Prof. Dr. Leo Brecht
Mitglied des Vorstands, Partner
Prof. Dr. Leo Brecht
Mitglied des Vorstands, Partner
Prof. Dr. Leo Brecht ist Mathematiker und Wirtschaftswissenschaftler mit einem Doktortitel in mathematischer Statistik und einer Professur für Innovations- und Technologiemanagement an der Universität Liechtenstein. Mit über 20 Jahren Erfahrung in Unternehmensberatung und angewandter Forschung sowie mehr als 10 Jahren im Investmentmanagement ist er ein führender Experte in den Bereichen Innovation, Technologie und Produktmanagement. Leo Brecht hat mehr als 100 Projekte für KMU und multinationale Unternehmen in verschiedenen Branchen unterstützt, von strategischer Beratung bis hin zu Technologiebewertungen. Er ist auch der Gründer von ALPORA, wo er und sein Team innovative Anlageprodukte entwickelt haben, die zu einem verwalteten Vermögen von über 700 Millionen Euro geführt haben. In den letzten zehn Jahren hat er mehr als 1.000 Investorenvorträge gehalten. Er war Partner bei Andersen und Arthur D. Little, Autor mehrerer Bücher und Konferenzredner. Als aktiver Investor und Serienunternehmer ist er insbesondere in den Sektoren FINTECH, SUSTTECH und EDUTECH tätig. In seiner Freizeit ist Leo Brecht ein leidenschaftlicher Regattasegler und Skifahrer und verbringt gerne Zeit mit seiner Familie.
Prozessproduktivität in der Praxis: Das Beispiel Einkauf
Dieser Beitrag ist Teil 6 unserer zwölfteiligen Serie über Unternehmensbereiche mit nachweisbaren Produktivitätsgewinnen. Die gesamte Serie finden Sie hier.
Nicht jeder Geschäftsbereich eignet sich gleichermassen gut dazu, Produktivität sichtbar zu machen. Manche Prozesse sind zu unstrukturiert, finden zu selten statt oder sind nur schwer quantifizierbar. Der Unternehmenseinkauf – also die Beschaffung von Materialien, Dienstleistungen und Lieferantenverträgen – ist einer der wenigen Bereiche, in denen das Gegenteil der Fall ist: Jede Bestellung, jede Rechnung und jeder Liefervertrag ist bereits strukturiert, mit einem Zeitstempel versehen und direkt mit einem Geldbetrag verknüpft. Diese Kombination aus hohem Transaktionsvolumen, klar definierten Daten und einem direkten Bezug zum Unternehmensergebnis macht den Einkauf zu einem der am besten dokumentierten Anwendungsfälle für KI-gestützte Prozessautomatisierung.
Analysen von McKinsey zufolge können bei ausgereiften Implementierungen bereits 60 bis 80 Prozent der Routineentscheidungen im Einkauf ohne menschliche Freigabe verarbeitet werden.
Warum gerade dieser Geschäftsbereich
Die ökonomische Logik ist simpel, aber selten so klar erfüllt wie hier: Ein Modell benötigt ein Lernsignal, das es aus vorhandenen Daten ableiten kann – und im Einkauf liegen diese Daten bereits in numerischer Form und chronologisch geordnet vor, noch bevor ein Automatisierungssystem überhaupt eingreift. Jede Effizienzsteigerung lässt sich direkt an einer bekannten Ausgabenbasis messen, ohne dass eine separate Erhebung erforderlich ist. Das erklärt auch, warum KI im Einkauf im Vergleich zu anderen Branchen oft die kürzeste Amortisationszeit aller Geschäftsanwendungen aufweist – laut der zitierten McKinsey-Analyse typischerweise sechs bis achtzehn Monate.
Für Unternehmen bedeutet das, dass Routineentscheidungen – wie das Nachbestellen eines Standardteils oder die Weiterleitung einer geringwertigen Bestellanforderung – Mustern folgen, die vorhersehbar genug sind, damit ein System sie ohne menschliche Prüfung bearbeiten kann. Dies schafft Kapazitäten für die Aufgaben, bei denen menschliches Urteilsvermögen tatsächlich einen Unterschied macht: Verhandlungen und Lieferantenbeziehungen.
