Eine kritische Überprüfung des Gartner Magic Quadranten 2024 für Supply Chain Planungslösungen, April 2025

Von Léon Levinas-Ménard

Zuletzt geändert: 5. April 2025

Einführung

Der Gartner Magic Quadrant 2024 (MQ) für Supply Chain Planungslösungen gibt vor, die Top-Softwareanbieter anhand von “Completeness of Vision” und “Ability to Execute” abzubilden, ein Format, das den Anschein von Objektivität erweckt. In der Praxis verrät uns dieses MQ jedoch mehr über Gartners eigene Anreize und das legacy Erbe der Branche als über echten technischen Gehalt. Diese kritische Überprüfung wirft einen wahrheitssuchenden, skeptischen Blick hinter den glänzenden Quadranten. Wir analysieren die Methodologie und Struktur des MQ und decken systemische Mängel auf – von Pay-to-play-Dynamiken, die die Platzierungen verzerren, bis hin zu einer Überrepräsentation jahrzehntelanger “Dinosaurier”-Anbieter. Wir untersuchen den Leaders-Quadranten, kritisieren vage Marketingaussagen (aufgeblähte ROI-Zahlen, magische AI/ML-Versprechungen ohne technische Details, “Black-Box”-Automatisierung) und heben interne Widersprüche in den Anbieter-Narrativen hervor (z. B. das Prahlen mit Echtzeitplanung, während gleichzeitig behauptet wird, massive Sortimente zu optimieren – eine Kombination, die in der realen Rechnerleistung rechnerisch inkompatibel ist). Durchgehend stützen wir uns auf tiefgehende technische Überlegungen und unabhängige Analysen (einschließlich Lokads Forschung 2021–2025), um den Hype zu durchschauen. Wir beleuchten auch, was im MQ ausgelassen wird – insbesondere die häufigen fehlgeschlagenen Implementierungen dieser Lösungen sowie das Fehlen disruptiver, wissenschaftlich rigoroser Anbieter, die sich weigern, an Gartners Spiel teilzunehmen. Ziel ist eine umfassende, skeptische Analyse, die Gartners Vorstellung von der Softwarelandschaft für Supply Chain Planungslösungen in Frage stellt und die Leser befähigt, den trügerisch einfachen, aber irreführenden Schein des Quadranten zu durchschauen.

Die Methodologie des Magic Quadranten: Struktur, Verzerrungen und Pay-to-Play

Gartners MQ wird als unparteiische Bewertung präsentiert: ein übersichtliches Diagramm mit zwei Achsen, “Ability to Execute” (y-Achse) und “Completeness of Vision” (x-Achse). Theoretisch hat ein Anbieter im begehrten, rechts oben gelegenen “Leaders”-Quadranten sowohl eine starke Umsetzung als auch eine überzeugende Vision. Doch der Prozess hinter diesen Rankings ist alles andere als neutral. In Gartners eigenen Beschreibungen beinhalten die Kriterien Aspekte wie Produktfähigkeiten, Kundenerfahrung, Marktreaktionsfähigkeit, Strategie usw. – hochgradig qualitative Faktoren, die Analysten großen Ermessensspielraum geben. Es ist ein offenes Geheimnis in der Welt der Unternehmenssoftware, dass bedeutende Analystenfirmen wie Gartner nach einem “pay-to-play”-Modell arbeiten, und ihre Empfehlungen spiegeln oft mehr die Beziehungen zu den Anbietern als tatsächliche Produktexzellenz wider ¹. Wie eine Lokad-FAQ unverblümt feststellt, “werden Anbieter, die sich nicht auf die substantiellen kostenpflichtigen Interaktionen mit Gartner einlassen, in der Regel auf weniger vorteilhafte Positionen herabgestuft oder ganz ausgelassen.” Das Ergebnis ist, dass Magic Quadrants eher als Infomercials für diejenigen fungieren, die zahlen, statt als rigorose Bewertungen – viele Führungskräfte behandeln diese Rankings “mit derselben Glaubwürdigkeit, mit der sie beiläufigen Horoskopen begegnen würden” ².

Diese systemische Verzerrung ist nicht nur ein Vorwurf von Wettbewerbern; sie zeigt sich in der Art und Weise, wie Gartner Geschäfte betreibt. Anbieter investieren stark in Analystenbeziehungen – sie kaufen Gartners Forschungsdienstleistungen, briefen Analysten, erwerben Wiederveröffentlichungsrechte – in dem Wissen, dass sich ihre MQ-Position mit mehr Engagement verbessern kann. Gartner bestreitet selbstverständlich jegliches Quid pro quo, aber selbst wenn einzelne Analysten Objektivität anstreben, ist der Interessenkonflikt unvermeidbar. Wie Joannes Vermorel feststellte, besteht in diesen Anbieterbewertungen ein “Vorwand der Neutralität”, doch in Wirklichkeit “sind die Interessenkonflikte so ausgeprägt, dass man keine Neutralität erhält; was man bekommt, ist pay-to-win.” ³ ⁴ Kein Verhaltenskodex oder Analysten-Feuerwall kann die subtilen Zwänge vollständig beseitigen; wie Vermorel anmerkt, zeigen selbst gutmeinende Menschen unbewusste Voreingenommenheit, wenn bedeutende kommerzielle Interessen im Raum stehen ⁵ ⁶. Im Kontext des MQ bedeutet dies, dass große Anbieter mit hohen Marketingbudgets und Gartner-Abonnements systematisch bevorzugt werden. Das Fehlen einer wirklich unabhängigen Analyse ist in das Modell eingebettet – Gartners Einnahmen stammen von denselben Firmen, die “objektiv” bewertet werden.

Vision vs. Umsetzung – Wer definiert Erfolg?

Die beiden Achsen des MQ messen angeblich die “Vision” und die “Umsetzung” eines Anbieters, doch diese Konzepte sind nebulös. Was zählt als kühne Vision in Software für Supply Chain Planung? In vielen Fällen ist es das, was Gartners Analysten in Anbieter-Briefings und über Marktjargon hören. Zum Beispiel wird das Vorhandensein aller angesagten Akronyme auf Ihrem Fahrplan (AI/ML, digital twin, Echtzeit-IBS etc.) das Vision-Feld abhaken, unabhängig davon, ob Ihr Produkt diese tatsächlich erfüllt. Umgekehrt könnte ein Anbieter mit einem wirklich neuen Ansatz herabgestuft werden, wenn er nicht in Gartners vorgefertigtes Schema dessen passt, “was gut aussieht”. Die Fähigkeit zur Umsetzung reduziert sich oft auf die Größe: Anzahl der Kunden, globale Präsenz, Netzwerk von Implementierungspartnern – im Wesentlichen ein Stellvertreter für Marketingreichweite und Umsetzung im Unternehmensvertrieb, nicht für tatsächlich erfolgreiche Ergebnisse. Dies verzerrt das MQ zugunsten von Incumbents und benachteiligt kleinere, technisch innovative Firmen (die vielleicht bessere Algorithmen haben, aber weniger große Referenzen).

Entscheidend ist, dass Gartners Bewertung nicht den tatsächlichen Erfolg von Implementierungen in irgendeiner transparenten Weise berücksichtigt. Ein Anbieter, der 100 Exemplare seiner Software verkauft und bei 100 80 Misserfolge verzeichnet, erzielt dennoch eine hohe Punktzahl bei der “Ability to Execute” allein aufgrund der Verkaufszahlen und Präsenz, während ein Anbieter, der 10 Exemplare verkauft und in allen 10 Fällen erfolgreich ist, als weniger leistungsfähig gelten könnte. Die Methodologie des MQ bestraft also Qualität zugunsten von Quantität. Es ist bemerkenswert, dass Gartners eigene Analysten zugaben, dass die Nutzerakzeptanz dieser Planungslösungen erschreckend niedrig ist. Beim 2024 Supply Chain Planning Summit teilte Gartners Pia Orup Lund mit, dass im Durchschnitt nur 32% der Planer einer typischen Organisation tatsächlich zum neuen Planungstool migriert sind, das implementiert wurde – eine erstaunlich niedrige Akzeptanzrate angesichts der Multi-Millionen-Dollar-Projekte ⁷. Anders ausgedrückt, zwei Drittel der vermeintlich erfolgreichen Implementierungen überzeugen die Nutzer nicht und verkommen zu Schaufensterware. Dennoch haben solche Ergebnisse kaum Einfluss auf die Positionierung im Magic Quadrant, da Gartners Bewertung diese Misserfolge überspielt. Die Achse “Ability to Execute” ist keine Messgröße für den tatsächlichen Mehrwert, sondern weitgehend ein Maß für Marktdurchdringung und Anbieterstärke. Dadurch steht die Aussagekraft des Leaders-Quadranten in Frage: Umsetzung nur im Namen, nicht in der Realität.

