Warum OpenAI & Co. den Einkauf nicht lösen werden – und auch nicht Ihre anderen Business-Probleme

Ein Großteil der Diskussion über KI dreht sich immer noch um ein Wettrennen um größere Gehirne. Neues Modell. Größerer Benchmark. Längeres Kontextfenster. Bessere logische Schlussfolgerungen. Und ja, die Modelle werden besser. Schnell. Aber in der Realität, in echten Unternehmen, ist das nicht mehr die größte Hürde.

Die eigentliche Herausforderung ist weniger glamourös: dem Modell im entscheidenden Moment den richtigen Kontext zu liefern. Genau hier entscheidet sich der geschäftliche Mehrwert.

Denn reale Geschäftsprobleme mit KI zu lösen ist etwas völlig anderes als Allgemeinwissen abzufragen, Artikel zusammenzufassen oder Standard-E-Mails zu entwerfen. Im Business soll ein Modell Probleme selten abstrakt lösen. Es soll sie innerhalb einer hochspezifischen Realität lösen: einem Unternehmen, einem Lieferanten, einem Vertrag, einer Historie, getroffenen Entscheidungen und deren Konsequenzen.

Und diese Realität bleibt dem Basismodell meist verborgen.

Was die Modelle bereits wissen

Fairerweise muss man sagen: Foundation Models decken bereits erstaunlich viel ab.

Sie verstehen Sprache. Sie können Argumente strukturieren, E-Mails entwerfen und Kostentreiber erklären. Oft kennen sie die ökonomischen Grundlagen von Branchen, Materialien, Rohstoffen und Fertigungsprozessen. Sie haben enorme Mengen an öffentlich verfügbaren Informationen verinnerlicht. (Anthropic)

Deshalb wirken sie direkt nach der Einrichtung so leistungsstark.

Bitten Sie ein modernes Modell, eine E-Mail an einen Lieferanten zu verfassen, Preistreiber für Harze zu erklären, Zahlungsbedingungen zusammenzufassen oder eine Verhandlungstaktik vorzuschlagen, ist das Ergebnis oft kompetent.

Manchmal sogar sehr kompetent.

Doch wer diese Arbeit tatsächlich im Alltag macht, merkt sofort das Gleiche:

Kompetenz allein reicht nicht.

Denn im Einkauf, bei Verhandlungen und in der Lieferantenstrategie basieren die besten Entscheidungen fast nie auf reinem Allgemeinwissen.

Sie basieren auf Kontext.

Was Menschen nutzen, das Modellen fehlt

Bevor ein erfahrener Einkäufer in eine Verhandlung geht, hat er bereits Unmengen an Informationen verarbeitet. Nicht immer formell, oft unbewusst. Aber diese Informationen sind da.

• Er kennt die Dynamik der Beziehung.

• Er erinnert sich an Eskalationen und Zuverlässigkeitslücken.

• Er erinnert sich an kleine Probleme, die zu großen Krisen wurden.

• Er weiß um ungelöste Qualitätsfragen und schwache Vertragsklauseln.

• Er spürt, wo Goodwill herrscht und wo Frustration.

Und dann kommen die Zahlen hinzu.

• Wie haben sich die Ausgaben entwickelt?

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

• Welche Argumente halten stand – und welche nicht?

• Sind Preiserhöhungen durch gestiegene Inputkosten gerechtfertigt?

• Steigen die Abhängigkeit oder die Verhandlungsmacht des Lieferanten?

• Nehmen Abweichungen bei Rechnungen oder Zahlungen zu?

So sieht eine starke Vorbereitung in der Praxis aus. Sie erfordert nicht nur Intelligenz, sondern Gedächtnis, Struktur, Mustererkennung und Urteilsvermögen auf Basis firmeneigener Erfahrungen.

Das ist die fehlende Zutat in den meisten KI-Debatten.

Das wertvollste Wissen eines Unternehmens ist meistens nicht öffentlich

Ich nenne das proprietäre Informationen. Es sind jene Daten, die OpenAI, Anthropic und alle anderen Modellentwickler nicht aus dem öffentlichen Internet lernen konnten, weil sie dort schlicht nicht existieren.

• Ihre Verträge, Bestellungen, Rechnungen.

• Ihre Reklamationen, internen E-Mails, Meetingprotokolle, Qualitätsvorfälle.

• Ihre gesammelten Erfahrungen aus Fehlern der Vergangenheit. 😉

Genau dieses Wissen entscheidet über das Ergebnis.

Deshalb greift die Diskussion über KI oft zu kurz. Man tut so, als sei die entscheidende Frage nur, ob das Basismodell intelligent genug ist.

In vielen geschäftlichen Anwendungsfällen ist das aber nur die halbe Wahrheit.

Die andere Hälfte ist: Kann das Modell genau das sehen, worauf Ihre besten Mitarbeiter vor einer Entscheidung blicken würden?

Zwei Wege zu besserer KI bei geschäftlichen Aufgaben

Fehlt einem Modell dieser proprietäre Kontext, gibt es im Wesentlichen zwei Wege zur Verbesserung.

