Bewertung von KetteQ, Supply Chain Planning Software Anbieter

Von Léon Levinas-Ménard

Zuletzt aktualisiert: Dezember, 2025

KetteQ ist ein US-amerikanischer supply chain planning Softwareanbieter, der 2018 gegründet wurde und sich als eine „adaptive“ und „AI-first“ Alternative zu veralteten APS-Systemen positioniert, die nativ auf Salesforce für die UX und auf AWS für das rechenintensive Backend gebaut wurde.¹²³⁴ Das Hauptverkaufsargument des Unternehmens ist sein PolymatiQ™ solver, der als patentierender „agentic AI engine“ beschrieben wird und Tausende von Planungsszenarien in den Bereichen Nachfrage, Inventar, Produktion und Service durchführt, wobei Parameter automatisch abgestimmt und kontinuierlich aus Marktveränderungen gelernt wird, um robustere Pläne zu empfehlen.⁵¹⁶⁷ KetteQ richtet sich an mittelständische und große Unternehmen in den Bereichen Fertigung, Distribution und Service und nennt Marken wie Coca-Cola, Carrier, Johnson Controls, NCR Voyix und Alliance Consumer Group als Kunden.⁷⁸⁹ Seit 2021 hat das Unternehmen rund USD 30,9M an Venture-Finanzierung erhalten, gipfelnd in einer USD 20M Series-B-Runde im August 2025, die von Vocap Partners angeführt wurde, um die globale Expansion und Forschung & Entwicklung im Bereich agentic AI zu beschleunigen.¹⁰¹¹¹²¹³¹⁴ Architektonisch bietet KetteQ eine Multi-Mandanten-SaaS-Plattform, die Salesforce als transaktionale und kollaborative Schicht nutzt, während daten- und rechenintensive Aufgaben an AWS ausgelagert werden, mit eingebetteten Workflows, Benachrichtigungen und Analysen, die primär auf SQL, Python und JSON statt auf einer proprietären DSL basieren.¹²⁶⁴¹⁵ Technisch deuten öffentliche Informationen auf einen solver hin, der Multi-Pass-Simulation und Szenario-Generierung mit machine learning-gestützter Vorhersage und Parameterabstimmung orchestriert, jedoch ohne detaillierte Angaben zu Modellklassen, Zielfunktionen oder Optimierungsalgorithmen und ohne unabhängiges Benchmarking, wie es Forecasting-Wettbewerben üblich ist.⁵¹⁶³¹⁰ Geschäftlich ist das Unternehmen noch relativ jung: Es hat echte Kunden, einen modernen Technologiestack und substanzielles Funding, befindet sich jedoch noch in der Scale-up-Phase und ist noch kein seit Jahrzehnten etablierter Anbieter in der Planung.³¹⁰⁷⁸⁹ Die folgenden Abschnitte erläutern detaillierter KetteQs Geschichte, Produkt und Technologie und stellen seinen Ansatz Lokads die Quantitative Supply Chain Plattform gegenüber, wobei explizit Material von beiden Seiten herangezogen wird.¹⁶¹²¹⁷¹³¹⁸¹⁹²⁰

KetteQ Übersicht

KetteQ ist ein in Atlanta ansässiges Softwareunternehmen, das eine „adaptive“ supply chain planning und execution platform anbietet, mit einem starken Fokus auf KI-gesteuerte Szenarioplanung und Salesforce-Integration.⁵¹²⁴ Laut Sourcing Innovation, einem unabhängigen Branchenblog, wurde KetteQ 2018 gegründet und bewusst „im modernen Zeitalter auf einem vollumfänglichen, modernen Multi-Mandanten-Cloud-nativen SaaS-Stack“ aufgebaut, wobei aus mehr als 100 vorangegangenen supply chain planning Implementierungen und zwei früheren supply chain software Ventures der Gründer gelernt haben.³¹¹ KetteQs eigene Materialien präsentieren es als eine Cloud-native Plattform, „gebaut auf dem vertrauenswürdigen Fundament von Salesforce und AWS“, mit einer Architektur, die Salesforce für die Benutzererfahrung und Zusammenarbeit mit AWS-gehosteten Analytik- und Solver-Komponenten kombiniert.¹²⁴¹⁵

Die Flaggschiff-Funktionalität ist der PolymatiQ™ solver, der als patentierender, agentic AI solver beschrieben wird, der tausende Szenarien automatisch ausführt und bewertet, Planungsparameter abstimmt und „Echtzeit-Anpassungsfähigkeit“ in den Bereichen Nachfrage, Inventar, Produktion und Service liefert.⁵¹⁶⁷⁸ Das Produktportfolio gliedert sich in supply chain planning (demand planning, inventory planning, supply planning) und supply chain execution (Control Tower, Fulfillment, Work Orders, Service Parts), wobei jeweils PolymatiQ™-Szenarioanalysen und KI/ML-Vorhersagen zugrunde liegen.⁵¹⁷²¹ KetteQ positioniert sich dabei explizit gegen „statische“ Legacy-Planungssysteme, die vor 2010 entwickelt wurden, und argumentiert, dass ältere APS-Tools weder horizontale Skalierbarkeit, noch Echtzeit-Integration und dynamische Anpassungsfähigkeit bieten; die Sourcing Innovation-Bewertung unterstützt grob die Charakterisierung von KetteQs Plattform als modern, Multi-Mandanten und Cloud-nativ.⁶³²²

