KI in der Disposition: Bestände im Griff.

Disposition gehört im Mittelstand zu den unterschätzten Schlüsselrollen. Ein guter Disponent hält die Bestände niedrig, ohne Lieferfähigkeit zu verlieren, kennt die Lieferanten persönlich, weiß, welche Saison welcher Artikel wann hat, und gleicht über Excel und ERP die Lage täglich aus. Wenn diese Erfahrung in den Ruhestand geht — und sie geht in den nächsten Jahren in vielen Unternehmen in den Ruhestand — wird der Nachfolge die Datenbasis fehlen. Genau hier kann KI ansetzen: Nicht um die Disposition zu ersetzen, sondern um ihr Vorschläge zu unterbreiten, die auf einer breiteren und tieferen Datenbasis stehen als das Bauchgefühl eines Einzelnen je könnte. Was dabei sinnvoll ist, was kostet, was zu erwarten ist und wo KI ehrlich an Grenzen stößt, beschreibt dieser Beitrag — mit dem Fokus auf das, was ein mittelständisches Unternehmen ohne Konzern-Tools und Konzern-Daten umsetzen kann.

Was Disposition heute leistet — und woran sie scheitert.

In einem typischen mittelständischen Unternehmen sitzen ein bis fünf Personen in der Disposition, je nach Sortiment und Komplexität. Sie arbeiten meist mit dem ERP-Standard-Dispomodul (oft funktional begrenzt), umfangreichen Excel-Listen und einer Menge Erfahrungswissen, das nirgends dokumentiert ist. Diese Konstellation funktioniert lange erstaunlich gut — aber sie hat strukturelle Schwächen.

Erstens skaliert das Erfahrungswissen schlecht. Wenn ein Sortiment 2.000 Artikel umfasst, kann ein Disponent realistisch nur die wichtigsten 200 bis 400 Artikel aktiv im Kopf haben. Die anderen werden nach festen Regeln behandelt, manchmal zu konservativ (zu viel Lager), manchmal zu knapp (Lieferunfähigkeit). Zweitens reagiert klassische Disposition schlecht auf Sondersituationen — Lieferantenverzug, Markteinbrüche, plötzliche Nachfragesprünge. Drittens ist das Wissen personengebunden — wenn der Disponent geht, geht ein erheblicher Teil der Steuerungskompetenz mit.

KI verspricht hier keine Wunder, aber spürbare Verbesserung: konsistentere Behandlung des gesamten Sortiments, schnellere Reaktion auf Sondersituationen, dokumentierte Entscheidungslogik, die auch bei Personalwechsel erhalten bleibt.

Welche Aufgaben KI in der Disposition übernimmt.

Sinnvoll ist eine Aufteilung in vier Aufgabenfelder, die unterschiedliche Reifegrade haben:

• Bestellmengenvorschläge: Auf Basis von Verbrauchsprognose, Bestand, Lieferzeit, Mindestbestellmenge und Preisstaffeln eine konkrete Mengen-Empfehlung erstellen.
• Sicherheitsbestandsberechnung: Dynamisch je Artikel und Saison statt fester Tagesreichweiten — mit Berücksichtigung von Lieferzuverlässigkeit und Nachfrage-Volatilität.
• Lieferantenauswahl: Bei mehreren möglichen Lieferanten den passenden vorschlagen — unter Berücksichtigung von Preis, Lieferzeit, Qualität, aktueller Liefersituation.
• Ausnahmebehandlung: Auffällige Konstellationen erkennen — Bestand ungewöhnlich hoch, Lieferantenverzug, plötzliche Bedarfsänderung — und gezielt zur menschlichen Prüfung vorlegen.

Realistisch sind in einem typischen Sortiment Verbesserungen der Lagerbestände um 10 bis 25 Prozent bei gleichbleibender oder besserer Lieferfähigkeit, ohne dass der Disponent mehr arbeiten muss — eher weniger, weil die Routine besser läuft und die menschliche Aufmerksamkeit gezielter auf die kritischen Fälle gelenkt wird.

Bestellmengen: mehr als die alte Kennzahlenformel.

Klassische Bestellmengenformeln — Andlersche Formel, EOQ — sind elegant, aber sie unterstellen viele konstante Größen, die in der Realität nicht konstant sind: Nachfrage, Lieferzeit, Bestellkosten, Lagerkosten. Eine KI-gestützte Berechnung kann diese Variabilität explizit modellieren.

