Kontakt

Bewertung von Asper.ai, Anbieter von Planungssoftware für Konsumgüter

Von Léon Levinas-Ménard
Letzte Aktualisierung: 4. November 2026

Zurück zur Marktforschung

Asper.ai ist ein Softwareunternehmen im Besitz von Fractal und bedient Hersteller verpackter Konsumgüter. Die aktuelle Plattform verbindet Nachfrageplanung mit Revenue Growth Management: Preisgestaltung, Aktionen, Sortiment, Produktmix und Handelsinvestitionen. Eine darunterliegende Datenplattform führt kaufmännische Informationen zusammen; über die Dialogoberfläche AskAsper erkunden Nutzer Szenarien und Empfehlungen. Bestehende ERP- und Trade-Promotion-Management-Systeme behalten die Transaktionsaufzeichnungen und empfangen freigegebene Pläne und Entscheidungen. 1

Gesamtbewertung für Supply Chain: 4,4/10.

Dimension Bewertung
Supply-Chain-Tiefe 4,6/10
Substanz der Entscheidungen und Optimierung 4,6/10
Integrität von Produkt und Architektur 4,4/10
Technische Transparenz 4,0/10
Seriosität des Anbieters 4,2/10

Asper bearbeitet wirtschaftlich relevante Probleme. Preisgestaltung, Aktionsausgaben und Produktsubstitution gehören in eine ökonomische Bewertung der Nachfrage. Ältere Fallstudien berichten zudem von Prognoseautomatisierung und höherer Planerproduktivität. Die Schwäche liegt im Übergang von diesen Fähigkeiten zum heutigen Versprechen koordinierten, agentischen Wachstums: Die öffentlichen Belege zeigen Prognoseunterstützung und kaufmännische Empfehlungen wesentlich klarer als ein wiederholbares System, das den Gewinn nach Implementierungs- und Betriebskosten erhöht. 1 6 7

Patente beschreiben probabilistische Handlungsempfehlungen und die Bewertung von Planeranpassungen, ohne deren Umsetzung in der heutigen kommerziellen Plattform zu belegen. Bereitstellungsbeschreibungen umfassen mehrere Cloud-Dienste, und zum aktuellen Angebot gehören Beratung, Einführungshilfe und Kompetenzaufbau. Die Kosten für die Pflege dieser Kombination wirken unmittelbar auf die versprochenen Erträge. 10 11 12 13 15

Asper.ai und Lokad im Vergleich

Asper setzt bei der kaufmännischen Planungsorganisation an: ihre Prognosen zusammenführen, Umsatzchancen analysieren, Preise und Aktionen simulieren und Entscheidungen durch bestehende Freigabeprozesse leiten. Lokad setzt bei den Entscheidungen selbst an: Welche Einheiten sollen angesichts unsicherer Nachfrage und Versorgung, operativer Restriktionen und der finanziellen Folgen jeder Alternative gekauft, produziert, zugeteilt oder rabattiert werden? Aspers aktuelles Versprechen, bestehende Abläufe zu bewahren, erleichtert die Einführung; zugleich erhält es viel von der organisatorischen Maschinerie, deren Produktivität hinterfragt werden sollte. 1 Siehe Lokads Ansatz zur Bestandsoptimierung.

Die Unterscheidung zählt, wenn eine Aktion attraktiv erscheint. Mehr prognostizierter Absatz kann mit verlorenen Verkäufen zum vollen Preis, teuren Bestandsumlagerungen, unzureichendem Nachschub oder Restbeständen nach der Aktion einhergehen. Asper behandelt Preis- und Aktionseffekte ausdrücklich. Seine öffentlichen Unterlagen zeigen nicht, wie unsichere Lieferanteneingänge, konkurrierende Bestandsverwendungen und deren finanzielle Folgen in eine gemeinsame Entscheidungsberechnung eingehen. Das Patent zum Abweichungsmanagement bietet einen nützlichen Ausgangspunkt — Wahrscheinlichkeiten, Handlungsalternativen, Restriktionen sowie Gewinne oder Verluste —, belegt aber nicht die produktiv eingesetzte Behandlung dieses konkreten Supply-Chain-Problems. 1 10

Lokads Introduction to Supply Chain erläutert die übergreifende Gestaltungsperspektive: numerische Entscheidungen automatisieren, ihre wirtschaftlichen Folgen ausdrücken und die Entscheidungslogik mit wachsendem Wissen verbessern. Der relevante Produktivitätsvergleich umfasst die Menschen, die Datenzuordnungen, Modelle, Ausnahmen und kaufmännische Regeln pflegen. Ein kürzeres Prognosemeeting erfasst nur einen Teil dieser Arbeit.

