Zurück zur Marktforschung
Die SupplyBrain GmbH mit Sitz in Graz gehört zur SSI Schäfer Gruppe und entwickelt Software zur Überwachung von Lagertechnik, zur Instandhaltungsplanung und zur Materialflusssimulation. Linkage erfasst Betriebsdaten über Edge-Geräte; Predictive Maintenance analysiert den Zustand der Anlagen; Digital Twin unterstützt Entscheidungen über Engpässe, Lagerplätze und Personaleinsatz. 1 4
Gesamtbewertung für die Supply Chain: 3,8/10
| Dimension | Bewertung |
|---|---|
| Tiefe des Supply-Chain-Verständnisses | 4,4/10 |
| Substanz bei Entscheidungen und Optimierung | 4,0/10 |
| Integrität von Produkt und Architektur | 4,2/10 |
| Technische Transparenz | 2,6/10 |
| Ernsthaftigkeit des Anbieters | 3,8/10 |
SupplyBrain behandelt reale betriebliche Entscheidungen und stellt einen schlüssigen Zusammenhang zwischen Anlagendaten und Lagerbetrieb her. Die öffentlichen Belege sind bei der Datenerfassung und diagnostischen Unterstützung am stärksten. Deutlich schwächer werden sie dort, wo aus einer Prognose eine wirtschaftlich begründete Handlung entsteht: welche Komponente ersetzt, welcher Eingriff aufgeschoben, welcher Bestand gehalten oder wie viel Arbeit zwischen konkurrierenden Aufgaben verlagert werden soll.
Technische Beiträge erläutern bayessche Prognosen für sporadisch nachgefragte Ersatzteile und die Sicherheitsrisiken, die beim Anschluss von Lagertechnik an externe Systeme entstehen. Sie liefern Methoden und ein Bedrohungsmodell, aber keine Kalibrierungsergebnisse, validierten Lagersimulationen oder gemeinsame Bewertung von Stillstand, Instandhaltung, Ersatzteilen und entgangenem Durchsatz. Das zentrale Problem ist der Abstand zwischen dem behaupteten optimalen Betrieb und den offengelegten Entscheidungsmechanismen. 10 2 3
SupplyBrain im Vergleich zu Lokad
SupplyBrain beobachtet das Lager und hilft Mitarbeitern, betriebliche Probleme zu diagnostizieren oder vorherzusehen. Lokads Angebot zur Bestandsoptimierung konzentriert sich auf die Auswahl wirtschaftlicher Entscheidungen unter Unsicherheit, etwa zu Bestand, Einkauf, Produktion und Zuteilung. Für instandhaltungsbezogene Supply Chains bedeutet das, Teile, Reparaturoptionen und Verfügbarkeit anhand der vermiedenen Verluste und verbrauchten Ressourcen zu bewerten.
Die Überschneidung ist bei Ersatzteilen am konkretesten. SupplyBrains Budget-Risiko-Ansatz muss Wiederbeschaffungszeiten, Reparaturalternativen, Anlagenabhängigkeiten und die wirtschaftlichen Folgen nicht verfügbarer Kapazität verbinden. Ein Budget, das einen gewählten Anteil von Szenarien abdeckt, ist noch keine Regel, die die besten Einkäufe oder Instandhaltungseingriffe auswählt. 10
Dasselbe gilt für den Personaleinsatz im Lager. Eine Simulation kann Staus unter einem vorgeschlagenen Dienstplan prognostizieren. Die Auswahl eines Dienstplans verlangt Preise für Arbeit, Überstunden, verspätete Aufträge und entgangenen Service sowie eine Prognose der Variabilität dieser Folgen. SupplyBrains Digital-Twin-Seite verspricht effizienten Personaleinsatz und optimale Lagerplatzzuordnung, legt aber dieses monetäre Entscheidungsmodell nicht offen. 3
Lokads Supply Chain Scientists entwickeln und pflegen die Dateninterpretation und Entscheidungslogik als Teil der Dienstleistung. SupplyBrains öffentliche Unterlagen beschreiben nicht ebenso ausdrücklich, wer nach der Einführung Modellkalibrierung, Eingriffsregeln und wirtschaftliche Abnahmekriterien pflegt. Diese kontinuierliche Arbeit steht im Mittelpunkt der Holimization: Ein Modell wird durch wiederholte Korrekturen des tatsächlich gelösten Problems nützlich.
