Zurück zur Marktforschung
C3 AI vertreibt eine Plattform für Unternehmensanwendungen sowie Anwendungen für Bedarfsplanung, Bestandsoptimierung, Produktionsplanung, Beschaffung und weitere industrielle Aufgaben. Die Supply-Chain-Software führt Unternehmensdaten zusammen, erzeugt Prognosen und Empfehlungen und überträgt ausgewählte Bestandsparameter zurück in operative Systeme. Die Kompatibilitätsmatrix vom September 2026 führt Inventory Optimization 5.0, Production Schedule Optimization 6.0 und Demand Planning 3.0 auf Plattform 8.11 auf. (1, 2, 3)
Gesamtbewertung für die Supply Chain: 5,3/10.
| Dimension | Bewertung |
|---|---|
| Fachliche Tiefe in der Supply Chain | 4,6/10 |
| Substanz der Entscheidungsfindung und Optimierung | 5,6/10 |
| Integrität von Produkt und Architektur | 5,6/10 |
| Technische Transparenz | 6,2/10 |
| Seriosität des Anbieters | 4,6/10 |
Die stärksten Belege für C3 AI liefern die dokumentierte Software und die Forschung zur Bestandsoptimierung. Das Unternehmen modelliert mehrere Unsicherheitsquellen, veröffentlicht eine umfangreiche Programmierschnittstelle und bietet Werkzeuge zum Ändern und Bereitstellen von Anwendungslogik. Die wesentlichen Schwächen sind die wirtschaftlichen Grenzen der Planungsziele, überzogene Leistungsversprechen und der Pflegeaufwand einer großen proprietären Plattform. Die Kluft zwischen technischer Arbeit und Marketing ist ungewöhnlich groß.
Die Bestandsanwendung verbessert einen bestehenden MRP-Prozess, indem sie Nachbestellparameter anhand von Kosten und Servicezielen anpasst. Die umfassendere agentische Darstellung verspricht wirtschaftlich fundierte, koordinierte Entscheidungen. Ein großer Teil der gezeigten Abläufe besteht jedoch weiterhin darin, Planern Empfehlungen zur Prüfung vorzulegen. C3 Code greift ein folgenreicheres Problem auf: die Änderung der Software selbst. Die aktuelle Dokumentation nennt allerdings auch Migrationsbeschränkungen und Dienstleistungsarbeit, die im Versprechen einer autonomen Anwendungsbereitstellung fehlen. (3, 19, 20, 25)
C3 AI im Vergleich zu Lokad
Die praktische Wahl hängt davon ab, was der Käufer besitzen und verbessern möchte. C3 AI stellt eine allgemeine Entwicklungs- und Betriebsumgebung bereit; Supply-Chain-Anwendungen gehören zu den vorkonfigurierten Ausgangspunkten. Ein Kunde kann eigene Datenmodelle, Machine-Learning-Pipelines, Oberflächen und Abläufe um seine Unternehmenssysteme herum aufbauen. Das eröffnet beträchtliche Möglichkeiten und verpflichtet zugleich zur laufenden Pflege dieser Anwendungslandschaft. (11, 22)
Lokads Ansatz zur Bestandsoptimierung konzentriert sich auf wiederkehrende Entscheidungen: was gekauft, produziert, bewegt oder zugeteilt werden soll und welche wirtschaftlichen Folgen unter Unsicherheit zu erwarten sind. Ziel ist die Verbesserung dieser Entscheidungen als System, einschließlich der Betriebskosten des Entscheidungsprozesses. Die in Introduction to Supply Chain entwickelte Perspektive ist hier relevant, weil ein lokal attraktiv wirkender Bestandsabbau andernorts durch entgangene Verkäufe, Verzögerungen oder zusätzliche Handhabung Wert vernichten kann.
Die Bestandssoftware von C3 AI geht bereits über eine punktuelle Nachfrageprognose hinaus: Lieferzeitpunkte, gelieferte Mengen und Materialbewegungen fließen in ihr Unsicherheitsmodell ein. Der verbleibende Unterschied betrifft den Entscheidungsrahmen. Wer ein vorgegebenes Serviceziel zu geringeren Bestandskosten erfüllt, lässt den Wert dieses Ziels außerhalb der Berechnung. Der Käufer muss weiterhin entscheiden, ob knappes Kapital diesen Artikel, einen anderen Artikel oder eine andere Tätigkeit absichern soll. Dieses wirtschaftliche Allokationsproblem steht im Zentrum von Lokads Angebot. (3, 4)
C3 Code eröffnet C3 AI einen glaubwürdigen Weg, den Aufwand für die Anwendungsentwicklung zu senken. Der relevante Vergleich betrifft daher den dauerhaften Aufwand für Überarbeitung, Tests, Bereitstellung und Überwachung der Entscheidungslogik, einschließlich der Arbeit von Anbieter und Partnern. Ein Vergleich der Zahl von Dashboards, Sprachmodellen oder Anwendungsvorlagen würde die Betriebswirtschaft verfehlen.
Bestandsoptimierung: substanzielle Unsicherheit, eingeschränkte Wirtschaftlichkeit
Der Forschungsbeitrag von C3 AI vom Februar 2025 beschreibt die simulationsgestützte Optimierung von MRP-Nachbestellparametern. Er zieht Stichproben aus empirischen Verteilungen für Nachfragefehler, Materialbewegungen, Liefermengen und Lieferzeitpunkte. Bei unzureichenden lieferantenspezifischen Beobachtungen fasst er das Lieferantenverhalten je SKU zusammen. Die Zielfunktion umfasst Bestands-, Bestell- und Transportkosten unter einer Servicebeschränkung. (4)
Das ist substanzieller, als einer Nachfrageprognose lediglich ein Unsicherheitsband anzuhängen. Zugleich zeigt sich eine wesentliche Schwäche: Zwei unterschiedlich zuverlässige Lieferanten können in einer gemeinsamen Verteilung verschwinden. Bessere Stichproben können einen Unterschied, den das Modell entfernt hat, nicht wiederherstellen. Ebenso wenig belegt das Durchspielen vieler möglicher Zukünfte, dass gemeinsames Kapital, Kapazitäten und komplementäre Teile gemeinsam bewertet werden. Zunächst geht es um die Abbildung des Geschäfts, erst danach um Rechengeschwindigkeit.
