Rezension von DeepVu, KI-lastiger Anbieter für Supply-Chain-Planung

Last updated: April, 2026

Zurück zu Marktforschung

DeepVu (supply chain score 3,5/10) ist ein echtes Startup für Supply-Chain-Planung mit einem klaren Faible für schwierige Probleme, doch die öffentliche Evidenz ist weiterhin viel schwächer als das öffentliche Vokabular. Das Unternehmen beschreibt konsistent einen Stack aus KI-Planungsagenten, digitalen Zwillingen, Wissensgraphen und von Reinforcement Learning getriebenen Entscheidungsmodellen für Nachfrage, Bestand, Beschaffung, Produktion und Logistik. Die öffentliche Evidenz stützt eine echte Produktoberfläche, reale Einstellungsbemühungen in Data Science und Cloud Engineering sowie ein servicegestütztes SaaS-Modell für Hersteller und Händler. Die öffentliche Evidenz stützt nicht die starke Außenperspektive, dass DeepVu State-of-the-Art-Optimierung, transparente probabilistische Planung oder eine tief verifizierbare Architektur digitaler Zwillinge demonstriert hätte. Das Ergebnis ist ein plausibler, aber weiterhin hoch opaker Planungsanbieter, dessen stärkste technische Behauptungen überwiegend behauptet statt gezeigt werden.

Übersicht über DeepVu

Supply-Chain-Score

• Supply-Chain-Tiefe: 4,6/10
• Entscheidungs- und Optimierungssubstanz: 3,4/10
• Produkt- und Architekturintegrität: 3,8/10
• Technische Transparenz: 2,8/10
• Seriosität des Anbieters: 3,0/10
• Gesamtpunktzahl: 3,5/10 (vorläufig, einfacher Durchschnitt)

DeepVu lässt sich am besten als schmaler, aber ambitionierter Anbieter KI-gestützter Planung verstehen und nicht als breite APS-Suite oder generischer Analytics-Shop. Das öffentliche Material konzentriert sich auf resiliente Planung, externe Schocks und KPI-bewusste Entscheidungen über Nachfrage, Bestand, Beschaffung, Produktion und Logistik hinweg. Attraktiv ist, dass das Unternehmen zumindest versucht, die Planungslogik selbst zu besitzen, statt bloß Dashboards zu verkaufen. Die Schwäche liegt darin, dass die öffentliche Evidenz weiterhin mit RL-, agentischer-KI- und Wissensgraph-Rhetorik gesättigt ist, dabei aber nur sehr wenig technische Substanz offenlegt, mit der ein Außenstehender validieren könnte, wie stark dieser Stack tatsächlich differenziert ist.

DeepVu vs. Lokad

DeepVu und Lokad präsentieren sich beide als Alternativen zu Legacy-Planungssoftware, unterscheiden sich jedoch stark darin, wie viel von ihrer Entscheidungsmaschinerie sie offenlegen und was sie als zentrale Abstraktion behandeln.

DeepVu rahmt Planung um KI-Entscheidungsagenten, digitale Zwillinge mit mehreren Szenarien und einen um makroökonomische sowie Rohstoffsignale angereicherten Supply-Chain-Wissensgraphen herum. Die öffentliche Geschichte lautet, dass menschliche Planer zwischen KI-empfohlenen Aktionen wählen, die von Agenten auf Basis normaler und Schock-Szenarien erzeugt werden, wobei Geschäfts-KPIs wie Bestandskosten, OTIF-Strafen, Arbeitskosten, Eilfracht und Nachhaltigkeit in die Empfehlungsoberfläche einfließen. Das ist eine kohärente Planungsgeschichte, aber auch eine mit hohem Abstraktionsgrad. Vom Kunden wird verlangt, der Existenz und Qualität der zugrunde liegenden Lern- und Simulationsmaschinerie zu vertrauen, ohne dass ihm die Mathematik in nennenswerter Tiefe gezeigt wird. (1, 2, 3, 4, 5, 6)

Lokad ist bei der rechnerischen Schicht viel expliziter. Lokad rahmt seine Plattform nicht um agentische UX oder digitale Zwillinge herum. Es rahmt sie um probabilistische Prognosen, ökonomische Optimierung und eine programmierbare DSL namens Envision. Der relevante Kontrast ist daher nicht bloß „wer erwähnt KI häufiger?“, sondern „wer externalisiert die tatsächliche Planungslogik?“. In der öffentlichen Evidenz externalisiert Lokad wesentlich mehr. Es dokumentiert seine Sprache, seinen Workflow und einen großen Teil seiner Modellierungsannahmen. DeepVu dagegen legt die Produktgeschichte und einige kategorienbezogene Behauptungen offen, hält den harten Mechanismus jedoch fast vollständig opak.

