Kontakt

Bewertung von ClearOps, Anbieter von Aftersales-Intelligence-Software

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

Zurück zur Marktforschung

ClearOps liefert Software für Maschinenhersteller und ihre Händlernetze. Sie verbindet Händlermanagementsysteme, plant Ersatzteilbestände und Nachschub, findet Teile bei anderen Händlern und koordiniert Werkstatt- und Technikereinsätze. Eine separate Planungsanwendung auf Celonis-Basis nutzt Betriebsdaten, um Nachschubvorschläge zu untersuchen und zu erklären; genehmigte Entscheidungen werden in Unternehmenssysteme zurückgeschrieben. 1 2 4 8

Gesamtbewertung der Supply Chain: 4,8/10.

Dimension Bewertung
Fachliche Tiefe in der Supply Chain 4,8/10
Substanz der Entscheidungen und Optimierung 5,4/10
Integrität von Produkt und Architektur 4,8/10
Technische Transparenz 4,6/10
Seriosität des Anbieters 4,4/10

ClearOps bearbeitet schwierige operative Aufgaben: Händlerverbindungen pflegen, Teileidentitäten abgleichen und Nachschubentscheidungen über fragmentierte Servicenetze hinweg erzeugen. Auch die Bestandsmethodik hat mehr Substanz als eine allgemeine KI-Behauptung. Die Schwäche liegt im wirtschaftlichen Ziel: Konfigurierbare Serviceziele und Bestandsrichtlinien bleiben zentral, während Maschinenstillstandskosten, unsichere künftige Lieferungen und Abwägungen im gesamten Servicesystem viel weniger deutlich werden. 3 5 14

Die Darstellung als agentisches System wirft eine andere Frage auf. Eine vorhandene Berechnung zu erklären kann Untersuchungszeit sparen, belegt aber weder bessere numerische Entscheidungen noch den Wegfall der laufenden Pflege von Richtlinien und Integrationen. ClearOps hat konventionelle Automatisierung dokumentiert, die als Ausgangsbasis für die Bewertung seiner neueren Agenten dienen sollte. Deren zusätzlicher wirtschaftlicher Nutzen und Arbeitsgewinn sind öffentlich noch nicht gemessen. 7 9

ClearOps im Vergleich mit Lokad

ClearOps beginnt bei einer organisatorischen Grenze: dem Hersteller, seinen unabhängigen Händlern, ihren Systemen und ihren Serviceaufgaben. Lokads Ansatz zur Bestandsoptimierung beginnt bei numerischen Entscheidungen und ihren wirtschaftlichen Folgen unter unsicherer Nachfrage und Versorgung. ClearOps besitzt spezifisches Know-how, um nutzbare Daten durch Händlernetze zu transportieren; anspruchsvoller wird der Vergleich bei der Frage, was mit diesen Daten geschehen soll. 3

Man denke an ein günstiges Teil, dessen Fehlen eine teure Maschine stilllegt. Ein Fill-Rate-Ziel für einen Cluster kann den Bestand häufig nachgefragter Teile begünstigen und zugleich eine selten benötigte Komponente mit gravierenden Stillstandsfolgen unterbewerten. Umgekehrt kann die Erhöhung aller Serviceziele Kapital in wirtschaftlich kaum gerechtfertigten Artikeln binden. Das maßgebliche Ziel sollte die Folgen jedes Fehlbestands, jeder Reparaturverzögerung, Substitution, Umlagerung und zusätzlichen Bestandseinheit bewerten. Die veröffentlichte Bestandsformulierung von ClearOps nennt Kosteneingaben und Servicebedingungen, aber nicht diese vollständige wirtschaftliche Berechnung. 5

Die in Einführung in die Supply Chain entwickelte Perspektive betrachtet Software zudem als fortlaufenden Prozess zur Verbesserung von Entscheidungen. In einem Händlernetz gehören dazu die Pflege von Teilezuordnungen, Regeländerungen, Ergebnisprüfungen und die Wiederherstellung fehlgeschlagener Transaktionen. Schnellere Vorschlagsprüfungen sind nur als Teil dieser umfassenderen Produktivitätsrechnung nützlich. Die folgenden Kundenbelege dokumentieren Integrationsarbeit deutlicher als eine gemessene Senkung ihrer Gesamtkosten.

