Zurück zur Marktforschung
Kinaxis entwickelt Maestro, ehemals RapidResponse, eine Cloud-Plattform für die Bedarfs-, Versorgungs-, Bestands- und Produktionsplanung. Sie verbindet Unternehmensdaten mit einem gemeinsamen Planungsmodell, berechnet voneinander abhängige Pläne neu und ermöglicht Teams, Szenarien zu vergleichen und Entscheidungen abzustimmen. Das Produktspektrum umfasst auch Auftrags- und Transportorchestrierung, kundenspezifische Algorithmen und KI-Agenten. (1, 2, 27)
Supply-Chain-Bewertung: 4,6/10
| Dimension | Bewertung |
|---|---|
| Tiefe des Supply-Chain-Verständnisses | 4,6/10 |
| Substanz von Entscheidungen und Optimierung | 4,6/10 |
| Integrität von Produkt und Architektur | 5,4/10 |
| Technische Transparenz | 4,4/10 |
| Ernsthaftigkeit des Anbieters | 4,2/10 |
Der stärkste Beitrag von Kinaxis liegt in der Berechnung: Eine proprietäre Engine hält miteinander verknüpfte Pläne konsistent und beschleunigt die Untersuchung von Szenarien. Im maßgeblichen Prozess wählen weiterhin Planer die Ziele, passen Annahmen an, vergleichen Alternativen und bearbeiten Ausnahmen. Schnellere Abstimmung kann Verzögerungen und Tabellenarbeit verringern; die wirtschaftliche Qualität der Entscheidungen bleibt vom Modell und den Menschen abhängig, die es pflegen.
Die zentrale Schwäche ist die unvollständige Verbindung zwischen Unsicherheit, monetären Folgen und ausführbaren Entscheidungen. Kinaxis dokumentiert gewinnorientierte Produktionsoptimierung und die Korrektur von Lieferzeitparametern und bewirbt zugleich die von Wahupa gelieferte probabilistische Bestandsoptimierung. Vier Jahre nach Ankündigung dieser Partnerschaft fehlen im öffentlich dokumentierten Verlauf weiterhin identifizierbare Kundeneinsätze und gemessene Ergebnisse. Auch die technischen Unterlagen zeigen nicht, wie diese Berechnungen Einkauf oder Produktion gemeinsam bewerten, wenn Nachfrage, Komponenteneingänge und Ressourcenverfügbarkeit unsicher sind. Agentenankündigungen ergänzen Produktivitätsversprechen für einzelne Aufgaben, ohne den gesamten Arbeitsaufwand für Betrieb und Verbesserung dieses Entscheidungssystems zu messen. (3, 5, 7, 21, 38, 40)
Die Architektur verdient eine höhere Bewertung als der wirtschaftliche Entscheidungsprozess. Kinaxis hat konkrete Entwicklungsarbeit an Datenbanken und Algorithmen veröffentlicht, darunter Forschung zur Verbesserung eigener Solver-Heuristiken. Historisch bedenklich ist der Abstand zwischen diesen begrenzten Fähigkeiten und den aufeinanderfolgenden Versprechen der Selbstheilung, der Befreiung von analytischen Zielkonflikten und der agentischen Orchestrierung. (8, 10, 11)
Kinaxis im Vergleich zu Lokad
Kinaxis und Lokad unterscheiden sich vor allem darin, wie sie die Arbeit an Supply-Chain-Entscheidungen organisieren. Maestro gibt Planungsteams eine gemeinsame Berechnungsumgebung, um Pläne abzustimmen und Alternativen zu bewerten. Lokads Ansatz stellt ein gepflegtes Programm in den Mittelpunkt, das Routineentscheidungen erzeugt und konkurrierende Ressourcennutzungen nach ihrem erwarteten wirtschaftlichen Beitrag unter Unsicherheit ordnet. Der Unterschied betrifft das Betriebsmodell und damit auch die Frage, wo menschliche Arbeit verbleibt. (1, 33, 34)
Betrachten wir einen Hersteller, der knappe Komponenten verteilt. Die Automobilfallstudie von Kinaxis geht von monatlich verfügbaren Komponenten aus und vergleicht Produktionsmixe anhand von Mengen- und Gewinnzielen. Aus Lokads Perspektive stellt sich außerdem die Frage, welche Lieferungen verspätet eintreffen, welche Verkäufe verloren gehen statt nur verschoben zu werden und ob Beschleunigung, Substitution oder ein anderer Einkauf die beste Handlung verändern. Diese Unsicherheiten und Handlungsmöglichkeiten gehören ins Entscheidungsmodell; der Abgleich eines Produktionsplans allein löst sie nicht. (3, 33)
Maestro erlaubt umfangreiche Programmierung über eingebettete Algorithmen und Solver Studio. Im praktischen Vergleich geht es daher um den Aufwand, die vollständige wirtschaftliche Logik zu pflegen: Dateninterpretation, unsichere Zukünfte, Kosten, Entscheidungen, Tests und Ausführung. Ein kundenspezifischer Algorithmus innerhalb einer Planungsplattform kann eine Berechnung verbessern, während Planer ihre Folgen andernorts weiterhin abstimmen müssen. (9, 12)
Joannes Vermorels Introduction to Supply Chain liefert die breitere Perspektive hinter Lokad: Entscheidungen wirtschaftlich optimieren, Unsicherheit berücksichtigen und Software samt Wartung als Teil des Produktionssystems behandeln. Sein Konzept der Holimization erweitert dies um die Überarbeitung des Problems selbst, wenn die Betriebserfahrung fehlende Kosten, irreführende Daten oder übersehene Handlungsmöglichkeiten offenlegt. Ein schneller Solver oder eine programmierbare Schnittstelle allein genügt diesem Anspruch nicht. (33, 35)
Was die gleichzeitige Planung berechnet
Der Datenbankbericht von Kinaxis aus dem Jahr 2021 beschreibt ein eigens entwickeltes System mit Verzweigungen, privaten Szenarien und Konfliktauflösung. Analysen greifen direkt im Arbeitsspeicher auf Daten zu. Das Annual Information Form für 2025 erklärt, dass Szenarien die Unterschiede zu ihrem übergeordneten Szenario speichern und damit eine vollständige Datenkopie für jede Alternative vermeiden. Diese Architekturentscheidungen ermöglichen schnelles Experimentieren. (11, 23)
Gleichzeitige Planung überträgt eine geänderte Annahme durch verbundene Berechnungen. Verschiebt sich eine Komponentenlieferung, lassen sich die betroffenen Versorgungs- und Produktionspläne gemeinsam neu berechnen. Damit entfällt eine Quelle von Verzögerungen und Inkonsistenzen der sequenziellen Planung. Es belegt jedoch weder die Zuverlässigkeit der neuen Lieferannahme noch die Richtigkeit der modellierten Kundenreaktion oder die Maximierung des wirtschaftlichen Ertrags durch die resultierende Zuteilung. (2)
Diese Unterscheidung wird entscheidend, wenn das Modell als digitale Darstellung der Zukunft präsentiert wird. Tausende intern konsistente Folgen können aus einer einzigen falschen Annahme entstehen. Eine nützliche Bewertung muss das Prognoseverhalten des Modells zum Entscheidungszeitpunkt untersuchen: unsichere Wareneingänge, Fehlbestände, Substitutionen und entgangene Verkäufe. Szenarioanzahl und Neuberechnungsgeschwindigkeit sagen wenig über diese Abbildungstreue aus.
