Rohstoffpreise im Griff – so hilft KI dem Mittelstand im Einkauf

Schwankende Preise erschweren die Beschaffung von Rohstoffen besonders in mittelständischen Unternehmen. KI-gestützte Prognosen können helfen, Preisentwicklungen, Unsicherheiten und Trendwenden frühzeitig zu erkennen und Einkaufsentscheidungen fundierter zu treffen. Der Artikel beschreibt am Beispiel von Stahlpreisen, wie solche Systeme funktionieren, welchen praktischen Nutzen sie bieten und wo ihre Grenzen liegen.

Eine Welt voller Preisrisiken

Wer heute Stahl, Metalle oder andere Rohstoffe einkauft, kennt das Problem: Die Preise schwanken stärker und unvorhersehbarer als je zuvor. Kriege, plötzliche Zollentscheidungen, der Umbau zur klimaneutralen Wirtschaft oder extreme Wetterereignisse – all das wirkt sich gleichzeitig auf globale Lieferketten aus. Ein Konflikt im Nahen Osten treibt die Energiepreise, ein neuer CO2-Grenzausgleich verteuert Importe, eine schlechte Ernte lässt Agrarrohstoffe explodieren. Da Energie- und Transportkosten in fast jedes Produkt einfließen, spüren am Ende fast alle Branchen solche Schocks – nur unterschiedlich stark.

Für den Großhandel kann das besonders kritisch werden, denn wird mit großen Mengen gehandelt, können schon kleine Preisbewegungen erhebliche wirtschaftliche Auswirkungen haben. Wer demnach frühzeitig erkennt, wohin sich ein Preis entwickelt, kann Einkäufe klüger timen, Lagerbestände optimal steuern und Kunden verlässlichere Konditionen anbieten.

Warum klassische Modelle an ihre Grenzen kommen

Traditionelle statistische Verfahren zur Preisprognose gehen von festen mathematischen Annahmen aus – etwa, dass sich Preise „linear“ entwickeln oder bestimmten Verteilungen folgen. In der Realität der Rohstoffmärkte, die von Angebot, Nachfrage, Wechselkursen, Politik und Konjunktur gleichzeitig beeinflusst werden, stimmen diese Annahmen selten. Künstliche neuronale Netze brauchen solche Vorannahmen nicht: Sie lernen die Zusammenhänge direkt aus den Daten und erkennen dabei auch komplizierte, nichtlineare Muster. Speziell für Zeitreihen entwickelte Verfahren wie sogenannte LSTM-Netze (Long Short-Term Memory) berücksichtigen zusätzlich, wie sich Ereignisse über die Zeit auswirken – kurzfristige Ausschläge genauso wie länger zurückliegende Trends.

Studien zeigen: Es gibt kein Patentrezept. Welches Modell am besten funktioniert, hängt vom jeweiligen Rohstoff ab – von seiner Schwankungsanfälligkeit, seiner Saisonalität und davon, wie stark externe Faktoren den Preis beeinflussen. Ein gutes Prognosesystem muss deshalb flexibel bleiben und sich immer wieder anpassen.

Preisunsicherheit durch KI-Prognosen sichtbar machen

Eine beispielhafte Studie verdeutlicht, wie ein praxisnahes KI-System für die Vorhersage von Stahlpreisen aussehen kann. Dafür wird seit 2020 das anonymisierte Marktwissen mehrerer mittelständischer Stahlgroßhändler und Daten zu verschiedenen Stahlsorten gesammelt und ausgewertet. Auf dieser Grundlage wird das Modell fortlaufend verbessert.

Da eine Prognose, die nur einen einzigen zukünftigen Preis nennt, für Einkaufsentscheidungen zu riskant wäre, zeigt das System mehrere mögliche Preisentwicklungen gleichzeitig – als sogenannte Unsicherheits-Heatmap. Diese Darstellung macht sichtbar, wo sich viele mögliche Preisverläufe „ballen“ und wo Lücken zwischen unterschiedlichen wahrscheinlichen Entwicklungen liegen. Das ist wichtiger, als es auf den ersten Blick erscheint: Gibt es zum Beispiel zwei getrennte Preiskorridore, die beide plausibel sind, würde ein simpler Mittelwert eine Entwicklung suggerieren, die gar keines der beiden Szenarien tatsächlich abbildet. Für Einkäufer:innen bedeutet das: Sie müssen sich bewusst für einen der wahrscheinlichen Pfade positionieren – etwa durch früheren oder späteren Einkauf – statt sich auf eine trügerische Durchschnittszahl zu verlassen.