Der eine Weg führt über das Training oder Fine-Tuning mit unternehmenseigenen Daten.

Der andere Weg stellt die notwendigen Informationen genau in dem Moment als Kontext bereit, in dem das Problem gelöst werden soll. Die Branche spricht viel über Training, und langfristig wird das auch an Bedeutung gewinnen. Für die meisten Unternehmen liegt der praktische Nutzen heute jedoch woanders.

Heute liegt der Hebel im Kontext.

Denn das Training mit unternehmenseigenen Daten ist komplex. Es erfordert saubere Daten, ausreichend Beispiele, klare Feedbackschleifen und meist Jahre der Vorbereitung, bis das volle Potenzial ausgeschöpft werden kann. Zudem zögern viele Unternehmen verständlicherweise, sensible Informationen in Systeme fließen zu lassen, die von anderen Kunden oder in anderen Umgebungen genutzt werden könnten.

Bei Kontext ist das anders.

Er ermöglicht es einem Unternehmen, geschützte Informationen sofort und gezielt für eine bestimmte Aufgabe zu nutzen, ohne vorher mühsam einen riesigen Trainingsdatensatz aufbauen zu müssen.

Deshalb dreht sich das Design moderner KI-Anwendungen im Kern um eine einzige Frage:

Wie bringen wir dem Modell die richtigen Informationen in der richtigen Form für genau die Entscheidung, die ansteht?

Warum Context Engineering wichtiger ist, als viele denken

Es gibt einen Grund, warum Begriffe wie RAG, MCP, Agenten und Tool-Nutzung so stark in den Fokus rücken.

Sie alle sind Methoden, um den Zugriff und die Nutzung von Kontext durch Modelle zu optimieren.

Nicht weil das Modell ohne sie nutzlos wäre.

Sondern weil selbst ein extrem leistungsstarkes Modell versagt, wenn es die falsche Realität analysiert.

Dies ist nach wie vor ein aktives Forschungsfeld. Eine aktuelle Studie zeigt dies deutlich: Bei Modellen ohne eigenständige logische Schlussfolgerung konnte allein das Wiederholen des Prompts die Leistung steigern – ein Beleg dafür, dass bereits minimale Anpassungen bei der Bereitstellung von Kontext einen großen Unterschied machen. (arXiv)

Das mag banal klingen, ist es aber nicht.

Es zeigt uns: Das Problem liegt nicht nur in den Fähigkeiten des Modells, sondern in der Nutzung des Kontexts.

Der wahre Wettbewerbsvorteil vieler KI-Anwendungen wird daher nicht der reine Zugriff auf das Modell sein. Es ist das System um das Modell herum: wie Daten gesammelt, bereinigt, strukturiert, abgerufen, komprimiert und für eine Entscheidung aufbereitet werden. Anthropic betont dies direkt in Beiträgen zu „Context Engineering“ und beschreibt das Problem als gezieltes Kuratieren dessen, was in das begrenzte Kontextfenster bei jedem Arbeitsschritt eines Agenten einfließen soll. (Anthropic)

Das kann ein Anbieter von Basismodellen nicht pauschal für jedes Unternehmen auf der Welt lösen.

Die Unternehmen, die am nächsten an der jeweiligen Fachdomäne dran sind, haben hier die beste Ausgangsposition.

Die Hürde ist nicht das Speichern der Daten. Es ist ihre Aufbereitung.

In Unternehmen liegen nützliche Kontextdaten fast nie in einem einzigen, praktischen Format vor.

Einige sind sauber strukturiert: Ausgaben-Cubes, Rechnungspositionen, Bestellungen, Zahlungsbedingungen, Rohstoffindizes.

Andere sind es nicht: PDFs, Verträge, Lieferanten-E-Mails, Eskalationsnotizen, Protokolle, handschriftliche Kommentare in Tabellen, unstrukturierte Textfragmente zwischen Systemen.

Historisch gesehen war dies eine enorme Barriere. Unstrukturierte Daten ließen sich kaum im großen Stil nutzen.

In einer KI-nativen Welt ändert sich das.

Jetzt sind unstrukturierte Informationen keine Sackgasse mehr, sondern Rohmaterial.

Eine Vertragsklausel in einer PDF-Datei lässt sich extrahieren, normalisieren und später wiederverwenden. Ein unübersichtlicher E-Mail-Verlauf liefert Signale über den Beziehungsstatus. Eine formlose Reklamation wird Teil eines Qualitätsmusters. Eine Rechnungsreklamation wird zu einem Beleg statt zu bloßem Rauschen.

Mit anderen Worten: KI nutzt nicht nur Kontext. Sie hilft auch dabei, diesen aufzubauen.

Das ist einer der wichtigsten aktuellen Umbrüche.

Die eigentliche Arbeit: Kontext für die Aufgabe aufbauen

Daten zu sammeln reicht nicht aus.

Selbst wenn alle relevanten Informationen irgendwo im Unternehmen existieren, heißt das noch nicht, dass das Modell sie effektiv nutzen kann.