Die trügerische Objektivität des Quadranten

Das reine Format des MQ – eine grafische Darstellung in Form eines Quadranten – verleiht den Anbietern den Anschein wissenschaftlicher Analyse, als wären sie präzise gemessen und auf einem kartesischen Diagramm verortet. Dies ist irreführend. Im Gegensatz zu einem datengetriebenen Streudiagramm resultieren die Positionen in einem Magic Quadrant aus geschlossenen Diskussionen, gewichteten Bewertungsschemata, die Gartner nicht vollständig offenlegt, und letztlich aus subjektiven Einschätzungen. Die visuelle Einfachheit (wer oben rechts und wer unten links liegt) verschleiert eine Vielzahl subjektiver Entscheidungen. Außerdem erzwingt es einen Vergleich nach Einheitsgröße, der den Kontext ignoriert: Ein “Leader” für einen Unternehmenstyp könnte für die Bedürfnisse eines anderen eine schlechte Wahl sein, trotzdem stellt das MQ einen Anbieter als universell überlegen dar. Indem vielschichtige Produkte auf einen einzelnen Punkt reduziert werden, geht die Nuance verloren. Zum Beispiel könnte ein Anbieter eine ausgezeichnete Lösung für Prognose, aber eine mittelmäßige für Produktionsplanung haben – wie soll man das in einem einzigen X–Y-Punkt abbilden? Gartners Antwort besteht effektiv darin, die Werte zu mitteln und nach den Kriterien zu gewichten, die ihnen in jenem Jahr am besten gefallen. Das Ergebnis ist ein Verblassen der Unterschiede, das die Leser in die Irre führen kann, indem Unterschiede lediglich als inkrementell wahrgenommen werden. Das Quadrantenformat begünstigt eine faule Interpretation: “oben rechts ist am besten, unten links ist am schlechtesten”, wodurch die mühsame Analyse von Kompromissen und spezifischen Fähigkeiten umgangen wird. Wie Vermorel scherzte, “Magic Quadrants are, as the name suggests, superstition at their best, and fake science at their worst.” ⁸ Die harte Ausdrucksweise unterstreicht, dass die Quadrant-Grafik mehr Marketing-Theater als rigorose Forschung darstellt.

Legacy-Anbieter, die den Leaders-Quadranten dominieren

Betrachtet man den 2024 MQ für Supply Chain Planung, fällt sofort auf, dass der Leaders-Quadrant de facto ein Alumni-Club von legacy Anbietern ist. Kinaxis, Blue Yonder, Oracle, OMP, Logility – diese Unternehmen (oder ihre Vorgängernamen) existieren seit Jahrzehnten. Kinaxis wurde in den 1980er Jahren gegründet (als WebPlan), Blue Yonder geht auf das Jahr 1985 zurück (als JDA Software), OMP stammt aus den 1970er Jahren, Logility aus den 1990er Jahren und Oracle ist so alt wie die moderne IT selbst. Ihre anhaltende Präsenz an der Spitze könnte auf beständige Exzellenz hindeuten – oder darauf, dass Gartners Kriterien von Natur aus Maßstab und Langlebigkeit begünstigen. Die Geschichte legt eher Letzteres nahe. Diese Incumbents wurden oft nicht ausschließlich durch überlegene Technologie prominent, sondern durch aggressive Übernahmen und den Ausbau ihrer Portfolios. Blue Yonder ist ein anschauliches Beispiel: Es ist “das Ergebnis einer langen Reihe von M&A-Operationen”, was zu “einer willkürlichen Sammlung von Produkten, von denen die meisten veraltet sind” unter einer Marke geführt hat ⁹. Gartners MQ listet Blue Yonder weiterhin als Leader auf, mit einer “umfassenden Microservices-Architektur” und einer vollständigen End-to-End-Suite, wobei verschleiert wird, dass ein Großteil dieser Suite aus älteren Tools zusammengenäht ist. Unternehmenssoftware vereint sich nicht magisch durch M&A; Integration ist schwierig, und Blue Yonders System zeigt seine Nähte. Die Lokad-Studie über Anbieter bemerkte, dass Blue Yonder im Marketing “hervorstechend AI präsentiert”, aber die “Aussagen sind vage und wenig substanziell.” Tatsächlich deuten die wenigen Hinweise aus Blue Yonders öffentlichen technischen Materialien (z. B. einige Open-Source-Projekte) “auf Ansätze vor 2000 hin” wie grundlegende ARMA-Prognosemodelle ¹⁰. So haben wir einen Leader, der “AI” hochjubelt, während er vermutlich 20+ Jahre alte Prognosetechniken im Hintergrund verwendet. Dies wirft eine schwierige Frage auf: Ist Blue Yonder ein Leader aufgrund seines technischen Merits oder wegen seines legacy Momentums? Gartners Bericht stellt diese Frage nicht, aber eine skeptische Überprüfung muss es tun.

Kinaxis und Oracle sind ebenfalls lehrreiche Beispiele. Kinaxis, bekannt für seine RapidResponse-Plattform, ist in gewisser Weise tatsächlich ein Pionier – es führte die schnelle, im Speicher ablaufende “concurrent planning” lange vor vielen Wettbewerbern ein und bleibt sehr beliebt für Sales & Ops Planning. Aber auch es ist ein legacy Akteur, der sich fortlaufend modernisiert. Historisch bot Kinaxis in seinem Kern keine fortgeschrittenen statistischen oder ML-Prognosemethoden an; Nutzer mussten Prognosen importieren oder einfache Methoden verwenden. Vor einigen Jahren erkannte Kinaxis diese Lücke und begann, probabilistische Werkzeuge über Übernahmen bzw. Partnerschaften hinzuzufügen (z. B. die Übernahme von Rubikloud für AI forecasting, Partnerschaften mit Wahupa für die Optimierung von Inventar) ¹¹ ¹². Diese Schritte sind positiv, aber im Wesentlichen holt Kinaxis auf, was AI/ML-Fähigkeiten angeht, die andere bereits besitzen – und das durch die Integration separater Module. Dies wirft Fragen der technologischen Kohärenz auf – die neuen Funktionen von Kinaxis sind “Bolt-ons”, die “Fragen zur Kohärenz des Tech-Stacks aufwerfen” ¹². Es bleibt abzuwarten, ob diese probabilistischen Module tief integriert sind oder nur oberflächliche Ergänzungen zum Marketing darstellen. In der MQ-Erzählung steht Kinaxis aufgrund seiner “Ability to Execute” und eines jahrzehntelangen Erfolgs an der Spitze, aber ein tiefgehender technischer Audit zeigt eine deterministische legacy Architektur, die sich zu einem Hybrid entwickelt. Ganz zu schweigen davon, dass der im Speicher arbeitende Ansatz, der Kinaxis Geschwindigkeit verleiht, auch Grenzen setzt – große Implementierungen stehen vor “hohen Hardwarekosten und Skalierungsgrenzen, wenn die Daten wachsen (große Implementierungen erfordern massiven RAM)” ¹³. Diese Nuance fehlt in Gartners Bewertung der “execution”. Ein Planer, der das MQ liest, könnte denken, Kinaxis sei eine sichere Wahl wegen seines Leader-Status, ohne zu erkennen, dass bei riesigen supply chain Daten möglicherweise Kosten- oder Performancegrenzen erreicht werden oder beträchtliche Hardwareinvestitionen nötig sind, um Kinaxis’ Echtzeitsimulationen zu nutzen. Diese Realitäten kommen in Gartners Darstellung kaum zur Sprache.

Oracles Aufnahme als Leader im Jahr 2024 ist ein weiteres Zeichen für die Vormachtstellung etablierter Anbieter. Oracles SCP-Lösung ist Teil seiner umfangreichen Cloud SCM Suite. Gartner lobt Oracles “Vision für eine composable Architektur” und seine Fähigkeit, “auf jeder Detailebene zu planen.” ¹⁴ Doch das liest sich wie eine Broschüre – das Planen auf “jeder Detailebene” klingt zwar großartig, aber erfahrene Praktiker wissen, dass eine Planung mit extrem hoher Granularität (zum Beispiel auf SKU-Store-Ebene mit komplexen Einschränkungen) nicht augenblicklich oder gar realisierbar ist, wenn wirklich jede Einzelheit gemeint ist. Es gibt einen rechnerischen Kompromiss: Entweder fasst man zusammen, um schnell zu planen, oder man benötigt mehr Zeit (bzw. mehr Rechenleistung), um im Detail zu planen. Oracle, wie auch andere, impliziert effektiv, dass sie das Unmögliche möglich machen können. Vielleicht kann ihre Cloud mehr verarbeiten als ältere Systeme, aber der Anspruch auf volle Granularität ohne Konsequenzen stößt an Unglaubwürdigkeit. Das spiegelt einen allgemeinen Trend wider: legacy Anbieter, die sich als “cloud AI platforms” umpositionieren, jedoch unter der Haube noch mit Beschränkungen kämpfen. Oracle hat im Laufe der Jahre zahlreiche Unternehmen (Demantra für demand planning, G-Log etc.) übernommen und integriert, um seine Suite aufzubauen. Lob muss gesagt werden: Oracle hat investiert, um zu modernisieren, aber erneut erwähnt der MQ-Text nicht, wie viele Jahre und Beratungsstunden es tatsächlich dauern könnte, diese “composable” Vision in einer Kundenimplementierung zu realisieren.

