Kontakt

Analyse von AIMMS, Anbieter einer Plattform zur Optimierungsmodellierung

Von Léon Levinas-Ménard
Zuletzt aktualisiert: 4. November 2026

Zurück zur Marktforschung

AIMMS liefert Software zur Entwicklung und Bereitstellung mathematischer Optimierungsanwendungen. Die Modellierungsumgebung verbindet eine Programmiersprache, Solver-Schnittstellen, Datenintegration und Anwendungsoberflächen. SC Navigator ist die vorkonfigurierte Anwendung für die Gestaltung von Supply-Chain-Netzwerken sowie die strategische und taktische Planung, ergänzt um Funktionen für Bestände, Transport und Szenarioanalysen. Kunden können diese Anwendung nutzen oder mit internen Teams und Partnern eigene Modelle entwickeln. (1, 17, 34)

Gesamtbewertung im Bereich Supply Chain: 5.7/10

Dimension Bewertung
Fachliche Tiefe im Supply-Chain-Bereich 4.6/10
Substanz der Entscheidungsfindung und Optimierung 5.0/10
Integrität von Produkt und Architektur 6.4/10
Technische Transparenz 7.0/10
Seriosität des Anbieters 5.4/10

AIMMS macht einen großen Teil seiner technischen Entwicklung überprüfbar: Die Erzeugung stochastischer Modelle, Dekompositionsalgorithmen, Anwendungsbereitstellung, Containergrenzen und Berechtigungen der Assistenten sind öffentlich dokumentiert. Diese Transparenz legt die zentrale Einschränkung offen. Ein Modellierer muss zunächst entscheiden, welche wirtschaftlichen Zusammenhänge, Unsicherheiten und Wechselwirkungen in eine mathematische Formulierung gehören. Diese Formulierung zu lösen, belegt noch nicht, dass die daraus entstehenden Supply-Chain-Entscheidungen tragfähig sind.

Die stochastische Erweiterung verdeutlicht diese Schwierigkeit. AIMMS erweitert eine LP- oder MIP-Formulierung über einen vorgegebenen Szenariobaum; anschließend kann es das erweiterte Problem lösen oder eine geeignete Dekomposition anwenden. Unsicherheit wird damit explizit behandelt, doch der Rechenaufwand steigt mit der Anzahl der dargestellten Szenarien, Stufen und Entscheidungen. Der Modellierer muss weiterhin glaubwürdige gemeinsame Szenarien für Nachfrage und Versorgung erzeugen. Eine Verkleinerung der Szenariomenge oder Vereinfachung der Formulierung kann genau die Eventualitäten entfernen, die einer Supply-Chain-Entscheidung ihren Wert verleihen. (2, 3, 4)

Die vorkonfigurierte Bestandsanwendung folgt einem konventionelleren Weg: gewünschte Servicegrade, ABC-XYZ-Segmente, Sicherheitsbestände und Szenariovergleiche. Neue SENSAI-Assistenten beschleunigen die Arbeit mit diesen Modellen; der Assistent für kundenspezifische Anwendungen unterstützt auch wiederverwendbare Prozeduren und Oberflächenannotationen. Das sind nützliche Verbesserungen für Modellbetrieb und Entwicklung. Sie belegen keine produktiv eingesetzte Entscheidungslogik, die unsichere Nachfrage, Wareneingänge und konkurrierende Ressourcennutzungen gemeinsam bewertet. (17, 22, 25)

AIMMS im Vergleich zu Lokad

AIMMS stellt das mathematische Modell und seine Anwendung in den Mittelpunkt. Ein Modellierer definiert Variablen, Nebenbedingungen, Daten und eine Zielfunktion und stellt die daraus entstehende Berechnung anschließend den Nutzern zur Verfügung. Lokads Ansatz zur Bestandsoptimierung beginnt mit wiederkehrenden operativen Entscheidungen, die nach ihrem erwarteten wirtschaftlichen Ertrag bei unsicherer Nachfrage, unsicheren Lieferzeiten und weiteren wesentlichen Eventualitäten geordnet werden. Supply Chain Scientists pflegen die kundenspezifische Entscheidungslogik.

Betrachten wir die Entscheidung für einen Lieferanten mit niedrigerem Preis, aber stark schwankender Lieferzeit. Sie hängt von möglichen Ankunftsterminen, bereits unterwegs befindlichen Beständen, alternativen Bezugsquellen, dem Ausweichverhalten der Kunden und dem Wert anderweitig eingesetzter Liquidität ab. AIMMS kann unsichere Parameter und mehrstufige Entscheidungen in einem individuellen stochastischen Modell darstellen. Das veröffentlichte Erzeugungsverfahren verlangt, dass der Modellierer Ereignisdaten und Szenariostruktur bereitstellt. Die Risikoansicht von SC Navigator bewertet dagegen den Ausfall einzelner Standorte und stellt dessen Folgen den vom Nutzer eingegebenen Risikofaktoren gegenüber. Das sind unterschiedliche Berechnungen mit unterschiedlichem Umfang. (2, 4, 16)

Der praktische Vergleich betrifft die Frage, was geschieht, wenn eine wichtige Wechselwirkung übersehen wurde. Aus Lokads Perspektive, erläutert in Introduction to Supply Chain und Holimization, sollte sich die Entscheidungslogik als dauerhaft produktiv eingesetztes Gut weiterentwickeln. AIMMS bietet umfangreiche Werkzeuge zur Änderung und Bereitstellung solcher Anwendungen, doch die Verantwortung für Modellierung und Validierung liegt beim Kunden oder Implementierungspartner. Beide Ansätze müssen diesen Arbeitsaufwand berücksichtigen und die wirtschaftliche Qualität der erzeugten Handlungen belegen.

