KI-gestützte IT-Investitionen: Fehlkäufe vermeiden

17.321 Smartphones, rund 35 Millionen Euro – und am Ende lassen sich die Geräte in der Zielumgebung nicht sinnvoll einsetzen. Der Fall aus dem deutschen Finanzministerium ist mehr als eine Behördenposse. Er ist ein ziemlich ehrlicher Spiegel für viele Technologieprojekte: Hardware (oder Software) ist schnell beschafft – aber Integration, Betriebsfähigkeit und Nutzen entstehen erst im Zusammenspiel mit Prozessen, Daten und IT-Architektur.

Genau hier wird es für den Einzelhandel und E-Commerce spannend, besonders in der Logistik: Mobile Geräte im Lager, Scanner, Pick-by-Voice, Fahrer-Apps, POS-Tablets, IoT-Sensorik, dazu KI für Bedarfsprognosen und Bestandsoptimierung. Der Druck ist vor Weihnachten traditionell hoch, und auch jetzt im Dezember (21.12.2025) merkt man: Wer in Peak-Phasen falsche Entscheidungen trifft, zahlt doppelt – zuerst beim Einkauf, dann im Betrieb.

Ich habe in Projekten immer wieder gesehen, dass Unternehmen Technologie wie ein Produkt behandeln („kaufen, ausrollen, fertig“). Die Realität in der Lieferkette: Technologie ist ein Systementscheid. Und genau da kann KI-basierte Entscheidungsunterstützung helfen – nicht, weil sie „magisch“ ist, sondern weil sie systematisch prüft, was Menschen im Alltag gern übersehen.

Was der Smartphone-Fehlkauf wirklich zeigt

Der Kernfehler ist simpel: Die Geräte passten nicht zur bestehenden IT-Infrastruktur und den Einsatzanforderungen. Das kann an Device-Management, Sicherheitsrichtlinien, Apps, Netzwerken, Schnittstellen oder Betriebsprozessen liegen – meist ist es eine Mischung.

Für den Handel ist das kein exotisches Behördenproblem. Es ist derselbe Mechanismus wie bei:

• MDE-Geräten im Lager, die nicht sauber ins WMS integriert sind
• Fahrer-Apps, die offline nicht stabil funktionieren
• neue Kassenterminals, die im Filialnetz Probleme machen
• KI-Tools, die tolle Dashboards liefern, aber keine Aktionen im ERP auslösen

Die teuerste Technologie ist die, die nicht produktiv genutzt wird. Das ist ein Satz, den man sich in jede Investitionsvorlage schreiben sollte.

Integration schlägt Einkaufspreis

Viele Business Cases rechnen Hardware oder Lizenzen sauber durch, aber unterschätzen drei Kostenblöcke:

1. Integrationsaufwand (Schnittstellen, Datenmodelle, Identitäten, Rollen)
2. Betrieb (MDM, Patching, Support, Monitoring, Ersatzgeräte, SLA)
3. Prozessanpassung (Schulung, neue Workflows, Compliance)

Wenn einer dieser Blöcke nicht geklärt ist, kann ein Projekt schon vor dem Rollout „kaputt“ sein.

Logistik ist besonders gnadenlos

In der Lieferkette gilt: Wenn ein System hakt, steht Arbeit. Im Marketing kann man eine Kampagne zur Not pausieren. In der Kommissionierung oder am Wareneingang ist ein Ausfall sofort spürbar: Durchsatz runter, Fehlmengen rauf, Liefertermine wackeln.

Warum KI bei Technologieentscheidungen im Handel praktisch ist

KI-basierte Entscheidungsunterstützung ist am stärksten, wenn sie eine klare Rolle hat: Risiken sichtbar machen, Varianten bewerten, Nebenwirkungen quantifizieren. Nicht als Bauchgefühl-Ersatz, sondern als strukturierter „Zweitblick“.

Im Kontext „KI in der Logistik und Lieferkette“ geht es dabei um einen sehr konkreten Nutzen: Investitionen so zu treffen, dass sie in Echtzeit-Prozessen funktionieren.

