Warum Praktiker Recht haben, diese “KI-Ära” Vision für supply chain zu ignorieren
Wenn etwa vierzig Professoren und Branchenvertreter ein „Vision Statement“ für supply chain im Zeitalter der KI veröffentlichen, könnte man erwarten, dass es einem echten supply chain Profi dabei hilft, am Montagmorgen bessere Entscheidungen zu treffen.
Das Papier, an das ich denke, ist Supply Chain Management in the AI Era: A Vision Statement from the Operations Management Community von Maxime Cohen, Tinglong Dai, Georgia Perakis und neununddreißig Co-Autoren. Es verkündet in seinem Abstract, dass die Operations Management (OM) Gemeinschaft „eine wichtige Rolle und Verantwortung“ nicht nur darin hat, zu gestalten, wie KI supply chains transformiert, sondern auch, wie die supply chains, die KI ermöglichen, so entworfen werden, dass sie nachhaltig, widerstandsfähig und gerecht sind. Anschließend entwickelt es ein fünfstufiges Rahmenwerk – intelligence, execution, strategy, human, infrastructure – und durchleuchtet einen großen Teil der OM- und KI-Literatur durch diese Linse.
Auf dem Papier klingt das vielversprechend. In der Praxis ist es eine nahezu perfekte Illustration dafür, warum supply chain Praktiker Recht haben, den Großteil der akademischen Veröffentlichungen in unserem Feld zu ignorieren.
In meinem jüngsten Buch Introduction to Supply Chain, definiere ich supply chain als die Beherrschung von Optionen unter Unsicherheit im Fluss physischer Güter und argumentiere, dass in einer Marktwirtschaft das praktische Ziel von supply chain darin besteht, die risikobereinigte Rendite des Unternehmens auf jede knappe Ressource – Kapital, Kapazität, Zeit, Goodwill – zu steigern. All die üblichen Zielsetzungen – höhere Servicelevels, kürzere Durchlaufzeiten, grünerer Transport, zufriedenere Mitarbeiter – sind nur insofern von Bedeutung, als sie zum langfristigen Gewinn in harter Währung beitragen. supply chain ist keine Moralphilosophie; es ist angewandte Ökonomie, die am Kontoblatt überlebt oder untergeht.
Verglichen mit diesem Maßstab trifft dieses „vision statement“ nahezu jede Warnung, der ich in der akademischen Literatur über supply chain misstraue: supraökonomisches virtue signaling, Rahmenwerke, die keine tatsächlichen Entscheidungen beeinflussen, ein Schneesturm selbstreferenzieller Zitate und der beharrliche Glaube, dass eine weitere Schicht Zeitreihenmodellierung plus moderne KI das Planungsparadigma, das Praktiker seit Jahrzehnten im Stich lässt, irgendwie retten wird.
Lassen Sie mich erläutern, warum.
Supraökonomische Tugenden und die Ethik fremder Bilanzen
Der aufschlussreichste Satz des gesamten Papiers erscheint im Abstract:
„Die OM-Gemeinschaft hat eine wichtige Rolle und Verantwortung, nicht nur zu bestimmen, wie KI supply chains transformiert, sondern auch, wie die supply chains, die KI ermöglichen, gestaltet werden, um nachhaltig, widerstandsfähig und gerecht zu sein.“
Die Schlussfolgerung wiederholt dasselbe Tugend-Trio und erklärt, dass OM uns zu supply chains führen sollte, die „intelligenter, gerechter und nachhaltiger“ sind.
Beachten Sie, was hier geschieht. Bevor uns gesagt wird, wofür supply chains dienen, geben die Autoren an, welche Adjektive sie erfüllen sollten: nachhaltig, widerstandsfähig, gerecht. Kein explizites wirtschaftliches Ziel wird jemals genannt. Gewinn, Kapitalproduktivität, risikobereinigte Rendite – diese tauchen, wenn überhaupt, nur indirekt auf. Das Papier nimmt schlichtweg an, dass „Effizienz“ und „Resilienz“ neben einer Reihe bevorzugter moralischer Ziele nebeneinander existieren, und dass es die Pflicht der OM-Gemeinschaft ist, alle gleichzeitig voranzutreiben.
