Der Großhandel läuft auf Strömen: Waren, Bestellungen, Rechnungen und Informationen, die zwischen Lieferanten und Abnehmern hin- und herbewegen. Ein großer Teil der Büroarbeitsstunden geht in Arbeit, die sich innerhalb dieses Stroms wiederholt — Bestellungen eingeben und kontrollieren, Bestände mit Einkauf und Verkauf abstimmen, Preisabsprachen pflegen, Rechnungen mit Lieferscheinen abgleichen, Kundenfragen zu Lieferzeiten und Verfügbarkeit beantworten. Daneben steht Arbeit, die sich weniger wiederholt: mit Lieferanten verhandeln, ein Sortiment zusammenstellen, einen Kunden mit einer schwierigen Situation betreuen, entscheiden, was passiert, wenn eine Lieferung ins Stocken gerät.
Diese beiden Arten von Arbeit steuern ein unterschiedliches Ergebnis, wenn eine Ambition KI-Arbeit voraussetzt. Sich wiederholende Arbeit mit festen Regeln lässt sich leichter übernehmen als Arbeit, bei der jemand immer wieder neu abwägt, was in dieser Situation richtig ist. Die Umstände, die das Ergebnis steuern, sind nicht nur die Art der Arbeit, sondern auch, wie saubere und strukturierte die zugrunde liegenden Daten sind — eine Bestellzeile, die in fünf Systemen unterschiedlich erfasst wird, ist für ein System schwerer zu lesen als für einen Menschen, der den Kontext kennt.
Bei einem Teil der Großhandelsunternehmen wird heute bereits Arbeit übernommen: Bestellkontrolle gegen Einkaufsbedingungen, das Zusammenfassen von Lieferanten-E-Mails zu einer Aktion, das Befüllen einer Bestandsprognose auf Basis historischer Muster. Bei einem anderen Teil der Unternehmen liegt genau dieselbe Arbeit noch vollständig bei Menschen. Der Unterschied liegt selten im Willen zur Veränderung. Er liegt darin, ob die Daten in Ordnung sind, ob es jemanden gibt, der das Ergebnis eines Systems mit Begründung genehmigen oder ablehnen darf, und ob die Organisation festgelegt hat, wer worüber entscheidet, wenn etwas schiefgeht.
Drei Kategorien ziehen sich durch fast jeden Prozess im Großhandel. Es gibt Arbeit, die ein System ohne Eingriff übernehmen kann, wie das Übertragen einer Bestellzeile in das richtige Format. Es gibt Arbeit, bei der KI einen Vorschlag macht und ein Mensch diesen Vorschlag beurteilt — eine Gutschrift, die vorgeschlagen, aber von einem Mitarbeiter genehmigt oder mit Begründung zurückgeschickt wird. Und es gibt Arbeit, die Menschenarbeit bleibt, wie das Gespräch mit einem Lieferanten, der seine Lieferzeit nicht einhält. Welche Aufgabe in welche Kategorie fällt, unterscheidet sich je Unternehmen und je System und verändert sich mit, sobald Daten oder Prozess sich ändern.
Eine Ambition wie „unser Kundenservice läuft künftig größtenteils automatisiert” setzt voraus, dass das Unternehmen Kundenfragen kategorisieren kann, dass das Wissen hinter einer Antwort irgendwo strukturiert vorliegt, und dass es eine Vereinbarung gibt, wann eine Frage an einen Menschen geht. Ohne diese drei Dinge ist die Ambition ein Satz, kein Plan. Dasselbe gilt für eine Ambition rund um die Bestandssteuerung: Diese verlangt, dass Einkaufs-, Verkaufs- und Logistikdaten aufeinander abgestimmt sind, und dass jemand befugt ist, einen von KI vorgeschlagenen Bestellvorschlag zu korrigieren.
Der Ambitionstest legt solche Ambitionen in vier Schichten fest — Vision, Vision State, Target, Target State — und prüft sie anhand von acht Reifegrad-Dimensionen, mit fünf Confidence Gates, die anzeigen, wo der Plan noch auf Vertrauen statt auf Beweisen ruht. Derselbe Test übersetzt das Ergebnis zurück in Capabilities: Was muss eine Rolle können, und wer erhält das Entscheidungsrecht, wenn ein System ein Ergebnis vorschlägt. Für Großhandelsunternehmen, die auch darüber nachdenken, wie viel vom Gewinn dem Halten von Marktanteilen zufließt, lohnt sich die Lektüre wie Sie Wachstum gegen Marge in einer Strategie abwägen, da eine KI-Ambition ohne diese Abwägung schnell zu einer Annahme statt einer Entscheidung wird.
Der Großhandel teilt vieles mit den logistischen Gliedern davor und danach. Wer den Vergleich mit einer Branche ziehen möchte, in der die physische Warenarbeit noch näher am Prozess liegt, findet das unter welche KI-Ambitionen es im Transportsektor gibt, und wer sehen möchte, wie sich dieselbe Ambition in einer Produktionsumgebung übersetzt, liest welche KI-Ambitionen es in der verarbeitenden Industrie gibt. Das Muster wiederholt sich: dieselben Ambitionsworte, andere Bereitschaft, anderes Ergebnis.
Wo es das Personal betrifft — welche Funktionen sich verändern, wenn Arbeit sich verschiebt — gelten dafür eigene gesetzliche Anforderungen, die außerhalb dieses Tests liegen. Was der Ambitionstest jedoch tut, ist klar machen, welche Kapazität freikommt, wenn bestimmte Arbeit sich verschiebt, in Stunden und Vollzeitäquivalenten (fte), damit ein Geschäftsleitungsteam weiß, wovon es spricht, bevor es über Menschen spricht.
Die zugrunde liegende Frage — welche Arbeit in diesem Unternehmen tatsächlich von KI übernommen werden kann — wird mit dem Werkscan von FTE TO AI je Aufgabe beantwortet, statt je Funktion oder je Annahme. Für ein Geschäftsleitungsteam, das zunächst wissen möchte, ob die eigene Vision messbar genug ist, um daran zu prüfen, gibt es wie Sie eine Vision messbar machen.
Wer wissen möchte, wo die eigene Organisation steht, kann den kostenlosen Reifegrad-Check durchführen: acht kurze Fragen, eine pro Dimension, mit als Ergebnis ein Bild davon, wo Sie am weitesten und wo Sie am wenigsten weit sind. Der vollständige Ambitionstest, mit den vier Schichten und den fünf Confidence Gates, befindet sich im Aufbau.
Vertel wat u wilt bereiken, dan kijken we samen wat daarvoor moet staan.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.