Es ist auch bemerkenswert, welche Legacy-Anbieter nicht erscheinen im MQ Leaders oder überhaupt. SAP, zum Beispiel, ist 2024 nur ein Challenger (obwohl es das ERP-Monster mit einem SCP-Produkt, IBP, ist). Infor – ein weiterer großer ERP-Akteur, der Unternehmen wie Mercia und Predictix für die Planung akquiriert hatte – fehlt im 2024er MQ ganz. Warum? Möglicherweise, weil sich Infors Fokus verschoben hat (oder weil man sich entschied, nicht an Gartners Bewertung teilzunehmen). Lokads Anbieterstudie wies darauf hin, dass Infor Predictix (einen auf KI spezialiserten Prognosespezialisten) 2016 akquirierte, aber „der Forecasting-Fokus blieb eine Nebenrolle“ innerhalb von Infors Suite ¹⁵. Predictixs angeblich fortgeschrittene ML-Techniken wurden „zurückgestellt“ und es ist „zweifelhaft, dass diese Methoden die Prognosemodelle vor 2000 übertreffen“, wobei Infors „KI“-Ansprüche ebenfalls als fragwürdig angesehen werden ¹⁶. Kurzum: Infors Innovationskraft in der Planung ist verpufft, weshalb sie nicht im MQ erscheinen. Dies ist tatsächlich ein Pluspunkt zugunsten von Gartners Integrität – sie zögerten nicht, einen großen Namen fallen zu lassen, als dieser ins Hintertreffen geriet. Aber es unterstreicht auch, wie Akquisitionen nirgendwo hinführen können: Der Kauf von KI-Startups garantiert keine Führungsposition, wenn das Kernunternehmen diese nicht integrieren und umsetzen kann. Die Ironie ist, dass diejenigen, die im Leaders-Quadranten bleiben, ähnliche akquisitionsgetriebene Historien aufweisen (Blue Yonder mit JDA/i2/Manugistics, Logility, das in den letzten Jahren Garvis und Starboard akquirierte ¹⁷ ¹⁸, Kinaxis mit Rubikloud etc.), und Gartner ihnen dennoch weiterhin den Vorteil des Zweifels einräumt. Die Überrepräsentation von Legacy-Anbietern legt nahe, dass frühere Marktanteile und Beziehungen zu Gartner oft die gegenwärtige technische Exzellenz übersteigen.

Hype vs. Realität: Fragwürdige Aussagen im Leaders-Quadranten

Das Marketinggeschwafel im Supply Chain Planning ist legendär, und die MQ-Berichte spiegeln oft Anbieter-Aussagen wider, die extreme Skepsis rechtfertigen. Ein wiederkehrendes Muster bei den Leaders ist das Prahlen mit himmelhohen ROI und transformativen Ergebnissen – meist ohne konkrete Belege. Beispielsweise preisen viele Anbieter Zahlen wie „30% Lagerbestandsreduktion, 98% Servicelevel, 90% Produktivitätssteigerung“ nach der Implementierung ihrer Lösung an. ToolsGroup, heute ein Niche Player, aber historisch oft von Analysten zitiert, hat Ergebnisse beworben wie „über 90% Produktverfügbarkeit, 20-30% weniger Lagerbestand, 40-90% geringerer Arbeitsaufwand.“ Obwohl diese Zahlen vermutlich bei irgendeinem Kunden irgendwo erreicht wurden, klingen sie in Kombination zu gut, um wahr zu sein. Eine Analyse von Lokad warnte, dass solche Statistiken typischerweise ausgewählte Spitzenwerte sind: „stammen wahrscheinlich von verschiedenen Kunden, von denen jeder einen dieser Höchstwerte erreicht, und nicht von einem Kunden, der alle gleichzeitig erreicht“ – niemand sollte alle diese Vorteile auf einmal erwarten ¹⁹. Die Realität bringt Abwägungen mit sich; man könnte den Lagerbestand um 20% reduzieren, aber dann könnte das Servicelevel sinken, oder umgekehrt. Der MQ enthält jedoch selten derartige Vorbehalte, wenn er die „Fähigkeit zur Wertschöpfung“ eines Leaders lobt. Er neigt dazu, die Erfolgsgeschichten zu wiederholen, die der Anbieter liefert. Das Ergebnis ist eine Aufblähung der Erwartungen. Ein Supply Chain Manager, der im MQ über Kinaxis oder Blue Yonder liest, könnte denken, dass diese Tools automagisch Probleme lösen und schnelle ROI erzielen, während in der Praxis die Implementierung ins Stocken geraten könnte und die Gewinne – wenn überhaupt – erst nach langwierigen Change-Management-Prozessen eintreten.

Ein weiterer Bereich des Hypes ist Prognosegenauigkeit und KI. Jeder Anbieter behauptet inzwischen, irgendeine Form von „KI-gestützter Prognose“ zu bieten, die die Nachfragevorhersagen drastisch verbessern soll. Doch konkrete Details fehlen fast immer. Die Kurzbeschreibungen von Blue Yonder und Logility erwähnen AI/ML, Kinaxis spricht von „Planning AI“ usw., aber Gartners Zusammenfassung fordert keine Details dazu, wie sich ihre KI unterscheidet oder bewährt ist. Ein markantes Beispiel ist das Konzept des „demand sensing“ – ein Schlagwort für den Einsatz sehr kurzfristiger Daten zur Anpassung von Prognosen. ToolsGroup hat diesen Begriff verwendet, ebenso wie andere. Allerdings, wie Lokads Forschung anmerkte, „werden Behauptungen zum ‚demand sensing‘ nicht durch wissenschaftliche Literatur gestützt.“ ²⁰ Es ist im Grunde ein Marketingbegriff; es gibt wenig Hinweise darauf, dass das, was Anbieter als demand sensing bezeichnen, konstant bessere Prognosen liefert als gute kurzfristige Statistiken. Ebenso prahlt ein Anbieter (John Galt Solutions, ein Challenger) damit, dass ein firmeneigener Algorithmus namens „Procast“ genauer sei als die der Konkurrenz, liefert aber keinen öffentlichen Beweis – tatsächlich ist es bezeichnend, dass dieser Algorithmus in den Spitzenpositionen des M5-Prognosewettbewerbs fehlte, in dem Open-Source-Methoden dominierten ²¹. Höchstwahrscheinlich schlägt John Galts Geheimrezept nicht die Methoden von Facebooks Prophet oder Hyndmans R-Paketen in puncto reiner Genauigkeit, aber das MQ-Schreiben würde dies nicht offenbaren. Es bedarf unabhängiger Recherchen, um diese Dinge aufzudecken. Die Vision-Achse des MQ neigt dazu, Anbieter dafür zu belohnen, dass sie KI und Analytik hochleben lassen, unabhängig davon, ob ihre Ansätze neuartig oder statistisch fundiert sind. Betrachten Sie o9 Solutions: Im letzten Jahr (2023) positionierte Gartner o9 im Leaders-Quadranten, teils aufgrund des Hypes um eine „digital brain“-Plattform. Bis 2024 sank o9 zu Visionary. Was hat sich geändert? Möglicherweise erkannte Gartner, dass einige von o9s großspurigen Behauptungen unbewiesen waren. Lokads Untersuchung von o9 ergab, dass „viele seiner [KI-]Aussagen (zum Beispiel, dass sein Knowledge Graph die Prognose einzigartig verbessert) ohne wissenschaftliche Untermauerung zweifelhaft sind“ ²². Tatsächlich zeigte die Analyse der öffentlich sichtbaren technologischen Komponenten von o9 größtenteils Standardtechniken, „nichts grundlegend Neues, das das groß angelegte ‚KI‘-Branding rechtfertigen würde“ ²². Das ist eine gängige Geschichte: das Marketing übertrumpft die Realität. Gartner, so muss man ihnen zugestehen, passt sich letztlich an (wie bei o9), jedoch erst nachdem sie anfangs einen Teil des Hypes verstärkt haben, indem sie den Anbieter als Leader positionierten. Dieses Hin und Her unterstreicht auch, wie subjektiv der MQ ist – ein Jahr ein Visionär, das nächste Jahr ein Leader, dann wieder ein Visionär –, was wenig Vertrauen in einen stabilen, kriterienbasierten Prozess weckt.

