KI im Einkauf: Welche Workflows sich lohnen und was du zuerst klären musst

KI im Einkauf starten die meisten Mittelständler mit dem falschen Ausgangspunkt. Ein neues Beschaffungsportal oder ein KI-Lieferantenassistent wird eingeführt, bevor drei Grundfragen beantwortet sind: Ist die Datenbasis tragfähig? Wer ist datenschutzrechtlich verantwortlich? Und welchen konkreten Workflow soll KI übernehmen? Eine aktuelle Studie aus dem Frühjahr 2026 mit 62 Einkaufsverantwortlichen zeigt: 87 Prozent haben KI noch nicht in ihre Beschaffungssysteme integriert, und nur 2 Prozent haben überhaupt eine klare Strategie dafür.

Was KI im Einkauf wirklich verändert

Einkauf ist ein Bereich mit hohem Volumen, repetitiven Prüfaufgaben und erheblichem manuellem Aufwand: Angebote sichten, Lieferantenstammdaten pflegen, Preise vergleichen, Compliance-Nachweise sammeln. Genau diese Aufgaben eignen sich für KI-Unterstützung. Was sich dagegen nicht ändert: strategische Lieferantenentscheidungen, komplexe Vertragsverhandlungen und die Einschätzung von Risiken, die Marktkenntnis und Erfahrung voraussetzen.

Der Gap zwischen Potenzial und Realität ist groß. Laut der Umfrage unter Einkaufsverantwortlichen (Frühjahr 2026, durchgeführt von Beschaffung Aktuell / Industrie.de) nutzen 76 Prozent KI bislang ausschließlich für einfache Chatbot-Aufgaben wie Recherche oder Texterstellung. Nur 21 Prozent setzen KI für Analysen oder strategische Prozesse ein. Und 48 Prozent verwenden KI im Einkauf überhaupt nicht operativ.

Der Grund für diesen Gap ist selten fehlende Technologie. Er liegt fast immer bei den Grundlagen: schlechte Datenlage, fehlende Systemintegration, keine klare Strategie. Christoph Knöll von Neurawork bringt es präzise auf den Punkt: “KI wird oft für einzelne Aufgaben genutzt, aber nicht in Prozesse und Systeme integriert. Ohne diese Integration entsteht kein ROI.”

Vier Einkaufs-Workflows, die sich für KI sofort eignen

Nicht jeder Einkaufsprozess profitiert gleich stark. Die Trennlinie ist dieselbe wie in anderen Unternehmensbereichen: Workflows mit hohem Datenvolumen, wiederkehrenden Mustern und definierten Regeln eignen sich. Workflows mit hohem Urteilsanteil, Verhandlungscharakter oder politischer Sensibilität dagegen nicht.

Spend-Analyse und Ausgabentransparenz. Das ist oft der sofort messbaren ROI-Beitrag von KI im Einkauf. KI-Systeme kategorisieren Rechnungen, Bestellungen und Vertragsvolumina automatisch, erkennen Duplikate und Abweichungen und liefern ein konsolidiertes Bild der Beschaffungsausgaben. Was früher manuell in Excel zusammengeführt wurde, entsteht in Echtzeit. Voraussetzung ist eine halbwegs strukturierte Datenbasis aus ERP, Buchhaltung und Lieferantenverzeichnis.

Lieferantenqualifizierung und Risikobewertung. KI kann öffentlich verfügbare Informationen über Lieferanten, Insolvenzrisiken, Nachhaltigkeitsberichte und Compliance-Verstöße automatisch aggregieren und einen strukturierten Qualifizierungsscore erstellen. Was früher Stunden manueller Recherche kostete, läuft als automatisierter Hintergrundprozess. Besonders relevant für Unternehmen mit langen Lieferketten und vielen Tier-2- oder Tier-3-Lieferanten.

Automatisierter Angebotsvergleich. KI-gestützte Systeme können eingehende Angebote automatisch auf einheitliche Vergleichsparameter normalisieren und Abweichungen zu Referenzpreisen oder historischen Vergaben markieren. Das beschleunigt die Angebotsauswertung erheblich und reduziert das Risiko, dass Konditionen übersehen werden. Voraussetzung ist eine konsistente Anforderungsstruktur in der Ausschreibung.

LkSG-Compliance-Monitoring. Das Lieferkettensorgfaltspflichtengesetz verpflichtet Unternehmen ab 1.000 Mitarbeitenden, Risiken für Menschenrechte und Umwelt entlang der Lieferkette zu identifizieren und zu dokumentieren. Die Bundesregierung hat im September 2025 die Berichtspflichten gelockert, aber die inhaltlichen Sorgfaltspflichten, also Risikoanalyse, Präventionsmaßnahmen und Dokumentation, bleiben vollumfänglich in Kraft. KI-Systeme können die laufende Lieferketten-Überwachung automatisieren, Warnmeldungen bei bekannten Verstößen generieren und die Dokumentation für Behördenprüfungen strukturieren. Gerade für Unternehmen mit großer Lieferantenbasis ist das einer der relevantesten KI-Einsatzfälle im Einkauf.

