Rezension von Omnifold, supply chain AI Softwareanbieter

Von Léon Levinas-Ménard

Zuletzt aktualisiert: November, 2025

Omnifold ist ein junges, stark finanziertes Startup, das sich als eigens entwickeltes KI-System für supply chain forecasting und optimization positioniert und „selbstverbessernde“ Modelle verspricht, die auf den Daten und der Netzwerkstruktur jedes Kunden trainiert werden – im Gegensatz zu generischen Werkzeugen oder tabellenkalkulationsbasierten Planungsmethoden. Gegründet um 2024 und tätig unter der Domain omnifold.ai richtet sich das Unternehmen an CPG, den Einzelhandel und produzierende Organisationen, die komplexe, mehrstufige Netzwerke verwalten, und bietet eine cloudbasierte Plattform, die interne und externe Signale aufnimmt, detaillierte Nachfrageprofile lernt und Prognosen auf SKU/Standort/Kundenebene generiert – wobei angeblich Deep Learning, Reinforcement Learning und Optimierung zur Unterstützung von Entscheidungen in Bezug auf Inventar, Logistik und sogar Marketing zum Einsatz kommen. Öffentliche Informationen deuten auf ein sehr kleines Team hin, jedoch auf ein Investorenportfolio, das unter anderem Kleiner Perkins, Lightspeed Venture Partners und mehrere prominente Führungskräfte im supply chain Bereich umfasst, sowie auf mindestens einen bekannten Fall, in dem Omnifold’s KI eingesetzt wurde, um die Expansion einer Getränkemarke in einen großen Club-Einzelhändler zu unterstützen. Gleichzeitig stammen nahezu alle konkreten Behauptungen hinsichtlich Genauigkeitsverbesserungen, Optimierungsverhalten und zugrunde liegender Architektur entweder von Omnifold selbst oder aus marketingähnlichen Drittanbieter-Beschreibungen; es gibt keine offene technische Dokumentation, veröffentlichte Benchmarks oder Code, und nur ein klar identifizierter Kunde, was bedeutet, dass – obwohl das konzeptionelle Design mit modernen “AI for supply chain”-Ideen übereinstimmt – der tatsächliche Reifegrad und die Besonderheit von Omnifold’s Technologie in der öffentlichen Dokumentation weitgehend unbewiesen bleiben.

Omnifold Überblick

Im Kern beschreibt sich Omnifold als ein KI-System für supply chain, das „Ihr gesamtes supply chain Netzwerk versteht“, alle internen Betriebsdaten mit „jeder erdenklichen externen Datenquelle, die Signale zu Ihrem Geschäft liefert“ integriert und eine einzige „selbstverbessernde KI“, die auf dieses Netzwerk zugeschnitten ist, trainiert.¹ Die versprochenen Ergebnisse sind hochdetaillierte Prognosen, die die Nachfrage nach SKU, Packungsgröße, Distributionszentrum, Einzelhändler und manchmal Kunden aufschlüsseln, zusammen mit szenariobasierten Empfehlungen, die Produktionsläufe, Einführungspläne sowie werbungs- oder marketingbezogene Entscheidungen beeinflussen können.²³⁴ Das Unternehmen stellt diesen Ansatz ausdrücklich im Gegensatz zu klassischen Tabellenkalkulationen und generischen Large Language Model (LLM) Agenten dar und argumentiert, dass supply chain-Prognosen numerisch präzise, netzwerkbewusste Modelle erfordern, die aus der operativen Leistung lernen, anstatt aus Internetschriften.⁵⁶⁷⁸

Öffentliche Unternehmensprofile charakterisieren Omnifold konsequent als ein Startup der Generation 2024–2025. PitchBook führt Omnifold als 2024 gegründet mit neun Mitarbeitern auf und beschreibt es als Entwickler eines „selbstverbessernden KI-Systems“ für supply chain und kommerzielle Planung, das dynamische Prognosen basierend auf Deep Learning, Reinforcement Learning und Optimierung bereitstellt.⁹ Tracxn nennt das Gründungsjahr ebenfalls 2024 und beschreibt Omnifold als Entwickler von supply chain Software unter Einsatz künstlicher Intelligenz für Prognosen, mit Hauptsitz in San Francisco.¹⁰ The Org führt Omnifold mit 1–10 Mitarbeitern auf und positioniert es im Bereich AI/ML und Unternehmenssoftware, wobei der „selbstverbessernde Prognosealgorithmus, der spezifisch auf die Komplexitäten Ihres Geschäfts zugeschnitten ist“, hervorgehoben wird und erwähnt, dass die Technologie von Forschern aus Stanford, MIT und Google entwickelt wurde.¹¹ Zusammen unterstützen diese Quellen das Bild eines kleinen, in einer frühen Phase befindlichen Unternehmens, das die Ambition hat, forschungsreife KI für den physischen Produktbetrieb zu entwickeln.