Eine der irreführendsten Aussagen, die bei Leader-Anbietern verbreitet werden, ist die Idee des „Echtzeit-, durchgängigen Planungsprozesses.“ Diese Formulierung suggeriert, dass man einen wirklich bis zur letzten Minute synchronisierten Plan über seine gesamte Supply Chain haben kann, der sich vielleicht sogar automatisch in Echtzeit anpasst. Sowohl Kinaxis als auch Blue Yonder haben Vokabular rund um gleichzeitige oder kontinuierliche Planung verwendet; Gartners Text zu Oracle hebt „Planung auf jeder Detailebene“ hervor, und Kinaxis wird für Automatisierung und Abstimmung gelobt. Der Widerspruch liegt im Trade-off zwischen Umfang und Geschwindigkeit. Für große Unternehmen kann „jede Detailebene“ Millionen von SKU-Standort-Kombinationen, komplexe mehrstufige Einschränkungen, Saisonalitäten etc. bedeuten. Einen optimalen Plan selbst täglich für dieses Ausmaß zu erstellen, ist ein gewaltiges rechnerisches Unterfangen. Dies in Echtzeit zu schaffen (sub-sekündige oder sofortige Updates, sobald sich Daten ändern) ist mit den heutigen Algorithmen und der vorhandenen Hardware praktisch unmöglich, sofern man nicht Detailgenauigkeit oder Optimalität opfert. Kinaxis begegnet diesem Problem, indem es eine In-Memory-Architektur nutzt, um schnell neu zu berechnen, doch selbst sie stoßen an ihre Grenzen (sie benötigen enorm viel RAM und vereinfachen manche Berechnungen) ¹³. Blue Yonders „Luminate“-Plattform spricht von einer KI-Engine und verwendet möglicherweise Heuristiken für schnelle Anpassungen statt einer vollständigen Reoptimierung. Die MQ-Berichte berücksichtigen diese technischen Realitäten nicht. Sie lassen den Anbietern beide Möglichkeiten offen: Sie behaupten einerseits eine umfassende, ausführliche Analyse und sofortige Reaktionsfähigkeit. Ein kritischer Betrachter sollte dies als Marketing-Doppeldenk erkennen. Zum Beispiel, wenn ein Anbieter behauptet, „Echtzeitplanung“ zu handhaben und gleichzeitig „attributbasierte Planung auf hochgranularen Ebenen“ (wie Gartner bei einigen Visionären ebenfalls anmerkt) ²³ ²⁴, sollte man sich fragen: Wie erhalten sie bei solch extremer Detailtiefe die Echtzeitgeschwindigkeit? Die wahrscheinliche Antwort lautet: das tun sie nicht, zumindest nicht ohne massive Hardware oder Vereinfachungen. Lokads Team hat darauf hingewiesen, dass der Versuch, beide Extreme auszureizen, in der Regel scheitert – entweder verlangsamt sich das System oder es lässt stillschweigend Details weg (z. B. werden einige aggregierte Zahlen in Echtzeit aktualisiert, aber nicht alle). Leider fordert Gartners MQ die Anbieter nicht auf, diese Widersprüche zu lösen. Die Erscheinung modernster Leistungsfähigkeit wird präsentiert, und es liegt an den Nutzern, später herauszufinden, dass bestimmte Versprechenskombinationen schlichtweg nicht umsetzbar sind.

Black-Box „KI“ und mangelnde Transparenz

Ein weiteres Problem bei den Anbietern im Leaders-Quadranten ist, wie stark sie auf „Black-Box“-Lösungen setzen. Viele prahlen mit KI-gesteuerter Automatisierung, bei der das System Entscheidungen mit minimalem menschlichen Eingriff trifft. Theoretisch ist das großartig – wer möchte nicht einen Autopiloten für die Supply Chain? – aber in der Praxis, wenn die KI eine Black Box ist, kann das gefährlich werden. Planer, die jahrzehntelange Erfahrung mit unerklärlicher Optimierungssoftware haben, neigen dazu, ihr nicht zu vertrauen oder erhalten komische Empfehlungen, die schwer zu debuggen sind. Blue Yonder beispielsweise hat sich seit der Umfirmierung stark auf KI fokussiert (der Name „Blue Yonder“ stammt nämlich von einem akquirierten KI-Startup). Dennoch wird wenig darüber veröffentlicht, wie ihre KI funktioniert, und Nutzer beschreiben häufig, dass sie die Ergebnisse manuell überschreiben oder anpassen müssen. Léon Levinas-Ménard bemerkte, dass Blue Yonders Ansatz mit „Black-Box-KI-Komplexität“ einhergeht – ein zweischneidiges Schwert ²⁵. Es mag im Inneren ausgeklügelt sein, aber wenn es undurchsichtig ist, erhöht das den Widerstand der Nutzer und das Risiko unerkannter Fehler. Gartners Bewertung gibt dazu kaum Einblick. Ein Anbieter könnte unter der Haube ein fragiles Machine-Learning-Modell haben, doch solange er ein paar Referenzkunden vorweisen kann, die bestätigen, dass es ihnen geholfen hat, wird Gartner ihn hoch einstufen. Es zeigt sich ein generelles Muster des Mangels an technischer Transparenz: Abgesehen von wenigen Ausnahmen veröffentlichen diese Anbieter kaum Forschungspapiere, nehmen nicht an offenen Algorithmuswettbewerben teil (wie bereits bei John Galts Abwesenheit im M5 erwähnt, und ebenso hatten keiner der großen Leaders Spitzenplatzierungen in solchen Wettbewerben) und machen bedeutende Teile ihrer Software nicht Open Source. Sie setzen auf Vertrauen und Marke. Gartners Quadrant verstärkt das, weil er keine Beweise über Kundeninterviews und Demos hinaus verlangt. Es ist bezeichnend, dass ein Anbieter wie ToolsGroup, der historisch einen eher analytischen, White-Box-Ansatz verfolgte (mit seiner bekannten SO99+ Optimierungsengine), kürzlich das Bedürfnis verspürte, sich der KI-Hype-Welle anzuschließen. ToolsGroup begann, alles als „KI-gestützt“ zu bezeichnen, und führte um 2018 probabilistische Prognosen im Marketing ein, tat dies jedoch auf umständliche Weise – sie warben mit probabilistischen Vorhersagen und prahlten gleichzeitig mit Verbesserungen im MAPE ²⁶ ²⁷ (obwohl MAPE, ein Fehlermaß, für probabilistische Prognosen bedeutungslos ist!). Diese Art von Inkonsistenz zeigt eine marketinggetriebene Übernahme von Schlagwörtern ohne echtes Verständnis. Lokads Kritik war pointiert: ToolsGroups Behauptungen zu KI wurden als „fragwürdig“ bezeichnet und ihre Materialien deuteten auf „Prognosemodelle von vor 2000“ hin, die als neu dargestellt wurden ²⁸. Wenn ein relativ technischer Anbieter wie ToolsGroup dem Schlagwort-Hype erliegt, kann man sich vorstellen, wie viel reines Marketing in die Portfolios verkaufsorientierter Unternehmen fließt.

Der Gartner MQ-Bericht erkennt gelegentlich an, wenn etwas überwiegend Vision ist. So wird beispielsweise die „Vision für KI“ eines Anbieters als Stärke hervorgehoben (z. B. wird Logilitys „überdurchschnittliche Vision für KI“ nach seinen jüngsten Übernahmen erwähnt) ¹⁷ ¹⁸. Aber die Bezeichnung „Vision für KI“ als Stärke bedeutet im Wesentlichen, dass sie gut über KI sprechen. Es handelt sich nicht um eine ausgelieferte Funktion – es ist ein Plan oder eine Absichtserklärung. Das gleichzeitige Lob von tatsächlichen Fähigkeiten und Visionen verwischt die Grenze zwischen gegenwärtiger Realität und zukünftiger Roadmap. Dies dient wiederum den Anbietern: Es belohnt Präsentationsfolien und angekündigte Absichten. Ein Kunde könnte sich für einen Leader entscheiden, in der Annahme, er erwerbe eine KI-gestützte, vollautomatisierte, Echtzeitplanungs-Lösung, nur um später festzustellen, dass viele dieser Fähigkeiten noch in einem frühen Stadium, unbewiesen oder durch separate Projekte umzusetzen sind. Gartners Format differenziert in der MQ-Grafik nicht klar zwischen bewiesener Funktionalität und geplanten Funktionen; beides wird in der Platzierung der „Completeness of Vision“ zusammengefasst. Somit tendiert der Leaders-Quadrant dazu, von Unternehmen dominiert zu werden, die hervorragend darin sind, eine überzeugende Geschichte über die Zukunft der Supply Chain zu erzählen (oft, indem sie sich Gartners eigenen veröffentlichten Trends bedienen, um gut dazustehen), unabhängig davon, ob sie diese Zukunft tatsächlich realisieren.