Das ist wichtig, weil DeepVu schwierigere Behauptungen aufstellt als ein Standardanbieter für Prognosen. Sobald ein Unternehmen sagt, es nutze Multi-Agent-Reinforcement-Learning, digitale Zwillinge und Wissensgraphen, um resiliente Supply-Chain-Entscheidungen zu erzeugen, sollte die Beweislast steigen. Die öffentlichen Materialien von Lokad sind nicht perfekt, legen aber genug technische Struktur offen, um externe Kritik möglich zu machen. Die von DeepVu tun dies nicht. Im Vergleich zu Lokad ist DeepVu narrativ ambitionierter, service-lastiger und deutlich weniger transparent hinsichtlich der rechnerischen Substanz hinter dem Planungsergebnis.

Unternehmenshistorie, Eigentum, Finanzierung und M&A-Spur

DeepVu scheint die auf Supply Chain fokussierte Fortsetzung von Vufind zu sein, einer älteren Startup-Identität mit Wurzeln außerhalb reiner Supply-Chain-Software.

Die aktuellen DeepVu-Seiten identifizieren die rechtliche Einheit weiterhin als Vufind Inc. und verwenden in Fußzeilen und Rechtstexten wiederholt das kombinierte Branding „DeepVu|Vufind Inc.“. Auch die Datenschutzrichtlinie verweist auf ältere DeepVu-Dienste wie VuGraph, VuPredict und VuForecast, was eher auf echte Produktkontinuität als auf eine frische Hüllenmarke hindeutet. Öffentliche Unternehmensverzeichnisse und Gründerprofile beschrieben Vufind historisch als Computer-Vision- und KI-Startup, bevor die Supply-Chain-Positionierung dominant wurde. Dieser Hintergrund passt zur aktuellen Website: Das Produkt hat noch immer einen stark generalisierten KI-Plattform-Charakter, obwohl der Marktfokus nun auf Herstellern und Händlern liegt. (1, 7, 8, 9)

Die öffentliche Evidenz zur Finanzierung ist dünn. Die ältere Seite stützte sich auf Startup-Verzeichnisse wie Golden, Tracxn und Gust, doch die aktuelle Live-Evidenz ist schwächer und fragmentierter. Was sich weiterhin mit Zuversicht sagen lässt, ist, dass DeepVu wie ein kleines privates Unternehmen mit Wurzeln in der Bay Area wirkt und nicht wie ein großes Roll-up oder ein reifer börsennotierter Softwareanbieter. Die physischen Adressen auf der Website wechseln zwischen Berkeley und San Ramon, während die Seite zu Professional Services angibt, dass das Team sich über Kalifornien, Frankreich und Kanada erstreckt. Das ist konsistent mit dem Fußabdruck eines kleinen verteilten Startups. (1, 4, 7)

Es gibt kein Zeichen für relevante M&A-Aktivität. Die Geschichte ist eine von Produktneupositionierung und Kategorieneubenennung statt akquisitionsgetriebener Expansion. Die relevante Unternehmensfrage ist daher nicht Integrationsrisiko aus früheren Deals, sondern ob das aktuelle Unternehmen hinter einer technisch ambitionierten Erzählung genügend kommerzielle Tiefe hat.

Produktumfang: was der Anbieter tatsächlich verkauft

Der aktuelle Produktumfang von DeepVu ist schmaler als eine Legacy-Suite und breiter als ein Einzelpunkt-Optimierer.

Die Startseite, die Supply-Chain-Seite und die unterstützenden Seiten konvergieren wiederholt auf dieselbe Struktur: ein „a la carte“ pro Use Case verkauftes SaaS-Abonnement, optionale Dashboards, Cloud-APIs in ERP-Systeme und eine Professional-Services-Überlagerung, wenn ein Standardprodukt nicht ausreicht. Die praktischen Anwendungsfälle sind Bedarfsplanung, Bestand und automatische Wiederauffüllung, Beschaffung und Stücklistenzuweisung, Produktionsplanung sowie Logistik- oder Frachtoptimierung. Das ist nicht nur ein einzelnes Produkt für Prognosen. Es ist ein Planungsanbieter, der versucht, mehrere Entscheidungen auf Ausführungshorizonten aus einer gemeinsamen KI-Plattform heraus abzudecken. (1, 3, 4, 5)

