihre Komponentenpreise gegen einen Marktindex aus über 117 Datenquellen zu vergleichen. Bewährte Einsparungen: ein $600-Mio.-Netzwerktechnik-Unternehmen erzielte $8 Mio. Einsparungen im ersten Jahr. Für Unternehmen unter 500 Mio. USD Einkaufsvolumen wirtschaftlich schwer zu rechtfertigen.

Als Einstiegslösung oder Datenbasis:

Octopart (von Nexar/Altium) ist die kostenlose Benchmark-Datenquelle für alle, die ihre manuelle Preisrecherche automatisieren wollen. Kostenloser Webzugriff ohne Login, API mit 1.000 kostenlosen Abfragen pro Monat. Ideal als erster Schritt — oder als permanente Datenbasis für selbst gebaute Preismonitoring-Workflows in n8n oder Make.

Zusammenfassung:

• Mittelstand, deutsches ERP, EU-Hosting gewünscht → Tacto
• Großunternehmen, SAP-Backend → SAP Ariba
• Automotive, Aerospace, komplexe Scorecards → Jaggaer ONE
• MPN-Benchmarking im Direktmaterial, Großkonzern → LevaData
• Kostenloser Preisvergleich / API-Einstieg → Octopart

Fälschungsrisiko und Graumarkt

Das ist der Teil, über den kein Vertriebsmitarbeiter spricht — und der in der Praxis unterschätzt wird.

Wer in Engpasszeiten auf Graumarkt-Distributoren ausweicht, geht ein Risiko ein, das über den Preis hinausgeht. 2024 verzeichnete der ERAI (Electronic Resellers Association International) 1.055 Meldungen verdächtiger oder gefälschter Elektronikbauteile — ein Neunjahreshoch. Schätzungsweise 5 Milliarden US-Dollar an Schäden entstehen jährlich durch Fälschungen in der Elektroniklieferkette.

Fälschungen kommen nicht als offensichtliche Kopien. Sie kommen als Re-Markings (echte Teile mit falscher Spezifikation neu beschriftet), als Up-Markings (schwächere Bauteile mit höherer Nennleistung gekennzeichnet) oder als Counterfeits (komplette Nachbauten, die im Labor kaum zu erkennen sind). Sie versagen oft erst unter Belastung — in Anlagen, in Fahrzeugen, in medizinischen Geräten.

Was ein KI-gestütztes Lieferantenbewertungssystem hier leisten kann:

Erstens eine Graumarkt-Warnung direkt in der Beschaffungsentscheidung: Ist der Anbieter, bei dem ich gerade bestellen will, zertifizierter Distributor des Herstellers? Hat er AS6081- oder ISO9001-Zertifizierung? Gibt es Meldungen in ERAI- oder DLA-Warndatenbanken? Systeme wie Jaggaer oder SAP Ariba können solche Checks automatisiert in den Freigabeprozess integrieren.

Zweitens eine Historienauswertung der eigenen Reklamationen: Hat ein bestimmter Distributor in der Vergangenheit häufiger Qualitätsmängel verursacht? Ein System, das Reklamationen, Rücksendequoten und NCRs (Non-Conformance Reports) je Lieferant und Teilenummer aggregiert, macht dieses implizite Wissen explizit.

Drittens eine Preisanomalie-Erkennung: Wenn ein Distributor für ein gesuchtes Bauteil 80 Prozent unter dem Marktpreis anbietet, ist das kein Schnäppchen — das ist ein Warnsignal. KI-Systeme können solche Preisausreißer automatisch flaggen und eine manuelle Prüfung einfordern, bevor eine Bestellung ausgelöst wird.

Diese drei Funktionen zusammen reduzieren nicht jedes Fälschungsrisiko — physische Eingangsinspektion nach AS6171 ist bei sicherheitsrelevanten Bauteilen weiterhin notwendig. Aber sie verhindern, dass Entscheidungen unter Zeitdruck ohne Datenbasis getroffen werden.

