Supply Chain Optimierung mit Mathematik und KI. Wie Unternehmen im Umbruch planbar bleiben

Wer in den letzten Jahren eine Lieferkette verantwortet hat, kennt das Gefühl, dass die nächste Störung schon wartet, bevor die letzte vorbei ist. Erst die Pandemie, dann die Energiekrise, dann gesperrte Seewege, Zölle, Kapazitätsengpässe auf der Schiene und zuletzt die Eskalation am Persischen Golf mit steigenden Frachtkosten. Der Verein Netzwerk Logistik hat seinen Österreichischen Logistik-Tag 2026 unter das Motto Im Umbruch agieren gestellt. Das trifft die Lage gut. Die Frage ist nicht mehr, ob die nächste Störung kommt, sondern wie schnell ein Unternehmen darauf reagieren kann.

Gleichzeitig wird viel über künstliche Intelligenz gesprochen. KI-Agenten sollen Entscheidungen treffen, Prognosen sollen die Disposition ersetzen, und Quantencomputer sollen irgendwann alle Planungsprobleme lösen. Zwischen Hype und Praxis bleibt oft unklar, was heute tatsächlich funktioniert. In diesem Beitrag zeigen wir, welche Rolle mathematische Optimierung und KI in der Supply Chain spielen, wo sie sich ergänzen und wie Unternehmen konkret anfangen können.

Was eine Supply Chain heute so schwer planbar macht

Eine Lieferkette verbindet Lieferanten, Produktion, Lager, Transporte und Kunden. Jede dieser Stufen hat eigene Kapazitäten, Kosten und Unsicherheiten. Früher ließ sich vieles über stabile Vorlaufzeiten und Sicherheitsbestände abfedern. Heute schwanken Vorlaufzeiten stärker, Transportkosten springen, und die Nachfrage verändert sich schneller.

Dazu kommt der sogenannte Bullwhip-Effekt. Kleine Schwankungen der Endkundennachfrage verstärken sich entlang der Kette, weil jede Stufe mit Sicherheitszuschlägen bestellt. Am Ende schwanken die Bestellungen beim Vorlieferanten ein Vielfaches stärker als die tatsächliche Nachfrage. Auf dem Logistik-Tag 2026 zeigte Infineon, wie End-to-End-Planung und abgestimmte Bestandsmodelle mit Kunden und Lieferanten diesen Effekt in der Halbleiterindustrie dämpfen. Das Prinzip gilt für jede Branche. Wer die Kette gesamthaft plant, statt jede Stufe für sich, reagiert ruhiger und günstiger.

Zwei Werkzeuge, die sich ergänzen

In der Diskussion werden KI und Optimierung oft in einen Topf geworfen. Dabei lösen sie unterschiedliche Aufgaben. Verfahren des maschinellen Lernens sind besonders gut darin, aus Daten Muster zu erkennen und die Zukunft vorherzusagen. Wie viel wird nächste Woche nachgefragt? Wie lange dauert der Transport von Hamburg nach Linz? Mit welcher Wahrscheinlichkeit fällt eine Maschine aus?

Mathematische Optimierung beantwortet eine andere Frage. Was sollen wir angesichts dieser Prognosen tun? Wie viel produzieren wir wo, welche Bestände halten wir, welche Transporte buchen wir, welche Aufträge priorisieren wir, wenn die Kapazität nicht für alle reicht? Diese Entscheidungen hängen voneinander ab und unterliegen vielen Bedingungen. Optimierungsverfahren finden unter allen zulässigen Kombinationen diejenige, die das gewählte Ziel am besten erfüllt.

Die Verbindung beider Welten nennt man Predict then Optimize. Die Prognose liefert die erwartete Zukunft und ihre Unsicherheit, die Optimierung trifft daraus die beste Entscheidung. Warum wir diese Kombination für so wichtig halten, erklären wir ausführlich im Beitrag Operations Research oder KI.