Das Datenblatt vom November 2025 beansprucht zusätzlich eine standortübergreifende Sortimentsoptimierung und eine mehrstufige Optimierung entlang einer Stückliste. Es unterstützt manuelle oder automatische Freigaben und schreibt überarbeitete Parameter in MRP zurück. Wie diese Netzwerkziele und Abhängigkeiten mit dem veröffentlichten Mechanismus auf SKU-Ebene zusammenwirken, bleibt unerklärt. Ein gemeinsames Datenabbild kann Eingaben verbinden, während die wirtschaftlichen Berechnungen getrennt bleiben. (3)
Auch die Ergebnisse des Forschungsbeitrags erfordern genaues Lesen. Die Vergleichstabelle vermischt Bestands- und Sicherheitsbestandsgrößen und vergleicht historische Abläufe mit simulierten Alternativen. Bei einem Kunden sinkt der Servicegrad von 97,6% auf 91,0%, während der Bestand von 7,7 Millionen Dollar auf 6,5 Millionen Dollar fällt. Die wirtschaftliche Bedeutung hängt von den Kosten des verlorenen Service ab, nicht allein vom Bestandsabbau. (4)
Dies ist das in Holimization entwickelte Problem: Die Formulierung selbst muss fortlaufend korrigiert werden. Eine günstigere Pufferpolitik kann eine nützliche Verbesserung sein. Sie als optimal zu bezeichnen belegt nicht, dass ausgelassene Wahlmöglichkeiten und Folgen wirtschaftlich vernachlässigbar sind.
Prognoseversprechen und digitale Zwillinge
Die aktuelle Seite zu Demand Planning wirbt mit einer Gesamtprognosegenauigkeit von über 92% sowie Prognosen auf jeder Granularitätsstufe und für jeden Zeithorizont. Dieser Schlagzeile sind weder Kennzahl noch Horizont, Aggregationsniveau oder untersuchte Population zugeordnet. Außerdem bewirbt die Seite einen Fall mit einer Reduktion des Prognosefehlers um 100%. Für ein kaufentscheidendes Versprechen sind das erhebliche Auslassungen, weil Aggregation und Wahl der Ausgangsbasis das scheinbare Ergebnis dominieren können. (5)
Der zugrunde liegende Hightech-Fall betrifft zunächst einen Geschäftsbereich mit 900 SKUs. Er meldet eine WAPE-Reduktion um 70–100% gegenüber früheren Prognosen, darunter ein Konkurrenzmodell mit WAPE über 200%. Genannt werden ein möglicher Bestandsabbau von 6–7% und 300 Millionen Dollar Einsparungen bei Ausweitung auf das gesamte Unternehmen. Weder die endgültige Fehlerverteilung für den Wiederbeschaffungshorizont noch das zur Bewertung des 100%-Endpunkts nötige Testdesign werden angegeben. Die Finanzzahl ist ein hochgerechnetes Potenzial. (6)
Eine relative Verbesserung gegenüber einer schlechten Ausgangsbasis ist kein absolutes Genauigkeitsmaß. Selbst eine echte Verbesserung auf Ebene der Absatzplanung lässt sich ohne passenden Horizont und passende Aggregation nicht auf Kaufentscheidungen für einzelne Artikel übertragen. Als quantitative Referenz ergibt eine diagnostische Auswertung der besten 50 Punktprognose-Einreichungen des M5-Wettbewerbs etwa 22–25% für 100 × (1 − WAPE) auf Ebene SKU/Filiale/Tag, gegenüber ungefähr 96–98% nach täglicher Zusammenfassung von Produkten und Filialen. Das sind diagnostische Umrechnungen, weder die offizielle Wettbewerbskennzahl noch eine allgemeine Obergrenze. Sie zeigen, wie wenig eine isolierte Prozentzahl einem Käufer sagt. (33)
Die Nachfrageseite von C3 AI beschreibt ihren digitalen Zwilling als einheitliche Datengrundlage der Supply Chain. Die Seite zur Produktionsplanung verwendet denselben Begriff für eine Abbildung der Produktionsabläufe. Datenintegration kann wertvoll sein, doch die Vorhersage der Folgen eines Eingriffs ist eine zusätzliche Aufgabe. Die veröffentlichten Unterlagen müssten zeigen, ob vorhergesagte Engpässe, Produktionszuwächse und finanzielle Effekte dem Vergleich mit dem späteren Betrieb standhalten. Funktionserklärungen und eine interaktive Szenariooberfläche belegen diese Genauigkeit nicht. (5, 10)
Produktionsplanung, Produktivität und wirtschaftliche Belege
Der Stahlfall ist aufschlussreich, weil er die Arbeit hinter dem Ergebnis beschreibt. Über 26 Wochen kodifizierte ein gemeinsames Team werksspezifische Beschränkungen und band historische Betriebsdaten an. Der Optimierer wurde anhand von 46 historischen Produktionszyklen bewertet. C3 AI meldet rund 1% mehr Nettoproduktion und eine Verkürzung der Planung von fünf bis sieben Tagen auf eine Stunde; die hervorgehobenen 4 Millionen Dollar sind ein möglicher jährlicher Nutzen über drei Werke. (9)
Übergangsregeln, Ausbeuten und Materialwiederverwendung zu kodifizieren ist erhebliche Ingenieurarbeit. Historisches Nachspielen hilft bei der Modellbewertung. Zusätzlicher Ausstoß hat aber nur dann Wert, wenn er rentabel verkauft und geliefert werden kann, ohne wertvollere Arbeit zu verdrängen. Der veröffentlichte Fall beziffert weder die Pflege dieser Regeln noch die Prüfung erzeugter Pläne oder die Korrektur von Abweichungen zum Betrieb. Schnellere Planerstellung ist ein nützlicher Produktivitätsgewinn, aber nur ein Teil der wiederkehrenden Arbeit.