Von der Nachfrageantizipation zum agentischen RGM

Die britische Gesellschaft wurde im November 2019 als Samya.ai Limited gegründet und nahm im November 2022 den Namen Asper.ai an. Fractal übernahm Samya im Juni 2021. 2 4

Zeitraum Öffentliche Behauptung oder Produktrichtung Was die Unterlagen belegen
2020 Dynamic Demand AI nutzte 200 externe Faktoren und automatisiertes maschinelles Lernen zur Nachfrageantizipation. Die Einführung beschrieb Gespräche mit mehr als 100 Planern und Nutzenprüfungen mit fünf Konsumgüterunternehmen. Eine kontrollierte Auswertung der Prognose- oder Umsatzbehauptungen wurde nicht veröffentlicht.
2021 Fractal übernahm Samya und warb mit Deep Learning, Reinforcement Learning, probabilistischen Methoden und einem zehnfachen Vorteil. Die Übernahmemitteilung definierte weder Größe noch Ausgangswert oder Experiment hinter diesem Vorteil.
2022 Asper startete mit einem autonomen Entscheidungssystem für Nachfrage, Bestand, Preise und Aktionen. Dieselbe Mitteilung beschrieb Nachfrageplanung und Preis-/Aktionsmodule als begrenzte Testversionen.
2023 Fallstudien beschrieben betreuungsarme Nachfrageplanung und höhere Planerproduktivität. Die dokumentierten Abläufe behielten Planeranpassungen bei und trennten risikoreiche Fälle für menschliche Bearbeitung ab.
2025 Fractal kündigte eine gestaffelte Investition von $20 Millionen an. Der genannte Umfang umfasste weiterhin Nachfrage, Revenue Growth Management, Bestandsplanung und Vertriebsumsetzung.
Aktuell Agentic RGM verbindet kaufmännische Agenten, AskAsper und eine Datenplattform. Die aktuelle Beschreibung konzentriert sich auf kontrollierte kaufmännische Entscheidungen und den Erhalt vorhandener Unternehmensabläufe.

Quellen: 3 4 5 6 7 9 1.

Die frühe KI-Sprache war bereits weitreichend. 2022 bezeichnete „autonom“ eine Suite, deren beworbene Module noch in begrenzten Testversionen vorlagen. Die späteren Kundendokumente liefern eine engere und glaubwürdigere Darstellung: einen Teil der Prognoseerstellung automatisieren und Planer beim Rest unterstützen. Die heutige agentische Präsentation braucht Belege dafür, was sich im numerischen Entscheidungssystem verändert hat, über eine zusätzliche Dialogoberfläche hinaus. 5 6 7

Beim bearbeiteten wirtschaftlichen Problem gibt es Kontinuität. Nachfrageantizipation, externe Einflussgrößen, Planereingriffe und Umsatzeffekte kehren in der gesamten Historie wieder. Deutlich weniger Kontinuität besteht in der öffentlichen technischen Dokumentation: Aktuelle Produkt-, Ressourcen- und KI-Philosophie-Links führen weitgehend zu einer Ankündigungsseite, während nützliche Fallstudien in archivierten PDFs erhalten bleiben. Mit zunehmender Produktreife sollten Mechanismen und Ergebnisse leichter überprüfbar werden. 1 6 7

Was die numerischen Methoden offenlegen

Probabilistische Empfehlungen in den Patenten

Eine 2021 veröffentlichte Samya-Patentanmeldung beschreibt ein Abweichungsmanagementsystem. Ein Nutzer legt Anwendungsfall und Kennzahlen fest; miteinander verbundene Modelle prognostizieren Abweichungen, weisen ihnen Wahrscheinlichkeiten zu, verfolgen ihre Auswirkungen und empfehlen Aktionen. Die Ansprüche umfassen ausdrücklich Verteilungen von Handlungsergebnissen, vom Nutzer festgelegte operative Restriktionen sowie quantifizierte Gewinne bei Ausführung oder Verluste bei Ablehnung einer Aktion. Ein Rückkopplungsmechanismus protokolliert Aktionen, um spätere Vorhersagen zu verbessern. 10

Das ist ein substanzieller Beleg für den Versuch, über eine einzelne Prognose mit anschließender Warnung hinauszugehen. Der veröffentlichte Entwurf verbindet Unsicherheit mit Handlungsalternativen und verknüpften Kennzahlen. Eine konfigurierbare Kennzahl kann jedoch Umsatz, Prognosefehler oder ein anderes Ziel darstellen. Das Patent klärt nicht, ob das eingesetzte Produkt alle relevanten Folgen konsistent bewertet, kausale Effekte zuverlässig lernt oder knappe Bestände zwischen konkurrierenden Entscheidungen koordiniert. Das sind Implementierungsfragen mit unmittelbaren wirtschaftlichen Folgen. 10