Von Anlagenmesswerten zu Instandhaltungsentscheidungen
Predictive Maintenance verbindet Verschleißindikatoren, die Erkennung ungewöhnlicher Nutzung, die Anlagenhistorie und kumulierte Stillstandszeiten. Es verspricht den idealen Wartungszeitpunkt für eine Komponente und präsentiert Prioritäten für das Instandhaltungspersonal. 2
Eine Anomalie ist noch keine Instandhaltungsentscheidung. Eine ungewöhnliche Temperatur kann auf einen bevorstehenden Ausfall, eine harmlose Änderung der Auslastung oder einen defekten Sensor hinweisen. Selbst eine verlässliche Ausfallwarnung lässt eine wirtschaftliche Wahl offen: sofort eingreifen, bis zum nächsten geplanten Stillstand warten, langsamer fahren, ein Ersatzteil bereithalten oder das Ausfallrisiko akzeptieren. Die beste Wahl hängt von Ersatzkosten, aufgegebener Restlebensdauer, Reparaturkapazität und den durch einen Ausfall gefährdeten Aufträgen ab.
SupplyBrain veröffentlicht weder das Ausfallzeitmodell noch die Präzision der Warnungen, die Rate übersehener Ereignisse, den Warnhorizont oder die Kostenregel hinter dem beworbenen Zeitpunkt. Diese Größen hängen zusammen. Höhere Empfindlichkeit kann mehr Ausfälle erfassen, aber zugleich so viele Fehlalarme erzeugen, dass sie die Zeit des Instandhaltungsteams beanspruchen. Ein System, das Arbeit von Notreparaturen zu häufigen unnötigen Eingriffen verlagert, kann eine werbewirksame Kennzahl verbessern und dennoch Geld verlieren.
Eine konkrete probabilistische Methode mit fehlender Verbindung zur Entscheidung
SupplyBrains technische Beiträge beschreiben hierarchische bayessche Inferenz für sporadischen Ersatzteilbedarf. Beobachtungen werden über Anlagen und Komponentengruppen zusammengeführt und anschließend für einzelne Teile verfeinert; das angestrebte Ergebnis ist eine Nachfrageverteilung zur Unterstützung von Budget-Risiko-Berechnungen. Das ist eine konkrete, für dünne Daten geeignete Methode. 10
Die öffentliche Darstellung nennt weder eine eingesetzte Produktversion noch einen Validierungsdatensatz oder die Verbindung der Methode zu einer ausführbaren Nachschubregel. Sie zeigt auch nicht, wie unsichere Lieferzeiten der Lieferanten mit der Nachfrageverteilung kombiniert werden. Eine realistische Ersatzteilrechnung benötigt beides: Die Ausfallwahrscheinlichkeit zu kennen reicht nicht, wenn der Ersatz in zwei Tagen oder zwei Monaten eintreffen könnte.
Instandhaltung und Nachfrage sind zusätzlich miteinander gekoppelt. Der vorbeugende Austausch einer Komponente verändert die Population künftiger Ausfälle und verbraucht denselben Bestand, der anderswo für Störungen gebraucht wird. Nachfrageprognose, Instandhaltungsplan und Ersatzteilbudget als unabhängige Berechnungen zu behandeln kann denselben Schutz mehrfach verplanen, ohne den tatsächlichen Engpass abzusichern.
Digitale Zwillinge brauchen Prognosevalidierung
Das Angebot Digital Twin simuliert Lagerflüsse, identifiziert Engpässe, passt Lagerplätze an Auftragsmuster an und schätzt den Personalbedarf. Die öffentliche Beschreibung behauptet, diese Funktionen unterstützten zuverlässige Kommissionierungs- und Abfahrtspläne. 3
Ein so eingesetzter Lagerzwilling ist eine hochdimensionale Prognose. Er sagt voraus, wie Warteschlangen, Mitarbeiter, Anlagen und Aufträge unter einer vorgeschlagenen betrieblichen Entscheidung zusammenwirken. Eine visuell überzeugende Darstellung belegt nicht, dass die vorhergesagten Wechselwirkungen präzise genug sind, um Betriebsänderungen zu rechtfertigen.
Die entscheidende Validierung ist vorausschauend: Modell und verfügbare Informationen einfrieren, die nächste Schicht prognostizieren und das Ergebnis mit tatsächlichen Warteschlangen, Fertigstellungszeiten und Serviceausfällen vergleichen. Das ist bei Überlastung, veränderter Auftragsmischung, Anlagenausfällen und ungewohnter Personalbesetzung zu wiederholen. Anschließend ist zu prüfen, ob das Modell die tatsächlich verfügbaren Eingriffe der Betriebsleitung richtig ordnet. Ein genauer durchschnittlicher Durchsatz kann Fehler verdecken, die gerade bei den wichtigsten verspäteten Aufträgen konzentriert auftreten.
Die geprüften öffentlichen Unterlagen berichten weder über diese Validierung noch über Simulationsverfahren, kalibrierte Eingangsverteilungen oder die Weitergabe von Unsicherheit. SupplyBrain nennt coop als Entwicklungspartner, veröffentlicht auf seinen Produktseiten aber keine entsprechende Reihe von Kalibrierungs- oder wirtschaftlichen Ergebnissen. 1 Der Zugang über eine Partnerschaft kann ein Modell verbessern; die Prognoseergebnisse entscheiden, ob das tatsächlich geschehen ist.
