KI im Unternehmen

KI im Einkauf & Logistik

Bedarfsprognosen, Disposition, Dokumentenverarbeitung und Retouren: Otto senkte den Lagerbestand mit 90 % Prognosegenauigkeit um 20 %, Zalando reduziert größenbedingte Retouren per KI — die stillen Millionen-Hebel im E-Commerce.

−0 %
Lagerbestand durch KI-Bedarfsprognosen bei 90 % Prognosegenauigkeit auf SKU-Ebene — Millionen automatisierter Bestellentscheidungen pro Jahr (Otto, mit Blue Yonder)
Quelle: Harvard D3 Case Study
Interaktive Datenfluss-Karte

So fließt eine Bestellung durch Einkauf & Lager

Jede Station ist klickbar. Der Durchlauf folgt einem Artikel von der Verkaufsprognose über die Bestellung bis zum Wareneingang — inklusive automatischem Dokumentenabgleich.

Beispiel-Durchlauf: SKU 4711 „Esstisch-Gestell schwarz“ — Abverkauf zieht an
EingangKI-StationSystem/DatenMenschErgebnis

Klicken Sie eine Station an — oder starten Sie den Durchlauf, um das Beispiel live durch die Pipeline zu schicken.

Prozess-Visualisierung

Ein Bestellvorgang im Einkauf

So verändert KI den Ablauf pro Bestellung — Schritt für Schritt, mit realistischen Zeitwerten aus der Praxis.

Manuell (heute)Mit KI-Unterstützung
1
Bedarfsplanung & Disposition
20 min
5 min
ML-Prognose auf Artikelebene (Saison, Wetter, Traffic, Aktionen) schlägt Mengen vor; Mensch prüft nur Ausreißer (Otto-/IKEA-Muster).
2
Bestellung anlegen & Lieferant kontaktieren
25 min
8 min
Auto-Draft aus der Prognose, KI-formulierte Lieferanten-Mails, automatisches Nachfassen bei Terminen.
3
AB, Lieferschein & Rechnung abgleichen
30 min
5 min
KI-Extraktion + 3-Way-Match über alle Dokumente; nur Abweichungen landen beim Menschen (Flexport: Dokumentkosten von 5–10 $ auf Centbeträge).
4
Wareneingang buchen
10 min
4 min
Vorbefüllte Buchung aus dem Dokumentenabgleich — scannen, bestätigen, fertig.
5
Termin- & Mahn-Follow-up vollautomatisch
15 min
3 min
Automatische Lieferterminüberwachung mit KI-generierten Erinnerungen an Lieferanten.
Heute pro Bestellung
1 h 40 min
Mit KI pro Bestellung
25 min
Zeitersparnis
−0 %
Beispielkalkulation

Was heißt das in Euro?

Bewegen Sie die Regler auf Ihre Zahlen — die Rechnung passt sich live an. Basis sind die Prozesszeiten aus der Visualisierung oben.

Bestellungen pro Monat150
Vollkosten-Stundensatz45 €/h
Prozesskosten heute / Jahr135.000 €
Mit KI / Jahr (inkl. Tool- & API-Kosten)38.550 €
Basis: 100 → 25 min pro Bestellvorgang inkl. Dispo-Anteil und Dokumentenabgleich (2–4 Dokumente je Bestellung). Nicht eingerechnet: Kapitalbindung — 10 % Bestandssenkung bei 500.000 € Lagerwert sparen zusätzlich 4.000–6.000 €/Jahr; Retourenreduktion im Fashion-Bereich kommt obendrauf.
Ersparnis pro Jahr
96.450 €
8.038 € pro Monat
Freigespielte Zeit
188 h
pro Monat
Amortisation
1 Mon.
bei 4.000 €–12.000 € Setup
Darin enthalten (pro Jahr): 33.750 € Restaufwand Team, 1.800 € variable KI-Kosten und 3.000 € Tool-Lizenzen — konservativ gerechnet.
Belegte Praxisfälle

Wer macht das schon — und was kam dabei raus?