Historie: Vernetzung, Optimierung und die Neupositionierung als KI

Genpact führt die Produktidee auf ein AGCO-Beratungsprojekt von 2014 zurück und beschreibt die Entstehung eines eigenständigen ClearOps-Geschäfts im Jahr 2020. Barkawis Portfolio datiert das SaaS-Angebot auf 2016. Diese Darstellungen beschreiben unterschiedliche Phasen derselben kommerziellen Entwicklung: Beratung, eine eingesetzte Anwendung und ein eigenständiges Unternehmen. 17 22

Zeitraum Öffentlich vertretene Richtung Beleg und Bedeutung
2022 IoT-gestützte Vernetzung und Serviceausführung. Eine Unternehmensmitteilung nannte fünf Millionen täglich geplante Teile und 30.000 wöchentlich verarbeitete Aufträge. Das waren Aktivitätszahlen, keine gemessene Entscheidungsqualität.
September 2022 Partnerschaft von ClearOps und PTC Servigistics. Die Ankündigung ordnete ClearOps die nachgelagerte Vernetzung und Servigistics die mehrstufige Optimierung zu.
2025 Partnerschaften mit Genpact und Celonis. Genpact beschrieb einen Übergang zum „Big Data Hyperscaler“; Celonis ergänzte Process Intelligence und die Erzählung eines digitalen Zwillings.
November 2025 Inventory Planning 2.0 mit der TUM. Eine offengelegte Änderung des Nachschubalgorithmus mit einem definierten Ziel unter Servicebedingungen.
Mai 2026 Serie-A-Finanzierung über 8,6 Millionen Euro. Die erste institutionelle Runde unter Führung von Hitachi Ventures mit Schoeller Group und Barkawi Group finanzierte Expansion und weitere KI-Entwicklung.
2026 Agentische Planung und ClearWhy AI. Der sichtbare neue Mechanismus erklärt und untersucht Planungsergebnisse; die ERP-Ausführung setzt Genehmigungen voraus.

Quellen: 23 15 17 16 5 18 9.

Der Fokus auf das Ersatzteil- und Servicegeschäft ist beständig, und die Algorithmusarbeit stellt eine substanzielle Produktänderung dar. Die begleitende Sprache wächst dennoch schneller als die Belege. Hyperscaler, digitaler Zwilling und agentische Plattform bezeichnen sehr unterschiedliche technische Angebote. Ein Schnittstellennetz wird nicht zum Hyperscaler, weil es viele Datensätze verarbeitet. Eine Darstellung vergangener Abläufe belegt keine genauen Prognosen künftiger Ausfälle, Reparaturen oder Lieferungen. 17 16

Die PTC-Ankündigung von 2022 verwendete bereits KI- und Machine-Learning-Begriffe, insbesondere für Servigistics. Diese Fähigkeiten gehören zum benannten Partner und zur damaligen Produktgeneration. Die heutige eigene Planung und Celonis-Anwendung von ClearOps müssen gesondert bewertet werden; die frühere Partnerschaft belegt nicht, wie ihre jetzigen Algorithmen arbeiten. Die untersuchten Unterlagen zeigen beträchtliche Kontinuität bei der Integration, aber keine öffentliche technische Erklärung, die die unterschiedlichen Planungsengines zu einer gemeinsam gepflegten Architektur verbindet. 15 5 8

Der numerische Entscheidungsprozess

Prognosen und Nachschubrichtlinien

Retail Inventory Management übernimmt Teilestammdaten, Ersetzungen, Bestände und Aufträge. Es klassifiziert Artikel, prüft mehr als 20 Prognosemodelle je SKU und Standort und bestimmt Sicherheitsbestände, Meldebestände und Bestellmengen. Freigegebene Bestellungen können über Dateien oder APIs in Händler- oder Herstellersysteme gelangen. Teilesuche und Aktionsverwaltung ergänzen diesen Planungsprozess. 2

Die Zahl der Modelle sagt wenig über die Prognosequalität aus. Sinnvolle Prüfungen betreffen sporadische Nachfrage im tatsächlichen Entscheidungshorizont, die Kalibrierung der Unsicherheit, unbeobachtete Nachfrage bei Fehlbeständen und den Einfluss von Prognosefehlern auf die Nachschubwirtschaftlichkeit. Das Modell mit dem kleinsten historischen Fehler kann weiterhin schlechte Bestandsentscheidungen liefern, wenn Fehlmengen- und Überschusskosten asymmetrisch sind.

Das im November 2025 angekündigte Inventory Planning 2.0 wurde mit Stefan Minner und Patrick Helm von der TUM entwickelt. Die veröffentlichte Beschreibung ist konkret: Eine periodisch überprüfte Bestellpolitik wählt Meldebestände und Mengen gemeinsam innerhalb von Produktsegmenten, minimiert Kosten unter Fill-Rate-Vorgaben für Artikel und Cluster und berücksichtigt Lager- und Budgetbeschränkungen. Ihr Modell sporadischer Nachfrage macht die Nachfragewahrscheinlichkeit von der seit der vorherigen Bestellung vergangenen Zeit abhängig. 5

Das ist substanzielle Bestandsoptimierung. Gemeinsame Segmententscheidungen können Bestände wirksamer verteilen als unabhängige feste Puffer. Die Formulierung lässt das Serviceziel dennoch als steuernde Eingabe bestehen. Eine gewichtete Fill Rate bewertet erfüllte Einheiten nach ihrem Gewichtungsschema; sie bewertet nicht automatisch Maschinenstillstand, Vertragsstrafen, Kundenbindung oder konkurrierende Reparaturalternativen. Auch Segmentgrenzen können verhindern, dass eine knappe Ressource dort im Netz eingesetzt wird, wo sie am wertvollsten wäre.