Wirtschaftliche Optimierung und Unsicherheit
Ein Gewinnziel innerhalb eines festen Versorgungsplans
Eine Automobilfallstudie beschreibt monatliche Liefermengen kritischer Baugruppen, Fabrikkapazitäten sowie Mindest- und Höchstmengen für den Fahrzeugabsatz je Markt. Advanced S&OP erzeugt mittels linearer Programmierung Alternativen, die Menge und Gewinn ausbalancieren. Der Kunde ersetzte laut Bericht Hunderte manuell untersuchte Szenarien durch wenige, in Minuten erzeugte Alternativen und sparte dadurch Dutzende Stunden monatlicher Szenarioplanung. (3)
Das ist ein explizites wirtschaftliches Ziel, allerdings innerhalb einer restriktiven Formulierung. Monatliche Komponentenmengen erfassen nicht das Risiko, dass mehrere Fahrzeuge von derselben verspäteten Lieferung abhängen. Lineare Kosten glätten zudem wichtige Sprünge: das Einrichten einer Schicht, das Erreichen einer Mindestlosgröße oder den Kauf genug zusätzlicher Teile für ein weiteres verkaufsfähiges Fahrzeug. Die Fallstudie erklärt nicht, wie diese Effekte in die Optimierung eingehen.
Ganzzahlige Variablen können einige solcher Sprünge wiederherstellen, allerdings zu erheblichen Rechenkosten. Eine Erweiterung der Formulierung um viele unsichere Zukünfte vervielfacht diese Last, besonders wenn Entscheidungen über Produkte, Werke und Perioden hinweg gekoppelt bleiben. Eine Zerlegung in bequeme Teilprobleme kann die Berechenbarkeit herstellen und zugleich die Wechselwirkungen verwerfen, die den wirtschaftlichen Wert bestimmen. Die schnellere Lösung eines festen Modells behebt dieses Modellierungsdilemma nicht.
Bestandsunsicherheit hat einen gesonderten Umfang
Kinaxis vermarktet die probabilistische Anwendung zur mehrstufigen Bestandsoptimierung von Wahupa, die im Mai 2022 im Rahmen einer Partnerschaft angekündigt wurde. Die Produktbeschreibung umfasst nicht normalverteilte Nachfrage, Lieferzeiten und Versorgungsparameter, differenzierte Servicegrade, Bestandspositionierung und Postponement. Zu den beworbenen Ausgaben zählen Abwägungskurven je Produkt und Standort sowie Bestandsziele; die Nachweise zu Einführung und Wartung bleiben deutlich dünner als diese Funktionsbeschreibung. (4, 5, 6)
Offen bleibt, wie diese Bestandsberechnung mit Produktion, Einkauf und Zuteilung zusammenspielt. Ein Serviceziel weist Wert indirekt zu: Es kann den Schutz eines margenschwachen Artikels einer wertvolleren Verwendung derselben Komponente vorziehen. Die untersuchten Beschreibungen legen weder eine gemeinsame Bewertung dieser konkurrierenden Handlungen unter gemeinsam modellierter Nachfrage- und Versorgungsunsicherheit noch Kalibrierungsergebnisse für ein solches gemeinsames Modell offen.
Die 2018 eingeführte Self-Healing Supply Chain adressiert Abweichungen zwischen Planungsparametern und beobachtetem Verhalten. Sie kann folgenreiche Unterschiede markieren und Parameter innerhalb konfigurierter Toleranzen korrigieren. Eine sich ändernde Lieferzeitschätzung hilft bei der Planpflege, beschreibt aber weder die Verteilung künftiger Wareneingänge noch deren Abhängigkeit von gemeinsamen Störungen bei Lieferanten und Transport. (7)
Solver-Entwicklung und das tatsächlich gelöste Problem
Advanced Solver Studio wird ausdrücklich von Gurobi angetrieben. Kinaxis dokumentiert auch eigene Arbeit um den Solver herum. Der AlphaEvolve-Bericht vom Juni 2026 beschreibt die KI-gestützte Verfeinerung einer LP-basierten Auswahlheuristik für ein reduziertes MILP, deren Variablenauswahl sich an Relaxationswerten und Zielfunktionskoeffizienten orientiert. Frühe Tests ergaben laut Bericht etwa eine fünffache Beschleunigung gegenüber der vollständigen Lösung und eine zweifache gegenüber der bisherigen Abstimmung; weitere Validierung steht noch aus. (9, 10)
Kinaxis verändert den umgebenden Algorithmus und prüft ihn gegen die eigene frühere Implementierung. Begrenzend bleiben die wirtschaftlichen Annahmen des Modells. Die Erhaltung des mathematischen Ziels des vollständigen MILP belegt nicht, dass dieses Ziel die beste Verwendung des Geldes des Herstellers abbildet. Fehlen Vertragsstrafen, unsichere Wareneingänge oder die Wirtschaftlichkeit von Substitutionen, ordnen beide Berechnungen Entscheidungen anhand einer unvollständigen Bewertung. Rückmeldungen aus dem Betrieb müssen zu Änderungen der Formulierung und der verfügbaren Entscheidungen führen, nicht nur zu höherer Lösungsgeschwindigkeit. (35)
Wahupa: Größe des Partners und unbelegte Umsetzung
Wahupas öffentlich sichtbare Organisation ist für die ihr zugedachte Rolle außergewöhnlich klein. Das LinkedIn-Profil nennt 2016 als Gründungsjahr und eine Unternehmensgröße von 2–10 Beschäftigten. Sowohl eine Archivaufnahme vom April 2024 als auch das im November 2026 geprüfte Profil zeigen drei zugeordnete Mitarbeiterprofile. Die sichtbare Personalbasis bleibt auch lange nach der Kinaxis-Partnerschaft winzig. (36)
Die Ankündigung vom Mai 2022 bezeichnete Kinaxis als Wahupas ersten Softwareanbieter-Partner. Ein gemeinsamer Artikel vom August 2023 beschrieb MEIO als in RapidResponse integriert. Wahupas Artikel vom Februar 2025 und der aktuelle Partnereintrag von Kinaxis bewerben eine eingebettete Engine. Diese Quellen beschreiben Funktionen und erwartete Vorteile, nennen aber keinen produktiven Kunden, quantifizieren keine Verbreitung und berichten kein gemessenes Ergebnis des Moduls. Der vierjährige Verlauf belegt fortgesetzte Vermarktung, aber keinen kommerziellen Erfolg. (5, 38, 39, 40)
Die Implementierung bringt ein weiteres Unternehmen in die Abhängigkeit ein. Wahupa nennt Scott Sheldon als exklusiven Implementierungspartner. Scott Sheldon hat sich inzwischen Argon & Co angeschlossen und wurde in dessen neos-Geschäft integriert; der aktuelle Technologiepartnerkatalog von neos führt Kinaxis, aber nicht Wahupa. Wahupas Implementierungsseite verweist weiterhin auf die frühere Produktseite von Scott Sheldon, die bei der Prüfung eine Meldung über eine nicht gefundene Seite zurückgab. Der öffentliche Weg zu Einführung und Support ist bereits schlecht gepflegt. (37, 41, 42)
Für Kinaxis ist das ein Warnsignal hinsichtlich der konsequenten Umsetzung und der technischen Verantwortung. Ein kleiner Lieferant ohne nachgewiesene Einführung liefert eine prominente Antwort auf das Unsicherheitsproblem. Die öffentlichen Materialien benennen jedoch weder Kinaxis’ eigene Fähigkeit zur Wartung dieser Engine noch Rechte und Vereinbarungen für ihren Weiterbetrieb, falls Wahupa sich zurückzieht. Ein Integrator kann eine Anwendung konfigurieren, ohne die Fähigkeit zu besitzen, ihre numerische Engine zu reparieren. Kunden brauchen Kontinuität bei Berechnung, Validierung und Integration; ein Partnereintrag belegt nichts davon. Das beworbene Modul zählt daher kaum als etablierte probabilistische Entscheidungsfähigkeit.
