Rezension von Flowlity, Supply Chain Planung Software Anbieter

Von Léon Levinas-Ménard

Zuletzt aktualisiert: November, 2025

Flowlity ist ein französisches Softwareunternehmen (SAS), das im Oktober 2018 in Paris gegründet wurde und sich auf cloudbasierte supply chain Planung konzentriert, und zwar insbesondere auf probabilistische Nachfrageprognosen und Bestandsoptimierung in Vertriebsnetzen.¹ Öffentliche Register und Startup-Datenbanken ordnen das Unternehmen in den Mitarbeiterbereich von 20–50 ein und verorten den Hauptsitz im Zentrum von Paris.¹² Finanzierungstracker und Investorenankündigungen deuten darauf hin, dass bisher etwa €6–7m in Seed- und Series-A-Runden aufgenommen wurden, wobei Fortino Capital, 42CAP, OSS Ventures und Entrepreneur First als wichtige Förderer erscheinen.³⁴⁵⁶ Funktional positioniert Flowlity sein SaaS als eine „KI-gesteuerte“ Planungsebene oberhalb von ERP- bzw. Transaktionssystemen und behauptet, probabilistische Prognosen für Nachfrage und Lieferzeiten von Zulieferern, dynamische Sicherheitsbestände, automatisierte Bestandsanpassungen, Simulationen von Bestandsrichtlinien und Unterstützung für MTS/MTO-Hybridumgebungen zu liefern.⁷⁸ Der Anbieter vermarktet zudem ein breiteres Portfolio (supply planning, S&OP, kollaborative Planung, Preis- & Promotionsoptimierung), obwohl die klar dokumentierte Tiefe im Bereich der Nachfrage- und Bestandsplanung liegt. Der in Stellenanzeigen und Technologieseiten beschriebene Technologie-Stack ist eine moderne Microservices-SaaS-Architektur (Node.js/TypeScript-Back-End, PostgreSQL, Message Queues, dbt-basierte Analysen, Containerisierung und Kubernetes), die als ISO 27001–zertifizierte Multi-Mandanten-Cloud-Plattform mit vorgefertigten Konnektoren für SAP, Oracle, Microsoft Dynamics und andere geliefert wird.⁹¹⁰ In Flowlitys Marketing wird großer Wert auf „AI-native“ Planung, probabilistische Engines und „Autopilot“-Automatisierung gelegt, mit Behauptungen, dass bis zu 95% der routinemäßigen Planungsaufgaben automatisiert werden,⁷¹¹ doch die öffentliche Dokumentation liefert nur begrenzt konkrete Details zu den zugrunde liegenden Optimierungsalgorithmen oder wie Entscheidungen wirtschaftlich bewertet werden. Zu den benannten Kunden zählen Danone, La Redoute, Magotteaux und mehrere mittelständische Hersteller und Distributoren, wobei veröffentlichte Fallstudien erhebliche Bestandsreduktionen und Verbesserungen des Servicelevels berichten, obwohl diese Ergebnisse überwiegend auf Simulationen oder vom Anbieter verfassten Erzählungen basieren.¹¹¹²¹³¹⁴¹⁵ Insgesamt erscheint Flowlity als ein kleiner, aber durchaus ausgereifter Spezialanbieter im Bereich der KI-basierten Bestandsoptimierung, mit einer selbstbewussten Marketing-Geschichte rund um KI und Automatisierung sowie einem technischen Stack, der den zeitgemäßen SaaS-Praktiken entspricht, jedoch nur teilweise extern verifiziert ist in Bezug auf die ehrgeizigeren Behauptungen zur Automatisierungsrate und Entscheidungsqualität.

Flowlity Übersicht

Aus Käufersicht kann Flowlity als eine spezialisierte, KI-basierte Bestandsoptimierungsschicht betrachtet werden, die auf bestehenden ERP-, WMS- und Order-Management-Systemen aufsetzt. Französische Handelsregistereinträge beschreiben Flowlity SAS (SIREN 847801701) als einen Softwareherausgeber, der im Oktober 2018 gegründet wurde, mit Sitz in Paris und einem Tätigkeitsschlüssel, der mit Softwarepublishing assoziiert ist.¹ In Rekrutierungsmaterial auf Welcome to the Jungle wird eine Teamgröße „von 15 bis 50 Mitarbeitern“ angegeben, wobei ausdrücklich erwähnt wird, dass das Unternehmen ein etwa 25-köpfiges Team ist, das „eine ambitionierte supply chain Planung Lösung“ entwickelt, um Überbestände und Engpässe zu bekämpfen.²

Finanzierungsdatenbanken wie CB Insights und Tracxn führen Flowlity als ein Frühphasen-Startup, das um 2018–2019 gegründet wurde, mit einer Gesamtfinanzierung im Bereich von $6.5–7m (≈€6–6.5m), unter Einbeziehung von Investoren wie Fortino Capital, 42CAP, OSS Ventures und Entrepreneur First.³⁴ Die eigene Investitionsnotiz von Fortino Capital bestätigt, dass sie eine €4m Series-A-Runde im Jahr 2022 „in Partnerschaft mit 42CAP und OSS Ventures“ geleitet haben, wodurch Flowlity als Lösung für „bessere und schnellere Bestandsoptimierung“ unter Einsatz von KI positioniert wird.⁵ Ein IT Supply Chain Nachrichtenartikel, der dieselbe Runde behandelt, wiederholt die €4m-Zahl, beschreibt frühere Finanzierungen durch 42CAP und Entrepreneur First und betont Pläne zur Expansion in Europa sowie Investitionen in F&E.⁶