Für eine konkrete Aufgabe muss der Kontext erst passend aufbereitet werden.

Nehmen wir die Verhandlungsvorbereitung.

Kein Mensch möchte jede Rechnung, jede E-Mail, jeden Abweichungsbericht, jede Vertragsrevision und jede Notiz der letzten drei Jahre von Grund auf lesen. Und auch kein Modell sollte mit diesem gesamten Informationsberg überfüttert werden.

Das Problem ist nicht der Zugang zu den Daten, sondern deren Verdichtung.

• Was ist jetzt gerade wichtig?

• Was ist wiederholt schiefgelaufen?

• Welche Argumente sind belastbar?

• Wo liegen Hebel und Risiken?

• Was sollte jetzt gesagt werden und was erst später?

Das ist die eigentliche Herausforderung bei der Produktentwicklung.

Sie nehmen einen Berg von operativen und kommerziellen Daten, zerlegen ihn, filtern die Kernaussagen heraus und erstellen ein entscheidungsreifes Bild. Das Ergebnis sollte sich weniger wie ein Datenbank-Export anfühlen, sondern wie die Vorbereitung eines erfahrenen Senior-Einkäufers: präzise, faktenbasiert und im entscheidenden Moment nützlich.

Manchmal muss diese gesamte Arbeit in fünf Zeilen komprimiert werden, bevor eine E-Mail versendet wird.

Sind diese fünf Zeilen stark, verändert das das Ergebnis.

Kein Ersatz für den Einkäufer – sondern eine Verschiebung der Prioritäten

In der Theorie haben Einkäufer bereits die Fähigkeiten für diese Arbeit. Sie analysieren Kosten und Ausgaben, vergleichen Lieferanten, führen Ausschreibungen durch und entwickeln Argumente.

Doch ein Einkäufer betreut oft mehrere Warengruppen, Ausgaben in Millionenhöhe und Hunderte von Lieferantenbeziehungen. Jeder Tag ist eine Priorisierungsaufgabe.

• Was verdient eine tiefgehende Analyse?

• Wo lohnt sich eine lückenlose Vorbereitung?

• Wie viel Aufwand ist aktuell realistisch?

Die logische Konsequenz in der Praxis: Nur ein Bruchteil der möglichen Vorbereitung wird tatsächlich erledigt.

Nicht aus mangelndem Wissen, sondern aus Zeitmangel. Genau hier stiftet KI echten Nutzen. Nicht als magischer Verhandlungsführer.

Sondern indem sie hilft, eine große Menge an Belegen schneller, konsistenter und oft vollständiger in Argumente zu gießen, als es unter Zeitdruck manuell möglich wäre.

• Weniger Zeit für Datensammlung und -bereinigung

• Weniger Zeit für die Rekonstruktion der Historie

• Mehr Zeit für strategische Entscheidungen

• Mehr Zeit für Beziehungen, Verhandlungshebel und Urteilsvermögen

Unternehmen, die Kontext als Infrastruktur verstehen, werden gewinnen

Ich bin überzeugt, dass sich der Markt in diese Richtung bewegt.

Ja, das firmeninterne Training von Modellen wird an Bedeutung gewinnen. Bei manchen Prozessen wird es die Ergebnisse definitiv verbessern. Die meisten Unternehmen sind jedoch noch Jahre davon entfernt, genügend saubere, strukturierte und mit Feedback versehene interne Daten dafür vorzuhalten.

In der Zwischenzeit bietet ein pragmatischerer Weg enormen Wert:

Trainieren Sie nicht zuerst mit Kundendaten. Perfektionieren Sie stattdessen den Kontext, den Sie aus diesen Daten generieren.

Bauen Sie die Pipelines, Methoden, Darstellungen, Abrufsysteme und Vorbereitungslogiken auf, die ein starker Analyst nutzen würde, bevor er handelt. Verstehen Sie Kontext nicht als Nebensache, sondern als Infrastruktur. Denn das Modell ist nur ein Teil des Systems. Das restliche System entscheidet, ob das Modell ein generisches Problem sieht oder Ihr tatsächliches. Und im Business entscheidet genau dieses tatsächliche Problem über den finanziellen Erfolg.

Das ist unsere Arbeit

Wir entwickeln Lösungen für eine Welt, in der KI Geschäftsprobleme so löst wie erfahrene Entscheider: durch die Verknüpfung von Logik mit proprietärem Kontext.

In unserem Fall bedeutet das, Verträge, Ausgaben, Bestellungen, Rechnungen und die operative Historie von Lieferantenbeziehungen zusammenzuführen.

Nicht nur für eine bloße Zusammenfassung. Sondern um daraus eine einsatzbereite Vorbereitung zu machen. Eine Vorbereitung, die Einkäufern hilft, besser zu verhandeln, effizienter zu beschaffen und klügere Entscheidungen zu treffen.

Denn am Ende ist das, was gute Einkäufer tun, einfach zu beschreiben: Sie verdichten die Realität zu schlagkräftigen Argumenten.

Wir sind überzeugt: KI hilft ihnen, das schneller zu tun. Und in vielen Fällen auch besser.