Ein Werkzeugkasten statt einer einzelnen Technologie
Wie in vielen Bereichen, die wir in dieser Serie untersuchen, entstehen Produktivitätsgewinne nicht durch eine einzelne Technologie, sondern durch das Zusammenspiel mehrerer Ebenen:
- Verhandlungs-Agenten: Systeme, die eigenständig Bieterverfahren durchführen, Lieferanten nach mehr als nur dem Preis bewerten und – bei ausgereiften Anwendungen – routinemässig Lieferantenverträge innerhalb eines definierten Regelwerks abschliessen können.
- Ausgabenanalyse: Modelle, die Beschaffungsdaten automatisch klassifizieren und sogenannte «Maverick Spends» – Ausgaben ausserhalb bestehender Verträge – aufdecken, die bei manuellen Kategorienprüfungen aufgrund des Transaktionsvolumens nur schwer zu erkennen wären.
- Überwachung von Lieferantenrisiken: Systeme, die kontinuierlich Finanzdaten, geopolitische Entwicklungen und Nachrichtenmeldungen analysieren, anstatt wie in der Vergangenheit auf regelmässige manuelle Überprüfungen zu warten.
- Rechnungsautomatisierung: Dokumenten-KI, die Rechnungen automatisch mit Bestellungen und Lieferscheinen abgleicht – laut dem Quelldokument entfallen bei Grossunternehmen mittlerweile 80 bis 90 Prozent des Rechnungsvolumens auf diesen Prozess ohne manuelles Eingreifen.
- Intake-to-Procure-Orchestrierung: Plattformen, die informelle Beschaffungsanfragen sofort strukturieren und automatisch an die zuständigen Abteilungen in den Bereichen Finanzen, Recht, Sicherheit und Einkauf weiterleiten.
Drei Unternehmen, drei verschiedene Beispiele
Die dokumentierten Ergebnisse sind konkret und vielfältig:
- Xylem, ein Unternehmen für Wassertechnologie, nutzt die KI-Agenten-Suite von CoupaNavi im Einkauf und berichtet von Einsparungen von bis zu 15 Prozent bei Ausschreibungen.
- Vodafone hat ein KI-gestütztes Team für Beschaffungskosten etabliert, das mittlerweile mehr als 50 Prozent der globalen Beschaffungsausgaben beeinflusst und bereits mehrere hundert Millionen Euro an Einsparungen in Richtung eines Fünfjahresziels von 1 Milliarde Euro erzielt hat.
- Ein globaler Hersteller von Baumaschinen, der mit dem Anbieter GEP die Nutzung seines Beschaffungssystems von unter 20 Prozent auf über 80 Prozent erhöhte und erzielte dadurch Einsparungen von 45 Millionen US-Dollar bei der Beschaffung von Direktmaterialien.
Warum dies für institutionelle Anleger von Interesse ist
Die Beschaffung ist ein Beispiel dafür, wie sich die Prozessproduktivität – einer der vier Faktoren im Analyse-Framework von Averdas – konkret innerhalb einer Geschäftseinheit beobachten lässt: Die Effizienz operativer Arbeitsabläufe und Prozesse lässt sich hier besonders direkt anhand von Kennzahlen wie Einsparungsquote, Automatisierungsgrad und Durchlaufzeit messen. Dies macht die Beschaffung zu einer lehrreichen, wenn auch bewusst eng gefassten Fallstudie – sie beschreibt einen Mechanismus, der in einzelnen Unternehmen beobachtet wurde, stellt jedoch keine Garantie für zukünftige Ergebnisse oder ein pauschales Mass für die Unternehmensqualität dar.
Auch die Investitionslandschaft rund um diese Technologien wandelt sich: Grosse Plattformen wie Coupa, SAP Ariba und Italia haben bereits einen erheblichen Teil der Risiko- und Rechnungsautomatisierung in ihre Suiten integriert. Andererseits konzentrieren sich unabhängige, risikokapitalfinanzierte Unternehmen auf die Orchestrierung von der Bedarfsanforderung bis zur Beschaffung sowie auf autonome Verhandlungstechnologien – zwei Bereiche, die laut dem Quelldokument weiterhin hart umkämpft sind und noch keinen klaren Marktführer haben.
Kontext und Einschränkungen
Die hier beschriebenen Effekte basieren auf öffentlich zugänglichen Fallstudien einzelner Unternehmen sowie auf Analystenberichten (unter anderem von McKinsey, Boston Consulting Group und Gartner). Sie sind nicht dazu gedacht, als universeller Massstab für jedes Unternehmen oder jede Branche zu dienen, und sie stellen keine Aussage über zukünftige Ergebnisse von Averdas-Produkten, die Wertentwicklung von Indizes oder die Performance von Fonds dar.