Auf der Produktseite stimmen Flowlitys Lösungsseiten und Drittanbieterbewertungen weitgehend überein. Der Anbieter beschreibt ein „Inventory Optimization“-Modul, dessen zentrale Bausteine probabilistische Prognosen (für Nachfrage und Lieferzeiten), dynamische Sicherheitsbestände, automatisierte Bestandsanpassungen, Bestands-Simulationen und Richtliniensteuerung (Bestellpunkt, Lagerhaltungstage, nachfrageorientierte Regeln etc.) sind.⁷ Dieselbe Seite behauptet „preisgekrönte dynamische AI Inventory Optimization“ und „fünf Jahre engagierte Forschung“, wobei das System zahlreiche Simulationen durchführt, um verschiedene Bestandsstrategien sowie deren Auswirkungen auf den Bestandswert und die Verfügbarkeit zu evaluieren.⁷ Eine separate Technologieseite „Artificial Intelligence“ erklärt, dass Flowlitys „intelligente Algorithmen“ Machine Learning, Ensemble Learning und Deep Learning kombinieren und betont probabilistische Prognosen, auf Einschränkungen abgestimmte Empfehlungen (unter Berücksichtigung von MOQ, Batch-Größen, LKW-Ladungen, Incoterms und ähnlichen Beschränkungen), Anomalieerkennung mittels synthetischem Resampling, Ähnlichkeits-basierte Neuproduktprognosen sowie Vorhersagen zu Lieferverzögerungen von Zulieferern.¹¹

Eine externe Beschreibung von F6S stellt Flowlity als ein „AI-powered supply chain planning SaaS“ dar, das „die Prognose, Bestandsoptimierung, Produktionsplanung, S&OP/IBP und die Zusammenarbeit mit Zulieferern rationalisiert“, und erwähnt probabilistische Prognosen, dynamische Nachschubsteuerung, multi-echelon Netzwerkoptimierung sowie die Behauptung, dass das Produkt „routinemäßige Planungsaufgaben automatisiert (bis zu 95% Automatisierung)“.⁷ Die „IT Subway Map Europe 2023“ von Supply Chain Movement kategorisiert Flowlity in das Segment eines „Intelligent Material Management System“ (IMMS), zusammen mit anderen spezialisierten Planungstools anstelle von vollumfänglichen ERPs oder generischen Analyseplattformen.¹⁶

Technisch beschreibt Flowlity seine Plattform als eine ISO 27001–zertifizierte Cloud-Lösung mit vorgefertigten Konnektoren zu SAP, Oracle, Microsoft Dynamics und anderen ERP-Systemen, Echtzeit-Streaming von verschlüsselten Daten sowie einer Microservices-Architektur, die für „unendliche Skalierung“ ausgelegt ist.⁹ Die Integration wird als ein vierphasiges Projekt dokumentiert: (1) Geschäftsanforderungen und Risikobewertung (3–4 Wochen), (2) Systemintegration und Datenmapping (4–6 Wochen), (3) Datenvalidierung und „Algo“-Training (3–5 Wochen) und (4) Benutzer-Onboarding und Tests (3–4 Wochen), was auf einen typischen Implementierungszeitraum von etwa 3–4 Monaten hinweist.⁹ Stellenanzeigen für Backend-Entwickler bestätigen den Einsatz eines modernen Microservices-Stacks, unter Erwähnung von Node.js und TypeScript, PostgreSQL, RabbitMQ, dbt, Containerisierung (Docker) und Kubernetes sowie Infrastructure-as-Code-Tools wie Terraform, was mit einer zeitgemäßen SaaS-Architektur übereinstimmt und nicht mit einem monolithischen On-Premise-Produkt.¹⁰

Flowlitys Kundenseiten heben eine Mischung aus CPG-, Einzelhandels- und Industriekunden hervor – Danone (frische Milchprodukte), La Redoute (E-Commerce und Verpackung), Magotteaux (Mineralverarbeitung) und mehrere mittelständische Distributoren und Hersteller.¹¹¹²¹³ Die Fallstudien behaupten im Allgemeinen zweistellige Bestandsreduktionen (z. B. 13 % geringerer Bestandswert und 22 % geringere Lagerabdeckung bei Magotteaux, sowie eine 8 %ige Reduktion von Fehlbeständen)¹¹ und erhebliche Reduktionen des Verpackungsbestandes bei La Redoute (unterstützt durch unabhängige Logistikmedien, die eine 40 %ige Verringerung des Verpackungsbestands und bis zu 98 % bei einigen Referenzen nennen).¹³¹⁴¹⁵ Allerdings ist das öffentlich verfügbare Material überwiegend vom Anbieter selbst verfasst und gelegentlich simulationsbasiert, sodass die Ergebnisse zwar plausibel erscheinen, jedoch als indikativ und nicht als unabhängig geprüfte Nachweise zu betrachten sind.

Flowlity vs Lokad

Flowlity und Lokad befassen sich beide mit Problemen der supply chain Planung und verwenden sowohl probabilistische Prognosen als auch algorithmische Optimierung, unterscheiden sich jedoch maßgeblich in Umfang, Architektur und darin, wie viel vom „Modell“ dem Kunden offengelegt wird.

Erstens, Produktphilosophie. Flowlitys Angebot wird als eine konventionellere SaaS-“Applikation” dargestellt: Kunden werden beschriftete Module (Demand Planning, Inventory Optimization, Supply Planning, S&OP, Collaborative Planning, Price & Promotion Optimization) verkauft, die einen relativ festen Funktionsumfang besitzen und großen Wert auf “Autopilot”-Ausführung und ein hohes Maß an Automatisierung legen.⁷⁸¹¹ Im Gegensatz dazu ist Lokads Kernergebnis eine programmierbare Plattform – über seine Envision DSL –, auf der kundenspezifische Optimierungsanwendungen implementiert werden. Lokad legt bewusst die vollständige Modellierungslogik (über Code) offen, erwartet bei jeder Implementierung nicht-triviales Scripting und positioniert sich explizit als eine „die Quantitative Supply Chain“-Umgebung anstelle einer verpackten Applikation.

