Das Potenzial von Large Language Models (LLMs) und Foundation Models in der Supply Chain

Texte verfassen oder überarbeiten, Informationen zusammenfassen und neuer Ansätze oder innovative Ideen entwickeln sind die drei häufigsten Anwendungsbereiche von ChatGPT. Die Quelle dafür ist recht zuverlässig: die eigene Plattform von OpenAI.

Über diese allgemeinen Aufgaben hinaus haben viele solche Prompts vermutlich bereits im Arbeitsalltag genutzt. Tatsächlich lassen sich ChatGPT und ähnliche Systeme jedoch auch für deutlich spezifischere Anwendungsfälle einsetzen. In diesem Artikel betrachten wir, wie grundlegende KI-Systeme, einschließlich Large Language Models (LLMs) wie ChatGPT, im Supply Chain Management eingesetzt werden können.

Was sind Large Language Models (LLMs)?

Large Language Models (LLMs) sind eine spezielle Form grundlegender KI-Modelle. Sie werden mit enormen Mengen an Textdaten trainiert und verfolgen nicht das Ziel, eine einzelne, spezifische Aufgabe zu lösen, sondern ein allgemeines Sprachverständnis zu erlernen, das in unterschiedlichen Kontexten eingesetzt werden kann.

Dank dieses Trainings sind LLMs in der Lage, Texte zu verfassen, Informationen zusammenzufassen, komplexe Fragen zu beantworten, aus unstrukturierten Daten zu schlussfolgern und technische Konzepte verständlich aufzubereiten. Tools wie ChatGPT sind ein klares Beispiel für diesen Ansatz: ein einziges Modell, das sehr unterschiedliche Aufgaben bewältigen kann, ohne für jede einzelne neu trainiert werden zu müssen.

Vorteile von KI in der Lieferkette

Ein LLM ist besonders stark im Umgang mit natürlicher Sprache. In der Supply Chain birgt dies enormes Potenzial, vor allem in Verbindung mit bestehenden Systemen wie ERP-, WMS-, TMS- oder Data Warehouse-Lösungen.

Das Potenzial von LLMs in der Supply Chain liegt dabei nicht darin, direkt Optimierungen vorzunehmen, eine Aufgabe, für die sie derzeit weder ausreichend zuverlässig noch präzise genug sind. Vielmehr unterstützen LLMs Mitarbeiter:innen dabei, besser mit bestehenden Planungssystemen zu interagieren, deren Ergebnisse zu verstehen und schneller sowie fundierter Entscheidungen zu treffen.

Im Folgenden werden die wichtigsten Vorteile betrachtet.

Vereinfachung komplexer Planungssysteme

Moderne Planungslösungen haben sich als wirksam erwiesen, um Kosten zu senken, Servicelevels zu verbessern und Bestände zu optimieren. Entscheidend ist jedoch, dass der Mehrwert solcher Systeme im Alltag nicht nur in der Berechnung optimaler Lösungen liegt, sondern auch darin, dass diese Ergebnisse verständlich sind und Vertrauen schaffen.

In vielen Unternehmen entsteht genau hier die Lücke. Die Optimierungsplattform berechnet Ergebnisse, doch die Teams, die damit arbeiten, stehen diesen skeptisch gegenüber. Das führt zu Rückfragen, deren Klärung Stunden oder sogar Tage dauern kann, zu einer Abhängigkeit von technischen Spezialisten für vergleichsweise einfache Fragestellungen und zu einem anhaltenden Gefühl von: „Ich verstehe nicht, warum das System diese Entscheidung getroffen hat.“

Hier übernehmen LLMs, eine neue Rolle: Sie werden zu einer Schnittstelle für Interaktion und Übersetzung zwischen Menschen und Planungssystemen, besonders wenn komplexe Entscheidungen dahinterstehen (Restriktionen, Abhängigkeiten, Szenarien, Prioritäten usw.).

In der Lieferkette gibt es die folgenden immer wiederkehrende Fragen:

• Warum haben diesen Auftrag über diesem Lieferanten (und nicht von einem anderen) abgewickelt?
• Was passiert, wenn die Nachfrage in diesem Bereich um 10 % steigt?
• Können wir die Anzahl der Lieferanten aus Qualitäts- oder Risikogründen begrenzen?
• Welche Auswirkungen hätte die Sperrung einer bestimmten Transportroute?
• Welche SKU verursacht die meisten Lieferengpässe und warum?

Diese Fragen verlangen nach klaren Antworten, doch um sie zu beantworten, muss man oft Parameter überprüfen, Tabellen konsultieren, Berechnungen durchführen, Szenarien simulieren. In vielen Unternehmen bedeutet das: ein Ticket eröffnen, auf einen Analysten warten, eine technische Assistenz konsultieren, die Berechnung wiederholen, was zu einem erheblichen Verlust an Flexibilität bei der Entscheidungsfindung führt.

In diesem beschriebenen Bereich erweisen sich LLMs als sehr nützliche Werkzeuge. Sie sind nicht als Ersatz für die mathematische Engine gedacht, sondern dienen als intelligente Schnittstelle, um auf deren Ergebnisse zuzugreifen, sie zu erklären und zu erkunden.

Zeitreihenprognosen

Auch im Bereich Zeitreihenprognose gewinnt Künstliche zunehmend an Bedeutung. Dabei kommen nicht LLMs, sondern sogenannte Time Series Foundation Models zum Einsatz. Indem sie mit großen Mengen historischer Daten trainiert werden, können sie allgemeine Muster erkennen und rasch Prognosen beispielsweise für intermittierende Nachfrage, saisonaler Muster und einmaliger Ereignisse erstellen.

