KI im Einkauf: Wer die Architektur falsch setzt, skaliert seine Probleme
Arbeitsvolumina wachsen, Teams bleiben gleich – und Technologie soll die Lücke schließen. Laut Einkaufsbarometer Mittelstand 2026 nutzen, testen oder planen knapp 70 Prozent der Unternehmen KI im Einkauf. Die operative Realität ist nüchterner: Nur 6 Prozent bewerten ihren KI-Einsatz als hoch ausgereift. Damit wird sichtbar: Der Engpass liegt nicht allein bei der Technologie. Entscheidend ist, ob KI im Einkauf auf Strukturen trifft, die verlässliche Ergebnisse überhaupt möglich machen. Die Antwort liegt in der Datenarchitektur – konkret in der Qualität der Systemverknüpfung: ob Einkaufsprozesse im ERP-Kern laufen oder außerhalb davon.
Key Take-Aways
- KI im Einkauf bezeichnet den Einsatz von KI-Funktionen in Einkaufsprozessen — von der Angebotsanalyse bis zum Lieferantenscoring. Ob diese Funktionen produktiv eingesetzt werden können, hängt nicht vom Tool ab, sondern von der Datenarchitektur darunter.
- Die meisten Einkaufsorganisationen haben keine Datenlücke, sondern ein Isolationsproblem: Daten entstehen getrennt im ERP, im Postfach, in der Tabelle – und KI kann damit nicht zuverlässig arbeiten.
- KI soll oft lösen, wo regelbasierte Automation nicht greifen kann – dabei brauchen beide dieselbe Grundlage: strukturierte Prozesse und konsistente Daten.
Warum KI-Projekte in der Pilot-Phase steckenbleiben
Der Druck ist da – und die Antwort der Branche auch: Tools kaufen, implementieren, loslegen. Das Problem liegt selten vor der Einführung. Aufwände für Lizenzen und Implementierung sind kalkulierbar, der Nutzen klingt überzeugend. Das Risiko zeigt sich danach – wenn KI ohne klaren Anwendungsbezug und ohne belastbare Datenbasis läuft. Proof-of-Concept folgt auf Proof-of-Concept, der Übergang in den produktiven Betrieb ist langsam. Woran liegt das?
Die vier häufigsten Gründe, was KI im Einkauf bremst:
➡️ KI ohne Unternehmenskontext: Komplexität ohne Mehrwert
KI wird oft als universelle Antwort behandelt und besonders dort, wo regelbasierte Automation an die Grenzen stößt. Die Erwartung: KI schafft, was Automation nicht konnte. Was dabei übersehen wird: Beide brauchen dieselbe Grundlage – strukturierte Prozesse und konsistente Daten. Sind diese nicht vorhanden, scheitert Automation. Und KI wird dasselbe Problem haben, nur mit höherem Aufwand und höheren Erwartungen.
➡️ Zu hohe Erwartungen, zu früh: Grenzen der Automatisierung
Automation reduziert manuelle Tätigkeiten, verkürzt Durchlaufzeiten, senkt operative Aufwände. Die deutlichsten Effizienzgewinne entstehen in stark standardisierten Procure-to-Pay-Prozessen. Hier ist KI bereits produktiv im Einsatz – etwa bei der automatischen Rechnungsprüfung oder der Bestellauslösung bei C-Artikeln.
Doch der vollständig autonome Einkauf bleibt ein Zukunftsszenario. Der Grund liegt in der Struktur vieler Beschaffungsentscheidungen. Während transaktionsbasierte Prozesse klaren Regeln folgen, erfordert der strategische Einkauf komplexe Abwägungen zwischen Preis, Risiko, Qualität und Lieferfähigkeit. Entscheidend dafür ist ein belastbarer Prozesskontext.
Auch automatisierte Entscheidungsmodelle kommen ohne konsistente Datenbasis nicht weit – Datenqualität bleibt der zentrale Engpass. KI braucht definierte Abläufe als Eingabe. Wo Ausschreibungen per E-Mail laufen und Vergabeentscheidungen im Postfach entstehen, hat KI keinen Prozess, auf den sie aufsetzen kann — nur Dokumente.
➡️ Das eigentliche Problem: Datenisolation statt Datenlücke
Die meisten Einkaufsorganisationen haben keine Datenlücke – sie haben ein Isolationsproblem. Datenisolation bedeutet: Die Daten sind meist vorhanden, aber verteilt: ERP, Tabelle, Drittsystem. KI kann verteilte Daten nicht zuverlässig zusammenführen — das ist Aufgabe der Architektur, nicht des Modells.