Zweitens, technische Transparenz und Konfigurierbarkeit. Flowlitys öffentliche Materialien beschreiben anspruchsvolle interne Mechanismen (probabilistische Engines, Embeddings, Anomaliekorrekturen, auf Einschränkungen abgestimmte Optimierung), die jedoch als Black-Box-Funktionalitäten hinter einer festen Benutzeroberfläche und API bereitgestellt werden. Flowlity veröffentlicht weder eine Modellierungssprache, noch eine Konfigurationsgrammatik oder Optimierungsformulierung; Kunden interagieren auf der Ebene von Geschäftsregeln (z. B. Richtlinienschablonen, ABC/XYZ-Klassen, Modi wie MTS vs MTO) und Parametereinstellungen.⁷⁸¹¹ Lokad hingegen macht seine Optimierungslogik vollständig im Code sichtbar: Das Modell jedes Kunden ist ein Envision-Skript, das explizit Nachfragedistributionen, Kosten und Entscheidungen berechnet und Zeile für Zeile geprüft, versionskontrolliert und umstrukturiert werden kann. Dies führt in der Regel zu höherer Flexibilität und Erklärbarkeit, allerdings auf Kosten eines größeren Anfangsaufwands für die Modellierung.

Drittens, Umfang und Art der „KI“-Nutzung. Flowlitys AI-Seite behauptet den Einsatz moderner ML-Techniken („neueste Machine Learning, Ensemble Learning und Deep Learning-Algorithmen“) mit Funktionen wie Embeddings zur Erkennung ähnlicher Produkte und überwachten Modellen zur Vorhersage von Lieferverzögerungen bei Zulieferern.¹¹ Der Anbieter veröffentlicht jedoch keine technischen Whitepapers, Benchmark-Ergebnisse oder Open-Source-Artefakte, die eine unabhängige Bewertung von Modellklassen, Trainingsregimen oder der Performance im Vergleich zu Baselines ermöglichen würden. Lokad hingegen, obwohl ebenfalls proprietär, hat den Einsatz probabilistischer Prognosen, Deep Learning und differentieller Programmierung dokumentiert und an öffentlichen Prognosewettbewerben teilgenommen; es tendiert dazu, „KI“ als Teil einer breiteren differentiellen Optimierungspipeline zu verstehen, statt als separates Modul. Flowlitys Anspruch, die „erste AI-native supply chain forecasting and planning solution“ zu sein, ist Marketing-Sprache, die vor dem Hintergrund früherer Arbeiten von Anbietern wie Lokad und anderen schwer zu untermauern ist; es werden keine unabhängigen Belege zur Unterstützung dieses spezifischen „Erste“-Anspruchs geliefert.¹¹

Viertens, Entscheidungsfokus und Ökonomie. Beide Anbieter behaupten, ausführbare Empfehlungen zu generieren und nicht nur Prognosen. Flowlity hebt „KI- und einschränkungsgetriebene Empfehlungen“ hervor, die operationelle Einschränkungen wie MOQ, LKW-Ladungen und Losgrößen berücksichtigen, sowie Simulationen von Bestandsrichtlinien, spricht jedoch vergleichsweise weniger über explizite wirtschaftliche Zielsetzungen (z. B. erwarteter Gewinn, Kapitalkostenberücksichtigung oder Warenkorbeffekte).⁷⁸¹¹ Lokad hingegen, wie im obigen Kurzabriss beschrieben, orientiert sich an expliziten wirtschaftlichen Treibern und der Optimierung erwarteter finanzieller Ergebnisse (z. B. Minimierung von Fehlerkosten in Dollar). Praktisch bedeutet dies, dass Lokad zum Aufbau von Modellen ermutigt, bei denen jede Entscheidung in monetären Werten bewertet wird, während sich Flowlitys öffentliches Material stärker auf Service-Level, Abdeckung und Fehlbestandsmetriken konzentriert und die genaue wirtschaftliche Priorisierung weniger klar definiert lässt.

Fünftens, Individualisierbarkeit vs. Time-to-Value. Flowlitys vierphasiger Integrationsplan, mit einem typischen Zeitrahmen von 3–4 Monaten und einem starken Einsatz vorgefertigter Konnektoren und standardisierter Schritte, zielt auf eine relativ schnelle Inbetriebnahme ab, bei der Kunden die vorgefertigte Logik des Anbieters mit begrenzter, tiefergehender individueller Modellierung übernehmen.⁹ Lokad hingegen startet typischerweise mit offeneren Modellierungsprojekten und führt oft Pilotprojekte durch, bei denen Envision-Skripte gemeinsam mit dem Kunden über mehrere Monate entwickelt und iteriert werden. Dies führt zu hoher Anpassungsfähigkeit an geschäftsspezifische Einschränkungen (wie komplexe Wartungsregeln in der Luftfahrt), erfordert jedoch mehr Expertenzeit und eine engere Zusammenarbeit. Flowlity mag für Organisationen attraktiver sein, die eine schnellere, vorschreibendere SaaS-Einführung suchen; Lokad hingegen könnte besser geeignet sein, wenn die supply chain komplex genug ist, um eine vollständig individuelle Optimierungslogik zu rechtfertigen.

Abschließend, Marktreife und Präsenz. Beide Unternehmen sind im Vergleich zu globalen Planungsanbietern relativ klein, aber Lokad ist seit 2008 in Betrieb und kann auf eine Historie mit großen Einsätzen im Einzelhandel und in der Luft- und Raumfahrt verweisen, während Flowlity ein Startup aus dem Jahr 2018 mit einem enger gefassten, veröffentlichten Referenzportfolio ist. Flowlity scheint in Frankreich und Teilen Europas eine angemessene Marktdurchdringung zu haben, mit benannten Kunden wie Danone, La Redoute und Magotteaux.¹¹¹²¹³ Lokads Kundenbasis erstreckt sich über mehrere Geografien und Branchen, von der Mode bis hin zu aerospace MRO, und seine Plattform deckt über seine DSL eine breitere Palette von Entscheidungstypen ab (einschließlich Preisgestaltung). Für einen Käufer übersetzt sich dies in unterschiedliche Risikoprofile: Flowlity als ein aufstrebendes, verpacktes AI-Bestandswerkzeug; Lokad als eine ausgereifte, programmierbare Optimierungsumgebung.