Die veröffentlichte Methode lässt die Wahrscheinlichkeitsverteilung künftiger Wiederbeschaffungszeiten und gelieferter Mengen offen. Eine feste Lieferzeit ist bei langsam drehenden Teilen besonders folgenreich: Häufig besteht das Risiko darin, dass eine seltene Nachfrage während einer ungewöhnlich langen Wiederbeschaffungsverzögerung auftritt. Genauere Nachfrageprognosen gleichen es nicht aus, wenn diese Verzögerung als bekannt behandelt wird. Der Planer-Essay von ClearOps aus September 2026 kritisiert statische Annahmen zu Lieferantenlieferzeiten, legt aber die von den Produkten verwendete Lieferverteilung nicht offen. 5 10

Auch der Mechanismus der Zeit seit der letzten Bestellung braucht empirische Prüfung. Eine steigende Nachfragewahrscheinlichkeit ist eine Modellannahme, keine allgemeine Eigenschaft sporadisch benötigter Serviceteile. Änderungen der installierten Basis, Wartungspläne und die Ausmusterung von Anlagen können den Zusammenhang verändern. Die öffentliche Beschreibung legt weder das Kalibrierungsverfahren noch seine Empfindlichkeit gegenüber solchen Änderungen offen. 5

Automatische Veröffentlichung gab es bereits

Ein Supportartikel von Juli 2025 dokumentiert Auto Publish: Ein geplanter Nachschublauf sendet erzeugte Aufträge ohne manuelle Prüfung an den Bereich Dealer Management. Zur Aktivierung ist eine standortspezifische Jobinstanz nötig, die den Standard-Nachschubjob ersetzt. Der Artikel nennt die interne Python-Funktion replenishment_planning.PublishCreatedOrders. Dokumentiert ist die Veröffentlichung in Dealer Management, nicht der unbeaufsichtigte Abschluss sämtlicher nachgelagerter Einkaufstransaktionen. 7

Das ist nützliche Automatisierung mit einem konkreten Konfigurationsmechanismus. Sie setzt zugleich eine Ausgangsbasis: Ein neuer Agent sollte zusätzlich entfallende Arbeit, bessere Entscheidungen oder einen sichereren Umgang mit Ausnahmebedingungen nachweisen. Einen Planer zum Orchestrator umzubenennen misst keine dieser Verbesserungen.

Der agentische Anspruch: Erklärungen um einen vorhandenen Algorithmus

Die aktuelle Celonis-Anwendung verbindet über MCP einen Planungsagenten mit dem Celonis Context Model. Er untersucht Ausnahmen, liefert Erklärungen und schreibt genehmigte Entscheidungen innerhalb angegebener Grenzen mit Prüfprotokoll ins ERP. Die Anwendung baut auf der Celonis-Umgebung des Kunden auf und ersetzt diese Plattform nicht eigenständig. 8

MCP ist hier ein Warnsignal, weil der beworbene Fortschritt darin besteht, einem Agenten Zugriff auf denselben Kontext und dieselben Aktionen wie einem Planer zu geben. Werkzeuge zu verbinden ist ein bescheidener Entwicklungsschritt im Vergleich zum Entwurf einer wirtschaftlich fundierten Entscheidungslogik. Die öffentlichen Unterlagen belegen nicht, dass diese Verbindung das Optimierungsziel verändert, Lieferunsicherheit modelliert oder individuelle Urteile in großem Maßstab überflüssig macht.

ClearOps beschreibt ClearWhy AI im September 2026 als funktionsfähigen Prototyp für einen Celonis/AWS-Hackathon. Die Arbeitsteilung ist klar: Der Planungsalgorithmus berechnet die Entscheidung, die KI erklärt sie. Beispiele betreffen die Einflussgrößen eines Meldebestands und einer wirtschaftlichen Bestellmenge. Der erwartete Nutzen sind weniger manuelle Untersuchungen und weniger vorsorgliche Übersteuerungen; eine nachgewiesene Verbesserung des zugrunde liegenden Algorithmus ist es nicht. 9

Der Hackathon-Veranstalter nennt AWS Bedrock Agents und mögliche Senkungen des Betriebskapitals um 25% und der Betriebskosten um 20%. Das sind Zukunftsversprechen für einen Erklärungsprototyp ohne benannten Einsatz, Vergleichsgruppe oder Kostenrechnung. Der Gewinn eines Entwicklungswettbewerbs belegt keines dieser wirtschaftlichen Ergebnisse. 24

Erklärbarkeit hat eine weitere Grenze. Eine flüssige Erklärung, warum ein Serviceziel zu einer bestimmten Menge führt, kann die Freigabe erleichtern, obwohl das Ziel wirtschaftlich falsch bleibt. ClearOps argumentiert, Vertrauen sei zum Engpass geworden, sobald die Prognosen gut genug waren. Diese Diagnose braucht Belege: Waren abgelehnte Empfehlungen tatsächlich besser, gemessen an welcher Verlustfunktion und nach welchen Betriebskosten? Der veröffentlichte Bericht enthält keine solche Auswertung. 9

