Lieferketten-Intelligence: Echtzeit-Planung 2026

Pexon Consulting | 8 Min. Lesezeit | 02.07.2026

TL;DR

Lieferketten-Intelligence führt Produktions-, ERP-, Sensor- und Lieferantendaten in einer Plattform zusammen und macht sie in Echtzeit auswertbar — statt mit Reports von gestern zu planen. Pexon Consulting baut diese Datenschicht auf Azure als 6-Wochen-Pilot. Ergebnis in unseren Projekten: stabilere Abrufe, ruhigere Produktionsplanung und messbar weniger gebundenes Working Capital.

Das Problem: Sie planen mit Daten von gestern

Die meisten Produktionsplaner arbeiten mit Zahlen, die schon veraltet sind, wenn sie im Report ankommen. Der Bestand steht im ERP, die Maschinenlaufzeiten im MES, die Abrufe des Kunden in einer EDI-Mailbox, die Lieferantenzusagen in einem Excel-Anhang. Nichts davon spricht miteinander. Wenn ein Lieferant zwei Tage zu spät liefert, merkt es die Planung oft erst, wenn die Linie steht.

Das ist teuer. Störungen in der Lieferkette kosten Unternehmen im Schnitt 5 bis 10 Prozent des Jahresumsatzes — Zahlen, die in aktuellen Branchenauswertungen für 2024 durchgängig auftauchen. Und nur rund 6 Prozent der Unternehmen haben nach eigener Einschätzung volle End-to-End-Transparenz über ihre Kette. Der Rest fährt auf Sicht und puffert das fehlende Wissen mit Sicherheitsbeständen ab.

Genau dieser Puffer ist das Geld, das nirgends arbeitet. Die Hackett Group beziffert das global in überschüssigen Lagerbeständen gebundene Working Capital auf rund 1,7 Billionen US-Dollar — ein großer Teil davon liegt dort, weil den Unternehmen die Echtzeitdaten fehlen, um Bestände mit Vertrauen statt mit Angst zu setzen.

Was Lieferketten-Intelligence konkret bedeutet

Lieferketten-Intelligence heißt: eine Datenschicht, die Bestände, Abrufe, Maschinenzustände und Lieferantensignale zusammenführt und daraus in Echtzeit Handlungsempfehlungen ableitet. Nicht ein weiteres Dashboard, sondern ein System, das erkennt, dass die Elektronik-Lieferung wackelt, bevor der Bandabschnitt betroffen ist — und den Planer aktiv anstößt.

In der Branche kursiert dafür seit den 2026er-Trendberichten der Begriff der „lebenden“ Lieferkette: ein Netzwerk, das auf Abweichungen reagiert, bevor sie im klassischen Report sichtbar werden, und Produktions- wie Finanzplanung im Wochen- oder Tagesrhythmus nachzieht statt im Quartal. Parallel kommt Just-in-Time zurück — der Supply Chain Stability Index für 2024 zeigt, dass Unternehmen die „Just-in-Case“-Lager der Krisenjahre wieder abbauen, sobald sie die Datenbasis haben, es sich zu trauen.

Unsere Position dazu ist deutlich: Ohne saubere Echtzeit-Datenschicht ist jedes KI-Planungstool Kosmetik. Wer einen Agenten auf inkonsistente ERP-Stände loslässt, bekommt schnelleren Unsinn, keine bessere Planung. Die Reihenfolge ist Datenplattform zuerst, Intelligenz danach.

Vom Abrufsignal bis zum Working Capital: die vier Hebel

Lieferketten-Intelligence zahlt auf vier konkrete Hebel ein, die IT und Business gleichermaßen interessieren. Das ist der Zangenangriff: Der Planer will Ruhe, der CFO will Working Capital, und beide bekommen sie aus derselben Datenschicht.

Abrufstabilität ist der Einstiegspunkt, den die meisten unterschätzen. Wenn der Kundenabruf, die eigene Kapazität und der Lieferantenstatus in einem System liegen, sieht die Planung Schwankungen kommen, statt sie zu erleiden.

Bei der geplanten Instandhaltung ist die Datenlage besonders klar: Vorausschauende Wartung senkt ungeplante Ausfälle laut McKinsey-Analysen um 30 bis 50 Prozent und verlängert die Anlagenlebensdauer um 20 bis 40 Prozent. Wichtig ist die Ehrlichkeit dabei — das funktioniert nur mit Sensordaten, die auch wirklich fließen. Wo die Maschine keine Zustandsdaten liefert, ist Predictive Maintenance ein Versprechen ohne Substanz.

Wie wir das technisch bauen

Kurz gesagt: eine Datenplattform als Fundament, MCP als Anbindung an die Quellsysteme, ein Agent als Auswertungs-Schicht. Wir setzen die Plattform auf Azure auf — ERP, MES und Lieferanten-Feeds landen in einer AI-ready Datenschicht, die wir als Microsoft-Fabric-Piloten risikoarm starten. Erst wenn die Stände konsistent sind, kommt die Intelligenz obendrauf.

Die Anbindung ans ERP läuft über das Model Context Protocol, damit der Agent strukturiert auf Bestände, Abrufe und Plandaten zugreift, statt sich durch Screenscraping zu quälen. Wie eine Sprachabfrage direkt auf SAP-Daten in der Praxis aussieht, zeigt unser Beitrag zu SAP-Daten per MCP in Copilot Studio.

