Zurück zur Marktforschung
Flowlity bietet Cloudsoftware für Nachfrageprognosen, Bestandsplanung, Nachschub und die Zusammenarbeit mit Lieferanten. Sie verbindet sich mit bestehenden Unternehmenssystemen, berechnet Prognosen und Bestandsempfehlungen und stellt Oberflächen zur Prüfung und Übermittlung von Beschaffungsaufträgen bereit. Zum Produkt gehören außerdem Aktions- und Preiswerkzeuge, zeitgesteuerte Automatisierungen und ein dialogbasierter Planungsassistent. 1
Gesamtbewertung für die Supply Chain: 5,0/10
| Dimension | Bewertung |
|---|---|
| Tiefe des Supply-Chain-Verständnisses | 4,6/10 |
| Substanz von Entscheidungen und Optimierung | 4,8/10 |
| Integrität von Produkt und Architektur | 5,2/10 |
| Technische Transparenz | 6,2/10 |
| Ernsthaftigkeit des Anbieters | 4,4/10 |
Flowlity besitzt einen substanziellen Kern für die Bestandsplanung und eine ungewöhnlich aufschlussreiche öffentliche Benutzerdokumentation. Sowohl die Unsicherheit der Nachfrage als auch die der Lieferzeiten fließen in die Bestandsberechnungen ein. Die Handbücher benennen konkrete Betriebsfunktionen, Grenzen und Konfigurationsverantwortlichkeiten. Diese Belege ermöglichen eine präzisere Diagnose als die weit gefasste KI-Sprache, mit der das Produkt verkauft wird.
Die wesentliche Schwäche ist das Entscheidungsmodell. Wahrscheinlichkeiten fließen überwiegend in Serviceziele, Puffer und Nachschubregeln ein, deren wirtschaftliche Entscheidungen beim Planer verbleiben. Die Software automatisiert Berechnungen und einige wiederkehrende Änderungen. Öffentlich verfügbare Belege weisen jedoch keine gemeinsame finanzielle Optimierung von Einkauf, Bestandszuteilung, Kapazität und unsicherer künftiger Versorgung nach.
Auch das Marketing geht über die veröffentlichten Belege hinaus. Eine undefinierte Prognosezuverlässigkeit von 95,4%, eine erwartete Bestandsreduzierung, die als erreichtes Ergebnis beworben wird, und eine Autopilot-Erzählung rund um manuelle Prüfungen mindern das Vertrauen in die Leistungsdarstellung. Die Dokumentation ist häufig offener als die Verkaufstexte.
Flowlity im Vergleich zu Lokad
Beide Unternehmen nutzen probabilistische Prognosen für Supply-Chain-Entscheidungen. Der entscheidende Unterschied liegt darin, was nach der Prognose geschieht.
Flowlity übersetzt Unsicherheit in Bestandspuffer, die Anwender über Serviceziele und Bestandsrichtlinien steuern. Lokads Dienstleistung zur Bestandsoptimierung ordnet wiederkehrende Entscheidungen nach ihrem erwarteten finanziellen Beitrag; Supply Chain Scientists pflegen die wirtschaftliche Logik. Der Unterschied betrifft das Betriebsmodell, nicht die Frage, ob eine Prognose ein Konfidenzintervall hat.
Eine stärkere Absicherung gegen einen unzuverlässigen Lieferanten kann beispielsweise Fehlbestände reduzieren. Sie kann aber auch Kapital in einem margenschwachen Produkt binden und dadurch einen wertvolleren Einkauf an anderer Stelle verhindern. Einen Puffer für jeden Artikel einzeln zu wählen, löst diesen Wettbewerb nicht. Die Entscheidung erfordert eine gemeinsame Betrachtung der Kosten und unsicheren Folgen der Alternativen.
Flowlity bietet nützliche Möglichkeiten, seine Richtlinien zu ändern. Lokads Ansatz, erläutert in Introduction to Supply Chain, macht die wirtschaftlichen Annahmen selbst zum Bestandteil des fortlaufend gepflegten Entscheidungsprozesses. In beiden Fällen zählt das wiederkehrende finanzielle Ergebnis nach Software-, Implementierungs- und Wartungsaufwand – nicht die Raffinesse der Benutzeroberfläche.
Die Planungsengine: Wahrscheinlichkeiten innerhalb eines Puffersystems
Nachfrage und Lieferzeiten werden modelliert
Flowlitys Handbuch zu Stock Min beschreibt ausdrücklich Wahrscheinlichkeitsverteilungen für Nachfrage und Wiederbeschaffungszeit. Es bemisst die Absicherung aus dem Unterschied zwischen einem erwarteten Szenario und einem Szenario mit höherem Risiko über die Wiederbeschaffung, angepasst durch ein vom Nutzer gewähltes Pufferniveau. Zu den Eingaben gehören Nachfragehistorie, Prognoseverhalten, Lieferantenhistorie und zeitabhängige Lieferzeitunsicherheit. Die genaue Formel wird nicht offengelegt. 2
Dies ist eine erhebliche Verbesserung gegenüber der Annahme, dass Lieferungen an einem einzigen festen Datum eintreffen. Offen bleibt, wie die Verteilungen kombiniert und kalibriert werden und ob gemeinsame Störungen erhalten bleiben. Nachfragespitzen und Lieferverzögerungen können gemeinsam auftreten. Einzeln plausible Verteilungen können das gemeinsame Fehlbestandsrisiko dennoch unterschätzen.
Die Prognosedokumentation beschreibt ein über die Produkte eines Standorts hinweg trainiertes Modell, optionale Expertenmodelle auf Produktebene und einen wöchentlichen Prognoselauf. Nutzerprognosen haben für die Zeiträume Vorrang, in denen sie eingegeben wurden; andernfalls verwendet die Planung das gewählte Modell oder eine externe Prognose, wobei bekannte künftige Nachfrage eine Untergrenze bildet. 4 Damit wird der menschliche Beitrag ausdrücklich sichtbar. Architektur, Trainingsziel und Kalibrierungsergebnisse des Wahrscheinlichkeitsmodells bleiben jedoch unveröffentlicht.