Zusammenfassend, obwohl sowohl Flowlity als auch Lokad von probabilistischer Prognose und KI-gesteuerter Planung sprechen, ist die Gestalt des Produkts unterschiedlich: Flowlity kommt einem next-generation APS für Bestands- und supply chain Planung näher, während Lokad mehr eine Modellierungs- und Optimierungsplattform ist, mit tieferer Programmierbarkeit und einem explizit wirtschaftlichen Fokus.

Unternehmensgeschichte, Finanzierung und Unternehmensstruktur

Firmengründung und rechtliches Profil

Die Unternehmensaufzeichnungen von Pappers zeigen, dass Flowlity SAS am 1. Oktober 2018 gegründet wurde, in der Rechtsform “Société par actions simplifiée” und mit Hauptsitz in Paris.¹ Der Tätigkeitsschlüssel ist mit dem Softwarepublishing verbunden, und die Gesellschaftszweckklausel umfasst die Erstellung, Entwicklung, Veröffentlichung, den Betrieb und die Vermarktung von Software und digitalen Diensten, was einem SaaS-Geschäftsmodell entspricht.¹ Dasselbe Register ordnet das Unternehmen in den Rahmen von 20–49 Mitarbeitern ein, was mit der Offenlegung “From 15 to 50 employees” auf Welcome to the Jungle übereinstimmt.¹²

Finanzierungsrunden und Investoren

Funding trackers liefern leicht unterschiedliche, aber im Großen und Ganzen konsistente Ansichten. CB Insights listet Flowlity als Unternehmen, das in mehreren Finanzierungsrunden insgesamt etwa $6.6m eingesammelt hat und nennt Fortino Capital, 42CAP, OSS Ventures und Entrepreneur First unter den Investoren.³ Tracxn gibt eine ähnliche Summe (ca. $6.57m) an und vermerkt eine Seed/Pre-Series A-Phase, gefolgt von einer Series A im Jahr 2022.⁴

Die Investitionsankündigung von Fortino Capital im Jahr 2022 besagt, dass es eine €4m Series A-Runde „in Partnerschaft mit 42CAP und OSS Ventures“ geleitet hat, wobei die Mittel für die europäische Expansion und weitere F&E vorgesehen sind.⁵ Ein IT Supply Chain-Artikel, der über dieselbe Runde berichtet, wiederholt die €4m-Zahl, erwähnt eine frühere Unterstützung durch 42CAP und Entrepreneur First und positioniert Flowlity als ein KI- und simulationsbasiertes Planungstool.⁶ Zusammengenommen stützen diese Quellen die Schlussfolgerung, dass Flowlity in der Frühphase, aber post-Series A ist und insgesamt Kapital in Höhe von mid single-digit Millionen Euro eingesammelt hat.

Keine Übernahmen, bei denen Flowlity (weder als Erwerber noch als Ziel) beteiligt war, tauchten in öffentlichen Datenbanken oder Nachrichtenarchiven auf; das Unternehmen scheint organisch mit VC-Unterstützung gewachsen zu sein.

Größe, Geografie und Markteinführung

Das Unternehmensprofil von Welcome to the Jungle beschreibt Flowlity als ein in Paris ansässiges Unternehmen mit 15–50 Mitarbeitern, wobei ausdrücklich erwähnt wird, dass sie nun „ein Team von 25 ambitionierten und kreativen Talenten“ sind, und positioniert das Unternehmen als Schöpfer einer der „ambitioniertesten“ supply chain planning solutions auf dem Markt.² Die Branchentags auf derselben Seite – Software, Artificial Intelligence / Machine Learning, Supply Chain – stimmen mit der Eigenbeschreibung des Anbieters und den Finanzierungsnarrativen überein.

F6S und ähnliche Verzeichnisse beschreiben Flowlity als eine Lösung, die von kleinen, mittelständischen und großen Unternehmen genutzt wird, wobei dies generische Verzeichnissprache ist und kein harter Beweis für unternehmensweite Rollouts darstellt.⁷ Die Kundenseiten und Fallstudien deuten hingegen darauf hin, dass der Fokus eher auf mittelständischen bis oberen Mittelstand-Herstellern, CPG-Unternehmen und Einzelhändlern liegt als auf sehr kleinen Unternehmen. Der geografische Fußabdruck der Referenzen (Danone, La Redoute, Magotteaux und andere) weist auf einen primären Fokus auf Frankreich und benachbarte europäische Märkte hin.¹²¹³¹⁴¹⁵

Produkt und Technologie

Funktionaler Umfang und Anwendungsfälle

Der Lösungs-Katalog von Flowlity listet sechs Hauptmodule auf: Demand Planning, Inventory Optimization, Supply Planning, Sales & Operations Planning, Collaborative Planning und Price & Promotion Optimization.⁸¹⁷ Allerdings ist die öffentlich zugängliche Dokumentation in ihrer Tiefe uneinheitlich: Inventory Optimization und der AI Tech Stack werden detaillierter beschrieben als Supply Planning oder die Preisoptimierung.

Die Inventory Optimization-Seite legt die konkretesten Funktionalitäten dar:

probabilistische Prognose von Nachfrage und Lieferzeiten;
dynamische Sicherheitsbestandsberechnungen;
automatisierte Bestandsrekalibrierung als Reaktion auf Schwankungen bei Nachfrage und Lieferzeiten;
Simulation alternativer Bestandsstrategien und deren Auswirkungen auf den Bestandswert und den Service;
Unterstützung mehrerer Richtlinientypen (Wiederbeschaffungspunkt, Lagerbestandstage, bedarfsorientiert etc.), zuweisbar auf SKU- oder Gruppenebene;
Werkzeuge für verderbliche Waren (Haltbarkeitsmanagement), Bestandsübersicht über mehrere Standorte und ABC/XYZ-basierte Parametrisierung.⁷