Ein weiterer Fall betrifft ein Agrarunternehmen mit einem Werk und acht Linien. Er nennt tägliche Prognosen über 21 Tage und Schichtpläne über einen rollierenden Zeitraum von 14 Tagen, meldet 96% weniger Planungsaufwand und identifiziert 30 Millionen Dollar zusätzliche Bruttomarge. Nutzer sollen weiterhin Empfehlungen prüfen und Szenarioeingaben anpassen. Der angegebene Horizont macht diesen Beleg nützlicher als die allgemeine Genauigkeitsschlagzeile; die identifizierte Marge bleibt jedoch von einem gemessenen Nettoertrag zu unterscheiden. (34)
Der Elektronikfall zur Bestandsoptimierung meldet eine Verringerung des gebundenen Umlaufvermögens um 42 Millionen Dollar für 10.000 untersuchte SKUs. Als Beleg für die Akzeptanz dient, dass Manager während Tests und Prüfungen 74% der Empfehlungen annahmen. Das misst Zustimmung, nicht Richtigkeit oder autonome Abdeckung. Freigesetztes Umlaufvermögen unterscheidet sich ebenfalls vom wiederkehrenden Jahresgewinn: Sein finanzieller Wert muss zusammen mit Fehlbestandsfolgen, Bestandskosten sowie Kosten für Software und Betriebsteam bewertet werden. (7)
Der Luft- und Raumfahrtfall bezeichnet 180–240 Millionen Dollar als möglichen Wert einer Bestandsreduzierung nach einem zehnwöchigen Versuch. Außerdem nennt er 80% Genauigkeit bei der Vorhersage von Lieferverzögerungen oder zurückgenommenen Zusagen, ohne Häufigkeit der Ereignisse oder Kosten von Fehlalarmen. Störungen vorherzusagen und zu entscheiden, wie viel für die Absicherung ausgegeben werden soll, sind unterschiedliche Probleme. Der Fall liefert nicht genügend Informationen, um diesen Zielkonflikt wirtschaftlich zu bewerten. (8)
In diesen Beispielen berichtet C3 AI über nachvollziehbare operative Arbeit und potenziell wertvolle Verbesserungen. Der fehlende gemeinsame Nenner ist ein dauerhaftes, vollständig kalkuliertes Ergebnis: realisierte Margen- und Kapitaleffekte, verbleibender Planeraufwand, Wartungsleistungen und Abhilfe, wenn Ergebnisse die vereinbarte Ausgangsbasis verfehlen.
Agentische Abläufe und Konfigurationspflege
Der Supply-Chain-Beitrag vom März 2026 kritisiert zu Recht lokale KPIs, die das Gesamtsystem verschlechtern. Der vorgeschlagene Agentenablauf konzentriert sich dennoch darauf, einem Planer bei der Diagnose einer Störung, beim Vergleich von Reaktionen und beim Handeln zu helfen. Die aktuelle Agentix-Dokumentation ist deutlicher: Der eingebettete Assistent liest verbundene Daten; Änderungen an Datensätzen warten auf die Zustimmung des Nutzers. Das ist ein unterstützter Arbeitsablauf. Würde jede Routineaktion eine Unterhaltung erfordern, bliebe der Arbeitsengpass in größerem Maßstab bestehen. (24, 25)
C3 Code behandelt eine andere Arbeitslast. Die Versionshinweise dokumentieren bearbeitbare Anwendungsmodule, Git-Integration, parallele Chats und zeitgesteuerte Bereitstellungspipelines. Diese Funktionen können einem Team helfen, wiederverwendbare Logik zu verbessern, statt dieselben Ausnahmen immer wieder abzuarbeiten. Die zentrale MCP-Dokumentation enthält zudem Werkzeuge zum Bearbeiten von Types und Erzeugen von Transformationen; dieser konkrete Konnektor unterstützt Entwicklungsarbeit. Das Protokoll selbst fügt keine Supply-Chain-Intelligenz hinzu, und seine bloße Existenz begründet keine Optimierungsleistung. (22, 23)
Das Versprechen hat wesentliche Grenzen. Laut FAQ können ältere SDL-basierte Anwendungen für Inventory Optimization und Production Schedule Optimization erst erweitert werden, nachdem sie auf React-basierte Versionen umgestellt wurden. Die Bereitstellungsdokumentation erklärt, dass die Auslieferung an Kundencluster und Plattform-Upgrades außerhalb von C3 Code erfolgen und gewöhnlich das Dienstleistungsteam von C3 AI einbeziehen. Der Kauf einer bestehenden Anwendung liefert somit nicht automatisch die für einen neuen Programmierarbeitsbereich beworbene Pflegeproduktivität. (19, 20)
Die Bereitstellungsmechanik ist erfreulich konkret. Staging und Produktion verwenden fest gekennzeichnete Versionen; eine geplante Pipeline stellt einen Git-Branch bereit, während eine manuelle Bereitstellung auch Änderungen enthalten kann, die noch nicht in GitHub eingecheckt sind. Eine Rückkehr zu früherem Code erfordert eine erneute Bereitstellung. Käufer benötigen einen getesteten Wiederherstellungsprozess für Logik und Daten sowie einen klaren Verantwortlichen für Upgrades und Kompatibilitätsarbeit. Codegenerierung kann eine Änderung verbilligen, während Validierung, Datenmigration und betriebliche Wiederherstellung erhebliche Kosten bleiben. (20, 21)