Datenschutz und Datenhaltung

Das Lieferantenbewertungssystem verarbeitet typischerweise keine personenbezogenen Daten im klassischen Sinne — im Fokus stehen Unternehmens- und Transaktionsdaten. Trotzdem gibt es datenschutzrelevante Aspekte, die vor dem Go-Live geklärt sein müssen.

Lieferantendaten: Wenn Bewertungsbögen, Auditberichte oder Korrespondenz mit namentlich genannten Ansprechpartnern beim Lieferanten verarbeitet werden, greift die DSGVO. Das gilt besonders für Systeme, die E-Mails oder CRM-Daten als Bewertungsgrundlage nutzen.

Einkaufsdaten mit Personenbezug: Wer hat wann was bei wem bestellt? Wenn Einzelbestellungen Rückschlüsse auf Mitarbeitende ermöglichen, sind es personenbezogene Daten. In der Praxis ist das selten ein Problem für Komponenteneinkauf in größeren Unternehmen — aber in kleinen Teams mit nur einer zuständigen Person kann es relevant werden.

Tool-spezifische Bewertung:

• Tacto: EU-Hosting, deutschsprachiger Anbieter, AVV standardmäßig verfügbar. DSGVO-konform out of the box.
• Jaggaer ONE: US-amerikanischer Anbieter, primär US-Hosting. EU-Hosting auf Anfrage verhandelbar — vor Vertragsabschluss prüfen.
• SAP Ariba: EU Data Boundary verfügbar, GoBD-konforme Archivierung. Für SAP-Kunden in der EU die sauberste Option.
• LevaData: US-Anbieter, US-Hosting. Für reine Preisbenchmarking-Daten (keine personenbezogenen Inhalte) datenschutztechnisch vertretbar mit AVV.
• Octopart: Reine Preisabfrage ohne Übermittlung personenbezogener Daten — für die Datenbeschaffung unkritisch.

Auftragsverarbeitungsvertrag (AVV): Sobald ein Anbieter auf eure ERP-Daten zugreift, muss Art. 28 DSGVO erfüllt werden. Bei Tacto und SAP Ariba sind AVV-Vorlagen standardmäßig erhältlich. Bei US-Anbietern (Jaggaer, LevaData) sorgfältig prüfen, ob ein Standardvertragsklausel-Rahmen (SCCs nach Art. 46 DSGVO) vorliegt.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• ERP-Anbindung und Datenmigration: 3–6 Wochen interner Aufwand (Einkauf + IT gemeinsam) plus externe Implementierungsunterstützung: typisch 5.000–20.000 Euro je nach Systemkomplexität
• Stammdatenbereinigung (Lieferantennormalisierung, MPN-Standardisierung): je nach Ausgangszustand 2–4 Wochen
• Konfiguration der Bewertungsdimensionen und Gewichtungen: 1–2 Wochen intern

Laufende Kosten (monatlich/jährlich)

• Tacto: Typisch 15.000–60.000 Euro/Jahr je nach Modulwahl (kein öffentlicher Tarif)
• Jaggaer ONE: Ab ca. 45.000 USD/Jahr — für KMU unter 50 Mio. € Einkaufsvolumen kaum wirtschaftlich
• SAP Ariba: Enterprise-Lizenz fünf- bis sechsstellig; für SAP-Kunden oft bereits teilweise lizenziert
• Octopart + n8n-Workflow (Einstieg): Unter 100 Euro/Monat — geeignet als ersten Schritt ohne Enterprise-Commitment

Was du dagegenrechnen kannst

Bei einem Komponenteneinkaufsvolumen von 5 Millionen Euro und einer konservativ geschätzten Preissenkung von 4 Prozent: 200.000 Euro jährliche Einsparung. Hinzu kommen vermiedene Notfallbeschaffungskosten: Wer in der Chipkrise drei Mal auf dem Spotmarkt zum Dreifachen des Normalpreises kaufen musste, weiß, wie schnell sich eine Notbestellung auf 50.000–100.000 Euro Mehrkosten summiert.

