Nico Elbert & Prof. Dr. Gunther Gust
(Universität Würzburg)

KI ressourcenschonend einsetzen – von der Forschung in die Praxis

Wie Künstliche Intelligenz Bestände optimieren, Kosten senken und Nachhaltigkeit fördern kann

​Spätestens seit dem Erfolg von ChatGPT erlebt das Thema Künstliche Intelligenz (KI) einen regelrechten Hype. Unternehmen aller Branchen drängen auf den Einsatz KI-gestützter Lösungen. Vielen fehlen jedoch das notwendige Know-how und die Ressourcen, um KI gewinnbringend einzusetzen. Ein vielversprechender Ansatz ist es daher, Kräfte zu bündeln und unternehmensübergreifende KI-Lösungen zu entwickeln. Genau daran arbeitet die Forschungsgruppe Data Driven Decisions (D3) der Universität Würzburg im Transferprojekt KI-Regio („Künstliche Intelligenz für regionale Wertschöpfungsketten“).

Owning Your Brand’s Social Community Drives More Shoppers and Sales

Bestandsmanagement als Paradebeispiel

Besonders anschaulich wird ein unternehmensübergreifender Ansatz beim Einsatz von KI beim Thema Bestandsmanagement. Selbst kleine Firmen stehen vor der Herausforderung, Beschaffung, Produktion und Vertrieb von Tausenden von Produkten effizient zu planen und zu steuern. Beispielsweise müssen sie oft täglich entscheiden, ob und wann ein Artikel nachbestellt werden soll. Solche Entscheidungen hängen von präzisen Nachfrageprognosen ab und sind durch zahlreiche Restriktionen geprägt: Mindestbestellmengen, fixe Bestellkosten, feste Liefertage oder begrenzte Lagerkapazitäten. Fehler wirken sich unmittelbar auf die Profitabilität aus: Überbestände binden Kapital, erhöhen Lagerkosten und führen zu Abschreibungen, während Fehlbestände Umsatzverluste nach sich ziehen und das Vertrauen der Kundschaft gefährden. Allein im Handel summierten sich diese Verluste im Jahr 2023 weltweit auf rund 1,6 Billionen Euro.

Unternehmensübergreifendes Basismodell zur Nachfrageprognose

Genau hier setzt der Ansatz der Würzburger Forscher an. Inspiriert von großen Sprachmodellen wie GPT, die einmalig trainiert werden und dann zahlreiche Aufgaben ohne erneutes Training lösen können, wurde ein Basismodell (sog. Foundation Model) für das Bestandsmanagement entwickelt. Statt für jedes Produkt und jedes Unternehmen ein eigenes Prognosemodell aufzubauen, wird ein einziges großes Basismodell vortrainiert. Es verarbeitet betriebswirtschaftlich relevante Daten – etwa Preise, Rabatte oder makroökonomische Indikatoren – und schätzt damit die künftige Nachfrage ab. Der Vorteil: Das Modell kann sein erlerntes Wissen auf neue Produkte und sogar auf neue Unternehmen übertragen. So entsteht eine Art unternehmensübergreifendes Schwarmwissen, das Prognosen auch dort ermöglicht, wo Daten noch lückenhaft oder unsicher sind. Darauf aufbauend lassen sich Bestandsentscheidungen automatisiert und präzise ableiten – ein Ansatz, der Implementierungsaufwand und -kosten für Unternehmen drastisch reduziert und die Planungsqualität zugleich verbessert.

KI kann nicht nur ökonomische, sondern auch ökologische Resilienz in Lieferketten stärken.

Nachhaltigkeit und Effizienz im Einklang

Die Effekte sind messbar: Studien und erste Anwendungen zeigen, dass Bestände um bis zu zehn Prozent reduziert werden können – mit entsprechend weniger gebundenem Kapital und geringerem Flächenbedarf. Gleichzeitig wird die Zahl der Tage mit Fehlmengen bis auf die Hälfte reduziert, wodurch Sondertransporte, Überproduktion und Ausschuss vermieden werden. Die dadurch ermöglichte Automatisierung der Dispositionsprozesse entlastet darüber hinaus die Mitarbeitenden und führt zu einem deutlich verringerten manuellen Planungsaufwand.