Das Serviceziel enthält eine wirtschaftliche Entscheidung
Die Puffereinstellungen erlauben Serviceziele von 50% bis 99,9%, eine zusätzliche Bestandsuntergrenze sowie Schutz gegen Lieferverzögerungen durch frühere Bestellungen oder zusätzlichen Bestand. Der Customer Success Manager legt das Standardziel des Standorts fest. Eine vom Nutzer definierte Bestandsobergrenze löst eine Warnung aus; sie begrenzt die Bestellmengen nicht. 3
Diese Einstellungen verkörpern finanzielle Entscheidungen mit weitreichenden Folgen. Ein Serviceprozentsatz verrät nicht, ob eine weitere Einheit Absicherung mehr einbringt, als sie kostet. Ebenso erklärt eine Untergrenze in Reichweitentagen nicht die Opportunitätskosten des dafür beanspruchten Kapitals oder Lagerraums.
Die Unsicherheitsberechnung und die wirtschaftliche Entscheidung sollten daher getrennt bewertet werden. Ein gut kalibriertes Quantil hoher Nachfrage kann eine schlechte Einkaufspolitik unterstützen, wenn das Ziel aus Gewohnheit oder anhand einer groben Produktklassifizierung gewählt wird. Es fehlt der Nachweis einer Methode, die Absicherung und Bestellungen aus ihren finanziellen Folgen über das gesamte Portfolio hinweg ableitet.
Einschränkungen hängen vom ausgeführten Rechenweg ab
Das Handbuch zu Lieferantenrestriktionen unterscheidet den zeitgesteuerten Planungsprozess von der interaktiven Aktion Optimize. Letztere berücksichtigt demnach bislang keine Mindestbestellungen beim Lieferanten, vollen Lkw-Ladungen, Bestellfrequenzen beim Lieferanten oder Mengenrestriktionen für Produktgruppen. Der zeitgesteuerte Agent zeigt, welche Restriktionen für jeden Standort aktiviert sind. Eine Notfalllieferantenoption wählt einen Lieferanten, der einen Fehlbestand verhindern kann, und entscheidet sich bei mehreren geeigneten für den günstigsten. 5
Das ist enger gefasst als die Zusicherung auf der KI-Seite, sämtliche realen Restriktionen auf jeder Detailebene einzuhalten. 29 Ein Planer kann über einen Rechenweg eine Empfehlung erhalten, die anderen Regeln folgt als die Empfehlung eines anderen Rechenwegs. Diese Unterscheidung gehört in die Bewertung ausführbarer Entscheidungen und nicht nur auf eine Funktionsliste.
Kapazität bildet eine weitere Grenze. Das Handbuch beschreibt die Gruppierung von Produkten nach einer begrenzten Ressource, den Vergleich der Last mit Grenzwerten und Warnmeldungen. Um eine Überlastung zu beheben, müssen geplante Aufträge in der Planungsoberfläche verschoben oder reduziert werden. 6 Damit sind Kapazitätstransparenz und manuelle Korrektur dokumentiert, nicht aber die automatische Auswahl des wirtschaftlich vorzuziehenden zulässigen Produktionsplans.
Auch die Notfalllieferantenregel lässt eine wirtschaftliche Frage offen: Jeden vermeidbaren Fehlbestand zu verhindern, kann mehr kosten, als manche Fehlbestände hinzunehmen. Preisunterschied, entgangene Marge, Folgen für Kunden und die Wahrscheinlichkeit einer verspäteten Lieferung des regulären Lieferanten müssen darüber entscheiden, ob eine beschleunigte Beschaffung sinnvoll ist.
Simulationen machen Zielkonflikte von Richtlinien sichtbar, mit Grenzen
Im Tactical-Modul können Anwender Pufferniveaus für ausgewählte Produkte ändern und die prognostizierten Bestände, Lieferungen, Reichweiten und Tage ohne Bestand prüfen, bevor sie die Änderungen übernehmen. Die Dokumentation warnt davor, dass Schätzungen der Tage ohne Bestand in der Lite-Simulation ungenau sein können, und verweist auf einen umfassenderen Simulationsmodus. 30
Diese Projektionen können Änderungen an Richtlinien unterstützen, machen aber zugleich Vorhersagen über zahlreiche künftige Betriebszustände. Die Bezeichnung digitaler Zwilling im Flowlity-Marketing belegt deren Genauigkeit nicht. Eine Validierung sollte erwartete Fehlbestände, Zugänge, Bestände und daraus entstehende Kosten am Entscheidungshorizont abdecken, einschließlich Situationen, in denen eine Richtlinie das Verhalten verändert.
Die Roadmap vom November 2026 führt ein umfangreicheres Scenario Studio als in aktiver Entwicklung und budgetbeschränkten Einkauf als spätere Aufgabe auf. 26 Diese Unterscheidungen begrenzen den gegenwärtigen Anspruch umfassender Optimierung: Ein System kann knappes Einkaufskapital nicht gemeinsam durch eine Fähigkeit zuteilen, die noch als künftige Arbeit beschrieben wird.
Prognosegenauigkeit und Kundenergebnisse
Eine Behauptung von 95,4% ohne reproduzierbare Bedeutung
Die Bestandsseite berichtet für Saint-Gobain eine Zuverlässigkeit der Verbrauchsprognose von 95,4%, gemessen an den tatsächlichen Verkäufen nach drei Monaten. Sie nennt weder die Formel noch die Granularität nach Produkt und Standort, Aggregationsgewichte, Bewertungszeitpunkte oder den Umgang mit Fehlbeständen. 21 Ein derart hoher Prozentsatz ohne diese Definitionen ist ein Warnsignal. Er kann keine genauen Vorhersagen für einzelne Nachschubentscheidungen belegen.
