Wir sind am Ende unserer dreiteiligen Serie über Agentic AI im Einkauf. Teil 1 hat erklärt, was KI-Agenten wirklich sind — nicht Chatbots, sondern autonome Prozess-Executoren. Teil 2 hat fünf konkrete Anwendungsfälle aufgezeigt. Jetzt: Was können mittelständische Einkaufsabteilungen ab sofort umsetzen?
Die ehrliche Antwort: Mehr als viele denken. Aber mit konkreten Voraussetzungen.
Die Use Cases, die jetzt funktionieren
Nicht alles, das KI kann, sollte man implementieren. Aber einige Aufgaben im Einkauf sind reif für Automatisierung:
Automatisierter Angebotsvergleich. Der Agent nimmt die Eingaben — aus RFQ-Plattform, aus Lieferanten-Portalen, aus eingescannten PDFs — normalisiert sie und vergleicht automatisch. Er stellt Positionen parallel gegenüber, berechnet Preise und kennzeichnet Abweichungen automatisch. Das funktioniert, weil die Logik einfach ist: viel Text rein, strukturierte Tabelle raus. Der Einkäufer bekommt eine vorgefertigte Analyse, nicht rohe Daten.
Zeiteinsparung: 8–16 Stunden pro Ausschreibung, abhängig von der Komplexität.
Bedarfserkennung und Bündelung. Bedarfe kommen unstrukturiert rein: E-Mail, Form, Teams-Nachricht, Excel. Der Agent erkennt Duplikate und Ähnlichkeiten, führt sie zusammen und schlägt Bündelungen vor. "Position A und B sind ähnlich — könnten wir die zusammen ausschreiben?" Das funktioniert gut für sich wiederholende Kategorien.
Zeiteinsparung: 4–6 Stunden pro Monat für Bedarfs-Koordination.
Lieferanten-Vorqualifizierung. Der Agent prüft neue Lieferanten gegen Compliance-Anforderungen: Ist das Unternehmen registriert? Gibt es Sanktions-Einträge? Hat es relevante Zertifizierungen? Das ist Datenabgleich, nicht komplexes Denken — ideal für Agenten.
Zeiteinsparung: 90 % der Anfangsqualifizierung kann automatisiert laufen.
Report-Generierung. Ein Agent, der Daten aus dem ERP/Beschaffungssystem zieht, strukturiert und in Bericht-Form gießt. Savings pro Kategorie, Lieferantenbewertung, Compliance-Status — alles aktuell ohne manuelle Zusammenstellung.
Zeiteinsparung: 2–4 Tage pro Monat für Report-Koordination.
Was funktioniert noch nicht — oder nur bedingt
Es ist wichtig zu sagen, was nicht funktioniert:
Verhandlung mit Lieferanten. Nicht, weil es technisch unmöglich ist. Sondern weil das menschliche Verhältnis zählt. Ein Agent kann das erste Angebot evaluieren, aber die Verhandlung "Können Sie auf 5 % runter?" braucht einen Menschen. Das ist Beziehung, nicht Prozess.
Strategische Sourcing-Entscheidungen. "Sollen wir Supplier A oder B wählen?" Diese Frage hat mehr Dimensionen als Agenten handhaben können — Geschäftsbeziehung, Risikotoleranz, langfristige Strategie. Der Agent kann Input liefern, aber der Mensch trifft die Entscheidung.
Unerwartete Probleme. Wenn etwas nicht nach Plan läuft — Lieferant hat Kapazitätsproblem, neue Regulierung ändert die Anforderung — braucht der Agent konstante Anpassung. Das ist nicht autonom, das ist Micro-Management.
Die Voraussetzungen, die du brauchst
Damit KI-Agenten im Einkauf funktionieren, sind drei Dinge notwendig:
1. Strukturierte Daten in einem System.
Das ist die größte Hürde. Wenn deine Daten über drei Excel-Tabellen, zwei ERP-Systeme und Outlook verteilt sind, kann ein Agent nicht arbeiten. Der Agent braucht eine Single Source of Truth — ein System, in dem die Daten sauber, konsistent und abrufbar sind.
Das muss nicht fancy sein. Ein modernes Beschaffungssystem, wie cusoso es bietet, reicht. Auch ein gut strukturiertes ERP-Modul funktioniert.
Typischer Aufwand: 2–4 Wochen Datenbereinigung und Struktur-Definition.