Der FAQ-Bereich behauptet ausdrücklich, dass die Lösung sowohl für Make-to-Stock- als auch für Make-to-Order-Umgebungen geeignet ist: Im MTS-Modus steuern Prognosen die Lagerbestandsziele und dynamischen Sicherheitsbestände; im MTO-Modus dienen feste Bestellungen als Nachfrageinput und das Tool optimiert vorgelagerte Komponenten und Rohstoffe, wobei es die Konfiguration gemischter MTS/MTO-Portfolios auf Artikelbasis unterstützt.⁷

Die Artificial Intelligence-Seite fügt mehrere Planungsfunktionen hinzu:

vollständige probabilistische Prognosen anstelle von Einzelpunktvorhersagen;
einschränkungsbewusste Empfehlungen, die MOQs, Losgrößen, volle LKW- oder Containerladungen, Incoterms und mehr auf jeder Detailebene berücksichtigen, wobei „machine learning plus operations research“ kombiniert wird;
kontinuierliche Anomalie- und Ereigniserkennung mit synthetischem Resampling zur „Bereinigung“ der Nachfragehistorie;
Ähnlichkeitssuche mittels Embeddings, um Nachfrageprofile für neue SKUs vorzuschlagen;
Lieferantenleistungsmodelle, die Lieferverzögerungen prognostizieren und Bestandsstrategien entsprechend anpassen;
eine allgemeine Erzählung über den Übergang von statischer, zyklusbasierter Planung zu nahezu Echtzeit-, ausnahmegetriebener Planung.¹¹

In Kombination mit der F6S-Beschreibung, die Produktionsplanung, S&OP/IBP und Lieferantenkooperation erwähnt, positioniert Flowlity sein Produkt als ein mittelgroßes APS mit Fokus auf probabilistische Bestandsoptimierung, ergänzt durch angrenzende Fähigkeiten im Supply Planning und S&OP.⁷ Allerdings ist die detaillierte öffentliche Dokumentation zur Produktionsplanung, zu Kapazitätsengpässen oder komplexen Mehrstufen-Netzwerkoptimierungen begrenzt; Käufer sollten davon ausgehen, dass das ausgereifteste und differenzierbarste Modul die Bestandsoptimierung ist und nicht eine vollumfängliche fortschrittliche Terminplanung oder Netzwerkdesign.

Technische Architektur und Stack

Die „Integration & Security“-Seite von Flowlity bietet den klarsten Einblick in die Plattformarchitektur. Sie beschreibt eine nach ISO 27001 zertifizierte Cloud-Plattform mit:

vorgefertigten ERP-Konnektoren für SAP, Oracle, Microsoft Dynamics, Cegid, Odoo, Sage und andere;
offenen APIs und SFTP-Datenaufnahme;
„hochleistungsfähigen Micro-Services“, die Echtzeitdaten streamen und dabei verschlüsselt und geschützt halten;
einem mehrphasigen Integrationsprojekt mit expliziten Zeitplänen (etwa 3–4 Monate von den Anforderungen bis zum Benutzer-Onboarding und Testing).⁹

Die gleiche Seite hebt ein SaaS-Modell hervor („up and running in weeks“) und listet Kundensegmente wie Retail & E-Commerce, Wholesale, Spare parts management und Manufacturing auf.⁹

Stellenanzeigen für einen Backend Engineer (veröffentlicht über Fortino Capital’s Jobboard) und ähnliche Rollen deuten auf einen ziemlich standardmäßigen modernen SaaS-Stack hin: Node.js- und TypeScript-Backend-Services, NestJS für die Service-Struktur, PostgreSQL als primären Datenspeicher, RabbitMQ oder Äquivalent für Messaging, dbt für Analytics-Transformationen, Docker und Kubernetes für die Container-Orchestrierung sowie Infrastructure-as-Code-Tools (z. B. Terraform) für die Bereitstellung.¹⁰ Obwohl dies marketingfreundliche Schlagwörter sind, sind sie in mehreren Anzeigen konsistent und stimmen mit den auf Flowlitys Tech-Seiten beschriebenen Verhaltensweisen überein, was darauf hindeutet, dass die interne Architektur tatsächlich auf Microservices basiert und Cloud-native ist, statt eines Legacy-Monolithen.

Die Architekturbeschreibung impliziert ein zentralisiertes Multi-Tenant-SaaS anstelle von On-Premise-Installationen. Das Echtzeit- oder nahezu Echtzeit-Datenstreaming, wie auf den Seiten Integration & Security und AI erwähnt, wird wahrscheinlich über Nachrichtenwarteschlangen und inkrementelle Updates implementiert – anstatt ausschließlich batchweise nächtliche Durchläufe –, auch wenn die genauen SLAs für Planungslaufzeiten nicht offengelegt werden.¹¹⁹ Es sind keine öffentlichen Informationen über den zugrunde liegenden Cloud-Anbieter (AWS, Azure, GCP etc.) verfügbar, aber die ISO 27001-Zertifizierung und standardmäßige Verschlüsselungspraktiken deuten auf ein konventionelles Cloud-Sicherheitskonzept hin.⁹¹⁸

KI, maschinelles Lernen und Optimierungsansprüche

Flowlity macht selbstbewusste Aussagen darüber, eine „AI-native“ Planungslösung zu sein und die „latest machine learning, ensemble learning, and deep learning algorithms“ zu verwenden.¹¹ Allerdings kommt der technische Detailgrad eher einer Marketingübersicht als einer reproduzierbaren wissenschaftlichen Dokumentation nahe.