Warum 87 Prozent keine echte KI-Integration im Einkauf haben

Die Zahlen aus der Studie Frühjahr 2026 sind eindeutig: 87 Prozent haben KI nicht oder nur oberflächlich in ihre Beschaffungssysteme integriert. Nur 2 Prozent haben eine klare Strategie. Was steckt dahinter?

Datenbasis ist das größte Hindernis. 50 Prozent der befragten Einkaufsverantwortlichen nennen die Datenqualität als kritische Barriere. Nur 8 Prozent bewerten ihre Beschaffungsdaten als sehr gut. Stammdaten liegen oft in mehreren Systemen, Lieferantennummern sind nicht harmonisiert, historische Rechnungen stecken in PDFs ohne strukturierten Extrakt. Ein KI-System, das auf diese Datenbasis trifft, liefert keine verlässlichen Ergebnisse.

Fehlende Systemintegration. KI als isoliertes Add-on funktioniert nicht. Ein Spend-Analyse-Tool, das nicht mit dem ERP verbunden ist, zeigt ein unvollständiges Bild. Eine Lieferantenqualifizierungs-KI, die nicht ins Lieferantenmanagementsystem zurückschreibt, erzeugt parallele Datensätze. Die tiefe Integration in bestehende Systeme ist aufwendig, aber sie ist der Unterschied zwischen einem nützlichen Werkzeug und einem weiteren Dashboard, das niemand öffnet.

Kein klar definierter Use Case. 52 Prozent der Unternehmen klassifizieren KI im Einkauf strategisch überhaupt nicht. Wer ohne definierten Use Case startet, landet bei generischen Lösungen ohne messbaren Nutzen. Die erste Frage muss lauten: Welcher Prozess kostet heute am meisten Zeit, hat ausreichend strukturierte historische Daten dahinter, und hat ein klares Erfolgskriterium?

Datenschutz und Compliance: Was im Einkauf besonders gilt

Einkaufsdaten sind hochsensibel. Konditionen mit Lieferanten, Preise in laufenden Verhandlungen, strategische Beschaffungsvorhaben, Lieferantenverträge mit Vertraulichkeitsklauseln. Dazu kommen in vielen Unternehmen personenbezogene Daten von Lieferantenkontakten, die DSGVO-relevant sind.

Auftragsverarbeitungsvertrag zuerst. Jedes externe KI-Tool, das Beschaffungsdaten verarbeitet, ist datenschutzrechtlich ein Auftragsverarbeiter. Vor dem produktiven Einsatz muss ein ausformulierter Auftragsverarbeitungsvertrag (AVV) vorliegen. Mindestanforderungen: kein Modell-Training mit deinen Daten, EU-Datenresidenz, Sub-Processor-Liste, Lösch- und Aufbewahrungsfristen. Das “DSGVO-konform”-Label auf der Produktseite des Anbieters ist kein Ersatz für diesen Vertragstext.

Vertrauliche Verhandlungsdaten schützen. Wenn das KI-System Zugang zu laufenden Preisverhandlungen, strategischen Lieferantenentscheidungen oder nicht-öffentlichen Beschaffungsvorhaben hat, gelten erhöhte Anforderungen. Für Unternehmen, bei denen der Abfluss dieser Daten an einen SaaS-Anbieter geschäftsschädigend wäre, ist eine eigene KI-Infrastruktur die einzige technisch belastbare Antwort.

EU AI Act: Was Einkaufsteams betrifft. Die meisten KI-Anwendungen im Einkauf fallen in die Kategorie “begrenztes Risiko” nach der EU-KI-Verordnung. Ausnahme: Systeme, die automatisiert wesentliche Entscheidungen über Lieferantenbeziehungen treffen. Hier greift die Anforderung, dass eine menschliche Überprüfung möglich sein muss. Automatisierte Lieferantensperrungen ohne manuelle Freigabeoption sind in Unternehmen mit EU-AI-Act-Pflicht nicht uneingeschränkt einsetzbar.

Eine detailliertere Checkliste zur datenschutzkonformen Einführung findest du im Beitrag Datenschutzkonforme KI für Unternehmen.

