Lieferantenbewertung mit KI.

Lieferantenbewertung war im Mittelstand jahrzehntelang ein Nebenthema. Eine kurze Bonitätsabfrage bei wichtigen Lieferanten, eine pauschale Bewertung „A/B/C“ nach Umsatz und gefühlter Verlässlichkeit, ein Vertrag mit Standardklauseln. Diese Praxis ist 2026 nicht mehr ausreichend. Das Lieferkettensorgfaltspflichtengesetz, die kommende EU-Sorgfaltspflichtenrichtlinie, die ESG-Anforderungen großer Kunden und nicht zuletzt die Erfahrungen aus Lieferkettenkrisen seit 2020 haben das Bild verändert. Wer heute Lieferanten nicht systematisch kennt, geht regulatorische, operative und Reputationsrisiken ein, die teuer werden können. KI bietet eine Chance, diese Aufgabe ohne Verdopplung des Einkaufsteams zu bewältigen. Dieser Artikel zeigt, was KI in der Lieferantenbewertung leistet, wo sie an Grenzen stößt und wie ein mittelständisches Unternehmen die Aufgabe pragmatisch angeht.

Warum die alte Lieferantenbewertung nicht mehr reicht.

Das klassische Bild war einfach: Ein Lieferant ist gut, wenn er pünktlich liefert, sauber rechnet und keine Reklamationen produziert. Die Bewertung basierte auf operativen Kennzahlen — Liefertreue, Mängelquote, Reaktionszeit. Risiken wurden mit einer jährlichen Bonitätsabfrage abgedeckt.

Diese Sicht ist heute unvollständig. Erstens gehören regulatorische Anforderungen dazu — Lieferkettengesetz, ESG-Compliance, Datenschutz, AI Act für Lieferanten von KI-Diensten. Zweitens spielen Risiken eine größere Rolle: Geopolitik, Naturkatastrophen, Insolvenzen, Sanktionen. Drittens kommt der Nachhaltigkeitsaspekt hinzu — CO2-Intensität, Wassernutzung, soziale Bedingungen. Eine ganzheitliche Lieferantenbewertung berücksichtigt all diese Dimensionen.

Für einen Mittelständler mit 300 bis 800 Lieferanten ist das mit klassischen Mitteln nicht zu bewältigen. Eine vollständige Bewertung pro Lieferant kostet ohne Werkzeugeinsatz mehrere Tage. Bei 500 Lieferanten und einer jährlichen Re-Bewertung wären das Personalressourcen, die kein mittelständischer Einkauf hat. Genau hier setzt KI an — nicht als magisches Tool, sondern als systematische Entlastung bei der Datensammlung, Strukturierung und Anomalieerkennung.

Die vier Dimensionen einer modernen Lieferantenbewertung.

Bevor KI sinnvoll eingesetzt werden kann, braucht es einen klaren Bewertungsrahmen. In der Praxis hat sich eine Vier-Dimensionen-Struktur bewährt, die ohne übermäßige Komplexität alle relevanten Aspekte abdeckt.

Aus diesen vier Dimensionen entsteht ein Lieferantenprofil, das auf einen Blick zeigt, wo Stärken liegen, wo Risiken bestehen und wo Handlungsbedarf ist. Die Kunst ist nicht, alle vier Dimensionen mit gleicher Tiefe zu erfassen, sondern die Tiefe nach Lieferantenrisiko zu staffeln. Ein kleiner Bürobedarfslieferant braucht nicht dieselbe Tiefe wie ein strategischer Vorlieferant für Schlüsselkomponenten.

Was KI in der Datensammlung leistet.

Die größte Entlastung durch KI liegt in der Datensammlung. Aus drei Bereichen werden Daten zusammengeführt: eigene Systeme, Lieferantenselbstauskünfte, externe Datenquellen.