Lagerplatzzuordnung ist eine wirtschaftliche Abwägung
Ein schnell drehendes Produkt näher an einer Kommissionierstation zu lagern kann die Entnahmezeit verkürzen. Es belegt aber auch knappen Platz, erzeugt Umlagerungsarbeit und kann den Nachschubverkehr oder Staus am bevorzugten Standort verschärfen. Ein Optimierer muss diese Wechselwirkungen über eine relevante zukünftige Auftragsmischung berücksichtigen.
SupplyBrains Produktbeschreibung betont effizienten Materialfluss und Kapazitätsnutzung. 3 Sie klärt nicht, ob Umlagerungskosten, Störungen durch Nachschub und veränderte Nachfrage gemeinsam bewertet werden. Ein kürzerer Kommissionierweg ist ein lokaler Gewinn; das Lager bezahlt den gesamten Betriebsablauf.
Technologiegeschichte und Integrität der Roadmap
| Zeitraum | Öffentliches Versprechen | Was die Belege zeigen |
|---|---|---|
| 2019 | FPrimeZero stellte Supplybrain mit KI, Regelungstechnik und digitalem Zwilling vor | Das Produktkonzept ist älter als die heutige Startup-Erzählung. |
| 2022–2024 | Die aktuelle Website datiert das Startup auf 2022; SSI Schäfer stellte es 2024 öffentlich vor | Eine erneuerte kommerzielle Organisation begleitete eine ältere Produktlinie. |
| Berichtszeitraum 2024 | Vorausschauende Instandhaltung, Personaleinsatz und Energiemanagement | Die Muttergesellschaft berichtete über einen Energiepiloten und bezeichnete mehrere Automatisierungsfähigkeiten als künftige Arbeit. |
| 2025 | SSI Linkage auf Basis von Siemens Industrial Edge | Eine konkrete Architektur für Erfassung und Vorverarbeitung wurde öffentlich dokumentiert. |
| Technische Kommunikation 2026 | Bayessche Ersatzteilprognosen, Kotlin/Quarkus-Backend und OT-Sicherheitsfragen | Konkretere Methoden und technische Entscheidungen werden sichtbar, bei begrenzter veröffentlichter Validierung. |
Quellen: 8, 15, 1, 9, 7, 5, 10, 11.
Die LogiMAT-Mitteilung vom 17. Januar 2019 beschrieb FPrimeZeros Supplybrain als Kombination aus Materialflussanalyse in Echtzeit, Hintergrundsimulation und KI-basierter Optimierung. Eine wiedergegebene Registerbekanntmachung von 2018 führt FPrimeZero unter derselben Firmennummer FN 498950a wie das aktuelle Impressum von SupplyBrain. Die heutige Gründungserzählung für 2022 lässt somit eine frühere technische und gesellschaftsrechtliche Vorgeschichte aus. 8 15 14
Das KI-Versprechen vor 2023 ist an dem zu messen, was danach folgte. Im Berichtszeitraum 2024 beschrieb SSI Schäfer automatisches System-Onboarding, einen Algorithmus zur Planung von Instandhaltungsarbeiten und automatische Ersatzteilbeschaffung als Entwicklungsziele. Damit hatte die Lagersoftware die breite Selbstoptimierung, die ihre frühere Positionierung nahelegte, noch nicht nachgewiesen. 7
In der Zwischenzeit wurde tatsächlich etwas geliefert: Siemens beschrieb das Edge-basierte Linkage-System im Juli 2025 öffentlich. 5 Die wiederkehrende Schwäche liegt darin, dass Umsetzungsbehauptungen viel leichter nachzuverfolgen sind als Verbesserungen der Prognose- oder Wirtschaftsleistung. Jahre der KI- und Digital-Twin-Rhetorik haben keine öffentliche Fortschrittsreihe zu Prognosekalibrierung, Eingriffsqualität und Instandhaltungsaufwand hervorgebracht.
