Zurück zur Marktforschung
Pigment ist eine Cloud-Plattform zum Erstellen von Anwendungen für die Finanz- und Betriebsplanung. Nutzer definieren mehrdimensionale Daten, Formeln, Prognosen, Szenarien, Berichte und Arbeitsabläufe. Das Supply-Chain-Angebot umfasst Bedarfs-, Bestands-, Kapazitäts- sowie Absatz- und Betriebsplanung und verknüpft diese mit Finanzplänen. KI-Agenten unterstützen Analyse und Modellaufbau. (1, 9, 25)
Gesamtbewertung für die Supply Chain: 6,1/10.
| Dimension | Bewertung |
|---|---|
| Tiefe des Supply-Chain-Verständnisses | 5,2/10 |
| Substanz von Entscheidungen und Optimierung | 5,4/10 |
| Integrität von Produkt und Architektur | 7,0/10 |
| Technische Transparenz | 6,8/10 |
| Seriosität des Anbieters | 6,2/10 |
Pigments stärkster Beitrag ist eine programmierbare Planungsumgebung mit zunehmend leistungsfähigen Werkzeugen zur Pflege des Modells selbst. Die Dokumentation legt Prognoseverfahren, Schutzmechanismen für den Produktivbetrieb, Fehlerpfade und erhebliche Entwicklungsarbeit an Open-Source-Komponenten offen. Die zentrale Supply-Chain-Grenze bleibt bestehen: Ein flexibles Modell und schneller vorbereitete Szenarien belegen noch keine wirtschaftliche Entscheidungsmaschine, die mit der gemeinsamen Unsicherheit von Nachfrage und Versorgung arbeitet. Der Planner Agent steht weiterhin auf der öffentlichen Roadmap. (3, 9, 15, 17, 25)
Pigment erklärt, wie es generierten Python-Code abschottet und bei der Übernahme einer Nutzeridentität reinen Lesezugriff erzwingt. Zugleich dokumentiert es weniger beruhigendes Verhalten auf Anwendungsebene: Formeländerungen können Zugriffskontrollen verändern, Modelländerungen können dauerhaft sein, und manche neueren KI-Funktionen liegen außerhalb des üblichen Bereitstellungsprozesses. (9, 10, 14, 15, 16)
Pigment im Vergleich zu Lokad
Pigment stellt einem Unternehmen Werkzeuge für den Bau eigener Planungsanwendungen bereit. Der Kunde entscheidet, welche Größen prognostiziert werden, welche Formeln sie verbinden, welche Szenarien verglichen werden und welcher Plan genehmigt wird. Lokads Supply-Chain-Optimierung konzentriert sich auf die Berechnung wirtschaftlich geordneter operativer Entscheidungen unter Unsicherheit. Seine Supply Chain Scientists pflegen das numerische Modell und die Datenaufbereitung, die diese Entscheidungen ermöglichen. Die übergeordnete Entwurfsperspektive findet sich in Introduction to Supply Chain. (1, 9)
Für den Kauf einer Komponente kann Pigment eine Bedarfsprognose, Stückliste, aktuelle Bestände, Lieferzeitannahmen und eine Einkaufsrechnung verbinden. Cheerz beschreibt eine solche Anwendung. Schwieriger ist die Frage, wie viel gekauft werden sollte, wenn Lieferantenankunft, Nachfrage, Ausbeute und alternative Verwendungen des Kapitals unsicher sind. Lokads Ansatz ordnet den möglichen Ergebnissen wirtschaftliche Folgen zu und bewertet die verfügbaren Handlungen gemeinsam. Pigment bietet eine Modellierungsumgebung, in der ein erheblicher Teil dieser Logik noch entworfen und validiert werden müsste. (7, 29)
Pigments Modeler Agent kann Implementierungskosten senken, indem er den Aufbau von Formeln und Modellen automatisiert. Eine schnell erzeugte Formel belegt aber nicht, dass sie das richtige Geschäftsziel ausdrückt. Der Produktivitätstest lautet, ob Kundenteams das Entscheidungsmodell sicher und mit weniger Gesamtaufwand überarbeiten und verbessern können, einschließlich Prüfung, Regressionstests und Nachverfolgung im Betrieb. (9, 26)
Das numerische Modell: Prognosen und Szenarien vor wirtschaftlichen Entscheidungen
Bestandsberechnungen sind programmierbar, keine vorgegebene Optimierungslehre
Pigment dokumentiert iterative Berechnungen über mehrere Blöcke hinweg, darunter ein Bestandsbeispiel, das Anfangsbestand, eingehenden Nachschub und Endbestand im Zeitverlauf verbindet. Der aktuelle PREVIOUSOF-Mechanismus erlaubt bis zu zehn Kennzahlen in einer iterativen Konfiguration mit gemeinsamer Iterationsdimension. Das sind nützliche Rechenbausteine, um die Logik eines Kunden auszudrücken. (29)
Sie wählen jedoch nicht die wirtschaftliche Problemstellung. Eine Bestandsgleichung kann korrekt sein, während ihre Nachschubregel Substitution, Verfall, unregelmäßige Lieferungen oder die Opportunitätskosten knappen Kapitals ignoriert. Zusätzliche Dimensionen oder Formeln ergänzen nicht automatisch die entsprechenden Handlungsalternativen. Wie in Holimization erläutert, kann die entscheidende Verbesserung darin liegen, den Betrachtungsumfang des Modells zu verändern, statt innerhalb seiner bisherigen Annahmen genauer zu rechnen.