Wie du den Nutzen tatsächlich misst: Nicht mit ROI-Schätzungen vor der Einführung, sondern mit Vergleich der Durchschnittspreise je Lieferant und Teilenummer vor und nach dem ersten vollen Verhandlungszyklus. Das dauert 6–12 Monate — ist dann aber ein belastbarer Nachweis, kein Modell.

Typische Einstiegsfehler

1. Mit allen Lieferanten gleichzeitig starten — statt mit den wichtigsten zehn.
Der Reflex ist verständlich: Alle Lieferanten sollen sofort bewertet werden. In der Praxis führt das zu einem System, das viele Lieferanten schlecht kennt und niemanden gut. Die produktivere Strategie: Die zehn bis zwanzig Lieferanten identifizieren, die 80 Prozent des Einkaufsvolumens repräsentieren (Pareto-Regel), und mit denen starten. Dort ist der Datenbedarf überschaubar, der Hebel aber groß genug für nachweisbare Ergebnisse.

2. Schlechte Stammdaten in das neue System übernehmen.
Das ist der häufigste — und gefährlichste — Fehler. Wenn im ERP „Mouser”, „Mouser Electronics GmbH”, „Mouser DE” und „Msr. Electronics” vier verschiedene Lieferanteneinträge für denselben Distributor sind, berechnet das System vier verschiedene Scores — alle falsch. Vor dem Go-Live muss eine Stammdatenbereinigung stehen: normalisierte Lieferantennamen, saubere Teilenummern (MPNs), konsistente Kategorisierung. Das kostet Zeit und ist keine glamouröse Aufgabe — aber ohne sie produziert das System zuversichtlich falsche Ergebnisse.

3. Die Qualitätsdaten vergessen.
Preis und Liefertreue sind leicht zu messen. Qualitätsdaten — Reklamationsquoten, Nacharbeitsaufwände, NCRs — stecken oft in den Köpfen der Fertigungsverantwortlichen oder in halbstrukturierten Notizen. Ein Lieferanten-Score, der nur Preis und Liefertreue kennt, aber keine Qualitätshistorie, ist systematisch verzerrt: Ein Lieferant, der immer pünktlich liefert aber regelmäßig Bauteile mit Qualitätsmängeln, sieht im Score besser aus als er ist.

4. Das System läuft — und niemand pflegt es.
Sechs Monate nach Go-Live sind neue Lieferanten hinzugekommen, Bewertungsdimensionen haben sich verschoben (z. B. EUDR-Compliance ist neu relevant), aber niemand hat den Score angepasst. Ein Lieferantenbewertungssystem ist kein einmaliges Projekt — es ist ein laufender Prozess. Wer dafür keine namentliche Verantwortung im Team benennt, hat nach einem Jahr ein System, das Entscheidungen auf veralteter Grundlage informiert.

Was mit der Einführung wirklich passiert — und was nicht

Die größten Widerstände kommen meist nicht von der IT, sondern von den Einkäuferinnen und Einkäufern selbst.

„Ich kenn meine Lieferanten.” Erfahrene Einkäufer haben über Jahre Beziehungen aufgebaut — sie wissen, wen man anrufen kann, wenn es brennt, und wessen Versprechen zuverlässig sind. Ein System, das einen Lieferanten mit einer schlechten Bewertung flaggt, der aber in einer Krise immer geliefert hat, wird als fehlerhaft wahrgenommen — auch wenn die Datenlage korrekt ist. Die Lösung: das System als Diskussionsgrundlage, nicht als Entscheidungsautomatismus einführen. „Hier ist, was die Daten zeigen — was sagst du dazu?” ist produktiver als „Das System sagt B, also machen wir B.”

„Das ERP macht das schon.” Viele Unternehmen haben bereits Lieferantenbewertungsfunktionen im ERP — aber sie werden nicht genutzt, weil die Eingabe zu aufwendig ist. Ein modernes KI-System automatisiert genau diesen Dateneingabeprozess, statt ihn manuell abzufragen. Das ist kein Wettbewerb mit dem ERP, sondern eine Schicht darüber.