Das Hässliche ignorieren: Ausgelassene Fehlschläge und anhaltende Schwierigkeiten

Ein Aspekt, der in Gartners glänzendem Quadranten auffallend fehlt, ist die Schattenseite der Unternehmenssoftware: die gescheiterten Projekte, massiven Kostenüberschreitungen und verworfenen Implementierungen. Besonders im Supply Chain Planning gibt es eine lange Geschichte gescheiterter oder enttäuschender Rollouts – so sehr, dass viele Praktiker gegenüber neuen „Lösungen“ zynisch werden, nachdem sie ein paar Mal negative Erfahrungen gemacht haben. Doch liest man den MQ-Bericht, könnte man meinen, es handle sich ausschließlich um Erfolgsgeschichten und differenzierende Merkmale. Gartner sammelt zwar Kundenfeedback im Rahmen der MQ-Untersuchungen, veröffentlicht jedoch in der Regel nur eine gesäuberte Zusammenfassung der „Stärken“ und „Schwächen“ jedes Anbieters. Diese Schwächen werden meist milde formuliert („einige Kunden berichten von Usability-Herausforderungen“ oder „die Integration kann komplex sein“). Deutliche Aussagen wie „Anbieter X hatte im letzten Jahr mehrere Projektmisserfolge“ werden im MQ nicht zu finden sein. Solche Wahrheiten, falls sie durchschimmern, verbreiten sich über informelle Netzwerke und Nutzerforen – nicht durch Gartner. Das Ergebnis ist eine Informationsasymmetrie: Ein potenzieller Käufer, der den MQ liest, könnte nicht wissen, dass beispielsweise ein bestimmter Leader-Anbieter den Ruf hat, 18-monatige Implementierungen durchzuführen, die oft niemals live gehen. Gartners Auslassung von Misserfolgsraten tut der Branche einen Abbruch, da sie ein allzu rosiges Bild zeichnet.

Betrachten Sie time to value – einen absolut kritischen Faktor für jedes Projekt. Hat Gartner evaluiert, wie lange die typische Implementierung jedes Anbieters dauert oder wie oft diese pünktlich umgesetzt wird? Falls ja, spiegelt sich diese Erkenntnis nicht klar im Quadranten wider. Anekdotisch wissen wir, dass einige der großen Suite-Anbieter (wie traditionelle Blue Yonder- oder SAP-Projekte) Jahre benötigen könnten, um vollständig ausgerollt zu werden. Unterdessen könnten einige neuere SaaS-Anbieter in Monaten einsatzbereit sein. Doch Gartners Ability to Execute weist darauf nicht explizit hin. Tatsächlich könnte ein kleinerer Anbieter als „nicht skalierbar für Großprojekte“ abgestempelt werden, selbst wenn er tatsächlich schneller implementiert, einfach weil er noch nicht so viele globale Rollouts durchgeführt hat. Erfolgsvoreingenommenheit schleicht sich ebenfalls ein: Gartner spricht überwiegend mit Referenzkunden, die von den Anbietern bereitgestellt werden und in der Regel zufriedener sind. Die vielen unzufriedenen oder weniger erfolgreichen Kunden werden nicht proaktiv zu Interviews herangezogen. Somit ist die Stichprobe zugunsten von Erfolgsgeschichten verzerrt. Gartner-Analysten wissen das, aber die MQ-Berichte erwähnen es selten über generische Warnhinweise hinaus.

Die Häufigkeit fehlgeschlagener Implementierungen ist der Elefant im Raum. Verschiedene Studien (einschließlich einer von Gartner in einem anderen Kontext) haben extrem hohe Ausfallraten für Big-Tech-Initiativen angegeben – z. B. sagte Gartner berühmt, dass 85% der KI-Projekte scheitern, und ein großer Prozentsatz der supply chain tech Projekte liefert nicht die gewünschten Ergebnisse. Eine Zusammenfassung auf LinkedIn des Gartner SCP Summit 2024 erwähnte, dass viele Unternehmen trotz moderner Planungstechnologien immer noch kämpfen und Planer die Werkzeuge nicht übernehmen ²⁹ ⁷. Wenn die durchschnittliche Übernahme nur 32% beträgt, bedeutet das, dass der Großteil der Projekte nicht den beabsichtigten Effekt erzielt. Dennoch integriert das MQ diese Kennzahl nicht in die Anbieter-Rankings. Wenn überhaupt, deutet es indirekt darauf hin: Ein Anbieter mit geringerer „Ability to Execute“ könnte jener sein, bei dem Kunden sich über die Benutzerfreundlichkeit oder Komplexität beschwert haben. Aber das alles ist Wahrsagerei. Die MQ-Grafik selbst, die einige Punkte weiter unten auf der Ausführungsskala zeigt, verrät nicht, dass „viele Kunden es nicht geschafft haben, mit dieser Software live zu gehen.“ Sie zeigt lediglich einen Punkt in der unteren Hälfte, der fälschlicherweise so interpretiert werden könnte, dass das Unternehmen klein sei oder Ähnliches, anstatt als Warnsignal für problematische Implementierungen zu gelten. Gartners Darstellung umgeht somit die Rechenschaftspflicht: Die Anbieter werden im operativen Geschäft nicht wirklich für die Ergebnisse zur Verantwortung gezogen, sondern lediglich für den Verkauf und das Vorweisen einer schönen Roadmap.

Für ein fachkundiges Publikum ist dies ein schwerwiegender Mangel. Das bedeutet, das MQ ist kein verlässlicher Erfolgsindikator. Ein „Leader“ könnte Sie durchaus in einen mehrjährigen, millionenschweren Sumpf führen, wenn Ihre Organisation nicht außerordentlich vorbereitet und abgestimmt ist, und Gartner hätte das nicht eindeutig signalisiert. Umgekehrt könnte ein Nischen- oder Visionärenanbieter Ihnen tatsächlich einen schnelleren Erfolg verschaffen, doch Gartners niedrige Bewertung könnte Ihre Führungskräfte davon abhalten, ihn in Betracht zu ziehen. Diese Dynamik ist der Grund, warum viele erfahrene supply chain Leiter das MQ mit Vorsicht genießen und stattdessen auf Peer-Empfehlungen und unabhängige Bewertungen setzen. In den Worten der Lokad-FAQ gilt: „Echte Due Diligence wird am besten dadurch erreicht, dass nachgewiesene Ergebnisse in realen Betriebsszenarien untersucht werden“, anstatt sich auf ein „Siegel der Genehmigung von einer zahlungspflichtigen Beratungsfirma“ zu verlassen ³⁰. Das MQ liefert bestenfalls eine Ausgangsliste von Anbietern, muss aber unbedingt mit externer Forschung darüber untermauert werden, wie diese Anbieter in Unternehmen, die Ihrem ähneln, abgeschnitten haben.

Gartners Leader herausfordern: Fallstudien zu enttäuschender Technologie

Um die Kritik zu untermauern, wollen wir zwei der hochgelobten Leader aus 2024 – Kinaxis und Blue Yonder – näher betrachten und untersuchen, ob ihre Platzierung in der oberen rechten Ecke durch technische Substanz gerechtfertigt ist oder durch bekannte Probleme widerlegt wird.