In Kapitel 4.4.5 meines Buches „Supra‑economic goals“ verwende ich diesen Begriff – supra‑economic – genau für dieses Muster: Berufungen auf Ziele, die angeblich über den „bloßen“ monetären Überlegungen stehen und damit die Disziplin der Preise, Kosten und Opportunitätskosten außer Kraft setzen. Manchmal ist der Ton moralistisch („Das Unternehmen sollte eine gesellschaftliche Agenda jenseits des Kundenservice verfolgen“); manchmal apokalyptisch („Eine bevorstehende Katastrophe verlangt das sofortige Opfern der Rentabilität“). In beiden Fällen ist der Zug derselbe: Die wirtschaftliche Kalkulation wird stillschweigend herabgestuft, während die bevorzugte Sorge des Autors darüber gestellt wird.
Das Problem ist nicht, dass Nachhaltigkeit oder Gerechtigkeit unwichtig wären. Das Problem ist, dass Knappheit nicht verschwindet, nur weil wir sie heraufbeschwören. Jede Palette, jede Arbeitsstunde und jeder Cent, der einem Ziel zugewiesen wird, steht einem anderen nicht zur Verfügung. Wie ich im Buch formuliere: Das Heraufbeschwören eines höheren Zwecks „löst die Knappheit nicht auf; es benennt lediglich die trade‑offs um … es gibt keine Alternative zu Gewinn und Verlust.“
Wenn Kohlenstoffemissionen von Bedeutung sind, müssen sie als Kosten in die Kalkulation einfließen – durch CO2-Preise, Regulierungen, Kundenverhalten oder Markenrisiken – sodass alternative Entscheidungen in einer gemeinsamen Einheit verglichen werden können. Wenn Gerechtigkeit von Bedeutung ist, müssen wir angeben, wessen Gerechtigkeit, zu welchem Preis und mit welchen Konsequenzen, wiederum in einer Weise, die in Entscheidungen einfließt und später geprüft werden kann. Andernfalls schmücken wir die Diskussion lediglich mit Adjektiven.
Doch das AI Era-Vision-Papier begnügt sich damit, zu erklären, dass supply chains „nachhaltig“ und gerecht „sein müssen“, ohne jemals operativ zu definieren, was diese Worte bedeuten, wer dafür zahlt und in welchem Umfang. Im Gesundheitssektor beispielsweise wird uns gesagt, dass Liefer‑supply chains unter „strengsten Sicherheits- und Gerechtigkeitsvorgaben“ operieren müssen. Aus ethischer Sicht klingt das beruhigend; aus der Perspektive von supply chain ist es inhaltslos. Wie sicher ist „sicher genug“? Gerechtigkeit für welche Patientengruppen, zu welchen Kosten in entgangenem Durchsatz und im Vergleich zu welchen Alternativen? Keine Zahlen, keine Preise, keine trade‑offs.
Schlimmer noch, das Papier präsentiert diese supraökonomischen Ziele als eine Verantwortung der OM-Gemeinschaft gegenüber den Bilanzen anderer. Es ist eine Sache, wenn ein Parlament nach demokratischer Debatte Steuern oder Sicherheitsstandards festlegt. Eine ganz andere, wenn Akademiker Managern vorschreiben, dass sie verpflichtet seien, „gerechte“ supply chains zu entwerfen, ohne explizit zu quantifizieren, von wem umverteilt und wem zugutekommen soll. Erstere ist Politik; Letztere ist bestenfalls Paternalismus und schlimmstenfalls eine stille Einladung, die treuhänderische Pflicht gegenüber Aktionären, Anleihegläubigern, Mitarbeitern und Kunden zu verraten, die möglicherweise nicht dieselben Prioritäten haben.
