Zurück zur Marktforschung
ketteQ bietet Cloudsoftware zur Planung von Nachfrage, Beständen, Produktion, Ersatzteilen und Auftragsabwicklung. Seine PolymatiQ-Engines bewerten Planungsszenarien, während Quintus eine dialogbasierte Oberfläche und Agenten bereitstellt, die Aufgaben über Planungs- und Ausführungssysteme hinweg erledigen können. Kunden können die Software neben einer bestehenden Planungsplattform einsetzen oder die eigenen Anwendungen von ketteQ nutzen; die Salesforce-Integration ist in der aktuellen Architektur optional. (1, 2)
Gesamtbewertung für die Supply Chain: 4,0/10
| Dimension | Bewertung |
|---|---|
| Tiefe des Supply-Chain-Verständnisses | 4,4/10 |
| Substanz der Entscheidungen und Optimierung | 5,0/10 |
| Integrität von Produkt und Architektur | 4,0/10 |
| Technische Transparenz | 3,2/10 |
| Seriosität des Anbieters | 3,6/10 |
ketteQ deckt viele Anwendungsbereiche ab und nennt Kunden, die operative Verbesserungen melden. Die stärkeren technischen Versprechen sind kaum eingegrenzt: Das Unternehmen verspricht Schlussfolgerungen zu beliebigen Supply-Chain-Fragen, automatische Änderungen an der Entscheidungslogik und optimale Antworten in Sekunden, ohne die zugrunde liegende Optimierungsformulierung oder deren Validierung zu veröffentlichen. Generiertes Python mit Zugriff auf operative Systeme macht die fehlenden Ausführungsgrenzen besonders folgenreich. Schnellere Antworten und eine lange Szenarienliste belegen keine verlässlichen wirtschaftlichen Entscheidungen. (2, 3, 10)
Die glaubwürdigsten Belege sind enger gefasst und nützlicher: Produktionsplanung bei Partner in Pet Food, differenzierte Behandlung der Nachfrage bei quip und schnelle Lieferzusagen bei Alliance Consumer Group. Diese Fälle zeigen funktionierende Software. Sie verdeutlichen zugleich den Abstand zwischen einer implementierten Planungsanwendung und einem universell leistungsfähigen autonomen Supply-Chain-System. (10, 11, 12)
ketteQ im Vergleich zu Lokad
ketteQ ergänzt eine bestehende Unternehmensumgebung um Planungsfunktionen, einschließlich Vertriebs- und operativer Abläufe in Salesforce. Seine Anwendungen bündeln vertraute Planungsobjekte und Arbeitsabläufe; Quintus erweitert die Möglichkeiten, sie abzufragen und zu bedienen. Lokads Dienst zur Bestandsoptimierung richtet die Arbeit an wiederkehrenden Entscheidungen und deren finanziellen Folgen unter Unsicherheit aus.
Dieser Unterschied wird relevant, wenn Serviceziele, Kapazitätsauslastung, Betriebskapital und kommerzielle Zusagen miteinander kollidieren. Eine Planungsengine braucht eine wirtschaftliche Regel, um zwischen ihnen zu wählen. Ein Gespräch über diese Zielkonflikte liefert die Regel nicht, und mehr erzeugte Planvarianten belegen nicht, welche den größten Wert schafft. ketteQ veröffentlicht wesentlich mehr über das Erkunden von Szenarien und das Anpassen von Parametern als über die tatsächlich eingesetzte Zielfunktion, die konkurrierende Handlungen einordnet. (5, 8, 9)
Lokads Supply Chain Scientists entwickeln, betreiben und pflegen die Entscheidungslogik. Dazu gehört, die wirtschaftliche Bewertung zu überarbeiten, wenn sich eine scheinbar sinnvolle Empfehlung als teuer erweist. Ein per Express versandtes Ersatzteil kann beispielsweise die Betriebsbereitschaft schützen, dabei aber das Budget für mehrere wertvollere Reparaturen verbrauchen. Die Berechnung muss diese Folgen vergleichen. Introduction to Supply Chain entwickelt die Perspektive hinter diesem Betriebsmodell; dessen Leistung hängt von der tatsächlich erzielten Rendite nach sämtlichem Wartungs- und Betriebsaufwand ab.