Das gemeinsame Substrat der öffentlichen Geschichte ist VuGraph plus VuDecide. VuGraph wird als Wissensgraph-Schicht präsentiert, die Hunderte externer Signale trägt, während VuDecide die Entscheidungsagenten-Schicht ist, die auf digitalen Zwillingen und historischen menschlichen Entscheidungen trainiert wird. Das verleiht dem Umfang mehr konzeptionelle Einheit als einem typischen Modulsalat. Die Schwäche besteht darin, dass nahezu jeder Use Case durch dieselbe allgemeine KI-Sprache beschrieben wird, sodass schwer zu erkennen ist, wo die wiederverwendbare Plattform tatsächlich endet und wo maßgeschneiderte Beratung beginnt. (2, 3, 4, 6)

Der ROI-Rechner verstärkt diesen Punkt. Er übersetzt das Angebot in Bestandskosten, Einsparungen in der Beschaffung, Produktionsstörungen, Produktivität bei Prognosen und Ökonomie von Eilfracht. Das ist nützlich, weil es die beabsichtigte Kaufdiskussion offenlegt. Gleichzeitig deutet es auch darauf hin, dass das kommerzielle Modell weiterhin stark auf Solution Selling und Value Engineering ausgerichtet ist, was üblicherweise mit einer signifikanten Service-Komponente einhergeht. (9)

Technische Transparenz

DeepVu ist für einen Anbieter, der derart ambitionierte Behauptungen zu Reinforcement Learning, digitalen Zwillingen und autonomer Planung aufstellt, viel zu opak.

Die öffentlichen Seiten legen immerhin eine echte konzeptionelle Architektur offen. Es gibt stabile Produktnamen, eine stabile Wissensgraph-Geschichte, stabile Verweise auf Cloud-APIs und ERP-Integration sowie stabile Beschreibungen dazu, wie normale und Schock-Szenarien in Empfehlungen für Planer fließen sollen. Die Karriereseite bestätigt außerdem Einstellungen rund um PyTorch oder TensorFlow, Zeitreihenmodellierung, Kubernetes, Kafka, Spark und Cloud-Infrastruktur, was stark darauf hindeutet, dass hinter der Website ein echter ML-Engineering-Stack steht. (1, 3, 4, 7)

Es fehlt jedoch fast alles, was einem technischen Außenstehenden erlauben würde, diese Behauptungen zu hinterfragen. Die Website liefert keine sinnvolle Erklärung zu Zustandsräumen, Aktionsräumen, Reward-Funktionen, Kalibrierungsverfahren, Modellklassen, Trainingsschleifen, Unsicherheitsrepräsentation oder dazu, wie der digitale Zwilling validiert wird. Die RL- und Generative-AI-Sprache bleibt fast vollständig auf Slogan-Niveau. Das beweist nicht, dass die Implementierung schwach ist, erzwingt aber einen niedrigen Transparenz-Score. (1, 3, 5, 6)

Selbst die konkreteren Seiten zeigen, wie inkonsistent die Oberfläche ist. Mehrere Produktseiten tragen weiterhin offensichtlich veraltete E-Commerce-orientierte Meta-Beschreibungen, während der Haupttext über autonome supply chains spricht. Das entwertet die zugrunde liegende Software nicht automatisch, ist aber ein weiteres Zeichen dafür, dass das öffentliche technische Narrativ nicht mit genügend Strenge behandelt wird, damit Außenstehende den stärksten Behauptungen ohne direkte Due Diligence vertrauen könnten. (5, 10, 11, 12)

Produkt- und Architekturintegrität

Die Architekturgeschichte von DeepVu ist konzeptionell kohärent, auch wenn sie nicht gut belegt ist.

Der wichtigste positive Punkt ist, dass die öffentlichen Bausteine zusammenpassen. Externe Signale speisen VuGraph, Szenarien speisen digitale Zwillinge, die Entscheidungsmodelle speisen menschliche Planer, und die Use Cases drehen sich alle um operative Planung unter Volatilität. Das ist eine bessere Architekturgeschichte als eine generische Sammlung aus Dashboard-Modulen und Partnerintegrationen. Sie spiegelt zumindest eine meinungsstarke Idee darüber wider, wie die Software funktionieren soll. (1, 2, 3, 4)

Die Systemgrenze ist ebenfalls hinreichend lesbar. DeepVu behauptet nicht, das ERP zu ersetzen. Es sagt, dass es sich mit SAP, Microsoft, Oracle und Infor integriert, Cloud-APIs nutzt und über Dashboards oder Abonnements pro Use Case konsumiert werden kann. Das ist eine hinreichend saubere öffentliche Positionierung für eine Planungsschicht. (1, 3, 13)