Geschäftlich listet KetteQ Referenzkunden und Logos, darunter Coca-Cola, Carrier, Johnson Controls, NCR Voyix und andere, und externe, finanzierungsbezogene Presseberichte erwähnen diese Namen und nennen Kennzahlen wie ein durchschnittliches jährliches CARR-Wachstum von ca. 170 % und eine Implementierungs-Erfolgsquote von 100 %.⁷⁸¹³¹⁴⁹ Die jüngste Series-B-Runde (USD 20M im August 2025) bringt die insgesamt offengelegte Finanzierung auf rund USD 30,9M über drei frühe Finanzierungsrunden, was unterstreicht, dass KetteQ die Seed-Phase hinter sich hat, aber sich noch im Wachstum befindet und noch kein langjährig etablierter Anbieter ist.¹⁰¹¹¹²²³¹³¹⁴

KetteQ vs Lokad

Aus der Perspektive der supply chain science besetzen KetteQ und Lokad überlappende Problembereiche (Nachfragevorhersage, Inventory- und supply chain planning sowie weitergehende Entscheidungsfindung in der supply chain), jedoch mit deutlich unterschiedlichen Philosophien und Architekturen.

Programming model vs. configurable app. KetteQ wird als konfigurierbare, cloud-native Anwendungssuite präsentiert, in der Planer primär über Salesforce-basierte UIs, standardisierte Datenmodelle und Szenario-Workbenches interagieren; die Erweiterbarkeit stützt sich auf gängige Technologien (SQL, Python, JSON) anstelle einer domänenspezifischen Sprache.¹²⁶ Im Gegensatz dazu ist Lokad im Kern eine programmierbare Plattform, die um seine Envision DSL herum aufgebaut ist – eine domänenspezifische Sprache für supply chain predictive optimization, welche alle Datenumwandlungen, probabilistischen Vorhersagen und Optimierungslogiken als Code ausdrückt.¹⁷¹³¹⁸ Envision ist eng mit Lokads Execution Engine und spaltenorientierter Speicherung integriert und explizit darauf ausgelegt, probabilistische Modellierung und Optimierung über umfangreiche supply chain Datensätze zu unterstützen.¹⁷¹³ Das bedeutet, dass KetteQ zu einem Modell der „konfigurierbaren Standard-Anwendung“ tendiert, während Lokad eine sprachzentrierte Umgebung bietet, in der kundenspezifische Entscheidungslogik als Skripte implementiert wird.

Treatment of uncertainty. KetteQs Materialien betonen „Multi-Pass probabilistic approaches“ und Tausende von Szenarien, gehen jedoch nur begrenzt darauf ein, wie Wahrscheinlichkeitsverteilungen dargestellt oder wie Unsicherheit mathematisch durch die Planungspipeline propagiert wird.⁵¹⁶³ Im Vergleich dazu dokumentiert Lokad öffentlich eine evolutionäre Entwicklung von klassischen Punktvorhersagen (2008) über Quantil-Vorhersagen (2012), Quantil-Gitters (2015) und probabilistische Forecasting-Methoden (2016) hin zu differentiable programming-basierten Vorhersagen und Optimierungen (ab 2019), die explizit auf vollständigen Wahrscheinlichkeitsverteilungen von Nachfrage und anderen unsicheren Variablen basieren.¹²²⁴²²²³¹⁵¹⁹ Die Dokumentation von Lokad beschreibt eine Algebra zufälliger Variablen, die in Envision eingebettet ist, sowie probabilistische Modelle, die direkt in seine Entscheidungsoptimierungsalgorithmen einfließen.¹⁷¹³¹⁸¹⁹

Optimierung & solver transparency. KetteQs PolymatiQ™ wird als patentierender agentic AI solver positioniert, der Tausende von Szenarien ausführt, Parameter abstimmt und resiliente Pläne zurückliefert, wobei in den öffentlichen Materialien nicht spezifiziert wird, ob die zugrundeliegende Optimierung auf mathematischer Programmierung, Metaheuristiken, Reinforcement Learning oder einem Hybrid beruht, noch wie Zielfunktionen und Nebenbedingungen formal ausgedrückt werden.⁵¹⁶³¹⁰ Lokad hingegen liefert relativ detaillierte Beschreibungen seiner Optimierungsparadigmen: stochastischer discrete descent für Inventarentscheidungen unter Unsicherheit, differentiable programming für kombinierte Forecasting/Optimierung und domänenspezifische Heuristiken für kombinatorische Planung – alles orchestriert über Envision und dokumentiert in allgemeinen sowie technischen Referenzen.¹²¹⁷¹³¹⁸¹⁹²⁵ Lokad verweist zudem auf externe Validierungen seines Forecasting- und Optimierungsstacks über den M5-Wettbewerb, bei dem es von 909 Teams den 6. Platz belegte und auf SKU-Aggregationsebene den 1. Rang erreichte, wobei probabilistische und differentiable programming-basierte Modelle zum Einsatz kamen.¹⁹¹⁴⁹²⁶