Sobald man akzeptiert, dass jede Sache supraökonomische Priorität einfordern kann, gibt es kein begrenzendes Prinzip mehr. Wie ich im Buch anmerke, ist die Geschichte übersät mit Unternehmen, die sich begeistert mit Anliegen identifizierten, die sich später als katastrophal herausstellten – von offen diskriminierender Einstellung bis hin zur wohltätigen Unterstützung der Eugenik – damals gestützt auf einen beeindruckenden „wissenschaftlichen Konsens“. In jedem Fall wurde die wirtschaftliche Kalkulation der supraökonomischen Rhetorik untergeordnet; in jedem Fall wurden Ressourcen vergeudet, die besser dazu hätten genutzt werden können, die Kunden besser zu bedienen.
Supraökonomisches virtue signaling ist kein harmloser Zierde. Es ist ein ethisches Versagen an sich, da es das Urteil über trade‑offs trübt, während Ressourcen ausgegeben werden, die den Autoren nicht zur Verfügung stehen. Eine „Vision“ für supply chain, die mit solchem Signalisieren beginnt und endet, lehrt die nächste Generation von Praktikern, dass sie für Adjektive optimieren sollten, statt für die harten währungsmäßigen Konsequenzen, die ihre Entscheidungen haben werden.
Rahmenwerke, Ebenen und der Anschein von Tiefe
Das zweite Kennzeichen dieses Papiers ist seine Vorliebe für Rahmenwerke und Verweise.
Nach dem Abstract kündigen die Autoren an, dass sie ihre Diskussion um fünf „Ebenen“ der Interaktion zwischen KI und supply chain management strukturieren werden: intelligence, execution, strategy, human und infrastructure. Jede Ebene erhält daraufhin einen eigenen Abschnitt, und der Rest des Papiers ist um diese Klassifikation herum organisiert.
An sich ist an Taxonomien nichts grundsätzlich falsch. Die Frage bleibt stets: Welche Entscheidungen ändern sich, weil wir nun diese spezielle Taxonomie anstelle einer anderen haben? Wenn wir morgen die fünf Ebenen zu drei zusammenfassen oder in acht aufteilen würden, wäre eine einzelne Bestellung, ein Transfer oder ein Preis anders? Die Autoren versuchen nie, diese Frage zu beantworten. Das Rahmenwerk fungiert als Aktenschrank für bereits bestehende Ideen; es wird nicht zu einem Entscheidungsinstrument.
Praktiker haben diesen Film schon einmal gesehen. In Introduction to Supply Chain widme ich einigen Seiten der Frage, wie „planning“ in den 1990er Jahren zum Marketing-Schlagwort für Unternehmenssysteme wurde, selbst wenn diese kaum mehr als Zeitreihenprognosen und grundlegende Sicherheitsbestand-Formeln enthielten. ERP-Anbieter, gefolgt von APS-Anbietern, etikettierten generisches Registerführen um als „integrierte Planung“, dann „fortgeschrittene Planung“ und, jüngst, als „digital twins“ und „control towers“. Die Terminologie änderte sich; die Tabellenkalkulationen und bürokratischen Arbeitsabläufe darunter blieben unverändert.
Die fünfstufige Architektur in diesem Papier wirkt wie eine weitere Umdrehung dieses Rades. Sie erweckt den Eindruck von Tiefe, aber es gibt keine Hinweise darauf, dass sie zu anderen Entscheidungen, besserer Automatisierung oder verbesserten wirtschaftlichen Ergebnissen führt. Eine Taxonomie, die nicht verändert, was auf dem Lagerboden oder im Auffüllbetrieb geschieht, ist aus der Sicht eines Praktikers eher Zierde als Fortschritt.
