Agentisches Replenishment und was es wirklich braucht

Kaum ein Prozess im Handel eignet sich so gut für KI-Agenten wie die Nachbestellung. Sie läuft täglich, folgt Regeln und frisst Zeit. Ein Agent, der Bestellvorschläge selbst auslöst, entlastet die Disposition vom ersten Tag an. Trotzdem schaffen es viele Nachbestell-Agenten nie aus dem Test in den Alltag. Sie überzeugen in der Vorführung, dann übernimmt wieder ein Mensch.

Dieser Beitrag zeigt, woran das liegt. Er geht die Datenkette hinter einer Bestellentscheidung entlang, benennt die Stelle, an der es in der Praxis am häufigsten reißt, und endet mit fünf Fragen, mit denen Sie Ihr eigenes Haus prüfen können. Ohne Fragebogen, ohne Berater, an einem Nachmittag.

Warum eignet sich ausgerechnet die Nachbestellung für KI-Agenten?

Die Nachbestellung erfüllt alle drei Bedingungen für einen lohnenden Agenten-Einsatz: Sie ist häufig, sie folgt Regeln, und ihr Ergebnis ist messbar. Diese Kombination ist im Handel selten. Viele Prozesse sind häufig, aber regellos. Andere folgen Regeln, kommen aber nur einmal im Quartal vor.

Replenishment heißt: Ware nachbestellen, bevor das Regal oder das Lager leer ist. Heute entscheidet das ein Disponent, also die Person, die Bestellmengen und Zeitpunkte festlegt. Sie prüft Bestände, Abverkäufe und Lieferzeiten. Artikel für Artikel, jeden Tag. Bei einem Sortiment mit zehntausenden Artikeln bleibt für den einzelnen Artikel kaum eine Minute.

An dieser Stelle setzt der Agent an. Ein KI-Agent ist ein Programm, das nicht nur Vorschläge macht, sondern selbstständig handelt. Er prüft dieselben Daten wie der Disponent, nur für jeden Artikel, in jeder Nacht, ohne Ermüdung. Der Mensch behandelt die Ausnahmen, der Agent den Rest. Der Nutzen lässt sich direkt an Kennzahlen ablesen, die jedes Handelsunternehmen ohnehin misst: Fehlbestandsquote, Überbestand, Kapitalbindung, Zeit der Disposition.

Der Haken zeigt sich erst auf den zweiten Blick. Ein Agent sieht nur, was in den Systemen steht. Ein erfahrener Disponent merkt, wenn eine Lieferzeit nicht stimmen kann, fragt nach oder korrigiert still. Diese Korrektur passiert tausendfach im Jahr, und niemand schreibt sie auf. Ein Agent bringt dieses stille Wissen nicht mit. Er verarbeitet, was da ist. In Masse und ohne Rückfrage.

Wie entscheidet ein Bestell-Agent?

Jede automatische Bestellentscheidung entsteht aus mindestens vier Zutaten: dem aktuellen Bestand, den Abverkäufen, der Lieferzeit und den Bestellkonditionen des Lieferanten. Fehlt eine davon oder ist sie falsch, wird die Bestellung falsch. So einfach ist die Mechanik, und so unerbittlich.

Die vier Zutaten wohnen in verschiedenen Systemen. Der Bestand kommt aus der Lagerverwaltung und den Filialen. Die Abverkäufe liefert die Kasse. Lieferzeit und Mindestbestellmenge stehen im Warenwirtschaftssystem oder kommen direkt vom Lieferanten, etwa über ein Lieferantenportal. Eine Datenplattform führt alles zusammen, und aus diesem zusammengeführten Bild liest der Agent.

Was dabei gern übersehen wird: Inhaltlich korrekte Daten reichen nicht, sie müssen für den Agenten auch technisch erreichbar sein. Er arbeitet über Schnittstellen. Excel-Exporte, die jemand freitags zieht, kommen bei ihm nie an. Eine Lieferzeit, die zwar irgendwo gepflegt ist, aber nur in einer Tabelle auf einem Laufwerk liegt, existiert für den Agenten nicht.

Und noch etwas unterscheidet den Betrieb vom Test. Im Piloten hat jemand die Daten vorher von Hand bereinigt, damit die Vorführung überzeugt. Im Alltag fällt diese Handarbeit weg. Der Agent trifft auf die echte Systemlandschaft, mit allem, was sich dort über Jahre angesammelt hat.

Woran scheitern Bestell-Agenten in der Praxis?

Fast nie an der KI. In den Datenprüfungen, die wir im Handel durchführen, wiederholt sich ein Muster: Der Engpass liegt in den Artikelstammdaten, also den Grundinformationen zu jedem Artikel. Drei Probleme kommen dabei immer wieder vor. Der Artikelstamm wird in zwei Systemen parallel gepflegt, ohne dass eines führt. Pflichtfelder wie Lieferzeit und Mindestbestellmenge sind nur teilweise gefüllt. Und niemand ist offiziell für die Pflege verantwortlich, also korrigieren mehrere Abteilungen nebeneinander her.

Die Studienlage passt zu diesem Bild. In der KI-Studie 2025 des Handelsverbands Deutschland (HDE) nennen 89,1 Prozent der befragten Handelsunternehmen hohe Datenqualität als relevanten Erfolgsfaktor für KI-Projekte. Sie bleibt laut Studie der wichtigste Erfolgsfaktor überhaupt. Gartner erwartet in einer Prognose, dass über 40 Prozent der agentischen KI-Projekte bis Ende 2027 wieder eingestellt werden. Als Gründe nennt Gartner unter anderem steigende Kosten, unklaren Nutzen und fehlende Risikokontrollen. Eine Prognose, kein gemessenes Ergebnis, aber sie deckt sich mit dem, was wir in Systemlandschaften vorfinden.