Was PolymatiQ tatsächlich belegt
Szenarien brauchen Wahrscheinlichkeiten und wirtschaftliche Bedeutung
ketteQ erkennt sowohl Nachfrageschwankungen als auch unsichere Lieferzeiten ausdrücklich an. Seine Darstellung der Planungsengine vom Februar 2026 beschreibt deren Bewertung zusammen mit Servicezielen, Materialien, Produktionskapazitäten, Fehlbestandsstrafen und finanziellen Zielen. Das Produkt zielt damit über punktuelle Nachfrageprognosen mit festen Versorgungsannahmen hinaus. (8, 9)
Unklar bleibt, wie diese Größen zu einem kohärenten gemeinsamen Modell werden. Öffentliche Beschreibungen legen weder offen, wie Szenariowahrscheinlichkeiten geschätzt werden, noch wie Abhängigkeiten zwischen Nachfrage und Versorgung dargestellt werden oder wie Extremereignisse die gewählte Handlung beeinflussen. Eine Sammlung plausibler Zukünfte ist noch keine kalibrierte Wahrscheinlichkeitsverteilung. Tausend Varianten können dieselben falschen Annahmen immer wieder erkunden und dabei ein seltenes, teures Ereignis übersehen.
Aktuelle Produktseiten beschreiben Prognosespannen, Bestandspuffer, die Anpassung von Bestellrichtlinien, eine mehrstufige Allokation unter Budgetbeschränkung und eine kapazitätsbeschränkte Produktionsplanung. Das sind relevante Funktionen, sie legen aber das Rechenverfahren hinter PolymatiQ nicht offen. Weder eine identifizierbare Solverformulierung noch ein reproduzierbarer Entscheidungsbenchmark oder eine öffentliche technische Referenz belegt das beworbene universelle Optimum. (4, 5, 6)
Die erste Frage ist nicht, ob der Solver schnell genug fertig wird. Entscheidend ist, ob das Modell die richtigen Folgen bewertet. Ein Plan kann jede kodierte Nebenbedingung erfüllen und dennoch veraltende Bestände anhäufen, eine teure Servicezusage abgeben oder knappe Kapazität für das falsche Produkt verbrauchen. Geschwindigkeit verstärkt eine fehlerhafte Entscheidungsregel ebenso leicht wie eine gute. Die beworbene Fähigkeit, Logik umzuschreiben, macht die Prüfung der sich ändernden Formulierung wichtiger, nicht weniger wichtig.
Ersatzteile zeigen echte Tiefe und konventionelle Grundlagen
Die Ersatzteilseite umfasst installierte Anlagen, Ausfallraten, Rücksendungen, Reparaturflüsse, Verschrottung, Umlaufteilepools, Teileersetzungsketten und Alternativen wie Kaufen, Reparieren, Umlagern oder Rückgewinnen. Diese Details ordnen ketteQ eindeutig als Supply-Chain-Software ein. Zugleich nennt sie ausdrücklich Bestellpunkt- und wirtschaftliche Bestellmengenverfahren, konfigurierbare Kriterien für Bevorratungslisten und Servicegradpuffer. (7)
Diese Kombination ist aufschlussreich. Die operative Abdeckung ist umfangreich, während der Entscheidungsrahmen unter der autonomen Markenpositionierung konventionelle Steuerungsparameter beibehält. Das automatische Anpassen eines Bestellpunkts belegt nicht, dass diese Logik unregelmäßige Nachfrage, Reparaturunsicherheit, gemeinsam genutzte Ersatzteile und asymmetrische Stillstandskosten angemessen erfasst. Eine ausgefeilte Oberfläche kann dasselbe einschränkende Modell darunter bewahren.
Die Bestandsanwendung behält außerdem konsensbasierte Freigaben bei und lässt Nutzer zwischen Strategien wählen. Solche Kontrollen können berechtigt sein, lassen aber offen, wie viel routinemäßige Auswahl bei Planern verbleibt. Durchgängige Autonomie ist am Anteil und Wert erfolgreich ohne Eingriff ausgeführter Entscheidungen zu beurteilen, nicht an der Zahl von Agenten oder Szenarien. (5)
Kundenergebnisse und wirtschaftliche Verantwortung
Partner in Pet Food: nützliche Einführung, prognostizierter finanzieller Ertrag
Partner in Pet Food behielt Kinaxis bei und ergänzte PolymatiQ. Laut ketteQ nutzte sein Team vorhandene Kinaxis-Erfahrung zur Integration in die Abläufe des Kunden; das erste Werk ging nach sechs Wochen in Betrieb. Für den ersten Planungszyklus wurden eine um 13% höhere Kapazitätsauslastung und prognostizierte jährliche Einsparungen von 8 Millionen US-Dollar gemeldet, gefolgt von einer breiteren Einführung in Europa. (10)
Der Fall belegt die erfolgreiche Ergänzung einer bestehenden Anwendung. Er belegt nicht, dass Kinaxis eine grundlegende mathematische Grenze erreicht hätte, wie die begleitende Darstellung nahelegt. Andere Modellierungsentscheidungen, ein anderer Anwendungsumfang, die Datenbehandlung und Implementierungsarbeit können einen Produktionsplan verbessern. Die Veröffentlichung trennt diese Beiträge nicht von der Berechnung des neuen Solvers.
