Rohstoffplanung mit KI: Altpapier und Zellstoff effizient beschaffen

Das echte Ausmaß des Problems

Altpapier ist in Deutschland der wichtigste Rohstoff für die Papierindustrie — über 70 Prozent der deutschen Papierproduktion basiert auf Altpapierfasern. Gleichzeitig ist der Altpapiermarkt einer der volatilsten Rohstoffmärkte überhaupt: Der EUWID-Preisindex für gemischtes Altpapier zeigte zwischen 2020 und 2022 eine Schwankung von rund 20 EUR/Tonne bis über 200 EUR/Tonne — eine Verzehnfachung innerhalb von 18 Monaten, gefolgt von einem Preisverfall um mehr als 60 Prozent.

Diese Volatilität hat strukturelle Ursachen, die nicht einfach verschwinden:

• Konjunkturabhängigkeit: Sammelmengen steigen und fallen mit der Wirtschaftsleistung
• Export-Konkurrenz: Asiatische Nachfrage beeinflusst europäische Preise direkt
• Digitalisierungseffekte: Weniger Druckpapier bedeutet langfristig weniger Altpapieraufkommen aus Haushalten und Büros
• Saisonale Muster: Sammelmengen im Sommer typisch niedriger, Nachfrage der Verpackungsindustrie zu Jahresende höher

Für Einkaufsabteilungen in Papierfabriken bedeutet das: Die Beschaffung basiert auf Erfahrungswerten, persönlichen Netzwerken zu Lieferanten und einer gewissen Intuition für Marktbewegungen. Das funktioniert — aber es verursacht systematische Ineffizienzen:

Laut einer Erhebung in der Beschaffungspraxis mittelständischer Industrieunternehmen liegt die Prognosegenauigkeit bei Rohstoffbedarfen ohne KI-Unterstützung im Schnitt bei 60 bis 70 Prozent. KI-gestützte Prognosen erreichen unter vergleichbaren Bedingungen 85 bis 90 Prozent — durch Einbeziehung externer Marktindikatoren, die manuell nicht in Echtzeit verarbeitbar sind.

Die zweite Ineffizienz: die strukturelle Entkopplung von Einkauf und Produktionsplanung. In den meisten Werken laufen diese Prozesse in getrennten Systemen, mit wöchentlichen oder sogar monatlichen Abstimmungszyklen. Wenn Produktionsplanung ad-hoc auf eine andere Sorte umstellt, erfährt der Einkauf das mit Verzögerung — und hat dann keine ausreichende Zeit, um die Rohstoffbasis zu anpassen.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Orientierungswerte aus Beschaffungs-KI-Pilotprojekten in der Prozessindustrie; stark abhängig von Datenqualität und Vorhersagehorizont.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Der Arbeitseinsatz für manuelle Bedarfsprognosen, Marktbeobachtung, Lieferantenkoordination und Planungsabstimmungen frisst pro Einkäufer drei bis fünf Stunden wöchentlich — nicht für strategische Arbeit, sondern für Datenpflege und Kommunikationsschleifen. Ein gut implementiertes System übernimmt die Datenaggregation und liefert rollende Beschaffungsempfehlungen. Unter allen Anwendungsfällen dieser Branche der stärkste direkte Zeitgewinn für Bürotätigkeiten.

Kosteneinsparung — mittel (3/5) Die Einsparung entsteht aus zwei Quellen: niedrigere Lagerkosten durch präzisere Bedarfssteuerung und besseres Preis-Timing durch Marktdaten-Integration. Beide Effekte sind real — aber kleiner und schwerer zu isolieren als bei Ausschussreduktion oder Energieoptimierung. Lagerkosten um 10 Prozent zu senken ist bei 500.000 EUR Rohstoffbestand 50.000 EUR/Jahr. Wichtig und wertvoll, aber nicht das prominenteste Einsparpotenzial in der Branche.