Die Planungsebenen einer Supply Chain

Supply-Chain-Planung findet auf mehreren Ebenen statt, und auf jeder Ebene hilft Optimierung auf andere Weise. Auf der strategischen Ebene geht es um das Netzwerk. Wo stehen Werke und Lager, welche Lieferanten werden genutzt, über welche Verkehrsträger laufen die Hauptströme? Solche Entscheidungen wirken über Jahre und binden viel Kapital. Ein Netzwerkmodell rechnet verschiedene Szenarien durch und zeigt, welche Struktur unter unterschiedlichen Annahmen am robustesten ist. Wie wir Standortfragen methodisch lösen, beschreiben wir im Beitrag zur Standortplanung, die Methodik ist auf Lager und Werke direkt übertragbar.

Auf der taktischen Ebene geht es um die Abstimmung von Nachfrage und Kapazität über Wochen und Monate. In vielen Unternehmen heißt dieser Prozess Sales and Operations Planning. Welche Mengen produzieren wir in welchem Werk, wie bauen wir vor einer Saison Bestände auf, welche Transportkapazitäten sichern wir uns vertraglich? Ein Optimierungsmodell zeigt die Folgen jeder Variante für Kosten, Servicegrad und Kapitalbindung.

Auf der operativen Ebene schließlich geht es um den Tag. Welche Aufträge werden heute produziert, welche Lkw fahren welche Touren, welche Rampe bekommt welchen Lkw, welche Sendung wird bei einem Engpass vorgezogen? Hier zählt Geschwindigkeit, und die Modelle müssen in Sekunden bis Minuten rechnen.

Bestände richtig dimensionieren

Kaum ein Thema wurde in den letzten Jahren so intensiv diskutiert wie Bestände. Nach Jahren der Lean-Philosophie haben viele Unternehmen in der Krise Sicherheitsbestände massiv aufgebaut. Jetzt drückt die Kapitalbindung, und die Frage ist, wie viel Puffer tatsächlich nötig ist.

Die Antwort hängt davon ab, wie stark Nachfrage und Wiederbeschaffungszeit schwanken und wie teuer ein Fehlbestand ist. Ein Optimierungsmodell kann für jeden Artikel und jeden Standort berechnen, welcher Bestand den gewünschten Servicegrad zu den geringsten Kosten sichert. Es kann auch die Frage beantworten, auf welcher Stufe der Kette der Bestand am sinnvollsten liegt. Oft ist ein zentraler Puffer günstiger als viele dezentrale, manchmal ist es umgekehrt. Wie Prognosen für Beschaffung und Bedarf entstehen, zeigt unsere Seite zur Procurement Prediction.

Transporte planen, wenn Kapazität knapp ist

Laderaumknappheit, Fahrermangel und steigende Kosten für Diesel und Maut prägen den Transportmarkt. Wer seine Transporte besser bündelt, spart doppelt. Weniger Fahrten bedeuten weniger Kosten und weniger Abhängigkeit von knappen Kapazitäten. Tourenplanung, Ladungsbündelung und die Wahl des Verkehrsträgers sind klassische Anwendungsfelder der Optimierung.

Besonders interessant wird es bei multimodalen Ketten. Die Bahn ist für viele Relationen günstiger und klimafreundlicher, verlangt aber längere Vorlaufzeiten und ist durch Bauarbeiten, etwa die Generalsanierungen im deutschen Netz, zeitweise eingeschränkt. Das Binnenschiff ist für schwere Güter unschlagbar, aber vom Wasserstand abhängig. Ein Modell, das alle Verkehrsträger mit ihren Kosten, Laufzeiten und Risiken kennt, kann für jede Sendung den besten Weg vorschlagen. Wie wir Planung im Schienengüterverkehr angehen, zeigt unser Beitrag zur Jahresplanung im Schienengüterverkehr.