Ein zweites Patent, 2025 erteilt und mit Priorität aus 2020, betrifft Prognoseanpassungen. Es vergleicht angepasste Prognosen mit tatsächlichen Ergebnissen, erkennt systematische Verzerrungen und vergibt Kompetenzwerte für die anpassenden Instanzen. Anschließend empfiehlt es Verbesserungen künftiger Prognosen. Das kann schädliche Planereingriffe aufdecken, doch die zentrale Ausgabe bleibt eine angepasste Prognose. Bessere Vorhersagequalität bestimmt allein weder die beste Bestellmenge noch den besten Preis. 11

Nachfrage- und Versorgungsunsicherheit

Das kommerzielle Produkt betont Nachfragetreiber, Preiselastizität und Szenarien. Weder seine aktuelle Beschreibung noch die Marktplatzeinträge erläutern eine gemeinsame Verteilung von Nachfrage, Lieferantenlieferzeiten, verfügbaren Mengen und anderen Versorgungsunsicherheiten. Das Abweichungspatent ist breit genug, um mehrere Kennzahlen zu behandeln; es fehlt der Nachweis einer konkreten Supply-Chain-Implementierung, die diese Unsicherheiten vor der Aktionswahl zusammenführt. 1 10 12 13

Diese Lücke wird erheblich, wenn kaufmännische und physische Entscheidungen ineinandergreifen. Eine Aktion verändert die Nachfrage gerade dann, wenn Nachschub unzuverlässig sein kann. Eine Preisempfehlung, die künftige Verfügbarkeit als festen Eingangswert behandelt, kann profitabel erscheinen und zugleich Kosten in Eiltransporte, entgangene Verkäufe andernorts oder Restbestände verschieben. Mehr Nachfragesignale lösen die Unsicherheit darüber, was tatsächlich geliefert werden kann, nicht auf.

Asper muss außerdem prognostizierte Verkäufe von der Wirkung einer Preis- oder Aktionsänderung unterscheiden. Historische Aktionen werden von Menschen ausgewählt, die auf erwartete Nachfrage, Wettbewerberverhalten und Bestandslagen reagieren. Ein Modell, das diese Beobachtungen gut abbildet, kann diese Auswahl reproduzieren, ohne den zusätzlichen Effekt einer anderen Aktion zu schätzen. Öffentliche Produktbeschreibungen nennen Elastizität und Aktionserträge, legen aber weder die kontrafaktische Bewertungsmethode noch ihren Fehler offen. 1 13

Was die Kundenbelege messen

Der archivierte Tiernahrungsfall nennt nützliche operative Details: 87 Kunden, 23 Lager, mehrere Vertriebskanäle und eine rollierende Viermonatsprognose. Fälle mit geringem Betreuungsbedarf wurden automatisiert; bei betreuungsintensiven Fällen passten Planer die Basisprognose an. Die Ergebnisse unterscheiden zwischen ungefähr 60 % automatisiertem Portfolio und 42 % Produktvolumen, das durch automatisierte Entscheidungen gesteuert wurde. Das Dokument belegt nicht, dass Bestellungen, Produktionsfreigaben oder Preise automatisch ausgeführt wurden. 6

Auch die Genauigkeitszahlen brauchen ihre ursprünglichen Bezugsgrößen. Siebzig Prozent des Portfolios verbesserten sich; das ist keine Behauptung von 70 % Prognosegenauigkeit. Ein Drittel des Portfolios verbesserte sich demnach um mehr als 20 Prozentpunkte, und der Fall nennt eine Verbesserung von 6 % über drei Kanäle. Die Ausgangsbetrachtung erwähnt einen mittleren absoluten prozentualen Fehler über 25 %, doch die Ergebnisse liefern keine konsistente Formel, Gewichtung, endgültige Fehlergröße und Vorgehensweise zur Auswertung auf ungesehenen Daten. Käufer können die Verbesserung aus den veröffentlichten Zahlen nicht rekonstruieren. 6

Der Fall verpackter Lebensmittel ist bei Zeitangaben stärker. Er berichtet 6,8 % bessere Prognosegenauigkeit für zwei Kategorien in den ersten acht Wochen, mehr als 5 % über Kategorien hinweg im ersten Jahr, 8,2 % im zweiten Jahr und 40 % höhere Planerproduktivität. Zur Implementierung gehörten ein Erkundungsworkshop, Prozessaufnahme, Nutzenprüfung und Konfiguration des künftigen Planungsprozesses. Risikoreiche Situationen blieben Gegenstand menschlicher Bearbeitung. 7