Die Hauptschwäche ist die Service-Abhängigkeit. Die Professional-Services-Seite sagt ausdrücklich, dass DeepVu kundenspezifische Lösungen bauen wird, wenn es kein passendes Produkt gibt, und bewirbt breite Beratungsabdeckung zu hohen Stundensätzen. Das ist nicht automatisch schlecht. Es deutet aber darauf hin, dass die Architektur über viele der adressierten Use Cases hinweg womöglich noch nicht vollständig produktisiert ist. Es wirft auch die übliche Frage auf, wie stark das Ergebnis von den Experten des Anbieters abhängt und nicht vom Produkt, das auf eigenen Beinen steht. (4, 14)

Supply-Chain-Tiefe

DeepVu gehört klar in die Kategorie Supply-Chain-Planung und liegt nicht bloß angrenzend dazu.

Die positive Evidenz ist substanziell. Das Unternehmen spricht wiederholt über Bestandskosten, Fehlbestände, OTIF-Strafen, Stücklistenkosten, Lieferantenzuweisung, Produktionskapazität, Eilfracht und Prognosehorizonte auf Store-, DC- und SKU-Ebene. Es ist außerdem ungewöhnlich explizit bei externen Schocks, Rohstoffmärkten, globalen Handelsmetriken und der Wirkung dieser Signale auf Planungsentscheidungen. Das verortet es klar im echten Planungsterrain. (1, 2, 3, 4, 9)

Die Begrenzung besteht darin, dass die Doktrin weiterhin breit und etwas buzzword-förmig bleibt. DeepVu sagt viele sinnvolle Dinge über Resilienz und Schwächen flacher Prognosen, aber die öffentliche Evidenz artikuliert weder eine sehr scharfe Theorie von Supply-Chain-Ökonomie noch eine besonders explizite Planungsdoktrin jenseits von „mehr Kontext, mehr Szenarien, klügere Agenten“. Das reicht aus, um einen guten Kategorien-Score zu rechtfertigen, aber nicht einen exzellenten.

Kurz gesagt: DeepVu hat die richtige Problemdomäne und scheint sich mit echten operativen Anliegen zu befassen. Das Problem ist nicht Relevanz. Das Problem ist, ob die darunterliegende Planungstheorie so scharf ist, wie das Vokabular suggeriert.

Entscheidungs- und Optimierungssubstanz

DeepVu scheint etwas Ambitionierteres zu tun als Standard-Prognosen, doch die öffentliche Evidenz bleibt zu schwach, um die Optimierungsschicht hoch zu bewerten.

Der stärkste positive Punkt ist, dass DeepVu sich nicht damit begnügt, bei Prognosen stehenzubleiben. Die Produktseiten zielen konsistent auf Entscheidungen: Auftragszuweisung, Lieferantenzuweisung, Bestandsziele, Produktionsaktionen, Frachtentscheidungen und szenariobewusste Empfehlungen mit für Planer sichtbarer KPI-Wirkung. Das ist materiell besser als ein Produkt, das nur prognostiziert und den schwierigen Teil vollständig außerhalb des Systems lässt. (1, 3, 5, 6)

Das Problem ist, dass die öffentliche Evidenz für den Mechanismus dünn ist. DeepVu beansprucht Deep Reinforcement Learning, RLHF-artige generative KI-Entscheidungsagenten, digitale Zwillinge und durch Wissensgraphen angereicherte Optimierung. Es legt jedoch weder Solver-Logik noch probabilistische Methodik, kontrafaktische Policy-Evaluation oder irgendwelche empirischen Benchmarks offen, die einem Außenstehenden erlauben würden, einen anspruchsvollen Optimierer von einem heuristischeren Empfehlungssystem mit stärkerer Sprache zu unterscheiden. Das erzwingt Vorsicht. (1, 3, 4, 7)

Die Karriereseite hilft hier ein wenig, weil sie ausdrücklich nach Fähigkeiten in Deep Reinforcement Learning, Zeitreihen und produktionsreifem ML-Deployment fragt. Das stützt die Annahme, dass das Unternehmen zumindest versucht, die Art von Maschinerie zu bauen, die es beschreibt. Dennoch sind Hiring-Anforderungen keine Validierung. Sie zeigen Absicht und wahrscheinlich reale Engineering-Aktivität, aber keine bewiesene Optimierungstiefe. (7)

Seriosität des Anbieters

DeepVu wirkt ernsthaft genug für eine nähere Untersuchung, aber öffentlich nicht ernsthaft genug, um ihm schnell zu vertrauen.