Decision outputs. Die Kommunikationsstrategie von KetteQ hebt Echtzeit-Planung, Control-Tower-Transparenz und einen „agentic AI“-Ansatz hervor, der „Tausende von Szenarien zur Planung jeder Möglichkeit“ durchläuft, wobei öffentliche Beispiele sich vor allem auf Szenario-Generierung, Dashboards und verbesserte Forecast-Genauigkeit konzentrieren – statt auf finanziell gereihte Aktionslisten mit expliziten wirtschaftlichen Treibern.⁵¹⁶⁷²¹⁸ Die Technologie-Seiten und Fallstudien von Lokad betonen monetarisierte Zielfunktionen (wirtschaftliche Treiber wie Lagerhaltungskosten, Fehlbestandsstrafen, Veralterung, Basket-Effekte) und priorisierte Entscheidungsliste (Investment-/Desinvestitionsempfehlungen, Order Lines, Transfers), geordnet nach erwarteter Rendite.¹³¹⁸²⁶²⁰²⁷²⁵ Der Fall Air France Industries MRO dokumentiert beispielsweise priorisierte Listen von Teilen, in die investiert oder von denen desinvestiert werden soll, was explizite Abwägungen zwischen Service-Level und im Inventar gebundenem Working Capital widerspiegelt.²⁰²⁷²⁵

Architecture and cloud posture. Beide Anbieter sind Multi-Mandanten-SaaS und Cloud-nativ, setzen dies jedoch unterschiedlich um. KetteQ teilt die Verantwortlichkeiten zwischen Salesforce (UX, Zusammenarbeit, Sicherheit, Datenteilung) und AWS (Solver, Analytik, Datenmanagement) auf und hebt Offenheit durch Standardtools wie SQL und Python statt proprietärer Stacks hervor.¹²⁶⁴¹⁵ Lokad operiert als Single-Stack-SaaS auf Microsoft Azure, mit einem maßgeschneiderten, ereignisorientierten Datenspeicher, inhaltsadressierbarer Blob-Speicherung und einer verteilten Execution Engine für Envision-Skripte; externe Abhängigkeiten werden bewusst minimiert zugunsten eines eng integrierten Inhouse-Stacks, einschließlich eigener Forecasting- und Optimierungsbibliotheken.¹⁷¹³¹⁸

Evidence & maturity of “AI” claims. KetteQs KI-Sprache ist ambitioniert (agentic AI, weltweit am adaptivsten in der Planung, Echtzeit-Anpassungsfähigkeit, Multi-Pass probabilistic planning), aber die öffentliche Dokumentation bleibt oberflächlich und größtenteils marketingorientiert; es gibt keine detaillierten algorithmischen Whitepapers oder externen Benchmark-Ergebnisse jenseits von Kundenzitaten und Analysten-/Blogberichten.⁵¹⁶³¹⁰⁸¹³ Lokads KI-Erzählung ist in spezifischen algorithmischen Familien (probabilistic forecasting, Deep Learning, differentiable programming) verankert, die in der öffentlichen Dokumentation und in Videos erklärt werden und durch externe Belege wie den M5-Wettbewerb und zehnjährige Längsschnitt-Fallstudien wie Air France Industries untermauert werden.¹²²³¹⁷¹³¹⁸¹⁹¹⁴⁹²⁰²⁵

Kurz gesagt erscheint KetteQ als eine moderne, Salesforce-zentrierte, szenariogesteuerte planning Suite, die KI/ML hauptsächlich zur Unterstützung von Forecasts und Szenario-Bewertungen einsetzt, während Lokad eine sprachzentrierte Plattform darstellt, die probabilistische forecasting und wirtschaftliche Optimierung in eine programmierbare Umgebung integriert – mit expliziter technischer Offenlegung und externer Validierung. Für einen Käufer bedeutet dies die Wahl zwischen einer verpackten, Salesforce-nativen Anwendung mit starker IT-Ausrichtung (KetteQ) und einer programmierbaren, “die Quantitative Supply Chain”-Engine, die zwar mehr Modellierungsarbeit erfordert, aber eine tiefere Kontrolle darüber ermöglicht, wie Unsicherheit und Wirtschaftlichkeit modelliert werden.

Unternehmensgeschichte, Finanzierung und Positionierung

Gründung und Führung. Sourcing Innovation datiert die Gründung von KetteQ auf das Jahr 2018 und betont, dass es „von Grund auf“ so entworfen wurde, um die aus zahlreichen früheren supply chain planning Implementierungen und aus zwei früheren supply chain software Ventures gewonnenen Erkenntnisse zu verkörpern.³¹¹ KetteQs eigene „About“-Seite beschreibt das Unternehmen als von Branchenveteranen mit jahrzehntelanger Erfahrung in Technologie, Datenmanagement und supply chain Prozessen aufgebaut, die sich zum Ziel gesetzt haben, „die Art und Weise, wie Unternehmen supply chain planning und execution angehen, neu zu definieren“ – auf Salesforce und AWS.² Im Jahr 2021 wurde Mike Landry, ein langjähriger supply chain software Executive (ex-Servigistics, ex-Genpact), zum CEO ernannt; unabhängige Berichte vermerken, dass er die Nachfolge des Gründungs-CEO Cy Smith angetreten hat und mit der Skalierung der Plattform betraut wurde.¹⁵⁴²¹

Finanzierungsrunden.