Schnelle Umsetzung — hoch (4/5) Kein Hardware-Setup, keine langen Sensor-Kalibrierungen. Wenn ERP-Daten (Verbrauchshistorie, Lagerbestände, Bestellhistorie) zugänglich sind, kann eine erste Prognose in acht bis zwölf Wochen live sein. Das ist für industrielle KI-Projekte schnell. Der Haken: Die Integration der externen Marktdaten (EUWID, Altpapier-Preisindizes) erfordert entweder kostenpflichtige Datenfeed-Verträge oder manuelle Aktualisierung.

ROI-Sicherheit — niedrig (2/5) Das ist die ehrlichste Schwäche dieses Anwendungsfalls. Wenn Altpapierpreise nach der System-Einführung um 30 Prozent steigen, hat das Unternehmen mehr Geld ausgegeben als geplant — selbst wenn das Modell perfekt funktioniert. Der ROI ist stark marktabhängig und lässt sich schwer isoliert vom allgemeinen Marktgeschehen messen. Anders als bei Off-spec-Reduktion gibt es kein eindeutiges Vorher-Nachher — nur Szenarien. Wer konkrete ROI-Garantien braucht, sollte zuerst in die anderen Anwendungsfälle dieser Branche investieren.

Skalierbarkeit — sehr hoch (5/5) Das ist der stärkste strukturelle Vorteil: Die gleiche Architektur, die für Altpapier entwickelt wird, kann auf Zellstoff, Stärke, Chemikalien und Hilfstoffe ausgerollt werden. Bei Werken mit mehreren Standorten erlaubt eine gemeinsame Datenbasis standortübergreifende Beschaffungsoptimierung — Überbestände an Standort A können Fehlmengen an Standort B kompensieren, bevor externe Spotmarkt-Käufe nötig werden.

Richtwerte — stark abhängig von Rohstoffpreisvolatilität und ERP-Datenqualität.

Was das System konkret macht

Das System ist im Kern eine Zeitreihenprognose auf mehreren Datenquellen kombiniert:

Interne Datenbasis: Historische Verbrauchsdaten aus dem ERP (mindestens 24 Monate), Produktionspläne und Sortenkalender, aktuelle Lagerbestände und offene Bestellungen. Das System lernt die saisonalen Muster und Sortenabhängigkeiten des eigenen Werks.

Externe Marktdaten: Altpapierpreis-Indizes (EUWID, Bundesverband Sekundärrohstoffe und Entsorgung), europäische Sammelmengen-Statistiken, Zellstoffpreise (PIX-Indizes des FOEX Institute), Container-Frachtraten als Frühindikator für Exportdruck. Diese externen Signale verbessern die Preisprognose erheblich — etwas, das ein internes Modell ohne Marktdaten nicht leisten kann.

Ausgabe: Rollende Beschaffungsempfehlung für 30/60/90 Tage: Welche Rohstoffmenge wird pro Woche benötigt? Zu welchem Preisniveau sollte jetzt gekauft werden (Markttrend steigend oder fallend)? Welche Lieferanten sollten bei welchen Mengen kontaktiert werden?

Alerts: Automatische Benachrichtigung, wenn Lagerbestand unter Sicherheitsbestand fällt, wenn Marktpreis signifikant von Prognose abweicht, oder wenn Produktionsplanung den geplanten Rohstoffbedarf ändert.

Ein wichtiger Unterschied zu klassischen ERP-Dispositionssystemen: MRP-Systeme (Material Requirements Planning) berechnen Bedarfe auf Basis fixer Planungshorizonte und Losgröße. Das KI-System lernt, dass bei steigenden EUWID-Altpapierpreisen der Einkauf typischerweise drei Wochen früher und in größeren Mengen bestellt — und antizipiert dieses Verhalten bei Preissignalen. Es ist kein Regelwerk, sondern ein lernfähiges Modell.