Dies sind berichtete Kundenvorteile mit aussagekräftigen Angaben zum Umfang. Es bleiben anonyme Fälle ohne Prognosemetrik, Kontrollgruppe, Produktivitätsbezugsgröße oder gesamte Personal- und Dienstleistungskosten, die zur Reproduktion der Bewertung nötig wären. Der Lebensmittelfall erklärt nicht, ob 40 % Produktivität weniger Stunden, mehr Artikel je Planer oder einen anderen Tätigkeitsmix bedeuten. Keiner der Fälle nennt realisierten Nettogewinn nach Implementierung und laufender Arbeit. 6 7

Die Marktplatzangaben erweitern die Versprechen. AWS nennt eine Zusage von 5–15 % Genauigkeitssteigerung; Microsoft nennt 10–20 Punkte und bis zu 80 % Portfolioautomatisierung. Prozent und Prozentpunkte sind unterschiedliche Maße, und die Einträge belegen weder gemeinsame Ausgangswerte noch identischen Produktumfang. Genauigkeit auf Kategorieebene belegt außerdem keine Auffüllungsqualität auf SKU-Ebene: Aggregation entfernt einen großen Teil der Schwankung, die einzelne Bestandsentscheidungen schwierig macht. 12 13

Softwarekomponenten und Betriebsgrenzen

Die konkretesten öffentlichen Komponentenbeschreibungen stammen aus vom Anbieter verfassten Marktplatzeinträgen.

Produktbeschreibung Genannte Komponenten Bedeutung für den Betrieb
AWS-Eintrag für Nachfrageprognosen Redshift, Amazon EMR und ElastiCache Datenhaltung, verteilte Datenverarbeitung und Zwischenspeicherung benötigen jeweils Datensynchronisierung, Kapazitätsentscheidungen und operative Pflege.
Microsoft-Anwendungseintrag Cosmos DB, Azure Database for PostgreSQL, Kubernetes Service, Azure OpenAI und virtuelle Maschinen Zwei Datenbankdienste, Containerorchestrierung, Modellbereitstellung und ein externer KI-Dienst schaffen mehrere zu betreibende und abzusichernde Schnittstellen.
Aktueller Plattformüberblick Integration mit vorhandenen Cloud- und Datenplattformen der Kunden Die Dateninfrastruktur des Kunden bleibt Teil des Betriebsarrangements und verschwindet nicht in der Anwendung.

Quellen: 12 13 1.

Die AWS- und Azure-Beschreibungen betreffen getrennte Angebote; öffentliche Unterlagen ordnen sie keinen Versionen der aktuellen Agentic-RGM-Plattform zu. Selbst der AWS-Eintrag verbindet die Aussage, das Produkt werde mit AWS-Diensten gebaut, mit Bereitstellungsmetadaten, die es als professionelle Dienstleistung einstufen und „Deployed on AWS“ mit „No“ kennzeichnen. Das schwächt seinen Nutzen als Bereitstellungsspezifikation. Käufer benötigen die tatsächliche Topologie, Dienstleistungsverantwortung und den Aktualisierungspfad ihrer Installation. 12 13

Eine Asper-Stellenanzeige für einen Lead Data Scientist beschreibt Aufbau und Pflege von Modellpipelines, Modellbereitstellung, Verhaltensüberwachung und Aktualisierungen gemeinsam mit Technik- und Fachteams. Python und SQL gehören zu den gesuchten Kenntnissen. Entscheidend ist die laufende Entwicklungsarbeit: Neue externe Signale, veränderte Produkte und nachlassende Modelle erfordern gepflegte Pipelines und gezielte Überarbeitungen. 14

Aspers Selbstbeschreibung als Entscheidungsebene über ERP und Trade Promotion Management ist klar. Freigabe und Ergebnissynchronisierung benötigen dennoch Fehlerbehandlung: Welches System verantwortet eine Entscheidung, was passiert bei einem fehlgeschlagenen Schreibvorgang, und wie vermeidet eine wiederholte Anfrage doppelte Ausführung? Öffentliche Unterlagen bieten weder API-Vertrag noch Wiederholungssemantik, Modellversionierung oder operative Wiederherstellungsprozedur. 1

Sicherheitsgrenzen

Der Azure-Eintrag nennt Kubernetes und bezeichnet die Anwendung als sicher. Die Datenschutzrichtlinie der Website beschreibt allgemeinen Schutz personenbezogener Informationen. Keiner der Texte erklärt die Isolation von Kundenlasten, die Rechte kaufmännischer Agenten, den Zugang zu Produktionszugangsdaten, ausgehende Netzwerkbeschränkungen oder die Wiederherstellung nach einem kompromittierten Modell oder einer Integration. Diese Mechanismen sind wichtig, wenn Empfehlungen zu freigegebenen kaufmännischen Aktionen werden können. 13 16

