Planungssysteme in Unternehmen wurden für ein Publikum gebaut: Menschen. Dashboards, Alerts und Workflows helfen einer Person, Informationen zu finden, sie zu interpretieren und zu entscheiden, was als Nächstes zu tun ist. Dieses Design beruht auf einer Annahme, die jetzt zu bröckeln beginnt: dass immer ein Planer zwischen den Daten und der Entscheidung sitzt.
Wenn KI-Agenten beginnen, direkt in diesen Systemen zu arbeiten, hält diese Annahme nicht mehr. Die Frage, die sich lohnt, ist nicht, ob KI das Service Parts Planning beeinflussen wird. Sie lautet, was mit der Aufgabe des Planers geschieht, sobald das System Situationen untersuchen, Optionen bewerten, Maßnahmen empfehlen und sie schließlich selbst ausführen kann.
Dieser Wandel ist kein Schalter, der über Nacht umgelegt wird. Es ist eine schrittweise Veränderung darin, wie Menschen, Systeme und Agenten die Planungsarbeit aufteilen, und sie ist bereits im Gange.
Von der Mensch-System- zur Agent-System-Kommunikation
Agenten interagieren mit Unternehmenssoftware nicht so wie Menschen. Sie lesen kein Dashboard und klicken sich nicht durch einen Bildschirm. Sie brauchen strukturierten Zugriff auf Daten, Kontext, Fähigkeiten und Aktionen, damit das System ihnen sagen kann, was wahr ist und was sie damit tun dürfen. Die meisten Planungswerkzeuge in Unternehmen wurden nie dafür gebaut, diese Art von Anfrage zu beantworten. Genau das muss sich zuerst ändern.
Ein häufiges Szenario: Ein Lieferant informiert den OEM, dass eine Ersatzteillieferung sich verzögert. Statt der geplanten 150 Einheiten treffen nur 100 pünktlich ein. Die übrigen 50 kommen erst in drei Wochen.
Heute sammelt der Planer Informationen über Systeme hinweg, untersucht, was die Verzögerung bedeutet, bewertet die verfügbaren Optionen, entscheidet und führt aus. Je komplexer die Situation, desto mehr Verzweigungen erzeugt dieser Entscheidungsbaum. In der Praxis kann das bedeuten, zwischen mehreren SAP-Transaktionen und anderen Systemen zu wechseln, um das Bild zu rekonstruieren: aktuellen Bestand und Bedarfe prüfen, Materialverfügbarkeit und Bestände in SAP MD04/MMBE prüfen, Bestellungen und erwartete Wareneingänge in SAP ME2M/ME2L nachschlagen und Kundenaufträge in SAP VA03 gegenprüfen, oft mit Notizen in Excel, damit die Zahlen aufgehen.
Jede Frage kann eine weitere Systemprüfung, eine weitere Transaktion oder eine weitere manuelle Berechnung verlangen, bevor der Planer zur nächsten Frage übergehen kann.
- Welche Kundenaufträge sind jetzt gefährdet?
- Wo entsteht ein Stockout?
- Wie viele Wochen Reichweite habe ich an jedem Standort?
- Kann ich Bestand von einem anderen Standort verschieben?
- Gibt es Alternativ- oder Substitutteile?