Flowlitys Kennzahlenhandbuch erläutert das Aggregationsproblem ausdrücklich. Es enthält einen aggregierten Fehler, der nach dem Aufsummieren von Prognosen und Nachfrage berechnet wird, gewichtete absolute Fehler und einen ungewichteten Durchschnitt. Es erkennt an, dass sich gegenläufige Fehler im aggregierten Maß aufheben können. Das Dashboard verwendet monatliche Messungen über mehrere Prognosehorizonte. 7
Ein Aggregat kann hervorragend aussehen, während einzelne Artikel stark falsch prognostiziert werden. Wird ein Artikel um 100 Einheiten über- und ein anderer um 100 unterschätzt, ist die gemeinsame Prognose korrekt, während die Nachschubentscheidungen sowohl Überschüsse als auch Fehlbestände erzeugen können. Die Klarheit des Handbuchs erleichtert die Prüfung des Produkts; die öffentliche Schlagzeile muss dennoch angeben, welches Maß sie verwendet.
Eine Versionsnotiz vom April 2025 kündigte zudem an, Prognosen nach Produkt und Kunde durch Prognosen auf Produktebene zu ersetzen, die anschließend auf Kunden verteilt werden. Die Änderung wurde teilweise mit höherer Genauigkeit auf aggregierter Ebene begründet. 24 Relevant ist jedoch die Qualität der daraus entstehenden Entscheidungen auf Kundenebene. Bessere Genauigkeit vor der Aufteilung beweist keine bessere Zuteilung danach.
Kundenbelege haben deutlich unterschiedliche Geltungsbereiche
| Fall | Veröffentlichtes Ergebnis und Umfang | Bewertung |
|---|---|---|
| La Redoute | Die Seite vom Oktober 2026 berichtet nach sechs Monaten von 50% weniger Verpackungsbestand, gemessen am Lagerplatz, und 37.000–78.000 € jährlicher Kostensenkung für 20 Verpackungsartikel an zwei Standorten. 18 | Ein konkreter, begrenzter Nachschubanwendungsfall. Lagerplatz ist nicht dasselbe Maß wie Bestandswert; der Fall liefert keine vollständige Gegenrechnung der Projektkosten. |
| Saint-Gobain Sekurit | Der Fall vom Oktober 2026 berichtet von 15% Prognoseverbesserung auf SKU-Ebene, 9,25% weniger Bestand und einem Anstieg der Verfügbarkeit von 95,8% auf 97,2%. Er enthält eine namentliche Kundenaussage. 19 | Diese Betriebskennzahlen stützen den Nachweis eines Einsatzes. Die Seite erklärt, dass eine durchgängige Kostenmessung noch entwickelt wird; dies begrenzt die begleitende Behauptung einer nachgewiesenen Kapitalrendite. |
| Camif | Der Anbieter berichtet von freigesetzter Kapazität im Umfang etwa einer Vollzeitstelle, ausgedrückt als 1.760 Stunden jährlich, sowie von 44% Wachstum und zwei zusätzlichen Lagern ohne Vergrößerung des Planungsteams. Er schätzt zusätzliche jährliche Umsätze aus vermiedenen Fehlbeständen auf 40.000 €. 20 | Ein stärkerer Produktivitätsbeleg als eine allgemeine Zeitersparnisbehauptung. Gesicherter Umsatz ist kein Gewinn, und freigesetzte Kapazität bedeutet nicht zwingend eingesparte Personalkosten. |
| Danone | Die Schlagzeile vom September 2026 nennt einen Bestandsrückgang um 40%. Die FAQ beschreibt eine Reduzierung um 17,28% in einer sechsmonatigen Simulation und eine erwartete Reduzierung um 28–40% über ein Jahr, ausgehend von einem Pilotprojekt mit 27 Produkten. Separat wird behauptet, eine spätere Lieferantensynchronisierung habe Danones Bestand um etwa 12,40% und die Fertigwarenbestände der Lieferanten um 30–60% gesenkt. 17 | Die späteren Behauptungen machen die frühere 40%-Projektion nicht zu einem dokumentierten realisierten Ergebnis. Die Seite muss Zeiträume, Ausgangswerte und betrachtete Gruppen hinter ihrer Schlagzeile in Einklang bringen. |
Die älteren Anwendungen sind historisch wichtig: Sie zeigen ein funktionierendes Produkt vor dem jüngsten Agentenbranding. Den zusätzlichen Beitrag von 2025 oder 2026 eingeführten Fähigkeiten können sie nicht belegen.
Auch die wirtschaftliche Prüfung unterscheidet sich je nach Ergebnis. Freigesetzter Bestand ist eine Bilanzveränderung; geringere Lagerhaltungskosten sind ein wiederkehrender Kostenvorteil; zusätzliche Umsätze tragen nur ihre Marge nach zugehörigen Kosten bei. Werden alle drei zu einer undifferenzierten ROI-Behauptung zusammengefasst, kann dieselbe Verbesserung mehrfach gezählt werden.
Produktivität: Hintergrundautomatisierung bei fortbestehendem Prüfprozess
Das aktuelle Agentenhandbuch dokumentiert wöchentliche Anomaliekorrekturen, Prognosen und Produktzuordnungen sowie eine Beschaffungsplanung, die gewöhnlich täglich läuft. Manche Korrekturen können automatisch übernommen werden; andere Konfigurationen warten auf eine Prüfung, und Änderungen an Anomalieeinstellungen laufen über den Customer Success Manager. 9 Das sind substanzielle Berechnungen im Hintergrund.