Numerische Verfahren und ihre Grenzen

Stochastische Programmierung verursacht Formulierungsaufwand

Die AIMMS-Sprachreferenz ist eindeutig: Die stochastische Funktionalität beginnt mit einem deterministischen LP- oder MIP-Modell. Parameter und Variablen werden als stochastisch gekennzeichnet, Entscheidungen Stufen zugeordnet, und ein Szenariobaum enthält mögliche Ereigniswerte und ihre Wahrscheinlichkeiten. Änderungen an der Basisformulierung werden in ihr stochastisches Gegenstück übernommen. Dadurch entfällt die Pflege zweier separater symbolischer Modelle. (2)

Das probabilistische Prognosemodell wird dadurch nicht bereitgestellt. Rückruffunktionen zur Szenarioerzeugung müssen Ereignisdaten, Abhängigkeiten von vorherigen Stufen und relative Wahrscheinlichkeiten erzeugen. Nachfrage, Lieferzeiten, Lieferantenausfälle und weitere Unsicherheiten können in ein individuelles Modell eingehen, doch ihr gemeinsames Verhalten muss dessen Autor vorgeben. Die beliebige Stichprobenziehung aus einigen unabhängigen Eingaben würde wirtschaftlich wichtige Abhängigkeiten übersehen, etwa zwischen einem Nachfragesprung und einer Lieferantenverspätung. (4)

Die dokumentierten Lösungswege sind ein deterministisches Äquivalent oder die Benders-Dekomposition von CPLEX. Letztere unterstützt stochastische Modelle mit ganzzahligen Variablen nur, wenn diese der ersten Stufe zugeordnet sind. Das ist eine erhebliche Einschränkung für Supply Chains, bei denen spätere Reaktionen diskrete Bestellungen, Fahrzeugentscheidungen, Lieferantenwechsel oder Produktionslose umfassen. (3)

Diskrete und nichtlineare wirtschaftliche Wechselwirkungen machen nützliche Formulierungen bereits schwer lösbar. Ihre Erweiterung über zukünftige Ereignisse fügt eine weitere große Dimension hinzu. Eine gröbere Produktdarstellung, das Weglassen späterer Anpassungsentscheidungen oder die Trennung von Teilproblemen können die Berechnung handhabbar machen und dabei jene Wechselwirkungen verlieren, die eine Optimierung der Supply Chain als Ganzes rechtfertigen. Eine kleinere Optimalitätslücke kann diese ausgelassenen wirtschaftlichen Zusammenhänge nicht aufdecken.

Drei Aussagen zu Benders müssen unterschieden werden

AIMMS veröffentlicht sein eigenes Automatic-Benders-Modul als bearbeitbaren Algorithmus. Die Dokumentation erläutert, dass Dekomposition die Leistung verbessern, wirkungslos bleiben oder sie verschlechtern kann. Sie erklärt außerdem, dass diese Implementierung LP- und MIP-Probleme behandelt, keine nichtlinearen Probleme lösen kann und keine mehreren Teilprobleme unterstützt; daher kann sie nicht für jedes stochastische Szenario ein eigenes Teilproblem der zweiten Stufe erstellen. Die CPLEX-Implementierung besitzt andere Fähigkeiten. (5)

Eine dritte Funktion, der alte native stochastische Benders-Algorithmus, ist ausdrücklich als in neueren AIMMS-Versionen nicht verfügbar gekennzeichnet. Dennoch beschreibt die allgemeine Übersicht der fortgeschrittenen Algorithmen weiterhin einen enthaltenen stochastischen Benders-Algorithmus mit parallelen Teilproblemen. Die Übersicht beschreibt somit eine Fähigkeit, die die aktuelle Lösungsreferenz als eingestellt ausweist. (3, 6)

AIMMS unterstützt auch nichtlineare und gemischt-ganzzahlige nichtlineare Verfahren, darunter äußere Approximation. Das erweitert den Modellierungswerkzeugkasten; beliebige nichtkonvexe, stochastische wirtschaftliche Zusammenhänge einer Supply Chain werden dadurch nicht zu einem handhabbaren Standardproblem. Der nützliche technische Beitrag liegt darin, Algorithmen und ihre Steuerungsmöglichkeiten offenzulegen. Die wirtschaftliche Angemessenheit jeder Formulierung muss weiterhin gesondert geprüft werden. (6, 34)

Netzwerk- und Bestandsentscheidungen in den vorkonfigurierten Anwendungen

SC Navigator bietet Ziele für Kosten, Umsatz und Gewinn sowie Restriktionen für Kapazität, Lieferzeit, Auftragserfüllung, Beschaffung und Standortanzahl. Individuelle Ziele können über Skalierungsfaktoren in Geldwerte umgerechnet werden. Nutzer können Restriktionen lockern, um deren Wirkung zu untersuchen. Die wirtschaftliche Interpretation hängt davon ab, ob diese monetären Faktoren und gelockerten Restriktionen tatsächlichen Kosten und Handlungsmöglichkeiten des Unternehmens entsprechen. (20)

Das Risikomodul schließt jeweils einen Standort, berechnet das Netzwerk neu und stellt die Folgen den eingegebenen Risikofaktoren gegenüber. Damit lassen sich anfällige Standorte erkennen. Für sich genommen bildet es weder korrelierte Ausfälle noch den Zeitpunkt der Wiederherstellung oder eine Entscheidungsregel ab, die Bestände und Beschaffung an gemeinsame Nachfrage- und Versorgungsergebnisse anpasst. (16)