Konkret heißt das: Statt einer festen Bestellmenge gibt das System je Bestelltermin eine Empfehlung, die die aktuelle Nachfrageprognose, den geplanten Bestand bei Ankunft, die zuletzt beobachteten Lieferzeiten des Lieferanten, die aktuellen Preisstaffeln und die Mindestbestellmenge zusammenführt. Bei Preisstaffeln wird zusätzlich der Trade-off zwischen Mengenrabatt und Kapitalbindung berechnet.

Wichtig ist die Transparenz: Das System zeigt, warum es welche Menge vorschlägt — welche Annahmen es trifft, welche Bandbreiten gelten. Der Disponent kann den Vorschlag annehmen, anpassen oder zurückweisen. Die Korrekturen sind Lernmaterial für das System und Dokumentation für die Nachfolge.

Sicherheitsbestand: dynamisch statt pauschal.

In vielen Mittelständlern werden Sicherheitsbestände pauschal über Tagesreichweiten oder Prozentaufschläge gesteuert — sieben Tage für A-Teile, vierzehn Tage für B-Teile, dreißig Tage für C-Teile. Diese Pauschalen sind einfach, aber sie sind in den meisten Fällen entweder zu hoch oder zu niedrig.

Eine bessere Logik berücksichtigt drei Faktoren je Artikel: Nachfrage-Volatilität (wie stark schwankt der Verbrauch tatsächlich?), Lieferzuverlässigkeit (wie verlässlich liefert dieser Lieferant zu diesem Artikel?) und Servicegrad (welche Lieferfähigkeit wollen wir mindestens halten?). Aus diesen drei Größen lässt sich ein artikelspezifischer Sicherheitsbestand berechnen, der typischerweise deutlich unter der pauschalen Reichweite liegt — bei stabilen Artikeln und zuverlässigen Lieferanten — und über ihr bei volatilen Artikeln und unzuverlässigen Lieferanten.

Der Effekt: Die Gesamtbestände sinken oft um 15 bis 30 Prozent, die Lieferfähigkeit steigt sogar leicht, weil das Risiko gezielter abgesichert wird statt überall pauschal. Diese Umstellung ist eine der dankbarsten KI-Anwendungen in der Disposition — niedrigriskant, gut messbar, schnell wirksam.

Lieferantenauswahl: mehr als der Preis.

Wenn für einen Artikel mehrere Lieferanten in Frage kommen, ist die Auswahl traditionell preisgetrieben. Das ist verständlich, aber oft kurzsichtig — weil ein günstiger Lieferant mit unzuverlässiger Lieferung oder schwankender Qualität in der Gesamtrechnung teurer wird. Eine KI-gestützte Auswahl kann die Gesamtkosten besser abbilden.

Konkret: Das System bewertet je Bestellvorgang die in Frage kommenden Lieferanten nach Preis, jüngster Lieferperformance (Termin, Menge, Qualität), aktueller Verfügbarkeit und strategischen Vorgaben (Anteilsziele je Lieferant, geografische Verteilung). Daraus ergibt sich eine Empfehlung mit Begründung. Der Disponent entscheidet, das System lernt aus der Entscheidung.

Wichtig ist die ehrliche Behandlung weicher Faktoren. Eine langjährige Lieferantenbeziehung, persönliche Kontakte, Verlässlichkeit in Krisen — das sind reale Faktoren, die ein Algorithmus nicht abbildet. Die KI-Empfehlung sollte deshalb als Vorschlag verstanden werden, nicht als Entscheidung. Wer sie als Entscheidung interpretiert, verschenkt das, was die Disposition strategisch ausmacht.

Warum Mittelständler keine Konzern-Software brauchen.

Die etablierten Großkonzern-Tools — SAP IBP, Oracle, Blue Yonder, o9 — sind mächtig, aber für 50-bis-500-Mitarbeiter-Unternehmen meist überdimensioniert. Lizenzkosten in sechsstelliger Höhe pro Jahr, Implementierungsprojekte über Jahre, Anpassungsbedarf an einen Funktionsumfang, von dem 80 Prozent nie genutzt werden — das ist selten ein guter Match.