Das separate Modul Automations plant massenhafte Richtlinienänderungen anhand gespeicherter Ansichten. Diese Ansichten definieren die betroffenen Produkte dynamisch, sodass eine Änderung eines gemeinsam genutzten Filters den Umfang künftiger Ausführungen verändert. 10 Das kann wiederkehrende Bearbeitungen beseitigen, schafft aber eine Wartungspflicht: Ein Anzeigefilter ist Teil ausführbarer Planungslogik geworden.
Der vorgeschriebene Prognoseprüfprozess bleibt arbeitsintensiv. Der Leitfaden empfiehlt 10–20 Produkte pro Planer und Prüfung, zunächst wöchentlich und später monatlich, mit einer 45-minütigen Besprechung zur Diagnose der Artikel, Einbeziehung kaufmännischer Informationen und Dokumentation von Entscheidungen. Er weist dem Planungsteam die endgültige Prognoseverantwortung und dem Management die monatliche KPI-Aufsicht zu. 8
Das Problem ist nicht, dass menschliches Urteilsvermögen existiert. Es besteht darin, wiederholt Expertenzeit auf einzelne SKU-Prognosen zu verwenden, statt einen allgemeinen Fehler im Entscheidungsprozess zu korrigieren. Ein wiederkehrender Fehlbestand aufgrund von Lieferantenkorrelation lässt sich nicht dadurch lösen, dass die zentrale Prognose eines weiteren Artikels verfeinert wird.
Hier verändert Holimization die Bewertung. Ein produktives System sollte helfen, das Scheitern seines wirtschaftlichen Modells zu verstehen, das Modell zu überarbeiten und die Änderung über die betroffenen Entscheidungen hinweg zu testen. Flowlity unterstützt Eingabekorrekturen und Richtlinienänderungen. Öffentliche Belege sind dünner hinsichtlich des Aufwands und der Validierung, die nötig werden, wenn die Richtlinienfamilie selbst ungeeignet ist.
MCP ändert die Oberfläche, nicht die zugrunde liegende Arbeitsteilung
Die Ankündigung von Co-planner vom April 2026 stellt einen Konnektor vor, mit dem sich über einen externen Assistenten SKUs untersuchen, Aktionen erstellen und Arbeitsabläufe bedienen lassen. Sie belässt das Urteil ausdrücklich beim Planer. 13 Das ist eine vergleichsweise kostengünstige Erweiterung der Oberfläche, kein Beleg für eine neue Nachschubmethode oder eigenständiges wirtschaftliches Denken.
Das aktuelle Handbuch grenzt den operativen Umfang ein: Der Konnektor kann Planungsdaten lesen und ausgewählte Änderungen vornehmen, etwa Aktionen und Ansichten erstellen. Er kann jedoch keine Aufträge bestätigen oder ändern, Prognosewerte manuell bearbeiten oder Einstellungen ändern. 11 Die begleitenden Skills bereiten Prüfungen vor; Anwender entscheiden und handeln in der Anwendung. 12
Diesen Ablauf als Supply-Chain-Autopiloten zu bewerben, erhält unter einer dialogbasierten Oberfläche das bestehende Prüfmodell. Die technische Leistung, die Produktivität verändern würde, wäre ein verlässlicher Entscheidungsprozess mit wesentlich weniger wiederkehrender menschlicher Aufmerksamkeit. Kein veröffentlichter Vergleich weist diese Verbesserung für Co-planner nach.
Konfigurationspflege und wirtschaftliche Verantwortung
Eine Flowlity-Implementierung hinterlässt zahlreiche Entscheidungen, die gepflegt werden müssen: Serviceziele, Bestandsuntergrenzen, Verzögerungsrichtlinien, Produktähnlichkeiten, Expertenmodelle, Lieferantenrestriktionen und die Ansichten, die Automatisierungen steuern. Manche Entscheidungen beeinflussen einander. Eine feste Untergrenze kann ein niedrigeres Serviceziel neutralisieren; ein Datenfeed kann eine in der Anwendung vorgenommene Restriktionsänderung überschreiben.
Die Kosten wachsen mit den Ausnahmen, nicht einfach mit der Zahl der Bildschirme. Ein Kunde muss festlegen, wer eine überholte Richtlinie erkennt, wer sie ändert und wie die daraus entstehenden Aufträge geprüft werden. Verändert ein Lieferant sein Lieferverhalten, sollte die Reaktion über einen dauerhaft größeren Puffer hinausgehen, wenn ein anderer Lieferant, Bestellrhythmus oder eine andere Geschäftsvereinbarung günstiger wäre.
Das veröffentlichte Geschäftsmodell sieht für Enterprise-Kunden ein Abonnement plus Implementierungsgebühr vor; Lite nutzt ein monatliches Abonnement ohne Implementierungsgebühr. Die Preise hängen vom Umfang ab, etwa von SKUs, Nutzern oder Bestandswert. 28 Prognoseneuberechnungen und manche Agentenoperationen verbrauchen außerdem Credits. 4 9 Die gesamten Besitzkosten umfassen diese Gebühren, die Prüfaufgaben des Kunden, Konfigurationsunterstützung des Anbieters und Änderungen an vorgelagerten Datenfeeds.
Das Agentenmarketing verspricht, Anwender hätten „keine Ausreden mehr“, wenn sie Bestands- und Serviceziele verfehlen. 27 Das ist eine unglückliche Verantwortungszuweisung, wenn Anwender wichtige Richtlinieneinstellungen wählen und Empfehlungen bestätigen müssen. Sie lässt die Einführung als hinreichend erscheinen, während die finanziellen Folgen beim Kunden bleiben.
Öffentliche Belege zeigen weder eine standardmäßige Ergebnisgarantie noch ein gemeinsames Messprotokoll, das Modellschwächen von schlechten Eingaben oder Konfigurationen trennt. Kundenfälle sollten Ausgangswerte, Eingriffszeitpunkte, vollständige laufende Kosten und die Verantwortung für Abhilfe offenlegen, wenn die versprochenen wirtschaftlichen Ergebnisse ausbleiben.