Inventory Planning übernimmt Ergebnisse der Netzwerkgestaltung und Nachfrageprognose und berechnet Bestände für gewünschte Servicegrade. Die Szenarioansicht wendet Serviceprozentsätze auf ABC-XYZ-Segmente oder einzelne Kombinationen aus Kunde, Standort und Produkt an. Die Aktualisierung eines Segments überschreibt individuelle Servicegradänderungen. Die Ansicht zur Bestandsumverteilung vergleicht den tatsächlichen Bestand mit berechneten Sicherheits- und Zyklusbeständen; sie erkennt Überschüsse und Fehlmengen gegenüber diesen Zielwerten. Eine wirtschaftliche Umlagerungsberechnung, die Fracht, Nachfrage am Ziel und den Wert des Bestandsverbleibs am Ursprung abwägt, wird nicht dokumentiert. (17, 22, 23)

Diese Unterschiede sind folgenreich. Eine Gewinnzielfunktion in der Netzwerkgestaltung belegt keine wirtschaftlich abgeleiteten Bestandsregeln im Bestandsmodul. Dass eine Plattform individuelle stochastische Programme unterstützt, belegt nicht, dass die vorkonfigurierte Anwendung ein solches nutzt.

Technologiegeschichte und Integrität der Roadmap

Die Geschichte von AIMMS zeigt ein beständiges Geschäft mit mathematischer Modellierung und aufeinanderfolgende Versuche, den Zugang dazu zu verbreitern.

Zeitraum Beleg Veränderung
2012 Führungskräfte beschrieben AIMMS PRO als Portal für Optimierungsanwendungen, das intern oder über einen Cloud-Anbieter bereitgestellt wird. Veröffentlichung und entfernte Ausführung von Anwendungen gehörten bereits vor der heutigen Agententerminologie zum Produkt.
2017 Der Start von SC Navigator kündigte konfigurierbare Anwendungen für Netzwerkgestaltung, S&OP und Daten für Teams ohne Ausbildung in fortgeschrittener Analytik an. Das Unternehmen verpackte seine Modellierungsplattform in Supply-Chain-Arbeitsabläufe.
2018–2021 Ein Partnerinterview warnte, dass Begriffe wie KI, maschinelles Lernen und Big Data den praktischen Wert verschleiern; ein späterer Anbieterartikel ordnete mathematische Optimierung der KI zu. Die numerischen Wurzeln blieben bestehen, während das Marketingvokabular breiter wurde.
2023 Versionshinweise forderten Nutzer auf, von der bisherigen Network-Design-Anwendung zu SC Navigator 4 zu migrieren, das Netzwerkgestaltung mit taktischer Planung verbindet. Die Produktkonsolidierung brachte eine ausdrückliche Migrations- und Supportfrist mit sich.
2025 GRO übernahm AIMMS; zu den angekündigten Prioritäten gehörten Produktentwicklung und geografische Expansion. Die Eigentumsverhältnisse änderten sich. Die Ankündigung lieferte keine quantitativen Belege für bessere Entscheidungen.
2026 SENSAI Pro erhielt Aktionen zur Datenbearbeitung und Szenarioausführung; SENSAI Apps führte einen Assistenten für individuelle Anwendungen als Vorschau ein. Natürlichsprachliche Schnittstellen greifen nun auf Daten, Prozeduren und Teile der Anwendungsentwicklung zu.

Quellen: (27, 28, 31, 30, 26, 32, 15, 24, 25).

Die Einordnung etablierter mathematischer Optimierung als KI im Artikel von 2021 ist kein Beleg für neues Lernen oder neue Autonomie. Die konkretere Behauptung war die schnellere Entwicklung und Bereitstellung individueller Modelle. Die aktuelle Dokumentation macht den späteren Beitrag von LLMs erkennbar: Ein Assistent wählt freigegebene Prozeduren aus, ändert Daten und interpretiert Ergebnisse des bestehenden Modells. Das ist eine klarere technische Grenze, als die numerische Berechnung einem Dialogmodell zuzuschreiben. (30, 25)

AIMMS erkennt auch die Schwäche einer Planung für nur eine Zukunft an. Ein Beitrag vom Oktober 2026 plädiert dafür, ein Netzwerkmodell zu pflegen und Flexibilität über drei oder vier plausible Zukünfte zu bepreisen, einschließlich Übergangszeiten und Kosten von Lieferantenwechseln. Das ist wirtschaftlich nützlicher, als Resilienz als Schlagwort ohne Preis zu behandeln. Die kleine Szenariomenge bleibt eine Auswahl strategischer Möglichkeiten und keine kalibrierte gemeinsame Prognose operativer Unsicherheit. Ein Modell aktuell zu halten erfordert die Überarbeitung seiner Struktur ebenso wie erneute Berechnungen mit neuen Eingaben. (29)

Softwarekomponenten und Kosten des Modellbetriebs

Die Architektur ist mit erkennbaren Rollen der Komponenten dokumentiert.