Keine Marketing-Folien: Jeder Fall stammt von einer echten Firma, mit Jahr, Zahlen und verlinkten Quellen. Fälle mit mindestens zwei unabhängigen Quellen tragen das Badge „kreuzreferenziert“.

Otto (Blue Yonder)2018 kreuzreferenziert

Autonome Disposition: −20 % Bestand bei 90 % Prognosegenauigkeit

Otto prognostiziert Abverkäufe auf SKU-Ebene aus ~200 Einflussfaktoren und löst Nachbestellungen automatisch aus — Millionen Bestellentscheidungen pro Jahr, Lieferzeit für Drittanbieter-Artikel von bis zu 7 auf 1–2 Tage gesenkt.

90 %
Prognosegenauigkeit
−20 %
Bestand
7 → 1–2 Tage
Lieferzeit Drittanbieter
Blue Yonder (probabilistisches ML)
IKEA / Ingka Group2024 kreuzreferenziert

Demand Sensing: bis 98 % Prognosegenauigkeit

IKEA prognostiziert Nachfrage je Artikel und Standort aus Kanal-, Wetter-, Kampagnen- und Marktdaten — globaler Rollout über 450+ Häuser, weniger Stockouts und Überbestände.

bis 98 %
Prognosegenauigkeit
450+ Häuser
Rollout
Blue Yonder Demand Sensing (ML)
Walmart (Pactum AI)2023 kreuzreferenziert

KI verhandelt mit Lieferanten — Ø 3 % Ersparnis

Walmart lässt einen Verhandlungs-Bot Preise und Konditionen mit 2.000+ Tail-Spend-Lieferanten verhandeln: 68 % Einigungsquote, Zahlungsziele +35 Tage — und 75 % der Lieferanten verhandeln lieber mit dem Bot als mit Menschen.

68 %
Einigungsquote
Ø ~3 %
Kostenersparnis
+35 Tage
Zahlungsziele
Pactum (Verhandlungslogik + LLM)
Zalando2024 kreuzreferenziert

KI-Größenberatung senkt Retouren messbar

Zalando reduziert größenbedingte Retouren mit ML-Size-&-Fit, Body-Measurement per Foto und virtueller Anprobe: −10 % bei Artikeln mit KI-Größenhinweis, Virtual-Fitting-Pilot bis −40 %. Bei 20–50 % Retourenquote im Fashion-E-Commerce der direkteste Margen-Hebel.

−10 %
Größenbedingte Retouren
bis −40 %
Virtual-Fitting-Pilot
Eigenes ML + Computer VisionLLM-Assistent (OpenAI-Basis)
Flexport2025 kreuzreferenziert

Fracht- & Zolldokumente: von Dollars auf Cents pro Dokument

Flexport verarbeitet ~15.000 Handelsrechnungen, Packlisten und Frachtbriefe pro Monat automatisch — HS-Zolltarif-Klassifikation mit 97 % Genauigkeit, Dokumentkosten von 5–10 $ auf Centbeträge, 0,2 % Fehlerquote bei US-Zollanmeldungen (Eigenangabe).

15.000/Monat
Dokumente
97 %
HS-Code-Genauigkeit
$ → Cent
Kosten pro Dokument
Scale AI Document AI (OCR + ML)Eigene LLM-Tools
Technologie

Welche Modelle wir dafür einsetzen

GPT-4o (Vision)OpenAI

Dokumentenextraktion aus Lieferscheinen, ABs und Handelsrechnungen inkl. 3-Way-Match-Vorbereitung.

Claude SonnetAnthropic

Lieferantenkommunikation, Retouren-Klassifikation aus Foto + Freitext und Ausnahme-Triage.

Prognose-MLBlue Yonder / eigenes Modell

Klassisches ML für Bedarfs- und Absatzprognosen — der bewährte Kern hinter Otto und IKEA, kombinierbar mit LLM-Workflows.

Wo steckt dieses Potenzial bei Ihnen?

Wir schauen gemeinsam auf Ihre Prozesse im Einkauf & Logistik und rechnen die Kalkulation mit Ihren echten Zahlen — unverbindlich, in 30 Minuten.