Die konkretesten Elemente sind:

Probabilistic forecasting: Die AI-Seite beschreibt eine Engine, die Wahrscheinlichkeiten für Nachfrage- und Lieferzeit-Szenarien zuweist, welche anschließend zur Dimensionierung von Sicherheitsbeständen und Nachschub genutzt wird.¹¹ Dies stimmt mit der Formulierung auf der Inventory Optimization-Seite überein, die explizit die probabilistische Prognose sowohl der Nachfrage als auch der Lieferzeit erwähnt und beschreibt, dass im Hintergrund viele Simulationen durchgeführt werden, um verschiedene Bestandsstrategien zu evaluieren.⁷ Es ist daher vernünftig zu schließen, dass die Kern-Prognose-Engine probabilistisch ist (wahrscheinlich mittels einer Kombination aus Monte-Carlo-Simulation und ML-basierter Verteilungsanpassung) anstatt einer klassischen Einzelpunkt-Zeitreihenprognose.
Constraints-aware recommendations: Die AI-Seite hebt hervor, dass Empfehlungen „alle Ihre realen Einschränkungen – MOQ, Losgröße, volle Truck- oder Containerladungen, Incoterms und mehr – auf jeder Detailebene berücksichtigen“, was auf eine Form der Optimierung oder Heuristik hindeutet, die diese Einschränkungen direkt einbezieht.¹¹ Es gibt keine Beschreibung der mathematischen Formulierung (z. B. gemischt-ganzzahlige Programmierung vs. heuristische Suche) und keine Erwähnung externer Optimierungs-Solver wie CPLEX oder Gurobi, sodass die genaue Natur der Optimierungs-Engine undurchsichtig bleibt.
Anomaly handling and embeddings: Die AI-Seite beschreibt Ausreißererkennung und synthetisches Resampling zur „Bereinigung“ des Nachfragesignals sowie Embedding-Modelle, die ähnliche Produkte für neue SKU-Prognosen hervorheben.¹¹ Dies sind plausible Anwendungen moderner ML (z. B. Autoencoder oder Metric Learning für Embeddings, robuste Statistiken für Anomalieerkennung), jedoch werden keine technische Validierung oder Leistungskennzahlen gegenüber einfacheren Baselines angegeben.
Supplier delay forecasting: Die Vorhersage von Lieferverzögerungen bei Lieferanten auf Basis historischer Leistungen ist ein vernünftiger Anwendungsfall für überwachtes Lernen. Auch wenn die Existenz solcher Modelle plausibel ist, werden quantitative Belege (z. B. Prognosegenauigkeit, Auswirkungen auf Service-Level) in öffentlichen Quellen nicht geliefert.¹¹

Externe Verzeichnisse wie F6S wiederholen diese Aussagen in zusammengefasster Form („AI-powered“, „probabilistic forecasting“, „dynamic replenishment“, „up to 95% automation“), liefern jedoch keine unabhängige Validierung.⁷ Es gibt keine öffentlichen Code-Repositories oder wissenschaftlichen Veröffentlichungen von Flowlity-Mitarbeitern, die eine tiefere Bewertung der Neuheit oder des Standes der Technik der Algorithmen ermöglichen würden.

Kurz gesagt, Flowlitys KI-Aussagen sind kohärent und technisch plausibel – nichts erscheint unmöglich oder offensichtlich übertrieben – bleiben jedoch weitgehend unbelegt über die Aussagen des Anbieters hinaus. Die Existenz probabilistischer Prognosen und irgendeiner Form von Optimierung ist klar; ob die zugrunde liegenden Modelle im akademischen Sinne bahnbrechend oder eher Standard ML/OR-Implementierungen sind, kann aus öffentlichen Informationen nicht bestimmt werden.

Einsatzmodell und Kundenreferenzen

Implementierung und Integration

Die Integration & Security-Seite dokumentiert einen vierphasigen Deployments-Ansatz:

Klarstellung der Geschäftsanforderungen (3–4 Wochen): Abbildung der Geschäftsprozesse, Definition von Erfolgskriterien und Risikobewertung, geleitet von den Business-Stakeholdern.⁹
Systemintegration (4–6 Wochen): Einrichtung von Datenverbindungen, Datenmapping und Aufbau täglicher Datenflüsse, geleitet vom IT-Team.⁹
Datenvalidierung & Algorithmus-Training (3–5 Wochen): Validierung der Integrationslogik, Modelltraining und Kalibrierung durch Data Engineering.⁹
Benutzer-Onboarding & Testing (3–4 Wochen): Benutzerschulung, Validierung realer Anwendungsfälle und Go-Live mit den Business-Nutzern.⁹

Dies ergibt ein angegebenes Implementierungsfenster von etwa 13–19 Wochen, was im Vergleich zu großen Enterprise-APS-Bereitstellungen relativ kurz ist, aber für ein fokussiertes SaaS-Tool, das über standardisierte Schnittstellen angebunden wird und größtenteils anbieterdefinierte Modelle übernimmt, plausibel erscheint. Die Prozessbeschreibung ist grob gehalten: Es wird nicht von formellen A/B-Tests, Parallelbetrieb gegenüber bestehenden Planungstools oder detaillierten Datenqualitätsverfahren berichtet, auch wenn solche Aktivitäten informell gehandhabt werden können.

Der Sicherheitsabschnitt wiederholt die ISO 27001-Zertifizierung und schlägt standardmäßige Unternehmenspraktiken (Verschlüsselung, Zugriffskontrolle, Monitoring) vor, liefert jedoch kein detailliertes Security-Whitepaper.⁹¹⁸ Für die meisten Käufer sind ISO 27001 plus gängiges Cloud-Hosting ein angemessenes Minimum; Branchen mit hoher Sensibilität können während der Beschaffung zusätzliche Dokumentationen anfordern.

Benannte Kunden, Branchen und Nachweise für Auswirkungen

Der Kundenteil von Flowlity listet mehrere benannte Accounts und Branchenseiten (Retail & Ecommerce, Wholesale, Spare parts management, Manufacturing) auf.¹²¹³¹⁶ Unter diesen bieten die Fälle Danone und La Redoute die konkretesten Details.