Das öffentliche Supply-Chain-Angebot betont verbundene Pläne und den schnellen Vergleich von Szenarien. Dies unterstützt die funktionsübergreifende Untersuchung von Kapazitäts- oder Einkaufsfolgen. Es legt weder eine eingebaute Zielfunktion offen, die konkurrierende operative Handlungen nach ihrer erwarteten wirtschaftlichen Rendite ordnet, noch ein mitgeliefertes Verfahren zur gemeinsamen Bewertung der Unsicherheit von Nachfrage, Lieferzeit und Kapazität. Diese Arbeit bleibt ein wesentlicher Teil des Anwendungsentwurfs. (1, 5, 29)
Die Prognosedokumentation enthält nützliche quantitative Details
Pigments Funktion Predictions liefert eine Basisprognose mit Unter- und Obergrenzen eines 95%-Prognoseintervalls. Die AutoML-Auswahl bewertet mehrere Modelle je Zeitreihe anhand des MASE über die letzten 20% der historischen Daten. Zu den dokumentierten Optionen gehören AutoETS, Chronos-2, Prophet und einfachere Verfahren; Chronos-2 wird ohne kundenspezifisches Fine-Tuning verwendet. (2, 3)
Die veröffentlichten Benchmarks verwenden MASE, ein Fehlermaß relativ zu einer saisonal-naiven Referenz:
| Benchmark | Durchschnittlicher MASE von Chronos-2 | Saisonal-naive Referenz |
|---|---|---|
| Monatlich, Horizont von 12 Monaten | 1,102 | 1,000 |
| Wöchentlich, Horizont von 52 Wochen | 0,900 | 1,000 |
| Täglich, Horizont von 365 Tagen | 0,718 | 1,000 |
Der Datensatz konzentriert sich auf typische Geschäftskennzahlen, insbesondere finanzielle Umsatzzeitreihen, und enthält keine Kundendaten. Das monatliche TimesFM 2.5 erreicht im selben Vergleich 0,981. Chronos-2 verliert in diesem monatlichen Test somit gegen die naive Referenz, obwohl der begleitende Text allgemein von überlegener Leistung spricht. Diese Ergebnisse lassen sich weder auf Nachschubentscheidungen je SKU und Standort übertragen noch als Prozentsatz richtiger Prognosen interpretieren. (3)
Ein Prognoseintervall liefert nützliche Informationen über Unsicherheit; seine nominelle Abdeckung von 95% ist keine Prognosegenauigkeit von 95%. Für Bestandsentscheidungen fehlt eine validierte gemeinsame Verteilung der Größen, die die Handlung beeinflussen. Marginale Intervalle einzelner Zeitreihen beschreiben weder korrelierte Nachfrage über Produkte hinweg noch unsichere Lieferantenlieferzeiten oder die Kosten daraus entstehender Fehlmengen. Pigments öffentliche Dokumentation zeigt nicht, wie diese Unsicherheiten in einer wirtschaftlichen Handlungsbewertung zusammengeführt werden. (2, 5)
Externe Faktoren können vorhersagen, ohne eine Intervention zu erklären
Pigment akzeptiert bis zu zehn Kennzahlen als externe Faktoren. Die Daten müssen mindestens 90% sowohl der historischen als auch der zukünftigen Perioden abdecken; fehlende Werte werden ergänzt. Ein Granger-Test prüft bis zu fünf Verzögerungen und wählt einen Faktor aus, wenn ein p-Wert unter 0,005 liegt. Prophet kann einen zugehörigen Wirkungskoeffizienten ausgeben; für Chronos-2 oder AutoML bietet die Dokumentation diesen Koeffizienten nicht an. (4)
Eine Marketingvariable kann den Absatz vorhersagen helfen, weil das Marketingteam bereits etwas über die Nachfrage weiß. Daraus folgt nicht, was passieren würde, wenn das Unternehmen seine Ausgaben änderte. Ebenso müssen zukünftiges Wetter oder Wettbewerbspreise selbst prognostiziert werden, sofern sie nicht im Voraus bekannt sind. Ihre Unsicherheit und ihre Verfügbarkeit zum ursprünglichen Entscheidungszeitpunkt sind relevant. Das dokumentierte Auswahlverfahren belegt weder kausale Aktionsoptimierung noch eine gemeinsame Fortpflanzung der Unsicherheit. (4)
Pigments Supply-Chain-Artikel vom August 2026 spricht sich ausdrücklich für Prognosespannen aus und erkennt variable Lieferzeiten an. Ein älterer anonymisierter Einzelhandelsfall organisiert die Planung hingegen um eine einzige abgestimmte Bedarfszahl und Szenarien zum Erreichen von Zielwerten. Die Plattform kann beide Praktiken unterstützen; die Methodik des Kunden bestimmt, ob Unsicherheit die Entscheidung prägt oder auf einen Konsensplan verdichtet wird. (5, 6)
Agentenproduktivität: Der Modellaufbau ist der substanzielle Fortschritt
Die Modellerstellung kann schneller werden, die Validierung bleibt nötig
Der Modeler Agent erstellt und bearbeitet Blöcke, Formeln, Dimensionen und Kalender. Die Dokumentation vom Oktober 2026 beschreibt die Modi Ask, Build und Plan & Build, mit optionaler automatischer Annahme außer bei Löschungen. Änderungen sind dauerhaft und werden im Anwendungsverlauf dem auslösenden Mitglied zugerechnet. (9)
Pigment berichtet, dass der Agent 70% der neuen Kennzahlen und Formeln erstellt. Zudem sei eine Anwendung für die Gemeinkosten von Unilever North America innerhalb von 25 Tagen gebaut und eingeführt worden, verglichen mit einer geschätzten Alternative von vier bis sechs Monaten. Das ist ein Hinweis auf die Aufbaugeschwindigkeit in der Finanzplanung. Der Vergleich liefert weder einen gemessenen kontrafaktischen Verlauf noch eine Fehlerquote, den späteren Wartungsaufwand oder ein Ergebnis für Supply-Chain-Entscheidungen. (26)
Modellpflege bindet teure Facharbeit: Definitionen abgleichen, Abhängigkeiten verfolgen, Formeln anpassen und Berichte neu aufbauen. Ein Agent kann diese Arbeit reduzieren. Der wirtschaftliche Gewinn hängt von Qualität und Lebensdauer der entstehenden Anwendung ab, nicht vom Anteil automatisch erzeugten Codes oder automatisch erzeugter Formeln. Eine große Menge unnötiger Kennzahlen würde den Wartungsaufwand erhöhen statt die Produktivität.