Ebene Öffentlich benannte Komponenten Kosten und Grenzen
Modellierungsengine und Entwicklungswerkzeuge C/C++-Compiler und Ausführungskern; .NET/C#-IDE; Erweiterungsbibliotheken für C++ und Python. Die Modellentwicklung hängt von proprietärer Sprache und Laufzeit sowie gepflegten Integrationsbibliotheken ab.
Anwendungsbereitstellung Java, C++ und Python in AIMMS PRO; Docker-Workloads auf Azure Kubernetes Service. Nutzer-, Aufgaben- und Solver-Sitzungen benötigen Orchestrierung, Überwachung und Kapazitätsmanagement.
Speicherung Kontospezifischer Blob Storage und Data Lake Gen2; optionale MySQL-Kundendatenbanken; PostgreSQL zur Verwaltung von Cloud-Konten. Für Kundenanwendungsdaten und Plattformverwaltung bestehen getrennte Speicher- und Wiederherstellungsverantwortlichkeiten.
Benutzeroberfläche und KI JavaScript, React, jQuery, Highcharts; Azure OpenAI für Assistenten. Oberflächen, Modellintegrationen und Inferenz bringen zusätzliche Versions- und Betriebsabhängigkeiten mit sich.
Neue Engine zur Datenaufbereitung Eine aktuelle Stelle für einen leitenden Entwickler beschreibt C++-Dienste und Python-Agenten für SENSAI Data Ready. Die gemeinsame Datenschicht wird noch entwickelt; sie darf nicht als bereits abgeschlossene plattformweite Konsolidierung gewertet werden.

Quellen: (7, 8, 9, 10, 14).

Die Stelle umfasst Arbeiten an Schemaveränderungen, deterministischer Datenaufbereitung, Konnektoren, Speicherung und Versionierung. Hinter dem Versprechen, Analysten könnten Daten ohne Data-Engineering-Kenntnisse aufbereiten, stehen erhebliche technische Aufgaben. Die Versionshinweise zu Python Bridge liefern ein weiteres konkretes Wartungsbeispiel: Eine Korrektur vom Juli 2026 behob eine Zugriffsverletzung bei der Datenübertragung, die durch die fehlende Initialisierung der C++-API von PyArrow verursacht wurde. Sprachübergreifende Integration verursacht laufende Kosten, auch wenn der Nutzer nur einen einfachen Funktionsaufruf sieht. (14, 35)

Die Modellpflege fügt eine weitere Ebene hinzu. Ein Kunde muss Produktzuordnungen, Restriktionen, wirtschaftliche Koeffizienten, Szenarien und Anwendungsprozeduren bei Veränderungen des Geschäfts konsistent halten. Die Dokumentation zu Inventory Planning warnt, dass Stammdatenänderungen in der Oberfläche mit einem Szenario gespeichert werden, den zugrunde liegenden Datensatz aber nicht aktualisieren; dauerhafte Korrekturen erfordern eine Änderung der Eingabedatei und das Laden eines neuen Datensatzes. Dadurch entstehen unterschiedliche Versionen, die ein Verantwortlicher abgleichen muss. (21)

Der Fall HF Sinclair veranschaulicht die Arbeitsteilung. SC Navigator unterstützte zunächst ein strategisches Projekt; danach folgte ein von Optasoft entwickeltes taktisches Modell für monatliche Analysen. Die Automatisierung der Datenerfassung wurde mit diesem Partner noch entwickelt. Der Bericht nennt Einsparmöglichkeiten und eine gestärkte interne Modellierungskompetenz, ohne einen quantifizierten realisierten Nettoertrag anzugeben. Er belegt einen nützlichen analytischen Einsatz und zeigt zugleich, weshalb Plattformgebühren allein die Gesamtkosten unterschätzen. (33)

Produktivität, Sicherheit und Ergebnisverantwortung

Ein Modell betreiben und ein Modell verbessern

Die Cloud-REST-API ermöglicht den programmatischen Zugriff auf Anwendungen und Aufträge. Individuelle Modelle können daher an automatisierten Prozessen teilnehmen, ohne dass ein Mensch jeden Bildschirm bedienen muss. Der dokumentierte Arbeitsablauf von SC Navigator besteht weiterhin überwiegend aus der Erstellung, Optimierung, Gegenüberstellung und Interpretation von Szenarien durch Planer. (13, 18)

SENSAI Pro verringert die erforderlichen Schritte, um ein Netzwerk zu ändern und ein Szenario auszuführen. Die Dokumentation ist ungewöhnlich konkret: Werden Zeiträume oder Produkte nicht angegeben, kann eine Änderung auf alle relevanten Elemente angewendet werden; Änderungen werden vor der Bestätigung ausgeführt; eine Frage kann einen Modelllauf auslösen, wenn Ergebnisse für ihre Beantwortung benötigt werden. Dieses Verhalten spart Interaktionen, macht aber Umfang und Folgen jeder Anfrage wichtig. (18)

Das Rückgängigmachen ist unvollständig. Verknüpfte Einstellungen im Steuerungsbereich werden nicht wiederhergestellt, wenn die auslösende Einstellung zurückgenommen wird. Das Erstellen von Entitäten, Kopieren von Daten und Ausführen von Modellen lässt sich über denselben Mechanismus nicht rückgängig machen; das erneute Laden eines Datensatzes verwirft zudem andere ungespeicherte Änderungen. In den Produktivitätsgewinn müssen die Prüfung dieser Auswirkungen und die Fehlerbehebung eingehen. Er lässt sich nicht allein aus weniger Klicks ableiten. (18)

