Der Großhandel ist von jeher eine Branche der Margen, Volumen und logistischen Präzision. Daten stehen dort seit Jahrzehnten im Mittelpunkt — Lagerbestände, Auftragspositionen, Lieferantenpreise, Margenberechnungen. Das erweckt den Eindruck, dass diese Branche einen Vorsprung im Bereich KI haben müsste. Gleichzeitig sind diese Daten oft über Systeme verteilt, die nicht miteinander sprechen: ein ERP-Paket aus früheren Jahren, separate Lagersoftware, ein CRM, das losgelöst von der Rechnungsstellung ist, Tabellen, die die Lücken schließen, die die Systeme offenlassen. Die Menge der Daten ist also kein guter Indikator für die KI-Reife in dieser Branche. Die Struktur, in der diese Daten stehen, ist es hingegen wohl.
Dieser Unterschied ist entscheidend dafür, wie Pilotprojekte verlaufen. Ein Großhändler, der in eine KI-Anwendung für Bedarfsprognosen oder Einkaufsoptimierung investiert, entdeckt häufig, dass das Problem nicht im Modell liegt, sondern in dem, was dem Modell zur Verfügung gestellt wird. Lagerdaten, die nicht zu den Verkaufsdaten passen, Kundensegmentierung, die je Standort unterschiedlich aufgebaut ist, Preisvereinbarungen, die in E-Mail-Verläufen stehen statt in einem System. Der Pilot funktioniert in der Testumgebung und bleibt stecken, sobald er in die Organisation hinein muss.
Großhändler variieren stark in Größe und Organisationsform — von Familienunternehmen mit einer kompakten Struktur bis hin zu großen Distributoren mit mehreren Standorten und einem mehrstufigen Management. Diese Variation wirkt sich auf die KI-Reife aus. Bei kleineren, übersichtlichen Organisationen ist der Abstand zwischen Geschäftsführung und operativer Ebene kurz, was Entscheidungen über Datenmanagement und IT-Infrastruktur beschleunigen kann, sobald man deren Bedeutung erkennt. Bei größeren, dezentralisierten Organisationen verläuft dieser Abstand über mehrere Ebenen, und was in einem Distributionszentrum ein ausgearbeiteter Prozess ist, kann im anderen noch loser Sand sein.
Genau deshalb macht eine Plot-Runde in dieser Branche oft sichtbar, was ein einzelnes Gespräch nicht zeigt. Wenn ein CEO, ein COO, ein CIO und ein Standortleiter unabhängig voneinander dieselben sieben Dimensionen bewerten, zeigt sich regelmäßig, dass die Geschäftsführung die Datenqualität höher einschätzt als die Menschen, die täglich damit arbeiten. Dieser Unterschied ist keine Meinungsverschiedenheit, die gelöst werden muss — er ist eine Information darüber, wo die Organisation tatsächlich steht.
Die sieben Dimensionen der Reifemessung sind in ihrer Reihenfolge nicht gleichwertig. Organisation, IT-Infrastruktur und Datenmanagement sind die fundamentalen Dimensionen: Sie bestimmen, ob es etwas gibt, worauf man aufbauen kann. Dimensionen wie Governance, Fähigkeiten und Kultur sind davon abhängig. Ein Großhändler, der mit KI-gestützter Einkaufsberatung starten möchte, dessen Lagerdaten aber in drei Systemen stehen, die sich widersprechen, fehlt nicht die Ambition, sondern die Grundlage. Das ist keine Frage von mehr Training oder mehr Rückhalt schaffen — das ist eine Datenmanagement-Frage, die zuerst eine Antwort braucht.
Diese Reihenfolge erklärt auch, warum Pilotprojekte im Großhandel oft auf dem Niveau Foundation oder Activation stecken bleiben. Die Organisation hat eine KI-Anwendung angeschafft oder bauen lassen — das ist sichtbar und nachweisbar — aber die Grundlagen, auf denen diese Anwendung eigentlich laufen sollte, wurden nie in Ordnung gebracht. Das Ergebnis ist ein Tool, das neben der Arbeit steht, statt in ihr integriert zu sein.
Die Frage ist nicht, ob Ihr Großhandelsunternehmen im Allgemeinen bereit für KI ist — das ist eine Frage ohne brauchbare Antwort. Die Frage ist, auf welchen der sieben Dimensionen Ihre Organisation solide steht und auf welchen nicht, und ob dieses Bild zwischen den Menschen, die darüber entscheiden, und den Menschen, die damit arbeiten, übereinstimmt. Genau dieser Vergleich ist es, worauf die Reifemessung aufgebaut ist: fünf Stufen, sieben Dimensionen und eine Plot-Runde, die Streuung sichtbar macht statt sie wegzupolieren.
Das Ergebnis unterscheidet sich stark je Unternehmen, auch innerhalb des Großhandels. Manche Herausforderungen, die diese Branche kennt, teilt sie mit dem Transportsektor, wo volumengetriebene Logistik ebenfalls ein organisationsweit stimmiges Datenmanagement erfordert. Andere Übereinstimmungen finden sich bei der verarbeitenden Industrie, wo Produktions- und Lagerprozesse vergleichbare Anforderungen an die IT-Infrastruktur stellen. Und wer mit vielen kleinen, verteilten Kundenbeziehungen handelt, erkennt sich möglicherweise in dem wieder, was im Einzelhandel eine Rolle spielt, wo Daten über Kunden und Transaktionen ebenso wenig automatisch an einem Ort zusammenkommen.
Die Reifemessung von hybridresourcing wird derzeit entwickelt. Wer die Messung durchlaufen möchte, sobald sie verfügbar ist, kann sich auf die Warteliste setzen lassen. Hier wird nichts verkauft, das noch nicht existiert — nur die Möglichkeit, als Erster zu erfahren, wenn es doch existiert.
Diese Messung beantwortet die Frage, ob Ihr Großhandelsunternehmen die Grundlagen hat, um KI zu tragen — die Organisation, die Infrastruktur, das Datenmanagement, auf dem alles Weitere ruht. Sie beantwortet nicht die Frage, welcher Teil der Arbeit in Ihrer Lagerverwaltung, Auftragsabwicklung oder Beschaffung tatsächlich von KI übernommen werden kann. Diese Frage liegt beim Werkscan von FTE TO AI, der pro Aufgabe berechnet, welcher Teil der Arbeit sich dafür eignet. Beide Fragen gehören zusammen, aber in einer festen Reihenfolge: erst wissen, ob der Boden trägt, dann erst, was darauf gebaut werden kann.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.