Die tägliche Planung bleibt stark vom Menschen abhängig
Cheerz berichtet, den monatlichen operativen Planungszyklus von einer Woche auf weniger als einen Tag verkürzt und die Bestände um 30% reduziert zu haben. Die Einkaufsanwendung importiert täglich Daten aus dem Bestandssystem und modelliert Komponenten anhand einer vorbereiteten Stückliste. Danones Planungsfall für Säuglingsmilch und medizinische Ernährung beschreibt eine Verkürzung der Vorbereitung des strategischen Plans von zwei Wochen auf einen Tag, sofern die Eingaben rechtzeitig eintreffen. Das angepasste S&OP- und Strategiemodell wurde mit Statera Consulting in drei Monaten erstellt. (7, 8)
Diese Fälle benennen relevante Arbeitsentlastungen. Ihre Bezugsgrößen bleiben einzelne Prozesse, nicht die Gesamtkosten dafür, operative Entscheidungen dauerhaft korrekt zu halten. Eine schnellere Konsolidierung ermöglicht außerdem mehr Planungszyklen, wie Cheerz berichtet. Häufigere Überprüfung kann die Reaktionsfähigkeit verbessern, während dieselben menschlichen Freigaben und Modellkorrekturen erforderlich bleiben. Keiner der Fälle belegt autonomen Nachschub im gesamten Kundenbetrieb. (7, 8)
MCP ist ein Konnektor; modellverändernde Werkzeuge brauchen eine eigene Bewertung
Pigments MCP-Server authentifiziert den Nutzer, wendet bestehende Berechtigungen an und erlaubt, Blöcke vom KI-Zugriff auszuschließen. Das Werkzeug-Änderungsprotokoll vom Oktober umfasst den Abruf von Rohdaten, die Untersuchung von Abhängigkeiten und Leistungsanalysen; Sortierung und Schwellenwerte abgerufener Daten werden inzwischen im externen KI-Werkzeug ausgeführt. (11, 28)
Der Konnektor allein ist eine mit geringem Aufwand umsetzbare Integration, kein Nachweis einer Supply-Chain-Entscheidungsmaschine. Den Frage-und-Bericht-Ablauf eines Nutzers in einen externen Assistenten zu verschieben erhält das zugrunde liegende manuelle Betriebsmodell. Pigments substanziellere Agentenarbeit liegt im Verändern und Pflegen der Anwendung, mit kontrollierter Ausführung und dokumentierten Werkzeugen. Für autonome wirtschaftliche Planung fehlen weiterhin Nachweise einer ausgelieferten Funktion. (9, 15, 25)
Sicherheitsarchitektur und die Kosten sicherer Modelländerungen
Generierter Python-Code wird als feindlicher Code behandelt
Pigments Entwicklungsartikel vom Juni 2026 beschreibt die Laufzeitumgebung für den vom Analyst Agent erzeugten Python-Code. Die Ausführung nutzt dedizierte Worker, Isolation pro Lauf, gesperrten Netzwerkzugriff, keine eingebundenen Zugangsdaten, Ressourcenlimits, ein nur lesbares Root-Dateisystem, temporären Wegwerfspeicher und gVisor. Jeder Sandbox-Pod dient genau einer Ausführung. Der Artikel verwirft Regex-Prüfungen ausdrücklich als ausreichende Sicherheitsgrenze. (15)
Bei größeren Datensätzen ruft ein vertrauenswürdiger Dienst die Daten ab und schiebt sie in die Sandbox, sodass diese weiterhin keine Cloud-Zugangsdaten benötigt. Dies ist eine substanzielle Entwurfsantwort auf bösartige Prompts, unsicheren generierten Code und versehentliche Datenoffenlegung. Die Sicherheit wird außerhalb des erzeugten Programms erzwungen. Der Artikel liefert eine konkrete Architektur, die untersucht und getestet werden kann. (15)
Ein separater Artikel vom April erklärt die administrative Übernahme einer Nutzeridentität: Ein signierter Nur-Lese-Zustand erreicht die API-Middleware, und jeder Endpunkt muss deklarieren, ob er solche Sitzungen erlaubt. Ein eigens entwickelter Build-Analysator weist fehlende Deklarationen zurück. Dadurch sinkt das Risiko, dass ein neuer Endpunkt die Kontrolle unbemerkt umgeht. Die Garantie hängt weiterhin von der korrekten Einstufung erlaubter Endpunkte ab; sie ist kein auf Datenbankebene erzwungenes Verbot jedes denkbaren Schreibzugriffs. (16)
Formelberechtigungen können Datenberechtigungen unterlaufen
Pigment dokumentiert, wie ein Modellierer ohne Rechte zur Sicherheitsverwaltung dennoch geschützte Daten offenlegen kann, indem er eine in Zugriffsregeln verwendete Formel ändert. Die Gegenmaßnahme verschiebt gefährdete Blöcke in einen Security Folder, auf den nur sicherheitsberechtigte Nutzer zugreifen können. Der Artikel empfiehlt zunächst vertrauenswürdige Modellierer und erklärt anschließend diese technische Trennung. (14)
Der Mechanismus ist relevant, weil Modellcode an der Definition der Sicherheitsregeln mitwirkt. Eine Abschottung muss daher die gesamte Abhängigkeitskette abdecken, die Berechtigungen berechnet, nicht nur die abschließende Kennzahl für Zugriffsrechte. Diese Abhängigkeiten korrekt zu identifizieren und zu schützen wird mit der Weiterentwicklung der Modelle zur dauerhaften Konfigurationsarbeit. Schnellere, von Agenten geschriebene Änderungen erhöhen die Bedeutung dieser Grenze; Vertrauen in die Person, die den Prompt eingibt, macht nicht jede generierte Änderung sicher. (14)
