Warum OpenAI & Co. Ihre Probleme im Einkauf nicht lösen wird

Die aktuelle KI-Debatte gleicht einem Wettrüsten: leistungsfähigere Modelle, beeindruckende Benchmarks, gigantische Kontextfenster. Doch während die Basismodelle rasant besser werden, liegt die wahre Herausforderung in der Praxis ganz woanders.

Der entscheidende Hebel für echten Geschäftswert ist weit weniger glamourös: Es geht darum, der KI zur richtigen Zeit den exakten Kontext zu liefern. Echte Business-Probleme löst man nicht mit abstrakten Zusammenfassungen oder generischen E-Mails. Man löst sie innerhalb einer spezifischen Realität: ein konkreter Lieferant, ein individueller Vertrag, eine gewachsene Historie. Ohne Zugriff auf diese – für das Modell unsichtbare – Realität bleibt selbst die beste KI wertlos.

Was die Modelle bereits wissen

Fairerweise decken Basismodelle bereits überraschend viel ab.

Sie verstehen Sprache. Sie können ein Argument strukturieren. Sie können eine E-Mail entwerfen. Sie können Kostentreiber erklären. Sie kennen oft die grobe Ökonomie von Branchen, Rohstoffen, Commodities und Fertigungsprozessen. Sie haben enorme Mengen öffentlicher Informationen verinnerlicht. (Anthropic)

Darum wirken sie sofort so leistungsfähig.

Wenn Sie ein modernes KI Modell bitten, eine Lieferanten-E-Mail zu formulieren, zu erklären, was die Harzpreise beeinflusst, eine Zahlungsbedingung zusammenzufassen oder eine Verhandlungstaktik vorzuschlagen, liefert es oft etwas, das kompetent aussieht.

Manchmal sehr kompetent.

Aber jeder, der diese Arbeit wirklich gemacht hat, erkennt dasselbe sofort:

Kompetenz reicht nicht aus.

Denn in der Beschaffung, in Verhandlungen, in der Lieferantenstrategie werden die besten Entscheidungen fast nie allein aus allgemeinem Wissen getroffen.

Sie entstehen aus Kontext.

Was Menschen nutzen, was Modelle nicht haben

Bevor ein guter Einkäufer mit Verhandlungen beginnt, ist bereits eine große Menge an Informationen verarbeitet. Nicht formell. Oft nicht bewusst. Aber sie ist da.

• Sie kennen die Beziehungsdynamik.

• Sie erinnern sich an Eskalationen und Lücken in der Zuverlässigkeit.

• Sie rufen sich kleine Probleme ins Gedächtnis, die zu großen Problemen wurden.

• Sie erinnern sich an offene Qualitätsfragen und schwache Klauseln.

• Sie wissen, wo sich Goodwill und wo sich Frust befindet.

Und dann fügen sie die Zahlen hinzu.

• Wie hat sich der Spend entwickelt?

• Was hat sich bei den Kostentreibern oder der BOM geändert?

• Welche Argumente halten stand – und welche nicht?

• Sind Preiserhöhungen durch Inputs gerechtfertigt?

• Nehmen Abhängigkeit oder Lieferantenmacht zu?

• Nehmen Abweichungen (Rechnungen, Zahlungen) zu?

So funktioniert gute Vorbereitung in der Praxis. Es geht nicht nur um Intelligenz. Es geht um Gedächtnis, Struktur, Mustererkennung und Urteilsvermögen, aufgebaut auf proprietärer Unternehmenserfahrung.

Das ist der fehlende Baustein in den meisten KI-Diskussionen.

Das wertvollste Wissen in einem Unternehmen ist meist nicht öffentlich

Ich nenne das proprietäre Informationen. Es ist die Information, die OpenAI, Anthropic und jeder andere Modellanbieter nicht aus dem öffentlichen Internet lernen konnte, weil sie in der öffentlichen Akte nicht existiert.

• Ihre Verträge, Bestellungen, Rechnungen.