SENSAI Apps, eine separate Vorschauversion für individuelle AIMMS-Anwendungen, geht bei wiederverwendbarer Arbeit weiter. Es unterstützt freigegebene Prozeduren, wiederkehrende Anweisungen und festgelegte mehrstufige Abläufe. In einer Entwickler- oder Bearbeitungssitzung kann es Annotationen und sogar eine fehlende Prozedur schreiben. Die Dokumentation warnt, dass eine vollständige Modellbearbeitung noch nicht zum vorgesehenen Einsatz gehört, und empfiehlt, Änderungen in einer wiederherstellbaren Kopie zu prüfen. Endnutzersitzungen können das Modell selbst nicht verändern. Das ist eine substanzielle Unterstützung der Anwendungsentwicklung mit einer klaren Reifegrenze. (24, 25)

Die Verbesserung des wirtschaftlichen Modells erfordert weiterhin mehr als erfolgreiche Kompilierung und Antworten auf Beispielfragen. Wenn Substitution, verspätete Wareneingänge oder eine neue Wechselwirkung in der Produktion den Wert einer Handlung verändern, muss die überarbeitete Logik anhand operativer Ergebnisse bewertet werden. Schnellere Szenarioerstellung und Selbsttests der Assistentenschnittstelle belegen nicht, dass dieser Verbesserungszyklus automatisiert wurde.

Konkrete Sicherheitsgrenzen

AIMMS dokumentiert Container für jeweils eine Sitzung bei Nutzer-, Aufgaben-, Solver- und Python-Diensten. Optionale Anwendungsdatenbanken sind einem einzelnen Kunden zugeordnet und liegen in einem separaten virtuellen Netzwerk. Tägliche Backups werden in einer isolierten Tresorregion gespeichert. Bei vollständiger Zerstörung der Plattform sehen die angegebenen Ziele einen Datenverlust von bis zu 24 Stunden und ungefähr zwei Geschäftstage für die Wiederherstellung vor. (7)

Python Bridge erlaubt die Ausführung von Skripten und Anweisungen aus AIMMS heraus, wobei Abhängigkeiten über eine Projektdatei bereitgestellt werden und UV eine Umgebung erzeugt. Die Installation von Abhängigkeiten ist keine Sicherheitsgrenze. Der Cloud-Container pro Sitzung begrenzt eine Klasse von Risiken, doch die veröffentlichte Bridge-Dokumentation erläutert keine strengere Richtlinie, die ausgehenden Netzwerkverkehr, Dateisystemzugriff, Zugangsdaten und Befugnisse gegenüber Produktionsdaten eines Skripts einschränkt. Eine kompromittierte Abhängigkeit oder ein von Analysten geschriebenes Skript bleibt innerhalb der Anwendungsberechtigungen ein wesentliches Risiko. (11, 7)

Bei SENSAI Apps sind Bezeichner verborgen, bis sie ausdrücklich freigegeben werden; lesbare Daten müssen gesondert als schreibbar markiert werden, und Prozeduren gelten als verändernd, sofern sie nicht anders gekennzeichnet sind. Die Plattform erzwingt diese Kennzeichnungen. Die allgemeinere KI-Sicherheitsseite beschreibt ausdrücklich zu aktivierende Funktionen, isolierte Dienste, Verarbeitung durch Azure OpenAI ohne Modelltraining, unveränderbare Protokolle von Nutzeraktionen und einen Abschaltschalter auf Mandantenebene. Das sind nützliche konstruktive Vorkehrungen. Funktionsspezifische Details zum Schutz vor Injection-Angriffen bleiben nur über den Anbieter erhältlich. (25, 10)

Das Entscheidungsrisiko verbleibt beim Kunden

Die KI-Bedingungen definieren SENSAI als vom Nutzer gesteuerte Unterstützung und verlangen eine unabhängige Prüfung der Ausgaben, bevor sie operativen, strategischen oder kommerziellen Entscheidungen zugrunde gelegt werden. Sie schließen eine Gewähr für Richtigkeit oder Eignung aus und beschränken die Haftung bei Nutzung ohne diese Prüfung. Diese Pflichten gelten für die KI-Funktionen. (19)

Das beeinflusst das Produktivitätsversprechen. Ein Kunde, der die Arbeit des Assistenten validieren muss, benötigt weiterhin kompetente Prüfer und muss deren Zeit einrechnen. Die in der Sicherheitsdokumentation erklärte Verantwortung von AIMMS für Schutz und Betrieb seines KI-Dienstes ist etwas anderes als die Zusage, dass die Supply Chain des Kunden einen messbaren Nettoertrag erzielt. Die untersuchten Fallbelege weisen eine solche Zusage nicht nach. (10, 19, 33)

Supply-Chain-Bewertung

Die Gesamtbewertung ist das arithmetische Mittel der folgenden 25 Einzelbewertungen. Fähigkeiten der Plattform und Verhalten der vorkonfigurierten Anwendung werden getrennt beurteilt, wo sie sich unterscheiden.

Fachliche Tiefe im Supply-Chain-Bereich

Kriterium Bewertung
Wirtschaftlicher Bezugsrahmen 6/10
Konkretes Entscheidungsergebnis 5/10
Begriffliche Klarheit im Supply-Chain-Bereich 4/10
Unabhängigkeit von überholten zentralen Doktrinen 3/10
Widerstandsfähigkeit gegen KPI-Theater 5/10

Durchschnitt: 4.6/10.

