Ohne Supply Chain Daten keine Supply Chain KI?! Felgendreher & Friends Supply Chain Community Live Podcast (München)
Feb 11, 2025
auto_awesome
Julian Fischer, Partner bei McKinsey, und Gisela Linge, VP Logistics bei Autoliv, teilen ihr Wissen über die Rolle von KI in der Supply Chain. Sie betonen: Ohne saubere Daten funktioniert keine sinnvolle KI. KI wird mit disruptiven Technologien wie Containerschiffen verglichen. Wichtige Themen sind die Datenqualität, die Herausforderungen bei der Implementierung von KI-Systemen und der Wandel zu flexibleren, KI-gestützten Lösungen. Fischer und Linge diskutieren, wie Unternehmen Daten nicht nur sammeln, sondern auch sinnvoll nutzen sollten. Vertrauen in KI und der Verlust von Fachwissen durch Automatisierung sind ebenfalls zentrale Themen.
Die Qualität der Stammdaten ist entscheidend für den erfolgreichen Einsatz von KI im Supply Chain Management, da schlechte Daten zu falschen Ergebnissen führen können.
KI-Agenten haben das Potenzial, Prozesse zu automatisieren und die Effizienz zu steigern, erfordern jedoch Vertrauen und sichere Datenzugänge.
Die Unternehmenskultur und ein effektives Change Management sind essenziell, um Mitarbeiter in die Integration von KI-Technologien einzubeziehen und Ängste abzubauen.
Deep dives
Wichtigkeit von Stammdaten für KI-Anwendungen
Stammdaten sind entscheidend für den Einsatz von Künstlicher Intelligenz (KI) im Supply Chain Management. Ohne qualitativ hochwertige und gepflegte Stammdaten ist die Implementierung von KI-Technologien, wie z.B. KI-Agenten, kaum möglich. Die Diskrepanz zwischen vorhandenen Daten und benötigten Stammdaten wird oft als Hindernis für einen effektiven Einsatz von KI wahrgenommen. Dies betrifft insbesondere Unternehmen, die mit Datenproblemen aus verschiedenen Quellen und Silos kämpfen, da unzureichende Datenqualität zu ungenauen Ergebnissen führen kann.
Disruption durch Generative KI
Der Einfluss von Generativer KI auf die Logistik wird mit der Einführung des Containers in den 1950er Jahren verglichen, da beide Technologien disruptive Veränderungen mit sich bringen. Aktuell mangelt es jedoch an umfassendem Verständnis und Anwendung in der Industrie, wodurch viele Unternehmen sich unsicher fühlen, was sie mit diesen neuen Technologien tun sollen. Es existieren bereits einige Anwendungsfälle in der Praxis, die jedoch oft von einer breiten Akzeptanz und Integration in die betrieblichen Abläufe entfernt sind. Die Zeit vor uns wird entscheidend sein, um zu lernen, wie man KI effektiv nutzen kann, um signifikante Effizienzgewinne zu erzielen.
Impuls zur Datenbereinigung
Datenbereinigung ist ein zentrales Thema, das oft vernachlässigt wird, wobei viele Unternehmen immer noch manuell Daten überarbeiten müssen. Ein Beispiel umfasst die Nutzung von KI zur Verbesserung der Datenqualität, wie etwa durch die Identifikation und Korrektur von Fehlern in Stammdaten. Hilfsprogramme, wie KI-Agenten, die diese Prozesse automatisieren könnten, sind aktuell in der Entwicklung, werfen jedoch auch Fragen nach Vertrauen und Datensicherheit auf. Unternehmen sind gefordert, Protokolle und Frameworks zu entwickeln, um eine zuverlässige Datenverwaltung sicherzustellen.
Interaktive KI-Agenten
Die Rolle von KI-Agenten wird als zunehmend komplex und interaktiv dargestellt, wobei sie nicht nur einfache Aufgaben erledigen, sondern als Entscheidungshilfen fungieren können. Diese Agenten könnten Personal dabei unterstützen, effizienter mit Daten umzugehen, indem sie Probleme identifizieren und sogar Lösungen vorschlagen. Unternehmen sollten dazu ermutigt werden, KI-Agenten in Pilotprogrammen zu testen, um die Funktionsweise und Vorteile dieser Technologie besser zu verstehen. Die Integration von Agenten soll dazu beitragen, den Arbeitsaufwand für Planer zu reduzieren und deren kreative Aufgaben zu fördern.
