Die meisten Händler wissen, dass agentische KI kommt. Viele prüfen sie bereits. Doch zwischen der Erkenntnis, dass sie wichtig ist, und der tatsächlichen Einführung klafft eine Vertrauenslücke.
Laut dem RELEX-Report „State of the Supply Chain 2026″ geben 67 % der befragten Supply-Chain-Verantwortlichen an, dass ihr Vertrauen in den Einsatz von KI für Supply-Chain-Entscheidungen im Vergleich zum Vorjahr gestiegen ist. Doch nur 32 % investieren derzeit aktiv in KI-Lösungen und skalieren sie.
Die Handelsplanung befindet sich mitten in einem tiefgreifenden Wandel. KI entwickelt sich von einem Werkzeug, das Planenden hilft, Probleme klarer zu erkennen, zu einem System, das selbst handelt: Es analysiert, empfiehlt und setzt Entscheidungen in einem Tempo und Umfang um, das kein Planungsteam manuell erreichen kann.
Treiber dieses Wandels sind sich verstärkende Druckfaktoren: Kostenumfelder, die keinen Raum für Ineffizienz lassen, und Supply Chains, die für reaktives Management längst zu komplex geworden sind.
Die Händler, die sich absetzen, sind nicht einfach die, die KI-Agenten einführen. Es sind die, deren Planungsinfrastruktur diese Agenten orchestrieren kann, und deren Anbieter sich das Recht zum Handeln verdient haben.
Warum agentische KI mehr ist als nur Hype
Der Begriff „agentisch” wird auf viele Tools angewendet, die gar keine echte agentische KI nutzen. Ein Chatbot, der einen Bestandsbericht zusammenfasst, ist kein echter Agent. Eine Software, die eine Anpassung des Sicherheitsbestands empfiehlt, ist ebenfalls kein Agent. Ein Agent übernimmt eine definierte Aufgabe, durchdenkt sie und setzt eine Entscheidung um, mit oder ohne menschliches Zutun bei jedem einzelnen Schritt.
Diese Unterscheidung ist entscheidend, denn der Wert entsteht im Handeln. Am meisten Zeit und Geld kostet Händler alles, was zwischen Wissen und Handeln liegt: die manuelle Ursachenanalyse, die Stunden, die für die Rückverfolgung einer Bestellauffälligkeit aufgewendet werden, der Berichtszyklus, der eine Korrekturentscheidung um Tage verzögert.
Agentische KI setzt genau an dieser Lücke an. Ein Blick darauf, wie die manuelle Alternative im Planungsalltag tatsächlich aussieht:
- Ein Planender verbringt Stunden damit, einen Fehlbestand auf eine Teillieferung von vor zwei Tagen zurückzuführen.
- Ein Merchandising-Team navigiert durch formularlastige Oberflächen, um eine Promotion einzurichten, und wartet dann Wochen, um zu verstehen, warum sie unter den Erwartungen blieb.
- Teams in der Filialausführung eskalieren Routinefragen zu Bestellungen an die zentrale Planung, weil es keinen schnelleren Weg zur Antwort gibt.
- Die Prognose für neue Produkte basiert auf manueller Attributzuordnung, weil keine Verkaufshistorie vorliegt.
- Die Standortsegmentierung für Prognosen erfolgt manuell, das heißt anhand von Geografie oder Filialformat statt anhand des tatsächlichen Abverkaufsverhaltens.
Diese und viele weitere Aufgaben prägen den täglichen Arbeitsalltag von Planungsteams in großem Maßstab. Übernehmen Agenten diese Aufgaben, bleibt Planenden mehr Zeit für Entscheidungen, die tatsächlich menschliches Urteilsvermögen erfordern.
Wie Agenten die Rolle der Planenden verändern
Die häufigste Sorge rund um agentische KI in der Planung ist zugleich die verständlichste: Wenn Agenten Analyse und Ausführung übernehmen, was bleibt dann für die Planenden zu tun?
Übernehmen Agenten das Reaktive und Repetitive, verlagert sich die Arbeit der Planenden auf Aufgaben, die Urteilsvermögen, Kontext und Fachwissen erfordern, über die kein Agent verfügt, etwa:
- Strategien festlegen.
- Ausnahmen managen.
- Zielkonflikte abwägen und Planungsszenarien bewerten.
- Lieferantenbeziehungen pflegen.
- Entscheiden, was mit KI optimiert werden soll.
- Festlegen, wann Agentenempfehlungen überstimmt werden.