Prognoseaussagen und Entscheidungszeitpunkt
Das AlphaEvolve-Prognoseexperiment liefert konkrete Zahlen. Auf einem ungesehenen Testdatensatz sank WMAPE von 0,5024 auf 0,4563, eine relative Verringerung um 9,2%; RMSE sank von 11,6225 auf 8,9938, eine Verringerung um 22,6%. Die Laufzeit fiel von 15,87 auf 1,50 Sekunden je Batch. Die hervorgehobene Verringerung um bis zu 22,6% bezieht sich auf RMSE. Die Arbeit bleibt Forschung an einem begrenzten Benchmark. (10)
Diese Messungen belegen Verbesserungen innerhalb des Experiments. Sie lassen die wirtschaftliche Frage offen: Welche Einkaufs- oder Produktionsentscheidungen ändern sich, über welchen Horizont und bei welchen Kosten für Fehlbestände, Überschüsse oder Verzögerungen? WMAPE gewichtet nach Menge; eine kleine Verbesserung bei umsatzstarken Produkten kann mit teuren Fehlern bei knappen oder margenstarken Artikeln einhergehen.
Demand.AI bewirbt neben Demand Sensing externe Signale wie Wetter, Werbeaktionen und soziale Medien. Entscheidend ist, ob ein Signal früh genug eintrifft, um eine wirtschaftlich sinnvolle Handlung zu verändern. Ist der Einkauf bereits verbindlich und lässt sich der Transport nicht rentabel beschleunigen, kann eine genauere kurzfristige Prognose ein erklärendes Dashboard verbessern, ohne die Entscheidung zu verbessern. Die Produktseite liefert keinen Vergleich, der diesen zusätzlichen Ertrag isoliert. (30)
Agenten und die Produktivität des Gesamtsystems
Maestro Agents wurden im Oktober 2025 allgemein verfügbar; Agent Studio folgte im Februar 2026. Letzteres lässt Kunden über eine No-Code-Oberfläche Agenten zusammenstellen, darunter solche für Prognosequalität und Verzögerungsanalysen. Die Ergebnisse von Kinaxis für das zweite Quartal 2026 berichten, dass etwa 10% der Bestandskunden ein kostenpflichtiges oder probeweises Agentenabonnement hatten. Diese Zahl misst die Nutzung einschließlich Testabonnements. (19, 20, 22)
Jabil berichtet in der Einführungsankündigung von schnellerer Zusammenarbeit und Entscheidungen, ohne ein numerisches Ergebnis zu nennen. Die folgenreichere Aussage steht in den Ergebnissen des dritten Quartals 2025: Ein ungenanntes Pharmaunternehmen aus den Top Ten soll die Produktivität seiner Planer bei der Erkennung von Bestandsrisiken um bis zum Zehnfachen gesteigert haben. Die Mitteilung misst weder die gesamten Planungsstunden noch Untersuchungs- und Genehmigungsarbeit, Agentenpflege oder den Umfang wirtschaftlich beseitigter Risiken. Schnellere Erkennung kann die Warteschlange der Ausnahmen verlängern, wenn deren Lösung weiterhin einen Planer erfordert. (19, 21)
Das Annual Information Form für 2025 setzt MCP und Interoperabilität zwischen Agenten auf die Roadmap für 2026. Ein Eintrag im AWS Marketplace bietet zudem einen von Genpact verkauften Kinaxis-MCP-Connector, der Agenten mit Arbeitsmappen- und Szenariooperationen verbindet. Dies belegt einen Zugriffsmechanismus; ein Algorithmus für Supply-Chain-Entscheidungen entsteht dadurch nicht. Wenn Agenten die Abfolge von Abfragen und Szenariovergleichen eines Planers nachbilden, bleibt die wiederkehrende Analysearbeit hinter einer Dialogoberfläche bestehen. (23, 31)
Die Vertrauensdokumentation von Kinaxis beschränkt Agenten auf konfigurierte Abläufe und Berechtigungen; die Kontrolle bleibt beim Kunden. Diese Grenzen können autorisierte automatisierte Ausführung unterstützen. Offen ist ihr Produktivitätsumfang: ohne Prüfung abgeschlossene Entscheidungen, verbleibende Arbeit je Entscheidung und deren Entwicklung, wenn Produkte, Standorte und Störungen zunehmen. (18)
Produktivität umfasst auch die Verbesserung des Systems. Ein Agent, der eine Ausnahme einmal diagnostiziert, spart eine Aufgabe; eine getestete Änderung, die eine wiederkehrende Klasse schlechter Entscheidungen verhindert, verbessert jeden folgenden Lauf. Die Entwicklerwerkzeuge und Entwicklungsdienstleistungen von Kinaxis eröffnen Wege zu solchen Änderungen. Die öffentlichen Agentenergebnisse messen weder diese zweite Form der Produktivität noch die dafür notwendige Pflegearbeit.