Auch die finanzielle Aussage bleibt eine Projektion. Höhere Auslastung schafft nur dann Wert, wenn sich die zusätzliche Produktion nach Berücksichtigung von Nachfrage, Beständen, Arbeit und anderen Kosten lohnt. Der Fall gleicht die Jahresschätzung nicht mit der realisierten Marge ab. Das ist relevant, weil die aktuelle Quintus-FAQ ihre Kundendarstellung damit abschließt, Ergebnisse kategorisch als real statt prognostiziert zu bezeichnen, während sie an anderer Stelle dieselbe prognostizierte Einsparung wiederholt. (3, 10)
Alliance Consumer Group: mit dem Vertrieb verbundene Planung
Der ACG-Fall beschreibt, wie mehr als 200 Vertriebsmitarbeiter über Salesforce Auskünfte zur Lieferverfügbarkeit erhalten. Er meldet einen Anstieg des Lagerumschlags von ungefähr 2,6 auf 3,75 mit saisonalen Spitzen um 4,1, einen Bestandsabbau von 2–5 Millionen US-Dollar gegenüber dem Vorjahr und einen OTIF-Anstieg von Werten in den 60ern oder 70ern auf hohe 90er-Werte. Der reine Lesezugriff für den Vertrieb reduzierte auch Anfragen an die Planer. (11)
Das ist ein praktischer Produktivitätsmechanismus: Eine wiederkehrende Frage unmittelbar zu beantworten kann einen ganzen Austausch zwischen Teams beseitigen. Der Serviceprozentsatz misst Lieferungen, nicht Prognosegenauigkeit. Der Bestandsabbau setzt Kapital frei; er entspricht nicht automatisch demselben jährlichen Gewinn. Dem Fall fehlen Beobachtungszeiträume, eine Bereinigung um Nachfrageveränderungen und die Kostenrechnung, die diese operativen Änderungen in eine vergleichbare Nettorendite überführen würden.
quip und MobilityWorks: hilfreiche Details, unvollständige Rechnung
Bei quip trennte ketteQ die Abonnementnachfrage, etwa 20% des Gesamtvolumens, von anderen Verkäufen. Der Fall meldet einen Bestandsabbau von 17 Millionen US-Dollar und einen Produktivitätsanstieg von 150% mit weniger Planern. Zugesagte wiederkehrende Nachfrage von unsicheren Neukäufen zu trennen ist eine substanzielle Modellierungsverbesserung. Die Veröffentlichung nennt weder die Arbeitsmenge als Bezugsgröße noch Planerzahlen oder den laufenden Anbieteraufwand hinter dem Produktivitätsprozentsatz. (12)
Der Bericht zu MobilityWorks verbindet Bestandsentscheidungen mit höheren Zinsen und sinkender Nachfrage. Er meldet eine Verringerung der Bestandskosten um 4,7 Millionen US-Dollar über sechs Monate und weniger tägliche Bevorratungswarnungen im Verlauf eines Jahres. Das liefert einen konkreten wirtschaftlichen Grund, die Bestandspolitik zu ändern. Die Seite wechselt ohne rechnerische Überleitung zwischen Bestandskosten und Einsparungen; Zusammenfassung und Ergebnisabschnitt nennen zudem unterschiedliche Verbesserungen der Liefererfüllungsquote. Deshalb eignet sich die Schlagzeile nicht als präziser finanzieller Benchmark. (13)
Zusammen belegen diese Fälle nutzbare Planungsanwendungen und operative Vorteile. Sie trennen die spätere Quintus-Funktionalität nicht von früheren Planungseinführungen, quantifizieren nicht sämtliche Implementierungs- und Wartungsarbeit und zeigen nicht, wie erfolglose Empfehlungen zugeordnet und korrigiert werden. Ein namentliches Kundenzeugnis ist wertvoll; diese Fragen beantwortet es nicht.
Produktivität, Pflege der Konfiguration und Betriebskosten
Die aktuelle Startseite erklärt, zusätzliche Anwendungsfälle erforderten keinen Dienstleistungsauftrag. Die konkretere Beschreibung von AI Studio vom Juni 2026 stellt einen erheblichen Entwicklungsprozess dar: Prototypen in zwei bis drei Wochen, Validierung mit Kundendaten über vier bis sechs Wochen, anschließend technische Härtung, insgesamt etwa fünf Monate bis zum Produktivbetrieb. Partner bringen Fachwissen und Umsetzung ein; ketteQ übernimmt Entwicklung und teilt den Umsatz. (14, 24)
Das Marketing definiert nicht, welche neuen Anwendungsfälle ohne Dienstleistungen auskommen und welche monatelange Produktentwicklung brauchen. Diese Grenze bestimmt, wer das System ändern kann, was jede Änderung kostet und wer die entstehende Logik bei veränderten Daten und Abläufen pflegt.
