Bedarfsbündelung im Einkauf die KI sichtbar macht.

In fast jedem Unternehmen ab einer gewissen Größe wird mehr Geld ausgegeben, als die Einkaufsabteilung tatsächlich steuert. Der Grund ist selten böser Wille, sondern verstreuter Bedarf: Drei Abteilungen bestellen dasselbe Produkt bei drei Lieferanten, niemand verhandelt einen Mengenrabatt, und kleine Einzelbestellungen am Einkauf vorbei — sogenanntes Maverick Buying — summieren sich zu beträchtlichen Beträgen. Das Problem ist nicht, dass diese Einkäufe stattfinden, sondern dass sie unsichtbar bleiben. Wer nicht weiß, dass er einen Artikel hundertfach in Kleinmengen kauft, kann auch keinen Rahmenvertrag dafür aushandeln. Genau hier setzt KI an: Sie durchforstet Bestell- und Kreditorendaten nach Mustern, erkennt identische Artikel unter unterschiedlichen Bezeichnungen, deckt Maverick-Buys auf und macht so bündelbare Bedarfe und konkrete Verhandlungshebel sichtbar. Dieser Beitrag zeigt, wie eine solche Spend-Analyse praktisch funktioniert, welche Einsparungen realistisch sind, woran die Datenqualität die Sache bremst und wo der Mensch die Schlüsse ziehen muss.

Warum Einsparpotenzial im Verborgenen liegt.

Das Kernproblem ist die Fragmentierung. In einem gewachsenen Unternehmen verteilt sich das Beschaffungsvolumen über viele Kostenstellen, Abteilungen und Standorte. Jeder bestellt für sich, und solange das einzelne Geschäft klein ist, fällt niemandem auf, dass in Summe ein erheblicher Hebel ungenutzt bleibt.

Drei Muster kosten besonders viel Geld. Erstens dezentraler Mehrfacheinkauf: Derselbe Artikel wird von mehreren Stellen bei verschiedenen Lieferanten zu verschiedenen Preisen gekauft, ohne dass jemand das Gesamtvolumen bündelt. Zweitens Maverick Buying: Einkäufe, die am etablierten Beschaffungsweg vorbeilaufen — schnell beim bekannten Lieferanten bestellt, statt über den Rahmenvertrag. Drittens Preisstreuung: Für denselben Artikel werden je nach Besteller und Zeitpunkt unterschiedliche Preise gezahlt, ohne dass das auffällt.

Diese Muster sind in den Daten vorhanden — in Bestellungen, Rechnungen, Kreditorenbuchungen. Aber sie sind über tausende Belege verstreut und unter uneinheitlichen Bezeichnungen versteckt. Sie von Hand zu finden, ist praktisch unmöglich. Genau das ist die Aufgabe, für die sich KI eignet: Muster in großen, unordentlichen Datenmengen sichtbar machen.

Das eigentliche Problem: Klassifizierung der Ausgaben.

Bevor man Bedarfe bündeln kann, muss man wissen, was überhaupt gekauft wurde. Und genau hier liegt die größte Hürde: Dieselbe Schraube heißt bei einem Lieferanten "Sechskantschraube M8x40 verzinkt", bei einem anderen "HX-Bolt 8mm", in der dritten Bestellung nur "Schraube lt. Muster". Für einen Menschen ist das offensichtlich dasselbe Teil — für ein starres System sind es drei verschiedene Dinge.

Die Kernleistung einer KI-gestützten Spend-Analyse ist deshalb die Klassifizierung und Vereinheitlichung. Über Textverständnis ordnet das System Bestellpositionen einheitlichen Warengruppen zu und erkennt, dass unterschiedlich benannte Artikel in Wahrheit identisch oder zumindest substituierbar sind. Erst auf dieser bereinigten Basis lässt sich das wahre Volumen je Warengruppe und je Artikel berechnen.

Diese Klassifizierung ist nie perfekt. Mehrdeutige oder lückenhafte Beschreibungen führen zu Fehlzuordnungen, und gerade bei technischen Artikeln können kleine Spezifikationsunterschiede (ein anderes Material, eine andere Toleranz) den vermeintlich gleichen Artikel ungleich machen. Ein gutes System gibt deshalb für jede Zuordnung eine Sicherheit an und legt die unsicheren Fälle dem Einkäufer zur Bestätigung vor, statt sie stillschweigend zu bündeln.

Vom Muster zum Verhandlungshebel.

Ist die Datenbasis bereinigt, werden die Hebel sichtbar. Die Analyse beantwortet Fragen, die vorher niemand stellen konnte:

Der Wert liegt in der Konkretheit. Statt der allgemeinen Aussage "wir sollten besser einkaufen" entsteht eine priorisierte Liste: Diese fünf Warengruppen bergen das größte Potenzial, hier sind die Zahlen, mit diesen Lieferanten lohnt das Gespräch. Das verschiebt die Verhandlungsmacht spürbar — der Einkäufer geht mit belegtem Gesamtvolumen ins Gespräch statt mit dem Bauchgefühl, dass "da was gehen müsste".

Welche Einsparungen realistisch sind.

Bei den Zahlen ist Nüchternheit angebracht, denn hier wird in Beratungsangeboten gern übertrieben. Das realisierbare Einsparpotenzial hängt stark davon ab, wie fragmentiert der Einkauf bisher war und wie viel schon konsolidiert ist.

