KI im Stahlhandel - aber auf welchem Fundament?

Kaum eine Woche vergeht ohne eine neue KI-Ankündigung: Bedarfsprognosen, automatische Zeugnisverarbeitung, Bestandsoptimierung, Preisfindung. Die Versprechen sind groß - und das Potenzial ist real, gerade im Stahl- und Metallhandel mit seinen dokumentenintensiven Prozessen und seinem gebundenen Kapital im Lager. Doch in der Praxis bleiben viele KI-Initiativen im Pilotstatus stecken. Nicht an der Technologie scheitern sie - sondern an dem, was darunter liegt.

Die Zahlen des Branchenverbands Bitkom zeichnen ein klares Bild: In einer Befragung unter 555 Industrieunternehmen nennen 57 Prozent fehlende Daten und 48 Prozent eine unzureichende IT-Infrastruktur als Gründe dafür, dass entsprechende Projekte häufig scheitern (Bitkom, 2025). Und nur sechs Prozent der Unternehmen sehen das Potenzial ihrer eigenen Daten heute ausgeschöpft (Bitkom, 2024).

Die Ursache ist fast immer dieselbe: verstreute, lückenhafte oder widersprüchliche Daten - und dahinter Prozesse, die am System vorbeilaufen.

Die Reihenfolge ist alles

Digitale Systeme im Handelshaus bauen aufeinander auf - in einer klaren Schichtung, in der jede Ebene die Voraussetzung für die nächste bildet:

Das ERP-System ist die Basis. Aufträge, Bestände, Einkauf, Anarbeitung, Chargen, Zeugnisse - das operative Geschäft läuft über das ERP. Darauf liegt die Integrationsschicht, die Lagerverwaltung, Anarbeitung, Webshop und CRM mit dem Kernsystem verbindet, statt Insellösungen nebeneinander laufen zu lassen. Darüber die Datenplattform und Business Intelligence, die aus Bewegungsdaten steuerungsrelevante Kennzahlen berechnen - Liefertreue, Verschnitt, Marge je Auftrag. Und an der Spitze: KI.

Diese Reihenfolge ist keine Geschmacksfrage. Wer sie umkehrt, baut die Spitze zuerst - und wundert sich, dass sie in der Luft hängt.

Das Grundproblem: Garbage in, Garbage out

Der älteste Grundsatz der Informatik gilt für KI uneingeschränkt - mehr noch: KI verschärft ihn.

Ein Beispiel aus dem Handelsalltag: Ein lagerhaltender Händler führt eine KI-gestützte Bestandsoptimierung ein. Das Modell soll Bedarfe prognostizieren und Bestellvorschläge erzeugen. Im ERP sind jedoch die Materialstammdaten uneinheitlich gepflegt - derselbe Werkstoff wird als 1.4301, als „V2A" und als Freitext geführt. Resttafeln und Restlängen sind nicht im System hinterlegt, sondern in einer Liste im Lagerbüro. Reservierungen werden verspätet gebucht. Das Ergebnis: Das Modell prognostiziert auf Basis einer Bestandswahrheit, die keine ist - und bestellt Material nach, das im eigenen Lager liegt, während gefragte Abmessungen fehlen. Schneller und in größerem Maßstab, als es ein Mensch je könnte.

Der Fehler lag nicht im Modell. Er lag im Fundament.

„KI-Projekte im Stahlhandel scheitern selten an der Technik und fast immer an der Datenbasis. Wenn Stammdaten, Schnittstellen und Prozesse im ERP nicht tragfähig sind, hilft auch das beste Modell nicht. Genau diese Lücke schließen wir - bevor sie zum Investitionsrisiko wird." Kapil Gupta · Geschäftsführer der Zirkel Technologies GmbH

Drei Fragen, die vor jedem KI-Projekt stehen

1. Sind unsere Daten vollständig, konsistent und aktuell?

Daten müssen nicht perfekt sein - aber verlässlich. Lücken im Materialstamm, doppelte Kundensätze, veraltete Konditionen oder fehlende Chargenzuordnungen sind für ein Modell keine Kleinigkeiten, sondern Fehlerquellen mit Hebelwirkung.

Typische Warnsignale:

• Derselbe Werkstoff wird in ERP, Lagersystem und CRM unterschiedlich geführt
• Zeugnisse liegen als PDF auf dem Laufwerk, ohne Verknüpfung zur Charge
• Berichte aus dem ERP und aus Excel liefern unterschiedliche Zahlen
• Mitarbeitende trauen den Systemdaten nicht und führen eigene Listen

2. Bildet unser ERP die Prozesse durchgängig ab?

Ein ERP ist nur so gut wie seine konsequente Nutzung - von allen, nach denselben Regeln. Laufen Angebot, Anarbeitung und Versand nach unterschiedlicher Logik oder ganz am System vorbei, entstehen Dateninseln, die kein Modell zuverlässig zusammenführt.