Wirtschaftlicher Bezugsrahmen — 6/10. Kosten, Gewinn, individuelle monetäre Ziele und die Bepreisung von Flexibilität sind explizit. Ihre wirtschaftliche Vollständigkeit hängt vom Modellierer ab, und Serviceziele für Bestände werden nicht aus derselben Zielfunktion abgeleitet. (20, 22, 29)

Konkretes Entscheidungsergebnis — 5/10. Individuelle Anwendungen können umsetzbare Mengen erzeugen und über APIs ausgeführt werden. Das vorkonfigurierte Angebot konzentriert sich auf Netzwerk- und Planungsszenarien, die Menschen interpretieren und auswählen. (13, 18, 33)

Begriffliche Klarheit im Supply-Chain-Bereich — 4/10. Die Plattform stellt mehrstufige Unsicherheit dar, und der Anbieter erkennt den Wert von Flexibilität. Die vorkonfigurierten Risiko- und Bestandsberechnungen behandeln engere Fragen als gemeinsame wirtschaftliche Entscheidungen bei unsicherer Nachfrage und Versorgung. (2, 16, 17)

Unabhängigkeit von überholten zentralen Doktrinen — 3/10. ABC-XYZ-Segmentierung, Servicegradziele, Sicherheitsbestände und S&OP-Szenarioabläufe bleiben zentrale Bestandteile des Bestandsangebots. Mathematische Optimierung an anderer Stelle beseitigt diese Annahmen nicht. (17, 22, 26)

Widerstandsfähigkeit gegen KPI-Theater — 5/10. Ziele und Einschränkungen sind überprüfbar, und der Anbieter diskutiert wahrscheinlichkeitsgewichtete wirtschaftliche Risiken. Modellverbesserungen und identifizierte Einsparmöglichkeiten müssen weiterhin anhand tatsächlich erzielter Nettoergebnisse validiert werden. (20, 29, 33)

Substanz der Entscheidungsfindung und Optimierung

Kriterium Bewertung
Tiefe der probabilistischen Modellierung 4/10
Eigenständige Substanz in Optimierung oder maschinellem Lernen 6/10
Umgang mit realen Restriktionen 5/10
Entscheidungsautomatisierung und Arbeitsproduktivität 5/10
Belastbarkeit bei realer operativer Komplexität 5/10

Durchschnitt: 5.0/10.

Tiefe der probabilistischen Modellierung — 4/10. Stochastische Parameter, Szenariowahrscheinlichkeiten und mehrstufige Entscheidungen sind dokumentiert. Ihre Konstruktion liegt in der Verantwortung des Modellierers, und die Szenarioerweiterung belegt kein skalierbares Verfahren für gemeinsame operative Prognosen und Entscheidungen. (2, 3, 4)

Eigenständige Substanz in Optimierung oder maschinellem Lernen — 6/10. Bearbeitbare Dekompositionsalgorithmen, nichtlineare Verfahren und Solver-Steuerungen legen substanzielle numerische Entwicklung offen. Ihr wirtschaftlicher Nutzen hängt von der Formulierung ab, deren Auslassungen außerhalb des Suchraums des Solvers bleiben. (5, 6)

Umgang mit realen Restriktionen — 5/10. Kapazitäts-, Beschaffungs-, Standort-, Erfüllungs- und Lieferzeitrestriktionen sind explizit. Die Einschränkungen des stochastischen Lösungswegs und der Formulierungsaufwand begrenzen den Umgang mit wechselwirkenden diskreten Reaktionen und nichtlinearen wirtschaftlichen Zusammenhängen. (3, 5, 20)

Entscheidungsautomatisierung und Arbeitsproduktivität — 5/10. APIs, assistentengesteuerte Prozeduren und wiederverwendbare Abläufe verringern Arbeit. Szenarioprüfung, Modellpflege, unvollständiges Rückgängigmachen und vorgeschriebene Ausgabevalidierung bleiben erhebliche Verantwortlichkeiten. (13, 18, 19, 25)

Belastbarkeit bei realer operativer Komplexität — 5/10. Bereitstellbare Anwendungen und namentlich benannte operative Modellierungsprojekte sind dokumentiert. Sie belegen nicht, dass eine einzige Entscheidungslogik die gemeinsame Unsicherheit und die wirtschaftlichen Wechselwirkungen einer sich verändernden Supply Chain bewältigt. (7, 16, 33)

Integrität von Produkt und Architektur

Kriterium Bewertung
Architektonische Kohärenz 7/10
Klarheit der Systemgrenzen 7/10
Ernsthaftigkeit beim Thema Sicherheit 6/10
Software-Sparsamkeit und Gesamtbetriebskosten 5/10
Eignung für programmatischen und agentengestützten Betrieb 7/10

Durchschnitt: 6.4/10.

Architektonische Kohärenz — 7/10. Modellierung, Bereitstellung, Speicherung und vorkonfigurierte Anwendungen haben erkennbare Rollen. Die neue gemeinsame Datenengine ist laufende Entwicklungsarbeit und kein Beleg für eine vollständig vereinheitlichte Datenarchitektur. (8, 9, 14)

Klarheit der Systemgrenzen — 7/10. Die Dokumentation trennt Nutzer-, Solver- und Aufgabensitzungen, optionale Datenbanken, individuelle Anwendungen und SC-Navigator-Assistenten. Widersprüchliche Benders-Beschreibungen und alternde Integrationswege verhindern eine eindeutigere Bewertung. (3, 6, 8, 12)

Ernsthaftigkeit beim Thema Sicherheit — 6/10. Sitzungsbezogene Isolation, getrennte Backups, ausdrückliche Freigabeberechtigungen für Assistenten und Abschaltschalter sind konkret. Die feingranulare Begrenzung beliebigen Python-Codes und funktionsspezifische Schutzmaßnahmen gegen Injection-Angriffe bleiben weniger überprüfbar. (7, 10, 11, 25)