Die aktuelle Plattform verspricht Leitplanken und Nachvollziehbarkeit, beschreibt aber nicht, wie ein Preiskorridor oder eine Handelsregel unabhängig vom vorschlagenden Agenten durchgesetzt wird. Die Aufzeichnung einer unsicheren Aktion verhindert sie nicht. Die Sicherheitsbewertung bleibt deshalb schwach, solange Ausführungsrechte, Durchsetzung und Wiederherstellung technisch nicht überprüfbar sind. 1

Konfigurationspflege, Produktivität und Verantwortung

Aspers Datenplattform enthält Produktattribute, Aktionsmechaniken und kaufmännische Taxonomien. Die Agenten arbeiten mit Preiskorridoren, Packungs-Preisstaffeln und Handelsregeln. Diese kodieren echtes Geschäftswissen, schaffen aber auch zu pflegende Konfiguration. Neue Packungen, Händlervereinbarungen, Aktionen und Marktstrukturen verändern die Annahmen hinter den Berechnungen. Die Kosten für Prüfung und sichere Aktualisierung dieser Logik gehören zu den Gesamtbetriebskosten. 1

Das aktuelle Value-Enablement-Angebot macht den menschlichen Beitrag ausdrücklich: Experteneinsätze, Einführungsunterstützung, funktionsübergreifende Abstimmung und dauerhafter Aufbau von RGM-Kompetenz. PricingOnes eigene Dienstleistungen umfassen Strategiearbeit, Implementierungsunterstützung, Analytik und Schulung. Auch Aspers Whitepaper von 2023 verlangte organisatorische und prozessuale Veränderungen. Das Produkt wird mit einem erheblichen Wandel der Arbeit kaufmännischer Teams verkauft. 1 15 8

Das relativiert die Aussage der Mitteilung von 2025, die Plattform beseitige die Hürden interner KI-Fachkräfte, Infrastruktur und Modelltraining. Diese Aufgaben auszulagern kann sinnvoll sein. Es beseitigt weder deren Kosten noch die Datenarbeit des Kunden oder die kaufmännische Expertise zur Pflege der Implementierung. Auch der genannte Zeitraum der Nutzenprüfung endet vor dem vollständigen Rollout und seinen wiederkehrenden Pflichten. 9 1

Die Produktivitätsfrage nach 2022 geht darüber hinaus, ob ein Planer einen Assistenten befragen kann. Wie viele Menschen halten die Entscheidungen am Laufen, und wie schnell kann die Organisation die Logik verbessern? Aspers Fallstudien berichten weniger Prognosearbeit. Die aktuellen öffentlichen Unterlagen zeigen keinen versionierten, testbaren Prozess, um kaufmännische Regeln zu ändern, Entscheidungen auf historischen Daten nachzuspielen, wirtschaftliche Effekte zu messen und eine schlechte Änderung zurückzunehmen. Freigaben zu bewahren und Dialoge hinzuzufügen kann Einzelaufgaben beschleunigen, während der zentrale Verbesserungsprozess arbeitsintensiv bleibt. 6 7 1

Aspers AWS-Eintrag gibt durchaus eine Ergebniszusage: bessere Prognosegenauigkeit. Vertragliche Metrik, Abnahmetest, Abhilfe oder Verantwortungsverteilung bei verfehltem Ziel werden nicht veröffentlicht. Die relevante wirtschaftliche Rechnung sollte realisierte Marge und Bestandsfolgen nach Software-, Beratungs- und Kundenarbeitskosten abdecken. Ein besserer Prognosewert beantwortet diese Rechnung nicht automatisch. 12

Supply-Chain-Bewertung

Jede Teilbewertung reicht von 0 bis 10. Die Gesamtbewertung ist der ungewichtete Durchschnitt der 25 Teilbewertungen.

Supply-Chain-Tiefe

Kriterium Bewertung
Wirtschaftliche Ausrichtung 6/10
Operativer Endpunkt der Entscheidung 4/10
Konzeptionelle Schärfe bei Supply-Chain-Fragen 5/10
Unabhängigkeit von überholten Lehrmeinungen 4/10
Widerstandsfähigkeit gegen KPI-Inszenierung 4/10

Durchschnitt: 4,6/10.