Die Alternative ist ein gezielter Eigenbau oder eine spezialisierte Mittelstands-Lösung. Mit modernen Bibliotheken — Python-Stack, Forecasting-Pakete wie Prophet oder Nixtla, fertige Optimierungs-Solver — lässt sich eine maßgeschneiderte Lösung in Wochen aufbauen, die ans bestehende ERP andockt und genau die Funktionalität liefert, die das Unternehmen braucht. Investitionen liegen typischerweise bei 60.000 bis 180.000 Euro für eine erste produktive Version.

Der Vorteil: Die Lösung passt zur Sprache des Unternehmens, zur eigenen ABC-Logik, zu den eigenen Lieferantenkonditionen. Der Nachteil: Sie muss gepflegt werden, sie hat keinen Hersteller-Support im klassischen Sinne, sie ist abhängig von Wissen, das im Unternehmen oder beim Implementierer liegt. Diese Trade-offs sollten ehrlich abgewogen werden.

Was KI in der Disposition nicht leistet.

Drei Bereiche bleiben den Menschen vorbehalten, und das ist gut so. Erstens strategische Entscheidungen: Welchen Lieferanten wollen wir grundsätzlich auf- oder abbauen? Welche Region ist uns wichtig? Welche Bestandsstrategie verfolgen wir? Solche Fragen kann KI nicht beantworten — sie kann nur die Umsetzung der Strategie operativ unterstützen.

Zweitens Krisensituationen: Wenn ein Hauptlieferant ausfällt, wenn ein Markt einbricht, wenn eine politische Lage Lieferketten unterbricht — hier hilft kein Modell, sondern menschliche Einschätzung, Telefonate, Verhandlung. KI kann in solchen Phasen unterstützen, indem sie Auswirkungen sichtbar macht und Alternativen vorrechnet. Entscheiden muss der Mensch.

Drittens der Beziehungsteil der Disposition: Lieferanten anrufen, Sonderkonditionen aushandeln, in Engpässen priorisieren, Vertrauen aufbauen. Das ist Beziehungsarbeit, und sie ist ein wesentlicher Teil dessen, was gute Disposition ausmacht. KI ersetzt das nicht, sondern entlastet von der Routinearbeit, damit für die Beziehungsarbeit mehr Zeit bleibt.

Einstieg, Kosten, realistische Erwartung.

Ein sinnvoller Einstieg fokussiert auf eine Sortimentsgruppe — meist die A-Artikel mit hoher Frequenz und ausreichender Datenhistorie. In zehn bis sechzehn Wochen lässt sich ein Pilot aufsetzen, der Bestellmengenvorschläge, dynamische Sicherheitsbestände und Ausnahmebehandlung für diese Gruppe abdeckt. Lieferantenauswahl kommt in einer zweiten Stufe, weil sie mehr Daten und mehr Vorarbeit braucht.

Investitionen liegen für einen ersten Anwendungsfall im Mittelstand bei 60.000 bis 150.000 Euro, abhängig von der ERP-Anbindung und der Datenqualität. Monatliche Betriebskosten bewegen sich zwischen 1.500 und 4.000 Euro. Der Nutzen entsteht über reduzierte Lagerbestände (10 bis 25 Prozent), bessere Lieferfähigkeit, weniger Sonderbestellungen und entlastete Disponenten. Bei mittleren Lagerbeständen rechnet sich das oft innerhalb von neun bis fünfzehn Monaten.

Was nicht in Wochen kommt, ist die Akzeptanz im Team. Es dauert mehrere Monate, bis die Disposition dem System wirklich vertraut, bis sie versteht, wann sie ihm folgen und wann sie eigenständig entscheiden soll. Diese Lernphase ehrlich einzuplanen und die Disposition als Mitgestalter einzubinden — nicht als Anwender eines fertigen Werkzeugs — ist der wichtigste Erfolgsfaktor.

Sie wollen prüfen, wie viel Lager und Lieferfähigkeit Sie aus einer KI-gestützten Disposition herausholen können — ohne Konzern-Tools einzukaufen? Unverbindlich anfragen — wir schauen gemeinsam auf Sortimentsstruktur, ERP-Anbindung und Datenhistorie und priorisieren einen sinnvollen Pilotbereich.