Danone (frische Molkereiprodukte / AgriFood): Die Danone-Fallstudie stellt fest, dass die Zusammenarbeit im Januar 2020 im Rahmen des von Microsoft und Danone geleiteten Programms „AI Factory for AgriFood“ begann, wobei der Fokus auf Herausforderungen wie der Abfallreduktion in der agri-food supply chain lag. Es wird angegeben, dass Flowlity Danone dabei unterstützt, Rohstoff- und Verpackungsbestände zu optimieren, Verbrauchsprognosen zu verbessern und dass simulierte Ein-Jahres-Szenarien eine 28–40%ige Reduzierung des Bestands nahelegen.¹² Die Formulierung macht deutlich, dass die 28–40%-Zahl auf Simulationen basiert und nicht auf vollständig realisierten, geprüften Ergebnissen.
La Redoute (Verpackungen): Der Fallbericht zu La Redoute beschreibt ein Projekt zur Optimierung des Verpackungsbestands, bei dem die Lösung hilft, Verpackungs-SKUs zu segmentieren, Nachbestellrichtlinien anzupassen und sowohl Überbestände als auch Engpässe zu reduzieren.¹³ Logistikportale wie Voxlog berichten, dass La Redoute dank Flowlitys Lösung etwa 40% Reduzierung des Verpackungsbestands und bis zu 98% Reduzierung für bestimmte Referenzen erreicht habe.¹⁴ Ein IT Supply Chain-Artikel, der Flowlity und Bpifrance zitiert, hebt ebenfalls die Reduzierung des Verpackungsbestands und einen verbesserten Service hervor, wobei er weitgehend die Anbietererzählung wiedergibt.¹⁵
Magotteaux (industriell): Die AI-Seite führt Magotteaux als Beispiel an, das mithilfe der KI von Flowlity eine 13%ige Reduzierung des Bestandswerts, 22%ige Reduzierung der Lagerabdeckung und 8%ige Reduzierung von Lagerfehlbeständen erzielt habe, wobei der S&OP Manager als Zeugnis zitiert wird.¹¹ Auch diese Zahlen werden ohne externe Validierung oder methodologische Details (z. B. Kontrollgruppe, Zeithorizont, Behandlung exogener Faktoren) präsentiert.

Branchenseiten (Retail & Ecommerce, Wholesale, Spare parts management, Manufacturing) liefern szenarioartige Beschreibungen – z. B. die Handhabung von Long-Tail-SKUs, Multi-Lager-Netzwerken, Ersatzteil-Intermittenz – statt detaillierter Falldaten.¹⁶ Die Präsenz mehrerer benannter Kunden in unterschiedlichen Branchen und die unabhängige Presseberichterstattung (Voxlog, IT Supply Chain) untermauern die Behauptung, dass Flowlity kommerziell aktiv und nicht rein aspirativ ist, jedoch schränkt die Abhängigkeit von anbieterseitig veröffentlichten Zahlen und simulierten Szenarien die Aussagekraft bezüglich Leistungsverbesserungen ein.

Kommerzielle Reife und Wettbewerbsumfeld

Angesichts des Gründungsjahres (2018) und der Finanzierungsrunde nach Series A (2022) wird Flowlity am besten als ein frühes, aber kommerziell aktives SaaS-Unternehmen charakterisiert. Es hat die Proof-of-Concept-Phase hinter sich – es gibt echte Implementierungen mit bekannten Marken – aber sein Kundenstamm und sein Portfolio an Fallstudien bleiben im Vergleich zu langjährig etablierten APS-Anbietern relativ klein.

Die Klassifizierung von Flowlity als „Intelligent Material Management System“ in der IT Subway Map positioniert es unter neueren, KI-gekennzeichneten Planungstools, die darauf abzielen, einen Teilbereich des APS-Segments abzudecken, anstatt eine umfassende ERP-ähnliche Breite.¹⁶ Direkte Wettbewerber wären vermutlich andere KI-basierte Startups für Bestandsoptimierung und APS-Tools für den Mittelstand, anstatt großer, etablierter Anbieter wie SAP IBP oder Blue Yonder.

In Bezug auf das kommerzielle Risiko sollten Käufer Flowlity als einen fokussierten Spezialisten betrachten: Es bietet moderne, probabilistische und KI-getriebene Funktionalitäten in einem gut konzipierten SaaS-Stack, verfügt jedoch noch nicht über die jahrzehntelange Erfahrung oder die weltweite Reichweite bedeutender Anbieter. Dieser Trade-off ist typisch für solche Unternehmen: potenziell schnellere Innovation und mehr Aufmerksamkeit, ausgeglichen durch das Risiko der Anbieterlanglebigkeit und ein noch in der Entwicklung befindliches Ökosystem.

Bewertung der technischen Qualität und des Standes der Technik

Basierend auf öffentlichen Quellen geht die Lösung von Flowlity klar über einfache CRUD-Anwendungen und einfache Sicherheitsbestandrechner hinaus. Das Vorhandensein probabilistischer Prognosen sowohl für die Nachfrage als auch für Lieferzeiten, die Simulation von Bestandsstrategien und einschränkungsbewusste Empfehlungen deuten auf ein zumindest mittelklassiges Niveau an technischer Raffinesse in der Prognose und Optimierung hin.⁷⁸¹¹ Die Verwendung eines modernen Microservices-Stacks, von dbt für Transformationen und standardmäßiger Cloud-Tools entspricht den zeitgemäßen Best Practices im SaaS-Engineering und nicht veralteten Architekturen.⁹¹⁰

Allerdings bleiben mehrere Aspekte undurchsichtig:

Die genaue Art der probabilistischen Modelle wird nicht offengelegt. Es ist unklar, ob Flowlity klassische probabilistische Zeitreihenmodelle, ML-basierte Verteilungsabschätzer oder Monte-Carlo-Ansätze, die auf Punktprognosen aufbauen, verwendet.
Die Optimierungsschicht wird nur qualitativ beschrieben („Machine Learning plus Operations Research“, Beachtung von Mindestbestellmengen und Losgrößen, dynamische Puffer), ohne Angaben dazu, ob Entscheidungen durch gemischt-ganzzahlige Programmierung, heuristische Suche, dynamische Programmierung oder regelbasierte Logik plus lokale Verbesserungen erzeugt werden.¹¹
Es gibt keine öffentliche Benchmark-Evidenz (z. B. Teilnahme an Prognose-Wettbewerben, Vergleiche der Genauigkeit gegenüber Baseline-Methoden), die eine externe Bewertung der Prognosequalität im Vergleich zu einfacheren Methoden ermöglichen würde.
Die ökonomischen Zielfunktionen des Systems werden nicht klar dargelegt. Während Reduktionen des Bestandswerts und Fehlbestände erwähnt werden, fehlt eine ausführliche Diskussion über erwartete Gewinne, Kapitalkosten oder subtilere wirtschaftliche Einflussfaktoren wie Warenkorbeffekte oder Opportunitätskosten, was die Einschätzung erschwert, wie Entscheidungen bei entstehenden Kompromissen priorisiert werden.⁷¹¹¹²