Typische Warnsignale:

• Der Legierungszuschlag wird in einer Excel-Tabelle gepflegt, nicht im System
• Die Auftragssteuerung läuft über manuell geführte Listen statt über das ERP
• Rückmeldungen aus der Halle erreichen das Kernsystem verspätet oder gar nicht

3. Haben wir eine belastbare Auswertungsschicht?

Kennzahlen sind das Bindeglied zwischen Rohdaten und Entscheidung. Wer Liefertreue, Verschnitt und Marge heute nicht verlässlich messen kann, kann morgen auch KI-generierte Empfehlungen nicht einordnen - weil der Maßstab fehlt, an dem sie zu prüfen wären.

Was „saubere Daten" im Handelsalltag bedeuten

Datenqualität ist kein abstraktes IT-Thema, sondern eine unternehmerische Entscheidung mit klaren Dimensionen: Vollständigkeit (jede Charge hat ihr Zeugnis, jeder Artikel seine Norm), Konsistenz (eine führende Quelle je Datenobjekt - nicht zwei Meinungen in zwei Systemen), Aktualität (Rückmeldungen aus Anarbeitung und Lager in Echtzeit statt am Monatsende) und Nachvollziehbarkeit (jede Änderung protokolliert und auswertbar).

Warum KI Fehler nicht verzeiht - sondern skaliert

Ein erfahrener Sachbearbeiter, der einer Bestandszahl nicht traut, ruft im Lager an, bevor er bestellt. Dieses menschliche Korrektiv ist unsichtbar - und verschwindet in dem Moment, in dem ein Modell dieselbe Zahl ungeprüft übernimmt und daraus Bestellvorschläge für alle Lagerorte gleichzeitig ableitet.

KI verstärkt, was da ist. Gute Daten werden durch KI noch wertvoller. Schlechte Daten werden durch KI zum systemischen Risiko - und aus einem Einzelfehler wird eine Serie.

Der Weg zur KI-Readiness: Schritt für Schritt

1. ERP konsolidieren und modernisieren. Wer mehrere Insellösungen betreibt oder ein System, das die eigene Anarbeitungstiefe nicht abbildet, fängt hier an - herstellerneutral bewertet, am Prozess entschieden, nicht am Etikett.
2. Integration herstellen. Lagerverwaltung, Anarbeitung, CRM und Webshop sind über eine Integrationsschicht - etwa auf MuleSoft-Basis - an das Kernsystem angebunden, sodass für jedes Datenobjekt eine führende Quelle entsteht.
3. Datenpflege als Disziplin etablieren. Datenqualität ist kein Projekt, sondern ein Dauerzustand mit klaren Verantwortlichkeiten: Wer pflegt den Materialstamm? Wer validiert die Chargenzuordnung?
4. Auswertungsschicht aufbauen. Erst wenn Liefertreue, Verschnitt und Marge verlässlich gemessen werden und die Entscheider den Zahlen trauen, ist der Boden für KI bereitet.
5. KI gezielt einsetzen. Auf diesem Fundament entfaltet KI ihr Potenzial - als Prognose-, Automatisierungs- und Analyseinstrument: schnell, skalierbar, belastbar.

Fazit: Der erste Schritt ist Klarheit, nicht KI

KI ist keine Abkürzung. Die eigentliche Hausaufgabe lautet: tragfähige Daten und durchgängige Prozesse in einer integrierten Systemlandschaft. Wer dieses Fundament hat, wird mit KI messbare Wettbewerbsvorteile erzielen. Wer es nicht hat, riskiert, mit viel Budget sehr schnell sehr schlechte Ergebnisse zu erzielen. Deshalb beginnt der Weg mit Klarheit über den eigenen Stand.

Ob Ihr Fundament trägt, lässt sich prüfen - bevor investiert wird. Mit dem Data-&-AI-Readiness-Assessment bewertet Zirkel Technologies, ob Ihre SAP- oder Microsoft-Dynamics-365-Umgebung operative KI tragen kann: Stammdatenqualität, Schnittstellen- und Integrationsfähigkeit, Datenverfügbarkeit für Bestand, Anarbeitung, Termintreue und Preisbildung sowie die Anbindung an nachgelagerte Datenplattformen. Das Ergebnis ist eine priorisierte Liste: was trägt, was fehlt und welcher Anwendungsfall sich zuerst rechnet. So wird aus der Anfangsfrage ein belastbarer nächster Schritt.