Der spätere Planer-Essay erkennt ausdrücklich an, dass Datenzugriff allein nicht genügt, und behandelt Ziele, Berechtigungen, Beschränkungen, Rückmeldungen und Lieferänderungen. Das sind angemessene Anliegen. Sein Beispiel einer Umlagerung nach einer verspäteten Lieferung ist ein vorgeschlagener Agentenablauf, kein gemessenes Kundenergebnis. Die Lücke liegt zwischen diesem Gestaltungsanspruch und einem wiederholbaren Entscheidungssystem, dessen Qualität und Arbeitsbedarf prüfbar sind. 10

Kundenergebnisse und ihre wirtschaftliche Bedeutung

Die Kundenfälle beschreiben, wie Händlerdaten, Teileplanung und Serviceausführung praktisch zusammenwirken.

Kunde Dokumentierte Arbeit Grenze der Aussagekraft
AGCO Mehr als 2.000 Händlerstandorte und 50 DMS-Integrationen; angepasste Nachschub- und Serviceabläufe; laufender Betrieb und Datenpflege. Genannte Ergebnisse sind eine um 20% bessere Fill Rate, 15% höhere Teileumsätze und 9% weniger unbewegter Bestand. Es fehlen Kennzahlendefinitionen, Vergleichszeiträume sowie gesamte Einführungs- und Betriebskosten.
Terex Telematikdaten fließen in Servicetermine und Arbeitsauftragsvorschläge ein; geplante Services speisen die Teileplanung; EDI- und Webservice-Schnittstellen übertragen Aufträge. Die gemeldeten betrieblichen Verbesserungen enthalten kein beziffertes wirtschaftliches Nettoergebnis.
Jungheinrich Automatische Stammdatenaktualisierung und Nachschub von mehreren Lieferanten über gleichzeitige See- und Luftlieferströme. Der Fall erklärt das Integrationsproblem, aber weder das Unsicherheitsmodell noch eine gemessene finanzielle Rendite.
Lippert Abgleich verschiedener Lieferantenteilenummern für dieselbe physische Komponente, Stammdatensynchronisierung und Ableitung von Servicestücklisten aus der Auftragsgeschichte. Abgleich und Konfiguration werden beschrieben, ohne Genauigkeit oder Nettoeinsparungen zu messen.

Quellen: 11 12 13 14.

Diese Fälle stützen einen realen technischen Nutzen: Teileidentität, Servicekontext und Integrationsfehler zu klären kann den Betrieb schon vor anspruchsvoller Optimierung verbessern. Zugleich erschweren sie die Ergebniszuordnung. Höhere Teileumsätze des Herstellers können auf bessere Verfügbarkeit, eine breitere Einführung oder die Verlagerung von Händlerkäufen zum Hersteller zurückgehen. Sie sind nicht automatisch gleichbedeutend mit niedrigeren gesamten Servicekosten oder höheren Gewinnen aller Beteiligten.

Ebenso kann eine bessere Fill Rate aus höheren Bestandsinvestitionen entstehen. ClearOps berichtet in der Algorithmusauswertung von September 2026 von mehr als 10% höheren Cluster-Fill-Rates, 27% besserer Erreichung der Clusterziele und über 15% weniger Auftragsänderungen. Das sind nützliche Vergleichsindikatoren, doch Stichprobe, Gewichtung, Änderung der Bestandskosten und Auswertungsprotokoll fehlen, um eine wirtschaftliche Verbesserung festzustellen. Auch weniger Übersteuerungen brauchen eine Qualitätsprüfung: Weniger Korrekturen sind nur dann wünschenswert, wenn die unveränderten Entscheidungen besser sind. 6

Softwarekomponenten und betriebliche Grenzen

Die öffentlichen Belege zeigen mehrere Schichten mit unterschiedlichen Verantwortlichkeiten.

Schicht Beleg Folgen für Verantwortung und Wartung
Anwendungsentwicklung Eine Arbeitgeberanzeige von 2024 beschreibt Java/Kotlin-Backends und React-Microfrontends in TypeScript. Serverlogik und mehrere Clientkomponenten benötigen abgestimmte Schnittstellen, Tests und Aktualisierungen.
Nachschubjobs Der Supportartikel nennt eine Python-Funktion zur Jobsteuerung. Jobs und Standortkonfiguration bilden eine weitere zu pflegende Ausführungsgrenze.
Cloudbetrieb ClearOps nennt AWS-Hosting in vier Regionen. Ein aktueller DevOps-Ingenieur beschreibt Arbeit mit Kubernetes, Terraform, Ansible und CI/CD. Cloudkonfiguration, Orchestrierung und automatisierte Bereitstellung erfordern laufendes Betriebswissen.
Celonis-Anwendung Planung und Agenten nutzen Celonis-Kontext sowie bei ClearWhy AWS Bedrock. Der kombinierte Dienst hängt sowohl von der Planungsimplementierung als auch von der Trägerplattform ab.
Frühere PTC-Vereinbarung Servigistics liefert in der Partnerschaft von 2022 die Optimierungsfunktion. Die Verantwortung für eine Entscheidung hängt davon ab, welches Planungsprodukt eingesetzt wird.