Was aktuelle Studien zu KI im Einkauf dazu zeigen, ist aufschlussreich, weil sie unterschiedliche Ursachen beschreiben und trotzdem am selben Punkt ankommen.
- Im Umfeld größerer Organisationen zeigt der ProcureCon CPO Report 2026 (GEP) ein aufschlussreiches Bild: Datenschutz und Compliance stehen mit 67 Prozent an erster Stelle – noch vor Datenqualität und System-Integration (54%). Für größere Organisationen steht nicht die Datenqualität an erster Stelle, sondern der regulatorische Rahmen — ohne den KI-Einführung rechtlich und organisatorisch nicht abgesichert ist.
- Im Mittelstand sieht die Wahrnehmung anders aus: Laut Einkaufsbarometer Mittelstand 2026 (Oventis, BME, ESB Business School) steht fehlende Datenqualität mit 56,0 Prozent weit oben, aber an erster Stelle stehen fehlende Ressourcen (64,8%). Hier bremst nicht Systemkomplexität, sondern fehlende Kapazität für die Grundlagenarbeit, die KI erst möglich macht.
Die Barrieren sind verschieden, aber das Ergebnis ist dasselbe: KI kann ihr Potenzial nicht entfalten, solange Compliance, Datenstruktur und Systemarchitektur nicht als Einheit gedacht werden. KI-Datenqualität ist kein Projekt — sie ist eine Eigenschaft der Datenarchitektur und damit entscheidend für KI-Readiness.
KI-Readiness: Die gängigen Ansätze und ihre Grenzen
„KI-Readiness“ ist in der Branche ein vieldiskutierter Begriff. Gemeint ist die Fähigkeit einer Einkaufsorganisation, KI-Funktionen produktiv zu betreiben. Auf der strukturellen Ebene lassen sich vier gängige Ansätze aus der Studienlage identifizieren.
Vier gängige Ansätze für KI-Readiness im Einkauf
| Ansatz | Kern | Unsere Einschätzung |
|---|---|---|
| Datenpflege und Governance | Klassische Beratungslogik mit Data-Governance-Programmen, Master-Data-Management-Projekten und Bereinigung von Stammdaten. | Zeitaufwendig, teuer und behandelt vor allem Symptome, nicht die Ursache. |
| Plattform-Konsolidierung außerhalb des ERP | Alle Prozesse werden in eine externe Suite verlagert mit gemeinsamer Datenhaltung innerhalb dieser Plattform. | Das eigene Datenmodell liegt außerhalb des ERP-Kerns. Synchronisationsaufwand und Medienbrüche zwischen Systemen bleiben bestehen. |
| Data Lakes / KI-Layer | Daten aus verschiedenen Quellen werden aggregiert und mit KI ausgewertet — ein modernerer Ansatz mit mehr analytischer Tiefe. | Aggregiert Daten aus verschiedenen Quellen — erfordert aber zusätzliche Governance-Prozesse für Datenqualität, die wiederum Zeit und Ressourcen binden. |
| Prozess-Intelligence + Agenten | Betriebssystem mit Echtzeit-Transparenz über Spend, Supplier Performance und Risiken, kombiniert mit aktiven Agenten, die Daten direkt in den Workflow zurückführen. | Setzt voraus, dass die Kerndaten bereits strukturiert sind, also dass es ein gemeinsames Datenmodell an der Quelle gibt. |
Alle vier Ansätze haben eines gemeinsam: Sie versuchen, das Datenproblem nachträglich zu lösen – durch Pflege, durch Verlagerung, durch Aggregation oder durch intelligente Überlagerung. Und alle folgen derselben Beratungslogik: erst das Problem identifizieren, dann die passende Technologie wählen. Das greift zu kurz, weil es letztlich nicht darum geht, welches Tool auf welches Problem passt, sondern wo im System die Daten überhaupt entstehen.
Ein Markt im Wandel – eine Neuordnung
Fabian Kittel von der amc Group beschreibt im BIP eSolutions Report 2026 eine klare Marktbewegung: weg von isolierten Suiten, hin zu Plattformen mit gemeinsamem Datenmodell. Konnektoren verbinden Systeme, KI-Layer übernehmen Prozesse ohne aufwendige Implementierung – das Frontend verliert an Bedeutung.