Die positive Seite ist, dass das Unternehmen einen kohärenten Kategoriefokus hat, die Arten technischer Profile einstellt, die man für ein echtes ML-Planungsprodukt erwarten würde, und bereit ist, operativ spezifische Use Cases anzugehen, statt sich in generischer Analytics-Sprache zu verstecken. Die Professional-Services-Seite ist offen über kundenspezifische Arbeit und technische Breite, was konkreter ist als die übliche falsche Self-Serve-Haltung vieler Enterprise-Software-Anbieter. (4, 7)

Die negative Seite ist, dass das öffentliche Narrativ überladen ist. Agentic AI, generative AI, RLHF, digitale Zwillinge, Wissensgraphen, Resilienz, Nachhaltigkeit und autonome Planung werden alle gleichzeitig stark gepusht. Das kann immer noch an ein reales Produkt gekoppelt sein, ist aber auch genau die Art von Vokabelstapel, die einen Abschlag verdient, bis die Evidenz deutlich schärfer wird. Die veralteten Meta-Tags und die ungleichmäßige Site-Politur verstärken dieses Gefühl konzeptioneller Überdehnung relativ zum öffentlichen Beweis. (1, 3, 5, 10)

Das Ergebnis ist ein Anbieter, der sich offenbar ehrlich mit schwierigen Planungsproblemen befasst, aber weiterhin zu bereitwillig großes KI-Framing die Arbeit erledigen lässt, die eigentlich durch harte technische Erklärung geleistet werden sollte.

Supply chain score

Der folgende Score ist vorläufig und nutzt einen einfachen Durchschnitt über die fünf Dimensionen.

Supply chain depth: 4.6/10

Teil-Scores:

• Wirtschaftliche Rahmung: DeepVu rahmt Planung explizit über Stücklistenkosten, Bestandskosten, OTIF-Strafen, Arbeitskosten, Eilfracht, Fehlbestände und entgangenen Umsatz. Das ist stärker als generische „bessere Sichtbarkeit“-Sprache und zeigt Kontakt mit dem ökonomischen Endzustand von Planung. Der Score bleibt unter stark, weil die öffentliche Doktrin weiterhin keine disziplinierte Economics-first-Theorie so explizit macht wie die KPI-Liste selbst. 5/10
• Entscheidungs-Endzustand: Das Unternehmen will klar Entscheidungen und nicht Berichte erzeugen. Lieferantenzuweisungen, Nachschubaktionen, Produktions-Scheduling-Empfehlungen und Frachtentscheidungen sind alle Teil der sichtbaren Produktgeschichte. Der Score bleibt moderat, weil der öffentliche Modus weiterhin ausdrücklich „AI-assisted decisioning“ ist, bei dem der Planer zwischen Szenarien wählt, statt dass das System klar eine vollständig operationalisierte Entscheidungspipeline besitzt. 5/10
• Konzeptionelle Schärfe in der Supply Chain: DeepVu ist schärfer als viele Peers, weil es immer wieder auf Schocks, Resilienz und operative Trade-offs zurückkommt, statt allein in generische Enterprise-KI-Sprache abzudriften. Trotzdem wird das konzeptionelle Rückgrat durch die schiere Menge an KI-Etiketten und durch das Fehlen einer präziseren Planungsdoktrin verwässert. 4/10
• Freiheit von veralteten doktrinären Kernstücken: Das Unternehmen versucht klar, über naive Einzelmodell-Prognosen und tabellenzentrierte manuelle Planung hinauszugehen. Seine Kritik an flachen Prognosen und seine Betonung reicheren Kontexts verdienen Anerkennung. Der Grund, warum dieser Score nicht höher ist, liegt darin, dass die Ersatzdoktrin weiterhin als Wolke aus Methoden und Slogans statt als klar verteidigte formale Alternative ausgedrückt wird. 5/10
• Robustheit gegen KPI-Theater: DeepVu verweist ständig auf KPI-Auswirkungen, was nützlich ist, weil es das Produkt mit operativen Ergebnissen verbindet. Die öffentliche Evidenz lehnt sich jedoch weiterhin stark an KPI-Rhetorik an, ohne viel darüber zu zeigen, wie diese KPIs gegeneinander abgewogen, auditiert oder gegen oberflächliche Optimierung geschützt werden. Das hält den Score auf mittlerem Niveau. 4/10

Dimensionswert: Arithmetischer Durchschnitt der fünf Teil-Scores oben = 4,6/10.