Bei den eigenen Systemen extrahiert KI Performance-Daten aus ERP, Wareneingang, Reklamationswesen und Zahlungsverkehr. Das ist methodisch unkritisch — die Daten sind verfügbar, müssen nur strukturiert ausgewertet werden. Eine KI-gestützte Analyse identifiziert problematische Lieferanten innerhalb von Minuten, nicht in Tagen wie früher.

Bei Selbstauskünften wird KI zum Workflow-Werkzeug. Sie verschickt strukturierte Fragebögen, mahnt nicht-antwortende Lieferanten an, prüft eingehende Antworten auf Vollständigkeit und Plausibilität, extrahiert die wichtigsten Informationen. Was früher mehrere Personen wochenlang beschäftigte, läuft mit KI weitgehend automatisch — mit definierten Eskalationspfaden, wenn Antworten fehlen oder verdächtig sind.

Externe Datenquellen sind die spannendste Quelle. Bonitätsdaten (Creditreform, Bürgel), Sanktionslisten, Medienberichte, juristische Veröffentlichungen — KI verknüpft diese Quellen mit dem eigenen Lieferantenstamm und meldet relevante Treffer. Wer einen Lieferanten unter neuen Sanktionen oder mit einem laufenden Insolvenzverfahren hat, erfährt das innerhalb von Tagen, nicht erst beim nächsten Audit. Diese frühzeitige Information ist häufig der Unterschied zwischen geordnetem Umsteuern und einer ungeplanten Lieferkrise.

Risikoscoring: pragmatisch statt scheinpräzise.

Aus den gesammelten Daten lässt sich ein Risikoscore berechnen. Hier lauert die Falle, in scheingenaue Zahlen zu verfallen. Eine Bewertung „Lieferant Müller GmbH: 73,4 Punkte“ wirkt präzise, ist aber methodisch fragwürdig — solange unklar ist, wie die Subscores gewichtet wurden, welche Datenqualität dahintersteht und welche Annahmen getroffen sind.

Pragmatischer ist ein abgestuftes Risikoscoring mit klaren Kategorien. Drei bis fünf Stufen reichen meist: unbedenklich, beobachten, Handlungsbedarf, kritisch. Jede Stufe wird mit klaren Konsequenzen verknüpft: Beobachten heißt monatliches Update, Handlungsbedarf heißt Gespräch mit Lieferant, kritisch heißt Alternative aufbauen.

KI liefert die Datenbasis für die Einstufung, ein erfahrener Einkäufer trifft die finale Bewertung. Vollautomatische Risikoscores ohne menschliche Validierung sind im Mittelstand selten sinnvoll — sie führen entweder zu übertriebener Vorsicht (jeder kleine Anlass wird zur Krise) oder zu übersehenen Warnsignalen (Standardalgorithmus erkennt die spezifische Konstellation nicht). Mensch und KI im Tandem ist hier wie an vielen Stellen die produktive Lösung.

Lieferkettengesetz und CSRD: was operativ verlangt wird.

Das deutsche Lieferkettensorgfaltspflichtengesetz (LkSG) verlangt von größeren Unternehmen seit 2023, in ihren Lieferketten Menschenrechts- und Umweltrisiken zu identifizieren und zu minimieren. Die kommende EU-Sorgfaltspflichtenrichtlinie (CSDDD) erweitert diese Pflichten und senkt die Schwellen. Auch mittelständische Unternehmen sind indirekt betroffen, sobald sie an größere Kunden liefern.

Konkret verlangt sind: Eine Risikoanalyse der gesamten Lieferkette, jährlich aktualisiert. Maßnahmen zur Minderung identifizierter Risiken. Beschwerdemechanismen für Betroffene. Berichterstattung über die Maßnahmen. Bei systemischen Verstößen sogar Pflicht zur Beendigung der Geschäftsbeziehung.