Technologiegeschichte und Umsetzung
Kinaxis wurde 1984 gegründet und datiert seine In-Memory-MRP-Engine auf 1986. Die Geschichte gibt der Architektur eine konkrete technische Herkunft. Spätere KI-Ankündigungen müssen an den tatsächlich gelieferten Fähigkeiten und Ergebnissen gemessen werden. (32)
| Zeitraum | Dokumentierte Entwicklung | Bedeutung |
|---|---|---|
| 2018: Machine Learning und Selbstheilung | Die Einführung beschreibt Erkennung von Parameterdrift, Warnmeldungen und Korrekturen innerhalb von Toleranzen. Self-Healing steht weiterhin im aktuellen Schulungskatalog. (7, 25) | Hinter einer Bezeichnung, die wesentlich breitere Autonomie suggeriert, steht eine gepflegte, begrenzte Fähigkeit. Selbstkorrektur des Gesamtsystems bleibt ungemessen. |
| 2020: zugekaufte KI und Dienstleistungen | Rubikloud brachte Nachfrageprognosetechnologie für Handel und Konsumgüter mit; Prana wurde ein indisches Dienstleistungszentrum. (26, 28) | Die Expansion hing von zugekaufter Software und Implementierungskapazität ab. Produktivitätsversprechen müssen fortbestehende Spezialistenarbeit berücksichtigen. |
| 2022: Planning.AI | Die Ankündigung versprach automatische Kombinationen von Heuristiken, Optimierung und ML, sodass Unternehmen Geschwindigkeit nicht mehr gegen Genauigkeit abwägen müssten. (8) | Das pauschale Versprechen geht über den offengelegten Mechanismus hinaus: Eine Eingrenzung des Problems vor der Optimierung erfordert Entscheidungen darüber, was erhalten bleibt. |
| 2022: Bestand und Ausführung | Kinaxis kündigte die probabilistische MEIO-Erweiterung von Wahupa an; die MPO-Übernahme ergänzte Auftrags-, Bestands- und Transportorchestrierung. (5, 27) | Wahupas späterer Verlauf zeigt wiederholte Integrationsbehauptungen ohne identifizierbare Kundennutzung. Die Bewertung der Partnerschaft stellt zudem ungeklärte Wartungsverantwortung fest. |
| 2024: Aus RapidResponse wird Maestro | Die Einführung verband die bestehende Plattform mit einem KI-gestützten Orchestrierungsangebot. (29) | Ein neuer Name und eine neue Oberfläche belegen weder bessere Entscheidungsqualität noch geringeren Betriebsaufwand. |
| 2025–2026: Agenten und Zusammenstellung | Agents und Agent Studio wurden verfügbar; zu den berichteten Vorteilen zählt schnellere Erkennung von Bestandsrisiken. (19, 20, 21) | Die Verfügbarkeit ist belegt. Der gemessene Umfang bleibt enger als ein Ersatz der Planungsarbeit. |
| 2026: Algorithmenforschung | AlphaEvolve-Experimente untersuchen Prognosefehler gegenüber Laufzeit und die Solver-Leistung reduzierter Modelle. (10) | Die technische Arbeit behandelt Zielkonflikte, um die sich Unternehmen laut Ankündigung von 2022 nicht mehr hätten kümmern müssen. |
Die stärkste Kontinuität besteht im Rechenkern und seinen Erweiterungen. Der Schwachpunkt ist die Rechenschaft über aufeinanderfolgende Versprechen. Parameterkorrektur, schnellere Szenarioauswahl und Agentenunterstützung sind unterschiedliche Fähigkeiten; ihre Ankündigungen liefern kein kumulatives Maß dafür, wie viel menschliche Planungsarbeit entfallen ist oder welchen wirtschaftlichen Nettowert das System erzeugt.
Software-Stückliste
| Ebene | Komponenten und Rolle | Nachweis |
|---|---|---|
| Planungskern | Proprietäre In-Memory-Datenbank und Simulationsengine, verzweigbare Szenarien, inkrementelle Szenariospeicherung | Entwicklungsbericht und Annual Information Form. (11, 23) |
| Eingebettete Algorithmen | TypeScript und Node.js; native C++-Anbindungen an Apache Arrow für den Parquet-Austausch mit dem Datenserver | Implementierungsbericht vom Dezember 2021. (12) |
| Kundenseitige Entwicklung | Kinaxis-Erweiterung für VS Code zum Erstellen, Debuggen und Veröffentlichen eingebetteter Algorithmen | Eintrag des Entwicklerwerkzeugs. (13) |
| Mathematische Optimierung | Gurobi in Advanced Solver Studio neben Kinaxis-Heuristiken | Produktdokumentation und Solver-Forschung. (9, 10) |
| Probabilistische Bestandserweiterung | Wahupas MEIO-Engine, als in Maestro eingebettet beworben; Implementierung über einen separaten Dienstleister vermarktet | Partnereintrag und Implementierungsangebot. (37, 40) |
| Historische KI-Plattform | Spark, PostgreSQL, MongoDB, Kubernetes, Terraform und GitHub Actions | Vom Arbeitgeber verfasster Ausschreibungstext für ein Praktikum ab Januar 2022. (15) |
| Aktuelle ML-Entwicklung | Python-Microservices, Docker, Kubernetes, Azure und GitHub Actions | Offizielle Praktikumsausschreibung für einen Beginn im Januar 2027. (16) |
| Berechnungserweiterungen | C++-Entwicklung für die Rechenfähigkeiten von Maestro | Offizielle Entwicklerausschreibung von 2026. (17) |
| Unternehmensintegration | Gehostete Transformation und Administration, anpassbare Zuordnungen, Versionsverwaltung und Batch- oder Echtzeitübertragungen | Integrationsdokumentation. (14) |
| Hosting | Private Infrastruktur und Public-Cloud-Vereinbarungen, darunter Google Cloud und Microsoft Azure | Trust Center. (18) |
Der Arrow-Bericht erklärt, warum Kinaxis native Anbindungen entwickelte: JavaScript-Alternativen hatten Kompatibilitäts-, Speicher- und Leistungsprobleme. Er beschreibt auch Fälle, in denen der Übergang zur nativen Ebene mehr kostet, als er spart. Damit liefert er eine technische Begründung auf Komponentenebene. (12)
Der in der Ausschreibung von 2022 genannte Stack bezeichnet eine separate KI-Plattform-Aufgabe; die aktuelle Stelle bestätigt fortgesetzte Python- und Containerentwicklung. Die gepflegte Grenze zwischen diesen Schichten verursacht Kosten: Datenaufbereitung, Versionskompatibilität, Bereitstellung, Überwachung und Konsistenz mit der Planungsengine. Die geprüften Quellen liefern keine Aufschlüsselung, die diesen Aufwand mit den Betriebskosten des Kunden verbindet.
Die Integrationsschicht verbindet Unternehmenssysteme der Kunden über gepflegte Zuordnungen. Der erhebliche Aufwand liegt darin, die Bedeutung importierter Daten bei Veränderungen der Kundenprozesse zu erhalten, einschließlich der Interpretation von Bestand, Wareneingängen und Verpflichtungen. (14)
Code von Fachanwendern und seine Eingrenzung
Eingebettete Algorithmen erlauben Kundenentwicklern, TypeScript auf Planungsdaten auszuführen und berechnete Tabellen oder Felder zurückzugeben. Die Kinaxis-Erweiterung unterstützt lokale Entwicklung und Veröffentlichung auf der Plattform. Dieser Zugriff schafft eine Sicherheitsgrenze um Code von Fachanwendern, einschließlich KI-gestützt erzeugten Codes. (12, 13)
Das Trust Center beschreibt Zugriff nach dem Prinzip der geringsten Berechtigung, Segmentierung, Bedrohungsmodellierung, Penetrationstests und KI-Nutzung in kundenspezifischen Umgebungen. Es spezifiziert nicht die im Produktivbetrieb erzwungenen Beschränkungen des eingebetteten Codes für Netzwerkzugriff, Dateisystem, Geheimnisse, Abhängigkeiten oder Schreibzugriffe auf Daten. Warnungen des Entwicklerwerkzeugs zu Speicher oder Anfragegröße belegen keine verbindlichen Laufzeitgrenzen. (18, 13)
Eine kompromittierte Abhängigkeit oder ein fehlerhaftes Skript kann bereits gewährten Zugriff missbrauchen; Mandantentrennung allein begrenzt diesen Schaden nicht. Die öffentliche Beschreibung lässt einen wesentlichen Teil der Sicherheit von Fachanwendercode ungeklärt.