Planende, die sich auf diesen Wandel einlassen, werden zu Instanzen im System: Sie wissen, wie sie Agenten wirksam steuern, deren Empfehlungen kritisch einordnen und geschäftlichen Kontext einbringen, den die Daten allein nicht abbilden.
| Vor agentischer KI | Mit agentischer KI | |
|---|---|---|
| Morgendliche Durchsicht | Planende öffnen Dashboards, sichten Ausnahmen manuell und verbringen eine Stunde damit herauszufinden, was Aufmerksamkeit braucht und warum. | Der Agent liefert priorisierte Ausnahmen mit bereits identifizierter Ursache. Die Durchsicht dauert nur wenige Minuten, inklusive vorgeschlagener Maßnahmen zur Prüfung. |
| Fehlbestandsanalyse | Planende verfolgen einen Umsatzausfall über Bestellhistorie, Lieferprotokolle und Prognosedaten zurück. Die manuelle Rückverfolgung dauert für eine einzelne SKU oft 2 bis 3 Stunden. | Der AI-Assisted-Diagnostics-Agent identifiziert die Ursache (z. B. eine Teillieferung von vor zwei Tagen), den Grundcode und empfiehlt eine Maßnahme zur Behebung. |
| Neuproduktanlage | Planende ordnen Produktattribute manuell zu, um Referenzprodukte für die Prognose zu finden: langsam, uneinheitlich, und die Genauigkeit leidet von Anfang an. | Der Product-Attribute-Agent analysiert die Produktbeschreibung, identifiziert optimale Referenzprodukte und ordnet sie nach Eignung. |
| Bestandsentscheidungen | Zielkonflikte werden manuell abgewogen, Sicherheitsbestand und Dispositionsparameter SKU für SKU angepasst. Die strategische Absicht lässt sich selten sauber in die Umsetzung übertragen. | Der Inventory-Control-Agent führt Szenarien aus (z. B. „Schwund in dieser Kategorie um 10 % senken”), zeigt die Gewinnauswirkung in Echtzeit und setzt sie im großen Maßstab um. |
| Filial-Support | Filialteams eskalieren Routinefragen zu Bestellungen an die zentrale Planung. Planende müssen andere Arbeit unterbrechen, um zu recherchieren und zu antworten. | Der Store-Support-Agent beantwortet Fragen sofort über RELEX Mobile. Das zentrale Team wird für wertschöpfendere Aufgaben freigestellt. |
| Promotion-Einrichtung | Komplexe, formularlastige Oberflächen müssen durchlaufen werden, um eine Promotion zu erstellen oder anzupassen: ein zeitaufwendiger Prozess mit hoher Einarbeitungszeit für neue Nutzende. | Der Promotion-Strategy-Agent erstellt und ändert Promotions über natürlichsprachliche Prompts. Was früher Stunden dauerte, dauert jetzt Minuten. |
| Promotion-Nachanalyse | Daten werden manuell aus mehreren Quellen zusammengeführt, um zu verstehen, warum eine Promotion über- oder unterdurchschnittlich performt hat. Erkenntnisse kommen Wochen später an, wenn überhaupt. | Der Promotion-Diagnostics-Agent schlüsselt die Performance (etwa Bruttomehrabsatz, Halo-Effekte, Kannibalisierung) in klarer Sprache auf. |
| Tagesabschluss | Reaktiv: Planende verbringen den Großteil des Tages damit herauszufinden, was passiert ist, statt zu entscheiden, was als Nächstes zu tun ist. | Strategisch: Planende haben den Tag damit verbracht, Zielkonflikte abzuwägen, Agentenparameter festzulegen und ihr Urteilsvermögen dort einzusetzen, wo es wirklich zählt. |
Warum spezialisierte KI das Vertrauen der Nutzenden gewinnt
Die Vision, dass Planende wertschöpfendere Arbeit leisten, funktioniert nur, wenn den Agenten, die die Arbeit übernehmen, vertraut werden kann.
Die meiste KI, die in der Handelsplanung eingesetzt wird, wurde ursprünglich nicht für den Handel entwickelt. Allgemeine Large Language Models liefern plausibel klingende Antworten, doch plausibel ist nicht dasselbe wie richtig. Im Planungskontext ist eine selbstsicher falsche Empfehlung schlimmer als gar keine. Halluzinierende Agenten sind gefährlich.
Genau dieses Vertrauensproblem steht im Zentrum der Einführung agentischer KI, und deshalb zählt die Anbieterkategorie genauso viel wie die Funktionalität.
RELEX-Agenten sind anders gebaut:
Spezialisierte KI statt allgemeiner Modelle
RELEX AI wurde mit Daten aus über 700 Händler-Datensätzen trainiert, mit 20 Jahren dokumentierter Fachexpertise angereichert und um die Entscheidungen herum entwickelt, die in dieser Branche zählen. Wenn ein RELEX-Agent eine Empfehlung ausspricht, rechnet er mit echten Daten und Modellen, die sich in Hunderten Unternehmensimplementierungen im Produktivbetrieb bewährt haben.