Kinaxis (Leader) – Gleichzeitige Planung, aber spät in KI. Gartner positioniert Kinaxis als den führenden Leader und lobt seine „einheitliche Benutzererfahrung“ sowie die Automatisierung. Die Stärke von Kinaxis liegt tatsächlich in seiner reaktionsfähigen Planungs-Engine: ein In-Memory-Modell, das Änderungen schnell weitergibt, sodass Sie Szenariosimulationen spontan durchführen können. Dies ist sehr nützlich für S&OP und What-if-Analysen. Allerdings bot Kinaxis historisch gesehen nicht fortschrittliche Forecasting- oder Optimierungslösungen out-of-the-box an. Die Planung erfolgte weitgehend regelbasiert und deterministisch, wobei Planer die Logik zur Ausbalancierung von Angebot und Nachfrage einrichteten. In Anerkennung der Branchenveränderungen hat Kinaxis kürzlich probabilistisches Forecasting und Bestandsoptimierungskapazitäten hinzugefügt – allerdings durch Akquisition oder Partnerschaften für diese Komponenten (z. B. der Wahupa MEIO-Engine, dem Rubikloud AI Forecasting) ¹¹ ³¹. Diese Ergänzungen werfen Fragen auf: Sind sie nahtlos in die RapidResponse-Plattform integriert oder handelt es sich um externe Module, die einfach angeknüpft wurden? Erste Anzeichen deuten auf Letzteres hin – effektiv verfügt Kinaxis nun über „Apps“ für Bestandsoptimierung und ML-Forecasting, die in das System eingesteckt werden. Es ist nicht dasselbe wie ein hausintern entwickelter, einheitlicher analytischer Kern. Zudem ist Kinaxis’ Einstieg in die KI noch recht neu. Ab 2023 begann es, „Planning.AI“ zu vermarkten, was signalisiert, dass es weiß, im KI-Spiel mitmischen zu müssen, dabei aber vorsichtig in der Kommunikation war – vielleicht, weil es weiß, dass seine AI/ML-Tiefe sich noch entwickelt ³² ³³. Lokads Analyse wies darauf hin, dass Kinaxis seine probabilistische Forecasting-Kompetenz nicht öffentlich demonstriert hatte (keine Veröffentlichungen oder Wettbewerbe), sodass man darauf vertrauen muss, dass sie effektiv ist ³⁴. Kurz gesagt, Kinaxis verdient absolut Anerkennung für seine wegweisende simultane Planung und die vielen zufriedenen Kunden, aber rein technisch gesehen ist es kaum das fortschrittlichste im Bereich Analytics. Seine Kernarchitektur ist veraltet – stark abhängig von viel RAM und CPU, um schnelle Berechnungen im Bruteforce-Verfahren durchzuführen – und es modernisiert erst jetzt seinen Forecasting-Ansatz, den andere bereits vor Jahren übernommen hatten. In Nutzerkreisen gibt es Berichte, dass Kinaxis Schwierigkeiten hat, wenn Datensätze sehr groß werden oder wenn versucht wird, über bestimmte Schwellenwerte hinaus detailliert zu planen (was mit den geäußerten Bedenken hinsichtlich RAM und Skalierbarkeit ¹³ übereinstimmt). Ist Kinaxis also wirklich der „Beste der Besten“ in der supply chain Planungssoftware im Jahr 2024? Oder ist es lediglich der Beste darin, eine End-to-End-Vision zu verkaufen und auf eine Erfolgsbilanz bei Implementierungen zurückzugreifen (wenn auch zu einem hohen Preis und Aufwand)? Gartners MQ stuft es klar als Nummer 1 ein, doch eine kritischere Bewertung könnte Kinaxis als sehr stark in der interaktiven Planung, aber dennoch durchschnittlich im algorithmischen Forecasting platzieren. Die einachsige Bewertung des MQ kann diese Zweiteilung nicht gut abbilden. Somit kaschiert die Leader-Position von Kinaxis – obwohl sie durch den Markterfolg verdient wurde – seinen späten Einstieg in KI und potenzielle Integrationsprobleme.

Blue Yonder (Leader) – All-in-One Suite oder ein Sammelsurium? Die Präsenz von Blue Yonder als Leader erscheint fast selbstverständlich aufgrund seiner langen Geschichte (ehemals JDA). Gartner verweist auf seine „Luminate Platform“ und umfassende Funktionalität, was andeutet, dass es alles abdeckt: Demand Planning, Supply Planning, Bestandsoptimierung, Produktionsplanung usw. sowie neuere Aspekte wie Analytics und Microservices. Das Versprechen ist eine end-to-end, integrierte Plattform. Die Realität, wie sie von denen berichtet wird, die das Produkt kennen, sieht jedoch anders aus. Die Suite von Blue Yonder ist das Ergebnis zahlreicher Übernahmen über Jahrzehnte: Es gibt mehrere Demand-Planning-Engines (das alte JDA im Vergleich zur neueren Blue Yonder ML Engine), mehrere Module für Supply Planning und Fulfillment, Tools für die Laden-Nachschubplanung aus verschiedenen Ursprüngen usw. Es war für sie eine Herausforderung, diese wirklich zu vereinheitlichen. Lokads Anbieterstudie gab eine vernichtende Kritik ab: „Unter dem BY-Banner verbirgt sich eine willkürliche Sammlung von Produkten, von denen die meisten veraltet sind.“ ⁹ Die Integration erfolgt eher auf Benutzeroberflächen- und Marketingebene als auf tief technischer Ebene. Beispielsweise mag Blue Yonder ein gemeinsames Portal anbieten, doch hinter den Kulissen könnte das Demand Planning einen ganz anderen Codebestand haben als das Fulfillment oder die Produktionsplanung. Aus Kundensicht bedeutet dies ein inkonsistentes Benutzererlebnis und Kopfschmerzen bei der Datensynchronisation. Gartners MQ-Bericht erwähnt dies überhaupt nicht; er stellt Blue Yonder als eine moderne, einheitliche Cloud dar (der Begriff „microservices architecture“ wird verwendet ³⁵, was sehr fortschrittlich klingt). Der Skeptiker fragt: Wenn Blue Yonder wirklich eine einheitliche Microservices-Neuarchitektur hätte, warum musste es dann von Panasonic übernommen werden, um über Wasser zu bleiben, und warum betreiben so viele langjährige Kunden Berichten zufolge immer noch ältere On-Premises-Versionen von JDA-Modulen? Die Antwort lautet, dass die Transformation unvollständig ist. Das Marketing von Blue Yonder setzt nun ebenfalls stark auf KI, vermutlich aufgrund des Einflusses des kleinen Blue Yonder (ein deutsches KI-Startup), das sie übernommen und nach dem sie das gesamte Unternehmen benannt haben. Dennoch sind, wie erwähnt, ihre KI-Behauptungen vage. Lokad bemängelte den Mangel an Substanz und dass ihre bekannten Techniken ziemlich konventionell waren ³⁶. Im täglichen Einsatz sind einige BY-Module wie das Demand Forecasting in Ordnung, aber nicht unbedingt besser als handelsübliche statistische Pakete – und manchmal sogar schlechter, wenn man Berichte über Schwierigkeiten hört, die „KI“ dazu zu bringen, einfache Baselines zu übertreffen. Es gab auch hochrangige Implementierungsprobleme: So haben beispielsweise große Einzelhändler, die versuchten, Blue Yonders Demand- und Fulfillment-Planung umzusetzen, mehrjährige Verzögerungen und nur teilweise Erfolge erlebt (dies ist oft nicht öffentlich, aber Insider kennen einige Beispiele). Gartners MQ erwähnt natürlich keine derartigen Fälle. Blue Yonder verbleibt in der Leader-Kategorie, vermutlich gestützt durch seine Breite und globale Reichweite (und ja, durch sein konsequentes Engagement mit Gartner und seine Präsenz in Analystengesprächen). Fordert man die Leader-Platzierung von Blue Yonder heraus, könnte man sagen: Wenn der Technologie-Stack eines Anbieters ein Mix aus „alter Technologie“ und unbewiesener KI ist, sollte er dann in der oberen rechten Ecke stehen? Das MQ sagt ja, weil sie execute können (sie haben viele Servicepartner, sie können große Kunden unterstützen – was stimmt) und sie haben eine breite Vision (also eine Lösung für alles). Dies veranschaulicht die Voreingenommenheit des MQ: Breite und Marktpräsenz übertreffen Tiefe oder Eleganz. Ein Unternehmen, das 10 Dinge halbgut macht, wird einen übertreffen, das 3 Dinge extrem gut macht. Blue Yonder macht viele Dinge, und einige davon, wenn auch fraglich, sind minderwertig, dennoch ist es ein Leader, weil es alle Bereiche abdeckt und niemand gefeuert wurde, weil er JDA gekauft hat (um ein altes IBM-Sprichwort abzuändern). Aber supply chain Teams sollten vorsichtig sein – eine Alleskönner-Suite kann in keiner Disziplin herausragend sein, und die Integration alter Technologien unter einer neuen Benutzeroberfläche kann mehr Komplexität erzeugen, als sie löst. Das MQ berücksichtigt dieses Risiko nicht.

Diese Fallstudien verdeutlichen, warum ein skeptischer Blick notwendig ist. Die Leader weisen oft Referenzen auf (viele Kunden, vollständige Feature-Listen, große Teams), tragen jedoch auch Altlasten (alter Code, vergangene Misserfolge, Marketing-Hype) mit sich. Gartners Format bezieht sich überwiegend auf das Positive, sodass es dem Nutzer überlassen bleibt, die sekundären Probleme aufzudecken, was wir hier hervorheben.

Die Visionäre und Nischenanbieter: Mehr Signal oder Lärm?