In Zukunft könnte ein Planer historische Absatzdaten zusammen mit ergänzenden Kontextinformationen in das System einspeisen und im Gegenzug eine Prognose erhalten: ergänzt durch verständliche Erklärungen, Leistungskennzahlen und konkrete Empfehlungen zur Optimierung. Mit solchen Modellen kann ein qualitativ hochwertiger Forecasting-Prozess mit minimalem Aufwand und ohne tiefgehendes technisches Know-how umgesetzt werden.

Entscheidungen treffen und „Was wäre, wenn“-Szenarien analysieren

Hierbei geht es nicht mehr ausschließlich um LLMs, sondern um sogenannte Decision Foundation Models. Diese KI-Systeme gehen über reine Zeitreihenprognosen hinaus und können auch für komplexere Entscheidungsprobleme eingesetzt werden. Durch ein vorheriges Training kann das Modell verschiedene Arten von Entscheidungen mit minimalem Anpassungsaufwand bewältigen.

In diesem Kontext interpretiert das System bei einer „Was wäre, wenn“-Fragestellung die Absicht der nutzenden Person (z. B. „diesen Lieferanten sperren“ oder „diese Produktionsstätte begrenzen“), startet das entsprechende Szenario und vergleicht die Ergebnisse mit dem aktuellen Plan. Anschließend werden die Auswirkungen verständlich erklärt.

Der zentrale Vorteil: Es ist kein tiefes mathematisches Verständnis erforderlich. Für die Business-Perspektive reichen in der Regel klare Aussagen wie „Kosten steigen/sinken“, „Servicelevel wird beeinträchtigt“, „Risiken entstehen“, „Lasten verschieben sich“ oder „keine realistische Lösung verfügbar“.

Verteilte Informationen zugänglich machen

Ein weiteres Problem besteht darin, dass Supply-Chain-Daten in Silos gespeichert sind: Tabellen, Berichte, Dashboards, verschiedene Tools, unterschiedliche Nomenklaturen und Fragen erfordern oft den Abgleich mehrerer Quellen. Ein LLM kann als Orchestrator für Abfragen fungieren: nicht, weil es die Daten „kennt“, sondern weil es sie von den richtigen Systemen anfordern und eine schlüssige Antwort zusammenstellen kann.

Risiken beim Einsatz von KI in der Lieferkette

Wenn Sie LLMs in Ihren Lieferkettenprozessen einsetzen möchten, sollten zwei wichtige Herausforderungen bedenken:

1. Datenschutz
2. Sensible Daten

Der sinnvollste Ansatz ist, die Daten nicht einfach in das Modell zu laden. Stattdessen fungiert das LLM als Ebene für Schlussfolgerungen und Sprache, während die Daten und Berechnungen in Ihren internen Systemen verbleiben (Datenbanken, Solver usw.).

In der Lieferkette ist eine falsche Antwort kein harmloser Fehler: sie kann Geld, Service und/oder den Ruf der Marke kosten. Daher lautet die empfohlene Vorgehensweise nicht „das LLM fragen und vertrauen“, sondern vielmehr:

1. Das LLM schlägt die Aktion vor (Abfrage, Szenario, Einschränkung).
2. Das System validiert sie (Regeln, Berechtigungen, Prüfungen).
3. Die Supply-Chain-Management-Plattform berechnet sie.
4. Das LLM erklärt das Ergebnis.

Die Auswirkungen von LLMs auf Supply-Chain-Teams

Aus operativer Sicht erleichtern sinnvoll integrierte LLM-gestützte Planungsassistenten die tägliche Arbeit:

• Mehr Autonomie für die planende Person, um Szenarien durchzuspielen, ohne Abhängigkeit von IT oder Analytics
• Weniger interne Reibung, da Entscheidungen und deren Hintergründe leichter verständlich werden
• Schnellere Entscheidungen bei Änderungen (Nachfrage, Kapazität, Lieferanten, Transport)
• Höhere Akzeptanz von Planungssystemen: Was verstanden wird, wird genutzt und was genutzt wird, schafft echten Mehrwert

Fazit: Wenn Planung verstanden wird, entsteht echter Mehrwert

In der Supply Chain besteht eine der größten Herausforderungen nicht nur darin, die richtige Lösung zu berechnen, sondern diese auch in eine Entscheidung zu übersetzen, die im Unternehmen verstanden, akzeptiert und umgesetzt wird.

Aus dieser Perspektive liegt der Mehrwert von LLMs nicht darin, den Plan zu erstellen oder bestehende Optimierungssysteme zu ersetzen. Vielmehr bringen sie moderne Supply-Chain-Planungsplattformen näher an die Menschen heran, die täglich Entscheidungen treffen. Als zusätzliche Interpretations- und Dialogschicht ermöglichen sie es, Szenarien zu analysieren, Entscheidungslogiken nachvollziehbar zu machen und die Brücke zwischen komplexen Modellen und operativer Realität zu schlagen.

Wenn die nächste Entwicklungsstufe der Supply Chain darin besteht, die Lücke zwischen datengetriebener Planung und operativer Entscheidungsfindung zu schließen, dann sind LLMs, sinnvoll integriert und mit leistungsfähigen Planungstools verknüpft, ein entscheidender Baustein auf diesem Weg.