Das Gleiche gilt für die Literaturliste und die Art, wie sie genutzt wird. Das Papier betont, dass es aus einem „umfassenden kollaborativen Prozess“ hervorgegangen ist, an dem 42 Forscher, Praktiker und Technologieführer beteiligt waren, von denen viele auch zum bald erscheinenden Buch AI in Supply Chains: Perspectives from Global Thought Leaders beitragen. Die Verweise stützen sich dann stark auf diesen gleichen Kreis: Mehrere Zitate von Cohen, Dai, Perakis und ihren Co-Autoren sowie eine Ansammlung jüngster Working Papers und noch unveröffentlichter Artikel des Autorenteams.
Nochmals, es ist nichts Unrechtmäßiges daran, auf die eigene Arbeit zu verweisen. Das Problem ist, dass die schiere Breite der Liste als eine Art Beweis an sich präsentiert wird. Praktiker werden mit einer Parade von Titeln verwöhnt – „How machine learning will transform supply chain management“, „Using AI to detect panic buying“, „Large language models for supply chain optimization“ – ohne dass ihnen gesagt wird, wie eines dieser Werke abschneidet, wenn es auf unternehmensweite, unordentliche Firmendaten angewendet wird, unbeaufsichtigte Entscheidungen trifft und an tatsächlichem Gewinn und Verlust gemessen wird.
Wenn Sie ein Netzwerk von Fabriken und Lagern betreiben, interessiert es Sie nicht, wie viele Papiere zu einem Thema existieren. Es kommt darauf an, ob es ein numerisches Rezept gibt, das Sie unter Ihren Rahmenbedingungen auf Ihre Daten anwenden können und das die Kaufaufträge, Transfers und Preise von morgen in monetären Werten besser macht als die von gestern. Dafür ist eine gut dokumentierte Feldimplementierung mit vollständigen wirtschaftlichen Ergebnissen und klaren Einschränkungen mehr wert als ein Dutzend Vision Statements und fünfzig Zitate.
Das AI Era-Papier bietet Ersteres nur in flüchtiger, anekdotischer Form. Ein Abschnitt über „Optimal Machine Learning“ erwähnt zwei Fallstudien von Fortune‑150-Unternehmen, in denen angeblich eine Beratungsfirma die Servicelevels verbessert und die Lagerkosten reduziert hat. Dem Leser werden weder eine Ausgangsbasis, noch ein kontrafaktischer Vergleich, noch Details über das eingesetzte Gesamtkapital oder das Risikoprofil vor und nachher vermittelt. In anderen Branchen-“Spotlights” wird behauptet, dass JD.com ein starkes Analytics-Team aufgebaut und KI genutzt hat, um Prognosen dem Management zu erklären, oder dass humanitäre Organisationen KI für eine bessere Vorpositionierung von Vorräten einsetzen können. All dies mag wahr sein; keines davon geht über das Niveau einer Marketingbroschüre hinaus.
Von außen betrachtet wirkt es wie ein geschlossener Kreis: ein Kreis von Autoren, die einander und ihre Studenten zur Unterstützung eines bereits vereinbarten Rahmenwerks zitieren, mit gelegentlichen Geschichten von Praktikern obendrauf. Für Akademiker mag dies ein Signal für Aktivität in einem Fachgebiet sein. Für Praktiker signalisiert es, dass ihnen hier nichts dabei helfen wird, zu entscheiden, wieviel sie in der nächsten Woche kaufen sollen.
KI, Prognosen und das alte Planungsgleichgewicht
Das Herzstück des Papiers – die „intelligence layer“ – widmet sich der KI selbst. Hier beschreiben die Autoren, wie maschinelles Lernen die Prognosegenauigkeit verbessert, wie Reinforcement Learning für die Lagerbestandskontrolle eingesetzt werden kann, wie ein aufkommendes Paradigma namens „decision‑focused AI“ Optimierungsziele in die Verlustfunktion einbettet und wie Large Language Models (LLMs) möglicherweise natürliche Sprachschnittstellen sowie „agentisches Denken via chain‑of‑thought“ für komplexe supply chain Probleme bereitstellen könnten.