Quellen: 19 7 21 20 8 24 15.

Das ist bereits genug technische Masse, um Schnittstellenverantwortung und Versionskompatibilität zu wesentlichen Kostenfaktoren zu machen. Die verfügbaren Belege nennen keine gemeinsame Datenbanktopologie und erklären nicht, wie eigene Planung, Celonis und Servigistics Modelle und Konfiguration teilen. Die nützliche Architekturfrage lautet, welche Komponenten ein konkreter Kunde betreiben und bezahlen muss und wie eine geänderte Teiledefinition oder Planungsrichtlinie zwischen ihnen weitergegeben wird.

Das Vernetzungsprodukt von ClearOps beschreibt einen Datenhub, ein Uploadportal für nicht integrierte Händler, Konnektorvorlagen und einen Abfragerouter. Es erkennt ausdrücklich an, dass Händleranbindung laufende Arbeit ist: neue Händler, geänderte Systeme, Beziehungspflege und lokale Einführung. Aktuell nennt es mehr als 100 integrierte ERP/DMS-Systeme und 2.500 verbundene Standorte. Die Zahl der Schnittstellen belegt Abdeckung; sie beseitigt die Wartungspflicht nicht. 3

Sicherheitsmechanismen

Das Trust Center nennt automatische Überwachung, Eindring- und Dateiintegritätsprüfungen sowie CI/CD-Scans, die schwerwiegende Probleme vor der Veröffentlichung blockieren sollen. Es nennt außerdem AWS-Optionen für den Datenstandort. Das sind operative Mechanismen, doch sie zeigen nicht die präventiven Grenzen, die für einen zum Schreiben von Aufträgen berechtigten Agenten zählen: Mandantentrennung, eng begrenzte Zugangsdaten, zulässige Aktionen, Beschränkungen ausgehender Daten und Wiederherstellung nach kompromittierter Ausführung. 21

Die Celonis-Beschreibung verspricht Grenzen und Prüfprotokolle. Sie erklärt nicht, wo diese Grenzen unabhängig vom Agenten durchgesetzt werden oder was eine manipulierte Werkzeugantwort daran hindert, eine unbefugte Aktion auszulösen. Zertifizierung und ein Protokoll vergangener Schreibzugriffe beantworten diese Entwurfsfrage nicht. 8

Konfigurationspflege, Arbeitsproduktivität und Verantwortung

Integrations- und Bestandsrichtlinienschicht von ClearOps erzeugen zwei fortlaufende Arbeitsbereiche. Händlerschemata, Teileersetzungen und Servicehistorien müssen konsistent bleiben. Planungssegmente, Ziele, Bestellkosten und Ausnahmeregeln müssen wirtschaftlich angemessen bleiben. Die Berechnung zu automatisieren automatisiert nicht die Entscheidungen darüber, was sie bedeuten soll. 3 5

Der AGCO-Fall umfasst ausdrücklich 24/7-Softwarebetrieb, Datenpflege und Support. Genpact beschreibt eine über viele Jahre aufgebaute Verbindung von Software und Dienstleistung. Solche Vereinbarungen können Arbeit übernehmen, die sonst beim Kunden anfiele. Sie gehört jedoch in die Gesamtbetriebskosten, neben Lizenzen, Händleranbindung, Kundenpersonal und etwaigen zusätzlichen Plattformabonnements. Die öffentlichen Fälle liefern diese Rechnung nicht. 11 17

Workshop and Technician Management zeigt eine andere Produktivitätsverbesserung: eine gemeinsame Planungstafel, mobile Arbeitsauftragsausführung auch offline und Spracherkennung für die Dokumentation. Das ERP behält den zentralen Datensatz, während ClearOps Servicezuordnungen und Ausführungsdetails verwaltet. Diese Funktionen können Schreibarbeit für Techniker reduzieren. Sie belegen nicht, dass der Zeitplan Stillstandskosten minimiert oder Teile und Personal unter Unsicherheit koordiniert. 4

Für Planung liegt die angemessene Erwartung nach 2022 weit über einer schnelleren Prüfung derselben Vorschläge. Das Betriebsmodell sollte gewöhnliche Entscheidungen in großem Maßstab bearbeiten und die Verbesserung der Logik günstiger machen. Die öffentlichen Belege von ClearOps zeigen keine versionierten Richtlinienänderungen, historischen Entscheidungswiederholungen, wirtschaftlichen Regressionstests oder Rücknahme einer schädlichen Planungsänderung. Zielpflege und Ausnahmeuntersuchung können daher ein erheblicher Teil des Betriebsmodells bleiben. 2 7 10