KI hilft, diese Pflichten ohne Verdopplung des Personals zu erfüllen. Die Risikoanalyse über alle Lieferanten wird mit Branchen- und Länderdaten angereichert, kritische Lieferanten werden identifiziert, Selbstauskünfte werden strukturiert eingeholt und ausgewertet, Audits werden priorisiert. Wer die Pflichten ohne KI-Unterstützung erfüllen will, braucht entweder mehrere Vollzeit-Stellen im Einkauf oder erhebliches Budget für externe Berater. Mit KI ist das Pensum für einen Mittelständler beherrschbar — wenn die Datenarchitektur stimmt.

Fallstricke aus der Praxis.

Vier wiederkehrende Fehler aus Beratungsprojekten lohnen es, beim Namen zu nennen.

Erstens: Datenarmut bei den eigenen Daten. Wer im ERP Lieferanten dreifach angelegt hat (M. Müller GmbH, Mueller GmbH, Müller Müller&Co. GmbH), bekommt von der KI nur Datenchaos zurück. Eine sauber gepflegte Lieferantenstammdatenbasis ist Voraussetzung — sie zu schaffen ist 60 bis 80 Prozent der Vorarbeit.

Zweitens: Über-Engineering des Bewertungsrahmens. Ein Modell mit 150 Kriterien und sieben Subscores wirkt gründlich, aber niemand pflegt es. Drei bis fünf Dimensionen mit acht bis fünfzehn Schlüsselindikatoren sind in der Praxis tragfähiger als ein Schwergewichtsmodell, das nach sechs Monaten verstaubt.

Drittens: Falscher Glaube an die Vollautomatisierung. KI-gestützte Lieferantenbewertung braucht weiter einen Menschen im Einkauf, der die Ergebnisse interpretiert, mit Lieferanten spricht, Eskalationen entscheidet. Ein vollautomatisches System ohne menschlichen Sparringspartner produziert Reports, die niemand liest.

Viertens: Zu wenig Abstimmung mit Recht und Compliance. Lieferantenbewertung berührt Datenschutz, Vertragsrecht, möglicherweise Kartellrecht. Wer das Tool einkauft, bevor diese Stellen eingebunden sind, riskiert spätere Konflikte mit erheblichem Korrekturaufwand.

Was Geschäftsführer jetzt prüfen sollten.

Vor einer KI-Initiative im Einkauf lohnt sich eine knappe Bestandsaufnahme. Wie viele Lieferanten haben Sie, wie sind sie segmentiert, welche sind strategisch kritisch? Wie aktuell und sauber ist Ihr Lieferantenstammdatensystem? Welche Lieferanteninformationen werden heute systematisch erfasst, welche nicht?

Aus diesen Antworten ergibt sich, ob ein Pilot oder erst eine Vorarbeit nötig ist. Wer mit verlässlicher Datenbasis startet, kann mit überschaubarem Aufwand spürbare Effekte erzielen. Wer ein Datenchaos hat, sollte zuerst aufräumen — sonst produziert das Tool nur teure Reports, die Misstrauen wecken.

Empfehlung für den Start: Drei strategische Lieferanten und zwanzig wichtige Lieferanten in einem Pilot bewerten. Vier Dimensionen, fünf bis acht Indikatoren pro Dimension, klare Risikoeinstufung. Zwölf Wochen Laufzeit, danach Bilanz: Hat die Bewertung Erkenntnisse geliefert, die ohne KI nicht da gewesen wären? Wenn ja, Rollout planen. Wenn nicht, ehrliche Analyse, woran es lag. Wer mit dem Großwurf startet — alle Lieferanten in ein Mega-Tool — landet meist nach einem Jahr in der Frustration. Das Stufenmodell ist die unspektakuläre, aber tragende Alternative.

Sie wollen Ihre Lieferantenbewertung systematisch aufsetzen — ohne in Tool-Komplexität zu kippen? Unverbindlich anfragen — wir schauen gemeinsam auf Lieferantenstruktur, Risikoprofile und ein realistisches Pilotvorgehen.