Bereitstellung und Wiederherstellung haben folgenreiche Ausnahmen
Pigments Test & Deploy trennt strukturelle Änderungen vom Produktivbetrieb, doch Daten werden grundsätzlich nicht zwischen den Umgebungen synchronisiert. Die Dokumentation warnt, dass dringende Änderungen an produktiven Zugriffsregeln durch die nächste Bereitstellung überschrieben werden, sofern sie nicht auch in der Entwicklung vorgenommen werden. Sie warnt außerdem, dass die Bereitstellung einer Formel vorhandene Eingaben verwerfen kann, wenn Überschreibungen deaktiviert sind. Das sind konkrete Fehlerpfade, die Prüfung und Tests erfordern. (13)
Die Modeler-Dokumentation beschränkt verwaltete Test-&-Deploy-Anwendungen derzeit auf den Ask-Modus. Das begrenzt die beworbene Fähigkeit zum Schreiben von Modellen innerhalb des kontrollierten Anwendungsablaufs. Auch Frames, die neuere Funktion für generierte Oberflächen, unterstützt Test & Deploy nicht: Autoren duplizieren, überarbeiten und veröffentlichen stattdessen. (9, 10)
Frames besitzt eine dokumentierte Ausführungsgrenze. Pigments öffentliche Autorenspezifikation beschreibt JavaScript in einem Sandbox-iframe mit opakem Ursprung; Netzwerkzugriff, externes Laden von Code, Browserspeicher und Zugriff auf das übergeordnete Dokument sind gesperrt. Deklarierte Datenquellen und -senken vermitteln den Modellzugriff. Die Produktdokumentation erlaubt sicherheitsberechtigten Nutzern separat, Bestätigungsdialoge für Schreibvorgänge abzuschalten. Browserisolation verringert die Angriffsfläche des Codes; sie validiert nicht die wirtschaftliche Bedeutung eines erlaubten Schreibvorgangs. (10, 12)
Auch die Wiederherstellung eines Blocks ist aufwendiger als ein Rückgängig-Befehl. Das dokumentierte Verfahren bietet gewöhnlich tägliche Sicherungen der vergangenen sieben Tage, stellt Blöcke als neue Objekte wieder her und beschränkt ihren Zugriff zunächst auf Anwendungsadministratoren. Ihre Daten ins aktive Modell zurückzubringen kann Kopieren oder einen formelbasierten Abgleich erfordern. Das schützt die Wiederherstellung vor versehentlicher breiter Offenlegung, lässt nach einer fehlerhaften Modelländerung aber erhebliche Wiederherstellungsarbeit übrig. (19)
Softwarekomponenten und laufende Gesamtkosten
| Ebene | Offengelegte Komponenten | Beleg |
|---|---|---|
| Anwendung | C# ASP.NET Core auf Linux, Go-Dienste; Oberfläche mit React und TypeScript | Die aktuelle SRE-Stellenanzeige nennt den produktiven Stack. (18) |
| Daten und Nachrichten | PostgreSQL über Cloud SQL und CloudNativePG, SingleStore, Elasticsearch, RabbitMQ, Temporal | Dieselbe Anzeige bezeichnet diese als eingesetzte Plattformkomponenten. (18) |
| Infrastruktur | Google Kubernetes Engine, Terraform, ArgoCD, Istio, Vault | Aktuelle Infrastrukturaufgaben. (18) |
| Predictions | Python, Dask, Google Cloud Storage, Avro-Transfers | Entwicklungsarchitektur vom September 2025. (17) |
| Agentenanalyse | LangGraph/LangChain im Entwurf von 2024; ein 2026 dokumentierter gehärteter Python-Ausführungsdienst | Datierte technische Beschreibungen. (15, 23) |
Das ist ein umfangreicher Softwarebestand. Mehrere Datensysteme, Warteschlangen, ein Workflow-Dienst, ein Service-Mesh und eine verteilte Prognoselaufzeit schaffen Pflichten bei Updates, Beobachtbarkeit, Zugriffskontrolle und Wiederherstellung nach Vorfällen. Die Kostenfrage lautet, ob jede Schicht ihren Aufwand durch tatsächlich bereitgestellte Kundenfähigkeiten rechtfertigt. Pigment liefert ungewöhnlich nützliche Belege für diese Entwicklungsaufgaben, aber keine Kosten je dauerhaft gepflegter Supply-Chain-Entscheidung oder vergleichbarer Arbeitslast.
Der Dask-Artikel erklärt, dass der ursprüngliche Prognosedienst die Ressourcen eines einzelnen Rechners ausschöpfte. Der Nachfolger stellt Daten über Cloud-Speicher bereit und verteilt die Arbeit. Pigment stieß auf einen Fehler in der automatischen Skalierung, durch den mehr als 200 Worker zugewiesen bleiben konnten, lieferte einen Patch und ergänzte eigene Mechanismen für das Herunterfahren von Workern und das Abbrechen gestarteter Unteraufgaben. Das ist Entwicklungsarbeit über die bloße Werbung mit einem importierten Open-Source-Namen hinaus und ein konkretes Beispiel für die Wartungskosten einer solchen Abhängigkeit. (17)
Die Python-Sandbox hat einen weiteren expliziten Kostenfaktor: Vorgewärmte Platzhalter-Pods bleiben reserviert, um die Startlatenz zu senken. Der Artikel nennt etwa eine bis zwei Sekunden Startzeit und benennt bezahlte Leerlaufkapazität als Preis dafür. Diese Zeiten betreffen den Ausführungsstart, nicht eine vollständige optimierte Supply-Chain-Berechnung. (15)
