KI-gestützte Materialplanung

Das echte Ausmaß des Problems

Laut einer Studie des VDMA (2023) kämpfen 58 Prozent der deutschen Maschinenbauunternehmen regelmäßig mit Materialengpässen, die Produktionsverzögerungen verursachen. Gleichzeitig binden die befragten Unternehmen durchschnittlich 22 Prozent ihres Umlaufkapitals in Lagerbeständen. Bei einem Unternehmen mit 5 Millionen Euro Umsatz sind das typischerweise 400.000–600.000 € gebundenes Kapital — Geld, das nicht für Investitionen oder Entwicklung verfügbar ist.

Das Problem klassischer Machine Learning-freier MRP-Systeme ist ihre Starrheit: Sie rechnen auf Basis von Stücklisten und festen Planungsparametern — aber sie antizipieren keine Lieferzeitverzögerungen, reagieren langsam auf kurzfristige Auftragsänderungen und berücksichtigen keine externen Signale wie Marktpreisschwankungen oder Lieferantenrisiken.

Das Ergebnis ist das klassische Dilemma: Wer den Sicherheitsbestand zu hoch ansetzt, bindet Kapital und riskiert Abschreibungen. Wer ihn zu niedrig ansetzt, riskiert Produktionsstopps. Das richtige Niveau für 500 aktive Materialpositionen manuell zu pflegen, überfordert jeden Einkauf.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Der Einkauf spart erhebliche Analysezeit und die manuelle Bestellfreigabe wird reduziert. Aber Materialplanung verursacht keinen so direkten Zeitverlust auf der Produktionsfläche wie etwa Dokumentation oder Schichtplanung — es ist primär ein Führungsaufgaben-Thema.

Kosteneinsparung — hoch (4/5) Zwei direkte Hebel: Weniger gebundenes Kapital im Lager (15–25 % Reduktion messbar, Schätzwert aus Praxisberichten) und weniger Produktionsstopps durch Engpässe. Beide sind in Euro quantifizierbar. Nicht ganz maximal bewertet, weil der Effekt stark von der Ausgangslage abhängt — wer bereits gut optimiert ist, sieht weniger Verbesserung.

Schnelle Umsetzung — niedrig (2/5) Der Aufwand liegt in der Datenqualität: Für ein belastbares Forecasting-Modell braucht man mindestens 12 Monate historische Verbrauchsdaten in sauberer Form. ERP-Integration ist technisch aufwendig. Drei bis fünf Monate bis zum produktiven Betrieb sind realistisch — das ist langsamer als viele andere Projekte.

ROI-Sicherheit — mittel (3/5) Lagerkosten sind messbar. Verhinderte Produktionsstopps sind schwerer zu beziffern — du siehst, wenn sie nicht passieren. Ähnlich wie beim Lieferantenmanagement ist die Beweisführung indirekt.

Skalierbarkeit — hoch (4/5) Mehr Materialpositionen bedeuten mehr Nutzen ohne proportional mehr Aufwand — das System rechnet 500 Positionen genauso automatisch wie 50. Neue Produkte und neue Lieferanten werden eingebunden ohne manuellen Mehraufwand.

Richtwerte — stark abhängig von ERP-Datenqualität, Sortimentsstabilität und Anzahl aktiver Materialpositionen.

Was KI-Materialplanung konkret macht

Schritt 1 — Demand-Forecasting auf Auftragsdaten: KI-gestützte Materialplanung beginnt mit einer besseren Prognose: Was werde ich in den nächsten 4, 8, 12 Wochen tatsächlich brauchen? Das KI-Modell analysiert nicht nur den aktuellen Auftragsbestand, sondern historische Saisonalitäten, typische Auftragszyklen nach Kunden und Abweichungen zwischen Planliefertermin und tatsächlichem Abruf.

Schritt 2 — Dynamische Sicherheitsbestände: Statt statischer Sicherheitsbestände berechnet das KI-System dynamische Puffer: Wie zuverlässig liefert dieser Lieferant? Wie stark schwankt die Lieferzeit? Ein Lieferant mit hoher Lieferzeitschwankung erfordert einen größeren Puffer als ein zuverlässiger Lieferant — auch wenn beide nominell 4 Wochen Lieferzeit haben.

Schritt 3 — Automatische Bestellvorschläge und Priorisierung: Das System generiert Bestellvorschläge, gewichtet nach Dringlichkeit und Kostenoptimierung: Welche Bestellungen müssen sofort ausgelöst werden? Welche Materialien kommen von einem Lieferanten, bei dem gerade ein Risikoalert besteht? Der Einkäufer bekommt eine priorisierte Liste statt einer ungefilterten Flut von MRP-Vorschlägen.