1) Fit-Gap-Analyse, aber datenbasiert

Klassische Fit-Gap-Workshops sind oft zu subjektiv: Lauteste Stimme gewinnt, oder man verlässt sich auf Demo-Eindrücke. KI kann hier helfen, indem sie Anforderungen aus Dokumenten, Tickets, Prozessbeschreibungen und Systemlogs extrahiert und in ein Bewertungsmodell überführt.

Beispielhafte Kriterien, die KI sauber gegeneinander abwägen kann:

• Kompatibilität mit bestehendem MDM/UEM
• Unterstützung für VPN, Zertifikate, Zero-Trust-Policies
• Offline-Fähigkeit in Lagerzonen mit Funklöchern
• API-Reifegrad für WMS/ERP/OMS-Integration
• erwartete Supportlast (aus historischen Incidents abgeleitet)

Das Ziel ist nicht Perfektion, sondern Transparenz. Wenn die Risiken früh sichtbar sind, wird die Beschaffung automatisch besser.

2) Total Cost of Ownership (TCO) realistisch rechnen

Viele Fehlinvestitionen entstehen, weil TCO „zu optimistisch“ ist. KI kann TCO-Modelle realistischer machen, indem sie interne Daten nutzt:

• durchschnittliche Reparatur- und Austauschquoten je Gerätetyp
• typische Bearbeitungszeiten im IT-Support
• Kosten pro Ausfallminute in Lager/Filiale (z. B. über Durchsatzdaten)
• Schulungszeiten und Fehlerquoten in den ersten Wochen

Ein praktischer Ansatz ist eine Szenario-Rechnung:

• Szenario A: Rollout in 6 Wochen, 3% Geräteausfall, stabile Integration
• Szenario B: Rollout in 10 Wochen, 8% Geräteausfall, 2 kritische Integrationslücken
• Szenario C: Pilot scheitert, Nachbeschaffung nötig

KI hilft, diese Szenarien plausibel zu parametrieren – statt sie zu „schätzen“.

3) Entscheidungsvorlagen, die Integration erzwingen

Gute KI-Tools liefern nicht nur Scores, sondern konkrete To-dos: „Wenn ihr Gerät X nehmt, müsst ihr vor Rollout Y und Z erledigen.“

Damit verschiebt sich die Diskussion von „Welches Gerät ist cooler?“ zu „Welche Option ist in unserem Systemkontext lieferfähig?“

Snippet für interne Use-Cases: Eine Beschaffung ohne Integrations- und Betriebsnachweis ist kein Rollout-Plan, sondern ein Risiko.

Die häufigsten Integrationsfallen in Logistik & E-Commerce

Die meisten Probleme sind wiederkehrend. Wenn man sie einmal sauber prüft, sinkt das Fehlkaufrisiko drastisch.

Netzwerk & Offline-Betrieb

Lager haben Metallregale, Funk-Schatten und wechselnde Last. Fahrer sind in Regionen mit schlechter Abdeckung unterwegs. Eine Lösung, die nur „online-first“ kann, verursacht Stress.

Prüffragen:

• Was passiert bei 30 Minuten Offline?
• Wie werden Konflikte synchronisiert?
• Können Mitarbeiter weiterarbeiten oder stoppt der Prozess?

Identity, Rollen, Berechtigungen

Geräte sind schnell verteilt – aber ohne saubere Identitäten wird es unsicher und unpraktisch.

Prüffragen:

• Unterstützt das System rollenbasierte Zugriffe für Lager, Filiale, Fahrer?
• Wie läuft Joiner/Mover/Leaver?
• Welche Audit-Anforderungen erfüllt es?

Datenmodelle & Schnittstellen (WMS/ERP/OMS)

KI im Bestandsmanagement bringt nur dann Wert, wenn Daten fließen. Sonst hat man schöne Prognosen, aber keine Bestell- oder Umlagerungslogik.

Prüffragen:

• Gibt es stabile APIs und Webhooks?
• Ist der Datenfluss bidirektional (Ist-Bestand, Reservierungen, Returns)?
• Wie werden Stammdaten gepflegt und validiert?

Betrieb: Monitoring, Updates, Support

Wenn ein Rollout skaliert, skaliert auch die Störung. Ohne Monitoring merkt man Probleme zu spät.