Auf der Finanzierungsseite nennt Omnifold’s Investoren-Seite Kleiner Perkins und Lightspeed Venture Partners, zusammen mit Persönlichkeiten wie John W. Thompson (ehemaliger Vorsitzender von Microsoft), Yannis Skoufalos (ehemaliger globaler supply chain Officer bei P&G), Girish Rishi (CEO von Cognite, ehemaliger CEO von Blue Yonder) und Amir Kazmi (ehemaliger CIO und Digitalbeauftragter bei WestRock).¹² Diese Mischung aus erstklassigen Risikokapitalfirmen und hochkarätigen Branchenführern deutet auf eine beträchtliche Frühfinanzierungsrunde hin; Omnifold’s eigene Karriereseite (hier nicht wiedergegeben, aber in Investor-Kommunikationen referenziert) gibt an, dass innerhalb von sechs Monaten nach dem Start 28 Millionen Dollar eingeworben wurden, obwohl diese genaue Zahl in unabhängigen, freien Drittanbieter-Datenbanken nicht verifiziert ist. Das Snippet von PitchBook bestätigt die Beteiligung von Wagniskapitalgebern und den Seed/Frühphasen-Status, gibt jedoch keine Rundenbeträge oder Bewertungen preis.⁹

Die Produktbotschaft von Omnifold konzentriert sich stark auf supply chain forecasting und optimization für Unternehmen, die physische Güter herstellen oder vertreiben, mit wiederholten Verweisen auf CPG, Einzelhandel und Fertigungsanwendungsfälle.¹³¹³⁴ Die Plattform wird als in der Lage dargestellt, Daten aus ERP, CRM, WMS, TMS, Marketing- und Vertriebssystemen sowie externen Feeds wie Wetter, Point-of-Sale-Daten, Kreditkartenausgaben, Nachrichten und anderen makroökonomischen Signalen aufzunehmen, um ein einheitliches Modell des Kunden-Netzwerks zu erstellen.¹³⁵ Dieses Modell soll Produkt-Hierarchien, Distributionszentren, Einzelhändler, Einschränkungen, Kannibalisierung und Saisonalität kodifizieren und anschließend Prognosen liefern, die sich automatisch anpassen, sobald neue Informationen eintreffen – wodurch jeder Planungszyklus zu zusätzlichen Trainingsdaten wird.²⁵⁷¹³¹⁴ Zusätzlich zu den Prognosen behaupten die Marketingmaterialien und Markeneintragungen von Omnifold, dass sie über Fähigkeiten in den Bereichen Simulationen, Szenarioanalysen und Optimierung von supply chain, Inventar und Logistikentscheidungen sowie bei der Budgetierung und Marketingzuweisung verfügen, ohne die mathematischen oder algorithmischen Details offenzulegen.

Aus kommerzieller Sicht ist der deutlichste Nachweis eines Live-Einsatzes eine gesponserte Sitzung bei CSCMP EDGE 2025, in der Caliwater’s Betriebsleiter gemeinsam mit Omnifold’s CMO über „Supporting Market Expansion with AI Powered Forecasting“ diskutiert.¹⁵ Die Sitzungsbeschreibung besagt, dass Prognosesysteme, die von einer für Caliwater’s supply chain trainierten KI betrieben werden, einen nahtlosen Markteintritt in einen großen Club-Einzelhändler ermöglichten – was impliziert, dass die Omnifold-Software in der Produktion eingesetzt wurde, um einen neuen Vertriebskanal und die hohe Unsicherheit der Nachfrage zu unterstützen. Darüber hinaus beschreibt das eigene Fallstudien-PDF von Omnifold anonymisierte Kunden wie ein börsennotiertes CPG-Unternehmen und einen Hersteller mit einem Umsatz von 3 Milliarden Dollar, wobei Verbesserungen der Prognosegenauigkeit um 20–36 Prozentpunkte auf granularer Ebene und siebenstellige finanzielle Auswirkungen behauptet werden – jedoch ohne unabhängige Bestätigung.³ Omnifold erscheint auch als vorgestelltes Startup in CSCMP’s „SF Supply Chain AI Series“ und als Sponsor/Aussteller bei weiteren supply chain Veranstaltungen, was auf aktive Markteinführungsbemühungen hinweist, aber bislang keine breite Akzeptanz zeigt.¹⁶¹⁷

Insgesamt lässt sich Omnifold am besten als ein kleines, von Wagniskapital unterstütztes, konzeptionell modernes „AI for supply chain“-Anbieter beschreiben, dessen öffentliche Materialien eine hochentwickelte Architektur und erhebliche Leistungssteigerungen präsentieren, wobei nahezu alle Belege selbst berichtet werden und die externe Validierung spärlich ist. Die stärksten Glaubwürdigkeits-Signale des Unternehmens sind sein Investorenportfolio und der benannte Caliwater-Fall; die schwächsten Punkte sind das Fehlen technischer Dokumentation, Benchmarks oder einer umfangreichen Liste öffentlich benannter Kunden.