Konkrete Werkzeuge — was wann passt

SAP Ariba — Für Werke, die SAP als ERP-Rückgrat nutzen, ist SAP Ariba die natürliche Integration für KI-gestützte Beschaffung. Die Procurement-Funktionen in Ariba lassen sich mit externen Preisfeeds und ML-Prognosemodellen koppeln. Ariba ist kein KI-System von Haus aus — aber es liefert die Transaktionsdaten, auf denen KI-Modelle aufbauen. Preise auf Anfrage, Enterprise-Vertrag erforderlich.

SAP Digital Manufacturing — Wenn Produktionsplanung und Beschaffung in derselben SAP-Welt integriert sein sollen: SAP DM koppelt Fertigungsaufträge mit Materialbedarfen in Echtzeit. Sortenumstellungen in der Produktion werden sofort in angepasste Rohstoffbedarfe übersetzt — ohne Kommunikationsverzögerung zwischen Produktionsplanung und Einkauf.

o9 Solutions — Spezialisierte Supply-Chain-KI-Plattform mit branchenspezifischen Modulen für Holz, Zellstoff und Verpackung. End-to-End-Sichtbarkeit von Rohstoffbeschaffung bis Kundenlieferung, ML-basierte Nachfrageprognose mit Integration externer Preissignale. Kunden der Branche berichten von Prognosegenauigkeits-Verbesserungen um 15 bis 25 Prozentpunkte (Anbieterangabe). Enterprise-only, typisch sechs- bis siebenstellige Implementierungsprojekte.

ChatGPT / Claude mit Datei-Upload — Für sofortige Analysen ohne Tool-Investition. Exportiere die letzten 24 Monate Verbrauchsdaten und Bestellhistorie als CSV und nutze ein großes Sprachmodell für erste Mustererkennung. Das ist kein Produktivsystem — aber ein schneller, kostenloser Einstieg in die Frage “Welche Muster hat unsere Beschaffung?” Besonders nützlich für die Vorbereitung auf Gespräche mit ERP-Integratoren oder Systemprogrammierern.

Open-Source-Alternative für IT-affine Werke: Python + Facebook Prophet (Zeitreihenprognose) + Pandas für Datenaufbereitung. Materialkosten: nahezu null. Entwicklungsaufwand: zwei bis drei Monate für einen robusten Prototyp. Skaliert nicht gut für Enterprise-Umgebungen, aber für ein einzelnes Werk mit stabilen Daten durchaus produktionstauglich. Vorteil: vollständige Datenkontrolle, kein Vendor-Lock-in.

Zusammenfassung:

• SAP-ERP vorhanden → SAP Ariba + SAP DM Integration
• Komplexe Multi-Standort-Beschaffung → o9 Solutions
• Erster Einstieg ohne Budget → ChatGPT / Python mit eigenen Daten
• Maximale Datenkontrolle → Open-Source-Eigenentwicklung

Datenschutz und Datenhaltung

Rohstoffbeschaffungsdaten sind Geschäftsdaten, keine personenbezogenen Daten — der DSGVO-Schwerpunkt liegt hier nicht auf Datenschutz, sondern auf Geschäftsgeheimnis und Wettbewerbsschutz. Einige Aspekte:

Cloud-Plattformen und Lieferantendaten: Wenn Lieferantenkonditionen, Vertragspreise und Verhandlungshistorien in eine Cloud-Plattform geladen werden, müssen die Nutzungsbedingungen klar regeln, dass dieser Anbieter diese Daten nicht für andere Zwecke nutzt — insbesondere nicht für Benchmarking-Dienste, die deine Preisinformationen aggregieren könnten.

ERP-Schnittstellen: SAP Ariba und vergleichbare Plattformen haben standardisierte Nutzungsbedingungen für Transaktionsdaten — aber die “Networked Procurement”-Funktionen in Ariba bedeuten, dass Transaktionsdaten über das SAP-Netzwerk fließen. Prüfe mit eurem Datenschutzbeauftragten, ob das für eure Lieferantenbeziehungen akzeptabel ist.

