Lieferketten So entdecken Sie frühzeitig Risiken bei Ihren Zulieferern

Anbieter zum Thema

LRQA Deutschland GmbH

FACTUREE - Der Online-Fertiger

PARTSCLOUD GmbH

Künstliche Intelligenz ist kein Ersatz für den smarten Einkäufer. Warum sie aber dennoch ein wichtiger Verbündeter sein kann, lesen Sie in diesem Beitrag.

Stellen Sie sich vor, die Lieferkette Ihres Unternehmens würde von einer Million aufmerksamen Augen beobachtet, die unermüdlich und in allen Sprachen frei verfügbare Informationen auf regionalen chinesischen, indischen oder türkischen Internetseiten sammeln und analysieren, um Ihnen ein umfassendes Bild der Risiken der eigenen Lieferketten zu vermitteln. Klingt utopisch? Mit Künstlicher Intelligenz (KI) und modernen Technologien im Bereich des Web Scraping und Natural Language Processing (NLP) ist dies keine Science-Fiction mehr.

Die digitale Antwort auf das Lieferkettensorgfaltspflichtengesetz

Die heutige globale Wirtschaft ist geprägt von komplexen Lieferketten, in denen Unternehmen ihre Risiken und Chancen erkennen, analysieren und bewältigen müssen. Das Lieferkettensorgfaltspflichtengesetz stellt Unternehmen vor neue Herausforderungen. Sie müssen Menschenrechtsverletzungen und Umweltschutzprobleme bei ihren Zulieferern frühzeitig erkennen und geeignete Maßnahmen ergreifen.

Aber wie können Unternehmen anfangen?

Die traditionelle Risikobewertung von Zulieferern, die auf manuellen Prozessen und finanziellen Kennzahlen beruht, stößt in der globalisierten Welt schnell an Grenzen. Eine Vielzahl von Zulieferern und eine immer komplexere Lieferkette erschweren die Risikobewertung und machen sie zeitaufwendig.

An dieser Stelle kommt die Künstliche Intelligenz (KI) ins Spiel: Web Scraping und NLP (Natural Language Processing) ermöglichen es Unternehmen, weltweit Nachrichtenartikel zu Lieferanten in verschiedenen Sprachen zu sammeln und automatisiert auszuwerten. Durch die Kombination dieser Technologien entsteht ein leistungsfähiges Risikoprofil, das eine schnelle und fundierte Entscheidungsgrundlage für Unternehmen bietet.

Die technologische Disruption liegt dabei vor allem in der automatisierten Auswertung durch große Sprachmodelle wie Generative Pretrained Transformer (GPT). Dieses wird beispielsweise als KI-System für Chat-GPT genutzt. Das Sprachmodell wird mit vielen tausend Nachrichten aus aller Welt gefüttert und kann diese dann wie ein Mensch verstehen und die entsprechenden Lieferanten einer Risikokategorie zuordnen.

Der Charme dieser Technologiekombination: die meisten Gefahrenmeldungen tauchen zuerst regional da auf, wo sich die Krisen aufbauen. Allerdings handelt es sich dabei im globalisierten Liefernetz oft auch um kleine lokale Medien, die in anderen Sprachen verfasst sind. Und hier genau liegt die Hürde: Wie oft durchforsten deutsche Einkäufer etwa asiatische Lokalnachrichten? Für Sprachmodelle ist das hingegen kein Problem.

Fallbeispiel: Ein Hersteller für industrielle Großanlagen wird resilienter

Ein Hersteller von technischen Großanlagen mit einer internationalen Lieferkette nutzte diese Logik bereits zur Risikobewertung seiner Zulieferer. Dadurch ließen sich frühzeitig drohende Lieferengpässe bei einem Schlüsselzulieferer für Aggregate aufspüren. Wer die Spuren der Berichterstattung zurückverfolgt, stellt fest – alles keine Überraschung, wenn man die Bausteine nur richtig zusammensetzt:

• Lokale Medienberichte: Das Tool erfasste Artikel aus lokalen Medien, in denen über einen Streik in einer der französischen Fabriken des Schlüssellieferanten berichtet wurde. Der Streik betraf die Produktion und drohte, die Lieferungen an den Automobilhersteller zu verzögern.