Konfigurationspflege, Problemüberarbeitung und Gesamtbetriebskosten
Der Schulungskatalog von Kinaxis zeigt den fortlaufenden Arbeitsaufwand der Kundenlösung. Autorenzertifizierungen reichen von Arbeitsblättern bis zu komplexen Ressourcen und automatisierten Datenänderungen. Datenadministratoren pflegen Integrationen, Datenintegrität und Modellanpassungen. Entwickler ergänzen Berechnungen. Diese Aufgaben bestehen nach der Einführung fort. (25)
Ein geänderter Liefervertrag verdeutlicht die Schwierigkeit. Eine neue Mindestabnahme, Stornierungsstrafe oder Lieferzusage kann die Wirtschaftlichkeit mehrerer Produkte verändern. Jemand muss den Vertrag interpretieren, Datenzuordnungen und Entscheidungslogik aktualisieren, Szenarien testen und die nachgelagerte Ausführung prüfen. Die Änderung eines Bestandsziels oder Dashboards erledigt diese Arbeit nicht. Zu den Gesamtkosten gehören dieser wiederkehrende Überarbeitungsaufwand und der wirtschaftliche Schaden, solange die Logik veraltet bleibt.
Das Angebot Forward Deployed Engineering von Kinaxis macht einen Teil dieser Arbeit ausdrücklich sichtbar: Daten und Entscheidungen zuordnen, Erfolgsmaße definieren, Prototypen auf Kundendaten erstellen, testen und fortlaufend verbessern. Es bietet einen Weg zur Änderung der Kundenlösung. Die öffentliche Beschreibung quantifiziert weder Zeit noch Kosten für die Überarbeitung von Zielen, Datenbedeutungen oder Handlungsmöglichkeiten nach einem betrieblichen Fehlschlag. (24)
Die Wahupa-Abhängigkeit schafft eine Aufteilung der Verantwortung zwischen Engine-Lieferant, Plattformanbieter und Implementierer. Eine fehlerhafte Bestandsempfehlung kann Änderungen in allen drei Ebenen erfordern. Die Klärung der Zuständigkeit, die Koordination von Releases und der Neuaufbau einer nicht mehr unterstützten Erweiterung sind mögliche Kundenkosten; die geprüften Partnerschaftsmaterialien legen keine Kontinuitätsvereinbarung offen, die sie begrenzt.
Das ist der relevante Test der Holimization. Wenn ein Wareneingangszeitstempel die Registrierung im Lager statt der physischen Verfügbarkeit bezeichnet, kann ein Algorithmus die falsche Lieferzeit immer präziser lernen. Die Korrektur der Interpretation kann das gesamte Optimierungsproblem verändern. Schnellere Parameteranpassung und zusätzliche Solver-Kapazität beheben das nicht. Der Kunde braucht einen wirtschaftlichen Prozess, um diese Korrektur zu erkennen, zu testen und bereitzustellen. (35)
Professionelle Dienstleistungen machen einen erheblichen Teil des eigenen Geschäfts von Kinaxis aus: $42,1 Millionen von $158,8 Millionen Umsatz im zweiten Quartal 2026, also etwa 26,5%. Dieses Verhältnis auf Unternehmensebene ist kein Verhältnis von Dienstleistungs- zu Lizenzkosten eines Kunden; Implementierungszeitpunkt, Partner und Kundenpersonal unterscheiden sich. Dennoch zeigt es, warum Dienstleistungen im Betriebsmodell nicht fehlen dürfen. Das Annual Information Form beschreibt Abrechnung nach Zeit- und Materialaufwand neben einigen Festpreisprojekten. (22, 23)
Wirtschaftliche Verantwortung
Die Automobilfallstudie benennt eine konkrete Prozessverbesserung und eine gewinnorientierte Berechnung. Der Bericht zu Pharma-Agenten nennt einen Produktivitätsgewinn auf Aufgabenebene. Keiner liefert eine Nettorenditeberechnung einschließlich Software, Integration, Dienstleistungen, Kundenarbeit und fortlaufender Modellüberarbeitung. Die umfassenderen wirtschaftlichen Versprechen bleiben ungeprüft. (3, 21)
Erfolg hängt teilweise von Kundendaten, Konfiguration, Schulung und Nutzung ab. Diese Pflichten sind real, doch eine offene Liste macht es leicht, Fehlschläge den Implementierungsumständen zuzuschreiben. Die geprüften öffentlichen Angebote definieren weder eine begrenzte Kundenpflicht noch ein wirtschaftliches Misserfolgskriterium und eine entsprechende Abhilfe des Anbieters. Nach Zeit- und Materialaufwand abgerechnete Dienstleistungen können weiter Umsatz erzeugen, während der Kunde noch versucht, die versprochenen Erträge zu realisieren. Das veröffentlichte Angebot lässt diese Asymmetrie ungelöst. (23, 24)
Supply-Chain-Bewertung
Die Gesamtbewertung ist der einfache Durchschnitt der fünf Dimensionen: 4,64, gerundet auf 4,6/10. Die Noten sind redaktionelle Urteile über die dokumentierten Fähigkeiten und Grenzen.
Tiefe des Supply-Chain-Verständnisses: 4,6/10
| Teilbewertung | /10 | Grundlage |
|---|---|---|
| Wirtschaftliche Problemstellung | 5 | Gewinn fließt in die Produktionsoptimierung ein; die gemeinsame Bewertung unter Unsicherheit bleibt unerklärt. |
| Entscheidungen als Endergebnis | 6 | Produktionsentscheidungen, Bestandsziele und Ausführungsabläufe haben konkrete Ausgaben. |
| Konzeptionelle Klarheit zur Supply Chain | 5 | Abhängigkeiten werden modelliert; weitergehende Aussagen vermischen weiterhin Konsistenz und wirtschaftliche Entscheidungsqualität. |
| Freiheit von überholten zentralen Lehren | 3 | S&OP-Abstimmung, Serviceziele und die Ausnahmebearbeitung durch Planer bleiben zentral. |
| Widerstandsfähigkeit gegenüber KPI-Theater | 4 | Forschung nennt identifizierbare Fehlermetriken; Aufgabenproduktivität und Geschäftserträge sind schwächer zuordenbar. |
Arithmetischer Durchschnitt: (5 + 6 + 5 + 3 + 4) / 5 = 4.6.
Wirtschaftliche Problemstellung — 5/10. Die Automobilfallstudie optimiert ausdrücklich den Gewinn unter Produktions- und Absatzrestriktionen. Feste monatliche Liefermengen und separat beschriebene Bestandsziele lassen die gemeinsame wirtschaftliche Behandlung unsicherer Wareneingänge und alternativer Handlungen offen.
Entscheidungen als Endergebnis — 6/10. Produktionsmengen und Bestandseinstellungen sind umsetzbar, und das Produktspektrum reicht bis zur Auftrags- und Transportausführung. Der dokumentierte Ablauf überlässt Menschen weiterhin wesentliche Auswahl- und Abstimmungsarbeit; funktionale Abdeckung allein belegt keine unbeaufsichtigten wirtschaftlichen Entscheidungen.
Konzeptionelle Klarheit zur Supply Chain — 5/10. Die gleichzeitige Berechnungsengine bildet voneinander abhängige Pläne ab und überträgt Änderungen. Das umfassendere Orchestrierungsangebot unterscheidet diese Konsistenz nicht ausreichend von einer validierten Prognose der Folgen und einem fundierten wirtschaftlichen Ziel.
Freiheit von überholten zentralen Lehren — 3/10. Die Bestands- und S&OP-Beschreibungen behalten Serviceziele und die menschliche Auswahl zwischen Plänen bei. Diese Zwischenziele können dem Grenzwert des nächsten Einkaufs, der nächsten Zuteilung oder Produktionsentscheidung widersprechen.