Verantwortung sollte zwischen einem Datenintegrationsfehler, einem schlechten wirtschaftlichen Ziel, einer falsch kalibrierten Prognose und der Abweichung eines Kunden von einer vereinbarten Richtlinie unterscheiden. Eine Erklärung, die einen Planer zur Freigabe bewegt, belegt nicht die Wirtschaftlichkeit des Auftrags. ClearOps veröffentlicht Kundenvorteile und erwartete Agentenvorteile, aber keine Leistungsabnahmekriterien oder vertraglichen Abhilfen, die an wirtschaftliche Nettoerträge gebunden sind. 11 9 24

Supply-Chain-Bewertung

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

Fachliche Tiefe in der Supply Chain

Kriterium Bewertung
Wirtschaftliche Problemstellung 5/10
Ergebnis als ausführbare Entscheidung 6/10
Begriffliche Präzision in der Supply Chain 6/10
Unabhängigkeit von überholten Leitdoktrinen 3/10
Widerstandsfähigkeit gegen KPI-Theater 4/10

Durchschnitt: 4,8/10.

Wirtschaftliche Problemstellung — 5/10. Kosten spielen in der Formulierung eine Rolle, doch das Serviceziel bewertet nicht automatisch Maschinenstillstand oder konkurrierende Kapitalverwendungen. Das wirtschaftliche Ziel bleibt unvollständig. 5

Ergebnis als ausführbare Entscheidung — 6/10. Der Betriebsentwurf reicht bis zu Nachschub und Serviceausführung. Das Vertrauen wird durch den fehlenden Gesamtüberblick über unbeaufsichtigte Entscheidungen, Ausnahmen und Wiederherstellung begrenzt. 7 12

Begriffliche Präzision in der Supply Chain — 6/10. Teileidentität, installierte Anlagen und unregelmäßige Nachfrage werden konkret behandelt. Die gemeinsame Unsicherheit künftiger Nachfrage und Lieferanteneingänge bleibt unzureichend erklärt. 5 14

Unabhängigkeit von überholten Leitdoktrinen — 3/10. Segmente und Serviceziele bestimmen weiterhin die Bestandspolitik. Ihre Ergebnisprüfung in einen Agentenablauf zu verlagern lässt die wirtschaftlichen Grenzen unverändert. 5 8

Widerstandsfähigkeit gegen KPI-Theater — 4/10. Den veröffentlichten Verbesserungen fehlen Definitionen und Kostenänderungen, um sie verlässlich mit Gewinn zu verbinden. Weniger Übersteuerungen und bessere Zielerreichung sind Zwischenkennzahlen. 6 11

Substanz der Entscheidungen und Optimierung

Kriterium Bewertung
Tiefe der probabilistischen Modellierung 5/10
Eigenständige Substanz in Optimierung oder ML 6/10
Berücksichtigung realer Beschränkungen 6/10
Entscheidungsautomatisierung und Arbeitsproduktivität 5/10
Robustheit gegenüber realer betrieblicher Komplexität 5/10

Durchschnitt: 5,4/10.

Tiefe der probabilistischen Modellierung — 5/10. Der Nachfragemechanismus ist spezifischer als eine allgemeine KI-Prognose. Seine Kalibrierung, Abhängigkeitsstruktur und Verbindung mit unsicherer Versorgung sind nicht prüfbar. 5

Eigenständige Substanz in Optimierung oder ML — 6/10. Die offengelegte Bestandsmethode liefert algorithmische Substanz. Die neuere Erklärungsschicht sollte getrennt von Verbesserungen der numerischen Entscheidungsregel bewertet werden. 5 9

Berücksichtigung realer Beschränkungen — 6/10. Die Planung reicht über unabhängige Puffer hinaus und berücksichtigt operative Grenzen. Segmentgrenzen und der Umgang mit wirtschaftlicher Konkurrenz im gesamten Netz bleiben Einschränkungen. 5 13

Entscheidungsautomatisierung und Arbeitsproduktivität — 5/10. Konkrete Automatisierung ist vorhanden, doch der gesamte Arbeitsaufwand für Konfiguration, Ausnahmebehandlung und Wartung ist nicht gemessen. Besonders unsicher ist der zusätzliche Nutzen von Agenten. 7 9 11

Robustheit gegenüber realer betrieblicher Komplexität — 5/10. Benannte Einsätze zeigen erhebliche Integrationsanforderungen. Die Fälle messen kaum die Entscheidungsqualität bei Störungen, die Wiederherstellung nach Teilausführung oder den Weg von einem schlechten Auftrag zu einer getesteten Änderung der Planungslogik. Eine Erklärung allein löst diese Verbesserungsarbeit nicht. 11 12 13

Integrität von Produkt und Architektur

Kriterium Bewertung
Architektonische Kohärenz 5/10
Klarheit der Systemgrenzen 6/10
Ernsthaftigkeit beim Thema Sicherheit 4/10
Software-Sparsamkeit und Gesamtbetriebskosten 4/10
Eignung für programmatische und agentengestützte Abläufe 5/10

Durchschnitt: 4,8/10.