Kundenspezifische Konfiguration verursacht zusätzliche Kosten. Formelabhängigkeiten, Sicherheitsregeln, Szenariodefinitionen, Importe und generierte Oberflächen brauchen jeweils Verantwortliche. Predictions verbraucht zudem ein jährliches Abonnementkontingent nach der Anzahl berechneter Zeitreihen; Löschen oder Verfallen eines Ergebnisses stellt das Kontingent nicht wieder her. Häufige Neuberechnungen und Experimente haben deshalb neben Rechen- und Prüfaufwand auch eine kommerzielle Kostendimension. (2, 9, 13)
Pigments Sicherheitsseite nennt einen Betrieb über mehrere Zonen sowie ein getestetes Wiederanlaufziel von sechs Stunden bei bis zu 24 Stunden Datenverlust. Das sind explizite Wiederherstellungsziele. Wiederherstellung und Abgleich auf Anwendungsebene bestimmen dennoch, wie schnell ein Planungsteam nach einem beschädigten Modell oder fehlerhaften Import wieder vertrauenswürdige Entscheidungen treffen kann. (19, 20)
Technologiegeschichte und Integrität der Roadmap
| Zeitraum | Öffentliche Entwicklung | Bewertung |
|---|---|---|
| 2020–2021 | Series A im Dezember 2020 und Series B über 73 Millionen Dollar im November 2021; das Produkt sollte gemeinsame Planung auf Tabellenkalkulationsbasis ersetzen. | Das frühe Angebot konzentrierte sich auf Modellierung und gemeinsame Geschäftsdaten. (21) |
| Mai 2023 | Pigment AI kündigte dialogbasierten Zugriff und schnellere geschäftliche Erkenntnisse an. | Die Positionierung mit generativer KI folgte auf den ChatGPT-Moment; sie ist an der späteren Umsetzung zu messen. (22) |
| Oktober 2024 | Die Entwicklung beschrieb einen LangGraph-Analysten, Werkzeugnutzung, menschliche Interaktion und Testschwierigkeiten. | Der Artikel behandelte unaufgeforderte breitere Ratschläge zur Geschäftsoptimierung als Fehler im Aufgabenbereich des Analysten. (23) |
| März 2025 | Analyst, Modeler und Planner wurden als Roadmap mit privaten Tests angekündigt. | Drei angekündigte Rollen bedeuteten nicht drei allgemein verfügbare Produkte. (24) |
| September 2025 | Die verteilte Prognosearchitektur und Abhängigkeitsprobleme wurden dokumentiert. | Konkrete Implementierungsarbeit und Fehlerbehandlung werden sichtbar. (17) |
| März–Oktober 2026 | Modeler wurde eingeführt; Abschottungs- und Identitätsübernahmekonzepte wurden veröffentlicht; Nutzungszahlen zum Modellaufbau wurden genannt. | Tatsächliche Auslieferung stützt die Produktivitätsrichtung. (9, 15, 16, 26) |
| Oktober–November 2026 | Series E über 250 Millionen Dollar angekündigt; Planner steht weiterhin auf der Roadmap. | Finanzierung schließt die verbleibende Lücke bei ausgelieferten operativen Entscheidungsfähigkeiten nicht. (25, 27) |
Die Entwicklungsgeschichte enthält ausgelieferte Fähigkeiten und veröffentlichte Darstellungen der dadurch entstandenen technischen Probleme. Der unfertige Planner bleibt relevant, weil die Empfehlung wirtschaftlicher operativer Handlungen die für diese Bewertung unmittelbar wichtigste Fähigkeit ist. (9, 15, 17, 25)
Die konzeptionelle Spannung liegt zwischen einer Plattform, die Menschen beim Erstellen und Besprechen von Plänen hilft, und einem System, das laufend bessere Handlungen berechnet. Pigments eigene Kundenfälle betonen Abstimmung, Szenarioerkundung und wirksamere Planungssitzungen. Die neueren Hinweise zum Umgang mit Unsicherheit sind stärker als eine Planungslehre mit einer einzigen Zahl; die technische Verbindung zu einer validierten operativen Entscheidungsregel ist jedoch weiterhin nicht belegt. (5, 6, 8)
Wirtschaftliche Verantwortung
Cheerz’ Bestandsreduktion und die benannten Verbesserungen der Planungszeit geben Käufern konkrete Ergebnisse zur Prüfung. Sie isolieren Pigments Beitrag nicht von veränderter Prozessfrequenz, besseren Stammdaten, Beratungsarbeit oder einem neu aufgebauten Planungsmodell. Die Verantwortung des Anwendungserstellers für die Formeln macht diese Zuordnung besonders wichtig. (7, 8)
Ein ernsthafter Abnahmetest sollte die eingesetzte Entscheidungslogik mit realisierten Ergebnissen verbinden, mit vereinbarten Ausgangswerten und ausdrücklicher Verantwortung für die Korrektur von Fehlschlägen. Erfolgreiche Softwareausführung, rechtzeitige Eingaben oder breite Nutzerakzeptanz können mit einer wirtschaftlich schlechten Nachschubregel einhergehen. Pigments öffentliche Fälle definieren weder Abhilfe für diese Situation noch zeigen sie, wie eine schädliche operative Empfehlung über eine Neuformulierung bis zu erneuten vorausschauenden Tests verfolgt wird. Die Kontrollen für Softwareänderungen unterstützen diese Arbeit; sie liefern nicht die wirtschaftliche Bewertung. (8, 13, 19)
Supply-Chain-Bewertung
Tiefe des Supply-Chain-Verständnisses
| Kriterium | Bewertung |
|---|---|
| Wirtschaftliche Problemstellung | 5/10 |
| Entscheidung als Endergebnis | 5/10 |
| Konzeptionelle Präzision zur Supply Chain | 6/10 |
| Freiheit von überholten zentralen Lehrsätzen | 4/10 |
| Robustheit gegenüber KPI-Theater | 6/10 |
Durchschnitt: 5,2/10.