Beim Energiemanagement lässt sich eine ähnlich hilfreiche Grenze ziehen. Der Bericht für 2024 beschreibt einen ersten Piloten, der Verbrauchsdaten sammelt, um Strategien wie geringere Motorleistung und Schlafmodi für Shuttles entwickeln zu können. 7 Das belegt keinen eingesetzten Regler, der Energie, Durchsatz und Anlagenlebensdauer gemeinsam optimiert. Die spätere Linkage-Produktseite beschreibt breite Betriebskostenvorteile, ohne eine gemessene Fortsetzung dieses Piloten zu zeigen. 4
Software-Stückliste
| Produkt oder Belegumfang | Dokumentierte Komponenten | Konsequenz für den Betrieb |
|---|---|---|
| SSI Linkage | Siemens-Industrial-Edge-Geräte, lokale Vorverarbeitung, Anwendungsverwaltung und Cloud-Analytik | Gerätebereitstellung, Anwendungsupdates und die OT-Cloud-Verbindung bleiben Betriebsaufgaben. |
| Predictive-Maintenance-/Linkage-Backend; technischer Anbieterbeitrag | Kotlin und Quarkus | Der Anbieter nennt eine konkrete Backend-Grundlage und die angestrebten Vorteile für die Wartbarkeit. |
| Full-Stack-Stellenausschreibung von SupplyBrain, ungefähr 2025 | Azure-Infrastruktur und -Dienste; Entwicklung mit Kotlin, React und Python | Anwendungs-, Data-Science- und Cloud-Betrieb verlangen unterschiedliche technische Fähigkeiten und koordinierte Releases. |
| Digital Twin und Prognosemethoden | Proprietäre Simulation und Analyselogik; ein veröffentlichter bayesscher Modellierungsansatz | Kalibrierung, Modelländerungen und Portabilität bleiben von der anbieterspezifischen Implementierung abhängig. |
Die Stellenanzeige nennt Technologien, die in der Entwicklung eingesetzt werden. Docker und Kubernetes erscheinen als vorteilhafte Kenntnisse; daraus ergibt sich keine zwingende Bereitstellungstopologie. Die stärkere produktspezifische Zuordnung ist die eigene Benennung von Kotlin und Quarkus für die Instandhaltungs-/Linkage-Plattform durch den Anbieter. 12 11
Die Architektur teilt Aufgaben sinnvoll auf: Daten nahe an der Anlage erfassen und vorverarbeiten, danach umfassender in der Cloud analysieren. Diese Aufteilung schafft auch dauerhafte Kosten. Jedes Signal braucht eine Identität, Einheit, Zeitangabe, Interpretation und Beziehung zum physischen Betriebsmittel. Geräteaustausch, Firmwareänderungen und veränderte Instandhaltungspraktiken können diese Beziehungen ungültig machen, selbst wenn alle Dienste verfügbar bleiben.
SupplyBrain hat nicht genug über Datenbanken, gespeicherte Kopien, Telemetrieraten, Modelltraining oder Simulationslasten veröffentlicht, um die Infrastrukturmasse zu beziffern. Wesentlich ist die Pflege von Daten und Modell über die Grenzen zwischen Anlagen, Edge und Cloud hinweg. Die Kosten dieser Arbeit müssen einbezogen werden, wenn vermiedene Serviceeinsätze mit dem Abonnementpreis verglichen werden.
Siemens liefert Infrastruktur, keinen Nachweis numerischer Überlegenheit
Die Siemens-Referenz beschreibt die Edge-Plattform und Anwendungsbibliothek als Grundlage für die schnellere Entwicklung von SSI Linkage. 6 Das stützt eine Aussage über Integration und Umsetzung. SupplyBrains eigener technischer Beitrag muss anhand seiner Anlagenmodelle, statistischen Methoden und daraus resultierenden Entscheidungen belegt werden. Eine angesehene Industrieplattform kann weder die Genauigkeit noch die wirtschaftliche Qualität dieser Berechnungen nachweisen.
Das Partnerschaftsmaterial dokumentiert Infrastrukturintegration. Es beziffert nicht den zusätzlichen Ertrag der analytischen Schicht von SupplyBrain.
Sicherheit: erkanntes Problem, unvollständige Belege zur Durchsetzung
SupplyBrain hat ausdrücklich davor gewarnt, dass Projekte zur vorausschauenden Instandhaltung zuvor isolierte Steuerungen durch Edge-Verbindungen zugänglich machen. Zu den Empfehlungen gehören die Trennung von OT und IT, die Einschränkung eingehender Verbindungen, die Behandlung von Edge-Geräten als mögliche Angriffspunkte und der durchgängige Schutz übertragener Daten. 10
Diese Diagnose ist nützlicher als eine allgemeine Behauptung sicheren Cloud-Hostings. Sie benennt den entscheidenden Fehlerfall: Ein Angreifer nutzt ein zur Beobachtung installiertes Gerät, um Systeme zur Steuerung physischer Abläufe zu erreichen. Als Nächstes stellt sich die Frage, welche Schutzmaßnahmen die gelieferte Architektur erzwingt.
Öffentliche Linkage-Beschreibungen klären nicht, ob die Datenerfassung technisch auf Lesen beschränkt ist, wie Geräteidentitäten und Zugangsdaten isoliert sind, was der Fernsupport ändern kann oder wie eine kompromittierte Edge-Anwendung daran gehindert wird, eine Steuerung zu erreichen. Auch Wiederherstellungstests nach beschädigter Telemetrie oder fehlerhaftem Modellzustand sind nicht dokumentiert. Die Siemens-Plattform bringt Sicherheitsfunktionen mit; die eingesetzte Konfiguration und die Anwendungsrechte von SupplyBrain bestimmen das verbleibende Risiko. 5
Ein Lagerbetreiber braucht diese Grenze, bevor er Anlagen anschließt. Die Kosten einer falschen Prognose sind anders begrenzt als die Kosten eines Angreifers mit Zugriff auf Steuerungssysteme. Beides kann aus demselben Datenerfassungsprojekt entstehen.