# Abrufsignal gegen Bestand und Lieferzusage prüfen (vereinfacht)
def bewerte_abruf(material: str, abruf_menge: int) -> dict:
    bestand = mcp.query("erp", f"bestand:{material}")
    lieferung = mcp.query("erp", f"offene_bestellung:{material}")
    reichweite = (bestand + lieferung.menge) - abruf_menge
    if reichweite < 0:
        kontext = mcp.query("mes", f"kapazitaet:{material}")
        # Agent formuliert die Handlungsempfehlung, kein Blind-Alarm
        return llm.invoke(modell="claude-sonnet-4-6",
                          prompt=engpass_prompt(material, reichweite, kontext))
    return {"status": "ok", "reichweite_tage": reichweite}

Der Agent schlägt nicht blind Alarm, sondern liefert eine begründete Empfehlung: umplanen, Lieferant nachfassen oder Bestand aus einem anderen Werk ziehen. Die Entscheidung bleibt beim Planer — das System liefert die Vorarbeit, die heute Stunden frisst. Datenqualität ist dabei kein Nebenaspekt, sondern der Kern; wie wir sie in Fabric absichern, steht im Beitrag zum Data Quality Agent.

Was ein Pilot kostet und bringt

Der harte Business-Case liegt im Working Capital, nicht in der Technik. Ein Rechenbeispiel aus unserer Projektpraxis: Ein Mittelständler mit 50 Mio. Euro gebundenem Vorratsvermögen, der über bessere Bestandssteuerung 15 Prozent freisetzt, holt 7,5 Mio. Euro Liquidität zurück — einmalig freigesetzt, dann als dauerhaft niedrigeres Bestandsniveau. Gegen diesen Hebel ist ein Pilotbudget im niedrigen sechsstelligen Bereich eine Randnotiz.

Wir starten bewusst schmal: ein Werk, eine Materialgruppe, die vier Hebel oben. Nach sechs Wochen steht die Datenschicht mit einem produktiven Use-Case — nicht ein Foliensatz, sondern ein laufendes System, an dem sich der Nutzen messen lässt. Skaliert wird erst, wenn der erste Case trägt.

Unsere klare Empfehlung: Fangen Sie nicht mit dem Konzern-weiten Datensee an. Das ist der teure Weg, auf dem Projekte zwei Jahre später ohne Ergebnis versanden. Ein enger erster Case, der Working Capital freisetzt, finanziert die Skalierung von selbst.

Zur Prognosegenauigkeit noch eine Einordnung: Anbieter werben mit Sprüngen von rund 65 auf über 90 Prozent. Solche Zahlen gelten unter Idealbedingungen — nehmen Sie sie als Richtung, nicht als Zusage. Der belastbare Effekt in unseren Projekten kommt aus den vier Hebeln oben, nicht aus einem einzelnen Prognosewert.

Häufig gestellte Fragen

Was kostet ein Lieferketten-Intelligence-Pilot?

Ein 6-Wochen-Pilot mit einem Werk, einer Materialgruppe und der Datenschicht liegt im niedrigen sechsstelligen Bereich zum Festpreis. Der Umfang ist bewusst eng geschnitten, damit das Aufwandsrisiko bei uns liegt und nicht bei Ihnen. Die Skalierung wird separat kalkuliert, wenn der erste Case trägt.

Lieferketten-Intelligence oder klassisches Advanced Planning System (APS) — was ist der Unterschied?

Ein APS optimiert die Planung innerhalb bekannter Grenzen und braucht saubere Stammdaten. Lieferketten-Intelligence sitzt eine Ebene darunter: Sie schafft erst die konsistente Echtzeit-Datenschicht über ERP, MES und Lieferanten, auf der ein APS überhaupt gute Entscheidungen treffen kann. In der Praxis ergänzen sich beide — das eine ist das Fundament, das andere die Planungslogik.

Brauchen wir dafür SAP oder geht das auch mit anderem ERP?

Beides. Wir binden SAP über MCP an, aber die Datenschicht ist quellsystem-agnostisch — Infor, Microsoft Dynamics, ein Alt-ERP oder ein MES lassen sich genauso anschließen. Entscheidend ist nicht das ERP, sondern ob die Systeme ihre Daten sauber und in ausreichender Frequenz herausgeben.

Wie schnell sehen wir einen Effekt auf das Working Capital?

Den Datentransparenz-Effekt sehen Sie innerhalb der sechs Wochen. Die spürbare Bestandsreduktion braucht länger, weil Bestände über Wiederbeschaffungszyklen abgebaut werden — realistisch zwei bis vier Quartale bis zur vollen Freisetzung, abhängig von Ihren Beschaffungszeiten.

Ist das DSGVO-konform, wenn Lieferanten- und Produktionsdaten in eine Plattform fließen?

Ja. Wir bauen die Plattform auf Azure in europäischen Rechenzentren, mit Zugriffskontrolle auf Datenebene. Da es überwiegend um Maschinen-, Bestands- und Auftragsdaten geht, ist der Personenbezug ohnehin gering — die kritischeren Themen sind Geschäftsgeheimnis und Lieferanten-Vertraulichkeit, die wir über Mandantentrennung und Rollenkonzepte absichern.

Nächster Schritt

Ein Pilot beginnt nicht mit einem großen Datenprojekt, sondern mit einem engen ersten Use-Case, der Working Capital freisetzt. Genau das setzen wir in sechs Wochen um.

Verwandte Themen