• Ihre Beschwerden, internen E-Mails, Besprechungsnotizen, Qualitätsvorfälle.

Das ist das Wissen, das tatsächlich über Ergebnisse entscheidet.

Es ist auch der Grund, warum die KI-Debatte oft missverstanden wird. Man spricht so, als sei die entscheidende Frage, ob das Basismodell schlau genug ist.

In vielen Geschäftsanwendungen ist das nur die halbe Frage.

Die andere Hälfte ist, ob das Modell sehen kann, worauf Ihre besten Leute vor einer Entscheidung schauen würden.

Es gibt zwei Wege, KI bei Geschäftsanwendungen besser zu machen

Fehlt einem Modell dieser proprietäre Kontext, gibt es im Wesentlichen zwei Wege, es zu verbessern.

Der eine ist Training auf unternehmensspezifischen Daten.

Der andere ist, die nötigen Informationen genau in dem Moment als Kontext bereitzustellen, in dem das Problem gelöst wird. Die Branche spricht viel über Training, und auf lange Sicht wird das wichtiger werden. Aber für die meisten Unternehmen liegt die praktische Spitze zurzeit nicht dort.

Heute liegt die Spitze im Kontext.

Denn das Training mit unternehmensspezifischen Daten ist schwierig. Es braucht saubere Daten, genug Beispiele, klare Feedback-Schleifen und meist Jahre der Anreicherung, bevor das volle Potenzial verfügbar wird. Und die meisten Unternehmen stehen verständlicherweise auf Distanz zu der Vorstellung, dass ihre sensiblen Informationen zu Systemen beitragen, die breiter über Kunden oder Umgebungen hinweg geteilt werden könnten.

Kontext ist anders.

Er erlaubt einem Unternehmen, seine proprietären Informationen jetzt und auf Abruf für eine konkrete Aufgabe zu nutzen, ohne erst einen großen Trainingskorpus aufbauen zu müssen.

Darum läuft so viel des modernen KI-Produktdesigns im Kern auf die eine Frage hinaus:

Wie bringen wir die richtigen Informationen in der richtigen Form vor das Modell, für genau die Entscheidung, die getroffen werden muss?

Darum ist Kontext-Engineering wichtiger, als viele denken

Es gibt einen Grund, warum Begriffe wie RAG, MCP, Agenten und Tool-Nutzung so zentral geworden sind.

Sie sind alle, auf die eine oder andere Weise, Methoden, um den Zugriff auf Kontext und dessen Nutzung zu verbessern.

Nicht, weil das Modell ohne sie nutzlos wäre.

Sondern weil selbst ein sehr starkes Modell schwach performt, wenn es den falschen Ausschnitt der Realität sieht.

Dies ist weiterhin ein aktives Forschungsfeld. Dieses Paper ist ein gutes Beispiel: Es zeigte, dass bei Nicht-Reasoning-Modellen schon das Wiederholen des Prompts die Leistung verbessern konnte. Das erinnert daran, dass selbst einfache Änderungen bei der Präsentation von Kontext einen spürbaren Unterschied machen können. (arXiv)

Das klingt banal. Ist es nicht.

Es sagt uns etwas Wichtiges: Die Herausforderung liegt nicht nur in der Modellfähigkeit. Sie liegt auch in der Nutzung von Kontext.

Und das bedeutet: Der echte Burggraben für viele KI-Anwendungen wird nicht nur der Modellzugang sein. Es wird das System um das Modell herum sein: wie Daten erfasst, bereinigt, strukturiert, abgerufen, komprimiert und zu einem nutzbaren Entscheidungsrahmen zusammengesetzt werden. Anthropic bringt diesen Punkt in seiner eigenen Arbeit zu „Kontext-Engineering“ direkt auf den Punkt und beschreibt das Problem als die Frage, welche Inhalte bei jedem Schritt der Arbeit eines Agenten in ein begrenztes Kontextfenster gehören. (Anthropic)

Das ist nichts, was ein Frontier-Modellanbieter pauschal für jedes Unternehmen der Welt lösen kann.