Produktivität, Modellpflege und wirtschaftliche Verantwortung
Die Ziele des Berichts für 2024 zu Onboarding und Arbeitsplanung betreffen den Aufwand, der zur Skalierung der Software nötig ist. 7 Jede weitere Installation bringt Anlagenzuordnungen, betriebliche Unterschiede und neue Ausnahmen mit sich; aus Warnungen nützliche Arbeit zu machen verlangt die laufende Pflege dieser Interpretation.
Automatisierung sollte den Gesamtaufwand bei vergleichbarer Betriebsqualität senken. Mehr überwachte Anlagen können das Alarmvolumen und den Bedarf an Spezialisten erhöhen, selbst wenn jede Diagnose schneller wird. Die öffentliche Dokumentation beziffert nicht den verbleibenden Aufwand für Sichtung, Sensorwartung, Datenkorrektur, Modellneukalibrierung und Eingriffsfreigabe.
Ebenso erfordert eine dauerhafte Verbesserung mehr als einen neuen Dashboard-Filter. Erweist sich eine Instandhaltungsregel als falsch, muss das Team feststellen, ob der Fehler von einem Sensor, einer Anlageninterpretation, dem Wahrscheinlichkeitsmodell oder dem Entscheidungsziel stammt; die betreffende Logik ändern; repräsentative Historie erneut durchspielen; und eine getestete Korrektur einführen. Öffentliche Dokumentation erklärt weder den Kundenzugang zu diesem Zyklus noch seine Versionskontrollen oder die Zuständigkeit im Service.
Die 60%-Behauptung zur Instandhaltung braucht einen Nenner
SupplyBrain und Siemens werben mit bis zu 60% weniger reaktiver Instandhaltung. Die Siemens-Referenz nennt SSI Schäfer als Plattformkunden und enthält weder eine namentlich genannte Endkundeninstallation noch einen Messzeitraum, Ausgangszahlen zu Ereignissen oder die gesamten Instandhaltungskosten. 4 6
Reaktive Arbeit kann sinken, weil Ausfälle verhindert wurden, weil mehr vorbeugende Arbeit hinzugekommen ist oder weil Arbeit anders klassifiziert wurde. Das wirtschaftliche Ergebnis verlangt die vollständige Rechnung: Notreparaturen, geplante Eingriffe, Komponentenverbrauch, Stillstand und die Arbeit zur Pflege des Analysesystems. Ein Spitzenwert in Prozent ohne diese Rechnung belegt keinen Ertrag.
Die veröffentlichten Bedingungen passen nicht zum Softwareversprechen
Der aktuelle Download der allgemeinen Geschäftsbedingungen trägt den Namen SupplyBrain GmbH, betrifft aber zu großen Teilen physische Lieferungen: vom Kunden bereitzustellende Fundamente und Dacharbeiten, Fracht, Eigentumsvorbehalt und Farbunterschiede bei Ersatzwaren. Abschnitt 1.5 erklärt Prospektleistungen für unverbindlich, sofern sie nicht ausdrücklich Vertragsbestandteil werden; Abschnitt 7.3 schließt weitere Gewährleistungs- und Schadenersatzansprüche einschließlich Folgeschäden aus, außer bei vorsätzlichem oder grob fahrlässigem Verhalten. 13
Das ist eine konkrete Lücke im öffentlichen Angebot. Das Dokument definiert weder Prognosequalität, Simulationsabnahme, Modellpflege, Datenportabilität noch Abhilfe bei schlechten betrieblichen Empfehlungen. Ein kundenspezifischer Vertrag mag diese Pflichten festlegen, doch die veröffentlichten Bedingungen bieten keine Grundlage, sie zu erwarten.
SupplyBrain verkauft Erkenntnisse zu Ausfällen und Effizienz. Das eigene Kriterium für ein Scheitern sollte ebenso klar sein: Welches wirtschaftliche Defizit löst eine Untersuchung aus, wer bezahlt die Modellkorrektur und wie wird sie getestet? Ohne eine solche Vereinbarung können erfolgreiche Einsparungen dem Produkt zugeschrieben werden, während erfolglose Ergebnisse im Streit über Kundendaten und Betriebspraktiken enden.
