Gartner: 70 % der Großunternehmen werden bis 2030 KI-gestützte Bedarfsprognose einsetzen

Bedarfsprognose war schon immer die Disziplin, in der Supply-Chain-Planung entweder ihren Wert beweist oder still und leise Marge vernichtet. Stimmt sie, fließt der Bestand reibungslos; stimmt sie nicht, hält man gleichzeitig zu viel des falschen Produkts und läuft beim richtigen aus. Gartners Vorhersage vom September 2025 – dass 70 % der großen Unternehmen bis 2030 KI-basierte Supply-Chain-Prognose eingeführt haben werden – beschreibt die nächsten vier Jahre als eine Phase entscheidender Transition, nicht gradueller Evolution.

Was die Prognose tatsächlich besagt

Die Schlagzeile – 70 % der großen Unternehmen – umfasst Konzerne mit der Dateninfrastruktur und der operativen Größenordnung, die am meisten von ML-Prognosen profitieren. Jan Snoeckx, Director Analyst in Gartners Supply-Chain-Practice, beschrieb das Wertversprechen so: KI-basierte Prognose liefert „verbesserte strategische Entscheidungsfindung, schnellere Reaktionen auf Marktveränderungen und verbesserte Kollaborations-Workflows".

Der Mechanismus ist ein Wechsel von traditionellen statistischen Engines – Zeitreihenverfahren wie ARIMA, exponentielle Glättung und einfache saisonale Zerlegung – zu Machine-Learning-Modellen, die nichtlineare Muster erkennen, externe Signale einbeziehen und kontinuierlich neu trainieren, wenn sich die Bedingungen ändern. Das Ziel ist das, was Gartner „touchless forecasting" nennt: automatisierte Vorhersagen, die weniger menschlichen Eingriff zur Erzeugung erfordern, weniger manuelle Korrekturen benötigen und selbst für neue Produkteinführungen oder Aktionsszenarien mit begrenzten historischen Daten eine konsistente Genauigkeit aufweisen.

Eine parallele Gartner-Prognose vom April 2026 schätzte, dass Supply-Chain-Management-Software mit agentic AI bis 2030 Ausgaben von 53 Milliarden US-Dollar erreichen wird. Zusammengenommen deuten beide Vorhersagen darauf hin, dass KI nicht nur in Planungs-Workflows einzieht, sondern die Ökonomie der gesamten Supply-Chain-Softwareschicht neu strukturiert.

Warum statistische Modelle an ihre Grenzen stoßen

Statistische Prognoseverfahren wurden für stabile Nachfrageumgebungen mit konsistenter Saisonalität und minimalen externen Schocks entwickelt. Diese Beschreibung charakterisiert globale Supply Chains mindestens seit 2020 nicht mehr akkurat. Pandemiebedingte Nachfrageschübe, Umleitungen durch das Rote Meer, Hafenarbeiterstreiks und anhaltende geopolitische Volatilität haben Nachfragesignale erzeugt, die statistische Modelle nur schwer vom Rauschen trennen können.

Machine-Learning-Ansätze gehen damit anders um. Anstatt eine parametrische Kurve an historische Daten anzupassen, können sie unstrukturierte Signale aufnehmen – Nachrichtenstimmung, Wettermuster, Social-Media-Kaufabsicht, Konkurrenzpreise – und diese dynamisch gewichten. Wenn ein Taifun eine Produktionsregion zu treffen droht, kann das Modell die Nachfrageerwartungen für Ersatzprodukte in nachgelagerten Märkten anpassen, ohne dass der Analyst die statistische Engine manuell neu parametrisieren muss.

Auch die Granularitätsverbesserung ist erheblich. Machine-Learning-Modelle können häufigere Prognosen auf feinerer Produkt- und geografischer Auflösung erstellen als traditionelle Verfahren, sodass Planungsteams frühe Nachfrageverschiebungen auf SKU- und Postleitzahlebene erkennen können, anstatt auf monatliche Aggregatsignale zu warten.