On-Premises-Optionen: Ein Python-basiertes Eigenentwicklungssystem auf eigenen Servern ist die datenschutztechnisch sauberste Option — alle Daten bleiben im eigenen Rechenzentrum. SAP on-premises vermeidet Cloud-Datenflüsse vollständig.

Was es kostet — realistisch gerechnet

Einstieg mit bestehender SAP-Umgebung:

• SAP Ariba Konfiguration für erweiterte Beschaffungsplanung: 30.000–80.000 EUR
• Integration externer Marktdaten (EUWID-Feed, PIX-Indizes): 5.000–15.000 EUR/Jahr Datenlizenz + 15.000–30.000 EUR Implementierung
• ML-Modell-Entwicklung: 20.000–50.000 EUR (externer Dienstleister) oder intern mit Data-Science-Ressourcen
• Gesamtbudget Jahr 1: 70.000–180.000 EUR

Spezialisierte Supply-Chain-KI (o9 Solutions):

• Implementierungsprojekt: 300.000–800.000 EUR
• Laufende Lizenz: 100.000–300.000 EUR/Jahr
• Sinnvoll ab ~10 Mio. EUR Rohstoffeinkaufsvolumen jährlich und mehreren Standorten

Was du dagegenrechnen kannst:

• Lagerkosten: Bei 2 Mio. EUR durchschnittlichem Rohstoffbestand und 5 % Kapitalkosten: 100.000 EUR/Jahr. 10 % Bestandsreduktion = 10.000 EUR/Jahr — eher klein.
• Preis-Timing: Schwer zu quantifizieren, da marktabhängig. Aber: Wenn das Modell in 3 von 12 Monaten den Preisanstieg eine Woche früher signalisiert und du 1.000 Tonnen zu 10 EUR weniger kaufst: 30.000 EUR/Jahr.
• Vermiedene Spotmarket-Aufpreise: Bei einem vermiedenen Notfallkauf à la Peters Beispiel (8.400 EUR Aufpreis) sechsmal im Jahr: 50.000 EUR/Jahr.
• Realistische Jahreseinsparung: 50.000–150.000 EUR — keine revolutionären Zahlen, aber solide.

Drei typische Einstiegsfehler

1. Das ERP-System als einzige Datenquelle verwenden. Interne Verbrauchsdaten allein reichen nicht für gute Prognosen aus. Das System kann lernen, wann welche Sorte wie viel Altpapier braucht — aber nicht, ob der Altpapierpreis in drei Wochen steigen wird. Externe Marktdaten — Altpapierpreisindizes, Exportstatistiken, Sammelmengen — sind für die Preisprognose unersetzlich. Wer sie nicht integriert, hat ein glorifiziertes Durchschnittssystem.

2. Einkauf und Produktionsplanung separat lassen. Ein Prognosemodell für den Einkauf, das nicht weiß, was die Produktionsplanung als nächstes plant, ist immer reaktiv. Die Kopplung muss bidirektional sein: Produktionspläne gehen ins Beschaffungsmodell ein, und Rohstoffverfügbarkeit bzw. Preisprognosen gehen zurück in die Produktionsplanung. Ohne diese Kopplung löst das System das Grundproblem nicht — es macht nur die reaktive Beschaffung schneller.

3. Den ROI an einzelnen Einkaufsentscheidungen messen. “Hat das Modell bei Kauf X den richtigen Preis vorhergesagt?” ist die falsche Frage. Preisprognosen für volatile Rohstoffe haben inhärente Unschärfe. Der richtige Maßstab ist der Durchschnitt über 12 Monate: Ist die Gesamtabweichung zwischen geplanten und tatsächlichen Rohstoffkosten gesunken? Sind Notfallkäufe seltener geworden? Ist der durchschnittliche Lagerbestand bei gleicher Versorgungssicherheit gesunken? Wer das System an einzelnen Vorhersage-Misses bewertet, wird immer unzufrieden sein.