Technologiegeschichte und Integrität der Roadmap
| Zeitraum | Belege | Veränderung |
|---|---|---|
| 2019–2021 | Flowlitys PR-Agentur nennt den Start 2019 und beschreibt das Produkt in ihrer Kundenreferenz von 2021 als KI-basierte Prognose und Bestandsoptimierung. 22 | Schon vor der LLM-Ära war KI das Verkaufslabel für eine spezialisierte Prognose- und Nachschubanwendung. |
| 2023 | Der auf September 2023 datierte Artikel beschreibt Entkopplungspunkte, getrennte Verbrauchs- und Lieferzeitprognosen sowie probabilistische Puffer. 23 | Der technische Schwerpunkt blieb die Bestandsabsicherung rund um lokale Prognosen, mit einem ausdrücklichen Unsicherheitsargument. |
| April–September 2025 | Versionsnotizen dokumentieren die Prognoseaggregation über die Kundendimension, das Modul Supply Chain Agents und zeitgesteuerte Automations. 24 | Das Agentenlabel umfasste bestehende Kategorien von Prognose- und Planungsarbeit im Hintergrund; tatsächliche Richtlinienautomatisierung kam ebenfalls hinzu. |
| April–Mai 2026 | Versionsnotizen dokumentieren Preise/Aktionen und einen Agenten für Preisrecherche, gefolgt von Forecast Studio. 25 | Dies sind identifizierbare Produktlieferungen einschließlich Modellsteuerung und kaufmännischer Berechnungen, keine vollständig angestrebte Erweiterung ohne Umsetzung. |
| November 2026 | Die Roadmap unterscheidet ausgelieferte Funktionen von Entwicklung und späterer Arbeit, darunter Scenario Studio, Retourenprognosen und budgetbeschränkter Einkauf. 26 | Der offengelegte künftige Umfang ist enger und nützlicher als ein uneingeschränkter Anspruch durchgängiger Autonomie. |
Flowlitys Geschichte zeigt eine beständige Ausrichtung auf Nachschub. Die Schwäche liegt in der aufgeblähten Sprache rund um diesen Kern. Ein zeitgesteuerter Prognosejob, ein probabilistischer Puffer und ein LLM, das Werkzeuge nutzt, sind unterschiedliche Technologien mit unterschiedlichen Fehlerarten.
Die Versionsnotizen machen außerdem eine konkrete Lieferlücke sichtbar. Im April 2025 wurde Forecast Studio binnen sechs Monaten erwartet; seine Einführung ist im Mai 2026 dokumentiert. 24 25 Durch die Veröffentlichung dieser Abfolge lässt sich die Umsetzung bewerten. Das ist aufschlussreicher als Auszeichnungen oder die Behauptung, das Produkt sei auf einzigartige Weise KI-nativ.
Die aktuelle Lehre braucht weiterhin eine schärfere Trennung zwischen Prognoseverbesserung, Richtliniensimulation und finanzieller Optimierung. Das Produkt hat sich weiterentwickelt, doch eine Folge von Oberflächen- und Automatisierungsveröffentlichungen beweist nicht, dass diese drei Probleme zu einem einzigen gelösten Problem geworden sind.
Softwarekomponenten
Eine Arbeitgeberbeschreibung auf der Stellenbörse des Investors Fortino benennt die Backend-Umgebung. Eine separate Flowlity-Ausschreibung für Data Engineering nennt die Fähigkeiten für die Datenentwicklung. Diese Quellen ermöglichen eine konkretere Bestandsaufnahme als die allgemeine Microservices-Beschreibung auf der Website. 15 16
| Komponenten | Zugeordnete Rolle |
|---|---|
| Node.js, TypeScript, NestJS, PostgreSQL | Anwendungsbackend; die Stellenanzeige bezeichnet PostgreSQL als maßgebliche Datenquelle |
| Vue | Anwendungsoberfläche |
| RabbitMQ | Aufgeführte Messaging-Komponente des Backends |
| dbt | Datenmodelle, Tests, Dokumentation und Datenherkunft |
| Docker, Kubernetes, Terraform | Paketierung, Orchestrierung und Infrastrukturverwaltung |
| GitHub Actions; Elastic/Kibana | Auslieferungswerkzeuge und Beobachtbarkeit |
| SQL und Python | Erforderliche Data-Engineering-Kenntnisse in Flowlitys eigener Ausschreibung |
| Microsoft Azure | Vom Anbieter offengelegtes Hosting mit Kundendatenbanken in Frankreich 14 |
Die Backend-Stelle verlangt außerdem Wiederholungsversuche, Idempotenz, Schemaversionierung, Beobachtbarkeit und kontrollierte Einführung von Algorithmen. Diese Aufgaben verknüpfen Datenaufnahme, Datenmodellierung und Algorithmusbereitstellung. Die Rollen der Komponenten sind erkennbar; ihr gemeinsamer Wartungsaufwand ist nicht quantifiziert.
Die laufenden Kosten entstehen dadurch, diese Schichten synchron zu halten. Eine Schemaänderung muss Datenmodelltests, Aufnahmeverhalten, Planungsberechnungen und nachgelagerte Exporte erhalten. Separate Kundendatenbanken verbessern die Isolation, erfordern aber wiederholbare Migrationen und Überwachung über Kunden hinweg.
Flowlitys Dokumentation legt den Betrieb der Anwendung wesentlich deutlicher offen als die Interna ihrer Algorithmen. Anwender können Richtlinien prüfen und ändern, doch die zentrale Berechnung von Wahrscheinlichkeiten zu Puffern bleibt proprietär. Der Export von Prognosen und Aufträgen macht dieses Entscheidungsmodell nicht übertragbar.