Diese Effizienzgewinne übersetzen sich auch in direkte ökologische Vorteile: Weniger Material- und Energieeinsatz, weniger Verschwendung, weniger unnötige Transporte. Damit wird deutlich: KI kann nicht nur ökonomische, sondern auch ökologische Resilienz in Lieferketten stärken.

Agentische KI als Brücke zwischen Modell und Mitarbeiter

Damit KI in der Praxis Wirkung entfalten kann, reicht technische Leistungsfähigkeit allein nicht aus – sie muss auch verstanden und akzeptiert werden. Die Forschungsgruppe D3 arbeitet deshalb daran, wie sich komplexe Modelle durch sog. agentische KI-Systeme transparenter gestalten lassen. Dabei wird die Intelligenz großer Sprachmodelle genutzt, um technische Elemente – etwa verwendete Daten, Modellparameter oder Annahmen – in natürlicher Sprache dem Nutzenden zu beschreiben. Diese Systeme erklären ihre Vorschläge, machen Entscheidungslogiken nachvollziehbar und ermöglichen es Planungsverantwortlichen, eigene Erfahrungen einzubringen. Ziel ist es, Vertrauen in datengetriebene Entscheidungen zu schaffen und den Übergang zu KI-gestützten Prozessen zu erleichtern – gerade in Unternehmen, die bislang wenig Berührung mit Künstlicher Intelligenz hatten.

Von der Forschung zur Gründung: SOLISTIQ

Das Interesse der an KI-Regio beteiligten Unternehmen führte dazu, dass die Forscher die Entwicklung ihres Basismodells über die Laufzeit des Projekts hinaus fortführen. Die beteiligten Unternehmen brachten dabei ihre Anforderungen und Erfahrungen aktiv ein und halfen so, den Ansatz frühzeitig an den realen Bedarf auszurichten. Das derzeit in Gründung befindliche Spin-off SOLISTIQ arbeitet nun daran, die entwickelten Methoden in die Praxis zu überführen und weiteren interessierten Unternehmen kommerziell zugänglich zu machen.

Fazit: KI als Motor für Effizienz und Nachhaltigkeit

Das Projekt KI-Regio aus Würzburg zeigt, wie Forschung und Unternehmenspraxis Hand in Hand gehen und verdeutlicht zudem, dass KI längst mehr ist als ein Hype. KI hilft Unternehmen, zentrale Herausforderungen zu bewältigen – vom Kostendruck über Lieferkettenprobleme bis hin zur Nachhaltigkeit. 

Über das Bestandsmanagement hinaus werden in KI-Regio noch weitere Anwendungen erforscht, wie etwa der Einsatz von Sprachmodellen zur Beschleunigung manueller Prozesse, die filialübergreifende Preisoptimierung im Lebensmitteleinzelhandel oder die Entwicklung dynamischer Stromtarife unter Einbeziehung erneuerbarer Energien. 


Nico Elbert

ist Doktorand am Lehrstuhl für Wirtschaftsinformatik und Business Analytics an der Julius-Maximilians-Universität Würzburg und Mitgründer von SOLISTIQ. In seiner Forschung beschäftigt er sich mit datengetriebener Entscheidungsunterstützung und agentischen KI-Systemen für Planung und Optimierung in Unternehmen.


Prof. Dr. Gunther Gust 

ist Inhaber des Lehrstuhls für Wirtschaftsinformatik und KI im Unternehmen am Center for Artificial Intelligence and Data Science (CAIDAS) und der Wirtschaftswissenschaftlichen Fakultät der Universität Würzburg. Gemeinsam mit vier weiteren Lehrstühlen leitet er die Data Driven Decisions (D3) Forschungsgruppe. 

Hinweis: Weitere Informationen über das Projekt und Kontaktmöglichkeiten finden sich unter www.d3-group.eu und ki-regio.de.

Header © ​Vertigo3d – IStock ID: 2161021408

Digital Trade at a Crossroads
nächster Artikel

Container for the dynamic page

(Will be hidden in the published article)