KI im B2B-Großhandel und in der Distribution: Wie der deutsche Mittelstand 2026 seine Marge verteidigt

Um 08:17 Uhr an einem Montagmorgen öffnet die Leiterin Category Management bei einem Mittelstands-Fachgroßhändler im Ruhrgebiet ihr Dashboard. Umsatz flach gegenüber Vorjahr. Bruttomarge minus 80 Basispunkte. Die Top-10-Kunden kaufen weniger und reklamieren mehr. Der Long Tail kauft wie im Vorjahr - aber jeder Auftrag kostet mehr in der Bearbeitung. Der CFO hat einen schriftlichen Plan eingefordert. Der erste Reflex: Pricing-Berater anrufen. Der zweite: schauen, wo noch Kosten gehen. Der dritte - und der einzige, der die Kurve wirklich ändert - rauszufinden, wo KI hineinpasst.

Das ist die Realität des deutschen B2B-Großhandels 2026. Der Bundesverband Großhandel prognostiziert 0,7 Prozent reales Wachstum, die Beschäftigung schrumpft - die Branche hat in zwei Jahren 34.000 Stellen verloren, und 27 Prozent der Großhändler planen weitere Reduzierungen¹. Hersteller drängen direkt zum Kunden. Sonepar und Würth investieren massiv in KI. Amazon Business setzt einen Preis-und-Verfügbarkeits-Maßstab, den kleine Großhändler nicht durch mehr Personal kontern können. Der Mittelstands-Großhandel hat rund zwei Jahre, um die operative KI-Schicht einzubauen, die die Marge verteidigt - oder zuzusehen, wie sie zu den Plattformen abwandert.

Dieser Artikel ist ein praktischer Leitfaden für genau diese operative KI-Schicht. Sieben Use Cases mit hohem ROI für B2B-Großhandel, die ehrliche Build-vs-Buy-Entscheidung, wie ein Agent auf SAP, abas, proALPHA oder Dynamics konkret aussieht, und ein 90-Tage-Plan zum Live-Gang des ersten Agenten.

Warum der deutsche Großhandel KI jetzt braucht

Der deutsche Großhandel generiert 2026 etwa 1,71 Billionen Euro Umsatz¹. Allein der Produktionsverbindungs-Großhandel (der Segment, das Industrie, Bau, technische Handwerker und MRO beliefert) liegt bei rund 860 Milliarden Euro. Das ist das wichtigste Segment der Mittelstands-Wertschöpfungskette - und es steht gleichzeitig unter Druck aus vier Richtungen, die alle strukturell sind, nicht zyklisch.

Die vier Kräfte, die die Großhandelsmarge zusammendrücken

• Hersteller-Direct-to-Customer - Marken, die früher von Distributoren abhingen, verkaufen jetzt direkt über eigene E-Commerce-Plattformen, Marktplätze oder Hybridmodelle. Distributoren verlieren den einfachen Anteil und müssen ihre Existenz mit Service, Breite und Verfügbarkeit rechtfertigen - alles erfordert operative Effizienz.
• Plattform-Preistransparenz - Amazon Business und vergleichbare B2B-Plattformen setzen die Käufererwartung zu Preis und Verfügbarkeit. Mittelständler können nicht über Preis gewinnen, aber die Vergleichbarkeit auch nicht ignorieren. Pricing muss gleichzeitig marktbewusst und kundenspezifisch sein.
• Personalverdichtung - Der Großhandel hat zwischen Oktober 2023 und Oktober 2025 34.000 Stellen verloren, und 27 Prozent der Großhändler planen 2026 weitere Reduzierungen gegen nur 11 Prozent, die Neueinstellungen erwarten¹. Die Arbeit verschwindet nicht - sie muss mit weniger Personen oder über Software erledigt werden.
• Veränderte Kundenerwartung - B2B-Käufer, insbesondere die nächste Generation, die Mittelstands-Kundenkonten übernimmt, erwartet Amazon-Business-Suchqualität, Preistransparenz, Echtzeit-Verfügbarkeit und Self-Service. Das traditionelle Aussendienst-plus-Katalog-Modell funktioniert für die Top 20 Prozent der Kunden und ist für den Long Tail kaputt.

