Leadership Insights
Den Großteil der letzten zwei Jahre habe ich nicht damit verbracht, KI zu entwickeln. Ich habe Daten bereinigt.
Wir skalierten damals unsere Track & Trace-Plattform. Ich hatte erwartet, dass die eigentliche Arbeit in der KI-Schicht liegen würde – in den Modellen, Algorithmen, der Optimierung. Das stimmte nicht. Rund 80 % des Aufwands flossen in etwas weit weniger Glamouröses: das Datenfundament. Fehler bereinigen. Inkonsistenzen beheben. Betriebssignale erfassen, die bis dahin schlicht nicht aufgezeichnet wurden.
Spannend war das nicht. Aber notwendig. Denn bevor man Intelligenz aufbauen kann, müssen die Daten stimmen.
Diese Erfahrung macht inzwischen die ganze Branche. Immer klarer zeigt sich: Die meisten KI-Initiativen scheitern nicht an unzureichenden Modellen, sondern an unzuverlässigen Daten. Neuere Untersuchungen liefern dazu ernüchternde Zahlen: Bis zu 95 % der GenAI-Initiativen in der Lieferkette haben keinen dauerhaften ROI erzielt. Nicht wegen der Modelle. Sondern wegen fragmentierter Daten, isolierter Systeme und manueller Workflows.
Die KI hat nicht versagt. Die Daten-Governance schon.
Was die Modelle nicht reparieren können
Es gibt eine verlockende Annahme: Bessere Modelle gleichen schlechte Daten aus. In der Praxis ist es genau umgekehrt. KI-Systeme sind hervorragend darin, Antworten zu generieren, die absolut sicher klingen – auch wenn sie auf unvollständigen oder falschen Eingaben basieren.
In der Lieferkette ist das kein rein technisches Problem. Es ist ein betriebliches.
In den meisten Umgebungen fließen Daten nicht sauber. Sie stecken in isolierten Systemen: ein Lagerverwaltungssystem hier, eine Etikettierungsplattform dort, ERP-Aktualisierungen, die der Realität hinterherlaufen. Wer darauf KI aufsetzt, schafft keine Klarheit – sondern skaliert die Unklarheit.
Im großen Maßstab ist eine falsche Antwort oft schädlicher als gar keine. Unternehmen, die echte Ergebnisse erzielen, haben die Reihenfolge umgedreht. Sie haben nicht mit KI angefangen. Sie haben damit angefangen, zu reparieren, wie Daten entstehen, erfasst und verknüpft werden.
Wo die echten Daten leben
Eine der am häufigsten übersehenen Datenquellen in der Lieferkette ist gleichzeitig eine der allgegenwärtigsten: das Etikett. Jedes Mal, wenn eines gedruckt oder gescannt wird, entstehen echte Informationen. Identität. Standort. Bewegung. Status. Keine abstrakten Datenpunkte, sondern betriebliche Fakten, in Echtzeit erfasst, während Produkte durch Produktion, Vertrieb und Auftragsabwicklung laufen.
Mit der Zeit fügen sich diese Ereignisse zu einer lückenlosen Historie auf Artikelebene zusammen. Das ist ein echter digitaler Zwilling: kein statischer Datensatz, keine Lieferantenerklärung, sondern ein lebendiger Zeitstrahl, der zeigt, was an jedem Schritt passiert ist. Aufgebaut durch Tausende kleiner, konsistenter Momente der Datenerfassung.
Das entsteht nicht über Nacht. Aber es wird zu einem dauerhaften Vorteil – einem Daten-Asset, das Wettbewerber nicht so leicht replizieren können.
Der externe Druck verstärkt das. GS1 Sunrise 2027, FDA-Vorgaben zur Nachverfolgbarkeit, digitale Produktpässe in der EU – all das zwingt Unternehmen, Datenintegrität ernster zu nehmen. Der Zeitstrahl ist keine theoretische Idee mehr.
Aber Compliance ist nur der Auslöser. Der eigentliche Wert liegt in dem, was diese Daten ermöglichen – sobald man ihnen vertrauen kann.
Von sauberen Daten zu echten Ergebnissen
Steht das Datenfundament, werden die Anwendungsfälle greifbar. Anomalien lassen sich früh erkennen, bevor Störungen sich durchs Netzwerk ziehen. Leistungsmuster von Lieferanten werden sichtbar, die in einem statischen Bericht nie aufgetaucht wären. Und aus reaktiver Bestandsverwaltung wird prädiktive Positionierung.
Selbst kleine Verbesserungen zählen. Fehlbestände allein verursachen in vielen Unternehmen schätzungsweise 4 bis 7 % Umsatzverlust pro Jahr. Kein Modellierungsproblem. Ein Sichtbarkeitsproblem, das in der Datenqualität wurzelt. Genau hier setzt die nächste Entwicklung an.
Agentische KI – koordinierte Mehragentensysteme, die über Edge- und Cloud-Umgebungen hinweg agieren – entwickelt sich zur nächsten Grenze. Diese Systeme sind noch stärker auf saubere, konsistente Eingaben angewiesen als alles bisher Dagewesene. Sie analysieren Daten nicht nur. Sie handeln auf ihrer Grundlage. Das erhöht den Einsatz erheblich.
Eine Frage, die man sich stellen sollte
Bevor Unternehmen in KI investieren, lohnt sich eine einfache Frage: Würden Sie der Ausgabe vertrauen, wenn Sie Ihre aktuellen Betriebsdaten heute in ein Modell einspeisen würden? Wenn die Antwort „Nein“ lautet – kein Problem. Das ist kein Misserfolg. Es ist ein Ausgangspunkt.
Die Unternehmen, die echten Wert aus KI ziehen, haben nicht auf bessere Modelle gewartet. Sie haben die schwierigere Arbeit zuerst erledigt: ein Datenfundament aufgebaut, das trägt, was danach kommt. Alles andere baut darauf auf.
—
Gus Rivera ist Chief Technology Officer bei Seagull Software und verfügt über mehr als 20 Jahre Erfahrung im Aufbau von Unternehmen, Teams und Cloud-nativen Softwareprodukten. Er ist der Hauptarchitekt der Track & Trace-Plattform zur Artikel- und Bestandsverfolgung. Außerdem leitete er das Software-Engineering-, Cloudops- und Support-Team von Seagull.