Vieles davon ist in einem engen Sinn technisch korrekt. Maschinelles Lernen kann in der Tat viele Merkmale einbeziehen; Reinforcement Learning kann tatsächlich Richtlinien in Simulationen erlernen; LLMs können in der Tat Texte rund um Optimierungsmodelle analysieren und generieren. Die Frage ist nicht, ob diese Werkzeuge existieren; sie stellt sich darin, ob ihre Nutzung, wie im Papier dargestellt, die tatsächlichen strukturellen Schwächen des Planungsparadigmas in supply chain adressiert.
Tut es nicht.
Prognosen sind ein gutes Beispiel. Die Autoren schreiben, dass maschinelles Lernen die „Prognosegenauigkeit verbessert“ und dass fortgeschrittene Nachfragevorhersagen sich auf „Hunderte dynamischer Variablen aus internen und externen Datensätzen“ stützen können. Später, in ihrer Diskussion über decision‑focused AI, räumen sie ein, dass traditionelle „predict‑then‑optimize“-Ansätze Prognose und Entscheidung fehl ausrichten können, und schlagen vor, Modelle direkt anhand der nachgelagerten Entscheidungskosten zu trainieren.
All das wird so dargestellt, als ob das grundlegende Problem bei supply chain Prognosen ein Mangel an Raffinesse in den Zeitreihenmodellen wäre. Das ist es nicht.
In dem Buch widme ich einen ganzen Abschnitt der Frage, warum das Zeitreihen-Paradigma strukturell schlecht für Geschäftsentscheidungen geeignet ist. Eine Zeitreihe fasst eine Historie von Transaktionen zu einer Zahlenfolge zusammen, die in zeitliche Intervalle unterteilt ist. Diese Darstellung ist in wesentlichen Punkten verlustbehaftet. Zwei Nachfragestrukturen können identische wöchentliche Umsatzreihen erzeugen – eine, bei der tausend unabhängige Kunden pro Woche jeweils eine Einheit kaufen, und eine, bei der ein einzelner Großkunde alle tausend Einheiten erwirbt. Im ersten Fall bricht die Nachfrage langsam zusammen; im zweiten Fall kann sie über Nacht zusammenbrechen. Die wöchentliche Zeitreihe unterscheidet sie nicht, aber das Lagerrisiko ist radikal unterschiedlich.
Ähnlich kann ein Produkt, das zehn Einheiten pro Woche verkauft, entweder in zehn kleinen Portionen oder in einem großen verkauft werden. Die Zeitreihe ist identisch; die sinnvolle Lagerbestandsposition unterscheidet sich jedoch um den Faktor vier oder mehr. Zeitreihenprognosen, so raffiniert sie auch sein mögen, können Informationen, die die Aggregation selbst zerstört hat, nicht wiederherstellen. Es geht nicht darum, mehr Merkmale oder tiefere Netzwerke hinzuzufügen; die Darstellung ist für die Entscheidung falsch.
Das Papier setzt sich nie mit dieser strukturellen Kritik auseinander. Es nimmt einfach an, wie es unzählige Papiere zuvor getan haben, dass bessere Zeitreihenprognosen ein zentrales Engpass im supply chain darstellen und dass maschinelles Lernen die natürliche Antwort ist. Der kurze Hinweis auf entscheidungsfokussierte Verluste ist inkrementell: Die Modelle optimieren jetzt eine relevantere Verlustfunktion, werden aber immer noch mit demselben verarmten Objekt trainiert.
Schlimmer noch, wenn das Papier spezifische Entscheidungskriterien anspricht, greift es zu den üblichen Verdächtigen: Servicelevels und Lagerkosten. OML wird dafür gelobt, dass es in Fallstudien die Servicelevels „signifikant“ verbessert und die Lagerkosten reduziert. Die zugrunde liegende ökonomische Frage – wie viel Kapital welchen Optionen unter welchem Risikoprofil zugewiesen werden sollte – wird niemals explizit formuliert.