Softwarebestandteile und Gesamtbetriebskosten
C3 AI besitzt einen kohärenten architektonischen Kern: Das Type System definiert Datenstrukturen, Beziehungen und Methoden hinter einer gemeinsamen Programmierschnittstelle. Das verringert doppelte Integrationsarbeit innerhalb der Plattform. Zugleich wird die Laufzeitumgebung zu einer erheblichen Abhängigkeit: Python- oder JavaScript-Dateien zu exportieren reicht nicht, um die von ihnen aufgerufenen Dienste nachzubilden. Das beim Start verkündete Fehlen technischer Anbieterbindung geht weiter als die dokumentierte Möglichkeit, Sprachmodelle zu wechseln. (11, 30)
Der Bereitstellungsleitfaden der Plattform 8.11 für eingeschränkten ausgehenden Netzwerkverkehr nennt Terraform, Helm, C3-AI-Server, Jupyter, Cassandra und Postgres. Er beschreibt außerdem lokale Spiegel für Python- und Node.js-Pakete. Das sind tatsächliche Bereitstellungskomponenten mit eigenen Pflichten für Upgrades, Sicherungen, Überwachung und Wiederherstellung. (13)
Die Stellenanzeige des Arbeitgebers für Platform Data and AI unterstreicht den Umfang der Integrationsarbeit. Zu den Aufgaben gehören Abstraktionen über Cassandra, PostgreSQL und Snowflake, Speicherschnittstellen, verteilte Verarbeitung sowie Integrationen mit Spark und Ray. Snowflake ist in dieser Beschreibung ein Integrationsziel, kein Beleg dafür, dass jede Bestandsinstallation es betreibt. Die Anzeige erklärt den technischen Aufwand, eine breite Plattform über unterschiedliche Kundenumgebungen hinweg zu unterstützen. (12)
Verwaltetes Jupyter weist jedem Nutzer eigene Rechenressourcen zu, während Laufzeitdefinitionen Python-Pakete und Versionen festlegen. Das ist eine nützliche Betriebsstruktur mit Kosten über den Planungsalgorithmus hinaus: Notebook-Infrastruktur, Auflösung von Abhängigkeiten, Testumgebungen, aufbewahrte Anwendungsversionen und das betreuende Personal. Eine Plattform für viele Anwendungsfälle kann diese Kosten verteilen. Wer nur Bestandsentscheidungen benötigt, sollte verlangen, dass die vorgeschlagene Installation ihren gesamten Ressourcenbedarf rechtfertigt. (14, 16)
Sicherheit von Code aus Fachabteilungen
C3 AI unterstützt ausdrücklich beliebige Python-Methoden und Bibliotheken aus öffentlichen oder privaten Conda-Kanälen. Verwaltete Notebooks authentifizieren Nutzer gegenüber der Anwendung und machen deren Daten und Dienste zugänglich. Damit stehen Vertrauen in Abhängigkeiten und Zugriffsrechte auf Produktionsdaten im Zentrum der Sicherheitsbewertung. Ein benutzerfreundliches Notebook macht Paketinstallation oder generierten Code nicht sicher. (14, 15)
Es gibt dokumentierte Mechanismen: Notebook-Container pro Nutzer, konfigurierbare Ressourcen, Bereitstellung mit eingeschränktem ausgehendem Verkehr und lokale Paketquellen. Die Patch-Hinweise vom Oktober 2026 zeigen außerdem die Konfiguration der JupyterHub-Ausgangsregeln. Damit haben Betreiber konkrete Kontrollmittel. Die öffentliche Darstellung müsste noch die standardmäßige Netzwerkgrenze, die Paketfreigaberegeln und die minimalen Rechte jedes Fachanwenders in der Produktionsumgebung belegen. (13, 14, 17)
Dieselben Patch-Hinweise nennen Korrekturen an Methoden zur Gruppenmitgliedschaft, die Aufrufe zuvor zuließen, ohne die Rechte des Aufrufers durchzusetzen, sowie an Abfragen von Cloud-Zugangsdaten, bei denen benutzerdefinierte Überschreibungen mit erhöhten Rechten laufen konnten. Das sind konkrete Fehler in der Zugriffskontrolle, laut Dokumentation in 8.11.7 behoben. Ihre Bedeutung liegt im tatsächlichen Patchstand und Berechtigungsdesign, nicht in einem Zertifizierungssiegel. Die Veröffentlichung der Korrekturen ist ein nützlicher Beleg für Pflegearbeit. (17)
Eine Anleitung zur Fehlerbehebung empfiehlt, eine Kubernetes-Netzwerkrichtlinie zu löschen, wenn sie die Jupyter-Kommunikation behindert, ohne in derselben Anleitung einen Wiederherstellungsschritt vorzusehen. Einen Isolationsschutz zu entfernen, damit der Dienst läuft, ist eine schwache Betriebsempfehlung. Ein Produktionsdesign sollte die beabsichtigte Grenze während Diagnose und Wiederherstellung erhalten, besonders wenn Nicht-Spezialisten allgemein einsetzbaren Code auf Geschäftsdaten ausführen können. (18)
