KI im Einkauf scheitert an Datenqualität und fehlenden Standards

Fast 70 Prozent der mittelständischen Unternehmen planen oder testen den Einsatz von Algorithmen in der Beschaffung, doch nur 6,0 Prozent bewerten ihre Umsetzung als hoch ausgereift. Der Grund für diese Lücke ist nicht die Technologie, sondern das Fundament: Ohne belastbare Daten, klare Prozessstandards und qualifizierte Mitarbeitende entfalten Automatisierung und maschinelles Lernen keine Wirkung. Wer die Beschaffung digitalisieren will, muss zuerst die Stammdaten bereinigen, Insellösungen abschaffen und die Belegverarbeitung standardisieren.

Warum ki im einkauf in der Praxis oft stecken bleibt

Es scheitert an fehlenden Ressourcen, schlechter Datenqualität und unklaren Prozessen. Laut dem Einkaufsbarometer Mittelstand 2026 von Onventis und dem BME nutzen, testen oder planen 69,5 Prozent der befragten Fach- und Führungskräfte den Einsatz von künstlicher Intelligenz. Die Realität sieht jedoch ernüchternd aus: Nur 6,0 Prozent stufen ihren KI-Einsatz als hoch ausgereift ein. Selbst bei der klassischen Automatisierung sehen nur 18,6 Prozent einen hohen Reifegrad. Die Hürden sind struktureller Natur. 64,8 Prozent der Befragten nennen fehlende personelle oder finanzielle Ressourcen als größtes Hindernis. 56,0 Prozent scheitern an der Datenqualität, und 46,2 Prozent bemängeln fehlende Prozessstandards. Zwar haben 60,6 Prozent der Unternehmen Budgets für Technologie- und Digitalisierungsmaßnahmen vorgesehen, doch nur bei 20,5 Prozent sind diese Mittel klar definiert. Das zeigt: Der Wille zur Modernisierung ist da, aber es fehlt an den grundlegenden Voraussetzungen, um Algorithmen sinnvoll mit Informationen zu füttern.

Wo das größte Potenzial für Automatisierung wirklich liegt

Die Rechnungsverarbeitung bietet den größten Hebel für Effizienzgewinne und ist der logische Startpunkt. 95,1 Prozent der Einkaufsverantwortlichen sehen genau hier das größte Automatisierungspotenzial. Ein modernes Doku- und Buchhaltungssystem macht aus einem unstrukturierten Dokumentenarchiv eine weitgehend automatisierte, DATEV-kompatible Buchhaltung. Der Prozess vom Beleg zur Buchung funktioniert dabei ohne Medienbruch. Das System liest Dokumente per OCR und KI-Vision – selbst bei Handschrift – und erstellt einen fertigen Buchungsvorschlag inklusive Konten, Splits und Steuerschlüsseln. Wichtig ist dabei, dass das System nicht auf starren Regeln basiert, sondern aus jeder menschlichen Korrektur lernt. Jede bestätigte oder korrigierte Buchung trainiert die Software, wodurch die Vorschlagsqualität je Kreditor messbar steigt. Ein Sicherheitsnetz aus Regeln, Historie, Machine Learning und Large Language Models sorgt dafür, dass ein Orchestrator dreistufig entscheidet: automatisch, zur Prüfung oder manuell. Nichts wird blind durchgewunken. Das Ergebnis ist eine GoBD-konforme Datenbasis bis zur Zahlung, die es erlaubt, Fragen an das Archiv zu stellen und Antworten in Sekunden mit dem passenden Quellenlink zum Beleg zu erhalten.

Wie belastbare Daten die Beschaffung verändern

Erst wenn Bestände, Preise und Lieferzeiten in einer normalisierten Wahrheit zusammenfließen, kann Software fundierte Entscheidungen für Nachbestellungen treffen. In vielen Betrieben liegen die Daten verstreut: Marktplätze, Shops, ERP-Systeme, Retouren und Bestände sind nicht miteinander verknüpft. Ein zentrales Analyse-Center zieht diese Informationen zusammen und macht sie joinbar. Das beendet den Zustand, in dem eine Zahl in sechs Systemen steht und keine davon stimmt. Auf dieser Basis arbeiten Mensch und Maschine gemeinsam. Das System modelliert das tatsächliche Geschäft, inklusive Mehrjahres-Saisonalität, Lieferanten-Vorlaufzeiten und rückwärts gerechneten Bestell-Deadlines. Daraus entstehen konkrete Empfehlungen mit Begründung für Preise, Nachbestellungen oder Vorordern. Es gilt das Prinzip Approval-First: Nichts feuert ohne menschliche Freigabe. Wenn sich Parameter ändern, melden Audit-Trails und Drift-Detektoren sofort, wenn etwas kippt. Diese Daten fließen direkt in ein Business-Monitoring, das Rohdaten zu einer durchgängigen GuV- und Liquiditätsrechnung zusammenführt. Kostenmodellierung bis zur einzelnen Rechnungszeile – wie Versand-, Provisions- und Lagerkosten – wird versioniert und exakt allokiert. Jede Kennzahl bleibt bis zur Quelle rückverfolgbar und auditierbar.

Welche rechtlichen Vorgaben ab August 2026 gelten

Ab dem 2. August 2026 greifen die Transparenzpflichten des EU AI Act, während die strengen Hochrisiko-Regeln durch eine Gesetzesänderung auf Ende 2027 verschoben wurden. Wer in der Beschaffung Chatbots für Lieferantenanfragen oder Voice-Agenten einsetzt, muss ab diesem Stichtag nach Artikel 50 offenlegen, dass eine Person mit einer Maschine kommuniziert. Die ursprünglich für August 2026 geplanten Pflichten für Hochrisiko-Systeme (Anhang III) wurden durch die Digital-Omnibus-Verordnung auf den 2. Dezember 2027 verschoben. Klassische Anwendungen in der Beschaffung, wie Rechnungsverarbeitung oder Spend Analytics, fallen in der Regel ohnehin nicht unter die Hochrisiko-Klassifizierung. Sollten jedoch Systeme zur automatisierten Bonitätsprüfung von Lieferanten eingesetzt werden, greifen diese verschobenen Fristen. In Deutschland ist für die Überwachung nicht das BSI zuständig, wie oft fälschlich behauptet, sondern laut dem KI-MIG die Bundesnetzagentur.

Wie der Einstieg in die automatisierte Beschaffung gelingt

Der Weg führt über ein sauberes Fundament aus strukturierten Belegen und einer zentralen Datenbasis, nicht über isolierte Pilotprojekte. Die verschiedenen Werkzeuge im Unternehmen benötigen ein gemeinsames Gedächtnis. Jedes Modul muss Prozesse, Verhaltensmuster und Feedback mitschreiben und daraus lernen. Ein übergeordnetes Memory bringt diese Informationen in einer gemeinsamen Wissensbank zusammen. So lassen sich Korrelationen über Werkzeuggrenzen hinweg erkennen – etwa wenn eine Marketingkampagne zu knapper Lagerreichweite führt und rechtzeitig nachbestellt werden muss. Das System meldet Strategiekonflikte, wenn Wissen und Handeln sich widersprechen, und erkennt Wissenslücken selbstständig. Die Führungsebene konfiguriert Prozesse und Regeln nach ihrer Vorstellung top-down, und diese rollen ohne Übersetzungsverluste direkt in die Abteilungen. Nur so wird aus einem theoretischen Plan eine messbare Entlastung im Tagesgeschäft.