2. Eine Plattform mit APIs.
KI-Agenten funktionieren nicht isoliert. Sie brauchen Zugang zu Systemen — ERP, RFQ-Plattform, Lieferanten-Portal. Das funktioniert nur über APIs. Wenn dein System ein Monolith ist und keine offenen Schnittstellen hat, ist Agenten-Integration schwierig.
Faustregel: Wenn du ein modernes SaaS-System hast (Cloud, not on-prem), hast du wahrscheinlich APIs.
3. Klar definierte Prozesse.
Der Agent braucht eine Regel, nach der er arbeitet. "Wenn RFQ rausgeht, sammle Angebote bis Tag 5, fasse die Daten zusammen, zeige Vergleich." Das ist konkret und maschinell.
Vage Anforderungen funktionieren nicht. "Einfach intelligentes Bedarfsmanagement" ist zu unklar. "Identifiziere Duplikate in Bedarfsmeldungen basierend auf Kategorie + Volumen + Termin" ist konkret.
Praktisches Umsetzungsszenario
Ein Mittelständler mit 4 Einkäufern, 50 Ausschreibungen pro Jahr, 150 Millionen Euro Volumen. Hauptproblem: Angebotsvergleich dauert zu lange, Reports sind Handarbeit.
Monat 1: Pilotvorbereitung
- RFQ-Plattform etablieren (falls nicht vorhanden)
- Definieren, was ein standardisiertes Angebot ist (Positionen, Preise, Lieferzeit, etc.)
- 3–5 typische RFQs analysieren und Struktur dokumentieren
Monat 2: Agent-Setup
- Mit einem KI-Anbieter (z.B. Anthropic, OpenAI, lokale Modelle wie Ollama) einen Proof of Concept aufbauen
- Agent-Logik definieren: RFQ-Input → Parse Angebote → Strukturierte Tabelle → Vergleich
- Auf 2–3 echten RFQs testen
Monat 3: Pilot-Betrieb
- Agent läuft im echten Betrieb
- Einkäufer nutzen die automatisch generierten Vergleiche
- Feedback sammeln und Anpassungen machen
Monat 4+: Skalieren oder ausbauen
- Wenn Angebotsvergleich läuft: Nächster Agent für Bedarfsbündelung
- Dann: Lieferanten-Scoring
- Dann: Automatische Reportierung
Kosten und ROI
Die Frage, die jeder stellt: Lohnt sich das wirtschaftlich?
Kurz: Ja, aber mit Voraussetzung.
Kosten:
- SaaS-Plattform (falls nicht vorhanden): 500–1500 Euro/Monat
- KI-Model-API (z.B. GPT-4, Claude): 100–500 Euro/Monat für durchschnittliche Einkaufsabteilung
- Integrationsarbeit und Prozess-Definition: 200–400 Stunden, 10–20k Euro intern oder extern
Einsparungen:
- Angebotsvergleich: 10 Stunden × 50 Ausschreibungen = 500 Stunden/Jahr
- Bedarfsbündelung: 5 Stunden × 12 Monate = 60 Stunden/Jahr
- Report-Generierung: 2 Tage × 12 Monate = 96 Stunden/Jahr
Gesamteinsparung: ~650 Stunden/Jahr für eine 4-Person-Abteilung = ein Drittel einer FTE.
Break-Even bei durchschnittlicher Einkaufs-Stundensatz (80–100 Euro): 6–10 Monate.
Das ist guter ROI.
Die größten Hürden in der Realität
Technik ist oft nicht das Problem. Die Probleme sind anderswo:
Hürde 1: Datenqualität.
"Unsere ERP-Daten sind kein Zustand" — das höre ich oft. Wenn die Daten schlecht sind, kann der Agent nur mit Müll arbeiten. Müll rein, Müll raus.
Das Problem: Datenbereinigung braucht Zeit. Die Einkäufer haben aber keine Zeit für "Projekte", die nicht sofort Wert liefern.
Lösung: Minimal Viable Data Start. Nicht alle Felder perfekt. Sondern: 5–6 kritische Felder sauber, der Rest folgt.
Hürde 2: Change Management.
Wenn der Agent Angebotsvergleiche macht, verliert der Einkäufer eine Aufgabe, die er kannte. Das kann Angst auslösen: "Wird mein Job weniger wichtig?"
Fakt: Die Aufgabe wird weniger zeitaufwendig. Der Einkäufer kann sich dann auf bessere Aufgaben konzentrieren — Lieferantenentwicklung, Verhandlung, Strategisches Sourcing. Das ist interessanter, nicht weniger.
Aber das muss kommuniziert werden. Nicht als "der Agent ersetzt dich", sondern als "der Agent gibt dir Zeit für das, das zählt."