Was die grössten Distributoren tun

• Sonepar - Nutzt KI, um Kunden Alternativprodukte vorzuschlagen, Kundenverhalten vorherzusagen und Aussendienst mit datenbasierten Empfehlungen zu unterstützen⁷. Mehrjähriges Digitalisierungs-Programm.
• Würth Group - 24 Milliarden Dollar Umsatz 2025⁷. Investiert massiv in E-Commerce, App-basierten Self-Service, kundenspezifisches Pricing und proprietäre digitale Tools über Länder und Vertikalen hinweg.
• Berner und Hoffmann Group - Aggressive PIM-Modernisierung, Dynamic Pricing auf technischen Sortimenten, agentengestützte Auftragserfassung, automatisierte After-Sales-Upsells.
• Amazon Business - Setzt den Boden für Suchqualität, Preistransparenz, Lieferversprechen und Self-Service im B2B. Die Referenz-Erfahrung, die jeder Mittelstands-Käufer privat hat.

Der deutsche Mittelstands-Großhandel-Kontext

• Long Tail an SKUs - Die meisten Mittelständler führen 50.000 bis 500.000 aktive SKUs. Pricing, Attributpflege und Verfügbarkeit über den Long Tail sind das operative Rückgrat - und das höchste KI-ROI-Ziel.
• Long Tail an Kunden - Die Top 20 Prozent der Kunden treiben 80 Prozent des Umsatzes. Die übrigen 80 Prozent verschlingen den Grossteil der Auftragsbearbeitungskosten. KI rechnet sich vor allem in diesem Long Tail.
• Telefon, E-Mail, Fax-Scan dominieren noch - 30 bis 60 Prozent des Auftragsvolumens im Mittelstands-Großhandel kommen noch per Telefon, E-Mail oder PDF. Diesen Kanal zu modernisieren, ohne die Beziehung zu verlieren, ist der praktische KI-Startpunkt.
• Aussendienst als Beziehungsanker - Die Mittelstands-Großhandel-Kundenbeziehung wird über den Gebietsverkaufsleiter gebaut. KI ergänzt den Aussendienst, ersetzt nie. Unternehmen, die das Gegenteil versuchen, verlieren den Top-Kundenumsatz.
• SAP, abas, proALPHA, Sage, Microsoft Dynamics - Die ERP-Landschaft ist heterogen. Custom-KI-Agenten integrieren sich über stabile APIs über alle hinweg. Eingebettete Hersteller-KI (SAP Joule, Dynamics Copilot) hilft bei ERP-internen Workflows, aber sie überquert nicht von alleine zu PIM, CRM, E-Mail oder Kundenportal.

Wo die Marge wirklich entsteht

Großhandelsmarge wird in einer kleinen Zahl wiederkehrender operativer Entscheidungen gebaut oder zerstört. Zu verstehen, wo die Marge wirklich lebt, ist die Voraussetzung, um KI richtig einzusetzen. Drei Stellen dominieren.

1. Preisentscheidungen über Kunden und SKUs

Ein Mittelstands-Großhändler mit 50.000 Kunden und 100.000 SKUs läuft auf rund 5 Milliarden möglichen Kunden-SKU-Preiskombinationen. In der Praxis werden die meisten Preise über Rabattmatrizen gesetzt, die seit Jahren nicht optimiert wurden. Manche Kunden sind unterbepreist (Margen-Leckage). Manche Preise liegen über Markt (verlorene Anteile). Manche Bundles sind falsch kalkuliert. KI-getriebenes Pricing identifiziert die Hebel-Korrekturen innerhalb von Wochen.