Eine ehrliche Bandbreite: Auf das analysierte, bündelbare Volumen lassen sich durch Konsolidierung und Nachverhandlung typischerweise 3 bis 10 Prozent einsparen — in besonders zersplitterten Bereichen auch mehr, in bereits gut verhandelten Warengruppen deutlich weniger oder gar nichts. Entscheidend ist, dass sich diese Prozente immer nur auf den Teil des Volumens beziehen, der tatsächlich bündelbar und neu verhandelbar ist, nicht auf die Gesamtausgaben.

Wichtig ist auch der Zeithorizont. Die Analyse liefert die Erkenntnisse in Wochen — die Einsparung entsteht erst, wenn Verträge neu verhandelt, Lieferanten konsolidiert und Prozesse umgestellt sind. Das dauert Monate und erfordert, dass die Organisation mitzieht. Wer die Analyse als Selbstläufer missversteht, sieht die Zahlen, hebt aber das Potenzial nie. Die Spend-Analyse ist der Anfang der Arbeit, nicht ihr Ergebnis.

Datenqualität als Nadelöhr.

Keine Analyse ist besser als die Daten, auf denen sie beruht — und Einkaufsdaten sind oft unordentlich. Freitext-Bestellpositionen ohne Artikelnummer, fehlende Mengen- oder Einheitsangaben, uneinheitliche Lieferantenstammdaten mit Dubletten, gemischte Währungen: All das erschwert die Auswertung und erzeugt Unschärfe.

Realistisch ist, dass ein erheblicher Teil der Projektzeit nicht in die KI, sondern in die Datenaufbereitung fließt. Das ist keine Schwäche des Ansatzes, sondern die Natur der Sache. Die gute Nachricht: Diese Aufbereitung ist nicht verloren, sondern verbessert die Stammdatenqualität dauerhaft — ein Nebennutzen, der über die einmalige Analyse hinaus wirkt.

Für den Einstieg empfiehlt es sich, mit den Bereichen zu beginnen, deren Daten am besten strukturiert sind — etwa indirektem Material mit sauberen Artikelnummern. Dort liefert die Analyse schnell belastbare Ergebnisse und schafft Vertrauen, bevor man sich an die schwierigeren, freitextlastigen Bereiche wagt. Wer umgekehrt mit dem chaotischsten Datenbestand startet, riskiert, dass das Projekt im Aufräumen stecken bleibt, bevor es einen ersten Erfolg vorweisen kann.

Wo die Analyse in die Irre führen kann.

Eine Spend-Analyse zeigt Korrelationen und Volumina — sie kennt aber nicht die Gründe hinter den Einkaufsentscheidungen. Das birgt die Gefahr falscher Schlüsse, wenn man die Zahlen ohne Fachkenntnis liest.

Drei Fallstricke sind typisch. Erstens die Scheinbündelung: Zwei Artikel sehen in der Beschreibung gleich aus, unterscheiden sich aber in einer kritischen Spezifikation — Material, Norm, Toleranz. Wer sie zusammenlegt, kauft am Bedarf vorbei. Zweitens der übersehene Grund für mehrere Lieferanten: Manchmal ist die scheinbar ineffiziente Streuung auf zwei Lieferanten eine bewusste Risikostreuung gegen Lieferausfall. Eine Konsolidierung auf einen Lieferanten spart Geld und erhöht zugleich das Versorgungsrisiko. Drittens die vergessenen Wechselkosten: Ein Lieferantenwechsel verursacht Aufwand für Qualifizierung, Musterprüfung und Umstellung, der die rechnerische Ersparnis auffressen kann.

Deshalb ist die KI hier ein Werkzeug zur Aufdeckung, nicht zur Entscheidung. Sie sagt, wo es sich zu schauen lohnt. Ob ein Hebel tatsächlich gezogen werden sollte, beurteilt der Einkäufer mit Kenntnis von Qualität, Versorgungssicherheit und Lieferantenbeziehung. Die besten Ergebnisse entstehen, wenn Datenanalyse und Einkaufserfahrung zusammenkommen.

Einstieg, Aufwand und nachhaltige Verankerung.

Ein pragmatischer Einstieg ist eine einmalige Spend-Analyse auf den Daten der letzten ein bis zwei Jahre, fokussiert auf einen gut dokumentierten Ausgabenbereich. So lässt sich in wenigen Wochen zeigen, welche Potenziale konkret im Datenbestand stecken — und ob die Datenlage trägt.

Für eine solche erstmalige Analyse im Mittelstand sind grob 20.000 bis 60.000 Euro realistisch, abhängig von Datenmenge und -qualität. Der größere Wert entsteht aber, wenn die Analyse nicht einmalig bleibt, sondern als laufende Spend-Visibility verankert wird: Dann werden neue Maverick-Buys früh sichtbar, und die Bündelung wird zur Routine statt zum Projekt. Hierfür ist die Integration in das Beschaffungssystem sinnvoll, damit die Auswertung mit aktuellen Daten mitläuft.

Die ehrliche Erwartung: KI macht Ausgaben sichtbar und priorisiert Hebel — sie verhandelt nicht und stellt keine Prozesse um. Der wirtschaftliche Erfolg entsteht in der Umsetzung durch den Einkauf. Unternehmen, die diese Arbeit konsequent angehen, holen aus zersplitterten Einkäufen oft einen Hebel, der die Analysekosten deutlich übersteigt. Wer bei der reinen Erkenntnis stehen bleibt, hat schöne Charts und nichts gespart.

Sie vermuten, dass in Ihren verstreuten Einkäufen ungehobenes Einsparpotenzial steckt, sehen es aber nicht in den Zahlen? Unverbindlich anfragen — wir schauen gemeinsam auf Ihre Bestell- und Kreditorendaten, prüfen die Datenlage und zeigen an einem Ausgabenbereich, welche bündelbaren Hebel konkret vorhanden sind.