Generative KI im Einkauf

Generative KI im Einkauf beschreibt den Einsatz großer Sprachmodelle wie GPT-4 von OpenAI, Gemini von Google, Claude von Anthropic oder offener Modelle wie Llama von Meta zur Erzeugung von Texten, Tabellen und Code für Beschaffungsaufgaben. Typische Use Cases sind Lastenhefte, RFQ-Texte, Vertragsklauseln, Verhandlungsleitfäden, Zusammenfassungen langer Lieferantenangebote und Übersetzungen.

Detaillierte Erklärung

Eine Hackett-Group-Erhebung 2024 unter Procurement-Executives zeigte, dass die wöchentliche Nutzung generativer KI in der Beschaffung von 50 Prozent (2023) auf 94 Prozent (2024) sprang, also 44 Prozentpunkte in zwölf Monaten. Die meistgenannten Anwendungsfälle waren Spend-Analytik und Dashboards mit 53,4 Prozent, RFP- und RFQ-Generierung mit 42,3 Prozent und Vertrags-Zusammenfassung mit 41,3 Prozent. Eine Deloitte-CPO-Befragung 2024 ergab, dass 11 Prozent der Organisationen jährlich mehr als 1 Mio. US-Dollar für generative KI ausgeben, weitere 22 Prozent planten dies für 2025. Rechtlich fallen Sprachmodelle nach EU 2024/1689 als General-Purpose-AI in eine eigene Kategorie mit Transparenz- und Urheberrechts-Pflichten, die seit 2. August 2025 wirksam sind. Methodisch flankiert die ISO/IEC 42001:2023 als KI-Managementsystem den Einsatz; das BSI-Leitpapier zu generativer KI von 2024 fordert Datenschutz-Folgenabschätzung, Output-Review und kontinuierliche Halluzinations-Prüfung. Datenschutzrechtlich sind die Standardvertragsklauseln (SCC) bei US-Anbietern und die Wahl EU-residenter Endpoints (Frankfurt europe-west3, Dublin) relevant.

Praxisbeispiel (konkretes Einkaufsszenario)

Ein Anlagenbauer mit 1.450 Mitarbeitenden und 320 Mio. Euro Beschaffungsvolumen führte 2024 generative KI auf Basis Gemini 2.5 mit Hosting in Frankfurt (europe-west3) ein. Die ersten drei Anwendungen waren RFQ-Generierung, Vertragsklausel-Vergleich und Lieferantenrecherche. Im Pilotbetrieb über 6 Monate sanken die Bearbeitungszeiten signifikant: RFQ-Erstellung von durchschnittlich 95 Minuten auf 28 Minuten je Vorgang, Vertragsprüfung von 240 Minuten auf 75 Minuten und Marktrecherche-Reports von 8 Stunden auf 2,5 Stunden. Bei 1.870 RFQs pro Jahr ergab das eine rechnerische Zeitersparnis von 2.085 Personentagen. Vor Produktivsetzung wurden drei Schutzschichten eingezogen: ein Prompt-Filter gegen Eingabe personenbezogener Mitarbeiterdaten, ein Output-Review für jede Klausel oberhalb 100.000 Euro Vertragswert und eine vierteljährliche Halluzinations-Stichprobe an 50 Outputs durch das Legal-Team. Die Genauigkeit der Klausel-Extraktion lag bei 91 Prozent, die Akzeptanzrate der RFQ-Entwürfe bei 78 Prozent ohne Nachbearbeitung.

Typische Fehler & Verhandlungskontext

Drei Fehlerklassen sind verbreitet. Erstens Halluzinationen: Sprachmodelle erfinden Lieferanten, DIN-Normen oder Vertragsklauseln, wenn Prompts zu offen formuliert sind; ohne Retrieval-Augmented-Generation gegen kuratierte Quellen liegt die Falschangabenrate in akademischen Tests aus 2024 bei 15 bis 30 Prozent. Zweitens Datenabfluss: Eingaben in öffentliche Endpunkte ohne Enterprise-Vertrag verlassen den DSGVO-Schutzraum; eine Untersuchung des bayerischen Datenschutzbeauftragten 2024 mahnte 12 mittelständische Unternehmen wegen genau dieses Musters ab. Drittens Urheberrecht: KI-generierte Texte sind in Deutschland nach BGH-Linie nicht schutzfähig, was bei kreativen Lastenheften zu Lizenzproblemen mit Lieferanten führen kann. Im Verhandlungskontext mit Anbietern wie OpenAI Enterprise, Google Vertex AI, Anthropic Claude Enterprise oder Microsoft Copilot for Procurement sollten vier Punkte vertraglich fixiert werden: kein Training auf Kundendaten, Hosting in EU (Frankfurt, Dublin oder Paris), abrechenbare Token-Obergrenzen und ein Audit-Recht auf Modellprotokolle gemäß EU AI Act Art. 53.

Verwandte Begriffe

Generative KI im Einkauf baut auf [[llm-procurement]] auf und ist die Klammer für Werkzeuge wie [[procurement-bot]], [[conversational-ai-einkauf]], [[ki-vertragsanalyse]] und [[document-intelligence-einkauf]]; ergänzt durch [[ml-spend-classification]] und [[algorithmic-sourcing]] im Methodenmix sowie regulatorische Leitplanken aus [[ki-ethik-einkauf]] und [[kuenstliche-intelligenz-einkauf]].