2. Bestandsdisposition über SKUs und Standorte

Bestand in Slow Movern bringt keine Marge. Stock-Outs bei Top Sellern verlieren Aufträge an den nächstbesten Distributor. Mittelstands-Großhändler haben typischerweise 15 bis 30 Prozent Überbestand im Long Tail und 3 bis 8 Prozent Stock-Out-Frequenz auf Top Movern. Multi-Echelon-KI-Bestandsplanung schliesst beide Lücken gleichzeitig.

3. Auftragsbearbeitungskosten über den Long Tail

Manuelle Auftragsbearbeitung - Anrufe, E-Mail-Bestellungen, PDF-Bestellungen, Ausnahmen - kostet typisch 4 bis 12 Euro pro Auftrag. Bei einem Großhändler mit 200.000 Aufträgen pro Jahr sind das 800.000 bis 2,4 Millionen Euro reine Betriebskosten. Diesen Kanal über Voice-Agenten und Document AI zu modernisieren, entfernt den grössten Teil der variablen Kosten, ohne die Beziehung zu entfernen.

Sieben Use Cases mit hohem ROI

Die Use Cases unten sind nach typischem Mittelstands-Großhandel-ROI in den ersten 12 Monaten nach Deployment sortiert. Jeder Use Case integriert sich in den bestehenden ERP-, PIM-, CRM- und Auftragsstack - keiner verlangt, Kernsysteme zu ersetzen.

Use Case 1: Kundenspezifisches Dynamic Pricing

• Was der Agent tut - Liest Kundenkaufhistorie, Zahlungsbereitschafts-Signale, Vertragsbedingungen, Wettbewerbsdaten, Bestandsposition und Zielmarge. Schlägt kundenspezifische Preise für neue Angebote vor und empfiehlt Preislisten-Anpassungen für Bestandskonten.
• Wo er sitzt - Über ERP und CRM. Der Agent liest Transaktionshistorie und Bestand aus dem ERP, Vertragsbedingungen aus dem DMS, Kundeninteraktionen aus dem CRM, und schreibt den Preisstamm über ordentliche Schnittstellen zurück ins ERP.
• Was er entfernt - Die 3-Jahre-alte Rabattmatrix, die nicht nachjustiert wurde. Den Category Manager, der Preise in Spreadsheets über Tausende SKUs aktualisieren muss.
• Typischer ROI - 2 bis 4 Prozent Umsatz als Marge zurückgewonnen². Auf einem 200M-Euro-Buch sind das 4 bis 8M Euro jährlich.
• Time-to-ROI - 4 bis 8 Monate ab Deployment.

Use Case 2: Multi-Echelon-Bestandsdisposition

• Was der Agent tut - Liest Absatzgeschwindigkeit pro SKU pro Standort, Lieferanten-Lieferzeiten, aktuellen Bestand, Wareneingang, Kundenbestellungen, Saisonalität, Lieferantenzuverlässigkeit. Schlägt Bestellmengen und Termine über Zentrallager und Niederlassungen vor.
• Wo er sitzt - Über ERP / WMS. Liest transaktionale Daten, empfiehlt Bestellanforderungen, schreibt über APIs zurück.
• Was er entfernt - Überbestand bei Slow Movern (typisch 15 bis 30 Prozent). Stock-Outs bei Top Movern (typisch 3 bis 8 Prozent). Manuelle Dispositionsarbeit im Einkaufsteam.
• Typischer ROI - 10 bis 20 Prozent Bestandsreduktion plus 20 bis 40 Prozent weniger Stock-Outs.
• Time-to-ROI - 6 bis 12 Monate.