Wirtschaftliche Problemstellung — 5/10. Finanzielle und operative Größen können ein Modell teilen. Eine eingebaute Zielfunktion zur Rangfolge von Handlungen, die sämtliche wirtschaftlichen Folgen unsicherer Versorgung und Nachfrage berücksichtigt, ist nicht belegt. (1, 5, 29)
Entscheidung als Endergebnis — 5/10. Kunden bauen Einkaufs- und Bestandsanwendungen, doch Pläne und Szenarien bleiben das vorherrschende Ergebnis. Die spezielle Planner-Fähigkeit steht weiterhin auf der Roadmap. (7, 25)
Konzeptionelle Präzision zur Supply Chain — 6/10. Neuere Hinweise erkennen unsichere Nachfrage und Versorgung an. Die öffentlichen Implementierungsbelege sind schwächer darin, diese Unsicherheit in gemeinsam bewertete operative Entscheidungen zu überführen. (4, 5)
Freiheit von überholten zentralen Lehrsätzen — 4/10. Konsensplanung, Zielabstimmung und wiederholte menschliche Szenarioprüfung bleiben in Kundenimplementierungen zentral. Eine schnellere Ausführung dieser Prozesse beseitigt ihre methodischen Grenzen nicht. (6, 8)
Robustheit gegenüber KPI-Theater — 6/10. Prognosebenchmarks nutzen definierte Fehlermaße und legen auch unterlegene Ergebnisse offen. Produktivitätsbehauptungen beziehen sich auf erkennbare Aufgaben, während breite Kennzahlen zur Agentenerzeugung und geschätzte Alternativen nur begrenzte Belege für einen wirtschaftlichen Nettowert liefern. (3, 7, 26)
Substanz von Entscheidungen und Optimierung
| Kriterium | Bewertung |
|---|---|
| Tiefe probabilistischer Modellierung | 5/10 |
| Eigenständige Substanz bei Optimierung oder maschinellem Lernen | 6/10 |
| Umgang mit realen Restriktionen | 5/10 |
| Entscheidungsautomatisierung und Arbeitsproduktivität | 6/10 |
| Belastbarkeit unter realer betrieblicher Komplexität | 5/10 |
Durchschnitt: 5,4/10.
Tiefe probabilistischer Modellierung — 5/10. Prognoseintervalle und eine ausdrückliche Behandlung der Unsicherheit gehen über ein reines Punktprognoseangebot hinaus. Gemeinsame Kalibrierung und Weitergabe an Nachfrage- und Versorgungsentscheidungen werden nicht gezeigt. (2, 5)
Eigenständige Substanz bei Optimierung oder maschinellem Lernen — 6/10. Prognoseauswahl, rechnerische Modellierung und modellbildende Agenten besitzen überprüfbare Mechanismen. Integrierte Open-Source-Modelle und flexible Formeln belegen für sich allein keine eigenständige Supply-Chain-Optimierung. (3, 9, 17, 29)
Umgang mit realen Restriktionen — 5/10. Dimensionsmodelle und kundenseitig erstellte Komponentenberechnungen können operative Details abbilden. Die Qualität des Handlungsraums, der Restriktionen und der wirtschaftlichen Näherungen bleibt anwendungsspezifisch. (7, 29)
Entscheidungsautomatisierung und Arbeitsproduktivität — 6/10. Einsparungen bei Aufgaben und ein beschleunigter Modellaufbau sind substanziell. Der gesamte Betriebs- und Verbesserungsaufwand einschließlich Validierung und Ausnahmebehandlung bleibt ungemessen. (7, 8, 26)
Belastbarkeit unter realer betrieblicher Komplexität — 5/10. Modellinspektion, Bereitstellung und Wiederherstellung unterstützen Korrekturen. Es fehlt ein nachgewiesener Zyklus vom wirtschaftlichen Fehlschlag über eine überarbeitete Entscheidungsformulierung bis zum erneuten Test. (9, 13, 19)
Integrität von Produkt und Architektur
| Kriterium | Bewertung |
|---|---|
| Architektonische Kohärenz | 8/10 |
| Klarheit der Systemgrenzen | 7/10 |
| Ernsthaftigkeit bei Sicherheit | 8/10 |
| Software-Sparsamkeit und laufende Gesamtkosten | 4/10 |
| Eignung für programmatische und agentengestützte Abläufe | 8/10 |
Durchschnitt: 7,0/10.
Architektonische Kohärenz — 8/10. Berechnung, Analyse und Modellbearbeitung teilen explizite Planungsobjekte. Neuere Oberflächen und Bearbeitungsfähigkeiten haben weiterhin Ausnahmen vom etablierten Bereitstellungslebenszyklus. (9, 10, 13)
Klarheit der Systemgrenzen — 7/10. Die Dokumentation unterscheidet Modelllogik, generierte Oberflächen, externe Werkzeuge und Ausführungsdienste. Mehrere wichtige Kontrollen hängen von Kundenkonfiguration und Produktmodus ab. (10, 11, 12, 15)
Ernsthaftigkeit bei Sicherheit — 8/10. Veröffentlichte Laufzeit- und API-Kontrollen adressieren konkrete Angriffswege und setzen Grenzen außerhalb des generierten Codes durch. Formelbasierte Berechtigungen und Bereitstellungsausnahmen hinterlassen erhebliche Konfigurationsrisiken. (13, 14, 15, 16)
Software-Sparsamkeit und laufende Gesamtkosten — 4/10. Die Plattform pflegt viele zustandsbehaftete und orchestrierende Komponenten. Dokumentierte Kapazitäts- und Abhängigkeitsprobleme machen ihre Wartungskosten greifbar; die gesamten laufenden Kosten je Kunde werden nicht quantifiziert. (17, 18)
Eignung für programmatische und agentengestützte Abläufe — 8/10. Agenten können das Modell untersuchen und verändern, während generierter Code definierte Ausführungsgrenzen hat. Kontrollierte Produktivänderungen und autonome wirtschaftliche Bewertung sind weniger vollständig. (9, 12, 15, 28)
Technische Transparenz
| Kriterium | Bewertung |
|---|---|
| Öffentliche technische Dokumentation | 8/10 |
| Prüfbarkeit ohne Vermittlung des Anbieters | 6/10 |
| Sichtbarkeit von Portabilität und Anbieterbindung | 5/10 |
| Transparenz der Implementierungsmethode | 8/10 |
| Belegdichte hinter technischen Aussagen | 7/10 |
Durchschnitt: 6,8/10.