Die Stelle als Business Architect bestätigt den Aufwand: Anforderungen übersetzen, Integrationen und Datenflüsse entwerfen, testen, Einführung und Schulung unterstützen, produktiv setzen und Implementierungsprobleme lösen. Diese Aufgaben müssen in die Kosten der Einführung und späterer Änderungen eingehen. (16)
AI Studio liefert ein nützliches Automatisierungsbeispiel: Eine Live-Demonstration bearbeitete 24 von 29 Notfallbestellungen über Nacht und hob die verbleibenden fünf zur Bearbeitung hervor. Das ist eine wesentlich aussagekräftigere Produktivitätseinheit als Szenariendurchsatz. Es bleibt eine Demonstration ohne längerfristige Produktionslast oder Aufzeichnung der Fehlerkosten. (14)
Die langfristige Aufgabe ist die Pflege des Entscheidungsmodells. Nach einer Störung einen Parameter zu ändern unterscheidet sich davon, zu entdecken, dass das Modell Kosten, Substitutionen oder eine betriebliche Einschränkung ausgelassen hat. Letzteres erfordert eine Neuformulierung und Tests, die bessere Ergebnisse der neuen Entscheidungen zeigen. Das ist das Problem der Holimization. ketteQs Entwicklungsprozess bietet einen Rahmen für diese Arbeit, doch seine öffentliche Beschreibung zeigt weder einen wirtschaftlichen Regressionstest noch ein Produktionsbeispiel einer solchen Korrektur.
Ein von ketteQ veröffentlichter Artikel über menschengesteuerte KI erkennt an, dass unvollständige Ziele schlechte Ergebnisse erzeugen und Prioritäten im Zeitverlauf überarbeitet werden müssen. Er empfiehlt zudem, Erkundung und Ausführung zu trennen. Diese Anliegen sind berechtigt. Sie passen schlecht zum neueren Versprechen uneingeschränkten Handelns ohne Konfiguration und automatisch umgebauter Logik. Ungeklärt bleibt die Betriebsvereinbarung: Welche Entscheidungen sind vorab autorisiert, welche Änderungen erfordern Validierung, und wessen Arbeit steckt in der behaupteten Automatisierung? (3, 15)
Softwarekomponenten und Sicherheit der Ausführung
| Beleg und Geltungsbereich | Dokumentierte Komponenten | Konsequenz |
|---|---|---|
| Aktuelle Plattformbeschreibung | Relationale Datenbank, eingebettetes Python, JSON/Java | Eine erkennbare Anwendungsarchitektur, deren proprietäres Planungsverhalten hinter Produktschnittstellen verborgen bleibt. |
| Aktuelle Plattformbeschreibung | AWS Bedrock für austauschbare Sprachmodelle | Modellhosting stellt eine Schicht bereit; Anwendungsrechte und Codeausführung bleiben getrennte Aufgaben. |
| Aktuelle Salesforce-Integration | Optionaler Zugriff über ein verwaltetes Paket und Single Sign-on | Bestehende Salesforce-Abläufe lassen sich weiterverwenden, während die Integrationsgrenze einen Betriebsverantwortlichen braucht. |
| Stelle als Business Architect | SQL einschließlich PostgreSQL, JSON, XML und Python-Kenntnisse | Die Personalbeschreibung belegt Daten- und Integrationsarbeit; sie identifiziert nicht jede Produktionsdatenbank. |
| Quintus-Einführung | Dynamisch generiertes und ausgeführtes Python | Eingrenzung des Codes und beschränkte Produktionsrechte werden zentrale Konstruktionsanforderungen. |
Eine zusätzliche Entscheidungsschicht über einem bestehenden Planungssystem verursacht eigene Betriebskosten. Kunden behalten die alte Plattform und ergänzen Datenzuordnungen, Berechtigungen, operative Abhängigkeiten und einen weiteren Ort, an dem sich Planungslogik ändern kann. Eine kurze Einführung beseitigt nicht die laufenden Kosten, diese Systeme konsistent zu halten.