Technologiegeschichte und Integrität der Roadmap
Die eigene Geschichtsdarstellung von C3 AI datiert das erste Energiemanagementprodukt auf 2010, die Phase C3 Energy auf 2013–2015, C3 IoT auf 2016–2018 und den Namen C3 AI auf 2019. Das Unternehmen erklärt die Änderungen mit Markterweiterung und veränderter Wahrnehmung des IoT. Das belegt eine Positionierung entlang aufeinanderfolgender Technologiemärkte und zugleich fortbestehende Anwendungen sowie eine gemeinsame Plattform. (26)
Bereits die IoT-Ankündigung vom Februar 2016 warb mit einer vollständigen Plattform, maschinellem Lernen, schneller Anwendungsentwicklung und produktiven Pilotprojekten in nur einem Monat. Als installierte Basis wurden 70 Millionen Zähler und Sensoren über 20 Installationen genannt. Das waren Versprechen zu Datenverarbeitung und prädiktiver Analytik aus der Zeit vor LLMs. Sie sind anhand dieser Aufgaben zu bewerten; die Fähigkeiten heutiger Agenten dürfen ihnen nicht rückwirkend zugeschrieben werden. (27)
Baker Hughes ermöglicht eine Prüfung der Kontinuität. Der Bericht beschreibt interne Entwickler und Datenwissenschaftler, die die Bestandsanwendung ab Ende 2019 konfigurierten, mit einer erwarteten Bestandsreduzierung von etwa 5% an eingeführten Standorten. Im Mai 2025 verlängerten die Unternehmen ihre Zusammenarbeit bis Juni 2028 und nannten ausdrücklich weitere interne Bestandsinstallationen. Das ist eine dauerhafte Partnerschaft mit nachvollziehbarer Softwarearbeit; die frühe Einsparungsprognose bleibt in diesem historischen Bericht eine Erwartung. (28, 32)
Die Ankündigung generativer KI vom Januar 2023 stellte eine Unternehmenssuche mit externen Modellen vor, deren allgemeine Verfügbarkeit für März geplant war. Die gelieferte Kategorie war der Zugriff auf Unternehmensinformationen in natürlicher Sprache. Spätere agentische Versprechen erweiterten sich auf Arbeitsabläufe und Anwendungsgenerierung. Die technische Frage lautet, wie viel der zugrunde liegenden Arbeit diese Veröffentlichungen beseitigen, über einen leichteren Aufruf bestehender Funktionen hinaus. (29)
Der Start von C3 Code im April 2026 verdeutlicht das Marketingproblem besonders deutlich. C3 AI präsentierte eine Überlegenheitstabelle auf Grundlage einer Lektüre von Produktdokumentationen durch Claude: Das eigene Produkt erhielt 9,2/10, Codex 6,0 und Claude Code 5,2. Das war kein vergleichendes Experiment zur Anwendungserstellung. Die Bewertung von Werbematerial durch ein LLM misst weder Bereitstellungserfolg noch Pflegeaufwand oder Sicherheit. Sie als Wettbewerbsleistung darzustellen schwächt die Glaubwürdigkeit der umfassenderen Produktivitätsversprechen. (30)
Die Versionsdokumentation belegt fortlaufende Ingenieurarbeit durch implementierte Entwicklungsabläufe, Kompatibilitätsbeschränkungen und detaillierte Fehlerkorrekturen. Die Ankündigungen machen daraus wiederholt Versprechen, die weit über gemessene Ergebnisse hinausgehen.
Die Ergebnisse von C3 AI vom September 2026 aktualisieren auch das Unternehmensbild: Thomas Siebel war wieder Vorsitzender und CEO, der Quartalsumsatz betrug 52,4 Millionen Dollar und liquide Mittel sowie marktgängige Wertpapiere beliefen sich während einer Restrukturierung auf 651,1 Millionen Dollar. Das Unternehmen verfügt über finanzielle Ressourcen. Kunden, die sich auf seine Laufzeitumgebung festlegen, benötigen angesichts organisatorischer Veränderungen dennoch Vorkehrungen für die Kontinuität von Anwendungssupport und Upgrades. (31)
Supply-Chain-Bewertung
Die Gesamtbewertung ist das einfache Mittel der folgenden 25 Kriterien. Jede Dimension mittelt ihre fünf Kriterien; insgesamt ergeben sich 5,32, gerundet 5,3/10.
Fachliche Tiefe in der Supply Chain
| Kriterium | Bewertung |
|---|---|
| Wirtschaftliche Problemstellung | 5/10 |
| Endzustand der Entscheidungsfindung | 6/10 |
| Begriffliche Klarheit zur Supply Chain | 6/10 |
| Unabhängigkeit von überholten Leitdoktrinen | 3/10 |
| Widerstandsfähigkeit gegen KPI-Theater | 3/10 |
Durchschnitt: 4,6/10.