Öffentliche technische Dokumentation — 8/10. Detaillierte Produkt- und Entwicklungsunterlagen legen Mechanismen, Grenzen und bekannte Fehlerpfade offen. Das aktuelle Produktivverhalten lässt sich aus der Dokumentation allein dennoch nicht unabhängig reproduzieren. (3, 13, 15, 17)
Prüfbarkeit ohne Vermittlung des Anbieters — 6/10. Öffentliche Formeln, Schnittstellen und Benchmarktabellen erlauben eine substanzielle technische Prüfung. Die Reproduktion von Kundenergebnissen oder der vollständigen gehosteten Rechenumgebung erfordert mehr Zugang. (3, 7, 12, 29)
Sichtbarkeit von Portabilität und Anbieterbindung — 5/10. Öffentliche Integrations- und Agentenschnittstellen verbessern die Zugänglichkeit. Kundenanwendungen hängen von Pigment-spezifischen Dimensionen, Formeln, Berechtigungen und Abläufen ab, deren Migrationskosten nicht feststehen. (9, 12, 13, 29)
Transparenz der Implementierungsmethode — 8/10. Bereitstellung, Wiederherstellung, Modellierungskontrollen und benannte Implementierungsarbeit sind gut beschrieben. Der vollständige wiederkehrende Aufwand und wirtschaftliche Abnahmekriterien bleiben weniger sichtbar. (8, 9, 13, 19)
Belegdichte hinter technischen Aussagen — 7/10. Technische Offenlegungen verbinden Aussagen mit konkreten Implementierungen und Fehlern. Für Supply-Chain-Automatisierung und wirtschaftlichen Nettonutzen ist die Bewertungsevidenz dünner als für die Plattformmechanik. (7, 15, 17, 25)
Seriosität des Anbieters
| Kriterium | Bewertung |
|---|---|
| Technische Ernsthaftigkeit der öffentlichen Kommunikation | 6/10 |
| Integrität der Technologie-Roadmap | 7/10 |
| Konzeptionelle Präzision | 6/10 |
| Wirtschaftliche Verantwortung | 5/10 |
| Verteidigungsfähigkeit in einer Welt agentischer Software | 7/10 |
Durchschnitt: 6,2/10.
Technische Ernsthaftigkeit der öffentlichen Kommunikation — 6/10. Technische Artikel erkennen schwierige Entwicklungsarbeit und Sicherheitsgrenzen an. Breite KI-Produktivitätsformulierungen gehen gelegentlich über die engeren Benchmarks und dokumentierten Einsatzbereiche hinaus. (3, 15, 17, 26)
Integrität der Technologie-Roadmap — 7/10. Der Weg von gemeinsamer Modellierung zu Analyse- und Modellbauagenten enthält erkennbare Auslieferungen. Der weiterhin ausstehende Planner lässt das folgenreichste Supply-Chain-Versprechen unerfüllt. (21, 22, 23, 24, 25)
Konzeptionelle Präzision — 6/10. Pigment erkennt, dass Modellaufbau und -pflege die Planungsproduktivität begrenzen. Das öffentliche Betriebsmodell bleibt weniger klar darin, Konsensprognosen und manuelle Szenariowahl durch wirtschaftliche Entscheidungsregeln zu ersetzen. (5, 6, 9)
Wirtschaftliche Verantwortung — 5/10. Benannte Fälle berichten konkrete Vorteile und Implementierungsarbeit. Die Verantwortung für die Validierung kundenseitig gebauter Entscheidungslogik und Abhilfe bei schwachen Erträgen bleiben darin ungeklärt. (7, 8, 26)
Verteidigungsfähigkeit in einer Welt agentischer Software — 7/10. Eine kontrollierte Rechenumgebung und Werkzeuge, die das Modell verändern, bieten dauerhafteren Wert als dialogbasierter Zugang allein. Die verbleibende Herausforderung ist der Nachweis, dass schneller gebaute Anwendungen bessere wiederkehrende Entscheidungen bei geringerem Gesamtaufwand hervorbringen. (9, 13, 15, 28)
Quellen
[1] Software für Supply Chain Planning (SCP) | Pigment
Software für Supply Chain Planning (SCP) | Pigment. Aktuell; abgerufen am 4. November 2026. Produktumfang und vernetzte Planung.
[2] Prognosen mit maschinellem Lernen
Prognosen mit maschinellem Lernen. 2026-05-13; abgerufen am 4. November 2026. Intervalle, Prognoseablauf und Abonnementkontingent.
[3] Auswahl des Prognosemodells
Auswahl des Prognosemodells. 2026-05-05; aktueller Haupttext; abgerufen am 4. November 2026. Modellauswahl und veröffentlichte Benchmarktabellen.
[4] Externe Faktoren in Prognosen verwenden
Externe Faktoren in Prognosen verwenden. Aktuell; abgerufen am 4. November 2026. Faktorprüfung, Vollständigkeitsregeln und Wirkungskoeffizienten.
[5] Glaubwürdige Supply-Chain-Pläne trotz Nachfrage- und Prognoseunsicherheit erhalten
Glaubwürdige Supply-Chain-Pläne trotz Nachfrage- und Prognoseunsicherheit erhalten. 2026-08-07; aktualisiert am 2026-09-03; abgerufen am 4. November 2026. Nachfragespannen und Variabilität der Versorgung.
[6] Wie ein Modehändler seine Supply Chain mit Pigment veränderte
Wie ein Modehändler seine Supply Chain mit Pigment veränderte. Undatiert; abgerufen am 4. November 2026. Anonymisierte Implementierung, Konsensprognosen und Szenariopraxis.
[7] Wie Cheerz seine Bestände mit Pigment um 30% senkte
Wie Cheerz seine Bestände mit Pigment um 30% senkte. Undatiert; abgerufen am 4. November 2026. Benannte Bestands- und Arbeitsaufwandsergebnisse; Anwendungsaufbau.
[8] Wie Danone seine Bedarfsplanung mit Pigment veränderte
Wie Danone seine Bedarfsplanung mit Pigment veränderte. Undatiert; abgerufen am 4. November 2026. Benannte Implementierung strategischer Planung und bedingte Zeitersparnis.
[9] Den Modeler Agent ausführen
Den Modeler Agent ausführen. 2026-03-04; aktualisiert am 2026-10-19; abgerufen am 4. November 2026. Betriebsmodi, dauerhafte Änderungen, Berechtigungen und Bereitstellungsbeschränkungen.