Was mit der Einführung wirklich passiert — und was nicht

Einkaufsabteilungen reagieren auf KI-Planungssysteme mit einer typischen Mischung aus Interesse und Skepsis. Das Interesse kommt von den Junior-Einkäufern, die den manuellen Datenpflegeaufwand satt haben. Die Skepsis kommt von den erfahrenen Einkäuferinnen und Einkäufern, die wissen: Marktpreise lassen sich nicht zuverlässig vorhersagen — und ein System, das behauptet, das zu können, hat entweder zu viel versprochen oder versteht den Markt nicht.

Diese Skepsis ist berechtigt. Das Modell sagt nicht “Altpapierpreis steigt um genau 12 EUR/Tonne in drei Wochen”. Es sagt: “Basierend auf aktuellen Sammelmengen und EUWID-Entwicklung ist mit einem Preisanstieg in den nächsten vier Wochen zu rechnen — Beschaffung von 40 % des Monatsbedarfs jetzt wäre wirtschaftlich vorteilhaft.” Das ist Wahrscheinlichkeit, kein Orakel.

Der Weg zu Vertrauen: Rückwärtsvalidierung. Zeige dem Einkaufsteam, wie das Modell auf den letzten 24 Monaten historischer Daten performt hätte. Nicht jede Prognose wird stimmen — aber wenn 70 Prozent der Richtungsprognosen korrekt waren, ist das besser als die aktuelle Alternative.

Was realerweise passiert: In den ersten drei Monaten werden Modellempfehlungen parallel zu bisherigen Entscheidungen getroffen. Wenn die Empfehlungen plausibel sind und gelegentlich besser liegen, wächst das Vertrauen. Wenn das Modell zweimal hintereinander falsch liegt und ein erfahrener Einkäufer recht hatte, ist das Vertrauen weg und kommt schwer zurück.

Was konkret hilft:

• Backtesting-Dashboard zeigen: “So hätte das Modell in den letzten 24 Monaten entschieden” — konkret und transparent
• Empfehlungen mit Konfidenzintervall kommunizieren, nicht als Punktvorhersage
• Modell-Misses aktiv dokumentieren und im Team besprechen: Was hat das Modell nicht berücksichtigt?
• Klares Prinzip: Das Modell ist Werkzeug, nicht Entscheider. Der Einkäufer entscheidet — informiert durch das Modell.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Altpapierpreise kann niemand vorhersagen — warum sollte ein Modell das können?” Das Modell sagt nicht den Preis am nächsten Dienstag vorher. Es erkennt Richtungssignale in Vorlaufindikatoren: Steigende Containerraten für den Asien-Export, sinkende Sammelmengen im Sommer, steigende Auslastung deutscher Kartonwerke — all das sind Muster, die systematisch auf Preisbewegungen vorauslaufen. Das Modell verarbeitet diese gleichzeitig; ein menschlicher Einkäufer kann zwei oder drei beobachten, nicht zwanzig.

“Wir haben gute Lieferantenbeziehungen — die decken uns auch kurzfristig ab.” Stimmt — und das Modell macht diese Beziehungen wertvoller, nicht überflüssig. Wer durch bessere Planung seltener im Notfallmodus einkauft, verbraucht weniger “Goodwill” bei Lieferanten für tatsächliche Notfälle. Und wer weiß, dass in sechs Wochen ein Bedarfsanstieg kommt, kann Lieferanten früher informieren und bekommt bessere Konditionen als der, der drei Tage vorher anruft.

“Unser ERP hat schon eine Disposition — ist das nicht dasselbe?” ERP-Disposition arbeitet mit Mindestbestand, Losgröße und fixem Planungshorizont — deterministische Regeln, die nicht aus Erfahrung lernen. Das KI-Modell lernt, dass im Oktober der Bedarf erfahrungsgemäß steigt, dass bestimmte Sortenumstellungen zu Rohstoffspitzen führen, und dass Preisanstiegsphasen ein bestimmtes Vorlaufmuster haben. MRP-Logik kann das strukturell nicht — sie rechnet Bedarf aus Produktionsplan, sie “versteht” den Markt nicht.