Mit der Elektrifizierung der Lkw-Flotten kommt eine weitere Dimension hinzu. Reichweite, Ladezeiten und Netzanschluss werden zu Planungsgrößen. Wie E-Trucking im Gesamtsystem geplant wird, beschreiben wir im Beitrag zur Planung von E-Lkw-Flotten.

Im Lager beginnt die Effizienz

Im Lager entscheiden viele kleine Planungsfragen über die Produktivität. Wo wird welcher Artikel gelagert, damit die Wege kurz sind? Welche Aufträge werden gemeinsam kommissioniert? Wie viele Mitarbeitende braucht es in welcher Stunde? Und wie werden Roboter, fahrerlose Transportsysteme und Menschen so koordiniert, dass alle gut ausgelastet sind? Auf dem Logistik-Tag 2026 ging es in mehreren Schwerpunkten genau um diese Fragen, vom Dark Warehouse bis zum Digital Twin. Wie wir Lager und Kommissionierung optimieren, zeigt der Beitrag zur Optimierung der Kommissionierung.

Resilienz planbar machen

Resilienz ist zum Schlagwort geworden, aber was bedeutet sie konkret? Aus Sicht der Planung heißt Resilienz, dass eine Lieferkette auch dann noch funktioniert, wenn eine oder mehrere Annahmen nicht mehr stimmen. Ein Lieferant fällt aus, ein Seeweg ist gesperrt, eine Brücke wird saniert, ein Werk steht still.

Mathematische Optimierung kann Resilienz direkt in die Planung einbauen. Robuste Optimierung sucht Pläne, die für viele mögliche Szenarien gut funktionieren, statt nur für das wahrscheinlichste. Stochastische Optimierung gewichtet Szenarien nach ihrer Wahrscheinlichkeit. Und mit Stresstests lässt sich prüfen, wie ein bestehendes Netzwerk auf bestimmte Störungen reagiert und wo die kritischen Stellen liegen. Diese Methoden setzen wir auch im Bahnbetrieb ein, wo Robustheit über die Pünktlichkeit entscheidet. Mehr dazu im Beitrag zur robusten Planung.

KI-Agenten und Quantencomputer realistisch einordnen

Zwei Themen dominieren derzeit viele Konferenzen. KI-Agenten sollen Prozesse selbstständig steuern, und Quantencomputer sollen Optimierungsprobleme lösen, an denen klassische Rechner scheitern. Beide Entwicklungen sind spannend, und beide werden die Supply Chain verändern. Aber beide brauchen ein solides Fundament.

Ein KI-Agent, der eigenständig Transporte bucht oder Aufträge umplant, braucht ein Werkzeug, das ihm sagt, welche Entscheidung die beste ist. Sprachmodelle sind hervorragend darin, Informationen zu verstehen und zu kommunizieren, aber sie sind keine Optimierer. Die Kombination aus Agent und Optimierungsmodell ist deshalb der eigentlich interessante Ansatz. Mehr dazu im Beitrag KI-Agenten in der Supply Chain.

Beim Quantencomputing lohnt ein nüchterner Blick. Für viele Planungsprobleme, die Unternehmen heute haben, liefern klassische Optimierungsverfahren auf normaler Hardware bereits sehr gute Lösungen in kurzer Zeit. Wo Quantenverfahren künftig einen Vorteil bringen könnten und was bis dahin sinnvoll ist, beschreiben wir im Beitrag Quantencomputing in der Logistik.

Branchen, in denen wir das anwenden

Die Methoden der Supply-Chain-Optimierung sind branchenübergreifend, aber jede Branche hat ihre Eigenheiten. In der Holzindustrie geht es um Rundholzversorgung, Einschnitt, Trocknung und die Fertigung großformatiger Bauteile. Mehr dazu in den Beiträgen zur Rundholzlogistik, zur Produktionsplanung im Sägewerk und zur Fertigung von Brettsperrholz.