Sicherheit: sinnvolle Grenzen, unvollständige Zusicherungen
Flowlity erklärt, jeder Kunde verfüge über eine isolierte Datenbank, Kommunikation und gespeicherte Daten seien verschlüsselt und Supportzugriffe des Anbieters bedürften einer Genehmigung. Die Integrationsseite beschreibt OAuth 2.0, rollenbasierte Berechtigungen und Auditprotokolle für Assistentenzugriffe. 14 Diese Mechanismen sind relevanter als die Zertifizierungssprache.
Auch das MCP-Handbuch unterscheidet Datenziele. Der Assistent in der Anwendung verwendet ein auf Azure gehostetes Modell unter Flowlitys Verträgen; ein externer Assistent erhält autorisierte Ergebnisse unter dem separaten Vertrag des Kunden mit diesem Anbieter. OAuth vermeidet die Weitergabe des Nutzerpassworts an den Assistenten, und der dokumentierte Werkzeugsatz begrenzt die möglichen Änderungen. 11
Autorisierter Zugriff umfasst weiterhin sensible Daten und die wirtschaftlich folgenreiche Erstellung von Aktionen. Die öffentlichen Materialien beschreiben weder die vollständige Abwehr bösartiger Anweisungen in importierten Inhalten noch die Begrenzung und Rücknahme der Folgen einer unbeabsichtigten Aktion.
Der Einführungsartikel vom April argumentiert, deterministische Datenbankabfragen machten die Zahlen real und nur die Formulierung der Antwort variiere. 13 Diese Zusicherung geht zu weit. Ein Assistent kann den falschen Zeitraum, die falschen Produkte oder Werkzeugparameter wählen und vollkommen reale Zahlen erhalten, die die falsche Frage beantworten. Er kann korrekte Ergebnisse auch falsch interpretieren. Eine korrekte Abfrageausführung ist eine Ebene der Korrektheit, keine Garantie für die Entscheidung.
Supply-Chain-Bewertung
Tiefe des Supply-Chain-Verständnisses
| Kriterium | Bewertung |
|---|---|
| Wirtschaftliche Problemstellung | 4/10 |
| Entscheidungsendpunkt | 6/10 |
| Begriffliche Präzision in der Supply Chain | 5/10 |
| Unabhängigkeit von überholten zentralen Lehrsätzen | 4/10 |
| Widerstand gegen KPI-Theater | 4/10 |
Durchschnitt: 4,6/10
Wirtschaftliche Problemstellung — 4/10. Bestand, Verfügbarkeit und kaufmännische Kosten werden berücksichtigt. Serviceziele und Puffereinstellungen tragen weiterhin Entscheidungen, die nicht aus einem offengelegten finanziellen Ziel auf Portfolioebene abgeleitet werden. 2 3 30
Entscheidungsendpunkt — 6/10. Das Produkt erzeugt terminierte Bestellmengen und unterstützt die operative Übermittlung. Die Bestätigung durch Planer und unterschiedliche Rechenwege begrenzen den Anspruch, autonom durchgängig ausführbare Entscheidungen zu erzeugen. 5 9 10
Begriffliche Präzision in der Supply Chain — 5/10. Nachfrage- und Lieferzeitunsicherheit werden ausdrücklich behandelt. Das öffentlich beschriebene Design ist weniger klar bei gemeinsamen Risiken, dem Wettbewerb um Ressourcen und dem Unterschied zwischen einem schützenden Bestandsniveau und einer wirtschaftlich bevorzugten Handlung. 2 3 5
Unabhängigkeit von überholten zentralen Lehrsätzen — 4/10. Probabilistische Puffer verbessern feste Durchschnittswerte. Das Betriebsmodell stützt sich weiterhin stark auf Serviceziele, Bestandskorridore, Produktkategorien und wiederkehrende Prognoseprüfungen. 2 3 8
Widerstand gegen KPI-Theater — 4/10. Das Kennzahlenhandbuch erklärt Aggregation und die gegenseitige Aufhebung von Fehlern. Die undefinierte Schlagzeile hoher Genauigkeit und der uneinheitliche Umgang mit simulierten Kundenvorteilen untergraben diese Disziplin. 7 17 21
Substanz von Entscheidungen und Optimierung
| Kriterium | Bewertung |
|---|---|
| Tiefe der probabilistischen Modellierung | 6/10 |
| Eigenständige Substanz in Optimierung oder maschinellem Lernen | 4/10 |
| Umgang mit realen Restriktionen | 5/10 |
| Entscheidungsautomatisierung und Arbeitsproduktivität | 5/10 |
| Anpassungsfähigkeit bei realer betrieblicher Komplexität | 4/10 |
Durchschnitt: 4,8/10
Tiefe der probabilistischen Modellierung — 6/10. Sowohl Nachfrage- als auch Wiederbeschaffungsverteilungen fließen in zeitvariable Bestandsabsicherung ein. Die unveröffentlichte Formel, Kalibrierung und Abhängigkeitsstruktur verhindern eine stärkere Bewertung ihrer gemeinsamen Eignung. 2 3
Eigenständige Substanz in Optimierung oder maschinellem Lernen — 4/10. Die Dokumentation benennt produktübergreifendes Lernen, Expertenmodelle und operative Berechnungen. Sie liefert keinen reproduzierbaren Vergleich, der eigenständige wirtschaftliche Optimierung nachweist. 2 4
Umgang mit realen Restriktionen — 5/10. Produkt- und Lieferantenregeln sind konkret dokumentiert. Die interaktive Optimierung lässt mehrere gruppierte Restriktionen aus; der Umgang mit Kapazität wird durch Warnungen und Änderungen der Planer beschrieben. 5 6
Entscheidungsautomatisierung und Arbeitsproduktivität — 5/10. Hintergrundplanung und zeitgesteuerte Richtlinienaktualisierungen reduzieren Arbeit, und Camif berichtet von einem bedeutsamen Kapazitätsgewinn. Co-planner erhält den Prüfprozess aufrecht, während der vollständige wiederkehrende Arbeitsaufwand ungemessen bleibt. 10 13 20
Anpassungsfähigkeit bei realer betrieblicher Komplexität — 4/10. Anwender können Eingaben, Pufferrichtlinien und Simulationen ändern. Öffentliche Belege sind schwächer bei der Neuformulierung des Entscheidungsproblems, wenn Fehler fehlende Abhängigkeiten oder wirtschaftlich ungeeignete Regeln aufdecken, sowie beim Testen solcher Änderungen über das Portfolio hinweg. 3 25 30
Integrität von Produkt und Architektur