Pre-Series A: ~USD 1.9M in 2021 (in späteren Zusammenfassungen berichtet, wenn auch zu jener Zeit nicht stark in der Primärpresse dokumentiert).³¹²
Series A: USD 9M in 2023 (in Finanzierungszusammenfassungen und Series-B-bezogener Berichterstattung erwähnt).³¹¹¹²
Series B: USD 20M, angekündigt am 5. August 2025, angeführt von Vocap Partners mit Beteiligung des bestehenden Investors Circadian Ventures, was zu einer insgesamt offengelegten Finanzierung von rund USD 30,9M führte.¹⁰¹¹⁷¹²¹³¹⁴

Die Series-B-Pressemitteilungen und Nachrichtenartikel positionieren die Finanzierung konsistent als Mittel zur Beschleunigung der globalen Expansion, zur Erweiterung der agentic AI-Roadmap (PolymatiQ™ und Agentforce) und zur Steigerung der Lieferkapazität.¹⁰¹¹¹³¹⁴⁹

Insgesamt präsentiert sich KetteQ als ein Plattformanbieter im Frühphasenwachstum, VC-finanziert und kommerziell aktiv, jedoch noch in der Scale-up-Phase und noch kein seit Jahrzehnten etablierter Anbieter.

Marktpositionierung.

Eine „adaptive“, „AI-first“ supply chain planning Plattform, die für Volatilität und Unsicherheit konzipiert ist.⁵¹⁶⁴¹⁰
Eine moderne, Multi-Mandanten, cloud-native Alternative zu veralteten APS-Systemen, die vor 2010 entwickelt wurden.⁶³²²¹⁹
Die „einzige“ supply chain planning Lösung, die nativ auf Salesforce bereitgestellt werden kann und einen 360°-Blick bietet, indem supply chain und kommerzielle Daten kombiniert werden.¹⁶⁴

Unabhängige Quellen (Sourcing Innovation, Berichte von Drittanbietern zu Finanzierungsrunden) untermauern die moderne, cloud-native Darstellung, validieren jedoch nicht eigenständig die Einzigartigkeitsansprüche („einzige Lösung“, „weltweit am adaptivsten“), die als Marketing-Sprache und nicht als verifizierte Fakten zu behandeln sind.³¹¹⁸¹⁹⁹

Produkt und Architektur

Produktoberfläche

Das Produktportfolio von KetteQ ist in Planung und Ausführung gegliedert:

Supply chain planning: demand planning, inventory planning, supply planning, MRP und MEIO (Multi-Echelon/Multi-Item Optimierung).⁵¹²¹
Supply chain execution: Control Tower, Fulfillment und Allocation, Asset Management, Work Order Management und Service Parts Planning.⁷²¹

Jeder Modulbereich auf der Website betont:

KI-gesteuerte statistische / machine-learning-basierte Vorhersage.
Automatisierte Szenarioanalyse mittels PolymatiQ™.
Multi-Echelon- und Multi-Item-Optimierung (für Inventar) unter Berücksichtigung von Budget- und Service-Level-Beschränkungen.
Unterstützung für komplexe Produktstrukturen (mehrstufige Stücklisten) und Beschränkungen (Kapazität, Lieferzeiten, Ausbeute, Lieferantenbeschränkungen).⁵¹⁷²¹

Konkrete Beispiele für Funktionen sind:

Sicherheitsbestandoptimierung und Optimierung der Bestellpolitik für die Lagerplanung.²¹
Versorgungsplanung unter Produktionskapazitäts- und Lieferzeitbeschränkungen.¹
Planung von Service-Ersatzteilen und Optimierung von FSL/truck-stock.²¹
Echtzeitüberwachung und -anpassung über Dashboards im Control-Tower-Stil.⁷

Die Produktbotschaft entspricht einem APS-Ersatz oder einer Erweiterung der oberen Mittelkategorie, die taktische Planung und eine gewisse operative Ausführungstransparenz abdeckt.