Woran du merkst, dass das zu dir passt

• Altpapier oder Zellstoff machen über 40 Prozent deiner Herstellkosten aus — das ist der Minimum-Hebel für ein lohnendes Projekt
• Du oder dein Team verbringt mehrere Stunden pro Woche mit manuellen Bedarfs- und Preisprognosen in Excel
• In den letzten 12 Monaten gab es mindestens einmal einen Notfallkauf mit Spotmarkt-Aufpreis wegen unerwarteter Fehlmenge
• Produktionsplanung und Einkauf nutzen getrennte Systeme und stimmen sich per E-Mail oder Meeting ab
• Ihr habt mindestens 18 Monate saubere ERP-Verbrauchsdaten, die als Trainingsgrundlage nutzbar sind

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

1. ERP-Daten unter 18 Monaten oder in schlechter Qualität. Zeitreihenprognosen brauchen historische Muster — mindestens zwei vollständige Saisonzyklen. Wenn Buchungslogik inkonsistent war, Materialnummern gewechselt haben oder Bestände nicht sauber geführt wurden, ist die Datenbasis unzuverlässig. Zuerst ERP-Datenhygiene, dann KI.

2. Jahreseinkaufsvolumen unter 3 Mio. EUR Rohstoffe. Unterhalb dieser Schwelle übersteigen Implementierungskosten und Betriebsaufwand die erreichbare Einsparung bei realistischen Annahmen. Für kleine Werke ist eine bessere manuelle Planung mit Excel-Templates wirkungsvoller und kostengünstiger.

3. Keine Bereitschaft, externe Marktdaten zu beziehen. Ein reines Innenmodell ohne externe Preissignale ist strukturell blind für Marktdynamiken. Wer nicht bereit ist, EUWID-Subscriptions oder vergleichbare Datendienste zu finanzieren, sollte keine Erwartungen an Preisprognosen haben — und das Projekt entsprechend als reines Bedarfsprognose-Tool positionieren.

Das kannst du heute noch tun

Exportiere aus deinem ERP-System die letzten 24 Monate Altpapierverbrauch (nach Wochen) und die historischen Einkaufspreise. Lade beides als CSV in ChatGPT hoch. Frage nach saisonalen Mustern im Verbrauch und ob Preisschwankungen erkennbare Zeitverzögerungen zum EUWID-Index haben.

Das kostet 30 Minuten und beantwortet die wichtigste Frage: Haben deine Daten überhaupt Muster, die prognostizierbar sind — oder ist der Verbrauch so volatil und unstrukturiert, dass ein Modell keinen Mehrwert bringt?

Quellen & Methodik

• Altpapierpreisschwankungen 2020–2022: EUWID Papier und Zellstoff, Marktberichte 2020–2023 (euwid-papier.de); Altpapier-Preisanstieg auf über 200 EUR/Tonne und Rückgang dokumentiert.
• Prognosegenauigkeit ohne/mit KI (60–70 % vs. 85–90 %): Beschaffungs-Aktuell / Industrie, “Optimaler Rohstoffbestand dank präziser Bedarfsprognosen auf KI-Basis” (beschaffung-aktuell.industrie.de, 2023).
• Altpapieranteil 70 % der deutschen Papierproduktion: VDP Papier Jahresbericht; Umweltbundesamt, Altpapier-Verwertungsstatistik 2023.
• o9 Solutions Planungsverbesserungen: o9solutions.com Branchenreferenzen Wood/Pulp/Paper; Gartner Magic Quadrant for Supply Chain Planning 2024.
• PIX-Indizes Zellstoffpreise: FOEX Institute, PIX Price Indices für Zellstoff (foex.fi), laufende Monatspublikationen.
• Prophet Zeitreihenprognose: Facebook AI Research, “Prophet: Forecasting at Scale” (2017, open-source unter github.com/facebook/prophet).