Die von Gartner identifizierten Adoptionshürden

Gartner ist explizit: Trotz der positiven Schlagzeile ist die Adoption heute noch begrenzt. Drei strukturelle Barrieren dominieren:

• Unvollständige Daten: ML-Modelle benötigen saubere, umfassende, konsistent formatierte historische Daten über SKUs, Kanäle und Geografien. Viele Konzerne haben jahrelange ERP-Daten, die von Lücken, Umklassifizierungen und Systemmigationen durchzogen sind.
• Fehlende Strategie: Den Einsatz eines ML-Prognosetools ohne einen begleitenden Data-Governance- und Change-Management-Plan durchzuführen, führt in der Regel zu einem ausgefeilten Modell, dem niemand vertraut.
• Widerstand gegen Automatisierung: Erfahrene Demand Planner, die ihre Karrieren um manuelle Prognoseanpassungen aufgebaut haben, sind verständlicherweise skeptisch gegenüber Systemen, die behaupten, ihre Arbeit ohne ihre Mitwirkung zu erledigen. Die Herausforderung besteht darin, eine Mensch-KI-Kollaboration zu gestalten, die das Urteilsvermögen der Planer ergänzt statt übergeht.

Gartners empfohlener Weg nach vorne umfasst drei sequenzierte Schritte: aktuelle Kollaborationsprozesse bewerten und identifizieren, wo manuelle Eingriffe eher Rauschen als Signal hinzufügen; eine Datenstrategie aufbauen, die sowohl interne Transaktionsdaten als auch externe Marktsignale einbezieht; und eine Technologie-Roadmap entwickeln, die KI-basierte Prognose schrittweise neben – statt als vollständigen Ersatz für – die bestehende Planungsinfrastruktur integriert.

Was 70 % Adoption bis 2030 für Visibility-Teams bedeutet

Die Implikationen für Sendungs-Visibility-Teams sind nachrangig, aber erheblich. Bessere Bedarfsprognosen bedeuten vorhersehbarere Bestellvolumina, die sich in vorhersehbarere eingehende Versandpläne übersetzen. Wenn Einkauf und Planung auf KI-generierten Bedarfssignalen arbeiten, werden das Volumen und der Zeitplan von Seefrachtbuchungen weniger erratisch – was Last-Minute-Expressbuchungen, Schiffsrollierungen bei Spitzenbelastung und den Ausnahmenbehandlungsaufwand reduziert, der operative Teams bindet.

Die Kehrseite ist, dass Visibility-Plattformen Bedarfsprognosesysteme mit genauen Meilensteindaten versorgen müssen. Wenn ein KI-Prognosemodell aus historischen Verkaufsmustern lernt, die Auslieferungsverzögerungen enthalten, werden seine Vorhersagen die Kundennachfrage systematisch unterschätzen – indem es verzögerte Lieferung mit reduzierter Nachfrage verwechselt. Saubere, carrier-normalisierte Meilensteindaten, die von Visibility-Tools in Planungssysteme zurückfließen, ermöglichen es der Prognoseschicht, zwischen einem Nachfragesignal und einer Angebotsunterbrechung zu unterscheiden.

Die Konvergenz von Prognose und Visibility

Der von Gartner beschriebene 2030-Horizont ist nicht einfach eine Prognosegeschichte. Es ist eine Integrationsgeschichte: KI-basiertes Demand Sensing verbindet sich vorgelagert mit Supply- und Logistikausführung, und diese Verbindung hängt von der Qualität der Echtzeit-Betriebsdaten ab, die diese Systeme produzieren. Unternehmen, die in beide Schichten investieren – genaue Bedarfssignale und genaue Sendungszustandssignale – bauen eine Planungsinfrastruktur auf, die wirklich adaptiv ist statt in Isolation ausgereift.

Für Verlader und 3PLs, die über mehrere Reedereien und Handelsrouten hinweg operieren, ist der praktische Einstiegspunkt eine Visibility-Plattform, die konsistente, zeitgestempelte Meilensteindaten über das gesamte Carrier-Netzwerk produziert. Diese Daten, in eine Bedarfsprognoseschicht eingespeist, schließen den Kreis zwischen dem, was Kunden bestellen, und dem, was tatsächlich bewegt wird – und machen die von Gartner beschriebenen 70 % Adoption weniger zu einer Vorhersage als zu einer Basiserwartung.

Quelle: Gartner