Human-in-the-Loop-Governance von Grund auf
RELEX könnte mehr automatisieren, als es tut, doch dieser Verzicht ist bewusst gewählt. Jede Agentenaktion auf der Plattform wird protokolliert, ist erklärbar und unterliegt der menschlichen Prüfung, bevor folgenreiche Entscheidungen akzeptiert werden. Agenten und Planende nutzen dieselbe Business-Rules-Engine-Oberfläche, sodass Planende genau sehen, was ein Agent tut und warum, und ihn jederzeit überstimmen können.
Das ist ein Designprinzip. Kontrollierte Autonomie macht Autonomie vertrauenswürdig, und Vertrauen verschafft KI das Recht zu skalieren.
Bewährt im Produktivbetrieb, nicht nur in Demos
Der RELEX AI-Assisted-Diagnostics-Agent ist seit Q4 2025 bei Kunden im Live-Einsatz. Er bildet die Datengrundlage für die anderen F&R-Agenten und verwandelt Rohkennzahlen in kontextbezogene Intelligenz, die autonomes Handeln ermöglicht.
Diese Fähigkeiten liefern unseren Kunden bereits heute reale Ergebnisse.
Wie Agenten in der Praxis aussehen
RELEX-Agenten lassen sich in zwei Typen einteilen: F&R-Agenten für Disposition, Bestand und Filialbetrieb sowie P&P-Agenten für Promotions und Preisgestaltung. Jeder Typ adressiert einen anderen Teil des Planungszyklus, doch das Designprinzip bleibt gleich: Agenten, die ihre Überlegungen erklären, innerhalb der Business Rules Engine arbeiten und unter menschlicher Aufsicht bleiben. Die folgenden Tabellen zeigen, was jeder Agent löst und leistet.
RELEX-F&R-Agenten
RELEX-F&R-Agenten wurden um ein Problem herum entwickelt, das tiefer reicht als jeder einzelne Workflow. Wenn Planende zwei Stunden brauchen, um einen Fehlbestand auf eine Teillieferung von vor drei Tagen zurückzuführen, leisten sie wichtige Arbeit, die eigentlich nur zwei Minuten dauern sollte.
Doch Planende, die eine Entscheidung nicht erklären können, vertrauen dem System nicht, das sie getroffen hat. Und Vertrauen entscheidet darüber, ob ein Agent tatsächlich Verhalten verändert oder nur still im Hintergrund läuft. Jeder RELEX-F&R-Agent arbeitet innerhalb der Business Rules Engine, das heißt, jede Aktion wird protokolliert, ist überprüfbar und unterliegt der menschlichen Prüfung.
AI-Assisted Diagnostics
Was gelöst wird: Warum ist die Performance eingebrochen?
Wichtige Fähigkeiten: Ursachenanalyse bei Umsatzausfällen, Schwund und Überbestand; Identifikation von Grundcodes; Szenarioplanung für Korrekturmaßnahmen
Inventory Control
Was gelöst wird: Wie setzen wir strategische Ziele auf SKU-Ebene um?
Wichtige Fähigkeiten: Szenarioplanung für Sicherheitsbestand, Schwundziele und Dispositionsfrequenz; Echtzeit-Transparenz über die Gewinnauswirkung
Order Proposal Troubleshooting
Was gelöst wird: Warum hat RELEX diese Bestellung empfohlen?
Wichtige Fähigkeiten: Erklärungen in klarer Sprache für jeden Bestellvorschlag; proaktive Risikokennzeichnung; kein tiefes Kalkulationswissen erforderlich
Product Attribute
Was gelöst wird: Wie prognostizieren wir ein Produkt ohne Historie?
Wichtige Fähigkeiten: Identifikation von Referenzprodukten anhand von Beschreibungen; Eignungsranking; Erkennung von Attributlücken
Store Support
Was gelöst wird: Wer beantwortet Routinefragen der Filialen, ohne Planende von anderer Arbeit abzuziehen?
Wichtige Fähigkeiten: Echtzeit-Problemlösung über RELEX Mobile Replenishment; sofortige Antworten auf filialspezifische Bestellfragen
Location Clustering
Was gelöst wird: Gruppieren wir Filialen nach tatsächlichem Verhalten oder nur nach Annahmen?
Wichtige Fähigkeiten: Analyse von Abverkaufsmustern über alle Standorte hinweg; kontinuierliche Anpassung bei sich ändernden Mustern
RELEX-P&P-Agenten
Langsame Ausführung kostet Marge. Diese Agenten wurden für genau die Workflows entwickelt, in denen dieser Verlust am vorhersehbarsten ist: Promotion-Einrichtung, Post-Promo-Analyse und Preisentscheidungen, die nicht auf ein Data-Team warten können.
Promotion Diagnostics
Was gelöst wird: Warum hat diese Promotion die Erwartungen verfehlt?