Die Unternehmen, die dem jeweiligen Fachgebiet am nächsten sind, sind am besten positioniert, das zu lösen.

Der schwierige Teil ist nicht nur das Speichern von Daten. Es ist die Aufbereitung.

In Unternehmen liegt wertvoller Kontext selten in einem gebrauchsfertigen Format vor.

Ein Teil ist sauber strukturiert: Spend-Cubes, Rechnungspositionen, Bestellungen, Zahlungsbedingungen oder Rohstoffindizes. Der andere Teil ist jedoch chaotisch: PDFs, Verträge, E-Mail-Korrespondenz mit Lieferanten, Eskalationsnotizen, Besprechungsprotokolle, handschriftliche Vermerke in Tabellen oder Textfragmente, die lose zwischen Systemen hin- und herkopiert werden.

Historisch gesehen stellte dies eine massive Hürde dar. Solange Daten unstrukturiert waren, ließen sie sich kaum in großem Stil für operative Entscheidungen nutzen. In einer KI-gesteuerten Welt ändert sich das grundlegend.

Heute sind unstrukturierte Informationen kein Endpunkt mehr – sie sind wertvolles Rohmaterial. Eine Vertragsklausel in einem PDF wird extrahiert, normalisiert und nutzbar gemacht. Eine unübersichtliche E-Mail-Kette verwandelt sich in ein klares Beziehungs-Signal. Eine Freitext-Beschwerde wird Teil eines erkennbaren Qualitätsmusters. Ein Rechnungsstreit wird zum wertvollen Beleg statt zu bloßem Hintergrundrauschen.

Kurz gesagt: Die KI ist nicht mehr nur der Konsument von Kontext. Sie ist das Werkzeug, das diesen Kontext überhaupt erst erschafft. Das ist einer der bedeutendsten Umbrüche, die wir derzeit erleben

Dann beginnt die eigentliche Arbeit: den Kontext für die Aufgabe bauen

Daten allein genügen nicht.

Selbst wenn alle relevanten Informationen innerhalb eines Unternehmens existieren, garantiert das noch lange nicht, dass ein Modell sie auch effektiv nutzen kann. Für echte Aufgaben muss Kontext erst aktiv geformt werden.

Nehmen wir die Verhandlungsvorbereitung als Beispiel:

Niemand möchte – und kein Modell sollte – jede Rechnung, jede E-Mail, jeden Abweichungsbericht und jede Vertragsnotiz der letzten drei Jahre im Original durchforsten. Das eigentliche Problem ist nicht der mangelnde Zugriff auf die Daten, sondern deren Verdichtung.

Die entscheidenden Fragen lauten:

• Was ist im aktuellen Moment wirklich relevant?

• Welche Probleme traten wiederholt auf?

• Welche Argumente sind tatsächlich belastbar?

• Wo liegen die Hebel – und wo die Risiken?

• Was muss jetzt kommuniziert werden und was hat Zeit?

Das ist die Kernaufgabe der Produktentwicklung: Man nimmt einen Berg aus operativer und kommerzieller Historie, zerlegt ihn in seine Bausteine, extrahiert das Wesentliche und entwirft ein entscheidungsreifes Bild. Das Ergebnis sollte sich nicht wie ein bloßer Datenauszug anfühlen, sondern wie die Zuarbeit eines erfahrenen Senior-Einkäufers: prägnant, fundiert und unmittelbar einsetzbar.

Manchmal muss die gesamte Vorarbeit in nur fünf präzise Zeilen fließen, bevor eine E-Mail versendet wird. Doch wenn diese fünf Zeilen sitzen, verändern sie das Ergebnis der gesamten Verhandlung.

Das ersetzt den Einkäufer nicht. Es verlagert nur, worauf der Einkäufer seine Zeit verwendet.

In der Theorie verfügen Einkäufer bereits über alle Fähigkeiten, um diese Arbeit exzellent zu erledigen. Sie analysieren Kosten und Spend, vergleichen Lieferanten, steuern Ausschreibungen und entwickeln strategische Argumente.