Wirtschaftliche Ausrichtung — 6/10. Preise, Aktionsausgaben, Mix und Marge sind wesentliche wirtschaftliche Größen. Das öffentliche Produkt legt keinen gemeinsamen Rechenweg offen, der neben diesen kaufmännischen Effekten auch Bestands- und Versorgungsrisiken berücksichtigt. 1 10

Operativer Endpunkt der Entscheidung — 4/10. Die aktuelle Plattform verspricht freigegebene kaufmännische Ausführung, doch die dokumentierten Fälle belegen Prognoseerstellung und Planerunterstützung. Ihre Automatisierungsprozentsätze benennen keine ausgeführten Auffüllungs- oder Produktionsentscheidungen. 1 6 7

Konzeptionelle Schärfe bei Supply-Chain-Fragen — 5/10. Das Abweichungspatent verbindet Unsicherheit, Handlungsalternativen, operative Restriktionen und verknüpfte Kennzahlen. Die kommerzielle Umsetzung gemeinsamer Nachfrage- und Versorgungsunsicherheit bleibt unerklärt. 10 12

Unabhängigkeit von überholten Lehrmeinungen — 4/10. Das Angebot behält eine einheitliche Prognose, bestehende S&OP-Abläufe, Planeranpassungen und Freigabeprozesse bei. Wirtschaftliche Entscheidungsautomatisierung ist öffentlich weniger entwickelt als die Maschinerie zur Unterstützung dieser Praktiken. 11 12 13

Widerstandsfähigkeit gegen KPI-Inszenierung — 4/10. Kundenfälle bewahren nützliche Angaben zu Umfang und Zeit, doch Genauigkeitssteigerungen und Portfolioautomatisierung fehlen die Definitionen zur Verbindung mit Gewinn oder Personalbedarf. 6 7 13

Substanz der Entscheidungen und Optimierung

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

Durchschnitt: 4,6/10.

Tiefe der probabilistischen Modellierung — 5/10. Das Patent beschreibt Verteilungen von Abweichungen und Handlungsergebnissen. Öffentliche Implementierungsbelege erklären weder deren Kalibrierung und Abhängigkeitsstruktur noch die Anwendung auf unsichere Versorgung. 10

Eigenständige Substanz bei Optimierung oder maschinellem Lernen — 5/10. Die Patente zu verknüpften Kennzahlen und Prognoseanpassung legen Mechanismen jenseits allgemeiner KI-Etiketten offen. Ihre Umsetzung, Vergleichsleistung und Rolle im aktuellen Produkt sind nicht überprüfbar. 10 11

Umgang mit realen Restriktionen — 4/10. Das aktuelle Produkt benennt kaufmännische Leitplanken, und das Patent erlaubt anwendungsspezifische Restriktionen. Die gemeinsame Behandlung physischer Kapazitäten, unsicherer Wareneingänge, konkurrierender Bestandsnutzung und kaufmännischer Zusagen ist nicht spezifiziert. 1 10

Entscheidungsautomatisierung und Arbeitsproduktivität — 5/10. Die Tiernahrungs- und Lebensmittelfälle berichten tatsächlichen Automatisierungsumfang und Vorteile für die Planerproduktivität. Keiner misst die vollständige wiederkehrende Arbeit oder die Produktivität bei Änderungen der Entscheidungslogik. 6 7

Belastbarkeit unter realer operativer Komplexität — 4/10. Fälle mit mehreren Kanälen und Lagern belegen relevante Betriebsbedingungen. Sie legen keine Leistung bei Versorgungsstörungen, fehlgeschlagener Integration oder erheblichen Änderungen von Sortiment und Geschäftsregeln offen. 6 7

Integrität von Produkt und Architektur

Kriterium Bewertung
Architektonische Kohärenz 5/10
Klarheit der Systemgrenzen 6/10
Ernsthaftigkeit des Sicherheitsansatzes 3/10
Software-Sparsamkeit und Gesamtbetriebskosten 4/10
Eignung für programmatische und agentengestützte Abläufe 4/10

Durchschnitt: 4,4/10.

Architektonische Kohärenz — 5/10. Die aktuellen Daten- und Entscheidungsebenen bilden ein schlüssiges kaufmännisches Konzept. Für die Beziehung zwischen AWS-Angebot, Azure-Anwendung und heutiger Plattform fehlt eine öffentliche Versions- oder Bereitstellungsübersicht. 1 12 13

Klarheit der Systemgrenzen — 6/10. Asper belässt Transaktionsaufzeichnungen ausdrücklich bei ERP oder Trade Promotion Management und beschreibt die Synchronisierung von Plänen und Ergebnissen. Fehlersemantik und Verantwortung für teilweise ausgeführte Aktionen bleiben unbestimmt. 1

Ernsthaftigkeit des Sicherheitsansatzes — 3/10. Öffentliche Beschreibungen nennen Cloud-Infrastruktur und allgemeine Schutzmaßnahmen, legen aber weder Mandantenisolation, Agentenrechte, Schutz von Zugangsdaten noch durchsetzbare Ausführungsgrenzen offen. 1 13 16