Omnifold vs Lokad

Omnifold und Lokad agieren beide im Bereich der KI-gestützten supply chain Planung, verkörpern jedoch fast gegensätzliche Philosophien hinsichtlich des Aufbaus, der Offenlegung und Validierung von Prognosen und Optimierungen. Omnifold betont ein einziges, kundenspezifisches „selbstverbesserndes“ KI-Modell, das von Planern weitgehend als undurchsichtige Blackbox behandelt wird: Daten werden hochgeladen, es werden Parameter auf hoher Ebene oder natürliche Sprachbefehle spezifiziert, und im Gegenzug erhält man hochdetaillierte Prognosen und Szenarien mit minimaler Modellanpassung oder -konfiguration.¹²⁵⁷ Die internen Abläufe dieser KI – ihre Architektur, Verlustfunktionen, der Umgang mit Einschränkungen und Optimierungsroutinen – werden nicht öffentlich offengelegt, und es gibt weder Code noch Benchmark-Wettbewerbe oder Methodendokumente, die einer externen Überprüfung zugänglich wären. Im Gegensatz dazu positioniert sich Lokad als eine transparente, programmierbare Plattform, die auf einer domänenspezifischen Sprache (Envision) basiert und supply chain Wissenschaftlern ermöglicht, Prognose-, probabilistische Modellierungs- und Optimierungslogik direkt als Code auszudrücken, der anschließend auf einer cloudnativen Engine kompiliert und ausgeführt wird.¹⁸¹⁹¹⁴ Anstatt die Komplexität zu verstecken, legt Lokad sie offen: Jede Entscheidung (z. B. eine Bestellmenge) lässt sich zurückverfolgen über probabilistische Prognosen und wirtschaftliche Treiber, die in Envision-Skripten definiert sind, und das Unternehmen hat seine Methoden durch Vorträge, technische Artikel und eine starke Präsenz im M5-Prognosewettbewerb dokumentiert.¹⁸²⁰²¹²²²³²⁴

Bei den Prognosen betont Omnifold, dass seine KI-Modelle pro Kunde trainiert werden, um die Struktur eines spezifischen supply chain Netzwerks zu erfassen und alle verfügbaren Signale – einschließlich externer Daten wie Wetter und Kreditkartenausgaben – zu nutzen, um die Nachfrage bis auf SKU/Standort/Kunde zu prognostizieren.¹²³⁵ Investoren und Unternehmensprofile beschreiben diese Modelle als basierend auf Deep Learning, Reinforcement Learning und Optimierung, geben jedoch nicht an, ob das System vollständige Vorhersageverteilungen, Quantile oder nur Punktprognosen liefert.⁹¹⁰²³ Im Gegensatz dazu formuliert Lokad seine Kerninnovation seit Langem als probabilistische Prognose – es werden komplette Nachfrageverteilungen und nicht nur Einzelpunktprognosen generiert – und verwendet explizit quantilbasierte Bewertung und Optimierung, die den erwarteten finanziellen Fehler minimieren, also Dollar des Fehlers statt rein statistischer Maße.¹⁸¹⁹²⁰¹⁴ Lokads Teilnahme am M5-Wettbewerb, bei dem ein Team von Mitarbeitern den 6. Platz von 909 Teams belegte und bei der SKU-Ebene die höchste Genauigkeit erzielte, liefert einen konkreten externen Nachweis seiner Prognosemethoden anhand eines weit verbreiteten Einzelhandelsdatensatzes.²¹²²²³²⁴

Bei Entscheidungsfindungen vermarktet sich Omnifold als ein System, das nicht nur prognostiziert, sondern auch „Geschäftsentscheidungen“ in den Bereichen supply chain, Inventar, Logistik und sogar Marketingbudgets optimiert – und zwar mithilfe von Simulationen und Szenarioanalysen.³¹³⁸⁴ Die Blogs des Unternehmens zeigen Beispiele, in denen die KI optimale Produktionsläufe oder Budgetumverteilungen unter veränderten Bedingungen (z. B. Preissenkungen der Konkurrenz oder Lancierung neuer Vertriebskanäle) vorschlägt, doch bleibt die zugrunde liegende Optimierungsschicht eine Blackbox: Es ist unklar, ob Omnifold klassisches mathematisches Programmieren, heuristische Suche oder Reinforcement Learning für diese Entscheidungen verwendet, und es gibt keine explizite Behandlung von Einschränkungen oder Zielsetzungen jenseits narrativer Beschreibungen.²⁵¹³⁸ Im Gegensatz dazu definiert Lokad die Optimierung explizit als einen nachgelagerten Schritt, der probabilistische Prognosen und wirtschaftliche Treiber (Lagerhaltungskosten, Fehlmengenkosten etc.) einbezieht, um ROI-rangierte Entscheidungslisten unter Anwendung proprietärer stochastischer Optimierungsalgorithmen wie Stochastic Discrete Descent zu berechnen.¹⁸²⁰¹⁴ Während Lokads Algorithmen selbst nicht Open Source sind, sind deren Struktur und Zweck dokumentiert, und das Unternehmen erläutert die Modellierung von Einschränkungen und Zielsetzungen im Detail, sodass Dritte nachvollziehen können, wie Entscheidungen getroffen werden.¹⁸²⁰¹⁴²³