In der Papier- und Verpackungsindustrie stehen Sortenwechsel, Rollenschnitt und Energie im Vordergrund. Mehr dazu im Beitrag zur Papierproduktion. Mit der EU-Verpackungsverordnung kommen neue Anforderungen an Mehrwegsysteme für Paletten und Ladungsträger, die wir im Beitrag zu Mehrweg-Ladungsträgern beschreiben. In der Lebensmittellogistik schließlich geht es um Kühlkette, kurze Haltbarkeiten und Prognosen. Mehr dazu in den Beiträgen zur Kühlkette und zur Bedarfsprognose für Frische.

Auch in der Entsorgungswirtschaft und im Schienenverkehr setzen wir diese Methoden ein, etwa in der Disposition von Containerdiensten oder in der Ressourcenplanung von Bahnunternehmen. Einen Überblick über den Bahnbereich gibt der Beitrag zu Automated Resource Planning.

Einkauf und Preissprünge beherrschen

Ein weiteres Thema, das 2026 viele Unternehmen beschäftigt, sind sprunghafte Preisänderungen. Schwankende Ölpreise treiben die Kosten für Kunststoffe, Chemie, Verpackungen und Transporte, und steigende Energiepreise wirken sich auf fast alle Materialien aus. Der Einkauf muss entscheiden, wann er Mengen absichert, bei welchen Lieferanten er bestellt und wie er Preissteigerungen entlang der Kette weitergibt.

Auch hier helfen Prognose und Optimierung gemeinsam. Prognosemodelle schätzen, wie sich Preise und Bedarfe in den nächsten Monaten entwickeln könnten. Optimierungsmodelle berechnen daraus, welche Mengen zu welchem Zeitpunkt bei welchem Lieferanten beschafft werden sollten, unter Berücksichtigung von Lagerkapazitäten, Mindestmengen, Vertragsbedingungen und Risiken. Statt auf eine einzelne Prognose zu setzen, wird dabei eine Strategie gesucht, die über viele mögliche Preisentwicklungen gut abschneidet.

Nachhaltigkeit als Planungsziel

Kaum ein Unternehmen kann heute noch planen, ohne CO2 und Ressourcenverbrauch zu berücksichtigen. Berichtspflichten, Kundenanforderungen und neue Regulierungen wie die EU-Verpackungsverordnung, die Entwaldungsverordnung oder die Vorgaben zur Reduktion von Lebensmittelabfällen machen Nachhaltigkeit zu einer harten Randbedingung der Planung. Gleichzeitig ist sie oft ein Kostenfaktor, denn weniger Kilometer, weniger Leerfahrten und weniger Ausschuss sparen auch Geld.

In einem Optimierungsmodell lässt sich CO2 als eigenes Ziel oder als Grenze abbilden. Das Modell zeigt dann, wie viel eine bestimmte Reduktion kostet, und findet oft Lösungen, die sowohl günstiger als auch klimafreundlicher sind. Diese Transparenz hilft auch bei Investitionsentscheidungen, etwa bei der Frage, ob sich E-Lkw, ein neuer Bahnanschluss oder ein zusätzliches Lager in Kundennähe lohnen. Und sie macht Nachhaltigkeitsberichte belastbarer, weil die Zahlen aus einer echten Planung stammen und nicht aus groben Schätzungen.

Was ein gutes Planungsmodell ausmacht

Nicht jedes Optimierungsprojekt wird ein Erfolg. Aus unserer Erfahrung hängt der Erfolg weniger vom Algorithmus ab als von einigen Grundsätzen. Das Modell muss die Wirklichkeit gut genug abbilden, damit die Ergebnisse umsetzbar sind. Es muss die Regeln kennen, die im Betrieb gelten, auch die ungeschriebenen. Es muss schnell genug rechnen, damit es im Alltag genutzt werden kann. Und es muss nachvollziehbar sein, damit die Menschen, die damit arbeiten, den Ergebnissen vertrauen.