Die gravierendste architektonische Lücke betrifft generierten Code. Die Quintus-Einführung beschreibt ausdrücklich Python, das bei Bedarf erstellt und ausgeführt wird. Die Governance-Erklärung betont Nachvollziehbarkeit, Erläuterungen und menschliche Eingriffsmöglichkeiten. Die frühere Agentenseite ergänzt Aussagen zu Verschlüsselung, Zugriffskontrollen und Mandantentrennung. Keine dieser Quellen spezifiziert die Ausführungssandbox, erlaubte Netzwerkziele, Dateisystemzugriffe, Abhängigkeitskontrollen, Ressourcenlimits oder die Rechte generierter Programme auf Produktionsdaten. (2, 3, 25)
Ein Prüfprotokoll zeichnet eine Handlung nach ihrem Eintritt auf; es verhindert weder Datenabfluss noch unbefugte Schreibzugriffe. Eine plausible Erklärung in natürlicher Sprache beweist nicht, dass der ausgeführte Code die vorgesehenen Rechte eingehalten hat. Auch menschliches Eingreifen kann nicht jede externe Wirkung rückgängig machen. Bei einem Produkt, dessen Besonderheit dynamisch ausführbare Logik über Unternehmenssysteme hinweg ist, bildet die fehlende Grenze eine erhebliche Schwäche des öffentlichen technischen Angebots. Hostingnachweise und Compliance-Siegel beantworten diese Frage nicht.
Der programmatische Betrieb ist vielversprechend, doch die Prüfbarkeit bleibt begrenzt. Die Plattform erwähnt Agent-zu-Agent-Integration und übliche Unternehmensverbindungen. Das geprüfte Material bietet kein öffentliches SDK, keine detaillierte Ausführungs-API und kein lauffähiges Beispiel, mit dem ein Käufer das vollständige Planungsverhalten selbst untersuchen und testen könnte. (1)
Frühere Versprechen und deren Umsetzung
| Zeitraum | Öffentliche Entwicklung | Was die Belege zeigen |
|---|---|---|
| 2021–2022 | KI-gestützte Nachfrageplanung und Wiederbeschaffung; Salesforce/AWS-Plattform | Frühe KI-Sprache begleitete Planungs- und Transparenzversprechen, ohne einen autonomen Schlussfolgerungsmechanismus offenzulegen. Die Führungsankündigung von 2022 nennt Cloudplattform und bestehende Einführungen. |
| 2023 | ChatGPT-Begeisterung | Ein Unternehmensartikel stützte sich teilweise auf ChatGPTs Beschreibung seiner eigenen künftigen Supply-Chain-Anwendungen. Das war Spekulation, kein Beleg für ein ausgeliefertes Produkt. |
| 2024 | Tokyo-Version und PolymatiQ | Automatische Szenariotests, Parameteranpassung, Wirtschaftsindikatoren und eine dialogbasierte Oberfläche wurden explizite Produktfunktionen. |
| 2025 | Dubai-Version und neue Finanzierung | Die Version ergänzte zweistufige Produktionsplanung, Allokationsstrategien und Leistungsberichte. Die Series B über 20 Millionen US-Dollar finanzierte auch Umsetzung, Kundenbetreuung und Partnerkapazität. |
| Februar–Juni 2026 | Digitale Agenten, menschengesteuertes Design, AI Studio | Die allgemeine Verfügbarkeit wurde angekündigt, während Fach- und Umsetzungsartikel Leitplanken, Validierung und Produktionshärtung beschrieben. |
| Ab August 2026 | Quintus und Free-Range AI | Das Unternehmen führte weitergehende Versprechen autonomen Schlussfolgerns und generierten Codes ein und behauptete zugleich, seine Architektur habe dieses Verhalten seit 2019 vorweggenommen. |
Quellen: 2, 14, 15, 17, 18, 19, 20, 21, 22, 23.
Die historische Schwäche ist die rückwirkende Überhöhung: Die aktuelle FAQ behauptet sieben Jahre Produktivbetrieb für Fähigkeiten, die Wettbewerber noch auf ihren Roadmaps führten. Die datierten Veröffentlichungen dokumentieren getrennte Ergänzungen im Zeitverlauf. Der Ursprung einer Plattform belegt nicht die Reife ihrer jüngsten Funktionen. (3, 19, 20)
Dieselbe Überhöhung betrifft die Breite des Versprechens. PolymatiQs technische Methode bleibt unveröffentlicht, während die Sprache von Planungshilfe zur einzigen Architektur fortschreitet, die beliebige Entscheidungen in Echtzeit ermöglichen soll. Eine markenrechtlich geschützte Kategorie, die um das eigene Produkt definiert wird, ist kein technischer Benchmark. Die Belege sollten zeigen, was unter welchen Beschränkungen und mit welcher Fehlerquote funktioniert.
Auch die wirtschaftliche Verantwortung ist schwach spezifiziert. Die Finanzierungsankündigung von 2025 behauptet eine Implementierungserfolgsquote von 100%, ohne Grundgesamtheit, Abnahmekriterium oder wirtschaftliche Schwelle zu definieren. AI Studio argumentiert, Modellqualität sei fast nie die Ursache gescheiterter KI-Initiativen, und konzentriert sich stattdessen auf die Grundlagen. Daten- und Integrationsfehler sind real, doch die Angemessenheit des Modells lässt sich nicht vorab ausklammern. Sonst kann technischer Erfolg erklärt werden, während enttäuschende wirtschaftliche Ergebnisse endlos den Einführungsbedingungen zugeschrieben werden. (14, 22)
Supply-Chain-Bewertung
Jede Dimension mittelt fünf Kriterien auf einer Skala von 0–10. Die Gesamtbewertung ist der Mittelwert aller 25 Kriterien.