Supply-Chain-Bewertung
Tiefe des Supply-Chain-Verständnisses
| Kriterium | Bewertung |
|---|---|
| Wirtschaftliche Problemstellung | 4/10 |
| Entscheidung als Endergebnis | 4/10 |
| Begriffliche Präzision in der Supply Chain | 6/10 |
| Freiheit von überholten zentralen Doktrinen | 5/10 |
| Widerstand gegen KPI-Theater | 3/10 |
Durchschnitt: 4,4/10.
Wirtschaftliche Problemstellung — 4/10. Instandhaltungszeitpunkte und Ersatzteilbudgets haben unmittelbare wirtschaftliche Relevanz. Der veröffentlichte Ansatz vereint Eingriffe, Bestand, Stillstand und Serviceverluste nicht in einem monetären Ziel. 2 10
Entscheidung als Endergebnis — 4/10. Instandhaltungsprioritäten und Lagerszenarien informieren konkrete Handlungen. Öffentliche Unterlagen belegen keinen vollständigen Weg von diesen Empfehlungen zu automatisch ausgegebenen und bewerteten Betriebsentscheidungen. 2 7
Begriffliche Präzision in der Supply Chain — 6/10. Das Produkt behandelt Anlagenzustand, sporadischen Teilebedarf und Lagerfluss statt allgemeiner Managementberichte. Sein Entscheidungsmodell bleibt dort unvollständig, wo diese Probleme um gemeinsame Ressourcen konkurrieren. 2 3 10
Freiheit von überholten zentralen Doktrinen — 5/10. Zustandsabhängige Eingriffe können kalenderbasierte Wartung verbessern. Die öffentliche Implementierung betont weiterhin Information und Unterstützung für Planer, ohne zu zeigen, wie wiederholte menschliche Interpretation in gepflegte Entscheidungslogik überführt wird. 2 7
Widerstand gegen KPI-Theater — 3/10. Die Prozentangabe zur reaktiven Instandhaltung lässt die Kosten und den Arbeitsaufwand aus, die zu ihrer Einordnung nötig sind. Keine veröffentlichte Prognoseprüfung belegt die für den Zwilling behauptete Genauigkeit. 6 3
Substanz bei Entscheidungen und Optimierung
| Kriterium | Bewertung |
|---|---|
| Tiefe der probabilistischen Modellierung | 4/10 |
| Eigenständige Substanz bei Optimierung oder maschinellem Lernen | 4/10 |
| Umgang mit realen Randbedingungen | 5/10 |
| Entscheidungsautomatisierung und Arbeitsproduktivität | 4/10 |
| Widerstandsfähigkeit bei realer betrieblicher Komplexität | 3/10 |
Durchschnitt: 4,0/10.
Tiefe der probabilistischen Modellierung — 4/10. Der veröffentlichte bayessche Ansatz ist substanziell. Seine Kalibrierung, sein Einsatzumfang und die Verbindung zur gemeinsamen Unsicherheit von Lieferzeiten und Betrieb bleiben unbelegt, was das Vertrauen in risikobereinigte Entscheidungen begrenzt. 10
Eigenständige Substanz bei Optimierung oder maschinellem Lernen — 4/10. Hinter der KI-Sprache stehen erkennbare Prognose- und Simulationsprobleme. Die Methodenoffenlegung liefert weder reproduzierbare Vergleiche besserer Entscheidungen noch eine Erklärung des Optimierers, der den Instandhaltungszeitpunkt bestimmt. 2 10
Umgang mit realen Randbedingungen — 5/10. Lagerszenarien umfassen Staus, Lagerplatzzuordnung und Personaleinsatz. Die öffentlichen Beschreibungen erläutern nicht, wie Personalverfügbarkeit, Bewegungsbeschränkungen und Anlagenausfälle gemeinsam in der Berechnung durchgesetzt werden. 3 9
Entscheidungsautomatisierung und Arbeitsproduktivität — 4/10. Datenerfassung und Analyse sind automatisiert, doch Instandhaltungsplanung und Onboarding waren ausdrückliche Entwicklungsziele. Die aktuellen quantitativen Belege berücksichtigen nicht den gesamten menschlichen Restaufwand rund um die Software. 4 7
Widerstandsfähigkeit bei realer betrieblicher Komplexität — 3/10. Eine Entwicklungsbeziehung mit coop schafft Zugang zum realen Betrieb. Es fehlt ein dokumentierter Zyklus von der Diagnose eines Modellfehlers über geänderte Ziele oder Datensemantik und erneut abgespielte Tests bis zu einer sicher ausgelieferten Korrektur. 1 3
Integrität von Produkt und Architektur
| Kriterium | Bewertung |
|---|---|
| Architektonische Kohärenz | 5/10 |
| Klarheit der Systemgrenzen | 5/10 |
| Ernsthaftigkeit bei Sicherheit | 4/10 |
| Software-Sparsamkeit und Gesamtbetriebskosten | 4/10 |
| Eignung für programmatischen und agentengestützten Betrieb | 3/10 |
Durchschnitt: 4,2/10.