DeepVu ist unmissverständlich ein Anbieter für Supply-Chain-Planung. Die Schwäche liegt nicht in der Relevanz, sondern in der doktrinären Präzision. Das öffentliche Material verweist auf die richtige Problemklasse, aber noch nicht auf eine öffentlich inspizierbare Theorie, wie diese Probleme gelöst werden. (1, 2, 3, 4)

Decision and optimization substance: 3.4/10

Teil-Scores:

• Tiefe probabilistischer Modellierung: DeepVu spricht ausführlich über Prognosen unter Schocks und über externe Signale, die Nachfrage, Angebot und Kosten verändern. Das impliziert einen Versuch, Unsicherheit zu modellieren, statt alles auf einen einzigen deterministischen Plan zu reduzieren. Die öffentliche Evidenz erklärt den probabilistischen Apparat jedoch in keiner ernsthaften Weise, daher muss der Score niedrig bis moderat bleiben. 4/10
• Eigenständige Optimierungs- oder ML-Substanz: Reinforcement Learning, digitale Zwillinge und Wissensgraphen könnten auf einen eigenständigen Stack hindeuten, wenn sie real und gut umgesetzt sind. Das Problem ist, dass die öffentliche Evidenz nicht genug Mathematik oder Engineering offenlegt, um einen wirklich fortgeschrittenen Optimierer von einem konventionelleren ML-und-Regeln-Produkt mit stärkerem Branding zu unterscheiden. 3/10
• Umgang mit Real-World-Restriktionen: Die Use Cases sind operativ plausibel und umfassen reale Restriktionen wie Lieferantenzuverlässigkeit, Produktionskapazität, Versandkosten und Fehlbestandsrisiko. Das verdient Anerkennung, weil es zeigt, dass das Produkt zumindest auf schwierige Entscheidungen zielt. Der Score bleibt moderat, weil die tatsächliche Restriktionsbehandlungsmaschinerie nicht öffentlich gemacht wird. 4/10
• Entscheidungsproduktion versus Entscheidungsunterstützung: DeepVu versucht, empfohlene Aktionen statt bloßer Prognosen zu erzeugen, was materiell positiv ist. Das System wird öffentlich jedoch weiterhin als planerorientierte Empfehlungs-Engine mit menschlichem Override gerahmt und nicht als klar industrialisiertes System zur Entscheidungsproduktion. 3/10
• Evidenz messbarer Überlegenheit: Die öffentliche Website enthält vereinzelte Behauptungen wie eine starke MAPE in einem Rohstoff-Use-Case und einen ROI-Rechner, aber keine ernsthaften Vergleichsbenchmarks, öffentlichen Wettbewerbe oder detaillierten Fallstudien. Das ist viel zu wenig Evidenz für einen Anbieter, der derart ambitionierte Optimierungsbehauptungen aufstellt. 3/10

Dimensionswert: Arithmetischer Durchschnitt der fünf Teil-Scores oben = 3,4/10.

Die plausibelste externe Lesart ist, dass DeepVu mehr tut als nur Vanilla-Prognosen, aber öffentlich viel weniger bewiesen ist, als die Sprache vermuten lässt. Die Optimierungsschicht mag real und nützlich sein; sie ist öffentlich jedoch nicht auf hohem Strengegrad demonstriert. (1, 3, 5, 7, 9)

Product and architecture integrity: 3.8/10

Teil-Scores:

• Architektonische Kohärenz: Die öffentliche Produktgeschichte ist kohärent. Externe Signale speisen VuGraph, Szenarien speisen digitale Zwillinge, und Planer erhalten KPI-bewusste Empfehlungen über mehrere Planungsdomänen hinweg. Das ist eine echte Architekturgeschichte und kein zufälliges Bündel von Modulen. 4/10
• Integrationshaltung und Systemgrenzen: DeepVu macht klar genug, dass es neben ERP-Systemen sitzt, bestehende Daten aufnimmt und Ergebnisse über Cloud-APIs, Abonnements oder Dashboards ausliefert. Das ist eine sinnvolle Grenze für eine Planungsschicht und verdient moderaten Kredit. 4/10
• Produktisierung versus Service-Abhängigkeit: Das Unternehmen besitzt klar wiederverwendbare Komponenten, verkauft aber auch offen den Bau kundenspezifischer Lösungen und breite Beratungsleistungen. Das deutet auf eine signifikante Service-Abhängigkeit und auf ein Produkt hin, das für viele der versprochenen Use Cases weiterhin erhebliche Beteiligung des Anbieters braucht. 4/10
• Sicherheitsernsthaftigkeit und operative Disziplin: Die öffentliche Website bietet Rechtstexte und grundlegende Kontaktinformationen zum Unternehmen, aber kaum eine substanzielle Diskussion von Sicherheits- oder operativer Architektur. Es gibt wenig Evidenz für durchdachte Restriktionen, Secure-by-Default-Design oder explizite Disziplin bei Systemgrenzen in den öffentlichen Materialien. 3/10
• Verteidigungsfähigkeit der Architektur selbst: Wenn der zugrunde liegende RL-plus-Wissensgraph-plus-digitaler-Zwilling-Stack real ist, könnte er deutlich schwerer replizierbar sein als ein Dashboard-Produkt. Das Problem ist, dass die öffentliche Evidenz nicht genug dieses Substrats offenlegt, um einen hohen Verteidigungsfähigkeits-Score zu rechtfertigen, vor allem angesichts der starken Service-Überlagerung. 4/10