Vom Standpunkt der Reife her ist Omnifold ein sehr neuer Akteur mit einer Handvoll sichtbarer Kunden und Partner: Gegründet im Jahr 2024, laut PitchBook und The Org von weniger als zehn Personen betrieben und mit einem klar benannten Einsatz (Caliwater), ergänzt durch einige anonymisierte Fallstudien und Event-Sponsorings.¹⁵⁹¹⁰¹¹¹⁶¹⁷ Im Vergleich dazu wurde Lokad bereits 2008 gegründet, kann auf über ein Jahrzehnt kontinuierlicher Produktentwicklung verweisen und hat eine beträchtliche Basis an Industrie- und Einzelhandelskunden aufgebaut; es wurde zudem extern als Microsoft Azure Partner of the Year 2010 ausgezeichnet und 2012 von Wired zu den 100 heißesten Startups Europas gezählt.¹⁷²⁵ Lokads Prognose- und Optimierungs-Stack wurde über mehrere „Generationen“ hinweg verfeinert und wiederholt in der Produktion in Bereichen wie Einzelhandel, Luftfahrt und Fertigung erprobt, während Omnifold sich noch in der frühen Phase befindet, zu beweisen, dass sein Ansatz zuverlässig im großen Maßstab eingesetzt werden kann. Schließlich, in der Art, wie sie „KI“ präsentieren, stützt sich Omnifold stark auf Analogien zu Waymo und AlphaFold und argumentiert, dass supply chains eine ähnliche „Superintelligenz“ benötigen, wobei es LLM-Agenten explizit wegen ihrer numerischen Inkompetenz kritisiert – jedoch ohne viele konkrete Details zu seinen eigenen Architekturen preiszugeben.⁵⁷¹⁸ Lokad hingegen macht vergleichsweise zurückhaltende KI-Behauptungen, betont probabilistische Prognosen und quantitative Optimierung; der Hauptanziehungspunkt für technisch versierte Käufer liegt weniger im Schlagwort „KI“ als in der dokumentierten Kombination aus probabilistischen Modellen, kundenspezifischer Optimierung und einer programmierbaren DSL, unterstützt durch öffentliche Wettbewerbsergebnisse und technische Inhalte.¹⁸²⁰¹⁴²¹²²

Zusammengefasst gehören Omnifold und Lokad beide in die Kategorie “AI for supply chain planning”, jedoch positioniert sich Omnifold als Blackbox, ein selbstverbesserndes Modell, das darauf abzielt, technische Komplexität vor Planern zu verbergen, während Lokad sich als Whitebox, eine programmierbare Plattform, darstellt, die diese Komplexität offenlegt und kontrollierbar macht. Für Käufer besteht der Kompromiss darin, zwischen Omnifold’s Versprechen automatisierter Intelligenz mit minimaler Konfiguration (aber wenig Transparenz und Erfolgsbilanz) und Lokads erprobtem, technisch explizitem Stack zu wählen, der zwar mehr Modellierungsdisziplin erfordert, jedoch eine klarere Validierung und Nachvollziehbarkeit bietet.

Unternehmensgeschichte, Finanzierung und Führung

Öffentliche Firmenregister und Startup-Datenbanken einigten sich darauf, dass Omnifold im Jahr 2024 gegründet wurde und seinen Hauptsitz in San Francisco hat.⁹¹⁰ PitchBook beschreibt Omnifold als ein privates Unternehmen in der Seed-Phase mit neun Mitarbeitern laut der neuesten Aktualisierung.⁹ Das Profil von Tracxn listet Omnifold ebenfalls als 2024 gegründeten Entwickler von KI-basierter supply chain forecasting Software auf und bestätigt den Standort in San Francisco.¹⁰ The Org, welches Organigramme und Mitarbeiterzahlen sammelt, ordnet Omnifold im Bereich von 1–10 Mitarbeitern ab Mitte 2025 ein.¹¹ Diese Zahlen deuten auf eine sehr junge Organisation hin, auch wenn das zugrunde liegende Team erfahrene Gründer umfasst.

Omnifold’s Investorenseite nennt Kleiner Perkins und Lightspeed Venture Partners als institutionelle Unterstützer, neben prominenten Branchenpersönlichkeiten wie John W. Thompson, Yannis Skoufalos, Girish Rishi und Amir Kazmi.¹² Dies entspricht der Zusammenfassung von PitchBook, wonach Omnifold sechs Investoren hat und ein von Risikokapital unterstütztes Seed-Unternehmen ist.⁹ Obwohl in Omnifold’s Karriere- und Marketingmaterialien eine Gesamtbeschaffung von 28 Millionen US-Dollar innerhalb von sechs Monaten nach der Gründung erwähnt wird, ist diese spezifische Zahl in den frei zugänglichen Teilen von PitchBook oder Tracxn nicht sichtbar; in der Größe der Finanzierung muss daher von einer nicht verifizierten Eigenangabe ausgegangen werden. Dennoch macht die Präsenz solcher Investoren es glaubwürdig, dass Omnifold eine beträchtliche Seed/Series-A-Runde für ein Deep-Tech supply chain AI-Startup aufgebracht hat.

Biographien der Führungskräfte sind auf Drittanbieterseiten nicht vollständig öffentlich, aber das Profil von The Org beschreibt die Technologie von Omnifold als von Forschern von Stanford, MIT und Google entwickelt, was darauf hindeutet, dass das Gründerteam über signifikante Qualifikationen im Bereich maschinelles Lernen und Optimierung verfügt.²³ Das eigene Übersichtspdf und die Investorenmaterialien des Unternehmens (hier nur als Kontext und nicht als unabhängige Überprüfung angemerkt) stellen seinen CEO als Wiederholungstäter unter den Gründern dar, der über frühere Erfahrungen in der datenschutzwahrenden Analytik verfügt, und die Forschungsleitung als mit Hintergründen in Optimierung und Reinforcement Learning an Institutionen wie Stanford und Adept. Ohne externe akademische oder unternehmensbezogene Profile, die direkt mit Omnifold verknüpft sind, bleiben diese Angaben jedoch selbst gemeldet.