In einem agentischen Modell sieht die Abfolge anders aus. Ein Agent erkennt die Verzögerung, sammelt den relevanten Kontext, analysiert die Auswirkung auf Bestand, Reichweite und Kundenaufträge und bewertet die verfügbaren Optionen selbst. Dann empfiehlt er eine Maßnahme oder handelt innerhalb definierter Guardrails, während der Planer beaufsichtigt, dort freigibt, wo es erforderlich ist, und eingreift, wenn die Situation Urteil verlangt oder Folgen hat, die über das Mandat des Agenten hinausgehen:
- Agent: „Die verzögerte Lieferung erzeugt für Teil X in Region A innerhalb von zwei Wochen einen prognostizierten Stockout und gefährdet 23 Kundenaufträge.“
- Agent: „Region B hält 80 Einheiten über der Zielreichweite, während die aktuelle Nachfrage diesen Bestand nicht erfordert.“
- Agent: „Für 7 der betroffenen Aufträge ist ein Substitutteil verfügbar.“
- Agent: „Empfohlene Maßnahme: 25 Einheiten von Region B nach Region A umlagern und für die übrigen 7 Aufträge das Substitutteil verwenden. Das vermeidet den prognostizierten Stockout und hält Region B über der Mindestreichweite. Fortfahren?“
Der Punkt ist nicht einfach, dass der Agent schneller ist. Der Ort der Arbeit hat sich verschoben. Aufgaben, die zuvor verlangten, dass der Planer manuell untersucht und bewertet, erledigt jetzt das System. Der Planer steigt am Punkt des Urteils ein, nicht bei jedem Schritt auf dem Weg dorthin. Das wird oft als Wechsel von „human-in-the-loop“ beschrieben, bei dem eine Person an jedem Schritt beteiligt ist, zu „human-on-the-loop“, bei dem die Person verantwortlich und in Kontrolle bleibt, ohne jeden Schritt anfassen zu müssen, um dorthin zu gelangen.
Was Systeme agentenfähig macht
Einem Agenten Zugriff auf Daten zu geben ist nicht dasselbe, wie ein System agentenfähig zu machen. Ein Sprachmodell, das an unverbundene Systeme angeschlossen ist, ist kein fähiger Planungsagent. Es ist ein schneller Weg, selbstsicher falsch zu liegen.
Ein agentenfähiges System braucht vier Dinge. Kontext sagt dem Agenten, was die Daten bedeuten und was im Prozess geschieht, etwa warum Bestand dort liegt, wo er liegt, oder was vorgelagert passiert ist. Fähigkeiten definieren, was der Agent tatsächlich tun kann, zum Beispiel Bestand prüfen oder eine Umlagerung anstoßen. Guardrails definieren, was er tun darf und unter welchen Bedingungen, einschließlich wann eine Aktion die Freigabe des Planers braucht, bevor sie ausgeführt wird. Feedback zeigt, was nach einer Aktion geschehen ist, damit der Agent weiß, was als Nächstes zu tun ist.
Standards wie das Model Context Protocol (MCP) helfen, indem sie Agenten einen einheitlichen Weg zu Datenquellen, Werkzeugen und Workflows geben, statt für jedes eine eigene Integration zu verlangen (Model Context Protocol, 2026). Diese Konnektivität ist nützlich, aber sie ist nur die Verkabelung. Die härtere Arbeit, und der eigentliche Engineering-Aufwand, ist der Aufbau von Kontext, Fähigkeiten, Guardrails und Feedback, die einen Agenten zuverlässig arbeiten lassen.
Vom Operator zum Orchestrator
Nichts davon schafft den Planer ab. Es verändert, was die Aufgabe ist.
Heute verbringen Planer einen großen Teil ihrer Zeit mit operativer Arbeit:
- Ausnahmen untersuchen
- Daten über Systeme hinweg sammeln und validieren
- Bestand über Standorte hinweg prüfen
- Reichweite berechnen und Optionen über Standorte hinweg vergleichen
- Dispositionsparameter anpassen
- Wiederkehrende, gut verstandene Entscheidungen ausführen
Wenn Agenten diesen Durchsatz übernehmen, verschiebt sich die Arbeit des Planers hin zu:
- Ziele definieren und Restriktionen setzen
- Empfehlungen des Agenten prüfen
- Maßnahmen mit hoher Wirkung oder hohem Risiko freigeben
- Konflikte zwischen konkurrierenden Prioritäten auflösen
- Ausnahmen steuern, die außerhalb der Guardrails des Agenten liegen
- Leistung und Ergebnisse des Agenten über die Zeit beobachten
Das ist mehr, als ein schnelleres System zu beaufsichtigen. Ziele, Restriktionen und Guardrails sagen einem Agenten, welchen Trade-off er machen soll, wenn Service, Bestand und Kosten in verschiedene Richtungen ziehen. Jemand muss sie setzen und richtig halten, wenn sich die Bedingungen ändern. Der Planer wird verantwortlich für die Bedingungen, unter denen Planungsentscheidungen getroffen werden, nicht nur dafür, zu prüfen, was der Agent erzeugt hat. Das macht „Orchestrator“ zum richtigen Wort, nicht „Supervisor“.