Architektonische Kohärenz — 5/10. Die Aftersales-Funktionen passen zu einem stimmigen betrieblichen Bedarf. Mehrere Planungskonstellationen lassen offen, welche Daten, Richtlinien und Laufzeitkomponenten gemeinsam genutzt werden. 2 8 15

Klarheit der Systemgrenzen — 6/10. Die Aufteilung zwischen Händlersystemen, ClearOps und Trägerplattformen ist im Groben verständlich. Transaktionsverantwortung, fehlgeschlagene Schreibzugriffe und Richtliniensynchronisierung brauchen präzisere Vereinbarungen. 3 4 8

Ernsthaftigkeit beim Thema Sicherheit — 4/10. Überwachung und Freigabeprüfungen behandeln erkannte Probleme. Die öffentlichen Beschreibungen belegen nicht die Isolations- und Berechtigungsgrenzen, die Agenten oder kompromittierte Abhängigkeiten vom Zugriff auf fremde Daten und Aktionen abhalten. 21 8

Software-Sparsamkeit und Gesamtbetriebskosten — 4/10. Integrationsabdeckung erzeugt eine dauerhafte betriebliche Verpflichtung. Für die Kombination aus Anwendungskomponenten, Clouddiensten und optionalen Partnerplattformen fehlt eine veröffentlichte Lebenszykluskostenrechnung. 3 19 20

Eignung für programmatische und agentengestützte Abläufe — 5/10. Programmatische Ausführung wird unterstützt, doch Vernetzung allein belegt weder sichere autonome Entscheidungen noch einen effizienten Prozess zur Überarbeitung ihrer Logik. 7 8

Technische Transparenz

Kriterium Bewertung
Öffentliche technische Dokumentation 5/10
Prüfbarkeit ohne Vermittlung des Anbieters 4/10
Sichtbarkeit von Portabilität und Anbieterbindung 3/10
Transparenz der Einführungsmethode 6/10
Belegdichte hinter technischen Behauptungen 5/10

Durchschnitt: 4,6/10.

Öffentliche technische Dokumentation — 5/10. Methodenerklärungen und ein operativer Supportartikel legen nützliche Mechanismen offen. Modellvalidierung, APIs und Laufzeitgrenzen werden viel weniger detailliert behandelt. 5 7

Prüfbarkeit ohne Vermittlung des Anbieters — 4/10. Die öffentlichen Unterlagen erlauben eine funktionale Bewertung. Die Bestandsauswertung nachzustellen oder den Agenten zu testen erfordert Zugang, den die veröffentlichten Informationen nicht bieten. 6 9

Sichtbarkeit von Portabilität und Anbieterbindung — 3/10. Bestehende Unternehmenssysteme zu behalten begrenzt den Ersatzumfang. Die Portabilität von Planungskonfiguration, historischen Entscheidungen und in Partnerplattformen eingebetteter Logik bleibt offen. 3 8

Transparenz der Einführungsmethode — 6/10. Kundenfälle und Vernetzungsdokumentation machen laufende Einführung und Datenarbeit deutlich. Personalbedarf, wiederkehrende Kosten und Abnahmekriterien bleiben weit weniger konkret. 3 11 17

Belegdichte hinter technischen Behauptungen — 5/10. Bestands- und Integrationsaussagen sind konkret gestützt. Stärkere Versprechen autonomer Produktivität und wirtschaftlicher Erträge beruhen auf erwarteten Vorteilen und unvollständigen Auswertungen. 5 14 24

Seriosität des Anbieters

Kriterium Bewertung
Technische Ernsthaftigkeit der öffentlichen Kommunikation 4/10
Integrität der technologischen Roadmap 5/10
Begriffliche Präzision 5/10
Wirtschaftliche Verantwortung 4/10
Beständigkeit der Vorteile in einer agentischen Softwarewelt 4/10

Durchschnitt: 4,4/10.

Technische Ernsthaftigkeit der öffentlichen Kommunikation — 4/10. Konkrete technische Beschreibungen stehen neben weitreichenden KI-, Hyperscaler- und Autonomieversprechen. Letztere übersteigen die offengelegten Messungen numerischer Qualität und betrieblichen Aufwands. 17 9 24

Integrität der technologischen Roadmap — 5/10. Der Aftersales-Fokus und die Bestandsmethode zeigen Kontinuität und substanzielle Entwicklung. Der Zusammenhang aufeinanderfolgender Partnerarchitekturen mit dem neueren agentischen Versprechen ist schwach dokumentiert. 15 5 8

Begriffliche Präzision — 5/10. Die fachlichen Probleme sind gut erkannt. Erklärung und Vertrauen als Hauptengpass zu behandeln kann ein falsches Ziel oder unzureichend modellierte Unsicherheit vernachlässigen. 14 9

Wirtschaftliche Verantwortung — 4/10. Die berichteten betrieblichen Vorteile reichen nicht aus, um realisierte Nettoerträge nachzurechnen. Wer für eine wirtschaftlich schlechte, aber korrekt ausgeführte Richtlinie verantwortlich ist, bleibt unbestimmt. 11 17 24

Beständigkeit der Vorteile in einer agentischen Softwarewelt — 4/10. Händleranbindung und Teilewissen können ihren Wert behalten. Ein Agent, der übernommene Richtlinien erklärt, bietet einen schwächeren Vorteil, sofern er nicht zugleich Betriebs- und Verbesserungsarbeit in großem Maßstab reduziert. 3 9 14

Quellen

Quellen geprüft am 4. November 2026.

