AI im Einkauf: Was sich tatsächlich von der Beschaffung bis zur Bezahlung ändert

Was bedeutet AI im Einkauf eigentlich?

Wenn man die Anbieter-Sprache weglässt, ist AI im Einkauf Mustererkennung und Textgenerierung, angewendet auf die Schritte zwischen einer Kaufanforderung und einer bezahlten Rechnung: Qualifizierung von Lieferanten, Entwurf von RFx-Dokumenten, Normalisierung und Bewertung von Angeboten, Analyse von Verträgen, Klassifizierung von Ausgaben, Abgleich von Rechnungen. Die von Fachkollegen begutachtete Behandlung lokalisiert die Grenze präzise – nicht in Automatisierung wiederkehrender Aufgaben aber in fortschrittliche Analysen zur Unterstützung strategischer Einkaufsentscheidungen, wie z. B. die Ausgabenklassifizierung, wobei die Ausgabe eines Modells eine Entscheidung speist, die ein Einkäufer immer noch selbst treffen muss.

Wo steht die AI-Einführung in der Beschaffung heute?

Aufmerksamkeit ist nahezu universell; Skalierung ist selten. In der 2026-Schlüsselthemenforschung der Hackett Group, 80% der Beschaffungsmanager identifizierten die AI-gestützte Technologie als den transformativsten Trend, der die Funktion in den nächsten fünf Jahren beeinflussen wird. — während in derselben Studie, 43% der Unternehmen verfolgen aktiv die Einführung von AI, fast doppelt so viele wie im Vorjahr, und nur 12% berichten von einer groß angelegten Implementierung. Deloittes separate 2024-Umfrage von über 100 CPOs stellte eine andere Frage an eine andere Bevölkerungsgruppe – Absicht, nicht Umfang: 92% planten und bewerteten generative-AI-Fähigkeiten.

Wie Organisationen adaptieren, ist genauso wichtig wie ob: in der Hackett-Studie, 69% Zugriff auf AI durch Funktionen, die in ihre bestehenden Beschaffungsplattformen eingebettet sind, konzentriert auf Vertragsmanagement, Marktinformationen und Ausgabenanalysen. Die erste AI-Entscheidung ist in der Regel eine Bewertung dessen, was Ihr bestehender Stack bereits liefert.

Welche Sourcing-Schritte hat AI tatsächlich übernommen?

Die Anwendungsfälle, die sich tatsächlich verbreitet haben, konzentrieren sich auf den informationsintensiven mittleren Teil des Sourcing-Zyklus. Gartners 2025 Hype-Cycle-Analyse benennt das gängige Muster: Textverarbeitung und Workflow-Automatisierung, die Aufgaben wie die Automatisierung des Vertragsmanagements, die Projektdefinition, Lieferantenempfehlungen und die automatische Generierung von "Request For" (RFx) Dokumenten unterstützen.

Beachten Sie, wofür dies ein Beweis ist und wofür nicht: Es zeigt, wo Organisationen implementieren, nicht wie viel Zeit oder Kosten sie einsparen. Die Lieferantenfindung folgt dem gleichen Muster – die Erweiterung des Trichters über bekannte etablierte Anbieter hinaus, ein Schritt, den unser Leitfaden zum Lieferantenfindungsprozess detailliert behandelt.

Beachten Sie, was auf dieser Liste fehlt: Nichts davon entscheidet. Das Entwerfen eines RFx ist keine Vergabe; die Empfehlung eines Lieferanten ist keine Akzeptanz des Risikos, das mit ihm verbunden ist. Was automatisiert wird, ist die Vorbereitung, nicht die Beurteilung.

Was ändert AI in den Source-to-Pay-Operationen?

Nachgelagert zum Sourcing ist der am besten untersuchte Fall die Ausgabenklassifizierung – die Entscheidung, was ein Unternehmen tatsächlich gekauft hat, Zeile für Zeile, anhand einer Taxonomie wie UNSPSC oder eines eigenen Kategorienbaums, als Grundlage für Ausgabenanalyse und Kategorienstrategie. Die Fallstudienforschung des Journal of Purchasing and Supply Management schlägt vor Hybride Intelligenzmodelle, die menschliche und AI-Fähigkeiten kombinieren und menschliches Fachwissen nutzen, um AI-Ausgaben zu validierenDie Form verallgemeinert sich auf den Rechnungsabgleich und die Vertragsanalyse: Das Modell schlägt in großem Maßstab vor; eine Person entscheidet über die Ausnahmen.

Investitionen folgen der gleichen Logik. Laut der Umfrage von Deloitte, nahezu 11% der Unternehmen gaben bereits mehr als $1 Millionen ihres Jahresbudgets für generative AI-Funktionen für Sourcing und Beschaffung im Jahr 2024 aus — echtes Geld, obwohl dieser Datensatz nicht zeigt, wofür dieses Budget vorgesehen war.