Was konkret hilft:
Vor dem Rollout: drei bis fünf Einkäufer als Early Adopter identifizieren, die offen für das Thema sind — mit ihnen die ersten Scorings durchgehen, Lücken benennen, das System gemeinsam verbessern. Niemals erst das System vollständig einrichten und dann mit dem Team zeigen, was rauskommt. Die Akzeptanz entsteht im Prozess, nicht hinterher.

Realistischer Zeitplan mit Risikohinweisen

Realistischer Zeitpunkt für ersten messbaren Nutzen: Frühestens nach dem ersten vollständigen Verhandlungszyklus auf Basis der neuen Daten — typisch 6–12 Monate nach Go-Live.

Häufige Einwände — und was dahintersteckt

„Unsere Lieferantenbeziehungen basieren auf Vertrauen, nicht auf Scoring.”
Das ist kein Widerspruch. Ein guter Einkäufer nutzt Daten als Argumentationsgrundlage — nicht als Ersatz für Beziehungen. Wer in einem Gespräch mit einem Lieferanten zeigen kann: „Eure Liefertreue lag im letzten Jahr bei 76 Prozent, der Branchendurchschnitt liegt bei 89 Prozent — was können wir gemeinsam tun?”, verhandelt aus einer stärkeren Position als jemand, der mit Bauchgefühl in den Raum geht. Das System macht die Beziehungsarbeit nicht überflüssig — es gibt ihr eine bessere Grundlage.

„Wir haben zu wenige Lieferanten, das lohnt sich nicht.”
Ab etwa 10–15 aktiven Lieferanten und einem Beschaffungsvolumen von 1–2 Millionen Euro beginnt der Hebel spürbar zu werden. Darunter ist eine gepflegte Excel-Tabelle mit quartalsweisem Review tatsächlich die wirtschaftlichere Lösung. Das ist kein Scheitern — das ist die richtige Entscheidung für die aktuelle Unternehmensgröße.

„KI-Scores sind eine Black Box — wir wissen nicht, warum ein Lieferant so bewertet wird.”
Moderne Procurement-Plattformen wie Tacto oder Jaggaer ONE liefern für jeden Score eine vollständige Aufschlüsselung: Welche Bewertungsdimension hat wie viel Gewicht? Welche konkreten Datenpunkte fließen in den Score ein? Das ist keine Black Box, sondern eine transparente Kennzahl — transparenter als das Bauchgefühl, das sie ersetzt. Die Bedingung: Ihr müsst die Gewichtungen selbst definieren, nicht dem Anbieter überlassen.

Woran du merkst, dass das zu dir passt

• Du kaufst regelmäßig bei mehr als 10–15 aktiven Lieferanten ein, und der Angebotsvergleich bindet wöchentlich mehr als einen halben Tag Einkaufszeit
• Dein Komponenteneinkaufsvolumen liegt über 1 Million Euro pro Jahr — darunter sind die realisierbaren Einsparungen kleiner als die Tool-Lizenz
• Ihr habt einen oder mehrere Einzelbezugslieferanten (Single Source) für strategisch wichtige Bauteile — das ist ein Risiko, das systematisch adressiert werden sollte
• Liefertreue und Reklamationsquoten sind nicht zentral auswertbar, weil sie im ERP stecken, aber niemand die Daten regelmäßig zieht
• Ihr habt in der Chipkrise reaktiv auf dem Spotmarkt eingekauft — und wollt das beim nächsten Engpass vermeiden (sieh dir auch die Lieferzeit-Prognose-Lösung an, die als Frühwarnsystem ergänzend wirkt)

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

1. Unter 1 Million Euro Komponenteneinkaufsvolumen pro Jahr. Der Hebel ist zu klein, um Tool-Lizenz und Einrichtungsaufwand zu rechtfertigen. Starte mit einer gepflegten Excel-Auswertung auf Basis eurer ERP-Bestellhistorie — die kostet nichts und zeigt schnell, wo die Knackpunkte liegen.