Architektonische Kohärenz — 5/10. Lokale Erfassung und Cloud-Analyse haben getrennte Rollen, und das Instandhaltungs-Backend ist benannt. Die öffentlichen Belege verfolgen Zustand, duplizierte Daten und Fehlerbehandlung nicht durch das vollständige Produkt. 4 11
Klarheit der Systemgrenzen — 5/10. SupplyBrain ergänzt bestehende Lagersoftware. Die Trennung zwischen analytischen Empfehlungen, Lagerausführung und Änderungen an Steuerungssystemen ist auf Schnittstellen- und Berechtigungsebene nicht dokumentiert. 9 5
Ernsthaftigkeit bei Sicherheit — 4/10. Der Anbieter benennt ein glaubwürdiges OT-Bedrohungsmodell. Veröffentlichte Unterlagen zeigen nicht, dass die empfohlene Isolation in der eingesetzten Linkage-Konfiguration durchgesetzt oder validiert wird. 10 5
Software-Sparsamkeit und Gesamtbetriebskosten — 4/10. Die sichtbaren Komponenten haben plausible Rollen, doch Infrastrukturverbrauch und Modellpflegeaufwand bleiben öffentlich unbeziffert. Aus einem kleinen Anwendungsteam oder einer Standard-Edge-Plattform lässt sich der Bereitstellungsumfang nicht ableiten. 11 12 7
Eignung für programmatischen und agentengestützten Betrieb — 3/10. Die Aufnahme von Maschinendaten gehört zum Kern von Linkage. Öffentlich prüfbare Werkzeuge zur Änderung, Prüfung und Freigabe von Entscheidungslogik fehlen; Integration allein belegt daher keine autonome Verbesserung. 4
Technische Transparenz
| Kriterium | Bewertung |
|---|---|
| Öffentliche technische Dokumentation | 3/10 |
| Prüfbarkeit ohne Vermittlung des Anbieters | 2/10 |
| Sichtbarkeit von Portabilität und Anbieterbindung | 2/10 |
| Transparenz der Implementierungsmethode | 3/10 |
| Belegdichte hinter technischen Aussagen | 3/10 |
Durchschnitt: 2,6/10.
Öffentliche technische Dokumentation — 3/10. Produktseiten und technische Beiträge zeigen ausgewählte Mechanismen und Komponenten. Sie liefern keine nutzbare öffentliche Spezifikation von Modelleingaben, numerischen Methoden, Schnittstellen und Betriebsgrenzen. 2 3 11
Prüfbarkeit ohne Vermittlung des Anbieters — 2/10. Ein Prüfer kann den beworbenen optimalen Instandhaltungszeitpunkt oder eine auf dem Zwilling beruhende Entscheidung anhand der öffentlichen Unterlagen nicht reproduzieren. Das verhindert eine unabhängige Untersuchung der Annahmen hinter diesen Ergebnissen. 2 3
Sichtbarkeit von Portabilität und Anbieterbindung — 2/10. Die veröffentlichten Bedingungen regeln keinen Export trainierter Modelle, der Lagersemantik oder gepflegter Konfigurationen. Das Ökosystem der Edge-Plattform belegt keine Portabilität des analytischen Verhaltens von SupplyBrain. 13 5
Transparenz der Implementierungsmethode — 3/10. Plug-and-play-Erfassung wird klarer beschrieben als die Inbetriebnahme des Modells. Öffentliche Bereitstellungsbehauptungen lassen Kalibrierung, Ausnahmebehandlung und Abnahmetests weitgehend offen. 5
Belegdichte hinter technischen Aussagen — 3/10. Siemens bestätigt eine eingesetzte technische Zusammenarbeit. Numerische Überlegenheit und wirtschaftliche Ergebnisse werden öffentlich vor allem durch breite Produktbehauptungen und eine nicht näher eingeordnete maximale Instandhaltungsreduktion gestützt. 6
Ernsthaftigkeit des Anbieters
| Kriterium | Bewertung |
|---|---|
| Technische Ernsthaftigkeit der öffentlichen Kommunikation | 4/10 |
| Integrität der technologischen Roadmap | 4/10 |
| Begriffliche Präzision | 5/10 |
| Wirtschaftliche Verantwortung | 2/10 |
| Verteidigungsfähigkeit in einer Welt agentischer Software | 4/10 |
Durchschnitt: 3,8/10.