Widerstandsfähigkeit gegenüber KPI-Theater — 4/10. Das Prognoseexperiment benennt Metriken und Benchmark-Umfang. Die Agentenaussagen messen eine enge Aufgabe ohne Gesamtarbeit oder zurechenbare Nettorendite; große Teile des kommerziellen Produktivitätsversprechens bleiben unbewertet.
Substanz von Entscheidungen und Optimierung: 4,6/10
| Teilbewertung | /10 | Grundlage |
|---|---|---|
| Tiefe probabilistischer Modellierung | 3 | Wahupas beworbener Umfang umfasst Nachfrage- und Versorgungsunsicherheit; produktiver Einsatz, gemeinsame Bewertung und Kalibrierung bleiben unbelegt. |
| Eigenständige Optimierungs- oder ML-Substanz | 5 | Kinaxis dokumentiert eigene Solver-Heuristiken und gemessene Forschungsverbesserungen. |
| Behandlung realer Restriktionen | 6 | Baugruppen, Kapazität, Marktgrenzen, Bestandsstufen und Postponement sind ausdrücklich enthalten. |
| Entscheidungsautomatisierung und Arbeitsproduktivität | 4 | Einsparungen bei Szenarien und Risikoerkennung werden berichtet; die gesamte Betriebsarbeit bleibt ungemessen. |
| Widerstandsfähigkeit unter realer betrieblicher Komplexität | 5 | Modellerweiterungen und Entwicklungsdienstleistungen ermöglichen Änderungen; wirtschaftliche Neuformulierungen bleiben arbeitsabhängig. |
Arithmetischer Durchschnitt: (3 + 5 + 6 + 4 + 5) / 5 = 4.6.
Tiefe probabilistischer Modellierung — 3/10. Wahupas beworbener Umfang enthält Lieferzeiten, Versorgungsparameter und nicht normalverteilte Nachfrage. Die Umsetzungsnachweise nennen keinen identifizierbaren produktiven Einsatz, der diese Aussagen validiert. Gemeinsame Unsicherheit, Kalibrierung und koordinierte wirtschaftliche Entscheidungen bleiben unerklärt; die Partnerschaft ersetzt keine nachgewiesene Fähigkeit.
Eigenständige Optimierungs- oder ML-Substanz — 5/10. Die Solver-Forschung legt einen algorithmischen Beitrag rund um Gurobi und einen Vergleich mit dem früheren Ansatz von Kinaxis offen. Forschungsstatus und eingeschränkte Formulierung verhindern eine Übertragung auf bessere betriebliche Wirtschaftlichkeit.
Behandlung realer Restriktionen — 6/10. Die Fertigungs- und Bestandsbeispiele benennen Material-, Kapazitäts-, Absatz- und Stufenrestriktionen. Schwächer ist die Darstellung stochastischer Kopplungen und Sprünge, durch die eine lineare Formulierung die tatsächliche Wahl unzureichend abbildet.
Entscheidungsautomatisierung und Arbeitsproduktivität — 4/10. Weniger manuelle Szenarien und schnellere Risikoerkennung beseitigen identifizierbare Arbeit. Die Produktivitätsbewertung findet keine vollständige Bilanz von Genehmigungen, Ausnahmebehandlung, Wartung oder wachsender Arbeitslast.
Widerstandsfähigkeit unter realer betrieblicher Komplexität — 5/10. Kundenseitige Entwicklung und Entwicklungsdienstleistungen bieten Mechanismen zur Änderung der Lösung. Öffentliche Fallstudien zeigen keinen wiederholbaren, wirtschaftlichen Zyklus von einer schlechten Betriebsentscheidung zu einer korrigierten Formulierung und validierten Ausführung.
Integrität von Produkt und Architektur: 5,4/10
| Teilbewertung | /10 | Grundlage |
|---|---|---|
| Architektonische Kohärenz | 6 | Ein eigens entwickelter Kern unterstützt verbundene Berechnungen und sparsame Szenarioverzweigung. |
| Klarheit der Systemgrenzen | 6 | Kernberechnung, eingebettete Erweiterungen, Integration und zugekaufte Ausführung haben identifizierbare Rollen. |
| Ernsthaftigkeit bei Sicherheit | 5 | Plattform- und Agentenkontrollen werden detailliert beschrieben; die Eingrenzung von Fachanwendercode bleibt unklar. |
| Softwaresparsamkeit und Gesamtbetriebskosten | 4 | Das Kerndesign ist zielgerichtet; mehrere Ausführungsebenen und fortlaufende Modellpflege verursachen unquantifizierte Kosten. |
| Eignung für programmatischen und agentengestützten Betrieb | 6 | Entwicklerwerkzeuge, eigene Algorithmen und die Zusammenstellung von Agenten bieten erhebliche Erweiterungsmöglichkeiten. |
Arithmetischer Durchschnitt: (6 + 6 + 5 + 4 + 6) / 5 = 5.4.
Architektonische Kohärenz — 6/10. Der Datenbankbericht erklärt, warum sich Szenarien kostengünstig verzweigen und ein Rechenmodell teilen können. Die Software-Stückliste enthält auch separate ML- und Ausführungsebenen, deren vollständige Integration weniger transparent ist.
Klarheit der Systemgrenzen — 6/10. Integrationszuordnungen, Datenserveraustausch, Kundenalgorithmen und Gurobi haben benannte Rollen. Die wirtschaftliche Grenze zwischen Bestandszielen, Produktionsoptimierung und Auftragsausführung bleibt unzureichend beschrieben. (6, 9, 12, 14)
Ernsthaftigkeit bei Sicherheit — 5/10. Die Sicherheitsbewertung findet dokumentierte Zugriffskontrollen, Bedrohungsmodellierung, Tests und kundenspezifisch abgegrenzten KI-Betrieb. Erzwungene Beschränkungen für Kunden-TypeScript fehlen in der öffentlichen Darstellung, sodass eine folgenreiche Grenze zu Produktionsdaten unbewertet bleibt.
Softwaresparsamkeit und Gesamtbetriebskosten — 4/10. Native Anbindungen und inkrementelle Szenarien haben erläuterte technische Zwecke. Die Wartungsanalyse identifiziert fortlaufende Erstellungs-, Integrations- und Modellüberarbeitungsarbeit ohne entsprechende Gesamtkostenmessung. Wahupa ergänzt ungeklärte Verantwortung für die Koordination von Engine-Korrekturen und die Sicherung der Kontinuität zwischen Lieferanten.
Eignung für programmatischen und agentengestützten Betrieb — 6/10. Eingebettete Algorithmen und Solver Studio erlauben Kundenberechnungen über feste Bildschirmmasken hinaus. Die öffentliche Dokumentation belegt keine reproduzierbaren Tests und Bereitstellung des vollständigen wirtschaftlichen Entscheidungssystems über all diese Einrichtungen hinweg. (9, 13, 20)
Technische Transparenz: 4,4/10
| Teilbewertung | /10 | Grundlage |
|---|---|---|
| Öffentliche technische Dokumentation | 6 | Datenbank, native Anbindungen, Entwicklerwerkzeuge und Solver-Forschung legen konkrete Mechanismen offen. |
| Prüfbarkeit ohne Vermittlung des Anbieters | 4 | Erweiterungscode ist seinen Autoren zugänglich; vollständige Entscheidungsformulierungen bleiben überwiegend unveröffentlicht. |
| Portabilität und Sichtbarkeit der Anbieterbindung | 3 | Vertraute Sprachen erleichtern einen Teil der Entwicklung; vollständige Modellmigration und unabhängige Ausführung bleiben unerklärt. |
| Transparenz der Implementierungsmethode | 5 | Schulungen und Entwicklungsdienstleistungen benennen Rollen, Aufgaben und fortlaufende Anpassung. |
| Belegdichte hinter technischen Aussagen | 4 | Nachweise auf Komponentenebene sind stärker als jene zu gemeinsamer Optimierung, Autonomie oder Nettorendite. |
Arithmetischer Durchschnitt: (6 + 4 + 3 + 5 + 4) / 5 = 4.4.