Obwohl unser Fokus größtenteils auf den Leadern und der MQ-Methodik liegt, sei kurz auch etwas zu den anderen Quadranten gesagt: Visionäre, Challengers und Niche Players. Paradoxerweise finden sich dort einige der interessantesten Anbieter – doch auch Gartners Nomenklatur kann hier irreführend sein. Ein „Visionär“ im MQ-Kontext bedeutet eine hohe Vollständigkeit der Vision, aber eine geringere Ability to Execute. Es könnte also auch heißen: „Gute Ideen, aber nicht genug Marktpräsenz/Ressourcen.“ Im Jahr 2024 umfasste der Visionäre-Quadrant o9 Solutions, GAINSystems, E2open und Dassault Systèmes (DELMIA). Dabei handelt es sich um eine Mischung aus relativ neuen Anbietern (o9, GAINS) und etablierten Unternehmen, die dieses Segment nicht dominiert haben (E2open, Dassault). Bemerkenswert ist, dass o9 von Leader zu Visionär abgestuft wurde ³⁷, was Gartner damit erklärte, dass o9 zwar immer noch eine starke Vision habe (nicht zu fassen – sie betreiben agressives Marketing mit Schlagwörtern), aber möglicherweise Umsetzungsprobleme habe oder die Konkurrenz aufgeholt habe. E2open und Dassault verfügen über interessante technologische Komponenten (E2open fokussiert sich auf ein breites supply chain Netzwerk; Dassault besitzt Quintiq, ein leistungsstarkes Optimierungstool). Dennoch wurde keiner von ihnen zum Leader befördert. Warum? Wahrscheinlich, weil sie entweder einen kleineren SCP-Marktanteil haben (GAINS ist ein kleinerer Spezialanbieter, Quintiq wird oft in sehr kundenspezifischen Planungsszenarien eingesetzt etc.) oder gemischte Kundenbewertungen erhalten haben. Wichtig zu beachten ist, dass einige Visionäre oder sogar Nischenanbieter in bestimmten Situationen die richtige Wahl sein könnten. So wird GAINS (alias GAINSystems) wegen seiner Kompetenz in der Bestandsoptimierung sehr geschätzt und hat in einigen Sektoren äußerst zufriedene Kunden – es ist jedoch einfach nicht so groß wie die Leader. Ein Unternehmen, dessen primäres Schmerzthema die Bestandsoptimierung ist, könnte von GAINS mehr profitieren als von der Implementierung der gesamten Oracle-Suite. Aber das Wesen des MQ besteht darin, die Leader zu betonen. Visionären wird zwar ein gewisses Gewicht beigemessen, doch viele Führungskräfte, die den Bericht lesen, denken: „Sie sind keine Leader, also gehören sie zur zweiten Liga.“ Das ist bedauerlich: In manchen Fällen ist ein Visionär ein zukünftig führender Anbieter, der sich einfach noch nicht durch den Markt etabliert hat, oder ein Nischenspezialist, der Tiefe gegenüber Breite bevorzugt. Gartner würdigt sie zwar zumindest, aber das Format spielt ihre Bedeutung wieder herunter.

Der Quadrant der Niche Players im Jahr 2024 ist überfüllt (Adexa, Coupa, ToolsGroup, Slimstock, AIMMS, Blue Ridge). Dieser Quadrant signalisiert effektiv „geringere Vision, geringere Umsetzung“ – was einem Todesurteil gleichkommen kann. Aber innerhalb von Niche finden sich auch einige Neueinsteiger und Spezialisten, die der breiten SCP-Definition von Gartner schlicht nicht entsprechen. AIMMS beispielsweise ist ein Spezialist im Bereich der supply chain Modellierung (ein Optimierungstoolkit), und Blue Ridge konzentriert sich auf vertriebszentrierte Planung. Sie sind von Natur aus Nischenanbieter, die spezifische Bedürfnisse bedienen, ohne eine End-to-End-Lösung anstreben zu wollen. Ihre Platzierung impliziert nicht zwangsläufig, dass sie schlecht sind; sie bedeuten lediglich, dass sie in den Augen von Gartner nicht breit oder groß genug sind. Dass ToolsGroup als „neue Ergänzung“ ³⁸ in Niche auftaucht, ist interessant, denn ToolsGroup war über Jahre hinweg ein etablierter Anbieter – sein vorheriges Fehlen könnte daran liegen, dass es nicht teilgenommen hat. Jetzt ist es inkludiert, doch Gartner ordnete es mit einigem Lob für seine Vision im Umgang mit Unsicherheit ein (vermutlich unter Hinweis auf seinen probabilistischen Ansatz) ³⁹. Man könnte argumentieren, dass ToolsGroup in Wirklichkeit mehr Vision besitzt (mit seinem Fokus auf probabilistisches Forecasting bereits vor Jahren) als einige der sogenannten Visionäre. Aber Gartners Kriterien können skurril sein. Coupas Präsenz als Niche (nachdem es zuvor ein Challenger war) zeigt, wie schnell sich das Blatt wenden kann – Coupa hat LLamasoft (supply chain design) erworben und wurde selbst dann akquiriert, und offenbar kommt seine SCP-Geschichte nicht gut an; daher fiel es in diesen Quadranten. Das gemeinsame Thema ist, dass die Platzierungen in den Quadranten oft hinterherhinken oder branchenspezifische Turbulenzen verharmlosen. Ein Unternehmen mag in der Realität kämpfen oder sich weiterentwickeln, aber im MQ rutschen sie einen Quadranten ab oder verharren in einer Kategorie, die ihr Potenzial oder ihre Probleme nicht vollständig widerspiegelt. Es handelt sich um eine grobe Kategorisierung.

Aus kritischer Perspektive sollte man Visionary-/Niche-Anbieter nicht als „Ignorierliste“ abtun, sondern als potenziell verborgene Schätze oder zumindest als Quellen spezifischer Fähigkeiten betrachten. Allerdings widmet Gartners Text ihnen oft nur sehr wenige Sätze im Vergleich zu der intensiven Aufmerksamkeit, die den Leadern zuteilwird. Dies spiegelt wiederum Gartners Geschäftsmodell wider: Seine Kunden (die Leser der MQs, typischerweise große Unternehmen) interessieren sich oft nur für „Top-Anbieter“, und Gartner kommt dem nach. Der bedauerliche Nebeneffekt ist, dass Innovation leidet; wenn aufstrebende oder spezialisiertere Anbieter keine Sichtbarkeit erhalten, füttern Unternehmen weiterhin die Großen, und der Kreislauf setzt sich fort.

Das Auslassen von Disruptoren: Wo bleibt Lokad (und andere)?

Vielleicht ist die stärkste Anklage gegen den Gartner MQ nicht, wen er einbezieht, sondern wen er ausschließt. Nirgendwo im 2024-Quadranten sehen wir Namen wie Lokad, obwohl Lokad ein supply chain Softwareunternehmen ist, das in vielen technischen Messungen die meisten der MQ‑Anbieter in puncto Innovation übertrifft. Zugegeben, Lokad ist kleiner und hat einen unkonventionellen Ansatz gewählt (mit Fokus auf probabilistisches Forecasting, einer domänenspezifischen Sprache für supply chain und einer „quantitative supply chain“ Philosophie). Aber bedenken Sie Lokads Erfolgsbilanz: Vor einem Jahrzehnt ebnete es den Weg für probabilistisches Forecasting (weit vor Kinaxis u.a.), und im M5-Forecasting-Wettbewerb 2020 (ein globaler Benchmark mit Hunderten von Teams) belegte Lokads Methodik Platz 1 weltweit auf SKU-Ebene (und Platz 6 insgesamt unter 909 Teams) ⁴⁰ ⁴¹ – womit es seine Algorithmen auf offener Bühne praktisch bewies. Das Unternehmen hat seine Technologie offen dokumentiert und lehrt supply chain Wissenschaft sogar in YouTube‑Vorträgen ⁴². Solche Transparenz und technische Leistung sind selten. Nach objektiven Maßstäben sollte ein Anbieter wie dieser nicht mindestens als Visionär gelten, wenn nicht gar als Herausforderer? Der Grund seiner Abwesenheit ist ganz einfach: Lokad weigert sich, das Gartner‑Spiel zu spielen. Lokad hat öffentlich erklärt, dass es kein Gartner‑Abonnent ist und nicht in Analystenbeziehungen investiert, sondern sich stattdessen darauf konzentriert, Produkte zu entwickeln und Kunden zu bedienen ⁴³. Folglich haben Gartners Analysten nur minimalen Kontakt zu Lokad (und vielleicht sogar eine Voreingenommenheit gegen es, da es ihrer Erzählung widerspricht). Die MQ‑Aufnahmekriterien mögen vorschreiben, dass ein Anbieter einen bestimmten Umsatz oder eine gewisse Kundenzahl benötigt, doch man vermutet, dass – selbst wenn Lokad diese erfüllt – es ohne Zahlung an Gartner ignoriert oder unterbewertet bliebe. Dieses Fehlen ist ein rotes Warnsignal für die Vollständigkeit des MQ. Ein Quadrant, der behauptet, „die signifikantesten SCP‑Lösungsanbieter“ abzudecken und dennoch einen Anbieter auslässt, der für technische Exzellenz und einen einzigartigen Ansatz bekannt ist, kann kaum allumfassend sein. Und Lokad ist nicht allein – auch andere analytikfokussierte oder aufstrebende Anbieter (vielleicht aus akademischen oder Open‑Source‑Kreisen oder von regionalen Spezialisten) kommen nicht zur Sprache.