Product and capabilities

Kernumfang des Produkts

Die Homepage und Blogs von Omnifold geben durchgängig an, dass das Produkt ein KI-System für die Nachfrageprognose und supply chain optimization für Unternehmen ist, die in der physischen Welt operieren – insbesondere im CPG-Bereich, Einzelhandel und in der Fertigung.¹³¹³⁴ Das System soll das vollständige supply chain Netzwerk des Kunden modellieren, einschließlich Produkte, Lagerhäuser, Distributionszentren, Einzelhändler und Einschränkungen, und anschließend die Nachfrage in der maximal sinnvollen Detailgenauigkeit prognostizieren (z. B. SKU × pack size × DC × location), während gleichzeitig die Wechselwirkungen im gesamten Netzwerk berücksichtigt werden.¹²³⁵ In den Blogs beschriebene Anwendungsfälle umfassen die Planung neuer Vertriebseinführungen, nationale Expansionen und Werbeaktionen sowie die Neuausrichtung unter sich ändernden Wettbewerbs- und makroökonomischen Bedingungen.²⁵¹³¹⁶

Neben der Nachfrageprognose behauptet Omnifold, auch „optimization and simulation“ von Geschäftsentscheidungen in den Bereichen Inventar, Logistik und Marketing zu unterstützen, indem es Szenarien generiert, die Kompromisse zwischen Umsatz, Marge und Cashflow abwägen.³¹³⁸ Der Artikel „Cost of Bad Forecasts“ beschreibt beispielsweise Unternehmen, die von abgesicherten Teilproduktionsläufen zu Vollproduktionen übergehen, sobald sie Omnifold’s Volumen- und Mixprognosen vertrauen, oder die in der Lage sind, neue Produktkonfigurationen Monate vor der Markteinführung zu modellieren, um Bestandsengpässe und lange Vorlaufzeiten zu vermeiden.¹³ Ein weiterer Blog über Wachstummarketing stellt Omnifold als in der Lage dar, sein eigenes Szenario zur Budgetumverteilung als Reaktion auf Preissenkungen der Konkurrenz vorzuschlagen, wodurch mehrere finanzielle Ziele gleichzeitig optimiert werden.⁸ Allerdings werden die Mechanismen dieser Optimierungen nicht beschrieben; sie werden als Fähigkeiten dargestellt, die sich aus dem Verständnis des Netzwerks durch das Prognosemodell ableiten.

Nachfrageprognose und Netzmodellierung

Aus mehreren Blogs und dem Übersicht-PDF lässt sich die Prognose von Omnifold wie folgt zusammenfassen:

Es integriert alle internen Betriebsdaten: historische Bestellungen und Lieferungen, Inventar, Kapazitätsbeschränkungen, Verkaufsprognosen, Aktionskalender, Marketingausgaben sowie alle Planerhinweise oder -anpassungen.¹²³⁵¹³
Es erweitert dies mit ausgewählten externen Signalen – Wetter, Point-of-Sale-Daten, makroökonomische Indikatoren, Kreditkartenausgaben und möglicherweise Nachrichten oder Satellitenbilder – sofern angenommen wird, dass solche Daten für das Geschäft des Kunden prognostische Aussagekraft besitzen.¹³⁵
Es kodiert die Struktur des supply chain Netzwerks, einschließlich der Beziehungen zwischen SKUs, Lagerhäusern und Einzelhändlern, sowie Kannibalisierungseffekten und Bestellbeschränkungen.³⁵
Es trainiert ein „einzelnes selbstverbesserndes Modell“ pro Kunde, das darauf ausgelegt ist, kontinuierlich aus der Prognosegenauigkeit, den Lagerumschlägen und operativen Ergebnissen zu lernen und sich bei Eingang neuer Daten selbst zu aktualisieren.⁵⁷¹³¹⁴

Der Artikel „Superintelligence for your supply chain“ von Omnifold stellt das Problem explizit als zu komplex für Tabellenkalkulationen, generische Planungssysteme oder LLM-Agents dar und betont die Notwendigkeit einer spezialisierten KI, die mit Millionen von interagierenden Variablen und Szenarien umgehen kann.⁵ Der Blog „Why Spreadsheets Aren’t the Answer“ liefert konkrete Beispiele: Tausende von SKUs, Dutzende von Einrichtungen, saisonale und promotive Effekte sowie wettbewerbsbedingte Dynamiken führen zu Millionen potenzieller Szenarien, die weder ein Mensch noch eine Tabellenkalkulation bewerten kann.⁶¹⁶ Der Beitrag „Why ChatGPT Won’t Fix Your Demand Forecasting Problems“ argumentiert, dass generische LLMs nicht aus numerischem Feedback in einer Weise lernen, die sich an operativen Kennzahlen orientiert, und daher nicht mit zentralen Prognoseaufgaben betraut werden sollten.⁷ In jedem Fall stellt Omnifold seine eigens entwickelte KI als Alternative dar, ohne jedoch die Modellarchitekturen (z. B. time-series transformers, graph neural networks) im Detail zu erläutern.