Doch in der Realität verantwortet ein Einkäufer oft mehrere Kategorien, Millionen an Spend und hunderte von Lieferantenbeziehungen. Jeder Tag wird so zu einer Gratwanderung der Ressourcenallokation:

• Welche Analyse verdient wirklich einen tiefen Drilldown?

• Wo ist eine lückenlose Vorbereitung wirtschaftlich gerechtfertigt?

• Welcher Aufwand ist im aktuellen Tagesgeschäft überhaupt realistisch?

Was in der Praxis passiert, ist offensichtlich: Es wird nur ein Bruchteil der möglichen Vorbereitung tatsächlich umgesetzt. Nicht, weil die Einkäufer es nicht besser wüssten, sondern weil ihre Zeit endlich ist.

Genau hier entfaltet KI ihren eigentlichen Nutzen. Nicht, indem sie vorgibt, ein „magischer“ Verhandler zu sein, sondern indem sie eine enorme Menge an Belegen schneller, konsistenter und oft präziser zu schlagkräftigen Argumenten verdichtet, als es ein gehetzter menschlicher Workflow jemals zulassen würde.

Das Ergebnis:

• Weniger Zeit für das Sammeln und Bereinigen von Daten.

• Weniger Zeit für die mühsame Rekonstruktion der Historie.

• Mehr Zeit für fundierte Entscheidungen.

• Mehr Zeit für Beziehungen, strategische Hebel und echtes Urteilsvermögen.

Die Unternehmen, die gewinnen werden, behandeln Kontext als Infrastruktur

Ich vermute, dass sich der Markt genau in diese Richtung bewegt.

Sicher, unternehmensspezifisches Modelltraining wird mit der Zeit an Bedeutung gewinnen und für bestimmte Workflows die Ergebnisse zweifellos verbessern. Doch die meisten Unternehmen sind noch Jahre davon entfernt, über ausreichend saubere, gelabelte und durch Feedbackschleifen veredelte interne Daten zu verfügen, um dieses Potenzial voll auszuschöpfen.

Bis dahin liegt der eigentliche Hebel in einem pragmatischeren Weg: Nicht zuerst auf Kundendaten trainieren, sondern zuerst den aus Kundendaten gewonnenen Kontext perfektionieren.

Das bedeutet, die Pipelines, Methoden, Repräsentationen und Retrieval-Systeme so aufzubauen, dass sie die Aufbereitungslogik eines erstklassigen Business Analysts widerspiegeln. Es bedeutet, Kontext nicht als bloßen Zusatz zu betrachten, sondern als Infrastruktur.

Denn das Modell ist nur ein Teil des Systems. Der Rest des Systems entscheidet darüber, ob die KI ein generisches, abstraktes Problem sieht oder das tatsächliche, spezifische. Und im Business liegt das tatsächliche Problem immer dort, wo die Wertschöpfung stattfindet – dort, wo das Geld ist.

Genau daran arbeiten wir

Wir bauen für eine Welt, in der KI Geschäftsprobleme genau wie exzellente Operatoren löst: durch die Verbindung von logischem Denkvermögen (Reasoning) und unternehmenseigenem (proprietärem) Kontext.

In unserem Fall bedeutet das, Verträge, Spend-Daten, Bestellungen, Rechnungen und die oft komplexe operative Historie von Lieferantenbeziehungen nahtlos zusammenzuführen. Unser Ziel ist dabei nicht die bloße Zusammenfassung, sondern die Transformation dieser Daten in eine hochgradig nützliche Vorbereitung. Es ist die Art von Vorbereitung, die einem Einkäufer hilft, souveräner zu verhandeln, präziser zu sourcen und fundiertere Entscheidungen zu treffen.

Denn am Ende lässt sich das, was gute Einkäufer auszeichnet, sehr einfach beschreiben: Sie verdichten Realität zu Argumenten.

Wir sind überzeugt, dass KI sie dabei unterstützen kann – schneller, konsistenter und in vielen Fällen vielleicht sogar besser.