2. Kein strukturiertes ERP-Tracking von Lieferzeiten, Qualitätsmängeln und Reklamationen. Wenn diese Daten nicht im System stecken, hat das KI-Bewertungssystem keine Grundlage. Wer heute nicht messen kann, wann ein Lieferant zu spät liefert, kann keine sinnvollen Liefertreue-Scores berechnen — egal wie gut das Tool ist. Erst die Datenbasis aufbauen, dann das System.

3. Keine Person mit Zeit und Verantwortung für die Datenpflege. Ein Lieferantenbewertungssystem, das nach der Einrichtung sich selbst überlassen wird, produziert nach 12 Monaten systematisch veraltete Scores — weil neue Lieferanten fehlen, alte Gewichtungen nicht mehr passen und Qualitätsdaten nicht mehr eingespeist werden. Ohne eine namentlich benannte, zuständige Person ist das Ergebnis schlechter als keine KI.

Das kannst du heute noch tun

Öffne Octopart — kostenlos, kein Login nötig. Nimm die fünf Bauteile, für die du zuletzt bei verschiedenen Distributoren Preise verglichen hast. Gib die Teilenummern ein. Du siehst sofort: Welcher Distributor ist am günstigsten? Wo gibt es Lagerbestände? Wie weit liegen die Preise auseinander?

Das dauert 10 Minuten. Was du danach weißt: Wie groß das Preisoptimierungspotenzial bei diesen Teilen ist — und ob sich eine systematische Lösung lohnt.

Für den nächsten Schritt — eine strukturierte KI-gestützte Lieferantenbewertung — brauchst du einen System-Prompt, der deinen Einkaufsdaten eine Struktur gibt. Hier ist einer, den du direkt in ChatGPT oder Claude einsetzen kannst:

Quellen & Methodik

• Chipkrise-Impact auf Mittelstand, STW Allgäu, COO Andreas Bernhardt: Handelsblatt, „Chips: Ein Jahr Lieferzeit — Chipmangel bedroht Mittelständler” (2024); abrufbar unter handelsblatt.com. Zitat: „Bei einigen Herstellern müssen wir zwei Jahre im Voraus bestellen.”
• Preisentwicklung Mikrochip $1 → $50: SRF News, „Mangelware Computerchips — 2700 statt 10 Dollar: Chipkrise führt zu enormen Preisaufschlägen” (2021/2022); Zitat in abgewandelter Form bei mehreren Quellen konsistent.
• ERAI 2024 Counterfeit-Daten (1.055 Meldungen, Neunjahreshoch, +25 % ggü. Vorjahr): Astute Group / ERAI, „Counterfeit Electronics Reports Reach Nine-Year High Amid Expanding Target Base” (2025); astutegroup.com.
• $5 Mrd. Schäden durch Fälschungen jährlich: SMT Corp., „Counterfeit Electronic Parts in the Critical Infrastructure Supply Chain” (2023); smtcorp.com.
• 76 % manuelle Lieferantenbewertung in Europa: Synertrade, „Automatisierung und KI: Das Lieferantenmanagement der Zukunft” (2023); blog.synertrade.com.
• LevaData Einsparungen ($8M/Jahr bei $600M-Unternehmen, $24M bei $5B-Unternehmen): LevaData Procurement Magazine, „Helping Manufacturers Reduce Costs in Procurement” (2024); procurementmag.com; levadata.com.
• Tacto Produktbeschreibung und Positionierung: tacto.ai (Mai 2026).
• Octopart/Nexar API-Preise: nexar.com/api (Mai 2026). Kostenloser Welcome-Plan: 1.000 Abfragen/Monat.
• Geopolitische Risikobewertung Halbleiter: Logistik Heute / beschaffung-aktuell.industrie.de, „Lieferkettenreport 2025” (2025).
• Preisoptimierung elektronische Bauteile per API-Automatisierung: skill-sprinters.de, „KI im Einkauf: Beschaffung automatisieren” (2024).

Du willst wissen, welche Lieferanten ihr systematisch bewerten solltet und ob euer Einkaufsvolumen für eine KI-gestützte Lösung ausreicht? Meld dich — das klären wir in einem kurzen Gespräch.