Software-Sparsamkeit und Gesamtbetriebskosten — 5/10. Die Rollen der Komponenten werden erklärt statt verborgen. Mehrere Laufzeitumgebungen, Cloud-Infrastruktur, Bridge-Abhängigkeiten, Datenaufbereitung und die Pflege individueller Modelle erzeugen laufende Kosten, ohne dass ein vollständiger Kostenvergleich veröffentlicht wird. (8, 9, 33, 35)

Eignung für programmatischen und agentengestützten Betrieb — 7/10. REST-Zugriff, Python-Interoperabilität, freigegebene Prozeduren und feste Abläufe unterstützen Automatisierung und wiederverwendbare Anwendungsarbeit. Die vollständige assistentengesteuerte Modellbearbeitung bleibt eine Einschränkung der Vorschauversion. (13, 11, 24, 25)

Technische Transparenz

Kriterium Bewertung
Öffentliche technische Dokumentation 8/10
Prüfbarkeit ohne Vermittlung des Anbieters 7/10
Portabilität und Sichtbarkeit der Anbieterbindung 6/10
Transparenz der Implementierungsmethoden 7/10
Belegdichte hinter technischen Aussagen 7/10

Durchschnitt: 7.0/10.

Öffentliche technische Dokumentation — 8/10. Öffentliche Referenzen zu Sprache, Algorithmen, Anwendungen, Architektur und Sicherheit legen Verhalten und Einschränkungen detailliert offen. Ihre inhaltliche Abdeckung ist stärker als ihre mitunter mangelhafte Konsistenz zwischen verschiedenen Seiten. (3, 5, 7, 18)

Prüfbarkeit ohne Vermittlung des Anbieters — 7/10. Bearbeitbare Algorithmusmodule, Dokumentation und Community-Lizenzen ermöglichen eine umfassende Prüfung. Vorkonfigurierte Berechnungen und funktionsspezifische KI-Sicherheit sind weniger vollständig offengelegt. (5, 10, 34)

Portabilität und Sichtbarkeit der Anbieterbindung — 6/10. Solver-Auswahl und Integrationsschnittstellen sind ebenso dokumentiert wie die proprietäre Sprache und Laufzeitabhängigkeiten. Ein Datenexport macht eine AIMMS-Anwendung nicht unabhängig ausführbar. (5, 11, 13, 34)

Transparenz der Implementierungsmethoden — 7/10. Szenarioerzeugung, Anwendungssteuerung, Freigaben für Assistenten und die Persistenz von Datenänderungen werden konkret beschrieben. Wirtschaftlich richtige Modellierungsentscheidungen bleiben individuelle Arbeit. (4, 20, 21, 25)

Belegdichte hinter technischen Aussagen — 7/10. Detaillierte Handbücher und Versionshinweise belegen umfangreiche Entwicklungsarbeit. Kundenbelege sind hinsichtlich realisierter Nettoerträge und wiederkehrender Entscheidungsqualität dünner als hinsichtlich der Anwendungsnutzung. (15, 26, 33, 35)

Seriosität des Anbieters

Kriterium Bewertung
Technische Seriosität der öffentlichen Kommunikation 6/10
Integrität der Technologie-Roadmap 6/10
Begriffliche Klarheit 5/10
Wirtschaftliche Verantwortung 4/10
Bestand der Wettbewerbsvorteile in einer Welt agentischer Software 6/10

Durchschnitt: 5.4/10.

Technische Seriosität der öffentlichen Kommunikation — 6/10. Algorithmische Grenzen, Assistentenfehler und Einschränkungen beim Rückgängigmachen werden klar benannt. Eine breite KI-Positionierung und Aussagen über optimale Entscheidungen verschleiern weiterhin die Abhängigkeit vom gewählten Modell. (5, 18, 30)

Integrität der Technologie-Roadmap — 6/10. Der Weg von der Modellierung zur entfernten Bereitstellung, zu vorkonfigurierten Anwendungen und Assistenten ist nachvollziehbar. Eingestellte Funktionen, Migrationspflichten und widersprüchliche Algorithmusbeschreibungen verursachen Wartungs- und Interpretationsaufwand. (27, 28, 12, 26)

Begriffliche Klarheit — 5/10. Die Bepreisung strategischer Flexibilität und die Unterscheidung von LLM-Schnittstellen und numerischen Modellen sind nützliche Positionen. Wenige strategische Szenarien und Servicegradziele für Bestände bleiben weit von einer einheitlichen stochastischen wirtschaftlichen Entscheidungslogik entfernt. (16, 22, 25, 29)

Wirtschaftliche Verantwortung — 4/10. Namentlich benannte Projekte beschreiben, wer die Modelle entwickelt und pflegt. Ihre öffentlichen Ergebnisse belegen weder Erträge unter Einbeziehung aller Kosten noch Abhilfen bei unzureichenden Ergebnissen; die KI-Bedingungen belassen erhebliche Validierungs- und Entscheidungsverantwortung beim Kunden. (19, 33)

Bestand der Wettbewerbsvorteile in einer Welt agentischer Software — 6/10. Sprache, Compiler, Anwendungslaufzeit und Entwicklungsschnittstellen bieten mehr Substanz als ein reiner Dialogzugang. Die dauerhafte Herausforderung besteht darin, die Wirtschaftlichkeit der Entscheidungen zu verbessern und gleichzeitig die zur Modellpflege erforderliche Expertise zu verringern. (9, 14, 25)

Quellen

Die Quellen wurden am 4. November 2026 abgerufen. Veröffentlichungsdaten sind angegeben, soweit verfügbar.