Hürde 3: Erwartungs-Management.
"KI-Agent" klingt nach Magie. Die Erwartung ist oft: der Agent macht alles perfekt. Realität: der Agent macht 80 % automatisiert, 20 % brauchen manuelle Anpassung.
Das ist OK. 80 % Automation ist immer noch enormer Gewinn. Aber die Erwartung muss von Anfang an realistisch sein.
Wer sollte anfangen?
Nicht jedes Unternehmen braucht KI-Agenten im Einkauf. Aber die sollten:
- Mittelständler (50–200 Millionen Euro Volumen) mit 4–10 Einkäufern: perfekt. Groß genug, dass Automatisierung Sinn macht. Klein genug, dass die Komplexität überschaubar ist.
- Branchen mit wiederholbaren Prozessen: Maschinenbau, Elektronik, Logistik, Retail. Branchen mit Ad-hoc-Chaos: weniger gut geeignet.
- Unternehmen mit modernem Stack: SaaS-System, APIs, strukturierte Daten. Legacy-Monolithen: schwierig.
Die Zukunft ist nicht "entweder Mensch oder Agent"
Das Wichtigste zum Abschluss dieser Serie: KI-Agenten werden Einkauf nicht ersetzen. Sie werden den Einkauf verändern.
Der Einkäufer der Zukunft verbringt weniger Zeit mit Dateneingabe und manuellen Vergleichen. Er verbringt mehr Zeit mit Lieferantenentwicklung, strategischen Verhandlungen, Risikomanagement.
Das ist nicht weniger Einkauf. Das ist besserer Einkauf.
Für den Mittelstand im DACH-Raum bedeutet das konkret: Die Unternehmen, die jetzt anfangen — 2026 — werden in 18 Monaten einen großen Vorteil haben. Sie werden schneller reagieren können, bessere Daten-gestützte Entscheidungen treffen und für strategische Aufgaben Raum haben.
Die Unternehmen, die warten, werden aufgeholt haben.
Der Moment ist jetzt. Nicht weil die Technik perfekt ist — sie ist es nicht. Sondern weil die Kombination aus gutem genug Technik, reifem Markt und echtem Business Need genau jetzt passt.
Wenn du diese Serie gelesen hast und denkst "Das könnte bei uns funktionieren" — fang klein an. Ein Use Case. Ein Prozess. Ein Agent. Das Ergebnis wird dich überraschen.
Die ehrliche Antwort: Mehr als viele denken. Aber mit konkreten Voraussetzungen.
Die Use Cases, die jetzt funktionieren
Nicht alles, das KI kann, sollte man implementieren. Aber einige Aufgaben im Einkauf sind reif für Automatisierung:
Automatisierter Angebotsvergleich. Der Agent nimmt die Eingaben — aus RFQ-Plattform, aus Lieferanten-Portalen, aus eingescannten PDFs — normalisiert sie und vergleicht automatisch. Er stellt Positionen parallel gegenüber, berechnet Preise und kennzeichnet Abweichungen automatisch. Das funktioniert, weil die Logik einfach ist: viel Text rein, strukturierte Tabelle raus. Der Einkäufer bekommt eine vorgefertigte Analyse, nicht rohe Daten.
Zeiteinsparung: 8–16 Stunden pro Ausschreibung, abhängig von der Komplexität.
Bedarfserkennung und Bündelung. Bedarfe kommen unstrukturiert rein: E-Mail, Form, Teams-Nachricht, Excel. Der Agent erkennt Duplikate und Ähnlichkeiten, führt sie zusammen und schlägt Bündelungen vor. "Position A und B sind ähnlich — könnten wir die zusammen ausschreiben?" Das funktioniert gut für sich wiederholende Kategorien.
Zeiteinsparung: 4–6 Stunden pro Monat für Bedarfs-Koordination.
Lieferanten-Vorqualifizierung. Der Agent prüft neue Lieferanten gegen Compliance-Anforderungen: Ist das Unternehmen registriert? Gibt es Sanktions-Einträge? Hat es relevante Zertifizierungen? Das ist Datenabgleich, nicht komplexes Denken — ideal für Agenten.
Zeiteinsparung: 90 % der Anfangsqualifizierung kann automatisiert laufen.
Report-Generierung. Ein Agent, der Daten aus dem ERP/Beschaffungssystem zieht, strukturiert und in Bericht-Form gießt. Savings pro Kategorie, Lieferantenbewertung, Compliance-Status — alles aktuell ohne manuelle Zusammenstellung.