Architektur, Implementierung und Nutzung ändern sich grundlegend: KI stellt das klassische Einführungsmodell von Procurement-Lösungen infrage. Denn statt der Standard-Setups prüfen Unternehmen, ob sie Systeme über KI-Layer verbinden, die die Prozesse im Hintergrund steuern, skizziert der Beitrag „Einkauf ohne Frontend: Wie KI das eProcurement neu ordnet“.
Der Kern dahinter:
Entscheidend ist nicht mehr die Oberfläche, sondern wer Daten kontinuierlich verfügbar macht und Zusammenhänge erkennt.
Die Qualität der Systemverknüpfung entscheidet, und das auch ohne aufwändige Implementierung.
KI-Funktionen und -Agenten werden zunehmend zum Standard. Was den Unterschied macht, ist nicht das Tool – sondern ob seine Ergebnisse im richtigen Prozesskontext interpretiert werden können: bestehende Vertragsbeziehungen, strategische Lieferantenrollen, interne Freigabeprozesse, Warengruppenstrategien. Genau diese Faktoren bestimmen die Qualität einer Einkaufsentscheidung. Dieser Kontext entsteht nicht im Analyse-Tool – er steckt im ERP.
SAP-nativ: Datenarchitektur als Fundament für KI
SAP-natives Sourcing bezeichnet den Ansatz, Einkaufsprozesse direkt im SAP-Kern zu betreiben – ohne externe Plattform, ohne Datensynchronisation, auf Basis eines gemeinsamen Datenmodells. SAP bildet dabei nicht nur Transaktionen ab, sondern den gesamten Kontext, in dem Einkaufsentscheidungen getroffen werden: Bedarfe, Materialstammdaten, Lieferantenbeziehungen, Verträge, Freigaben, Bestellhistorie.
Was das in der Praxis bedeutet:
✴️ Keine Datenmigration, keine Synchronisation. Stammdaten, Lieferantenstruktur, Bestellhistorie – alles liegt bereits im System. Kein separater Import, kein Abgleich zwischen Plattformen.
✴️ Datenqualität als Prozessergebnis der Datenarchitektur. Jede Ausschreibung, jeder Angebotsvergleich, jede Vergabe erzeugt strukturierte Daten automatisch – nicht als Nebenprojekt, sondern als natürliches Ergebnis des Prozessschritts.
✴️ KI-Readiness – SAP-nativ. SAP-native KI im Einkauf bezeichnet den Ansatz, KI-Funktionen direkt im SAP-Kern zu betreiben – ohne externe Plattform, ohne Datensynchronisation, auf Basis des gemeinsamen SAP-Datenmodells. Der Unterschied zu externen KI-Layern: Die KI-Datenqualität entsteht nicht durch nachträgliche Bereinigung, sondern als strukturelles Ergebnis des Prozesses selbst.
FUTURA Smart setzt diesen Ansatz um: strategisches Sourcing SAP-nativ, ohne separate Plattform, ohne Integrationsaufwand. Wenn Sie sehen wollen, wie das in Ihrer SAP-Landschaft konkret aussieht – wir zeigen es Ihnen live.
Fazit: Der Vorteil entsteht vor dem KI-Tool
Der eigentliche Wettbewerbsvorteil entsteht nicht durch die Fähigkeit, Daten auszuwerten. Er entsteht durch die Fähigkeit, Unternehmenskontext zu verstehen – und diesen Kontext in bessere Entscheidungen zu übersetzen.
KI-Funktionen entwickeln sich mit hoher Geschwindigkeit zum Standard: Angebotsanalysen, Risikobewertungen, Lieferantenscoring werden zunehmend in jeder Plattform verfügbar sein. Was einzigartig bleibt, ist der Kontext eines Unternehmens – seine Lieferantenbeziehungen, Freigabelogiken, strategischen Prioritäten.
Wie sich Procurement Intelligence weiterentwickelt, zeichnet sich bereits ab: Nicht mehr einzelne Funktionen werden automatisiert, sondern ganze Entscheidungsprozesse – von der Bedarfsmeldung bis zur Vergabe. KI übernimmt dabei nicht die Analyse allein, sondern wird zum aktiven Teil des Prozesses. Wer diesen Schritt gehen will, braucht kein besseres KI-Tool – sondern die richtige Architektur darunter.
➡️ Dieser Artikel ist Teil einer Serie zur Systemarchitektur im Einkauf. Den ersten Teil finden Sie hier: Sourcing-Prozesse im Einkauf: Wo Fragmentierung zur Bremse wird.
KI braucht das richtige Fundament. Wir zeigen, wie SAP-natives Sourcing die Datenbasis schafft — strukturiert und KI-ready.