Wirtschaftliche Problemstellung — 5/10. Bestandskosten, Umlaufvermögen und Produktionswert haben erkennbare Rollen. Vorgegebene Servicegrade ersetzen weiterhin die Bewertung sämtlicher Folgen von Fehlbeständen und konkurrierenden Ressourcennutzungen. Veröffentlichte finanzielle Potenziale sind oft leichter zu finden als realisierte Nettoerträge. (3, 7, 9)
Endzustand der Entscheidungsfindung — 6/10. Die Bestandsanwendung schreibt Parameter in MRP zurück und bietet automatische Freigaben. Die Produktionsplanung liefert ausführbare Planungseingaben. Ein großer Teil des breiteren agentischen Ablaufs endet weiterhin mit einer menschlichen Prüfung der Empfehlungen; das Volumen unbeaufsichtigter Entscheidungen bleibt unklar. (3, 24, 34)
Begriffliche Klarheit zur Supply Chain — 6/10. C3 AI erkennt Angebotsunsicherheit, Materialabhängigkeiten und den Schaden lokaler Optimierung. Die Bestandsforschung und die werksspezifische Modellierung zeigen mehr Verständnis als ein allgemeines Prognoseversprechen. Die Verbindung dieser Mechanismen zu einem konsistenten wirtschaftlichen Entscheidungssystem ist noch unzureichend belegt. (4, 9, 25)
Unabhängigkeit von überholten Leitdoktrinen — 3/10. Serviceziele, Sicherheitsbestandsparameter, abgestimmte Bedarfspläne und Planerfreigaben behalten zentrale Rollen. Die Software verbessert diese Prozesse erheblich, ohne die Grenzen der zugrunde liegenden Ziele und organisatorischen Routinen aufzulösen. (3, 5, 24)
Widerstandsfähigkeit gegen KPI-Theater — 3/10. Eine nicht näher bestimmte Gesamtgenauigkeit, eine Schlagzeile mit null Prognosefehlern und volle Kapazitätsauslastung sind schlechte Ersatzgrößen für definierte wirtschaftliche Ergebnisse. Mehrere Fallstudien grenzen ihren Umfang sinnvoll ein, doch diese Sorgfalt setzt sich in den Produktschlagzeilen nicht fort. (5, 6, 10)
Substanz der Entscheidungsfindung und Optimierung
| Kriterium | Bewertung |
|---|---|
| Tiefe der probabilistischen Modellierung | 6/10 |
| Eigenständige Optimierungs- oder ML-Substanz | 6/10 |
| Umgang mit realen Beschränkungen | 6/10 |
| Entscheidungsautomatisierung und Arbeitsproduktivität | 5/10 |
| Belastbarkeit unter realer betrieblicher Komplexität | 5/10 |
Durchschnitt: 5,6/10.
Tiefe der probabilistischen Modellierung — 6/10. Der veröffentlichte Bestandsmechanismus modelliert mehrere betriebliche Unsicherheiten gemeinsam. Durch die Zusammenfassung gehen relevante Unterschiede verloren; die Behandlung von Abhängigkeiten zwischen Lieferanten, Artikeln und gemeinsamen Ressourcen braucht stärkere Belege. (4)
Eigenständige Optimierungs- oder ML-Substanz — 6/10. Prüffähige Bestandsforschung sowie konkrete Prognose- und Planungsimplementierungen belegen echte Ingenieurleistung. Der Beitrag liegt in Modell- und Integrationsarbeit, nicht im KI-Etikett oder in wiederholten Simulationen. (4, 9, 34)
Umgang mit realen Beschränkungen — 6/10. Stücklistenbehandlung und die Übergangs- sowie Ausbeuteregeln des Stahlfalls zeigen Aufmerksamkeit für physische Abläufe. Weniger vollständig ist belegt, ob wirtschaftliche Wechselwirkungen erhalten bleiben, wenn der Umfang über die einzelne Anwendung hinausgeht. (3, 9)
Entscheidungsautomatisierung und Arbeitsproduktivität — 5/10. Einsparungen bei der Planerstellung und automatische Parameteraktualisierungen sind nützlich. C3 Code eröffnet einen weiteren Weg zur Verringerung der Konfigurationsarbeit. Verbleibende Prüfungen, Anwendungsmigrationen und Dienstleistungsaufwand verhindern, diese Vorteile unmittelbar in eine entsprechende Senkung der gesamten Betriebsarbeit zu übersetzen. (3, 9, 19, 20)
Belastbarkeit unter realer betrieblicher Komplexität — 5/10. Historische Tests und echte Datenintegrationen bilden eine Betriebsgrundlage. Mehr Belege sind zur wirtschaftlichen Leistung nach Strukturänderungen nötig, darunter neue Lieferanten, veränderte Produktbeziehungen und Korrekturen des Modells selbst. Eine laufend aktualisierte Eingabe ist nicht zwangsläufig eine korrigierte Formulierung. (9, 34)
Integrität von Produkt und Architektur
| Kriterium | Bewertung |
|---|---|
| Architektonische Kohärenz | 7/10 |
| Klarheit der Systemgrenzen | 7/10 |
| Ernsthaftigkeit bei der Sicherheit | 4/10 |
| Software-Sparsamkeit und Gesamtbetriebskosten | 3/10 |
| Eignung für programmgesteuerte und agentengestützte Abläufe | 7/10 |
Durchschnitt: 5,6/10.
Architektonische Kohärenz — 7/10. Das Type System bietet eine substanzielle gemeinsame Grundlage für Daten, Code und Anwendungen. Der Wechsel von SDL zu React beschränkt die Kontinuität bestehender Anwendungen und erzeugt Migrationsarbeit innerhalb dieser ansonsten kohärenten Architektur. (11, 19)
Klarheit der Systemgrenzen — 7/10. Die Dokumentation unterscheidet Anwendungsversionen, Notebook-Instanzen, Bereitstellungsumgebungen und Dienstleistungen außerhalb von C3 Code. Diese Grenzen lassen sich wesentlich besser prüfen, als die breite Positionierung als autonome Plattform vermuten lässt. (1, 14, 20)
Ernsthaftigkeit bei der Sicherheit — 4/10. Isolationskontrollen und explizite Berechtigungskorrekturen liefern konkrete Belege. Python in Fachabteilungen bleibt eine anspruchsvolle Vertrauensgrenze, und die Empfehlung zur Netzwerkfehlerbehebung ist schwach. Käufer benötigen verifizierte Produktionsbeschränkungen und den tatsächlichen Patchstand; allgemeine Governance-Versprechen beantworten diese Fragen nicht. (15, 17, 18)
Software-Sparsamkeit und Gesamtbetriebskosten — 3/10. Die Installation verbindet mehrere Datendienste, Laufzeitökosysteme und Infrastrukturwerkzeuge. Die Unterstützung vielfältiger Anwendungsfälle erklärt einen großen Teil dieser Masse, doch der Bestandskunde trägt ihre Kosten weiterhin über Hosting, Plattformbetrieb, Upgrades und Spezialdienstleistungen. (12, 13, 20)
Eignung für programmgesteuerte und agentengestützte Abläufe — 7/10. APIs, versionierte Anwendungsartefakte, codegenerierende Agenten und geplante Bereitstellung sind bedeutsame Fähigkeiten. Ihr Wert liegt in der Verbesserung wiederholbarer Logik. MCP-Zugriff und Freigaben im Gespräch allein liefern keine autonome Supply-Chain-Optimierung. (22, 23, 24)
Technische Transparenz
| Kriterium | Bewertung |
|---|---|
| Öffentliche technische Dokumentation | 8/10 |
| Prüfbarkeit ohne Vermittlung des Anbieters | 6/10 |
| Sichtbarkeit von Portabilität und Anbieterbindung | 5/10 |
| Transparenz der Implementierungsmethode | 6/10 |
| Belegdichte hinter technischen Behauptungen | 6/10 |
Durchschnitt: 6,2/10.
