Die Euphorie rund um sogenannte Agentic AI ist in Einkaufsorganisationen deutlich spürbar. Insbesondere in technisch geprägten Beschaffungsbereichen entsteht der Eindruck, dass autonome KI-Agenten kurz davorstehen, komplexe Prozesse eigenständig zu übernehmen – von der Lieferantenauswahl bis zur Preisbewertung. Doch zwischen Vision und operativer Realität klafft eine Lücke, die weniger mit technologischen Grenzen als mit strukturellen Defiziten in Unternehmen zu tun hat.

Vom Analysewerkzeug zum autonomen Akteur

Der aktuelle Entwicklungsschritt in der KI verschiebt die Rolle von Systemen grundlegend: Weg von unterstützender Analyse („Zeig mir die Daten“) hin zu delegierter Handlung („Erledige die Aufgabe“). Die Unternehmensberatung McKinsey & Company beschreibt diesen Wandel als Übergang zu agentenbasierten Systemen, die eigenständig Entscheidungen vorbereiten, Szenarien durchspielen und Prozesse iterativ optimieren (McKinsey, 2025).

Gerade im technischen Einkauf scheint dieses Potenzial besonders attraktiv. Hier treffen komplexe Anforderungen – etwa aus Konstruktion, Fertigung und Lieferantenmanagement – auf hohe Kostensensibilität. KI-Agenten versprechen, diese Komplexität zu beherrschen und gleichzeitig Geschwindigkeit zu erhöhen.

Die Illusion der funktionierenden Demo

Viele Unternehmen sammeln derzeit erste Erfahrungen mit generativen KI-Systemen wie ChatGPT oder vergleichbaren Modellen. In isolierten Anwendungsfällen liefern diese Systeme beeindruckende Ergebnisse: Sie analysieren technische Beschreibungen, formulieren Inhalte oder strukturieren Informationen.

Doch diese Leistungsfähigkeit führt häufig zu einer Fehleinschätzung. Was im experimentellen Umfeld funktioniert, lässt sich nicht ohne Weiteres in operative Beschaffungsprozesse übertragen. Denn im Einkauf gelten andere Maßstäbe:

• Ergebnisse müssen reproduzierbar sein
• Daten müssen standardisiert und anschlussfähig sein
• Entscheidungen müssen auditierbar und belastbar sein

Plausible Antworten reichen nicht aus, wenn sie nicht konsistent und systemkompatibel sind.

Der eigentliche Engpass: fehlende Datenintegration

Der zentrale Schwachpunkt vieler Agentic-AI-Initiativen liegt nicht in der KI selbst, sondern in der zugrunde liegenden Datenstruktur.

Technischer Einkauf basiert auf einer Vielzahl heterogener Datenquellen:

• CAD- und Konstruktionsdaten
• ERP-Systeme mit Bestell- und Preisinformationen
• PLM-Daten entlang des Produktlebenszyklus
• Lieferanten- und Fertigungswissen

In vielen Unternehmen existieren diese Daten jedoch isoliert, in unterschiedlichen Formaten und ohne einheitliche Semantik. Für KI-Agenten bedeutet das: Sie operieren ohne konsistente Grundlage.

Ohne eine integrierte Datenbasis entstehen typische Probleme:

• uneinheitliche Klassifizierungen
• fehlende Vergleichbarkeit von Bauteilen
• inkonsistente Preisanalysen
• mangelnde Integration in bestehende Systeme

Die Folge: Ergebnisse bleiben fragmentiert und sind im operativen Einsatz kaum nutzbar.

Industrielle Daten als Voraussetzung für Automatisierung

Damit Agentic AI im technischen Einkauf tatsächlich Mehrwert schafft, braucht es eine vorgelagerte Transformation: den Aufbau einer strukturierten industriellen Datenschicht.

Diese muss in der Lage sein:

• Geometrien und Bauteilmerkmale automatisch zu erkennen
• technische Spezifikationen zu standardisieren
• Fertigungsprozesse abzubilden
• Daten aus Engineering und Einkauf systemübergreifend zu verknüpfen

Erst wenn diese Voraussetzungen erfüllt sind, können KI-Agenten ihre Stärke entfalten – nämlich komplexe Entscheidungen auf einer belastbaren Datengrundlage zu treffen.

Leadership statt Technologieproblem

Die Herausforderung ist damit weniger technischer Natur als vielmehr eine Frage der Priorisierung und Steuerung. Laut McKinsey & Company liegt der entscheidende Engpass in vielen Organisationen auf Führungsebene: Datenstrategien, Systemintegration und Prozessharmonisierung werden häufig unterschätzt oder zu spät adressiert (McKinsey, 2025).

Agentic AI erfordert somit ein Umdenken:

• weg von punktuellen Pilotprojekten
• hin zu ganzheitlichen Daten- und Prozessarchitekturen

Zwischen Hype und operativer Realität

Die Zukunft des technischen Einkaufs wird zweifellos durch KI geprägt sein. Eine hybride Arbeitsweise, in der Menschen strategische Entscheidungen treffen und KI-Agenten operative Aufgaben skalieren, gilt als wahrscheinlichstes Szenario.

Doch der Unterschied zwischen funktionierendem System und gescheitertem Projekt liegt nicht in der Leistungsfähigkeit der Modelle, sondern in der Qualität der Datenbasis.

Unternehmen stehen daher vor grundlegenden Fragen:

• Sind unsere Daten strukturiert und konsistent genug für automatisierte Entscheidungen?
• Wie lassen sich Engineering- und Einkaufsdaten sinnvoll verknüpfen?
• Welche Systeme bilden die Grundlage für skalierbare KI-Anwendungen?

Fazit

Agentic AI besitzt das Potenzial, den technischen Einkauf grundlegend zu verändern. Viele aktuelle Initiativen werden jedoch hinter den Erwartungen zurückbleiben – nicht aufgrund mangelnder Technologie, sondern wegen unzureichender Datenintegration und fehlender strategischer Ausrichtung.

Der entscheidende Wettbewerbsvorteil entsteht künftig dort, wo Unternehmen ihre Daten beherrschen, strukturieren und intelligent verknüpfen. Erst auf dieser Basis wird aus einem KI-Experiment ein produktives System.

Quellen: McKinsey & Company (2025): *Redefining procurement performance in the era of agentic AI