Öffentliche technische Dokumentation — 6/10. Die technischen Quellen beschreiben Datenstrukturen, Ausführungsgrenzen und Gründe für Implementierungsentscheidungen. Eine reproduzierbare Spezifikation der heutigen vollständigen Entscheidungsengine legen sie nicht offen.
Prüfbarkeit ohne Vermittlung des Anbieters — 4/10. Kunden können eigene Erweiterungen prüfen und entwickeln. Die wirtschaftliche Analyse kann weiterhin weder Ziel noch gemeinsames Unsicherheitsmodell und Koordinationslogik einer durchgängigen Entscheidung rekonstruieren.
Portabilität und Sichtbarkeit der Anbieterbindung — 3/10. TypeScript-Quellcode lässt sich behalten, hängt aber von Maestros Datenmodell und Laufzeitumgebung ab. Die Entwicklerdokumentation erklärt weder Export noch unabhängige Ausführung einer vollständigen Kundenlösung. (12, 13)
Transparenz der Implementierungsmethode — 5/10. Die Schulungs- und Dienstleistungsunterlagen zeigen konkret, wer die Lösung erstellt und pflegt. Dauer, Personalbedarf und Kosten wesentlicher Überarbeitungen bleiben weitgehend unquantifiziert.
Belegdichte hinter technischen Aussagen — 4/10. Konkrete numerische und datenbanktechnische Veröffentlichungen stützen begrenzte technische Aussagen. Für die Autonomie- und Wirtschaftsversprechen fehlen vergleichbare Messungen des unbeaufsichtigten Umfangs, der Gesamtarbeit und zurechenbarer Nettoerträge.
Ernsthaftigkeit des Anbieters: 4,2/10
| Teilbewertung | /10 | Grundlage |
|---|---|---|
| Technische Ernsthaftigkeit der öffentlichen Kommunikation | 5 | Detaillierte Entwicklung besteht neben Aussagen, die über die berichteten Messungen hinausgehen. |
| Integrität der Technologie-Roadmap | 3 | Nach vier Jahren fehlt der Wahupa-Partnerschaft nachgewiesene Nutzung; auch breitere Autonomie- und Analyseversprechen haben keine Ergebnisbilanz. |
| Konzeptionelle Klarheit | 5 | Gleichzeitige Berechnung ist ein konsistentes Designthema; der Übergang über planerzentrierte Arbeit hinaus bleibt unvollständig. |
| Wirtschaftliche Verantwortung | 3 | Prozessvorteile werden berichtet; begrenzte Pflichten und Abhilfen bei unzureichenden Erträgen sind nicht öffentlich. |
| Verteidigungsfähigkeit in einer Welt agentischer Software | 5 | Rechenkern und Domänenmodelle bieten mehr Differenzierung als dialogbasierter Zugriff. |
Arithmetischer Durchschnitt: (5 + 3 + 5 + 3 + 5) / 5 = 4.2.
Technische Ernsthaftigkeit der öffentlichen Kommunikation — 5/10. Die Forschungs- und Architekturberichte legen Mechanismen und Grenzen offen. Die kommerzielle Sprache über die Beseitigung analytischer Zielkonflikte und die Transformation der Produktivität geht weit über den gemessenen Umfang hinaus.
Integrität der Technologie-Roadmap — 3/10. Die Wahupa-Chronologie reicht von einem Versprechen 2022 bis zu späteren Aussagen über ein eingebettetes Produkt, ohne benannte Einsätze oder gemessene Nutzung. Die Wartungsrolle des winzigen Lieferanten bleibt ungeklärt. Auch die breitere Geschichte bringt das Versprechen von 2022 zu Geschwindigkeit und Genauigkeit sowie aufeinanderfolgende Autonomiebehauptungen nur unzureichend mit der Umsetzung in Einklang.
Konzeptionelle Klarheit — 5/10. Gemeinsame Berechnung adressiert ein dauerhaftes Koordinationsproblem. Das Agentenangebot betont weiterhin die Unterstützung von Planern bei Untersuchung und Zusammenarbeit; Belege für einen neu gestalteten Prozess, der wiederkehrende Abwägungsarbeit beseitigt, bleiben begrenzt.
Wirtschaftliche Verantwortung — 3/10. Die Kunden- und Dienstleistungsberichte beschreiben Vorteile und Implementierungsarbeit. Sie begrenzen die Kundenpflichten nicht öffentlich und legen nicht fest, was der Anbieter schuldet, wenn der wirtschaftliche Nettoertrag des Kunden unzureichend ist.
Verteidigungsfähigkeit in einer Welt agentischer Software — 5/10. Die proprietäre Szenarioengine und das Fertigungsmodell erfordern Entwicklungsarbeit, um sie nachzubauen. Connectoren und Dialogassistenten differenzieren weniger. Dauerhafter Wert hängt von Wirtschaftlichkeit und Wartbarkeit der resultierenden Entscheidungen ab, die weniger gut belegt sind als schnelle Berechnung. (11, 23, 31)
Quellendossier
Quellen abgerufen am 4. November 2026. Verifizierte Archivkopien sind verlinkt; als live gekennzeichnete Links führen zur Originalquelle.
Kinaxis: Maestro-Plattform. Undatiert. Plattformumfang und Planungsanwendungen.
[2] Gleichzeitige Orchestrierung
Kinaxis: Gleichzeitige Orchestrierung. Undatiert. Übertragung von Änderungen und Szenariovergleich.
[3] Fallstudie zur S&OP-Optimierung im Automobilbereich
Kinaxis: Fallstudie zur S&OP-Optimierung im Automobilbereich. Copyright 2025; Ausgabe mit 01.26 gekennzeichnet. Feste monatliche Komponentenlieferungen, Gewinn- und Mengenziele, lineare Programmierung und berichtete Einsparungen an Planungszeit.
Kinaxis: Bestandsmanagement. Undatiert. Umfang der Bestandsanwendung.
[5] Partnerschaft mit Wahupa für probabilistisches MEIO
Kinaxis: Partnerschaft mit Wahupa für probabilistisches MEIO. 2022-05-09. Die kommerzielle Partnerschaft mit Wahupa.
[6] Probabilistic MEIO by Wahupa
Kinaxis: Probabilistic MEIO by Wahupa. Undatiert. Nachfrage- und Versorgungsparameter, Serviceabwägungen und Bestandspositionierung.
[7] Einführung der Self-Healing Supply Chain
Kinaxis: Einführung der Self-Healing Supply Chain. 2018. Parameterabweichungen, Warnmeldungen und Korrekturen innerhalb von Toleranzen.
[8] Einführung von Planning.AI
Kinaxis: Einführung von Planning.AI. Mitteilung vom 9. Mai 2022; veröffentlicht am 10. Mai. Automatische Kombination analytischer Verfahren und die behauptete Beseitigung von Zielkonflikten zwischen Geschwindigkeit und Genauigkeit.