Schritt 4 — Lageroptimierung und Slow-Mover-Analyse: KI identifiziert Materialien, die sich nur langsam bewegen oder deren Bestand deutlich über dem historischen Verbrauch liegt. Das sind potenzielle Abschreibungsrisiken. Das System zeigt, welche Bestände reduziert werden können, ohne Produktionsrisiken einzugehen.

Konkrete Werkzeuge — was wann passt

SAP IBP — Integrated Business Planning — Für SAP-Nutzer die natürliche Erweiterung: SAP IBP ergänzt klassisches MRP um KI-basiertes Demand-Sensing und Supply-Chain-Optimierung. Enterprise-Preise auf Anfrage.

Microsoft Power BI — Für die Analyse bestehender Lager- und Bestelldaten: Bestandsbewegungen, Slow-Mover, Lieferantenperformance visuell auswertbar. Guter erster Schritt zur Datentransparenz. Ab 10 €/Nutzer/Monat.

ChatGPT für Bestandsanalyse — Wenn Lager- und Verbrauchsdaten als Excel exportiert vorliegen, kann ChatGPT Analysen durchführen: “Welche Materialien haben wir durchschnittlich länger als 60 Tage auf Lager?” Günstiger Einstieg. Ab 20 €/Monat.

Make.com — Für Automatisierung von Bestellworkflows: Wenn Bestände unter definierte Schwellenwerte fallen, kann Make automatisch eine Bestellanforderung erstellen oder eine Benachrichtigung senden. Ab 9 €/Monat.

Gemini für Prognosemodelle — Gemini ist stark in der Analyse strukturierter Zeitreihendaten und kann dabei helfen, Bedarfsprognose-Modelle auf historischen Verbrauchsdaten zu entwickeln. Ab 22 €/Monat.

Datenschutz und Datenhaltung

Materialplanungsdaten (Bestände, Bedarfe, Lieferdaten) haben keinen Personenbezug im Sinne der DSGVO und stellen datenschutzrechtlich keine besondere Herausforderung dar. Der relevante Punkt ist Datensicherheit: Stücklisten, Einkaufskonditionen und Lieferantenpreise sind Geschäftsgeheimnisse und dürfen nicht in öffentlichen KI-Diensten ohne Verschlüsselung verarbeitet werden.

Empfehlung: Für die Verarbeitung von Preisinformationen und Lieferantenkonditionen entweder eine EU-gehostete Lösung oder ein selbst betriebenes System nutzen. Anonymisierte Analysedaten (ohne konkrete Preise) können bedenkenlos in Standard-KI-Tools verarbeitet werden.

Was es kostet — realistisch gerechnet

Einstieg (Analyse und manuelle Optimierung mit KI-Tools):

• Power BI + ChatGPT: 50–100 €/Monat
• Zeitaufwand: 5–8 Stunden/Woche für strukturierte Analyse
• Ergebnis: Bessere Entscheidungsgrundlage, identifizierte Slow-Mover
• Sinnvoll für: kleine Betriebe mit bis zu 200 aktiven Materialpositionen

Skaliert (ERP-Integration mit KI-Forecasting):

• Demand-Forecasting-Modul im ERP: 10.000–50.000 € Implementierung
• Laufende Kosten: 1.500–5.000 €/Monat
• Sinnvoll für: Betriebe mit 500+ Materialpositionen und mehreren Lieferanten

Konservatives ROI-Beispiel: Elektronikmontage, Lagerbestand 850.000 €. KI-gestützte Lageroptimierung reduziert den Bestand auf 640.000 € durch bessere Prognosen und reduzierte Sicherheitsbestände. Freigesetztes Kapital: 210.000 €. Kapitalkosten (4 %): 8.400 €/Jahr gespart. Dazu: 3 verhinderte Produktionsstopps pro Jahr (je 12.000 € Folgekosten): weitere 36.000 €. Gesamtvorteil: ca. 44.000 €/Jahr bei Tool-Kosten von 25.000 €/Jahr.

Typische Einstiegsfehler

1. Zu wenig historische Daten. Ein Forecasting-Modell braucht mindestens 12 Monate Verbrauchshistorie — besser 24 Monate, um Saisonalitäten zu erkennen. Wer mit 3 Monaten Daten startet, bekommt Prognosen, die keine Saisonalität kennen und im zweiten Quartal schon falsch liegen.

2. ERP-Datenqualität überschätzen. Fehlende Buchungen, falsch gebuchte Lagerort-Transfers, nicht aktualisierte Liefertermine — in vielen ERP-Systemen ist die Datenqualität schlechter als angenommen. Vor der KI-Integration muss eine Datenbereinigung eingeplant werden.