Tracxn und PitchBook fügen hinzu, dass Omnifold’s dynamische Prognose auf Deep Learning, Reinforcement Learning und Optimierung basiert und dass das System auf wachstumsstarke Marken und globale Unternehmen abzielt, die Ineffizienzen reduzieren und die Entscheidungsgenauigkeit verbessern wollen.⁹¹⁰ The Org beschreibt Omnifold als ein System, das die „underlying mechanics“ von supply chain und kommerziellen Abläufen präzise modelliert – mithilfe eines selbstverbessernden Prognosealgorithmus.²³ Diese Beschreibungen untermauern das konzeptuelle Bild eines netzwerkbewussten, ML-gesteuerten Prognostikers, gehen jedoch nicht so weit, konkrete technische Designs offenzulegen.

Optimierung und Entscheidungsunterstützung

Die Fähigkeit von Omnifold, Geschäftsentscheidungen zu „optimieren“, wird auf verschiedene Weise behauptet:

Das Übersicht-PDF und die Marketingtexte behaupten, dass Omnifold Simulationen und Szenarioanalysen branchenübergreifend für Produkt- und Ressourcenmanagement, Inventar, supply chain management, Logistik und Handelsmanagement durchführen kann.³
Der Artikel „Cost of Bad Forecasts“ hebt hervor, wie verbesserte Prognosegenauigkeit es Unternehmen ermöglicht, operative Entscheidungen zu ändern (vollständige versus teilweise Produktionsläufe, Beschaffungs- und Produktionsplanung für neue Produktkonfigurationen).¹³
Der auf CIOs ausgerichtete Blog argumentiert, dass speziell entwickelte supply chain AI „für die tatsächlichen Geschäftsziele optimieren muss, und nicht nur den Prognosefehler“, was impliziert, dass Omnifold’s Zielsetzungen konfigurierbar sind, um finanzielle Kompromisse widerzuspiegeln.⁸
Der Wachstummarketing-Beitrag „Day in the Life“ zeigt, wie Omnifold ein eigenes optimiertes Szenario vorschlägt, das Umsatz, Marge und Cashflow nach einer Änderung des Marketingbudgets ausbalanciert, was auf eine multi-objektive Optimierung hindeutet.⁸

Doch gibt Omnifold öffentlich nicht an, welche Klassen von Optimierungsproblemen es löst (z. B. Bestandskontrolle, Kapazitätsplanung, Budgetzuweisung), welche Algorithmen verwendet werden (lineare Programmierung, ganzzahlige Programmierung, heuristische Suche, RL-Strategien) oder wie Einschränkungen modelliert werden. Es gibt auch keine unabhängigen Belege dafür, dass diese Optimierungen systematisch einfachere regelbasierte oder heuristische Strategien übertreffen. Daher sollte die Optimierungsebene als eine plausible, aber weitgehend unbestätigte Erweiterung des Prognosekerns betrachtet werden.

Benutzererfahrung und Arbeitsablauf

Der Blog „Day in the Life – Demand Planner“ bietet den klarsten Einblick in die Benutzererfahrung von Omnifold. Planer können eine Datei laden oder interne Systeme verbinden, den Umfang und den Zeithorizont auswählen (z. B. Planung für die wichtigsten SKUs oder das gesamte Netzwerk) und anschließend einen Planungsdurchlauf mit minimaler Konfiguration starten.² Das System erstellt detaillierte Prognosen und präsentiert diese auf mehreren Aggregationsebenen, die in S&OP-Meetings genutzt werden können.² Der Artikel legt außerdem nahe, dass Planer hochrangige, in natürlicher Sprache formulierte Befehle erteilen können – etwa das Einbeziehen spezifischer Kanäle oder Geografien –, während Omnifold die zugrunde liegenden Modellanpassungen und Datenverarbeitungen übernimmt.²

Die marketingorientierte Erzählung „Day in the Life“ beschreibt einen Benutzer, der Drittanbieterdaten über Wettbewerber oder Kanäle hochlädt und Omnifold die „komplexe Mathematik zur Ermittlung von Korrelationen und Optimierungen“ durchführen lässt, was erneut die Idee einer One-Click-, KI-gesteuerten Planungserfahrung verstärkt.² Die zugrunde liegenden APIs, Integrationspunkte mit ERP/WMS/TMS und Methoden zum Exportieren von Entscheidungen zurück in Ausführungssysteme werden nicht beschrieben, aber das Gesamtkonzept ist, dass Omnifold als analytisches Gehirn agiert, das auf bestehenden transaktionalen Systemen aufsetzt – ähnlich wie andere fortschrittliche Planungssoftware.

Technology and architecture

Datenintegration und -darstellung

Die Homepage von Omnifold verspricht die Integration mit „all of your internal data“ und die Erfassung von „every possible external data source with signal on your business“, was auf eine recht robuste Data-Engineering-Schicht hindeutet.¹ Das Übersicht-PDF und die Blogs untermauern, dass Omnifold eine interne Darstellung des Netzwerks des Kunden erstellt, indem Produkte, Einrichtungen, Einzelhändler und Einschränkungen erfasst und mit historischen Nachfragedaten, Angebotsdaten und kontextuellen Signalen verknüpft werden.³⁵¹³ Obwohl keine Details zu Datenpipelines, Speicherung oder Schema-Design genannt werden, würde eine praktische Umsetzung fast sicher ETL-Pipelines, einen Cloud-Datenspeicher und eine strukturierte Darstellung des Netzwerks (möglicherweise als Graph) beinhalten. Solche Rückschlüsse sind jedoch spekulativ; es wird in den öffentlichen Materialien kein spezifisches Tooling (z. B. ein bestimmter Cloud-Anbieter oder Stack) benannt.