Öffentliche technische Dokumentation — 8/10. Entwicklerdokumentation, Versionsmatrix, Versionshinweise und Bestandsstudie enthalten genügend Details, um Mechanismen und Grenzen zu erkennen. Das ist eine umfangreiche öffentlich zugängliche technische Grundlage. (1, 4, 17)
Prüfbarkeit ohne Vermittlung des Anbieters — 6/10. Große Teile der Plattform lassen sich anhand öffentlicher Dokumentation bewerten. Anwendungsverhalten ist weniger offengelegt als Plattformmechanik; veröffentlichte Kundenbeispiele enthalten keine reproduzierbaren Kundendatensätze oder Entscheidungsprotokolle. (1, 6, 7)
Sichtbarkeit von Portabilität und Anbieterbindung — 5/10. Git-Zugriff und freie Sprachmodellwahl helfen, Anwendungsarbeit zu erhalten. Anwendungen hängen weiterhin von proprietären Types und Plattformdiensten ab, und Bereitstellung außerhalb des verwalteten Ablaufs erfordert Zusatzarbeit. Das öffentliche Versprechen fehlender Anbieterbindung spielt diese Abhängigkeit herunter. (11, 20, 30)
Transparenz der Implementierungsmethode — 6/10. Fälle beschreiben Datenintegration, Konfiguration und Implementierungsdauer; Bereitstellungsleitfäden legen relevante Betriebsschritte offen. Weniger erfährt man über dauerhafte Pflegebudgets und die Verantwortungsteilung, wenn die wirtschaftliche Leistung einer Anwendung nachlässt. (9, 20, 34)
Belegdichte hinter technischen Behauptungen — 6/10. Forschung und Dokumentation sind ungewöhnlich nützlich. Anonyme Fälle, hochgerechnete finanzielle Vorteile und fehlende Definitionen von Prognosetests schwächen die Verbindung zwischen dieser technischen Substanz und den beworbenen Geschäftsergebnissen. (4, 6, 8)
Seriosität des Anbieters
| Kriterium | Bewertung |
|---|---|
| Technische Seriosität der öffentlichen Kommunikation | 3/10 |
| Integrität der Technologie-Roadmap | 5/10 |
| Begriffliche Klarheit | 5/10 |
| Wirtschaftliche Verantwortlichkeit | 4/10 |
| Verteidigungsfähigkeit in einer Welt agentischer Software | 6/10 |
Durchschnitt: 4,6/10.
Technische Seriosität der öffentlichen Kommunikation — 3/10. Die Lektüre von Produktdokumentation durch ein LLM als Beleg für Wettbewerbsüberlegenheit zu verwenden ist besonders schwach. Nicht näher bestimmte Prognoseschlagzeilen verschärfen das Problem. Solche Entscheidungen beschädigen die Glaubwürdigkeit, die die technische Dokumentation aufgebaut hat. (5, 30)
Integrität der Technologie-Roadmap — 5/10. Anwendungen, eine gemeinsame Laufzeit und die Beziehung zu Baker Hughes bestehen über mehrere Markenphasen hinweg fort. Aktuelle Codegenerierungsfunktionen sind durch Implementierungsdokumentation belegt. Wiederholte Ankündigungen transformativer Fähigkeiten, bevor deren Betriebsgrenzen feststehen, verhindern eine stärkere Bewertung. (19, 26, 32)
Begriffliche Klarheit — 5/10. Die Kritik fragmentierter Entscheidungen und der Fokus auf Anwendungsentwicklungsarbeit sind stichhaltig. Das Marketing verdichtet unterschiedliche Leistungen – Datenzugriff, Prognose, Empfehlung, Codegenerierung und wirtschaftliche Optimierung – wiederholt zum selben umfassenden KI-Versprechen. (22, 25, 30)
Wirtschaftliche Verantwortlichkeit — 4/10. Einige Fälle legen den Umfang offen und kennzeichnen potenzielle Vorteile. Selten verbinden öffentliche Unterlagen realisierte finanzielle Ergebnisse mit sämtlichen Implementierungs-, Prüf-, Cloud- und Pflegekosten und einem vereinbarten Verfahren zur Korrektur wirtschaftlicher Fehlschläge. Akzeptanz und Nutzervertrauen schließen diese Lücke nicht. (7, 8, 9)
Verteidigungsfähigkeit in einer Welt agentischer Software — 6/10. Eine dokumentierte Fachplattform und Werkzeuge zur Anwendungsüberarbeitung können Wert behalten, während Codegenerierung günstiger wird. Die Verteidigungsfähigkeit hängt davon ab, nützliches Betriebswissen zu bewahren und seine Pflege zu verbilligen. Laufzeitkomplexität und Migration älterer Anwendungen belasten diese Chance. (19, 20, 22)
Quellen
[1] Anwendungskompatibilität, September 2026
Anwendungskompatibilität, September 2026. 2026-09-11; abgerufen am 4. November 2026. [2] Produkt Inventory Optimization
Produkt Inventory Optimization. Abgerufen am 4. November 2026. [3] Datenblatt Inventory Optimization