Im Buch nenne ich Sicherheitsbestandformeln „hazardous stocks“ und weise darauf hin, dass sie als Lackmustest für grobe Inkompetenz im supply chain dienen. Diese Formeln beruhen darauf, ein Ziel-Servicelevel – sagen wir 95% – zu wählen und diesen Prozentsatz so zu behandeln, als hätte er eine intrinsische Verbindung zum Gewinn. Das tut er nicht. Das Servicelevel ist ein Stellvertreter für einen bargeldbezogenen Kompromiss zwischen Ausfallkosten und Lagerhaltungskosten. Sofern wir nicht beide Seiten preislich bewerten und den Kompromiss explizit berechnen, ist es Numerologie, ein Ziel von „95%“ oder „97%“ anzustreben. Wie ich auch bemerke, ist das Servicelevel zu einem klassischen „entkommenen“ KPI geworden: ein Stellvertreter, der sich von seinen ökonomischen Wurzeln befreit hat und nun das Unternehmen dominiert, während niemand gezwungen ist, tatsächliche Preise anzugeben.
Das AI Era-Papier hinterfragt diese KPI-Kultur nie; es bettet AI in sie ein. Die Prognosen werden verbessert; Bestandsrichtlinien können angepasst werden; die Servicelevels werden etwas höher und die Bestände etwas niedriger – und uns wird gesagt, dass dies Fortschritt sei. Es wird nicht erwähnt, wie risikoadjustierte Renditen, wie Optionen im Rahmen einer Working-Capital-Beschränkung bewertet werden oder wie die Modellleistung an der Grenze beurteilt wird, an der Empfehlungen zurück ins ERP geschrieben werden und Geld tatsächlich fließt.
Die Behandlung großer Sprachmodelle ist ein weiteres Beispiel. Das Papier legt nahe, dass LLMs „versprechen, fortschrittliche Planungstools zugänglicher zu machen“ und natürliche Sprachschnittstellen bereitstellen können, die den Zugang zu fortschrittlichen Entscheidungswerkzeugen „demokratisieren“.
Im Buch behaupte ich, dass Sprachmodelle im Allgemeinen um Größenordnungen mehr Rechenleistung verbrauchen als spezialisierte Algorithmen, die dieselbe Aufgabe erfüllen, und kaum im Wettbewerb zur Verarbeitung numerischer Daten stehen können. Ihre angemessene Rolle im supply chain ist eng gefasst: Sie beschleunigen das Verfassen und Pflegen numerischer Rezepte und Dokumentationen und extrahieren Merkmale aus unstrukturiertem Text. Ihre Verwendung als Prognosemaschinen ist ausdrücklich fehlgeleitet: Sie sind „ungeeignet für Zeitreihenprognosen – oder jegliche numerische Arbeit“ und schneiden im Vergleich zu grundlegenden statistischen Modellen schlecht ab, und das zu hohen Kosten.
Das Vision Paper folgt erneut dem Trend: LLMs werden zu „agentischen“ Problemlösern, die helfen können, Reinforcement-Learning-Richtlinien abzustimmen und mittels Chain-of-Thought über komplexe supply chain decisions nachzudenken. Es gibt keine ernsthafte Diskussion über numerische Zuverlässigkeit, Kosten oder die grundlegende Tatsache, dass stochastische Textgeneratoren eine sehr schlechte Grundlage für unbeaufsichtigte Verpflichtungen im Wert von Millionen Dollar an Inventar darstellen.
Ohne seinen AI-Glanz bietet das Papier dasselbe Planungsgleichgewicht, das seit Jahrzehnten dominiert: Prognosen als Zeitreihen, Pläne als Bündel von Zeitreihen, Servicelevels als Talisman, und Menschen, die die Ergebnisse validieren. AI wird eingeladen, sich an die Spitze dieses Stapels zu setzen – als Verstärker, nicht um dessen Annahmen in Frage zu stellen.