Wichtige Fähigkeiten: Rechtsklick „Explain this” auf jeder Zelle; deckt Bruttomehrabsatz, Switching, Halo-Effekte und Kannibalisierung ab; beschleunigt die Post-Promo-Prüfung von Wochen auf Minuten.
Promotion Strategy
Was gelöst wird: Wie erstellen und bearbeiten wir Promotions ohne formularlastige Reibung?
Wichtige Fähigkeiten: Erstellung und Änderung per natürlicher Sprache; automatischer Abruf historischer Performance-Daten; geringere Einarbeitungszeit für neue Nutzende.
Analytics and Insights Reporting
Was gelöst wird: Wie erhalten wir Antworten, ohne auf das Data-Team zu warten?
Wichtige Fähigkeiten: Interaktive Visualisierungen auf Abruf; deckt Performance-Trends, Kategorienaufschlüsselungen, Markenvergleiche und Rabattverteilung ab.
Pricing Strategy
Was gelöst wird: Wie legen Category Manager eine Strategie fest, ohne Preisspezialisten zu sein?
Wichtige Fähigkeiten: Konfiguration per natürlicher Sprache; automatische Diagnostik innerhalb von Optimierungsgruppen; artikelgenaue Preisvorschläge im Gleichgewicht zwischen Gewinn und Marge.
Einen tieferen Einblick in die Funktionsweise und Konzeption der einzelnen Agenten bietet der Beitrag „Agenten kennenlernen”.
Fallstudie: Die Ergebnisse eines Händlers mit RELEX-Agenten
Ein Lebensmittelhändler in Nordamerika verschwendete jeden Mittwoch vier Stunden mit manueller Preisanalyse, dem Aufbau von Szenarien und der Fehlerbehebung. Bis die Analyse fertig war, hatte sich das Zeitfenster zum Handeln oft schon verengt.
Das Team integrierte RELEX in seinen wöchentlichen Pricing-Zyklus, orchestriert von Rebot. Statt Szenarien manuell aufzubauen, konnte die Pricing-Analystin Rebot bitten, Was-wäre-wenn-Tests durchzuführen, etwa den Vergleich von Preispunkten über Dutzende Filialen hinweg, und erhielt die Auswirkung auf Umsatz und Gewinn in Sekunden zurück. Als ein Problem bei der Regelkonfiguration die Analystin ins Stocken brachte, erklärte Rebot den Konflikt, identifizierte die Lösung, und die Analystin setzte sie innerhalb von 24 Stunden um.
Die Ergebnisse zeigten sich sofort. Preisszenarien, die vier Stunden dauerten, brauchen jetzt nur noch Minuten.
„Das hätte mich manuell wahrscheinlich gut vier Stunden gekostet. Aufbauen, ausführen, und dann schlägt es natürlich fehl, und ich muss noch mal ran. Rebot hat das alles schon für uns erledigt.” – Pricing-Analystin, Lebensmittelhändler
So gelingt der Einstieg
Der richtige Einstiegspunkt ist eng gefasst: ein bis zwei Agenten, die Ihre wichtigsten Schwachstellen adressieren, mit klar definierten Erfolgskriterien, bevor Sie beginnen.
So sieht ein strukturiertes Pilotprojekt aus:
- Identifizieren Sie die ein bis zwei Planungsprobleme, bei denen manuelle Arbeit die meiste Zeit oder Marge kostet.
- Definieren Sie konkrete KPIs und einen realistischen Zeitplan, bevor das Pilotprojekt startet: Wie sieht Erfolg nach 90 Tagen aus?
- Stellen Sie ein funktionsübergreifendes Team zusammen, mit Unterstützung durch die Führungsebene, klarer Verantwortung und Vertretung sowohl aus Planung als auch IT.
- Verpflichten Sie sich zu einem dokumentierten Bewertungsprozess: strukturiertes Feedback, ehrliche Einschätzung, Bereitschaft zur Iteration.
Die Einsatzbereitschaft hängt weniger an der technischen Infrastruktur, als die meisten Teams annehmen. RELEX-Agenten sind für Planungsteams konzipiert, nicht für KI-Spezialisten. Sie nutzen natürliche Sprache, erklären ihre Überlegungen in klaren Worten und erfordern weder Data-Science-Kenntnisse noch technische Schulungen im Betrieb.
Das Ziel ist, Vertrauen aufzubauen: in die Technologie, in den Anbieter und intern bei den Teams, die sie nutzen werden. Fangen Sie dort an, messen Sie, was zählt, und skalieren Sie auf einer Grundlage, die sich bereits bewährt hat.
Wie die Einführung von KI im Handel bei einem großen Händler aussieht, zeigt unser Webinar „Retail AI: what works, what doesn’t, what’s next?”
Beitrag von