[1] SC-Navigator-Handbuch

SC-Navigator-Handbuch. Undatiert; abgerufen am 4. November 2026.

[2] Stochastische Programmierung

Stochastische Programmierung. Undatiert; abgerufen am 4. November 2026.

[3] Lösung stochastischer Modelle

Lösung stochastischer Modelle. Undatiert; abgerufen am 4. November 2026.

[4] Szenarioerzeugung

Szenarioerzeugung. Undatiert; abgerufen am 4. November 2026.

[5] Automatische Benders-Dekomposition

Automatische Benders-Dekomposition. Undatiert; abgerufen am 4. November 2026.

[6] Überblick über fortgeschrittene Algorithmen

Überblick über fortgeschrittene Algorithmen. Undatiert; abgerufen am 4. November 2026.

[7] Informationssicherheit der Cloud-Plattform

Informationssicherheit der Cloud-Plattform. Undatiert; abgerufen am 4. November 2026.

[8] Architektur der Cloud-Plattform

Architektur der Cloud-Plattform. Undatiert; abgerufen am 4. November 2026.

[9] Informationssicherheit und Technologiestack für Entwickler

Informationssicherheit und Technologiestack für Entwickler. Undatiert; abgerufen am 4. November 2026.

[10] Informationssicherheit der KI-Funktionen

Informationssicherheit der KI-Funktionen. Undatiert; abgerufen am 4. November 2026.

[11] Python Bridge: pyaimms-Bibliothek

Python Bridge: pyaimms-Bibliothek. Undatiert; abgerufen am 4. November 2026.

[12] Produktlebenszyklus und auslaufende Funktionen

Produktlebenszyklus und auslaufende Funktionen. Undatiert; abgerufen am 4. November 2026.

[13] AIMMS PRO REST API

AIMMS PRO REST API. Undatiert; abgerufen am 4. November 2026.

[14] Stellenangebot: leitender C++-Entwickler für die Datenengine

Stellenangebot: leitender C++-Entwickler für die Datenengine. Undatiert; abgerufen am 4. November 2026.

[15] Aktuelle Versionshinweise zu SC Navigator

Aktuelle Versionshinweise zu SC Navigator. Veröffentlichungen bis Oktober 2026.

[16] Risikoanalyse in SC Navigator

Risikoanalyse in SC Navigator. Undatiert; abgerufen am 4. November 2026.

[17] Überblick über Inventory Planning

Überblick über Inventory Planning. Undatiert; abgerufen am 4. November 2026.

[18] Verhalten von SENSAI Pro und Grenzen des Rückgängigmachens

Verhalten von SENSAI Pro und Grenzen des Rückgängigmachens. Undatiert; abgerufen am 4. November 2026.

[19] Nutzungsbedingungen für die KI-Systeme von AIMMS

Nutzungsbedingungen für die KI-Systeme von AIMMS. Undatiert; abgerufen am 4. November 2026.

[20] Steuerungsbereich von SC Navigator

Steuerungsbereich von SC Navigator. Undatiert; abgerufen am 4. November 2026.

[21] Inventory Planning: Stammdaten prüfen

Inventory Planning: Stammdaten prüfen. Undatiert; abgerufen am 4. November 2026.

[22] Inventory Planning: Szenario erstellen

Inventory Planning: Szenario erstellen. Undatiert; abgerufen am 4. November 2026.

[23] Inventory Planning: Bestandsumverteilung

Inventory Planning: Bestandsumverteilung. Undatiert; abgerufen am 4. November 2026.

[24] Einführung in SENSAI Apps

Einführung in SENSAI Apps. Undatiert; abgerufen am 4. November 2026.

[25] Funktionsweise von SENSAI Apps

Funktionsweise von SENSAI Apps. Undatiert; abgerufen am 4. November 2026.

[26] Historische Versionshinweise zu SC Navigator 2

Historische Versionshinweise zu SC Navigator 2. Historische Veröffentlichungen bis 2023.

[27] Unternehmensprofil von Paragon, verfasst von der Geschäftsleitung

Unternehmensprofil von Paragon, verfasst von der Geschäftsleitung. Dezember 2012.

[28] Ankündigung des Marktstarts von SC Navigator

Ankündigung des Marktstarts von SC Navigator. 12. Oktober 2017.

[29] Optimieren Sie Ihre Supply Chain nicht für nur eine Zukunft

Optimieren Sie Ihre Supply Chain nicht für nur eine Zukunft. 13. Oktober 2026.

[30] Was ist präskriptive Analytik?

Was ist präskriptive Analytik?. 14. November 2021.

[31] Interview mit UniSoma zur Supply Chain im Lebensmittelbereich

Interview mit UniSoma zur Supply Chain im Lebensmittelbereich. 11. April 2018.

[32] Ankündigung der Übernahme durch GRO

Ankündigung der Übernahme durch GRO. 25. Juni 2025.

[33] Fallstudie HF Sinclair

Fallstudie HF Sinclair. 21. Juli 2025.

[34] Häufig gestellte Fragen zu AIMMS

Häufig gestellte Fragen zu AIMMS. Undatiert; abgerufen am 4. November 2026.

[35] Versionshinweise zu Python Bridge aimmspy

Versionshinweise zu Python Bridge aimmspy. Undatiert; abgerufen am 4. November 2026.