Warum Praktiker wegsehen werden (und sollten)
All das hätte nur wenig Bedeutung, wenn das Papier lediglich eine akademische Übung wäre. Aber es ist ausdrücklich als Leitfaden für Praktiker und Pädagogen konzipiert. Seine Autoren schließen mit Appellen an Forscher, Industrievertreter und Universitäten, in denen sie dazu aufrufen, Lehrpläne rund um die Zusammenarbeit von Mensch und AI zu entwickeln, Governance-Rahmen für „ethische“ AI-Einsätze zu schaffen und supply chains zu entwerfen, die „Resilienz, Produktivität und soziales Wohlergehen“ verbessern.
Das Problem ist, dass das zugrunde liegende Denkmodell nie den Komfort des Seminarraums verlässt.
Es besteht kein Anspruch darauf, dass Techniken an umfassenden, chaotischen Unternehmensdaten getestet werden, die unbeaufsichtigte Entscheidungen liefern und an einem in Geld bemessenen Referenzwert gemessen werden. Es besteht kein Anspruch darauf, dass überökonomische Bedenken in Preise, Vorschriften oder quantifizierte Risiken übersetzt werden, bevor sie den Gewinn übersteuern dürfen. Es besteht kein Anspruch darauf, dass Rahmenwerke durch die konkreten Veränderungen gerechtfertigt werden, die sie bei Emissionen bewirken – also dem, was gekauft, bewegt und bepreist wird – und nicht durch die Anzahl der Folien, die sie füllen können.
In Kapitel 6.2 meines Buchs, in dem ich allgemeine Intelligenz und die Rolle von Software im supply chain bespreche, weise ich darauf hin, dass viele veröffentlichte Modelle die entscheidenden Gestaltungsentscheidungen – Ziel, Zwänge, zulässige Optionen – implizit behandeln. Sie operieren innerhalb sauberer, abgegrenzter Rätsel, lassen aber den chaotischen Teil, für den Unternehmer tatsächlich bezahlt werden, im Hintergrund. Das Gegenmittel ist konzeptionell einfach, wenn auch in der Praxis schwierig: Formuliere das wirtschaftliche Ziel in monetären Begriffen, führe die zulässigen Optionen auf, definiere Abbruchkriterien und zerlege dann die Arbeit in abgegrenzte Teilprobleme, die Maschinen lösen können.
Die AI Era-Visionserklärung tut dies nicht. Sie beginnt mit unbelegten Adjektiven, häuft eine Klassifikation an, durchforstet eine Literatur, die größtenteils von ihren eigenen Autoren und deren Kollegen verfasst wurde, und fordert dann mehr vom Gleichen unter dem Banner von AI. Sie ist eloquent, ernst gemeint und für jeden, der versucht, einen supply chain zu betreiben, fast völlig am Thema vorbei.
Deshalb ignorieren Praktiker diese Art von Arbeit. Nicht, weil sie antielitär sind, sondern weil sie – oft auf die harte Tour – gelernt haben, dass Rahmenwerke ohne Zielvorgaben, Prognosen ohne eine ehrliche Diskussion über die Grenzen der Repräsentation, AI ohne wirtschaftlichen Maßstab und Ethik ohne Preise alle an denselben Punkt zusammenlaufen: beeindruckende Foliensätze, bescheidene Pilotprojekte und kein dauerhafter Anstieg der Rendite des Unternehmens.
Wenn sich die Wissenschaft im supply chain wieder relevant machen will, muss sie das Muster, das dieses Papier so deutlich illustriert, umkehren. Beginne mit der Ökonomie, nicht mit Adjektiven. Übersetze Anliegen – ob umweltbezogen, sozial oder anderweitig – in explizite Trade-offs statt in moralische Parolen. Beurteile Modelle anhand ihrer Leistung bei chaotischen Daten, unter realen Zwängen, mit unbeaufsichtigten Entscheidungen und einem finanziellen Risiko. Akzeptiere, dass Zeitreihenplanung für viele Probleme eine Sackgasse ist und dass AI kein magischer Dünger für ein fehlerhaftes Paradigma ist.
Bis dahin sind Praktiker nicht nur berechtigt, solche Visionserklärungen zu ignorieren. Sie handeln mit Vorsicht.