Dimensionswert: Arithmetischer Durchschnitt der fünf Teil-Scores oben = 3,8/10.

Die Architektur von DeepVu wirkt eher intentional als flimsy. Der Hauptvorbehalt ist, dass es weiterhin schwer zu sagen ist, wie viel davon tragfähige Produktarchitektur ist und wie viel ein wiederverwendbares Beratungsgerüst um einige Kernkomponenten herum. (1, 3, 4, 8)

Technical transparency: 2.8/10

Teil-Scores:

• Sichtbarkeit des Mechanismus: DeepVu erklärt, was das System leisten soll, aber nicht, wie es diese Ergebnisse auf technisch ernsthafte Weise berechnet. Das öffentliche Material ist fast vollständig frei von mathematischer oder algorithmischer Exposition, sobald man über die Etiketten hinausgeht. 3/10
• Qualität der Evidenz hinter technischen Behauptungen: Die Website enthält viele starke Behauptungen zu Reinforcement Learning, generativer KI für Entscheidungen, digitalen Zwillingen und Wissensgraphen, aber fast keine öffentlichen Artefakte, mit denen diese Behauptungen inspiziert oder falsifiziert werden könnten. Diese Diskrepanz ist das zentrale Problem der technischen Transparenz. 2/10
• Tiefe der öffentlichen Dokumentation: Es gibt genug Dokumentation, um Produkttaxonomie und Ziel-Use-Cases zu rekonstruieren, und die Karriereseite verrät etwas über Stack-Entscheidungen wie PyTorch, Kubernetes, Kafka und Cloud-Cluster. Es gibt jedoch keine öffentliche Dokumentationsmenge, die mit einem echten technischen Handbuch, einer API-Referenz oder einem Modellierungsleitfaden vergleichbar wäre. 3/10
• Konsistenz und Sorgfalt des technischen Narrativs: Die öffentliche Geschichte ist in ihrer Richtung konsistent, doch die veralteten E-Commerce-orientierten Meta-Beschreibungen auf mehreren Supply-Chain-Seiten zusammen mit den gemischten Branding-Schichten zeigen, dass das technische Narrativ nicht mit der Art von Disziplin gepflegt wird, die Vertrauen schafft. Diese Inkonsistenz widerlegt das Produkt nicht, schwächt aber die Glaubwürdigkeit der öffentlichen technischen Oberfläche. 3/10
• Evidenzdichte hinter technischen Behauptungen: Das Volumen an Behauptungen ist hoch und die Dichte harter Evidenz niedrig. Abgesehen von der Hiring-Seite und einigen Produktdetails bleibt der Großteil des Beweises bloße Selbstbehauptung. Das hält den Score niedrig, selbst wenn das zugrunde liegende Engineering besser sein mag als die öffentliche Evidenz. 3/10

Dimensionswert: Arithmetischer Durchschnitt der fünf Teil-Scores oben = 2,8/10.

DeepVu legt genug offen, um zu zeigen, dass wahrscheinlich ein reales Produkt existiert, aber viel zu wenig, um die stärksten Behauptungen zu validieren. Für einen Anbieter, der sich so stark auf fortgeschrittene KI-Sprache stützt, bleibt die öffentliche technische Oberfläche dünn. (1, 3, 5, 7)

Vendor seriousness: 3.0/10

Teil-Scores:

• Technische Ernsthaftigkeit der öffentlichen Kommunikation: DeepVu wirkt nicht wie ein gefälschter Kategorieeinsteiger. Das Unternehmen kehrt immer wieder zu denselben Planungs-Use-Cases zurück, stellt für harte technische Profile ein und ist bereit, spezifische operative Ziele zu benennen. Dennoch überlässt die öffentliche Kommunikation weiterhin zu viel Arbeit Slogans und zu wenig einer sorgfältigen Erklärung. 3/10
• Widerstand gegen Buzzword-Opportunismus: Das ist eine klare Schwäche. Agentic AI, generative AI, RLHF, digitale Zwillinge, Wissensgraphen, autonome Planung, Resilienz und Nachhaltigkeit werden alle gleichzeitig stark gepusht. Ein Teil davon mag Realität widerspiegeln, aber die rhetorische Konzentration bleibt dennoch ein Warnsignal. 2/10
• Konzeptionelle Schärfe: Es gibt hier einen erkennbaren Standpunkt: flache Prognosen reichen nicht aus, externe Schocks zählen, und Planung sollte autonomer und kontextbewusster werden. Das ist besser als generisches Suite-Copy. Der Score bleibt bescheiden, weil der Standpunkt weiterhin zu locker ausgedrückt wird, um als scharf artikulierte Doktrin zu gelten. 3/10
• Bewusstsein für Anreize und Fehlermodi: Die Website zeigt durchaus Bewusstsein dafür, dass traditionelle Planung unter Schocks versagt und dass Planerproduktivität von Komplexität überwältigt werden kann. Die Offenheit bei Professional Services ist ebenfalls ein Pluspunkt. Die öffentliche Evidenz sagt weiterhin wenig über die eigenen Fehlermodi, Grenzen oder Systemgrenzen von DeepVu, daher kann der Score nicht höher ausfallen. 4/10
• Verteidigungsfähigkeit in einer agentischen Softwarewelt: DeepVu versucht, sich über einen substanziellen Planungs-Stack statt nur über generischen Workflow zu verteidigen, was real positiv ist. Der sichtbare Moat bleibt jedoch schwer überprüfbar, weil die tiefere Technologie überwiegend behauptet wird und die Service-Schicht erheblich wirkt. 3/10

Dimensionswert: Arithmetischer Durchschnitt der fünf Teil-Scores oben = 3,0/10.

DeepVu scheint sich um Produkt und Problemdomäne zu kümmern, aber die öffentliche Evidenz wirkt weiterhin zu sloganlastig und zu wenig erklärt, um einen stärkeren Seriositäts-Score zu rechtfertigen. (1, 4, 7)

Overall score: 3.5/10

Mit einem einfachen Durchschnitt über die fünf Dimensionswerte landet DeepVu bei 3,5/10. Das spiegelt einen Anbieter mit realer Supply-Chain-Relevanz und wahrscheinlich realer Engineering-Substanz wider, aber auch eine große Lücke zwischen dem Anspruch der Behauptungen und der Menge öffentlich inspizierbarer Belege.

Conclusion

DeepVu ist keine generische KI-Hülle um gewöhnliche BI. Das Unternehmen versucht klar, ein Planungsprodukt zu bauen, das in reale Entscheidungen über Nachfrage, Bestand, Beschaffung, Produktion und Logistik hineinreicht. Das wiederkehrende Architekturmuster aus Wissensgraph, digitalem Zwilling und Entscheidungsagenten ist kohärent genug, dass es wahrscheinlich reale Produktabsicht statt zufälliger Marketingmontage widerspiegelt.

Das Problem ist die Beweislast, die genau durch diesen Ehrgeiz entsteht. Sobald ein Anbieter sagt, er nutze Multi-Agent-Reinforcement-Learning, RLHF-artige generative KI und digitale Zwillinge, um resiliente Planungsentscheidungen zu treiben, braucht ein Außenstehender mehr als Kategorietexte und Hiring-Seiten. Das öffentliche Material von DeepVu bleibt deutlich unter dieser Schwelle. Es zeigt ein Unternehmen, das wahrscheinlich ernsthafte Arbeit leistet, aber keines, das öffentlich genug offengelegt hat, um hohes Vertrauen in die Eigenständigkeit seiner Optimierungsschicht zu rechtfertigen.

Für Käufer ist die praktische Implikation einfach. DeepVu ist glaubwürdig genug, um direkte Due Diligence zu verdienen, wenn man einen KI-vorwärts orientierten Planungsanbieter mit starker Resilienz-Erzählung und Bereitschaft zu kundenspezifischen Use Cases sucht. In der öffentlichen Evidenz ist DeepVu jedoch nicht glaubwürdig genug, um Vertrauen per Default zu rechtfertigen. Im Vergleich zu Lokad ist DeepVu rhetorisch ambitionierter, serviceorientierter und deutlich weniger transparent hinsichtlich der rechnerischen Logik hinter seinen Entscheidungen.