Tiefe des Supply-Chain-Verständnisses
| Kriterium | Bewertung |
|---|---|
| Wirtschaftliche Problemstellung | 5/10 |
| Konkrete Entscheidungsresultate | 6/10 |
| Begriffliche Schärfe zur Supply Chain | 5/10 |
| Unabhängigkeit von überholten Leitdoktrinen | 3/10 |
| Widerstandsfähigkeit gegen KPI-Theater | 3/10 |
Durchschnitt: 4,4/10.
Wirtschaftliche Problemstellung — 5/10. Kundenberichte benennen Kapital, Verschwendung und Betriebskosten. Sie zeigen nicht die gemeinsame wirtschaftliche Zielfunktion, anhand derer konkurrierende Entscheidungen geordnet werden. (10, 13)
Konkrete Entscheidungsresultate — 6/10. Lieferzusagen, Produktionspläne und Wiederbeschaffungsempfehlungen führen zu operativen Entscheidungen. Die gemessenen Ergebnisse machen deren Freigabe- und Ausführungsgrenzen nur teilweise sichtbar. (10, 11)
Begriffliche Schärfe zur Supply Chain — 5/10. Reparaturflüsse und Produktionsabhängigkeiten zeigen Fachkenntnis. Das Versprechen universellen Schlussfolgerns ist weniger präzise als die zugrunde liegenden Anwendungsbeschreibungen. (6, 7)
Unabhängigkeit von überholten Leitdoktrinen — 3/10. Vertraute Bevorratungsregeln, Puffer und Konsensprozesse bleiben prominent. Automatische Anpassung belegt nicht, dass deren grundlegende Vereinfachungen überwunden wurden. (5, 7)
Widerstandsfähigkeit gegen KPI-Theater — 3/10. Operative Kennzahlen stehen in konkreten Kundenkontexten, doch prognostizierte Einsparungen und undefinierte Erfolgsquoten werden ohne wirtschaftliche Überleitung beworben. (10, 22)
Substanz der Entscheidungen und Optimierung
| Kriterium | Bewertung |
|---|---|
| Tiefe der probabilistischen Modellierung | 4/10 |
| Eigenständige Optimierungs- oder ML-Substanz | 4/10 |
| Umgang mit realen Beschränkungen | 7/10 |
| Entscheidungsautomatisierung und Arbeitsproduktivität | 6/10 |
| Widerstandsfähigkeit bei realer betrieblicher Komplexität | 4/10 |
Durchschnitt: 5,0/10.
Tiefe der probabilistischen Modellierung — 4/10. Unsichere Nachfrage und Versorgung werden ausdrücklich anerkannt. Szenariogewichtung, Abhängigkeiten und Kalibrierung bleiben unbestimmt. (8, 9)
Eigenständige Optimierungs- oder ML-Substanz — 4/10. Kundenanwendungen stützen die Existenz einer nützlichen Engine. Der eigenständige Algorithmus und die Bedingungen hinter dem Optimalitätsversprechen bleiben unzugänglich. (1, 10)
Umgang mit realen Beschränkungen — 7/10. Das Produkt deckt bedeutende Produktions- und Ersatzteilbeschränkungen ab. Die veröffentlichten Materialien schaffen weniger Vertrauen in deren gemeinsame wirtschaftliche Behandlung als in die Breite der dargestellten Abläufe. (6, 7, 20)
Entscheidungsautomatisierung und Arbeitsproduktivität — 6/10. Direkte Lieferzusagen und berichtete kleinere Planungsteams deuten auf nützliche Arbeitsersparnis hin. Den umfassenderen Autonomieversprechen fehlen längerfristige Messungen des gesamten Arbeitsaufwands. (11, 12)
Widerstandsfähigkeit bei realer betrieblicher Komplexität — 4/10. Entscheidend ist, ob eine kostspielige Empfehlung zu einer Modellkorrektur und besseren Folgeentscheidungen führt. Diese Rückkopplung bleibt unbelegt. (14, 15)
Integrität von Produkt und Architektur
| Kriterium | Bewertung |
|---|---|
| Architektonische Kohärenz | 5/10 |
| Klarheit der Systemgrenzen | 5/10 |
| Ernsthaftigkeit der Sicherheit | 2/10 |
| Sparsamkeit der Software und Betriebskosten | 4/10 |
| Eignung für programmatischen und agentengestützten Betrieb | 4/10 |
Durchschnitt: 4,0/10.