Prüffragen:

• Gibt es Telemetrie (z. B. App-Crashes, Sync-Errors, Akku-Health)?
• Wie schnell können Updates ausgerollt und notfalls zurückgenommen werden?
• Wie sieht das Ersatzgeräte-Konzept aus?

Ein praktischer „KI-Check“ vor jeder Tech-Investition (8 Schritte)

Wenn Sie nur eine Sache aus dem Behördenbeispiel mitnehmen, dann diese: Beschaffung ist der letzte Schritt, nicht der erste. Hier ist ein Vorgehen, das sich im Handel bewährt – und das KI sehr gut unterstützen kann.

1. Use Case messbar definieren: z. B. „Pickleistung +12%“, „Fehlpickrate -25%“, „Out-of-Stock -15%“.
2. Systemlandkarte aktualisieren: WMS, ERP, OMS, POS, MDM, IAM, Netzwerk, Data Warehouse.
3. Mindestanforderungen festlegen (Must-haves): Offline, MDM-Kompatibilität, API-Verfügbarkeit.
4. Datencheck: Welche Daten sind vorhanden, welche Qualität, welche Aktualität?
5. Pilot planen wie einen Mini-Betrieb: echte Schichten, echte Last, echte Funkbedingungen.
6. KI-gestützte Risikoanalyse: historische Incidents, Prozesszeiten, Engpässe, Abhängigkeiten.
7. TCO + Risikoaufschlag rechnen: nicht nur Gerätepreis, sondern Betrieb und Ausfallkosten.
8. Go/No-Go mit Integrationsnachweis: Entscheidung nur, wenn Integration und Betrieb „grün“ sind.

Das klingt nach mehr Arbeit. Ist es auch. Aber es ist gezielte Arbeit, die 35-Millionen-Euro-Momente verhindert.

People also ask: kurze Antworten aus der Praxis

Kann KI fehlende IT-Infrastruktur kompensieren?

Teilweise. KI kann Prioritäten setzen, Automatisierungsvorschläge machen und Engpässe sichtbar machen. Fehlende Basisfähigkeiten wie MDM, stabile Schnittstellen oder saubere Stammdaten ersetzt sie nicht.

Wo startet man mit KI in der Logistik am sinnvollsten?

Dort, wo Daten und Prozesse schon halbwegs stabil sind: Bedarfsprognosen, Bestandsoptimierung, Slotting, Tourenplanung. Parallel sollte man Integration und Datenqualität konsequent verbessern.

Wie groß sollte ein Pilot sein?

Groß genug, dass echte Probleme auftreten dürfen: mindestens 2–4 Wochen, mehrere Schichten, mehrere Lagerzonen oder 3–5 Filialen. Wenn alles im Pilot glattläuft, war er oft zu klein.

Was das für Ihre KI-Roadmap in der Lieferkette bedeutet

Der Smartphone-Fehlkauf wirkt auf den ersten Blick wie eine einzelne Fehlentscheidung. In Wahrheit ist er ein Muster: Technologie wird gekauft, bevor sie als Teil eines Systems verstanden ist. Im Einzelhandel und E-Commerce ist das besonders riskant, weil Logistikprozesse keine Geduld haben.

Wenn Sie KI in der Logistik und Lieferkette ernsthaft nutzen wollen – für Bestandsmanagement, Prognosen, Umlagerungen oder operative Automatisierung – dann behandeln Sie Investitionen wie ein Zusammenspiel aus Daten, Integration, Betrieb und Change. KI kann dabei der bessere Sparringspartner sein: Sie zwingt zu klaren Kriterien, sie rechnet Szenarien durch, und sie macht Risiken sichtbar, bevor sie teuer werden.

Der nächste Schritt ist pragmatisch: Nehmen Sie Ihre nächste geplante Anschaffung (Geräte, WMS-Modul, KI-Tool) und lassen Sie sie einmal durch einen strukturierten Integrations- und TCO-Check laufen. Wenn das Ergebnis unklar ist, ist die Entscheidung zu früh.

Welche Investition in Ihrer Lieferkette wäre heute am stärksten gefährdet, „gekauft, aber nicht nutzbar“ zu enden – und was müsste passieren, damit Sie das schon im Pilot sehen?