Man könnte einwenden, dass Gartner nicht jeden einbeziehen kann, und das ist fair. Aber der Ausschluss eines bekannten Innovators legt ein Muster nahe: Der MQ ist von Natur aus konservativ. Er zögert, Paradigmenwechsel anzuerkennen. Er ist hervorragend darin, etablierte Anbieter und schrittweise Verbesserungen zu katalogisieren, versagt aber oft dabei, wenn ein kleinerer Neueinsteiger eine grundlegend bessere Lösung anbietet. Gartners Kunden (große Unternehmen) fordern Gartner zudem oft auf, ausschließlich etablierte Anbieter zu bewerten („Wir wollen sehen, wie die üblichen Verdächtigen abschneiden.“). Somit spiegelt der MQ ebenso sehr die Beschaffungskurzlisten großer Unternehmen wider wie eine unabhängige Analyse. Er verstärkt einen Teufelskreis: Ist ein Anbieter nicht im MQ vertreten, wird er von vielen gar nicht erst in Betracht gezogen. Lokads Strategie bestand darin, diesen Umweg zu umgehen, indem es den Mehrwert direkt bei den Praktikern und über unabhängige Medien unter Beweis stellte. Aber wie viele potenzielle Käufer könnten niemals von Lokad hören, weil es in Gartners Berichten fehlt? Genau deshalb sprechen wir von einem pay-to-play-Bias – nicht im Sinne einer groben Bestechung, sondern dahingehend, dass die Spielregeln jenen zugutekommen, die im Gartners Ökosystem mitwirken.

Aus der Perspektive der Wahrheitsfindung sollte das Fehlen technisch solider und dabei disruptiver Anbieter wie Lokad im MQ die Leser sehr vorsichtig machen. Es bedeutet, dass die Auffassung des MQ von einer „vollständigen Vision“ tatsächlich unvollständig sein könnte. Es zeigt auch, dass, wenn Ihr Ziel darin besteht, die beste Lösung für Ihr supply chain Problem zu finden, Sie sich nicht ausschließlich auf den MQ verlassen können; Sie müssen ein breiteres Netz spannen. Der MQ sollte vielleicht mit einem Warnhinweis versehen werden: „Nicht-traditionelle oder unkonventionelle Ansätze nicht vertreten.“ Wissenschaftlich gesprochen, ist es, als ob eine Literaturübersicht Ausreißerstudien ausschließen würde, die bahnbrechende Ergebnisse erzielten, nur weil sie nicht in den gängigen Fachzeitschriften veröffentlicht wurden. Ein bedeutender Quadrant, der Innovation abbilden will, aber einen der wenigen Anbieter ausspart, die für einen grundlegend anderen Ansatz bekannt sind (in diesem Fall probabilistisches Programmieren), ist wohl kaum eine gültige Landkarte der Innovation. Er weist einen großen blinden Fleck auf.

Fazit: Ein Aufruf zu Skepsis und vertiefter Analyse

Der Gartner Magic Quadrant for Supply Chain Planning Solutions, Ausgabe 2024, präsentiert sich als der maßgebliche Leitfaden zur Auswahl eines Planungssoftwareanbieters. In Wirklichkeit handelt es sich um einen äußerst subjektiven, kommerziell beeinflussten Schnappschuss, der mit gesunder Skepsis gelesen werden sollte. Wir haben gesehen, wie die Struktur des MQ – seine Achsen und Visualisierungen – tiefe Vorurteile verbirgt: Es begünstigt große traditionelle Anbieter, belohnt Marketing‑Hype und weitreichende Versprechen und übersieht dabei kritische Faktoren wie Implementierungserfolg und technische Tiefe. Der Leaders‑Quadrant, der keineswegs eine Garantie für Qualität darstellt, enthält Anbieter mit bekannten Schwächen, von Kinaxis’ Abhängigkeit von nachrüstbarem AI über Blue Yonders Flickwerk‑Plattform bis hin zu überhöhten Behauptungen anderer. Gartners Pay‑to‑play-Dynamiken und der „Infomercial“-Charakter mancher Magic Quadrants führen dazu, dass Anbieterratings ebenso stark mit Gartners Engagement korrelieren können wie mit Produktexzellenz ¹. Die Überbetonung von Vision (oft gleichbedeutend mit Schlagwörtern) und Umsetzung (oft gleichbedeutend mit Vertriebspräsenz) erzeugt ein Ranking, das nur lose damit verknüpft ist, was tatsächlich den Erfolg in der supply chain Planung ausmacht – nämlich robuste, auf die Bedürfnisse des Unternehmens zugeschnittene Technologie, die von fähigen Menschen implementiert und von den Nutzern akzeptiert wird.

Für ein Unternehmen, das eine supply chain planning Lösung sucht, kann der MQ ein Ausgangspunkt sein – er listet viele Anbieter auf, und Gartners detaillierter Bericht (außerhalb der Quadrant-Grafik) weist auf einige Stärken und Schwächen hin. Doch man muss über den Quadranten hinausgehen. Betrachten Sie ihn als einen von vielen Informationsbausteinen und prüfen Sie seine Aussagen kritisch. Fragen Sie: Was wird nicht erwähnt? Was könnte voreingenommen sein? Untersuchen Sie unabhängige Bewertungen, sprechen Sie mit tatsächlichen Nutzern (und nicht nur mit den zufriedenen Referenzen) und ziehen Sie Pilotprojekte oder Benchmarks in Betracht. Das Motto „Vertrauen, aber überprüfen“ gilt hier in besonderem Maße – oder vielleicht eher „Misstrauen, bis geprüft“. Wie bereits hervorgehoben, geben selbst Gartners Analysten zu verstehen, wie schwierig es ist, diese Projekte erfolgreich umzusetzen (bei in vielen Fällen schockierend niedrigen Adoptionsraten). Diese Realität sollte jedes glänzende Quadranten‑Ranking relativieren ⁴⁴.

Letztendlich liegt der größte Wert des Magic Quadrant vielleicht darin, die richtigen Fragen zu stellen, statt fertige Antworten zu liefern. Er kann Ihnen aufzeigen, wer die großen Akteure sind und was sie behaupten. Doch es liegt an Ihnen, den Hype zu durchschauen. Wenn ein Anbieter sagt „AI‑gesteuerte Echtzeit‑Planung“, fordern Sie ihn auf, konkret zu erklären, wie das funktioniert und wie er die Fallstricke vermeidet. Falls ein Leader seine Technologie nie veröffentlicht oder bewiesen hat, nehmen Sie Gartners Aussage, dass er großartig sei, nicht einfach hin – verlangen Sie Beweise. Und beachten Sie den Bestätigungsfehler: Sobald ein Anbieter als Leader bezeichnet wird, neigen wir dazu, zu rechtfertigen, warum er es verdient. Versuchen Sie das Gegenteil – stellen Sie sich vor, er wäre nicht im Quadranten vertreten; würden Sie ihn trotzdem auf Ihre Shortlist setzen? Umgekehrt: Hätte ein Nischenanbieter die Marketingkraft eines Leaders, würde seine Technologie dann plötzlich lebensfähiger erscheinen?

Der MQ bietet eine tröstliche Vereinfachung in einem komplexen Bereich, aber eine supply chain zu managen ist nicht so einfach, wie einfach den am weitesten oben rechts liegenden Punkt auszuwählen. Tatsächlich könnte dieser Punkt Sie von einer besseren Lösung ablenken, die außerhalb des Diagramms liegt. Erfahrene supply chain‑Experten werden Gartners MQ daher als lockere Orientierungshilfe, nicht als Bibel, nutzen. Sie verstehen, warum manche diese Quadranten als „falsche Wissenschaft“ bezeichnen ⁸ und stattdessen den Fokus auf Grundprinzipien und handfeste Beweise legen. Wie Joannes Vermorel rät, sollten Praxisbeispiele und bewiesene Ergebnisse bezahlten Bewertungen vorgezogen werden ³⁰. In der supply chain Planung zählt, ob die Software Verbesserungen bei Servicelevels, Lagerbeständen, Kosten und Agilität erzielt – und ob sie in Ihrem Unternehmen nachhaltig eingesetzt werden kann. Das Ergebnis rigoroser Bewertungen und vielleicht ein wenig adversarialem Denken (bei dem Anbieter‑Behauptungen gegen harte Szenarien getestet werden) liefert oft mehr als ein x‑y‑Diagramm.

Abschließend erscheint der Gartner MQ for Supply Chain Planning 2024, wenn man seinen mystischen Schleier abzieht, als eine konservative, marketinggeprägte Darstellung der Anbieterlage. Er hebt die üblichen Giganten hervor (mit all ihren unausgesprochenen Makeln), streut einige kleinere Anbieter mit ein und lässt einige wahre Innovatoren vermissen. Eine maximal wahrheitssuchende Analyse zeigt, dass der Kaiser viele Kleider fehlen: Die Quadrant‑Grafik verbirgt mehr, als sie preisgibt. Indem man skeptisch bleibt und technische Tiefe gegenüber glänzenden Erzählungen fordert, kann man die Fallstricke des Quadranten vermeiden. Die Verantwortung liegt beim Käufer, die Grenzen des Quadranten zu durchschauen – denn erfolgreiche supply chain Planung basiert auf der Realität, nicht auf Magie. ² ⁴