Dazu kommt die Pflege. Eine Supply Chain verändert sich laufend, neue Standorte, Produkte, Kunden und Regeln kommen hinzu. Ein Modell, das nicht mitwächst, verliert schnell an Wert. Deshalb bauen wir Modelle so, dass sie sich mit überschaubarem Aufwand anpassen lassen, und begleiten sie auch nach der Einführung. Unsere Grundsätze dazu beschreiben wir auf der Seite Prinzipien. Beispiele aus unserer Arbeit finden Sie in unseren Case Studies.

Von der Sichtbarkeit zur Entscheidung

Viele Unternehmen haben in den letzten Jahren viel in Transparenz investiert. Sendungsverfolgung, Tracking von Containern, Echtzeitdaten aus Lagern und Fahrzeugen machen sichtbar, wo sich Waren gerade befinden. Auf dem Logistik-Tag 2026 ging es in einem eigenen Schwerpunkt um die Frage, wie diese Visibility in mehrstufigen, intermodalen Ketten vom Hochseeschiff bis zum Lkw gelingt.

Sichtbarkeit ist ein wichtiger erster Schritt, aber sie allein löst noch kein Problem. Wenn ein Container im Hafen festhängt, zeigt das Tracking die Verspätung an. Die eigentliche Frage ist, was nun zu tun ist. Soll die Produktion umgeplant werden, lohnt sich ein Expresstransport für einen Teil der Ware, oder kann ein anderes Lager einspringen? Hier setzt Optimierung an. Sie macht aus der Information eine Entscheidung und zeigt, welche Reaktion die geringsten Kosten und Folgen verursacht.

Wer seine Investitionen in Visibility mit Optimierungsmodellen verbindet, holt deshalb deutlich mehr aus ihnen heraus. Die Daten, die für die Transparenz ohnehin erfasst werden, sind genau die Daten, die ein Entscheidungsmodell braucht. Und die Kombination mit KI-Agenten, die Störungen erkennen und das Modell automatisch aufrufen, schließt den Kreis von der ersten Meldung bis zur umgesetzten Maßnahme, ohne dass wertvolle Zeit verloren geht.

Wer hinter Hex steht

Hex ist das Team für mathematische Optimierung in der Anexia Digital Engineering Group. Unsere Mathematikerinnen und Mathematiker entwickeln Planungsmodelle für Verkehr, Logistik, Industrie und Gesundheitswesen. Wir kombinieren klassische Operations Research mit maschinellem Lernen und bauen Lösungen, die in bestehende Systemlandschaften passen. Mehr über das Team erfahren Sie auf der Seite Team.

Die Anexia Gruppe bringt dazu Softwareentwicklung und Cloudbetrieb mit. Das heißt, dass wir ein Optimierungsmodell nicht nur entwickeln, sondern auch in eine Anwendung einbetten, an ERP, Lagerverwaltung oder Transportmanagement anbinden und im Betrieb begleiten können. Mehr dazu auf unseren Seiten zu DevOps und Cloud und zur Datenintegration.

So fangen Sie an

Viele Unternehmen scheuen den Einstieg, weil sie ein großes IT-Projekt befürchten. Das muss nicht sein. Ein guter erster Schritt ist eine konkrete Frage, die heute viel Zeit kostet oder immer wieder zu teuren Entscheidungen führt. Das kann die Bestandsplanung für eine Artikelgruppe sein, die Tourenplanung für eine Region oder die Frage, ob ein neues Lager sich lohnt.

Für diese Frage bauen wir mit Ihren Daten ein Modell und vergleichen die Ergebnisse mit der heutigen Planung. Das zeigt schnell und konkret, wie groß das Potenzial ist. Wenn das Ergebnis überzeugt, binden wir das Modell an Ihre Systeme an, ohne Ihre bestehende Software zu ersetzen. Wie das funktioniert, beschreiben wir im Beitrag zur Ergänzung bestehender Planungssoftware. Die Methoden dahinter finden Sie auf unseren Seiten zur mathematischen Optimierung, zur MILP Modellierung und zum Machine Learning.