3. Einkäufer nicht in die Validierung einbinden. Das Forecasting-Modell schlägt Bestellmengen vor. Wenn Einkäufer diese nicht verstehen oder ihnen nicht vertrauen, werden sie systematisch übersteuert — und das Modell lernt nichts. Einkäufer müssen das Modell testen, Fehler melden und Abweichungen erklären.

4. Alle 500 Positionen gleichzeitig optimieren. Start mit den Top-20 kritischen Materialien nach Wert × Verbrauch × Ausfallrisiko. Diese 20 bringen 80 % des potenziellen Nutzens und erlauben eine kontrollierte Validierung, bevor alles auf automatische Bestellauslösung umgestellt wird.

Was mit der Einführung wirklich passiert — und was nicht

Der Widerstand kommt oft von erfahrenen Einkäuferinnen: “Ich mache das seit 15 Jahren und weiß, wann ich bestellen muss.” Das stimmt für die Positionen, die sie im Blick haben. Das stimmt nicht für Position 347, die irgendwo in der Stückliste hängt und selten gebraucht wird — bis sie fehlt.

Was oft überrascht: Die Slow-Mover-Analyse in den ersten Wochen zeigt fast immer Positionen, die seit Monaten im Lager liegen und demnächst abgeschrieben werden müssen. Das erzeugt sofortigen Handlungsbedarf — und oft auch etwas Begeisterung für das System.

Was nicht passiert: Das System verhindert alle Engpässe sofort. In den ersten drei Monaten sind Prognosen noch ungenau, Modellkalibrierung läuft. Erst nach 4–6 Monaten Betrieb zeigt sich das volle Potenzial.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unser ERP macht das schon.” Klassisches MRP rechnet deterministisch: Stückliste × geplante Menge = Materialbedarf. Das funktioniert gut bei stabiler Nachfrage. Aber es kennt keine Prognosen, keine Lieferrisiken und keine dynamischen Sicherheitsbestände. KI ergänzt MRP, es ersetzt es nicht.

„Wir haben eine erfahrene Einkäuferin.” Für die erfahrenste Einkäuferin gibt es eine Grenze der Informationen, die sie gleichzeitig im Kopf halten kann. KI schlägt vor, was die Daten zeigen — die Einkäuferin entscheidet, was das Modell nicht wissen kann. Die Kombination ist stärker als jedes allein.

„Wir haben viele Sonderartikel.” Sonderartikel (einmalig, kundenspezifisch) sind schwer zu prognostizieren. Aber in den meisten Betrieben sind das 10–20 % der Positionen. Die restlichen 80 % — Standardmaterialien, Verbrauchsmaterialien — folgen Mustern und lassen sich sehr wohl optimieren.

Woran du merkst, dass das zu dir passt

• Materialengpässe führen mehrmals pro Jahr zu Produktionsverzögerungen oder -stopps.
• Deine Lagerbestände werden mit statischen Sicherheitsbeständen verwaltet, die seit Jahren nicht angepasst wurden.
• Das ERP schlägt Bestellvorschläge vor, aber ein erheblicher Teil wird manuell übersteuert oder nicht freigegeben.
• Du hast mehr als 100 aktive Materialpositionen und bindest mehr als 15 % des Umlaufkapitals im Lager.

Wer noch nicht bereit ist:

• Dein ERP enthält weniger als 12 Monate saubere Verbrauchshistorie.
• Du hast weniger als 50 aktive Materialpositionen — manuell überschaubar, Systemaufwand kaum gerechtfertigt.
• Deine Fertigung ist vollständig auftragsgebunden ohne Lager — kein Bestandsoptimierungspotenzial.

Das kannst du heute noch tun

Exportiere aus deinem ERP eine Liste aller Materialpositionen mit aktueller Lagermenge, durchschnittlichem Monatsverbrauch der letzten 12 Monate und Wiederbeschaffungszeit. Frag ChatGPT: “Analysiere diese Liste und zeige mir: Welche Positionen haben einen Bestand, der mehr als 3 Monatsverbräuche übersteigt? Welche haben weniger als 2 Wochen Reichweite?” Das dauert 20 Minuten und zeigt sofort, wo das größte Optimierungspotenzial liegt.

Quellen & Methodik

• VDMA — Studie “Materialverfügbarkeit und Lagerkosten im deutschen Maschinenbau”, 2023
• Bundesbank — Kapitalkosten und Umlaufkapital-Benchmarks für deutsche Fertigungsunternehmen, 2023
• SAP AG — SAP Integrated Business Planning: Produktdokumentation und Implementierungsleitfäden, Stand April 2026
• Eigene Projekterfahrungen — Materialplanungs-Optimierungen in deutschen Fertigungsbetrieben 2022–2025; Stand April 2026