Architektonische Kohärenz — 5/10. Eine Anwendungsfamilie und gemeinsame Planungsengines geben eine erkennbare Struktur vor. Die Suite über einem weiteren Planungssystem einzuführen schafft erhebliche Integrationsaufgaben. (1, 10)
Klarheit der Systemgrenzen — 5/10. Das Zusammenwirken mit bestehenden Systemen ist kommerziell ausdrücklich vorgesehen. Weniger präzise beschrieben ist die Befugnis, Logik, Daten und externe Zusagen zu ändern. (2, 15)
Ernsthaftigkeit der Sicherheit — 2/10. Dynamisch generierter Code ist eine zentrale Produktfähigkeit, doch seine Eingrenzung ist im geprüften technischen Material nicht dokumentiert. Governance-Zusicherungen ersetzen diesen Mechanismus nicht. (2, 25)
Sparsamkeit der Software und Betriebskosten — 4/10. Anwendungsanpassungen, der Betrieb zweier Systeme und laufende Umsetzungsarbeit verursachen erhebliche Kosten. Die öffentliche Architektur quantifiziert weder Ressourcen noch Wartung für den gemeinsamen Betrieb. (1, 16)
Eignung für programmatischen und agentengestützten Betrieb — 4/10. Automatisierung ist eine bewusste Produktrichtung. Geschlossene Ausführungsschnittstellen begrenzen unabhängige Prüfung und kontrollierte Pflege des entstehenden Verhaltens. (1, 2)
Technische Transparenz
| Kriterium | Bewertung |
|---|---|
| Öffentliche technische Dokumentation | 3/10 |
| Prüfbarkeit ohne Vermittlung des Anbieters | 2/10 |
| Portabilität und Sichtbarkeit der Anbieterbindung | 3/10 |
| Transparenz der Implementierungsmethode | 5/10 |
| Belegdichte hinter technischen Aussagen | 3/10 |
Durchschnitt: 3,2/10.
Öffentliche technische Dokumentation — 3/10. Funktionsbeschreibungen erläutern die vorgesehenen Aufgaben. Solvermathematik, Laufzeitkontrollen und eine unabhängig nutzbare Ausführungsreferenz fehlen. (1, 8)
Prüfbarkeit ohne Vermittlung des Anbieters — 2/10. Das tatsächliche Verhalten der Engine lässt sich nur über eine vom Anbieter begleitete Einführung oder Demonstration verstehen. Produkterklärungen liefern kein reproduzierbares Experiment. (2, 3)
Portabilität und Sichtbarkeit der Anbieterbindung — 3/10. Übliche Sprachen und Verbindungen erleichtern die Integration. Sie belegen weder exportierbare Entscheidungslogik noch übertragbares Modellverhalten oder eine alternative Laufzeitumgebung. (1, 16)
Transparenz der Implementierungsmethode — 5/10. Käufer können erhebliche Umsetzungsarbeit erkennen, aber nicht bestimmen, welche künftigen Änderungen im Softwarepreis enthalten sind und welche ein Projekt erfordern. (14, 16, 24)
Belegdichte hinter technischen Aussagen — 3/10. Konkrete operative Kundenbeispiele sind nützlich. Universelles Schlussfolgern und Optimalität verlangen wesentlich stärkere technische Belege. (2, 10)
Seriosität des Anbieters
| Kriterium | Bewertung |
|---|---|
| Technische Seriosität öffentlicher Kommunikation | 2/10 |
| Integrität der technologischen Roadmap | 4/10 |
| Begriffliche Schärfe | 4/10 |
| Wirtschaftliche Verantwortung | 3/10 |
| Verteidigungsfähigkeit in einer Welt agentischer Software | 5/10 |
Durchschnitt: 3,6/10.
Technische Seriosität öffentlicher Kommunikation — 2/10. Unbegrenzte Fähigkeitsversprechen und kategorische Überlegenheit untergraben die konkreteren Produktbelege. Die öffentliche Erklärung definiert nicht die Grenzen, die reale Software zwangsläufig hat. (2, 3)
Integrität der technologischen Roadmap — 4/10. Eine glaubwürdige Reifeaussage braucht eine Einführungshistorie für die verkaufte Fähigkeit. Die öffentliche Chronologie stützt eine engere Aussage als die aktuelle Positionierung. (3, 19, 20)
Begriffliche Schärfe — 4/10. Einige Veröffentlichungen erkennen die Bedeutung von Zielen und kontrollierter Ausführung an. Die Erzählung uneingeschränkter Agenten bringt diese Anforderungen nicht mit der versprochenen Handlungsfreiheit in Einklang. (2, 15)
Wirtschaftliche Verantwortung — 3/10. Kundenberichte nennen Vorteile, doch Kostenabgleich, fehlgeschlagene Empfehlungen und die Abnahmebedingungen hinter dem Implementierungserfolg bleiben unbestimmt. (10, 12, 22)
Verteidigungsfähigkeit in einer Welt agentischer Software — 5/10. Operative Integrationen und fachspezifische Planungsfunktionen sind nützliche Vermögenswerte. Dialogzugriff und generierter Code werden mit besseren Agenten weniger unterscheidbar; verlässliche Entscheidungsökonomie muss die zusätzliche Plattform rechtfertigen. (7, 11)
Quellen
Die Quellen wurden am 4. November 2026 abgerufen. Die folgenden Kundenergebnisse sind vom Unternehmen veröffentlichte Berichte; ihr ursprünglicher Messumfang bleibt erhalten.