Software-Sparsamkeit und Gesamtbetriebskosten — 4/10. Genannte Cloud-Dienste, gepflegte Modellpipelines, kaufmännische Konfiguration und Fachleistungen schaffen erhebliche Betriebspflichten. Öffentliche Preise und Kundenfälle quantifizieren diese Pflichten nicht. 12 13 14 15

Eignung für programmatische und agentengestützte Abläufe — 4/10. AskAsper und freigegebene Ausführung ergeben eine agentenbezogene Produktrichtung. Öffentliche API-Verträge, testbare Regeländerungen und versionierte Rücknahmen der Entscheidungslogik fehlen in den Produktunterlagen. 1

Technische Transparenz

Kriterium Bewertung
Öffentliche technische Dokumentation 4/10
Prüfbarkeit ohne Vermittlung des Anbieters 3/10
Transparenz von Portabilität und Anbieterbindung 3/10
Transparenz der Implementierungsmethode 5/10
Belegdichte hinter technischen Behauptungen 5/10

Durchschnitt: 4,0/10.

Öffentliche technische Dokumentation — 4/10. Patente und Marktplatzeinträge zeigen vorgeschlagene Algorithmen und Komponenten. Aktuelle Produktlinks führen häufig zu einem Platzhalter, sodass eine große Lücke zwischen diesen Unterlagen und einer Implementierungsanleitung bleibt. 1 10 11 13

Prüfbarkeit ohne Vermittlung des Anbieters — 3/10. Die kommerziellen Behauptungen werden weder von einem öffentlich ausführbaren Modell noch einem Bewertungsdatensatz oder einer Entscheidungs-API begleitet. Die Kunden-PDFs berichten Ergebnisse ohne reproduzierbares Messverfahren. 6 7 1

Transparenz von Portabilität und Anbieterbindung — 3/10. Die Plattform arbeitet über bestehender Kundeninfrastruktur, dokumentiert aber keinen Export trainierter Modelle, kaufmännischer Konfiguration, Aktionshistorie oder ausführbarer Entscheidungslogik. 1

Transparenz der Implementierungsmethode — 5/10. Der Lebensmittelfall beschreibt Erkundung, Prozessaufnahme, Nutzenprüfung und Konfiguration. Aktuelle Unterlagen benennen spezielle Einführungsarbeit, aber keinen Personal- und Wartungsplan einer vollständigen Implementierung. 7 1 15

Belegdichte hinter technischen Behauptungen — 5/10. Zwei substanzielle Patente, Cloud-Komponentenbeschreibungen und detaillierte archivierte Fälle ermöglichen eine aussagekräftige technische Bewertung. Für das aktuelle agentische Produkt gibt es deutlich weniger Belege auf Mechanismusebene. 10 11 6 13 1

Seriosität des Anbieters

Kriterium Bewertung
Technische Seriosität der öffentlichen Kommunikation 4/10
Integrität der technologischen Roadmap 4/10
Konzeptionelle Schärfe 5/10
Wirtschaftliche Verantwortung 4/10
Verteidigungsfähigkeit in einer Welt agentischer Software 4/10

Durchschnitt: 4,2/10.

Technische Seriosität der öffentlichen Kommunikation — 4/10. Frühe Behauptungen eines zehnfachen Vorteils und einer autonomen Suite gehen über die offengelegten Messungen und den Veröffentlichungsstatus hinaus. Konkretere Kundendokumente bleiben über Archive zugänglich. 4 5 6 7

Integrität der technologischen Roadmap — 4/10. Nachfrage- und kaufmännische Planung geben dem Geschäft einen beständigen Schwerpunkt. Die öffentliche Historie zeigt nicht, wie aus dem früheren autonomen System die heutige agentische Plattform wurde oder welche numerischen Fähigkeiten sich veränderten. 3 5 9 1

Konzeptionelle Schärfe — 5/10. Verknüpfte kaufmännische Entscheidungen und Messung von Planerverzerrungen behandeln konkrete Probleme. Die stärkeren analytischen Ideen der Patente sind nur lose mit den aktuellen Produkterklärungen verbunden. 10 11 1

Wirtschaftliche Verantwortung — 4/10. Die Zusage einer Prognoseverbesserung ist ausdrücklich, doch Abnahmebedingungen und Abhilfen sind unveröffentlicht. Kundenergebnisse lassen realisierten Nettogewinn und die gemeinsamen Kosten von Anbieter, Partnern und Kunde aus. 12 6 7

Verteidigungsfähigkeit in einer Welt agentischer Software — 4/10. Kaufmännische Datenaufbereitung und Fachwissen können ihren Wert behalten. Eine Dialogebene über geerbten Abläufen bietet einen schwächeren Vorteil, wenn sie nicht auch die Arbeit zum Betreiben und Verbessern numerischer Entscheidungen reduziert. 1 14 15

Quellen

Die folgenden Quellen wurden am 4. November 2026 geprüft. Archivierte Fallstudien und das Whitepaper bewahren historische Produktbeschreibungen und berichtete Ergebnisse.