SaaS-Beschaffungstool oder eigene KI-Infrastruktur

Für den Einstieg ist ein SaaS-Tool die pragmatische Wahl: schnell verfügbar, oft ERP-Konnektoren inklusive, kein Infrastrukturaufwand. Anbieter wie Jaggaer, Ivalua oder Coupa bieten KI-gestützte Spend-Analyse und Lieferantenmanagement mit Standardintegration.

Drei Szenarien, in denen eine eigene KI-Infrastruktur die belastbarere Wahl ist:

1. Vertrauliche Verhandlungs- und Strategiedaten. Wenn das Einkaufsteam mit Daten arbeitet, die unter erhöhten Vertraulichkeitsanforderungen stehen, also Konditionen mit Schlüssellieferanten, strategische Sourcingentscheidungen oder nicht-öffentliche Ausschreibungsunterlagen, dann ist eine interne KI-Infrastruktur die einzige Variante, bei der technisch gesichert ist, dass keine Daten das Unternehmen verlassen.

2. Tief integrierte ERP-Prozesse. Wenn das Ziel nicht ein Analyse-Dashboard ist, sondern eine tiefe KI-Integration in den Procure-to-Pay-Prozess, also automatisierte Bestellauslösung, Rechnungsprüfung, Lieferantenentscheidung, dann ist eine ERP-native oder selbst betriebene KI-Schicht oft stabiler als die Abhängigkeit von SaaS-Konnektoren.

3. Sehr spezifische Beschaffungslogik. Wenn das Unternehmen komplexe Rahmenverträge, Multisite-Strukturen oder branchenspezifische Qualifizierungsanforderungen hat, die kein Standardsystem abbildet, lohnt eine eigene KI-Schicht.

Was eine eigene KI-Infrastruktur im Detail bedeutet und welche Deployment-Varianten es gibt, erklärt die Leistungsseite.

In fünf Schritten zu einem produktiven KI-Einkaufsprojekt

1. Einen konkreten Workflow benennen. Nicht “KI im Einkauf” als generisches Ziel, sondern ein spezifischer Prozess: “Wir wollen die monatliche Spend-Auswertung automatisieren” oder “Wir wollen die Lieferantenqualifizierung für neue Anfragen standardisieren.” Ein definierter Workflow mit messbarem Erfolgskriterium, kein KI-Strategie-Projekt.

2. Datenbestandsaufnahme durchführen. Welche Daten liegen in welchen Systemen, in welcher Qualität? ERP-Stammdaten, Lieferantenverzeichnis, historische Bestellungen, Rechnungsarchiv. 50 Prozent der Unternehmen sehen hier eine kritische Barriere, und zu Recht: Ohne tragfähige Datenbasis liefert kein KI-System nutzbare Ergebnisse.

3. Anbieterwahl mit AVV zuerst. AVV anfordern, Datenresidenz prüfen, Training-Ausschluss bestätigen, bevor eine Kaufentscheidung fällt. Wenn der Anbieter auf die AVV-Anfrage mit einer FAQ-Seite antwortet, ist das kein guter Ausgangspunkt.

4. Pilotlauf mit echten Daten. Nicht mit Testdaten. Nur mit echten Unternehmensdaten zeigt sich, ob die Datenbasis tragfähig ist und ob die KI-Outputs tatsächlich passen. Vier bis sechs Wochen Pilotlauf mit definierten Erfolgskriterien, bevor der produktive Rollout beginnt.

5. Systemintegration als Ziel, nicht als Option. Ein KI-Tool, das isoliert von ERP und Lieferantenmanagementsystem läuft, bleibt ein Recherche-Add-on. Der ROI entsteht aus der Integration: KI-Erkenntnisse, die direkt in Bestellprozesse, Lieferantenbewertungen und Compliancedokumentation zurückfließen.

Wie KI-Prozessautomatisierung über den Einkauf hinaus im gesamten Unternehmen eingesetzt werden kann, erklärt der gleichnamige Beitrag.

Was jetzt zu tun ist

KI im Einkauf hat einen messbaren ROI-Pfad: Spend-Transparenz, schnellere Lieferantenqualifizierung, automatisiertes Compliance-Monitoring. Der häufigste Fehler ist nicht, zu spät zu starten, sondern das Tool vor dem Use Case und die Systemintegration als nachrangig zu behandeln.

Wer wissen will, welcher Einkaufsworkflow im eigenen Unternehmen den größten Hebel hätte, wie die Datenlage realistisch bewertet wird und welche Infrastrukturentscheidung dazu passt, bekommt beim KI-Prozess-Audit eine strukturierte Ersteinordnung: 30 Minuten, erste konkrete Einschätzung zu Priorisierung, Datenschutzlage und Infrastrukturfrage. Für Unternehmen, die KI dauerhaft sicher betreiben wollen, erklärt KI-Betriebsbegleitung, was laufende Unterstützung dabei leistet.