Welche Beschaffungsentscheidungen bleiben menschlich?

Für Systeme, die die EU als Hochrisikosysteme einstuft, ist diese Abgrenzung nicht länger nur eine gute Praxis – sie ist gesetzlich vorgeschrieben. Artikel 14 des AI-Gesetzes verlangt, dass diese Systeme während der Nutzungsdauer effektiv von natürlichen Personen überwacht werden können, einschließlich der Befugnis in einer bestimmten Situation zu entscheiden, das Hochrisikosystem AI nicht zu verwenden.

Die meisten Beschaffungstools fallen nicht unter diese Klassifizierung. Die Richtung der regulatorischen Argumentation ist dennoch eindeutig: Der Mensch ist der verantwortliche Bediener, nicht ein Notnagel.

Die Beschaffungsrichtlinien der Regierung ziehen eine Parallele von der Einkaufsseite: Das 2025-Beschaffungsmemorandum (M-25-22) des U.S. OMB besagt, dass Behörden müssen sicherstellen, dass die von ihnen beschafften AI-Systeme zweckmäßig sind und konsistente Ergebnisse liefern, die das Vertrauen der Öffentlichkeit erhaltenKeines der Dokumente schreibt vor, wer eine Bestellung unterzeichnet – aber zusammen gelesen entsprechen sie der bereits bestehenden Verantwortlichkeit im Einkauf: Vergabe, Verhandlungsposition und Risikoakzeptanz liegen bei der verantwortlichen Person.

Wo hat AI im Einkauf nicht die Erwartungen erfüllt?

Ehrlich gesagt: an vielen Stellen, und der Analystenbericht bestätigt dies. Die Veröffentlichung von Gartner vom Juli 2025 trägt den Titel Gartner sagt, dass generative AI für den Einkauf das Tal der Enttäuschung erreicht hat — viele Organisationen erzielen ungleichmäßige ROI oder bleiben hinter den Erwartungen zurück. Der Mechanismus ist wichtiger als die Bezeichnung: Fragmentierte und minderwertige Daten in den Beschaffungssystemen können genaue Ergebnisse behindern, und die Integration eigenständiger GenAI-Lösungen ist oft komplex.

Aus der Sicht der Akzeptanz ist die wahrscheinlichste Erklärung keine Technologielücke, sondern eine Datenfundamentlücke. Ein Modell, das fragmentierte Ausgabendaten liest, liefert sichere, falsche Antworten schneller als die Tabellenkalkulation – was eine Schlussfolgerung aus dem von Gartner genannten Mechanismus ist, keine gemessene Erkenntnis.

Eine Einführungssequenz, die die Grenze respektiert

1. Beheben Sie die Daten vor dem Modell. Die dokumentierten Fehlerquellen ergeben sich aus fragmentierten Beschaffungsdaten; die Ausgabenklassifizierung und die Bereinigung der Lieferantenstammdaten sind unglamourös, messbar und Voraussetzung.
2. Automatisieren Sie zuerst die Dokumentenarbeit – aber nicht einheitlich. Entwürfe und Zusammenfassungen können kostengünstig korrigiert werden, solange das Artefakt noch intern ist; das ist der eigentliche Kontrollpunkt, denn sobald eine Ausschreibung veröffentlicht ist, bedeutet eine Korrektur eine formelle Änderung für alle Bieter, und geänderte Kriterien schaffen ein Risiko der Ungleichbehandlung. Die Angebotsnormalisierung gehört überhaupt nicht in diese Ebene: Die Nivellierung von Angeboten auf eine gemeinsame Basis konstruiert den Vergleich, auf dem die Vergabe beruht, daher benötigt sie eine Nachvollziehbarkeit auf Zeilenebene zu jedem eingereichten Angebot und eine Überprüfung der Annahmen durch eine zweite Person. Automatisieren Sie die Reihenfolge nach den Kosten eines falschen Ergebnisses, nicht danach, ob ein Mensch nominell involviert ist.
3. Instrumentieren Sie die Grenze. Benennen Sie für jeden AI-unterstützten Schritt die verantwortliche Person und was sie prüft, bevor die Ausgabe zur Aktion wird.
4. Kaufen Sie AI, wie die Beschaffung alles andere kauft. Zweckmäßige Nachweise, messbare Ergebnisse, Ausstiegsbedingungen – der Standard, der jetzt US-Behörden auferlegt wird, ist ein solider privater Standard.
5. Skalieren nach Evidenz, nicht nach Roadmap. Erweitern Sie Piloten nur dort, wo Ihre eigenen gemessenen Zykluszeit- oder Genauigkeitsdaten dies unterstützen.

Wie verändern AI-Agenten die Beschaffungsarbeit?