Plattformarchitektur. Ohne Veröffentlichungsdatum; abgerufen am 4. November 2026.
[2] Allgemeine Verfügbarkeit von Quintus
Allgemeine Verfügbarkeit von Quintus. Veröffentlicht am 2026-08-12; abgerufen am 4. November 2026.
Quintus-FAQ. Ohne Veröffentlichungsdatum; abgerufen am 4. November 2026.
Nachfrageplanung. Ohne Veröffentlichungsdatum; abgerufen am 4. November 2026.
Bestandsplanung. Ohne Veröffentlichungsdatum; abgerufen am 4. November 2026.
Versorgungsplanung. Ohne Veröffentlichungsdatum; abgerufen am 4. November 2026.
Ersatzteilplanung. Ohne Veröffentlichungsdatum; abgerufen am 4. November 2026.
[8] FAQ zu PolymatiQ und probabilistischer Modellierung
FAQ zu PolymatiQ und probabilistischer Modellierung. Ohne Veröffentlichungsdatum; abgerufen am 4. November 2026.
[9] Intelligente digitale Agenten und das Planungsplateau
Intelligente digitale Agenten und das Planungsplateau. Veröffentlicht am 2026-02-25; abgerufen am 4. November 2026.
[10] Fallstudie Partner in Pet Food
Fallstudie Partner in Pet Food. Ohne Veröffentlichungsdatum; abgerufen am 4. November 2026.
[11] Fallstudie Alliance Consumer Group
Fallstudie Alliance Consumer Group. Ohne Veröffentlichungsdatum; abgerufen am 4. November 2026.
Fallstudie Quip. Ohne Veröffentlichungsdatum; abgerufen am 4. November 2026.
Fallstudie MobilityWorks. Ohne Veröffentlichungsdatum; abgerufen am 4. November 2026.
[14] Einblick in ketteQ AI Studio
Einblick in ketteQ AI Studio. Veröffentlicht am 2026-06-16; abgerufen am 4. November 2026.
[15] Vier Grundsätze für menschengesteuerte KI
Vier Grundsätze für menschengesteuerte KI. Veröffentlicht am 2026-05-19; abgerufen am 4. November 2026.
[16] Stelle als Business Architect
Stelle als Business Architect. Ohne Veröffentlichungsdatum; abgerufen am 4. November 2026.
[17] Trends der Automobilbranche für 2022
Trends der Automobilbranche für 2022. Veröffentlicht am 2021-12-06; abgerufen am 4. November 2026.
[18] Wird ChatGPT die Supply Chain verändern?
Wird ChatGPT die Supply Chain verändern?. Veröffentlicht am 2023-03-28; abgerufen am 4. November 2026.
[19] Ankündigung der Tokyo-Version
Ankündigung der Tokyo-Version. Veröffentlicht am 2024-11-12; abgerufen am 4. November 2026.
[20] Dubai-Version und teilautonome Planung
Dubai-Version und teilautonome Planung. Veröffentlicht am 2025-05-06; abgerufen am 4. November 2026.
[21] Allgemeine Verfügbarkeit intelligenter digitaler Agenten
Allgemeine Verfügbarkeit intelligenter digitaler Agenten. Veröffentlicht am 2026-02-25; abgerufen am 4. November 2026.
[22] Ankündigung der Series-B-Finanzierung
Ankündigung der Series-B-Finanzierung. Veröffentlicht am 2025-08-05; abgerufen am 4. November 2026.
[23] Ernennung von Mike Landry
Ernennung von Mike Landry. Veröffentlicht am 2022-08-15 (aktuelle Seite); abgerufen am 4. November 2026.
Aktuelle Startseite. Ohne Veröffentlichungsdatum; abgerufen am 4. November 2026.
[25] Digitale Agenten und Governance
Digitale Agenten und Governance. Ohne Veröffentlichungsdatum; abgerufen am 4. November 2026.