Bemerkenswert an solchen Befunden ist die Reihenfolge der Überraschung. Die Beteiligten kennen ihre Datenprobleme meist. Was sie unterschätzen, ist der Zusammenhang mit dem Agenten. Eine Lücke, mit der zehn Disponenten seit Jahren leben, weil sie sie im Kopf ausgleichen, wird für den Agenten zur Abbruchkante. Automatisierung macht aus einem gewohnten Ärgernis einen messbaren Fehler. Pro Nacht, pro Artikel, pro Bestellung.

Was braucht ein Bestell-Agent wirklich?

Kein perfektes Unternehmen. Das ist die gute Nachricht, und sie ist wichtiger, als sie klingt. Ein Nachbestell-Agent braucht fünf Dinge in gutem Zustand, der Rest darf unfertig sein.

Zuerst einen sauberen Artikelstamm: gepflegte Lieferzeit, Mindestbestellmenge und eine eindeutige Lieferantenzuordnung, geführt in einem System, das die Hoheit hat. Dazu verlässliche Bestände, gemessen an Genauigkeit und Aktualität. Ein Bestand von gestern Nacht reicht für Langsamdreher, für schnelldrehende Sortimente nicht. Drittens einen automatischen Datenfluss, der die Zahlen ohne Handarbeit zum Agenten bringt. Viertens geordnetes Wissen über Konditionen, Sortiments- und Saisonregeln, in einer geprüften Quelle statt in Excel-Ablagen mit mehreren Versionen. Und schließlich einen kontrollierten Betrieb: ein Protokoll, das jede Entscheidung nachvollziehbar macht, klare Grenzen, was der Agent darf, und eine Person, die Ausnahmen freigibt.

Diese fünf Punkte klingen nach viel. In Wahrheit begrenzen sie das Vorhaben. Wer sie kennt, muss eben nicht die gesamte Datenlandschaft sanieren, bevor der erste Agent läuft. Es reicht, die Bereiche in Ordnung zu bringen, die dieser eine Anwendungsfall benötigt. Das unterscheidet einen gezielten Einstieg von einem unternehmensweiten Datenprojekt, das nie fertig wird. Wie wir diese Bereiche messen und wie aus der Messung ein Wert von 0 bis 100 entsteht, steht offen dokumentiert auf der Methode-Seite.

Wie prüfen Sie selbst, ob Ihr Haus bereit ist?

Mit fünf Fragen, die Sie ohne externes Assessment beantworten können. Nehmen Sie sich dafür einen Nachmittag und die Menschen, die mit den Daten arbeiten.

1. Gibt es ein einziges System, das für den Artikelstamm die Wahrheit ist? Pflegen zwei Systeme parallel, ist das die häufigste Wurzel aller Folgeprobleme.
2. Wie viel Prozent Ihrer aktiven Artikel haben eine gepflegte Lieferzeit und Mindestbestellmenge? Wer die Zahl nicht kennt, kennt sein Risiko nicht. Die Abfrage dauert eine Stunde.
3. Wie alt ist der Filialbestand, den Ihre Systeme anzeigen? Von gestern Nacht reicht für manche Sortimente. Für schnelldrehende reicht es nicht.
4. Wo stehen Lieferantenkonditionen und Sortimentsregeln? Lautet die Antwort Excel, kann ein Agent sie nicht zuverlässig nutzen.
5. Gibt es eine benannte Person, die für den Artikelstamm verantwortlich ist? Ohne Verantwortung verfällt jede Bereinigung nach wenigen Monaten wieder.

Wer alle fünf Fragen gut beantworten kann, ist näher am produktiven Agenten als die meisten. Wer bei zwei oder mehr Fragen zögert, hat seinen Engpass vermutlich schon gefunden. Das ist kein Grund, das Vorhaben zu begraben. Es ist der Hinweis, in welcher Reihenfolge die Arbeit lohnt: erst die Lücke, dann der Agent. Umgekehrt wird es teuer.

Was ist der ehrliche nächste Schritt?

Messen statt schätzen. Ob Ihre Daten für einen Bestell-Agenten ausreichen, lässt sich mit Belegen aus den Systemen feststellen, nach einem offenen Standard, in drei Wochen. Das Ergebnis ist ein Zuverlässigkeits-Wert, ein benannter Engpass und ein Maßnahmenplan, den Sie auch ohne externe Hilfe umsetzen können. Ergebnisoffen: Ist Ihre Datenbasis stark, ist das die Freigabe für den Agenten. Ist sie es nicht, wissen Sie, was zuerst zu tun ist, bevor Sie in die Abbruch-Statistik einzahlen.

Wie die Messung im Detail funktioniert, mit allen Kriterien und Formeln, steht auf der Methode-Seite. Wie ein fertiger Befund aussieht, zeigt der Beispiel-Report. Beides ist frei zugänglich, ohne Formular. Lesen Sie es, bevor Sie den nächsten Piloten starten.

Quellen

Quelle	Einordnung
HDE & Safaric Consulting · KI-Studie im Handel 2025
Gartner · Prognose zu agentischen KI-Projekten, Juni 2025
prodct · Beispiel-Report ACME Inc. (fiktive Daten)