Maschinelles Lernen und KI-Komponenten

Öffentliche Beschreibungen von Omnifold’s KI konzentrieren sich auf:

Ein einzelnes, pro Kunde selbstverbesserndes Prognosemodell.⁵⁷¹⁴
Einsatz von Deep Learning, Reinforcement Learning und Optimierung in der Prognose- und Entscheidungs-Pipeline.⁹¹⁰²³
Kontinuierliches Lernen aus der Prognosegenauigkeit sowie operativen Ergebnissen, wobei jeder Planungszyklus als Feedback zur Verbesserung zukünftiger Prognosen dient.⁷¹³¹⁴

Omnifold’s Kritik an LLMs und generischen Agents für Prognoseaufgaben impliziert weiter, dass seine Modelle numerisch und auf Zeitreihen ausgerichtet sind, anstatt textbasiert zu sein.⁷ Dennoch gibt es keine Details: Es wird nicht auf Modellklassen, Architekturen, Verlustfunktionen, Trainingsregime oder Ansätze zur Unsicherheitsquantifizierung eingegangen. Sogar die Behauptung des Reinforcement Learning ist nicht an eine konkrete Formulierung (Zustand, Aktion, Belohnung) gekoppelt. Insofern sollten Deep Learning und RL als plausible, aber nicht verifizierte Technologien betrachtet werden, mit denen Omnifold möglicherweise experimentiert oder intern arbeitet; die einzige eindeutig belegte Tatsache ist, dass es maschinelle Lernmodelle verwendet, die auf historischen und kontextbezogenen Daten trainiert wurden.

Optimierungsebene

Ebenso wird in Omnifold’s Marketing- und Markenkommunikation wiederholt die Optimierung und Szenarioanalyse für Entscheidungen in den Bereichen Inventar, Logistik und Marketing erwähnt, ohne dass eine Beschreibung erfolgt von:

Welche Zielfunktionen optimiert werden (Service-Level vs. Kosten, Gewinn, Cashflow etc.).
Wie Einschränkungen dargestellt werden (Kapazitäten, Vorlaufzeiten, MOQs, Budgetobergrenzen).
Ob das System mehrstufige, mehrperiodige Entscheidungen unterstützt oder nur statische.

Die Beispiele in den Blogs und im Übersicht-PDF konzentrieren sich auf narrative Ergebnisse (genauere Markteinführungen, weniger Stockouts, besserer Cashflow) anstatt auf die Optimierungsmethoden selbst.³¹³⁸ Aus einer strengen technischen Perspektive bedeutet dies, dass die Optimierungsebene von Omnifold bislang weder als Stand der Technik noch anderweitig bewertet werden kann; sie ist effektiv eine Black Box mit behaupteten Fähigkeiten.

Customers, references and market presence

Namentlich genannte und anonymisierte Kunden

Der stärkste öffentliche Kundennachweis ist die CSCMP Supply Chain Xchange-Session „Supporting Market Expansion with AI Powered Forecasting“, in der Caliwater’s Betriebsleiter und Omnifold’s CMO gemeinsam beschreiben, wie die KI-basierte Prognose Caliwater ermöglichte, in einen großen Club-Einzelhändler zu expandieren und dabei die Unsicherheit zu managen.¹⁵ Dies stellt einen überprüfbaren, namentlich genannten Referenzfall dar: Mindestens eine Getränkemarke hat Omnifold’s Software in einer realen supply chain Expansion eingesetzt.

Das Omnifold Übersicht-PDF beschreibt:

Ein börsennotiertes CPG-Unternehmen, das eine Nettoverbesserung der Prognosegenauigkeit um 36 Prozentpunkte und einen verbesserten Cashflow durch optimiertes Inventar erzielte.³
Ein 3-Milliarden-Dollar-Fertigungsunternehmen mit über 15.000 SKUs und 20 Fertigungsstandorten, bei dem die Prognosegenauigkeit auf SKU-/Werk-/Kundenebene angeblich von etwa 9% auf 32% stieg und siebenstellige finanzielle Gewinne erzielte.³

Diese Fallstudien sind anonymisiert und von Omnifold selbst veröffentlicht; es liegt keine externe Bestätigung vor, sodass sie als intern generierte Belege und nicht als unabhängiger Nachweis betrachtet werden sollten.