Angesichts dieser Lücken wäre es übertrieben, die Technologie von Flowlity eindeutig als „state-of-the-art“ im strengen forschungsbezogenen Sinn zu bezeichnen. Vielmehr stützen die Belege die Schlussfolgerung, dass Flowlity eine moderne, probabilistische, KI-unterstützte Bestandsoptimierungs-Engine implementiert, deren Architektur und Funktionsumfang weitgehend im Einklang mit den aktuellen Branchentrends bei KI-Planungs-Startups stehen. Ihre Fähigkeiten sind wahrscheinlich denen herkömmlicher deterministischer Sicherheitsbestands-Tools und einfacher Prognose-Erweiterungen überlegen, aber es gibt nicht genügend öffentliche Informationen, um zu bestätigen, ob ihre Modelle oder Optimierungsalgorithmen materiell führend gegenüber anderen fortgeschrittenen Anbietern sind.

Aus risiko-managementtechnischer Sicht sind die Hauptbedenken:

Undurchsichtigkeit der Optimierungslogik, die eine tiefgehende technische Überprüfung durch fachkundige Käufer behindern könnte.
Verlass auf simulationsbasierte Leistungszahlen in Fallstudien, die unabhängige Vorher-Nachher-Audits nicht ersetzen.
Begrenzte Skalierung und Erfolgsbilanz im Vergleich zu etablierten Anbietern, was für sehr große oder stark regulierte Unternehmen wichtig sein kann.

Gleichzeitig sind Flowlitys probabilistische Ausrichtung, der explizite Fokus auf Unsicherheiten bei Lieferzeiten und die Beachtung moderner Engineering-Praktiken positive Indikatoren. Für Organisationen, die über statische Planung hinausgehen und eine probabilistische Bestandsoptimierung anstreben sowie bereit sind, die Anbieterangaben kritisch zu hinterfragen, ist Flowlity ein glaubwürdiger Kandidat im Nischenbereich der KI-gestützten Bestandsoptimierung.

Fazit

Flowlity ist ein in Paris ansässiger, VC-finanzierter SaaS-Anbieter, der sich auf KI-gesteuerte supply chain-Planung konzentriert, mit den am weitesten entwickelten und dokumentierten Fähigkeiten in probabilistischer Nachfrage- und Lieferzeitprognose sowie Bestandsoptimierung. Rechtlich und kommerziell handelt es sich um ein junges, aber aktives Unternehmen: Gegründet im Jahr 2018, beschäftigt es einige Dutzend Mitarbeiter und wurde in einer Series A, angeführt von Fortino Capital und anderen, mit rund 6–7 Mio. € finanziert.¹³⁴⁵⁶² Seine Plattform basiert auf einem modernen Cloud-Microservices-Stack, ist über APIs und Konnektoren in gängige ERPs integriert und unterliegt der Zertifizierung nach ISO 27001.⁹¹⁰ Funktional bietet Flowlity probabilistische Prognosen, dynamische Sicherheitsbestände, Bestandsstrategie-Simulation und einschränkungsbewusste Empfehlungen innerhalb einer verpackten SaaS-Benutzeroberfläche, vermarktet unter umfassenderen Modulbezeichnungen wie Demand Planning, Inventory Optimization und Supply Planning.⁷⁸¹¹¹⁷

Technisch gesehen ist die Lösung klar weiterentwickelt als einfache Planungserweiterungen: Sie modelliert explizit Unsicherheiten, verwendet ML-Techniken zur Mustererkennung und Einbettung und berücksichtigt betriebliche Einschränkungen in den Empfehlungen. Dennoch bedeutet das Fehlen detaillierter technischer Dokumentationen, öffentlicher Benchmarks oder unabhängiger Leistungsstudien, dass viele der stärkeren Marketingversprechen – wie „AI-native“, bis zu 95% Automatisierung oder einen grundlegenden Fortschritt gegenüber alternativen probabilistischen Werkzeugen – nur teilweise untermauert sind.⁷¹¹ Fallstudien mit Danone, La Redoute und Magotteaux liefern ermutigende, aber weitgehend vom Anbieter verfasste Belege für Bestands- und Fehlbestandsreduktionen, die manchmal auf Simulationen statt auf geprüften historischen Ergebnissen basieren.¹¹¹²¹³¹⁴¹⁵

Im Vergleich zu Lokad nimmt Flowlity einen anderen Punkt im Designspektrum ein: Es handelt sich um eine verpackte KI-basierte Bestandsoptimierungsanwendung anstelle einer programmierbaren Optimierungsplattform. Käufer, die ein schnell einsetzbares, vorgefertigtes SaaS-Tool mit starker Anbieterverantwortung für das Modell suchen, könnten Flowlity ansprechend finden; Käufer, die eine tiefgehende individuelle Modellierung, explizite ökonomische Zielfunktionen und Transparenz auf Codeebene benötigen, sind möglicherweise mit Plattformen wie Lokad besser bedient, die ihre Modellierungs-DSL offenlegen.

Eine vorsichtig optimistische, evidenzbasierte Betrachtung wäre daher: Flowlity ist ein technisch kompetentes, probabilistisches Planungs-SaaS mit einer modernen Architektur und glaubwürdigen frühen Referenzen, aber seine tatsächliche Entscheidungsqualität und Automatisierungsgrad sollten empirisch in Pilotprojekten validiert werden, anstatt allein aus Marketingaussagen abgeleitet zu werden.