Architektur

Die KetteQ-Plattformseite und verwandte Blogs skizzieren eine zweistufige Architektur, die:

Den user experience and collaboration layer on Salesforce einsetzt, wobei das Datenmodell, die Sicherheit, der Workflow und das Ökosystem von Salesforce genutzt werden.¹²⁴¹⁵
Die data- and compute-heavy solver and analytics components on AWS hostet und cloud-native Dienste für Elastizität und Leistung nutzt.¹²⁴

Zentrale architektonische Merkmale, die von KetteQ hervorgehoben und von Sourcing Innovation wiedergegeben werden:

Multi-tenant cloud-native SaaS, ausgelegt auf horizontale Skalierbarkeit und Echtzeitintegration.¹⁶³²²
Einsatz von etablierten Technologien (SQL, Python, JSON) für die Datenverarbeitung und Erweiterbarkeit, anstelle proprietärer Datenbanken oder Ausdruckssprachen.¹⁶
Enge Integration mit Salesforce (einschließlich Salesforce Manufacturing Cloud), sodass Planungsergebnisse und Daten direkt für Vertriebs- und Finanznutzer sichtbar sind, ohne aufwändige Datenreplikationsprojekte.¹⁴²⁴¹⁸

Die Sourcing Innovation-Bewertung liefert eine unabhängige Bestätigung, dass die Plattform in der Tat multi-tenant und cloud-native ist und moderne Webtechnologien einsetzt, anstatt aufgerüstete Legacy-Stacks zu nutzen.³¹¹ Allerdings liefern weder die eigenen Seiten von KetteQ noch Berichte Dritter Diagramme auf niedriger Ebene oder Details zu Datenmodellen (z. B. event sourcing vs. relationale Schemata), zu Steuerungsmechanismen bei Gleichzeitigkeit oder zu Ausfallmodi.

Bereitstellungsmodell

Die Bereitstellung erfolgt SaaS-basiert und cloud-gehostet. Öffentliche Materialien betonen:

Schnellere Bereitstellungen durch Salesforce-native UX und vorhandene IT-Unterstützung; Wiederverwendung von Salesforce-Sicherheits- und Integrationsmustern.¹²⁴¹⁵
Schrittweise Einführung nach Fachbereichen (z. B. Beginn mit der Bedarfsplanung, spätere Erweiterung auf Lager- und Versorgungsplanung).⁵¹
Eine konversationsbasierte Gen-AI-Schnittstelle, mit der Planer Fragen stellen, Szenarien durchspielen und mit natürlicher Sprache auf Daten zugreifen können.⁵¹

Es gibt jedoch wenig öffentliche Informationen zu typischen Implementierungszeiträumen, Projektpersonal oder Referenzimplementierungsmustern (z. B. ob KetteQ eigene Umsetzungsteams oder Partner-Systemintegratoren einsetzt). Kundenzitate erwähnen „dramatisch verbesserte Effizienz und Präzision“ sowie 2–3-fache Verbesserungen in der Planungsgenauigkeit oder -ausrichtung, aber diese sind auf hoher Ebene und werden nicht durch detaillierte Zeitreihendaten oder Vorher/Nachher-KPIs untermauert.⁵¹⁸

KI, ML und Optimierungsansprüche

Prognostizieren und KI

Auf seinen Planungsseiten behauptet KetteQ:

Verwendung von „AI-driven insights, advanced machine learning for demand forecasting, and automated scenario analysis.”⁵¹²¹
KI/ML-erweitertes MRP, das „stets nach Hinweisen auf bevorstehende Veränderungen Ausschau hält“ und kontinuierlich Signale überwacht.¹
Eine Gen-AI-konversationsbasierte Schnittstelle, um mit der Planungslösung zu interagieren.⁵¹

Diese Aussagen belegen, dass KetteQ maschinelles Lernen für Prognosen einsetzt und eine Schnittstelle vom Typ großer Sprachmodelle integriert. Fehlende Details umfassen jedoch:

Die Klassen der eingesetzten ML-Modelle (z. B. gradient-boosted trees, neuronale Netze, probabilistische Modelle).
Wie Prognosen kalibriert, bewertet und aktualisiert werden (z. B. Fehlermaße, Wiederanlernfrequenz).
Ob Lieferzeiten, Rücksendungen und andere nicht-nachfragebezogene Unsicherheiten explizit modelliert werden.

Im Gegensatz dazu geben Lokads FAQ zur Nachfrageprognose und Technologieseiten explizit an, dass Lokad differentiable Programming und Deep Learning einsetzt, angewandt auf detaillierte historische Daten und externe Signale, wo relevant, um probabilistische Prognosen für Nachfrage und Lieferzeiten zu erstellen; sie heben auch die Ergebnisse des M5-Wettbewerbs als externen Beleg für eine leistungsstarke Performance hervor.¹²²³¹⁸¹⁹¹⁴⁹ Dies entwertet nicht die KI-Aussagen von KetteQ, unterstreicht aber, dass die öffentlichen Angaben von KetteQ auf einem höheren, weniger technischen Niveau liegen.