• Finanzielle Risiken: Zusätzlich zu den Produktionsproblemen gab es Hinweise, dass der Lieferant in den letzten Quartalen finanzielle Schwierigkeiten hatte. Diese Informationen stammten aus Finanzberichten und Analystenbewertungen, die auf eine zunehmende Verschuldung und sinkende Profitabilität hindeuteten – alles Informationsbausteine, welche im Internet zu finden sind.

• Soziale Medien: Selbst in sozialen Medien lassen sich stellenweise Signale aufdecken. Diskussionen und Bedenken über die Arbeitsbedingungen und Umweltpraktiken des Zulieferers deuteten darauf hin, dass der Zulieferer möglicherweise gegen das Lieferkettensorgfaltspflichtengesetz verstoßen könnte.

Wer drohendes Unheil frühzeitig aufspürt, reduziert die Schadenshöhe

Da er diese Risiken frühzeitig identifiziert hatte, konnte der Maschinenbauer proaktiv handeln und Gegenmaßnahmen ergreifen, um einen Lieferengpass zu verhindern.

• Frühzeitige Kommunikation: Der Großanlagenbauer nahm unverzüglich Kontakt mit dem Lieferanten auf, um über die identifizierten Probleme und deren möglichen Auswirkungen auf die Lieferkette zu sprechen. Dies führte zu einer offenen Diskussion und einer transparenteren Zusammenarbeit zwischen beiden Unternehmen.

• Suche nach alternativen Zulieferern: Basierend auf den vom Tool bereitgestellten Informationen begann der Automobilhersteller, nach alternativen Zulieferern für Batteriezellen zu suchen. Diese Maßnahme sollte sicherstellen, dass die Produktion nicht durch Lieferengpässe beeinträchtigt wird, falls der betroffene Zulieferer seine Lieferverpflichtungen nicht erfüllen könnte.

• Überprüfung der Lieferkette: Angesichts der identifizierten Risiken entschied sich der Großanlagenbauer, seine gesamte Lieferkette einer gründlichen Prüfung zu unterziehen. Hierbei wurden weitere mögliche Risikofaktoren identifiziert und entsprechende Gegenmaßnahmen entwickelt.

Fazit: Nie war es so einfach, KI für Resilienz einzusetzen

Die Zukunft der resilienten Lieferkette ist keine Illusion von Vordenkern mehr, sondern nähert sich in großen Schritten, anwendbar für jedes Unternehmen. Die Arbeitshypothese geht dabei auf eine Konzept zurück, welches mehr als 50 Jahre alt ist. Nach dem Konzept der „schwachen Signale“ schickt jeder Schock schwache Signale voraus, welche den Wandel ankündigen.

Das Internet ist eben so ein Medium, in dem sich Vorboten dieser Schocks ablesen lassen, wenn man die richtigen Meldungen herausfischt und alle Sprachen spricht. Und es zeigt sich, es funktioniert nicht nur in der Theorie. Denn wir haben jetzt die Tools, um diese schwachen Signale auch zu messen.

Aber, künstliche Intelligenz ist kein Ersatz für den smarten Einkäufer, sondern eher ein mächtiger Verbündeter, der ihm einen Vorsprung verschafft, indem er die Informationsflut bändigt und in konkrete Entscheidungsvorlagen übersetzt. Auch das Argument der schlechten Daten greift hier nicht – der Data Lake ist das Internet und da kann sich nun wirklich keiner mehr über Datenlücken klagen.

Zudem ist keine IT-Integration erforderlich. „Risk-Sensing-as-a-Service“ bedeutet, die Unternehmen profitieren im einfachsten Fall über wöchentliche, zugesandte Berichte. Diese helfen ihnen dabei, aus den tausenden Lieferanten die herauszufiltern, welche auch im Internet für Schlagzeilen sorgen. Unternehmen, welche die Umsetzung eines Risikomanagements in der Lieferkette vor sich herschieben, werden also bald die Argumente ausgehen. Nie war es so einfach wie heute, den ersten Schritt zu mehr Resilienz zu gehen.

* Univ.-Prof. Dr. Dr. h. c. mult. Horst Wildemann ist Professor an der Technischen Universität München und Geschäftsführer des TCW Management Consulting. Dr. Sebastian Eckert ist Associate Partner bei TCW Management Consulting. Ulrich von Waldow ist Bereichsleiter Data Science bei TCW Management Consulting.

(ID:49491050)