Nachvollziehbarkeit statt Black Box

Ein KI-Modell nützt in der Praxis nur, wenn Einkäuferinnen und Einkäufer nachvollziehen können, warum eine bestimmte Prognose entsteht. In der Studie wird deshalb eine Sensitivitätsanalyse eingesetzt: Für jede Einflussgröße – etwa den Transportpreis oder einen Konjunkturindikator – wird berechnet, wie stark und in welche Richtung sich die Vorhersage ändert, wenn sich diese Größe verändert. Das Ergebnis wird ebenfalls als Heatmap dargestellt: Rot steht für einen positiven Zusammenhang (steigt der Faktor, steigt auch der Preis), Blau für einen negativen (steigt der Faktor, sinkt der Preis). Die Farbintensität veranschaulicht die Stärke des Zusammenhangs.

So wird transparent, welche Marktkräfte die aktuelle Prognose treiben – wichtiges Wissen, das Einkaufsabteilungen für ihre eigene Markteinschätzung nutzen können. Wichtig zu beachten: Diese Analyse zeigt gelernte Zusammenhänge des Modells, keine bewiesene Kausalität. Die fachliche Einordnung bleibt Aufgabe der Expertinnen und Experten im Unternehmen.

Trendwenden erkennen als entscheidender Faktor

Für die Praxis ist oft weniger der exakte Preis in 15 Wochen entscheidend, sondern ob sich ein Trend umkehrt – von fallend zu steigend oder umgekehrt. Solche Wendepunkte lösen im Einkauf meist ein verändertes Verhalten aus: Jetzt bevorraten oder abwarten? Daher wurde ein System entwickelt, das Preisverläufe in Kategorien einteilt (stark fallend, leicht fallend, konstant, leicht steigend, stark steigend) und erkennt, wenn sich die Prognose deutlich von der jüngsten Entwicklung unterscheidet – also eine mögliche Trendwende signalisiert.

Zahlt sich das wirklich aus?

Die entscheidende Frage für jedes Unternehmen: Lohnt sich der Aufwand? Die Forschungsergebnisse sprechen dafür:

Historische Tests: Das eingesetzte KI-Verfahren (ein sogenanntes HCNN, eine Variante rekurrenter neuronaler Netze) lieferte über verschiedene Stahlsorten hinweg deutlich genauere Prognosen als einfache Vergleichsverfahren – die Verbesserung entspricht je nach Stahlsorte einem Vorsprung von rund sechs bis acht Wochen gegenüber einer simplen „Es bleibt, wie es ist“-Annahme.
Simulierte Beschaffung: In einer Simulation, die reale wöchentliche Bestellentscheidungen nachbildet, führte das KI-Modell zu den niedrigsten durchschnittlichen Beschaffungskosten im Vergleich zu einer Just-in-Time-Beschaffung ohne Prognose. Besonders in Phasen stark steigender Preise zahlte sich frühzeitiges Bevorraten aus – dort brachte der KI-gestützte Ansatz den größten Unterschied. In ruhigeren, flachen Preisphasen lagen die Verfahren dichter beieinander. Fazit: Nicht die exakte Punktgenauigkeit zählt, sondern das rechtzeitige Erkennen von Trends und Wendepunkten.
Echtzeit-Praxistest: Seit Januar 2023 wurden monatlich reale Prognosen erstellt – also nicht rückblickend „geschönt“, sondern unter echten Bedingungen. Auch hier zeigte sich über die Zeit eine spürbare Verbesserung der Prognosequalität, besonders in weniger turbulenten Marktphasen.

Grenzen realistisch einordnen

So leistungsfähig KI-Prognosen sind – sie bleiben abhängig von den Daten, mit denen sie trainiert wurden. Ereignisse, die es in dieser Form noch nie gab – ein neuer Krieg, eine Pandemie, eine überraschende politische Entscheidung – kann kein Modell zuverlässig vorhersehen. Eine KI-Prognose ersetzt deshalb nicht das Wissen erfahrener Einkäuferinnen und Einkäufer über aktuelle Entwicklungen wie neue Zölle oder Werksschließungen. Sie ist ein zusätzliches, datengestütztes Werkzeug – am wirkungsvollsten in Kombination mit menschlicher Markterfahrung.

Was heißt das für Ihr Unternehmen?

Auch wenn diese Studie speziell für Stahl entwickelt wurde, lässt sich das Grundprinzip auf viele andere Rohstoffe übertragen. Für kleine und mittlere Unternehmen lohnt sich ein Blick auf folgende Fragen:

Welche Rohstoffe machen bei uns den größten Anteil der Beschaffungskosten aus?
Gibt es historische Preisdaten und relevante Einflussgrößen, die sich systematisch auswerten lassen?
Wäre eine frühzeitige Trendwarnung für unsere Lager- und Einkaufsplanung wertvoll?

KI-gestützte Prognosen sind kein Allheilmittel gegen Marktturbulenzen – aber sie können bei richtigem Einsatz den entscheidenden Vorsprung liefern, um auf Preisbewegungen vorbereitet zu reagieren, statt überrascht zu werden.