Ökosystem, Konferenzen und Sichtbarkeit

Omnifold pflegt eine aktive Präsenz inhaltlich und auf Konferenzen:

Ein Blog, der Themen abdeckt wie Superintelligence for supply chains, Einschränkungen von Tabellenkalkulationen, ChatGPT und Prognosen, die Kosten schlechter Prognosen sowie CIO-Fragen an KI-Anbieter.³⁵⁶⁷¹³⁸¹⁶¹⁴
Ein gesponsertes Ausstellerprofil und Inhalte auf The Supply Chain Xchange im Zusammenhang mit seiner CSCMP EDGE 2025-Session.¹⁵
Die Teilnahme an CSCMP’s „SF Supply Chain AI Series – Second Edition“ zusammen mit anderen KI-Startups.¹⁷

Diese Aktivitäten untermauern das Bild eines Startups, das aktiv supply chain Führungskräfte und CIOs anspricht und sich als Vordenker im Bereich KI in der Planung positioniert, beweisen jedoch an sich nicht eine breit angelegte Kundenakzeptanz.

Commercial maturity and risk profile

Unter Einbeziehung der verfügbaren Signale:

Omnifold ist ein 2024 gegründetes Startup mit einem sehr kleinen Team (etwa 1–10 Mitarbeiter) und Risikokapitalunterstützung von Kleiner Perkins, Lightspeed und strategischen Brancheninvestoren.¹²⁹¹⁰¹¹
Es hat mindestens einen öffentlich genannten Kunden (Caliwater) und eine kleine Anzahl anonymisierter Fallstudien, die Einsätze in der Fertigung und im CPG-Bereich beschreiben.³¹⁵
Es existiert kein öffentlicher Code, keine Benchmarks, keine Patente, die speziell auf seine Prognose-/Optimierungsmethode zutreffen, noch technische Whitepapers, und es liegt keine externe Bewertung vor, die mit der Teilnahme an Lokad’s M5-Wettbewerb vergleichbar wäre.¹⁸²⁰²¹²²²³²⁴

Aus der Perspektive eines Käufers stellt Omnifold daher dar:

Hohes Potenzial und Ambitionen, die moderne Ideen des maschinellen Lernens und ein starkes Investoren-Netzwerk nutzen.
Hohes Umsetzungs- und Integrationsrisiko aufgrund seiner Jugend, des kleinen Teams und des Fehlens einer langfristigen Erfolgsbilanz bei vielen Kunden.
Begrenzte Transparenz hinsichtlich der ingenieurtechnischen und wissenschaftlichen Grundlagen seiner KI jenseits von Marketing-Beschreibungen.

Für eine technisch versierte Organisation würde eine gründliche Due Diligence direkte Gespräche mit Omnifold’s Ingenieur- und Wissenschaftsteams erfordern, um Modellarchitekturen, Optimierungsmethoden, Bereitstellungsprozesse und reale Leistungskennzahlen zu verstehen, bevor es als zentrales Planungssystem betrachtet wird.

Fazit

Omnifold ist ein Frühphasen-Softwareanbieter, der durch Risikokapital unterstützt wird und darauf abzielt, für die supply chain jedes Kunden ein einzelnes, vollständig integriertes KI-Modell bereitzustellen, das auf feiner Granularität prognostizieren kann und Entscheidungen in den Bereichen Inventar, Logistik und Marketing unterstützt. Sein konzeptuelles Design – netzwerkbewusste ML-Modelle, die sowohl interne als auch externe Daten aufnehmen, kontinuierlich auf operatives Feedback neu trainiert werden und in Optimierungsroutinen einfließen – stimmt gut mit dem aktuellen „state-of-the-art“-Denken in der KI für supply chain überein. Das Marketing des Unternehmens unterscheidet es deutlich von Tabellenkalkulationen, generischen Planungssystemen und LLM-basierten Agenten, und es wird von namhaften Investoren unterstützt sowie durch mindestens einen glaubwürdigen benannten Einsatz im Getränkesektor untermauert.

Allerdings ist die öffentliche Evidenzlage dünn. Technische Details zu Omnifold’s Modellen, Optimierungsalgorithmen und Bereitstellungsarchitektur fehlen; Reinforcement Learning und „superintelligence“ werden als Labels herangezogen, ohne konkrete Demonstrationen; und Leistungsaussagen (20–50% Reduktion der Forecast-Fehler, siebenstellige Einsparungen) werden nur in selbst veröffentlichten, anonymisierten Fallstudien dokumentiert. Die externe Validierung beschränkt sich auf oberflächliche Beschreibungen in Startup-Datenbanken und eine geringe Anzahl gesponserter Konferenzauftritte. Im Vergleich zu älteren, aber transparenteren Plattformen wie Lokad, das eine programmierbare DSL, ein probabilistisches Modellierungsframework und dokumentierte Wettbewerbsergebnisse bietet, liefert Omnifold derzeit weniger Einblick in die Funktionsweise seiner KI oder in die Robustheit ihrer Leistung über unterschiedliche supply chains hinweg.

Kurz gesagt, Omnifold sollte als ein vielversprechender, konzeptionell moderner Neuentwickler im Bereich der KI-basierten Prognose und Optimierung von supply chain betrachtet werden, aber auch als eine Wahl mit hoher Unsicherheit: Ein Käufer würde darauf setzen, dass das Team in der Lage ist, ambitionierte Behauptungen umzusetzen, anstatt auf eine öffentlich nachgewiesene Erfolgsbilanz zu vertrauen. Jede gründliche Bewertung sollte ausführliche technische Diskussionen, Proof-of-Concept-Projekte mit klaren Baselines und eine strenge vertragliche Regelung in Bezug auf Modellleistung und Erklärbarkeit verlangen.