[1] Überblick über die ClearOps-Plattform

Überblick über die ClearOps-Plattform. Aktueller Produktumfang.

[2] Retail Inventory Management

Retail Inventory Management. Eigene Bestandsplanung für Händler und Ausführungsablauf.

[3] Vernetzung von OEM und Händlern

Vernetzung von OEM und Händlern. Integrationsmechanismen, Umfang und laufende Vernetzungsarbeit.

[4] Werkstatt- und Technikerverwaltung

Werkstatt- und Technikerverwaltung. Werkstattplanung, mobile Ausführung und ERP-Grenze.

[5] Inventory Planning 2.0, entwickelt mit der TUM

Inventory Planning 2.0, entwickelt mit der TUM. Veröffentlichte Bestandsmethode und Forschungszusammenarbeit.

[6] Auswertung der Bestandsplanung und CNA-Nominierung

Auswertung der Bestandsplanung und CNA-Nominierung. Berichtete Algorithmusauswertung und Kennzahlen.

[7] Auto Publish für die Nachschubplanung

Auto Publish für die Nachschubplanung. Öffentlicher Supportartikel zum Betrieb; der Umfang ist die automatische Veröffentlichung in Dealer Management.

[8] Ersatzteilplanung mit Celonis

Ersatzteilplanung mit Celonis. Aktuelle Celonis-Anwendung, MCP-Verbindung und genehmigte ERP-Ausführung.

[9] ClearWhy AI: Prototyp für Erklärbarkeit

ClearWhy AI: Prototyp für Erklärbarkeit. Erklärungsprototyp von September 2026 und beabsichtigter Produktivitätsmechanismus.

[10] Vom Bediener zum Orchestrator

Vom Bediener zum Orchestrator. Vorgeschlagene künftige Arbeitsteilung in der Planung zwischen Agenten und Menschen.

[11] Kundenfall AGCO

Kundenfall AGCO. Einführung bei AGCO, berichtete Ergebnisse und laufender Support.

[12] Kundenfall Terex

Kundenfall Terex. Service- und Nachschubimplementierung bei Terex.

[13] Kundenfall Jungheinrich

Kundenfall Jungheinrich. Stammdaten- und Mehrlieferantenintegration bei Jungheinrich.

[14] Kundenfall Lippert

Kundenfall Lippert. Teileidentität und Servicekonfiguration bei Lippert.

[15] Servicepartnerschaft von PTC und ClearOps

Servicepartnerschaft von PTC und ClearOps. Partnerankündigung von 2022; damalige Rollen von ClearOps und Servigistics.

[16] Ankündigung der Partnerschaft von ClearOps und Celonis

Ankündigung der Partnerschaft von ClearOps und Celonis. Partnerschaft von 2025 und Aussagen zu Process Intelligence.

[17] Genpact-Partnerschaft und Produktgeschichte

Genpact-Partnerschaft und Produktgeschichte. Partnerdarstellung von Ursprung, Produktentwicklung und Dienstleistungsbeziehung.

[18] Serie-A-Finanzierung von ClearOps

Serie-A-Finanzierung von ClearOps. Finanzierungsankündigung von Mai 2026.

[19] Arbeitgeberanzeige für Full-Stack-Entwickler

Arbeitgeberanzeige für Full-Stack-Entwickler. Arbeitgeberanzeige vom 9. April 2024, im öffentlichen Suchindex erhalten; beschreibt Aufgaben der Anwendungsentwicklung.

[20] Berufliche Website eines ClearOps-DevOps-Ingenieurs

Berufliche Website eines ClearOps-DevOps-Ingenieurs. Beschreibung aktueller DevOps-Aufgaben aus erster Hand.

[21] Trust Center und Sicherheitsmechanismen

Trust Center und Sicherheitsmechanismen. Aktuelle Beschreibungen von Hosting und Sicherheitskontrollen.

[22] Unternehmensportfolio von Barkawi

Unternehmensportfolio von Barkawi. Beschreibung im Portfolio der Muttergesellschaft und SaaS-Historie.

[23] Unternehmensmitteilung von ClearOps

Unternehmensmitteilung von ClearOps. Unternehmensmitteilung von März 2022.

[24] Ergebnisse des Celonis- und AWS-Hackathons

Ergebnisse des Celonis- und AWS-Hackathons. Veranstalterbericht über den Wettbewerb von 2026 und erwartete Prototypvorteile.