Die Herausforderung der Datenqualität
Datenqualität ist ein persistierendes Problem in der Branche, das oft als IT-Angelegenheit wahrgenommen wird, während es in Wirklichkeit ein Geschäftsanliegen ist. Fehlende Daten oder schlechte Datenqualität führen oft zu suboptimalen Entscheidungen und operativen Ineffizienzen, wodurch langfristige Probleme entstehen. Unternehmen benötigen daher klare Verantwortlichkeiten und regelmäßige Überwachung der Datenqualität, um sicherzustellen, dass alle Abteilungen auf einheitliche, vertrauenswürdige Informationen zurückgreifen können. Ansätze zur kontinuierlichen Verbesserung und regelmäßigen Review-Zyklen sind essenziell, um nachhaltig hohe Datenstandards zu gewährleisten.
Die Rolle der Unternehmenskultur bei der KI-Implementierung
Die Unternehmenskultur und das Change Management spielen eine entscheidende Rolle bei der erfolgreichen Implementierung von KI-Technologien. Eine offene und transparente Kommunikation ist notwendig, um Ängste und Widerstände abzubauen, insbesondere gegenüber Technologien, die menschliche Arbeitskräfte zu ersetzen scheinen. Mitarbeiter sollten ermutigt werden, sich mit diesen neuen Tools zu beschäftigen und deren Potenziale für ihre Arbeit zu erkennen. Langfristiger Erfolg hängt davon ab, wie gut eine Organisation in der Lage ist, ihre Mitarbeiter in diesen Transformationsprozess einzubeziehen.
Auf einem Felgendreher & Friends Supply Chain Community Event in München haben wir mit Logistik und Supply Chain Verantwortlichen aus Industrie und Handel über das Thema "Ohne Supply Chain Daten keine Supply Chain KI?!" diskutiert.
Julian Fischer, Partner Supply Chain Management bei McKinsey, hat uns mit einem Impulsvortrag auf das Thema eingestimmt und dann mit Gisela Linge, VP Logistics bei Autoliv, Boris Felgendreher und den Teilnehmern diskutiert.
Unter anderem um folgende Themen und Fragen:
„Ohne saubere Daten keine sinnvolle KI.“
Vergleich: KI als disruptive Technologie ähnlich wie Containerschifffahrt.
Herausforderungen & Chancen von KI in der Supply Chain:
Drei Hauptanwendungen: Datenextraktion, automatische Inhaltserstellung, Chatbots.
Datenqualität als zentrales Problem – schlechte Daten führen zu falschen Ergebnissen.
KI-Agenten und Automatisierung:
Potenzial von KI-Agenten für Stammdatenpflege und Prozessoptimierung.
Notwendigkeit von sicheren Datenzugängen und Vertrauen in KI.
Zukunft der Softwarelandschaft:
Wandel von monolithischen ERP-Systemen zu flexibleren, KI-gestützten Lösungen.
KI könnte künftig selbst Code generieren und Prozesse steuern.
Praxisherausforderungen in der Logistik:
Probleme mit Verpackungsdaten, Transportdaten und Echtzeit-Visibility.
Daten müssen nicht nur gesammelt, sondern auch sinnvoll genutzt werden.
Vertrauen in KI und Veränderung der Planer-Rolle.
Herausforderung: Verlust von Fachwissen durch Automatisierung.
Notwendigkeit von Change Management & Fehlerkultur.
Fazit & Ausblick:
Unternehmen müssen sich aktiv mit KI beschäftigen.
Zukunft liegt in analytischen Fähigkeiten, Kreativität und smarter Nutzung von KI.
Und vieles mehr
Hilfreiche Links:
Du bist verantwortlich für Logistik oder Supply Chain Management in einem Industrie oder Handelsunternehmen und möchtest bei einem der kommenden Felgendreher & Friends Supply Chain Community Events dabei sein? Dann kontaktiere Boris Felgendreher auf LinkedIn: https://www.linkedin.com/in/borisfelgendreher/
Gisela Linge auf LinkedIn: https://www.linkedin.com/in/giselalinge/
Julian Fischer auf LinkedIn: https://www.linkedin.com/in/fischerjulian/
Remember Everything You Learn from Podcasts
Save insights instantly, chat with episodes, and build lasting knowledge - all powered by AI.
