KI und menschliche Aufsicht verbessern die Lieferantenauswahl

KI-gestützte Lieferantenauswahl mit menschlicher Kontrolle

Globale Lieferketten sind heute stärker denn je von wirtschaftlichen, ökologischen und regulatorischen Unsicherheiten geprägt. Vor diesem Hintergrund wächst der Bedarf an Verfahren, mit denen sich Lieferanten schnell und zugleich fundiert bewerten lassen. Forschende der Constructor University haben dafür ein neues Rahmenwerk entwickelt, das die Analysefähigkeit von Large Language Models (LLMs) mit menschlicher Aufsicht verbindet. Die Studie mit dem Titel „A governed framework combining large language models and human oversight for supplier selection“ ist in der Fachzeitschrift Machine Learning with Applications erschienen.

Traditionell konzentrierte sich die Lieferantenauswahl vor allem auf Kosten, Qualität und Lieferzuverlässigkeit. Inzwischen müssen Beschaffungsteams jedoch deutlich mehr Faktoren berücksichtigen, darunter Nachhaltigkeit, regulatorische Anforderungen, operative Risiken, Resilienz und dynamische Marktbedingungen. Das an der Constructor University entwickelte Framework aus der Forschungsgruppe Emerging Technologies in Industrial Engineering (EITIE) soll diese Komplexität besser abbilden. Beteiligt waren Prof. Dr. Omid Fatahi Valilai, der Doktorand Mohammadreza Rezaei und der Masterstudent Sridhar Sreemulnath Iyer.

Aufgabenteilung zwischen KI, Regeln und Fachverantwortung

Das Konzept basiert auf einer klaren Trennung der Rollen. Die KI soll Informationen interpretieren, strukturieren und in natürlicher Sprache aufbereiten. Regelbasierte analytische Systeme übernehmen dort, wo feste Kriterien und numerische Bewertungen erforderlich sind. Die finale Verantwortung bleibt bei den Menschen in der Beschaffung.

Prof. Dr. Omid Fatahi Valilai beschreibt den Ansatz als Antwort auf eine zentrale Frage der aktuellen Technologieentwicklung: Wie lässt sich die Flexibilität und Schlussfolgerungsfähigkeit von KI nutzen, ohne Transparenz, Nachvollziehbarkeit und menschliche Verantwortung zu verlieren? Das Framework orientiert sich deshalb an agentischen und deklarativen Entscheidungsarchitekturen. Die KI kann veränderte Rahmenbedingungen auswerten und mögliche Handlungsoptionen formulieren. Welche Maßnahmen tatsächlich umgesetzt werden, bestimmen jedoch analytische Regeln und menschliche Governance.

Im Prozess unterstützt das LLM mehrere Schritte: Es interpretiert Beschaffungsanfragen, strukturiert Nachweise der Anbieter und erläutert Ergebnisse in verständlicher Sprache. An entscheidenden Stellen greifen Fachkräfte ein. So sollen die Geschwindigkeit und Skalierbarkeit der KI genutzt werden, ohne die Verantwortung für Annahmen, Belege und Entscheidungen aus der Hand zu geben.

Mohammadreza Rezaei betont, dass der Nutzen von KI in der Beschaffung nicht allein von der Menge verarbeiteter Daten abhängt. Entscheidend sei auch, ob Entscheidungsträger die Ergebnisse verstehen, prüfen und verantworten können. Deshalb sei das Framework so aufgebaut, dass jede Aufgabe dort verbleibt, wo sie am besten aufgehoben ist. Für numerische Bewertungen, die Durchsetzung von Einschränkungen und das Ranking von Lieferanten werden etablierte deterministische Verfahren weiterverwendet.

Vier Kontrollpunkte für die menschliche Prüfung

Das Modell sieht vier verpflichtende Prüfschritte durch Beschaffungsexperten vor:

  • Freigabe der zugrunde liegenden Daten
  • Prüfung von Szenarien und Gewichtungen
  • Bewertung der Relevanz von Evidenz
  • Genehmigung der endgültigen Entscheidung

Validierung anhand historischer Beschaffungsdaten

Um das Framework zu testen, wendete das Forschungsteam es retrospektiv auf 22.230 historische öffentliche Beschaffungsfälle aus Europa an. Ziel war es zu prüfen, wie häufig der ursprünglich ausgewählte Lieferant in den vom System erzeugten Top-Ergebnissen auftauchte. Dabei zeigte sich: Die Übereinstimmung der Rankings stieg deutlich, wenn beschaffungsspezifischer Kontext in die Daten einbezogen wurde. Dazu gehörten etwa Erfahrung des Lieferanten in der relevanten Kategorie, geografische Passung und frühere Geschäftsbeziehungen zum Käufer.

In diesen Fällen erschien der ursprünglich erfolgreiche Lieferant in rund 32 Prozent der Fälle unter den Top 10 des Frameworks. Wurde dagegen nur ein allgemeineres Set an Lieferantenmerkmalen verwendet, lag dieser Wert bei lediglich 5 Prozent. Das deutet darauf hin, dass Rankings deutlich aussagekräftiger werden, wenn sie die konkrete Beschaffungssituation berücksichtigen statt nur allgemeine Aktivität abzubilden.

Auch das LLM selbst wurde geprüft. Es lieferte in allen 1.000 Testläufen ein gültiges strukturiertes Ausgabeformat. Zudem erreichte es einen mittleren F1-Score von 0,928 bei der Evidenzextraktion. Das spricht für eine hohe Qualität beim Erkennen und Herauslösen relevanter Aussagen aus den Lieferantendokumenten.

Ein weiterer Test untersuchte, ob das Modell Rankings erklären kann, ohne sie zu verändern. In allen Fällen blieb die vom Framework festgelegte Rangfolge unverändert. Damit könnte das System dazu beitragen, die Begründung für eine bereits abgeschlossene Analyse verständlich darzustellen, ohne selbst in die Berechnung einzugreifen oder Ergebnisse unbemerkt zu verändern.

Einordnung der Ergebnisse

Die Resultate stützen insgesamt die vorgesehene Arbeitsteilung des Frameworks. Die KI übernimmt die effiziente Verarbeitung und Strukturierung von Informationen sowie die Erklärung von Ergebnissen. Programmierte analytische Werkzeuge erzeugen feste Scores und Rankings. Die menschlichen Fachkräfte prüfen die Evidenz und geben Entscheidungen frei, die wirtschaftliche Folgen haben.

Gleichzeitig machte die Studie Grenzen des Ansatzes sichtbar. Besonders dann, wenn Belege unvollständig, widersprüchlich oder nur eingeschränkt belastbar sind, bleibt menschliche Kontrolle unverzichtbar. Genau in solchen Fällen zeigt sich der Wert eines Systems, das Automatisierung nicht als Ersatz, sondern als Ergänzung fachlicher Verantwortung versteht.

Wissenschaftlicher Ansprechpartner

Originalpublikation

Weitere Informationen

Schreibe einen Kommentar