| Kriterium | Bewertung |
|---|---|
| Architektonische Kohärenz | 6/10 |
| Klarheit der Systemgrenzen | 7/10 |
| Ernsthaftigkeit des Sicherheitsansatzes | 5/10 |
| Sparsamkeit der Software und Gesamtbetriebskosten | 4/10 |
| Eignung für programmgesteuerte und agentenunterstützte Abläufe | 4/10 |
Durchschnitt: 5,2/10
Architektonische Kohärenz — 6/10. Prognosen, Richtlinien, Aufträge und Konfiguration teilen ein erkennbares Anwendungsmodell. Unterschiedliche Rechenwege und wachsende Module verlangen klarere Garantien für konsistente Entscheidungen. 2 5 25
Klarheit der Systemgrenzen — 7/10. Flowlity ist ausdrücklich eine Ergänzung bestehender Unternehmenssysteme. Die aktuelle Dokumentation erklärt Assistentenberechtigungen, Planerverantwortung und den Umfang geplanter Fähigkeiten. 11 14 26
Ernsthaftigkeit des Sicherheitsansatzes — 5/10. Getrennte Mandantendatenbanken, Authentifizierung, Berechtigungen und offengelegte Datenziele sind substanziell. Das Angriffsmodell für Agenten und die übermäßig selbstsichere Zusicherung von Korrektheit lassen wichtige Lücken. 11 13 14
Sparsamkeit der Software und Gesamtbetriebskosten — 4/10. Der Stack hat zuordenbare Rollen, doch Infrastrukturwartung verbindet sich mit zahlreichen Richtlinieneinstellungen, bezahlten Neuberechnungen und wiederkehrenden Kundenprüfungen. Die gesamten Betriebskosten werden öffentlich nicht mit dem Nutzen abgeglichen. 3 4 9 15 16 28
Eignung für programmgesteuerte und agentenunterstützte Abläufe — 4/10. APIs und zeitgesteuerte Berechnungen unterstützen die Integration. Die hervorgehobenen MCP-Anwendungsfälle bilden überwiegend manuelle Untersuchungen nach, und der Konnektor kann den Bestellprozess nicht bis zur Ausführung tragen. 10 11 12
Technische Transparenz
| Kriterium | Bewertung |
|---|---|
| Öffentliche technische Dokumentation | 7/10 |
| Prüfbarkeit ohne Vermittlung des Anbieters | 7/10 |
| Sichtbarkeit von Portabilität und Anbieterbindung | 5/10 |
| Transparenz der Implementierungsmethode | 7/10 |
| Belegdichte hinter technischen Behauptungen | 5/10 |
Durchschnitt: 6,2/10
Öffentliche technische Dokumentation — 7/10. Öffentliche Handbücher behandeln Formeln, Einstellungen, Grenzen, Berechtigungen und Veröffentlichungen. Die zentralen probabilistischen und Optimierungsalgorithmen bleiben unzureichend offengelegt. 2 5 11 25
Prüfbarkeit ohne Vermittlung des Anbieters — 7/10. Ein Leser kann ohne Verkaufsvorführung erhebliche Betriebsdetails feststellen. Die entscheidende fehlende Ebene ist die reproduzierbare Prüfung der Engine und ihrer Leistungsbehauptungen. 2 4 5
Sichtbarkeit von Portabilität und Anbieterbindung — 5/10. Für Daten und operative Ausgaben gibt es Exportwege. Proprietäre Berechnungen, Konfigurationskonventionen und vom Anbieter unterstützte Einstellungen müssten bei einer Migration dennoch ersetzt werden. 5 14 30
Transparenz der Implementierungsmethode — 7/10. Handbücher und Fälle beschreiben Konfiguration, Tests und operative Prüfungen konkret. Sie machen fortlaufende Arbeit sichtbar, ohne deren vollständige Kosten zu quantifizieren. 3 8 17
Belegdichte hinter technischen Behauptungen — 5/10. Namentliche Kundenfälle, aktuelle Handbücher und detaillierte Versionsnotizen liefern erhebliche Belege. Algorithmische Überlegenheit, hohe Prognosezuverlässigkeit und vollständig autonomer Betrieb sind deutlich weniger belegt. 17 20 25 29
Ernsthaftigkeit des Anbieters
| Kriterium | Bewertung |
|---|---|
| Technische Ernsthaftigkeit der öffentlichen Kommunikation | 3/10 |
| Integrität der technologischen Roadmap | 6/10 |
| Begriffliche Präzision | 4/10 |
| Wirtschaftliche Verantwortung | 4/10 |
| Bestand der Wettbewerbsvorteile in einer Welt agentischer Software | 5/10 |
Durchschnitt: 4,4/10
Technische Ernsthaftigkeit der öffentlichen Kommunikation — 3/10. Die öffentlichen Behauptungen zu Genauigkeit, universellem Umgang mit Restriktionen, Autopilot und Korrektheit deterministischer Werkzeuge gehen über das andernorts dokumentierte begrenztere Verhalten hinaus. 13 21 27 29
Integrität der technologischen Roadmap — 6/10. Datierte Versionsnotizen und eine gestufte Roadmap zeigen identifizierbare Lieferungen und machen Verzögerungen sichtbar. Die jüngste Agententerminologie muss weiterhin von den zugrunde liegenden rechnerischen Fortschritten getrennt werden. 24 25 26
Begriffliche Präzision — 4/10. Das Produkt versteht Bestandsunsicherheit besser, als seine Slogans vermuten lassen. Es verwischt die Grenzen zwischen probabilistischer Absicherung, manueller Szenarioauswahl und autonomer finanzieller Optimierung. 2 27 30
Wirtschaftliche Verantwortung — 4/10. Manche Fälle quantifizieren betriebliche Verbesserungen und Arbeitskapazität. Simulierte und erreichte Vorteile werden nicht konsequent getrennt, und die Verantwortung für enttäuschende wirtschaftliche Ergebnisse ist nicht klar zugewiesen. 17 18 19 20 27
Bestand der Wettbewerbsvorteile in einer Welt agentischer Software — 5/10. Eine gepflegte Nachschubengine und Kundenintegrationen können ihren Wert behalten. Dialogbasierter Zugriff und Hilfe bei SKU-Prüfungen bieten wesentlich weniger dauerhafte Differenzierung als nachweislich bessere Entscheidungen bei geringerem Gesamtarbeitsaufwand. 5 11 12 20
Quellen
Die Quellen wurden am 4. November 2026 geprüft. Kundenkennzahlen stammen, sofern nicht anders angegeben, vom Anbieter; Veröffentlichungsdaten belegen nicht den Zeitpunkt der zugrunde liegenden Einführung.