Zeiteinsparung: 2–4 Tage pro Monat für Report-Koordination.
Was funktioniert noch nicht — oder nur bedingt
Es ist wichtig zu sagen, was nicht funktioniert:
Verhandlung mit Lieferanten. Nicht, weil es technisch unmöglich ist. Sondern weil das menschliche Verhältnis zählt. Ein Agent kann das erste Angebot evaluieren, aber die Verhandlung "Können Sie auf 5 % runter?" braucht einen Menschen. Das ist Beziehung, nicht Prozess.
Strategische Sourcing-Entscheidungen. "Sollen wir Supplier A oder B wählen?" Diese Frage hat mehr Dimensionen als Agenten handhaben können — Geschäftsbeziehung, Risikotoleranz, langfristige Strategie. Der Agent kann Input liefern, aber der Mensch trifft die Entscheidung.
Unerwartete Probleme. Wenn etwas nicht nach Plan läuft — Lieferant hat Kapazitätsproblem, neue Regulierung ändert die Anforderung — braucht der Agent konstante Anpassung. Das ist nicht autonom, das ist Micro-Management.
Die Voraussetzungen, die du brauchst
Damit KI-Agenten im Einkauf funktionieren, sind drei Dinge notwendig:
1. Strukturierte Daten in einem System.
Das ist die größte Hürde. Wenn deine Daten über drei Excel-Tabellen, zwei ERP-Systeme und Outlook verteilt sind, kann ein Agent nicht arbeiten. Der Agent braucht eine Single Source of Truth — ein System, in dem die Daten sauber, konsistent und abrufbar sind.
Das muss nicht fancy sein. Ein modernes Beschaffungssystem, wie cusoso es bietet, reicht. Auch ein gut strukturiertes ERP-Modul funktioniert.
Typischer Aufwand: 2–4 Wochen Datenbereinigung und Struktur-Definition.
2. Eine Plattform mit APIs.
KI-Agenten funktionieren nicht isoliert. Sie brauchen Zugang zu Systemen — ERP, RFQ-Plattform, Lieferanten-Portal. Das funktioniert nur über APIs. Wenn dein System ein Monolith ist und keine offenen Schnittstellen hat, ist Agenten-Integration schwierig.
Faustregel: Wenn du ein modernes SaaS-System hast (Cloud, not on-prem), hast du wahrscheinlich APIs.
3. Klar definierte Prozesse.
Der Agent braucht eine Regel, nach der er arbeitet. "Wenn RFQ rausgeht, sammle Angebote bis Tag 5, fasse die Daten zusammen, zeige Vergleich." Das ist konkret und maschinell.
Vage Anforderungen funktionieren nicht. "Einfach intelligentes Bedarfsmanagement" ist zu unklar. "Identifiziere Duplikate in Bedarfsmeldungen basierend auf Kategorie + Volumen + Termin" ist konkret.
Praktisches Umsetzungsszenario
Ein Mittelständler mit 4 Einkäufern, 50 Ausschreibungen pro Jahr, 150 Millionen Euro Volumen. Hauptproblem: Angebotsvergleich dauert zu lange, Reports sind Handarbeit.
Monat 1: Pilotvorbereitung
- RFQ-Plattform etablieren (falls nicht vorhanden)
- Definieren, was ein standardisiertes Angebot ist (Positionen, Preise, Lieferzeit, etc.)
- 3–5 typische RFQs analysieren und Struktur dokumentieren
Monat 2: Agent-Setup
- Mit einem KI-Anbieter (z.B. Anthropic, OpenAI, lokale Modelle wie Ollama) einen Proof of Concept aufbauen
- Agent-Logik definieren: RFQ-Input → Parse Angebote → Strukturierte Tabelle → Vergleich
- Auf 2–3 echten RFQs testen
Monat 3: Pilot-Betrieb
- Agent läuft im echten Betrieb
- Einkäufer nutzen die automatisch generierten Vergleiche
- Feedback sammeln und Anpassungen machen
Monat 4+: Skalieren oder ausbauen
- Wenn Angebotsvergleich läuft: Nächster Agent für Bedarfsbündelung
- Dann: Lieferanten-Scoring
- Dann: Automatische Reportierung
Kosten und ROI
Die Frage, die jeder stellt: Lohnt sich das wirtschaftlich?
Kurz: Ja, aber mit Voraussetzung.