PolymatiQ™-Solver und Optimierung

Der PolymatiQ™-Solver wird beschrieben als:

Ein „revolutionärer, patentanmeldeter” supply chain planning-Solver, der Tausende von Szenarien durchläuft, Parameter automatisch anpasst und kontinuierlich aus dynamischen Marktveränderungen lernt.⁵¹⁶⁷⁸
Die „weltweit erste agentische AI engine” für supply chain planning, die adaptive Planung ermöglicht, indem sie Tausende potenzieller Zukünfte parallel erkundet.¹⁶¹⁰¹¹

Szenariobezogene Aussagen sind auf den Planungs- und Ausführungsseiten konsistent: PolymatiQ™ wird nachgesagt, dass es Tausende potenzieller Ergebnisse automatisch bewertet, die Resilienz von Plänen anhand von KPIs einstuft und Strategien identifiziert, die gegenüber Störungen robust sind.⁵¹⁶⁷²¹⁸ Allerdings bleiben in öffentlichen Quellen mehrere technische Fragen unbeantwortet:

Zielfunktionen: Was wird optimiert? Kosten, Servicelevel, Gewinn, Resilienzmetriken oder eine gewichtete Kombination?
Beschränkungen: Wie werden Kapazität, Lieferzeiten, Budgets und Servicelevel-Ziele modelliert?
Algorithmen: Verwendet PolymatiQ™ mathematische Programmierung (LP/MIP), Constraint Programming, Metaheuristiken (z. B. genetische Algorithmen, simuliertes Abkühlen), Reinforcement Learning oder eine Kombination davon?
Darstellung von Unsicherheit: Werden Szenarien aus expliziten Wahrscheinlichkeitsverteilungen oder aus Heuristiken / Stresstests generiert?

Die Sourcing Innovation-Bewertung liefert einige Erkenntnisse, indem sie auf KetteQ’s Einsatz von Multi-Pass-Optimierung und einen modernen Stack verweist, der viele Szenarien effizient ausführen kann, enthüllt jedoch keine algorithmischen Details; es handelt sich um eine qualitative Bestätigung statt einer technischen Tiefenanalyse.³¹¹

Lokads Solver-Geschichte ist im Vergleich dazu expliziter: Seine Technologie- und Dokumentationsseiten erklären, wie probabilistische Verteilungen von Nachfrage und Lieferzeiten in einen stochastischen diskreten Abstieg (für ganzzahlige Entscheidungen) und eine differentiable Programming-basierte Optimierung einfließen und wie wirtschaftliche Treiber (Lagerhaltungskosten, Fehlbestandsstrafen, Basket-Effekte usw.) in Envision-Skripten kodiert werden, um bewertete Entscheidungen zu erzeugen.¹²¹⁷¹³¹⁸¹⁹²⁶ Lokads Dokumentationen zur differentiable Programming und Blogbeiträge erläutern zudem ausführlich, wie gradientenbasierte Optimierung über groß angelegte relationale Daten angewendet wird, um gemeinsam Prognosemodelle und Entscheidungsrichtlinien zu erlernen.¹⁷¹⁸¹⁹²⁵

Angesichts der öffentlich verfügbaren Informationen ist es vernünftig zu schließen, dass PolymatiQ™ mehr leistet als einfache, regelbasierte MRP oder feste Sicherheitsbestandsformeln. Der Schwerpunkt auf Multi-Szenario-Analyse, Parametertuning und Resilienzbewertung deutet zumindest auf eine simulationsbasierte Optimierungskomponente hin. Aber bei fehlender detaillierter Dokumentation sollte PolymatiQ™ als ein Black-Box-Solver behandelt werden, dessen interne Funktionsweise nicht unabhängig aus öffentlichen Quellen beurteilt werden kann.

Bereitstellung, Kunden und Evidenz

Benannte Kunden und Sektoren

KetteQ hebt öffentlich mehrere benannte Kunden hervor:

Coca-Cola, Carrier, Johnson Controls, NCR Voyix, Alliance Consumer Group und andere werden in berichtsbezogenen Nachrichten als Marken genannt, die KetteQ’s Plattform „vertrauen”.⁷⁸⁹
Fallstudienartige Website-Inhalte erwähnen Kunden wie MobilityWorks (automotive mobility), ein Unternehmen für Verkaufsautomatenbetriebe, und Hersteller, die Salesforce nutzen, mit zitierten Verbesserungen in Effizienz, Präzision und Wachstum.⁵¹⁸

Diese Verweise bestätigen, dass KetteQ echte, benannte Unternehmenskunden in den Bereichen Fertigung, Distribution und Dienstleistungen hat. Allerdings bleiben öffentliche Fallbeschreibungen relativ oberflächlich; sie liefern prozentuale Verbesserungen (z. B. 170% CARR-Wachstum, 3x Präzision, 2x Wachstumskurve), geben aber keine detaillierten Vorher/Nachher-Metriken, Zeitreihen oder Modell-Diagnosen preis.⁵¹⁸⁹

Lokads Fallmaterialien rund um Air France Industries MRO und andere Sektoren (Einzelhandel, Luft- und Raumfahrt, Fertigung) bieten etwas detailliertere Darstellungen, einschließlich historischer Horizonte (10 Jahre an Daten), Datenvolumen (ca. 1 Million SKUs) und expliziter finanzieller Ergebnisse (z. B. identifizierte Desinvestitionsmöglichkeiten in Höhe von mehreren zehn Millionen Euro, Reduzierung des Working Capitals bei gleichzeitiger Erhöhung des Servicelevels).¹³¹⁸²⁶²⁰²⁷²⁵ Dennoch geben auch Lokads öffentliche Fallstudien keine vollständigen Datensätze preis, was bei kommerziellen Softwareanbietern in diesem Bereich üblich ist.