[10] Oberflächen mit Frames erstellen
Oberflächen mit Frames erstellen. Aktuell; abgerufen am 4. November 2026. Veröffentlichungsablauf, Schreibbestätigung und Bereitstellungsgrenzen.
MCP-Server. 2026-03-06; aktualisiert am 2026-11-02; abgerufen am 4. November 2026. Authentifizierung, Datenzugriff und Integration externer Clients.
[12] Pigment Frames erstellen: öffentliche Agentenanweisungen
Pigment Frames erstellen: öffentliche Agentenanweisungen. Aktuell; abgerufen am 4. November 2026. Öffentliche Anbieterspezifikation für generiertes JavaScript und Sandbox-Beschränkungen.
[13] Test & Deploy für Pigment-Funktionen verstehen
Test & Deploy für Pigment-Funktionen verstehen. 2026-03-05; aktualisiert am 2026-10-01; abgerufen am 4. November 2026. Verhalten der Umgebungen, produktive Überschreibungen und Bereitstellung von Sicherheitsregeln.
[14] Security Folder für Modellierung ohne Vertrauensannahme und Datenschutz nutzen
Security Folder für Modellierung ohne Vertrauensannahme und Datenschutz nutzen. 2025-08-22; abgerufen am 4. November 2026. Dokumentierte Offenlegungspfade über Formeln und Gegenmaßnahmen.
[15] LLM-generierten Code in einer Sandbox ausführen | Pigments Technikblog
LLM-generierten Code in einer Sandbox ausführen | Pigments Technikblog. 2026-06-10; abgerufen am 4. November 2026. Bedrohungsmodell, Isolation der Produktivlaufzeit, Datensatztransfer und Kapazitätskosten.
[16] Nutzeridentitäten sicher übernehmen: Tokens, Nur-Lese-Garantien und Prüfpfad | Pigments Technikblog
Nutzeridentitäten sicher übernehmen: Tokens, Nur-Lese-Garantien und Prüfpfad | Pigments Technikblog. 2026-04-08; abgerufen am 4. November 2026. Durchsetzung an der API und Vollständigkeitsprüfungen beim Build.
[17] Wie wir unsere Prognosepipeline mit Dask beschleunigten | Pigments Technikblog
Wie wir unsere Prognosepipeline mit Dask beschleunigten | Pigments Technikblog. 2025-09-02; abgerufen am 4. November 2026. Verteilte Prognosearchitektur und Korrekturen an Abhängigkeiten.
[18] Senior SRE — öffentliche Pigment-Stellenanzeige
Senior SRE — öffentliche Pigment-Stellenanzeige. Aktuell; über die öffentliche Lever-API abgerufen; abgerufen am 4. November 2026. Expliziter Produktivstack, über die öffentliche Lever-Stellenanzeigen-API erfasst.
[19] Einen Block aus einer Sicherung wiederherstellen
Einen Block aus einer Sicherung wiederherstellen. Aktualisiert am 2025-11-10; abgerufen am 4. November 2026. Wiederherstellungsumfang, Zugriffsbeschränkungen und Abgleich.
[20] SOC2 Type 2-zertifizierte Datensicherheit | Pigment
SOC2 Type 2-zertifizierte Datensicherheit | Pigment. Aktuell; abgerufen am 4. November 2026. Notfallwiederherstellungsziele und Infrastrukturumfang.
[21] Pigment hat eine Series B über 73 Millionen Dollar angekündigt
Pigment hat eine Series B über 73 Millionen Dollar angekündigt. 2021-11-15; abgerufen am 4. November 2026. Ursprüngliches Planungsangebot und frühe Finanzierungsgeschichte.
[22] Pigment will mit Pigment AI schnellere und intelligentere Geschäftseinblicke liefern
Pigment will mit Pigment AI schnellere und intelligentere Geschäftseinblicke liefern. 2023-05-03; abgerufen am 4. November 2026. Erste Ankündigung generativer KI.
[23] Agentische KI für die Datenanalyse in Pigment | Pigments Technikblog
Agentische KI für die Datenanalyse in Pigment | Pigments Technikblog. 2024-10-31; abgerufen am 4. November 2026. Datierte Agentenimplementierung und Grenzen.
[24] KI-Agenten: Wie Pigment die Unternehmensplanung erneut verändern will
KI-Agenten: Wie Pigment die Unternehmensplanung erneut verändern will. 2025-03-25; aktualisiert am 2026-09-03; abgerufen am 4. November 2026. Ankündigung dreier Agenten und Status privater Tests.
[25] Pigments Roadmap für die Unternehmensplanung: Was kommt als Nächstes?
Pigments Roadmap für die Unternehmensplanung: Was kommt als Nächstes?. Aktuell; abgerufen am 4. November 2026. Ausgelieferte Fähigkeiten und ausstehende Roadmap-Punkte.
[26] Vereinen, bauen, automatisieren: Pigments Rahmen für agentische Planung
Vereinen, bauen, automatisieren: Pigments Rahmen für agentische Planung. 2026-10-08; abgerufen am 4. November 2026. Berichtete Modellierungsnutzung und Unilever-Anwendungsbeispiel.
[27] Pigment nimmt 250 Mio. Dollar bei einer Bewertung von 2,3 Mrd. Dollar auf
Pigment nimmt 250 Mio. Dollar bei einer Bewertung von 2,3 Mrd. Dollar auf. 2026-10-21; abgerufen am 4. November 2026. Aktuelle Finanzierungsankündigung.
[28] Änderungsprotokoll für Werkzeuge und Skills
Änderungsprotokoll für Werkzeuge und Skills. 2026-10-15; aktualisiert am 2026-11-03; abgerufen am 4. November 2026. Jüngste Änderungen der Zuständigkeiten externer Agentenwerkzeuge.
[29] Iterative Berechnungen über mehrere Blöcke mit PREVIOUSOF
Iterative Berechnungen über mehrere Blöcke mit PREVIOUSOF. Aktuell; abgerufen am 4. November 2026. Iteratives Bestandsbeispiel und rechnerische Grenzen.