Technische Ernsthaftigkeit der öffentlichen Kommunikation — 4/10. Das Unternehmen veröffentlicht nützliche technische Details neben Behauptungen unübertroffener Präzision. Fehlende Genauigkeits- und Kalibrierungsergebnisse wiegen bei Software, die Prognosen verkauft, besonders schwer. 1 11 3
Integrität der technologischen Roadmap — 4/10. Die Vorgeschichte reicht bis zu einer KI-/Digital-Twin-Ankündigung von 2019 zurück, während spätere Berichte wichtige Entscheidungsautomatisierung weiterhin in die Zukunft verlegen. Das gelieferte Edge-System ist konkret; eine vergleichbare Bilanz verifizierter Entscheidungsverbesserungen fehlt. 8 7 5
Begriffliche Präzision — 5/10. Die fokussierten Instandhaltungs- und Lagerprobleme sind schlüssig. Öffentliche Optimalitätsbehauptungen erklären nicht, wie konkurrierende wirtschaftliche Folgen bewertet werden; damit bleibt die folgenreichste Beurteilung außerhalb der offengelegten Methode. 2 3
Wirtschaftliche Verantwortung — 2/10. Hardwareorientierte öffentliche Bedingungen lassen die zentralen analytischen Leistungen und Abhilfen undefiniert. Den beworbenen Einsparungen steht keine entsprechende Verpflichtung gegenüber, ein wirtschaftlich wirksames Modell zu pflegen oder zu reparieren. 13
Verteidigungsfähigkeit in einer Welt agentischer Software — 4/10. Anlagenzugang und Industrieerfahrung können wertvolle Modelle ermöglichen. Dauerhafte Differenzierung verlangt verifizierte Prognosen und effiziente Änderungen der Betriebslogik; Telemetrieintegration und Unterstützung an der Benutzeroberfläche allein reichen nicht. 5 7
Quellen
Öffentliche Quellen, abgerufen am 4. November 2026.
[1] SupplyBrain — Unternehmens- und Produktüberblick
Quelle lesen. Aktueller Produktumfang, Unternehmensdarstellung und Zusammenarbeit mit coop.
[2] SupplyBrain — Predictive Maintenance
Quelle lesen. Instandhaltungsprioritäten, Zustandsindikatoren und behaupteter optimaler Eingriffszeitpunkt.
[3] SupplyBrain — Digital Twin
Quelle lesen. Aussagen zu Lagersimulation, Personaleinsatz und Lagerplatzzuordnung.
Quelle lesen. Edge-Erfassung, Cloud-Analyse und Aussagen zu Instandhaltung und Energie.
[5] Siemens — Zusammenarbeit bei SSI Linkage
Quelle lesen. Ankündigung der Zusammenarbeit vom 23. Juli 2025 und Industrial-Edge-Implementierung.
[6] Siemens — Logistik auf Kurs halten
Quelle lesen. Referenz mit SSI Schäfer als Plattformkunde; Fertigstellung 2025 und maximale Instandhaltungsreduktion.
[7] SSI Schäfer — Nachhaltigkeitsbericht 2024
Quelle lesen. Seiten 55–56: Aktivitäten 2024 und Ausblick auf Onboarding, Arbeitsplanung und Ersatzteilautomatisierung.
[8] LogiMAT — Logistiksoftware aus erster Hand
Quelle lesen. Ursprüngliche Ankündigung vom 17. Januar 2019; FPrimeZeros Supplybrain erscheint auf Seite 2.
[9] SSI Schäfer — Ankündigung des Startups SupplyBrain
Quelle lesen. Ankündigung der Vermarktung vom 17. Mai 2024 und Positionierung der Integration.
[10] SupplyBrain — Beiträge zu bayesschen Prognosen und OT-Sicherheit
Quelle lesen. Anbieterbeiträge zu hierarchisch bayesschem Ersatzteilbedarf und zur OT-Angriffsfläche; genaue Veröffentlichungsdaten wurden nicht angezeigt.
[11] SupplyBrain — Kotlin und Quarkus für Linkage
Quelle lesen. Der Anbieter nennt Kotlin und Quarkus ausdrücklich für das Predictive-Maintenance-/Linkage-Backend.
[12] SupplyBrain-Stellenanzeige über DEVjobs — Full-Stack-Entwickler
Quelle lesen. Historische Stellenausschreibung, die Full-Stack-Entwicklung mit Azure, Kotlin, React und Python verbindet; Containerkenntnisse erscheinen als bevorzugte Qualifikation.
[13] SupplyBrain — Allgemeine Geschäftsbedingungen
Quelle lesen. Aktuell verlinktes PDF; Klauseln zu kommerziellen Leistungsangaben, physischen Lieferungen und Haftungsgrenzen.
[14] SupplyBrain — Impressum und Website-Datenschutz
Quelle lesen. Aktuelle rechtliche Identität, Registernummer und auf die Website beschränkter Datenschutzumfang.
[15] Österreichische Registerbekanntmachung, wiedergegeben von Unternehmen24 — Eintragung von FPrimeZero
Quelle lesen. Wiedergabe der Eintragungsbekanntmachung vom 2. Oktober 2018 mit FPrimeZero GmbH und FN 498950a.