Bereitstellungs- & Implementierungspraxis

KetteQ betont:

Salesforce-native UX, die zu schnellerer Benutzerübernahme und einfacherer IT-Governance führt.¹²⁴¹⁵
Direkte Konnektoren zur Salesforce Manufacturing Cloud, die eine bessere Abstimmung zwischen Vertriebsprognosen und supply chain plans ermöglichen.²⁴¹⁸
Eine Gen-AI-konversationsbasierte Schnittstelle, um Reibungsverluste beim Zugriff auf Einblicke und beim Durchspielen von Szenarien zu verringern.⁵¹

Unabhängige Quellen (Salesforce-bezogene PRs und Podcasts) untermauern die Darstellung, dass KetteQ Salesforce nutzt, um die bereichsübergreifende Sichtbarkeit und Benutzerakzeptanz zu verbessern, liefern jedoch nicht viele Details zur Konfigurationsmethodik, Datenbereinigungspraktiken oder Change-Management-Mustern.⁴²⁴¹⁸

Lokad hingegen beschreibt ein expliziter programmatisches Bereitstellungsmuster: Daten werden über Datei/API eingespeist, supply chain scientists schreiben und iterieren Envision-Skripte, und tägliche Batch-Läufe erstellen bewertete Entscheidungen, die anschließend in ERPs und WMSs integriert werden. Seine Fallstudie zu Air France Industries und die Seiten zum Aerospace-Inventar beschreiben eine etwa 6-monatige Implementierung, gefolgt von einer 6-monatigen Parallel-Betriebsphase, einschließlich der Erwähnung von 10 Jahren historischer Daten, 12 Quellsystemen und der Priorisierung von Investitions-/Desinvestitionslisten.¹³¹⁸²⁰²⁷²⁵

Der Kompromiss ist deutlich: KetteQ bietet eine konventionellere Enterprise-App-Bereitstellung (wenn auch auf einem modernen Stack), während Lokad ein DSL-zentrisches Modellierungsprojekt anbietet, das präziser sein kann, aber einen spezialisierteren Modellierungsaufwand erfordert.

Bewertung der technischen Tiefe und kommerziellen Reife

Technische Tiefe (wie aus öffentlichen Quellen ersichtlich).

Stärken von KetteQ:
- Moderne, multi-tenant SaaS-Architektur mit Salesforce und AWS, unabhängig bestätigt durch Sourcing Innovation.¹²³¹¹²²¹⁵
- Nachgewiesene Fähigkeit, sich eng in die Salesforce Manufacturing Cloud zu integrieren und Planungserkenntnisse innerhalb der Salesforce-UX bereitzustellen, was ein Vorteil für Organisationen ist, die bereits auf Salesforce standardisiert sind.¹⁴²⁴¹⁸
- Einsatz von KI/ML für Prognosen und Szenario-Bewertung, wobei PolymatiQ™ Multi-Szenario-Analysen und Parametertuning orchestriert, was eine nicht triviale Optimierungslogik über klassische MRP oder Tabellenkalkulationsplanung hinaus impliziert.⁵¹⁶³⁷
Lücken / Unbekanntes bei KetteQ:
- Keine öffentliche technische Dokumentation der algorithmischen Interna von PolymatiQ™ (Zielfunktionen, Constraint-Handling, Optimierungsmethoden).
- Begrenzte Details dazu, wie Unsicherheit mathematisch modelliert und propagiert wird (Wahrscheinlichkeitsverteilungen vs. Stresstests).
- Keine externen Benchmark-Ergebnisse für Prognosen oder Optimierung (z. B. öffentliche Wettbewerbe), um die Leistung im Vergleich zum Stand der Technik zu quantifizieren.

Im Vergleich zu Lokad: Lokads technische Offenlegungen sind deutlich detaillierter: Die Sprachspezifikation von Envision, Dokumentationen zur probabilistischen Prognose und differentiable Programming sowie detaillierte Technologieseiten ermöglichen es, die architektonischen und algorithmischen Entscheidungen nachzuvollziehen, und die M5-Wettbewerbsergebnisse liefern einen externen Benchmark für die Prognosegenauigkeit.¹²²³¹⁷¹³¹⁸¹⁹¹⁴⁹²⁶ Lokad dokumentiert zudem differenzierte Themen wie die Handhabung von Ganzzahlen in differentiable Programming und Optimierung über groß angelegte relationale Daten, was auf eine fortlaufende F&E-Investition auf einem ziemlich fortgeschrittenen Niveau hindeutet.¹⁷¹⁸²⁵

Aus strengem Standpunkt des „State-of-the-Art“ hat KetteQ bisher nicht genügend technische Transparenz geboten, um beurteilen zu können, ob PolymatiQ™ und sein KI-Stack die Komplexität von Ansätzen, die auf probabilistischen Verteilungen und differentiable Programming basieren, erreichen, wie sie von Lokad und in einiger wissenschaftlicher Literatur dokumentiert sind. Es ist durchaus möglich, dass KetteQ’s interne Methoden anspruchsvoll sind, aber ohne Dokumentation oder Benchmarks muss eine skeptische, evidenzbasierte Bewertung sie als unbewiesen durch ausgewählte Kundenreferenzen behandeln.