Kinaxis: Maestro Solver Studio. Undatiert. Eigene Algorithmen, Szenarioausführung und Gurobi in Advanced Solver Studio.
[10] AlphaEvolve-Entwicklungsforschung
Kinaxis: AlphaEvolve-Entwicklungsforschung. 2026-06-29. Solver- und Prognoseexperimente im Forschungsstadium.
[11] Wir haben eine Datenbank gebaut
Kinaxis: Wir haben eine Datenbank gebaut. 2021-10-20. Datenbankverzweigung, direkter Speicherzugriff und Szenariodesign.
[12] Native Node.js-Anbindungen
Kinaxis: Native Node.js-Anbindungen. 2021-12-14. TypeScript-Ausführung, Parquet-Austausch und native Arrow-Anbindungen.
[13] Embedded Algorithms Developer Tools
Kinaxis: Embedded Algorithms Developer Tools. Undatiert. Entwicklung, Debugging, Veröffentlichung und Einstellungen für Ressourcenwarnungen.
[14] Unternehmensweite Integration
Kinaxis: Unternehmensweite Integration. Undatiert. Datentransformation, Zuordnungen und Integrationsadministration.
[15] Praktikum für die KI-Plattform ab Januar 2022
Kinaxis: Praktikum für die KI-Plattform ab Januar 2022 (live). Ausschreibung für Januar 2022. Historische Aufgaben und Technologien der KI-Plattform; Arbeitgebertext von Startup Jobs wiedergegeben.
[16] Machine-Learning-Praktikum, Ausschreibung 2026-35297
Kinaxis: Machine-Learning-Praktikum, Ausschreibung 2026-35297. Ausschreibung von 2026. Python-Dienste und Containerinfrastruktur; Beginn der Stelle im Januar 2027.
[17] C++-Entwickler, Ausschreibung 2026-35565
Kinaxis: C++-Entwickler, Ausschreibung 2026-35565. Ausschreibung von 2026. C++-Arbeit an Berechnungserweiterungen.
Kinaxis: Trust Center. Undatiert. Hosting, Zugriffskontrollen, Sicherheitsprozesse und KI-Governance.
[19] Einführung von Maestro Agents
Kinaxis: Einführung von Maestro Agents. 2025-10-17. Allgemeine Verfügbarkeit und Jabils Bericht zur Agentennutzung.
[20] Einführung von Maestro Agent Studio
Kinaxis: Einführung von Maestro Agent Studio. 2026-02-05. Zusammenstellung von Agenten und Beispielaufgaben.
[21] Ergebnisse des dritten Quartals 2025
Kinaxis: Ergebnisse des dritten Quartals 2025. 2025-11-05. Die Produktivitätsaussage zur Erkennung von Bestandsrisiken in der Pharmabranche.
[22] Ergebnisse des zweiten Quartals 2026
Kinaxis: Ergebnisse des zweiten Quartals 2026. 2026-08-05. Agentennutzung, neue Entwicklungsdienstleistungen und berichteter Umsatz.
[23] Annual Information Form 2025
Kinaxis: Annual Information Form 2025. 2026-03-04. Szenariospeicherung, Interoperabilitäts-Roadmap und Bedingungen professioneller Dienstleistungen.
[24] Forward Deployed Engineering
Kinaxis: Forward Deployed Engineering. Undatiert. Kundenmodellierung, Prototypen, Validierung und fortlaufende Entwicklungsarbeit.
Kinaxis: Lernpfade. Undatiert. Aufgaben von Autoren, Administratoren und Entwicklern; fortbestehende Self-Healing-Schulungen.
[26] Abschluss der Rubikloud-Übernahme
Kinaxis: Abschluss der Rubikloud-Übernahme. 2020-07-02. Zugekaufte Nachfrageprognosefähigkeiten.
Kinaxis: MPO-Übernahme. 2022-08-16. Erweiterung um Aufträge, Bestand und Transportausführung.
[28] Übernahme des Dienstleisters Prana
Kinaxis: Übernahme des Dienstleisters Prana. 2020-02-26. Übernahme des langjährigen Dienstleistungspartners.
Kinaxis: Vorstellung von Maestro. 2024. Der Übergang von RapidResponse zu Maestro und dessen Orchestrierungsangebot.
Kinaxis: Demand.AI. Undatiert. Demand Sensing, externe Signale und Prognoseumfang.
[31] Genpact Kinaxis MCP Server
Genpact über AWS Marketplace: Genpact Kinaxis MCP Server. Undatiert. Ein von Genpact angebotener Connector für Kinaxis-Daten und -Szenarien.
Kinaxis: Unternehmensgeschichte. Undatiert. Gründung und Geschichte der In-Memory-Engine.
[33] Introduction to Supply Chain
Joannes Vermorel / Lokad: Introduction to Supply Chain. Buch, Volltext. Wirtschaftliche Entscheidungen, Unsicherheit und die Designperspektive hinter Lokad.
[34] Die Supply Chain braucht programmierbare Systeme, keine konfigurierbaren Produkte
Joannes Vermorel / Lokad: Die Supply Chain braucht programmierbare Systeme, keine konfigurierbaren Produkte. 2026-01-05. Programmierbarkeit und Pflege kundenspezifischer Entscheidungslogik.
[35] Holimization: Warum Optimierung nicht ausreicht
Joannes Vermorel / Lokad: Holimization: Warum Optimierung nicht ausreicht. 2025-12-12. Überarbeitung von Zielen, Dateninterpretationen und verfügbaren Entscheidungen.
[36] Wahupa-Unternehmensprofil
Wahupa: LinkedIn-Unternehmensprofil, Archivaufnahme vom 14. April 2024, verglichen mit dem am 4. November 2026 abgerufenen Profil (live). Beide nennen 2016 als Gründungsjahr, 2–10 Beschäftigte und drei zugeordnete Mitarbeiterprofile.
Wahupa: Wahupa-Partner. Undatiert. Wahupa nennt Scott Sheldon als exklusiven Implementierer und verlinkt dessen frühere MEIO-Produktseite.
[38] Wie MEIO die Kinaxis-Planung für intelligentere Supply Chains verbessert
Wahupa: Wie MEIO die Kinaxis-Planung für intelligentere Supply Chains verbessert. 2025-02-04. Aussagen zur eingebetteten Engine und erwarteten Vorteilen, ohne benannten Einsatz oder gemessenes Kundenergebnis.
[39] Planung unter Unsicherheit: statistische und probabilistische Ansätze
Kinaxis / Stefan de Kok und Masoud Chitsaz: Planung unter Unsicherheit: statistische und probabilistische Ansätze. 2023-08-23. Gemeinsamer erläuternder Artikel von Stefan de Kok und Masoud Chitsaz; beschreibt MEIO als in RapidResponse integriert.
Kinaxis: Wahupa-Partnereintrag. Undatiert. Aktuelle Positionierung als nativ eingebettete Maestro-Erweiterung.
[41] Integration von Scott Sheldon in neos by Argon & Co
Argon & Co: Integration von Scott Sheldon in neos by Argon & Co. 2026. Das Implementierungsunternehmen wurde in das neos-Geschäft aufgenommen.
neos by Argon & Co: Technologiepartner. Undatiert. Der aktuelle Katalog enthält Kinaxis, führt Wahupa aber nicht auf.