Kosten:
- SaaS-Plattform (falls nicht vorhanden): 500–1500 Euro/Monat
- KI-Model-API (z.B. GPT-4, Claude): 100–500 Euro/Monat für durchschnittliche Einkaufsabteilung
- Integrationsarbeit und Prozess-Definition: 200–400 Stunden, 10–20k Euro intern oder extern
Einsparungen:
- Angebotsvergleich: 10 Stunden × 50 Ausschreibungen = 500 Stunden/Jahr
- Bedarfsbündelung: 5 Stunden × 12 Monate = 60 Stunden/Jahr
- Report-Generierung: 2 Tage × 12 Monate = 96 Stunden/Jahr
Gesamteinsparung: ~650 Stunden/Jahr für eine 4-Person-Abteilung = ein Drittel einer FTE.
Break-Even bei durchschnittlicher Einkaufs-Stundensatz (80–100 Euro): 6–10 Monate.
Das ist guter ROI.
Die größten Hürden in der Realität
Technik ist oft nicht das Problem. Die Probleme sind anderswo:
Hürde 1: Datenqualität.
"Unsere ERP-Daten sind kein Zustand" — das höre ich oft. Wenn die Daten schlecht sind, kann der Agent nur mit Müll arbeiten. Müll rein, Müll raus.
Das Problem: Datenbereinigung braucht Zeit. Die Einkäufer haben aber keine Zeit für "Projekte", die nicht sofort Wert liefern.
Lösung: Minimal Viable Data Start. Nicht alle Felder perfekt. Sondern: 5–6 kritische Felder sauber, der Rest folgt.
Hürde 2: Change Management.
Wenn der Agent Angebotsvergleiche macht, verliert der Einkäufer eine Aufgabe, die er kannte. Das kann Angst auslösen: "Wird mein Job weniger wichtig?"
Fakt: Die Aufgabe wird weniger zeitaufwendig. Der Einkäufer kann sich dann auf bessere Aufgaben konzentrieren — Lieferantenentwicklung, Verhandlung, Strategisches Sourcing. Das ist interessanter, nicht weniger.
Aber das muss kommuniziert werden. Nicht als "der Agent ersetzt dich", sondern als "der Agent gibt dir Zeit für das, das zählt."
Hürde 3: Erwartungs-Management.
"KI-Agent" klingt nach Magie. Die Erwartung ist oft: der Agent macht alles perfekt. Realität: der Agent macht 80 % automatisiert, 20 % brauchen manuelle Anpassung.
Das ist OK. 80 % Automation ist immer noch enormer Gewinn. Aber die Erwartung muss von Anfang an realistisch sein.
Wer sollte anfangen?
Nicht jedes Unternehmen braucht KI-Agenten im Einkauf. Aber die sollten:
- Mittelständler (50–200 Millionen Euro Volumen) mit 4–10 Einkäufern: perfekt. Groß genug, dass Automatisierung Sinn macht. Klein genug, dass die Komplexität überschaubar ist.
- Branchen mit wiederholbaren Prozessen: Maschinenbau, Elektronik, Logistik, Retail. Branchen mit Ad-hoc-Chaos: weniger gut geeignet.
- Unternehmen mit modernem Stack: SaaS-System, APIs, strukturierte Daten. Legacy-Monolithen: schwierig.
Die Zukunft ist nicht "entweder Mensch oder Agent"
Das Wichtigste zum Abschluss dieser Serie: KI-Agenten werden Einkauf nicht ersetzen. Sie werden den Einkauf verändern.
Der Einkäufer der Zukunft verbringt weniger Zeit mit Dateneingabe und manuellen Vergleichen. Er verbringt mehr Zeit mit Lieferantenentwicklung, strategischen Verhandlungen, Risikomanagement.
Das ist nicht weniger Einkauf. Das ist besserer Einkauf.
Für den Mittelstand im DACH-Raum bedeutet das konkret: Die Unternehmen, die jetzt anfangen — 2026 — werden in 18 Monaten einen großen Vorteil haben. Sie werden schneller reagieren können, bessere Daten-gestützte Entscheidungen treffen und für strategische Aufgaben Raum haben.
Die Unternehmen, die warten, werden aufgeholt haben.
Der Moment ist jetzt. Nicht weil die Technik perfekt ist — sie ist es nicht. Sondern weil die Kombination aus gutem genug Technik, reifem Markt und echtem Business Need genau jetzt passt.
Wenn du diese Serie gelesen hast und denkst "Das könnte bei uns funktionieren" — fang klein an. Ein Use Case. Ein Prozess. Ein Agent. Das Ergebnis wird dich überraschen.