[1] Agentic RGM und Plattformüberblick

Agentic RGM und Plattformüberblick. Aktueller Funktionsumfang, kaufmännische Leitplanken, AskAsper, Datenplattform, Integrationsgrenzen, Value Enablement und Zeitraum der Nutzenprüfung.

[2] Registereintrag von Asper.ai Limited

Registereintrag von Asper.ai Limited. Gründung der britischen Gesellschaft und früherer Firmenname.

[3] Samya.ai stellt Dynamic Demand AI vor

Samya.ai stellt Dynamic Demand AI vor. Produkteinführung 2020, externe Signale, Planergespräche und Nutzenprüfungen.

[4] Fractal übernimmt Samya.ai

Fractal übernimmt Samya.ai. Übernahme sowie Behauptungen zu numerischen Methoden und zehnfachem Vorteil.

[5] Fractal kündigt Asper.ai an

Fractal kündigt Asper.ai an. Positionierung als autonome Suite 2022 und Status als begrenzte Testversion.

[6] Tiernahrungsfallstudie zur Nachfrageplanung

Tiernahrungsfallstudie zur Nachfrageplanung. Archivierter fünfseitiger Fall. Prognoseumfang, manuelle Eingriffe und Automatisierung nach Portfolio gegenüber Volumen; Ergebnisseite visuell geprüft.

[7] Nachfrageplanungsfallstudie für verpackte Lebensmittel

Nachfrageplanungsfallstudie für verpackte Lebensmittel. Archivierter Lebensmittelfall. Erkundungs- und Konfigurationsansatz, zeitlich gestaffelte Genauigkeitszahlen und Planerproduktivität; Ergebnisseite visuell geprüft.

[8] Whitepaper Von der Prognose zur Erfüllung

Whitepaper Von der Prognose zur Erfüllung. Archiviertes Whitepaper von 2023 zur organisatorischen, datenbezogenen und prozessualen Implementierungsarbeit.

[9] Fractal investiert $20 Millionen in Asper.ai

Fractal investiert $20 Millionen in Asper.ai. Investitionsankündigung vom März 2025, vier Produktbereiche und Aussagen zur Auslagerung von KI-Entwicklungsaufgaben.

[10] Patent zu Abweichungsvorhersage und verknüpften Kennzahlen

Patent zu Abweichungsvorhersage und verknüpften Kennzahlen. Veröffentlichter Patententwurf für verknüpfte Abweichungen, probabilistische Handlungsergebnisse, Restriktionen und Rückkopplung. Ein Patent belegt keine Implementierung im aktuellen Produkt.

[11] Patent zu Prognoseanpassung und kognitiven Merkmalen

Patent zu Prognoseanpassung und kognitiven Merkmalen. Am 25. März 2025 erteiltes Patent mit Priorität 2020 zu Verzerrungen bei Prognoseanpassungen und Kompetenzwerten.

[12] AWS-Marketplace-Eintrag für Nachfrageprognosen

AWS-Marketplace-Eintrag für Nachfrageprognosen. Vom Anbieter verfasster AWS-Eintrag: Komponentennamen, Zusage einer Prognoseverbesserung, Preisweg und Bereitstellungsmetadaten.

[13] Microsoft-Marketplace-Anwendung und Azure-Komponenten

Microsoft-Marketplace-Anwendung und Azure-Komponenten. Vom Anbieter verfasster Microsoft-Eintrag: Azure-Dienste, einheitliche Prognosen und RGM sowie Automatisierungs- und Genauigkeitsbehauptungen.

[14] Stellenanzeige Lead Data Scientist

Stellenanzeige Lead Data Scientist. Arbeitgeberanzeige zu Modellentwicklung, Pipelinepflege, Produktionsintegration und Überwachung.

[15] PricingOne-Dienstleistungen und Kompetenzaufbau

PricingOne-Dienstleistungen und Kompetenzaufbau. Partnerleistungen, kaufmännische Expertise und Kompetenzaufbau. Allgemeine Kundenergebnisse des Partners werden Asper nicht zugerechnet.

[16] Datenschutzrichtlinie der Asper-Website

Datenschutzrichtlinie der Asper-Website. Datenschutzpraktiken der Website; keine detaillierte Spezifikation der Ausführungs- oder Isolationskontrollen der kommerziellen Plattform.