Warum die Lücke größer wird
Ein Planer kann an einem Tag nur eine begrenzte Zahl von Ausnahmen untersuchen, ganz gleich wie erfahren er ist. Diese Obergrenze ist nicht neu. Frühe MRP-basierte Planungssysteme, die von statischen Ein-Zahlen-Annahmen ausgingen, etwa einer festen Wiederbeschaffungszeit des Lieferanten, erzeugten routinemäßig Hunderte von Ausnahmemeldungen pro Planer und Woche und überließen dem Menschen die gesamte Begründung, die das System selbst nicht leisten konnte (Alicke, Supply Chain Management Review, April 2026).
Das genauere Argument ist nicht, dass KI schneller ist als ein Planer. Es ist, dass menschlich getriebene Planung von Natur aus sequenziell ist. Ein Planer untersucht eine Ausnahme, kommt zu einer Entscheidung und geht zur nächsten. Agentische Planung muss nicht so arbeiten: Ein System, das agentenfähig gebaut ist, kann viele Situationen gleichzeitig und kontinuierlich überwachen und sie nach definierten Regeln und Restriktionen priorisieren. Das verändert die Einheit der Planungsarbeit selbst, von einer Ausnahme nach der anderen zu vielen, die parallel überwacht werden. Wenn Systeme und Workflows um diesen Wechsel herum neu gestaltet werden, dürften Planungsorganisationen in einem wesentlich größeren Maßstab arbeiten können, als sequenzielle, menschlich getriebene Workflows erlauben. Ob diese Lücke tatsächlich größer wird, hängt davon ab, wie gut Organisationen den oben beschriebenen Kontext, die Fähigkeiten, die Guardrails und das Feedback aufbauen.
Die Reise beginnt jetzt
Jede KI ist nur so gut wie die Entscheidungen, die sie trifft. Im After Sales fallen diese Entscheidungen millionenfach jeden Tag.
Hersteller haben Milliarden in ERP, Planung und Sichtbarkeit investiert. Viele der wertvollsten After Sales-Entscheidungen, etwa welches Teil gebraucht wird, wo es positioniert sein sollte, wann es nachbeschafft werden sollte und warum sich die Nachfrage verändert, bleiben dennoch fragmentiert, reaktiv und weitgehend manuell.
Gemeinsam bauen Celonis und ClearOps auf eine grundlegend andere Art hin, After Sales zu betreiben, in der intelligente Agenten zunehmend verstehen, schlussfolgern und handeln, während After Sales-Teams vom Steuern einzelner Entscheidungen zum Orchestrieren eines zunehmend autonomen Betriebs übergehen. Das Ergebnis: eine autonome, agentische After Sales-Plattform, die verändert, was im After Sales möglich ist.
Zwei kritische Bausteine ermöglichen diesen Übergang:
1. Connected Planning Foundation: Systeme, Daten und Prozesskontext werden verbunden und geben dem Agenten den Kontext, den er braucht, um zu verstehen, was geschieht und warum.
2. Agentic Planning & Recommendation: Agenten erkennen Abweichungen, analysieren Grundursachen, modellieren Szenarien und schlussfolgern, was sich ändern sollte, und machen aus der Erkenntnis empfohlene Maßnahmen.
Bleiben Sie dran!
Quellen
- The planner was the system: Supply Chain Management Review, April 2026.
- What is the Model Context Protocol (MCP)?: Model Context Protocol, 2026.