[1] KI-gestützte Supply-Chain-Prognose und -Planung
KI-gestützte Supply-Chain-Prognose und -Planung. Undatiert; abgerufen am 4. November 2026.
[2] Wie Flowlity Stock Min berechnet
Wie Flowlity Stock Min berechnet. Undatiert; abgerufen am 4. November 2026.
[3] Sicherheitsbestandseinstellungen
Sicherheitsbestandseinstellungen. Undatiert; abgerufen am 4. November 2026.
[4] Nachfrageprognosen erklärt
Nachfrageprognosen erklärt. Undatiert; abgerufen am 4. November 2026.
[5] Lieferantenrestriktionen und Auftragsverwaltung
Lieferantenrestriktionen und Auftragsverwaltung. Undatiert; abgerufen am 4. November 2026.
Kapazität. Undatiert; abgerufen am 4. November 2026.
Kennzahlenglossar. Undatiert; abgerufen am 4. November 2026.
[8] Eine Prüfung der Prognosegenauigkeit durchführen
Eine Prüfung der Prognosegenauigkeit durchführen. Undatiert; abgerufen am 4. November 2026.
Agenten. Undatiert; abgerufen am 4. November 2026.
Automatisierungen. Undatiert; abgerufen am 4. November 2026.
[11] Co-planner in Ihren KI-Werkzeugen
Co-planner in Ihren KI-Werkzeugen. Undatiert; abgerufen am 4. November 2026.
Co-planner-Skills. Undatiert; abgerufen am 4. November 2026.
[13] Flowlity Co-Planner: dialogbasierte KI für die Supply Chain
Flowlity Co-Planner: dialogbasierte KI für die Supply Chain. Veröffentlicht oder aktualisiert am 13. April 2026; abgerufen am 4. November 2026.
[14] Integration und Sicherheit
Integration und Sicherheit. Undatiert; abgerufen am 4. November 2026.
[15] Senior Software Engineer — Backend
Senior Software Engineer — Backend. Undatiert; abgerufen am 4. November 2026.
Data Engineer. Undatiert; abgerufen am 4. November 2026.
[17] Danone: Fall zur automatisierten Wiederbeschaffung
Danone: Fall zur automatisierten Wiederbeschaffung. Veröffentlicht oder aktualisiert am 29. September 2026; abgerufen am 4. November 2026.
[18] La Redoute: Fall zu Verpackungsbeständen
La Redoute: Fall zu Verpackungsbeständen. Veröffentlicht oder aktualisiert am 14. Oktober 2026; abgerufen am 4. November 2026.
[19] Saint-Gobain Sekurit: Prognosefall
Saint-Gobain Sekurit: Prognosefall. Veröffentlicht oder aktualisiert am 19. Oktober 2026; abgerufen am 4. November 2026.
[20] Camif: Produktivitätsfall
Camif: Produktivitätsfall. Veröffentlicht oder aktualisiert am 16. Oktober 2026; abgerufen am 4. November 2026.
Bestandsoptimierung. Undatiert; abgerufen am 4. November 2026.
[22] Citron Plume: Kundenreferenz Flowlity
Citron Plume: Kundenreferenz Flowlity. Veröffentlicht oder aktualisiert 2021; abgerufen am 4. November 2026.
[23] Wie man eine widerstandsfähige Supply Chain aufbaut
Wie man eine widerstandsfähige Supply Chain aufbaut. Veröffentlicht oder aktualisiert am 29. September 2023; abgerufen am 4. November 2026.
Versionsnotizen 2025. Veröffentlicht oder aktualisiert 2025; abgerufen am 4. November 2026.
Versionsnotizen 2026. Veröffentlicht oder aktualisiert 2026; abgerufen am 4. November 2026.
Roadmap. Veröffentlicht oder aktualisiert am 1. November 2026; abgerufen am 4. November 2026.
AI Agents Suite. Undatiert; abgerufen am 4. November 2026.
Flowlity-FAQ. Undatiert; abgerufen am 4. November 2026.
Künstliche Intelligenz. Undatiert; abgerufen am 4. November 2026.
Tactical. Undatiert; abgerufen am 4. November 2026.