Datenblatt Inventory Optimization. 2025-11-17; abgerufen am 4. November 2026. [4] Stochastische Bestandsoptimierung in großen Supply Chains
Stochastische Bestandsoptimierung in großen Supply Chains. 2025-02-16; abgerufen am 4. November 2026. [5] Produkt Demand Planning
Produkt Demand Planning. Abgerufen am 4. November 2026. [6] Prognosefall aus der Hightech-Branche
Prognosefall aus der Hightech-Branche. Abgerufen am 4. November 2026. [7] Bestandsfall aus der Elektronikbranche
Bestandsfall aus der Elektronikbranche. Abgerufen am 4. November 2026. [8] Bestandsversuch in der Luft- und Raumfahrt
Bestandsversuch in der Luft- und Raumfahrt. Abgerufen am 4. November 2026. [9] Fall zur Produktionsplanung in der Stahlindustrie
Fall zur Produktionsplanung in der Stahlindustrie. Abgerufen am 4. November 2026. [10] Produkt Production Schedule Optimization
Produkt Production Schedule Optimization. Abgerufen am 4. November 2026. [11] Überblick über das Type System, Plattform 8.11
Überblick über das Type System, Plattform 8.11. Abgerufen am 4. November 2026. [12] Senior Software Engineer, Platform Data and AI, Stelle 8365468002
Senior Software Engineer, Platform Data and AI, Stelle 8365468002. Abgerufen am 4. November 2026. [13] Bereitstellung mit eingeschränktem ausgehendem Verkehr, Plattform 8.11
Bereitstellung mit eingeschränktem ausgehendem Verkehr, Plattform 8.11. Abgerufen am 4. November 2026. [14] Verwaltetes JupyterLab, Plattform 8.11
Verwaltetes JupyterLab, Plattform 8.11. Abgerufen am 4. November 2026. [15] Python-Zugriff, Plattform 8.11
Python-Zugriff, Plattform 8.11. Abgerufen am 4. November 2026. [16] Python-Laufzeiten, Plattform 8.11
Python-Laufzeiten, Plattform 8.11. Abgerufen am 4. November 2026. [17] Patch-Hinweise für Plattform 8.11
Patch-Hinweise für Plattform 8.11. 2026-10-28; abgerufen am 4. November 2026. [18] Fehlerbehebung für Jupyter, Plattform 8.11
Fehlerbehebung für Jupyter, Plattform 8.11. Abgerufen am 4. November 2026. [19] C3 Code FAQ, Plattform 8.11
C3 Code FAQ, Plattform 8.11. Abgerufen am 4. November 2026. [20] Anwendung bereitstellen, C3 Code
Anwendung bereitstellen, C3 Code. Abgerufen am 4. November 2026. [21] Bereitstellungen verwalten, C3 Code
Bereitstellungen verwalten, C3 Code. Abgerufen am 4. November 2026. [22] Versionshinweise zu C3 Code
Versionshinweise zu C3 Code. Abgerufen am 4. November 2026. [23] Konfiguration des C3 Central MCP Server
Konfiguration des C3 Central MCP Server. Abgerufen am 4. November 2026. [24] Einer Anwendung einen Agentix-Agenten hinzufügen
Einer Anwendung einen Agentix-Agenten hinzufügen. Abgerufen am 4. November 2026. [25] Von statischen Plänen zu intelligentem Handeln
Von statischen Plänen zu intelligentem Handeln. 2026-03-20; abgerufen am 4. November 2026. [26] Die Entwicklung von C3 AI
Die Entwicklung von C3 AI. 2023; abgerufen am 4. November 2026. [27] Veröffentlichung der Full-Stack-IoT-Entwicklungsplattform
Veröffentlichung der Full-Stack-IoT-Entwicklungsplattform. 2016-02-23; abgerufen am 4. November 2026. [28] Baker Hughes: Enterprise AI zur Bestandsoptimierung
Baker Hughes: Enterprise AI zur Bestandsoptimierung. Abgerufen am 4. November 2026. [29] Ankündigung der Generative AI Product Suite
Ankündigung der Generative AI Product Suite. 2023-01-31; abgerufen am 4. November 2026. [30] Ankündigung der allgemeinen Verfügbarkeit von C3 Code
Ankündigung der allgemeinen Verfügbarkeit von C3 Code. 2026-04-08; abgerufen am 4. November 2026. [31] Ergebnisse des ersten Quartals des Geschäftsjahres 2027
Ergebnisse des ersten Quartals des Geschäftsjahres 2027. 2026-09-02; abgerufen am 4. November 2026. [32] Verlängerung des Gemeinschaftsunternehmens mit Baker Hughes
Verlängerung des Gemeinschaftsunternehmens mit Baker Hughes. 2025-05-28; abgerufen am 4. November 2026. [33] Methoden des M5-Wettbewerbs, festgelegte Revision
Methoden des M5-Wettbewerbs, festgelegte Revision. Abgerufen am 4. November 2026. [34] Fall zu Nachfrage- und Produktionsplanung im Agrargeschäft
Fall zu Nachfrage- und Produktionsplanung im Agrargeschäft. Abgerufen am 4. November 2026.