Kommerzielle Reife.

KetteQ verfügt über:
- Mehrere benannte Unternehmenskunden in den Bereichen Fertigung, Distribution und Dienstleistungen.⁷⁸⁹
- USD 30,9 Mio. an Risikokapitalfinanzierung und ein wachsendes Team, wobei die Profile des CEO und der Führungskräfte Erfahrung im Skalieren von supply chain Software-Unternehmen aufweisen.¹⁰¹¹⁸¹⁵¹³¹⁴
- Eine klar formulierte Produktpalette und eine Go-to-Market-Story, die sich auf Salesforce-zentrierte Organisationen fokussiert.
Allerdings:
- Das Unternehmen ist 7 Jahre alt (gegründet 2018), wobei sein Flaggschiff-Solver und Branding sich in den letzten Jahren schnell entwickelt haben (z. B. der jüngste Wechsel zur „agentischen KI“-Sprache).³¹⁰¹¹
- Öffentliche Referenzfälle sind in quantitativen Details relativ spärlich und decken im Vergleich zu älteren APS-Anbietern nur einen begrenzten Sektor ab.

Im Gegensatz dazu ist Lokad seit 2008 tätig, hat über ein Jahrzehnt an Entwicklung von gehosteten Prognosen zu einer vollständigen probabilistischen Optimierungsplattform hinter sich und dokumentierte langjährige Einsätze (10-jährige Kooperationen wie mit Air France Industries), die auf eine höhere kommerzielle und technische Reife in bestimmten Bereichen (z. B. Aerospace MRO) hindeuten.¹⁶¹²¹³¹⁸²⁶²⁰²⁷²⁵

Zusammenfassend ist KetteQ ein glaubwürdiger, moderner, von VC unterstützter Anbieter mit echter Traktion und einer technologisch aktuellen Architektur, aber seine KI- und Optimierungsfähigkeiten bleiben aus forschungsgetriebener Sicht etwas undurchsichtig. Lokad hingegen liefert, obwohl kleiner und spezialisierter, direktere Belege für fortgeschrittene probabilistische und Optimierungstechniken sowie langjährige Einsätze in komplexen Umgebungen.

Fazit

KetteQ liefert eine moderne, Salesforce-zentrierte supply chain Planungs- und Ausführungsplattform mit klarem Fokus auf KI-gesteuerte Szenarioplanung durch seinen PolymatiQ™-Solver. Öffentliche Nachweise stützen die Behauptungen, dass die Plattform mandantenfähig, cloud-native und auf Salesforce sowie AWS aufgebaut ist; dass sie maschinelles Lernen für Forecasting einsetzt; und dass sie echte, namentlich benannte Unternehmenskunden sowie signifikante Venture-Finanzierung gesichert hat. Unabhängige Kommentare (Sourcing Innovation) bestätigen die Modernität ihres Stacks und untermauern, dass das Produkt keine dünn überarbeitete Version von Legacy-Code ist.

Die öffentliche Dokumentation von KetteQ geht jedoch nicht so weit, die mathematische und algorithmische Substanz hinter PolymatiQ™ und seiner „agentic AI“-Marke offenzulegen. Es gibt keine detaillierte Offenlegung von Zielfunktionen, Restriktionen, probabilistischer Modellierung oder Optimierungsmethoden, noch irgendwelche öffentlichen Benchmark-Daten, die mit Prognosewettbewerben oder reproduzierbaren Fallstudien mit vollständigen Vorher-/Nachher-Metriken vergleichbar wären. Eine rigorose, skeptische Bewertung muss daher die AI- und Optimierungsansprüche von KetteQ als plausibel, aber über Marketingmaterial und Kundenreferenzen hinaus unbestätigt behandeln.

Im Vergleich zu Lokad, das seine Entwicklung öffentlich durch Quantil-Prognosen, probabilistische Verteilungen, Deep Learning und differentiable Programming dokumentiert und extern die Forecasting-Leistung (M5) sowie langjährige Fallstudien in komplexen Umgebungen validiert hat, präsentiert sich KetteQ als eine konventionellere, aber moderne Enterprise-App-Suite: leichter in Salesforce-zentrierte IT-Landschaften integrierbar, jedoch weniger transparent in Bezug auf die internen Abläufe seines AI- und Optimierungs-Stacks. Für Käufer geht es nicht ausschließlich um Funktionen: Es kommt auch darauf an, wie sehr sie eine programmierbare, white-box die Quantitative Supply Chain-Engine (Lokad) im Vergleich zu einer verpackten, Salesforce-nativen Anwendung mit einer starken UX- und IT-Geschichte schätzen. In jedem Fall sollte die Due-Diligence-Prüfung über die Marketingseiten hinausgehen: Fordern Sie technische Deep Dives, Modelldokumentation und konkrete historische KPI-Verbesserungen an, bevor Sie Behauptungen von „agentic AI“ oder der „weltweit am anpassungsfähigsten“ Planung als bare Münze nehmen.