Use Case 3: Eingehende Auftragsverarbeitung (E-Mail, PDF, Voice)

• Was der Agent tut - Liest eingehende Auftragsmails und PDFs, identifiziert Kunde und Lieferadresse, validiert SKUs und Mengen, prüft Bestand und Preise, entwirft den Verkaufsauftrag. Voice-Agenten handhaben das Telefon-Äquivalent für bekannte Kundenbestellungen.
• Wo er sitzt - Zwischen dem eingehenden Kanal (Sammelpostfach, Telefon, Kundenportal) und dem ERP.
• Was er entfernt - 30 bis 70 Prozent der Innendienstzeit, der grösste variable Kostenblock in der Long-Tail-Auftragsbearbeitung.
• Typischer ROI - 4 bis 12 Euro pro Auftrag reduziert auf 0,50 bis 2 Euro. Volle FTE entfernt pro ~5.000 monatlichen Aufträgen.
• Time-to-ROI - 3 bis 6 Monate.

Use Case 4: Aussendienst-Co-Pilot

• Was der Agent tut - Bereitet für jeden Kundenbesuch ein Briefing: jüngste Bestellungen, Churn-Risiko-Score, Next-Best-Offer, offene Reklamationen, Vertragsverlängerungen, Wettbewerbsaktivität. Nach dem Besuch entwirft er Follow-up und Angebot.
• Wo er sitzt - Über CRM, ERP und Auftragshistorie. Liefert ins mobile CRM oder ins Vorbesuchs-Briefing des Aussendienstmitarbeiters.
• Was er entfernt - 5 bis 10 Stunden pro Aussendienstmitarbeiter pro Woche Vorbereitung und Follow-up. Wichtiger: verpasste Cross-Sell- und Churn-Vermeidungs-Chancen, die der Mitarbeiter sonst nicht sieht.
• Typischer ROI - 5 bis 15 Prozent Uplift auf Cross-Sell plus 10 bis 25 Prozent Churn-Reduktion auf gefährdete Accounts.
• Time-to-ROI - 6 bis 12 Monate.

Use Case 5: Long-Tail-Customer-Service und Self-Service

• Was der Agent tut - Beantwortet Kundenfragen zu Auftragsstatus, Lieferung, Rechnungen, Retouren, technischen Spezifikationen, Alternativprodukten. Arbeitet in E-Mail, Chat, Kundenportal und (wo passend) Voice.
• Wo er sitzt - Über ERP (Auftrags-, Liefer-, Rechnungsdaten), PIM (Produktspezifikationen, Alternativen), DMS (Datenblätter, Zertifikate).
• Was er entfernt - 50 bis 80 Prozent des routinemässigen Customer-Service-Inputs. Die verbleibenden 20 bis 50 Prozent sind die urteilsschwere Arbeit, die Menschen behalten sollten.
• Typischer ROI - Volle FTE entfernt pro 8.000 bis 12.000 monatlichen Customer-Service-Tickets.
• Time-to-ROI - 4 bis 8 Monate.

Use Case 6: PIM-Anreicherung und Produktstammdaten-Hygiene

• Was der Agent tut - Liest Lieferantendatenblätter, Herstellerwebsites, Wettbewerbskataloge, bestehende Produktbeschreibungen. Reichert Attribute (technische Specs, Anwendungsbereiche, Cross-References, Suchbegriffe, Marketingtexte) an. Markiert Dubletten und Inkonsistenzen zur Prüfung.
• Wo er sitzt - Über dem PIM. Liest bestehende Daten, holt externen Kontext, schlägt Attribut-Updates zur menschlichen Freigabe vor.
• Was er entfernt - Die 2 bis 5 FTE pro Mittelstands-Großhändler, die typisch für manuelle PIM-Pflege gebunden sind. Plus die Such- und Empfehlungsqualitätsverluste durch unvollständige Attribute.
• Typischer ROI - 50 bis 80 Prozent der manuellen PIM-Arbeit entfernt. Such-Konversions-Uplift im Kundenportal von 10 bis 25 Prozent.
• Time-to-ROI - 4 bis 8 Monate.

Use Case 7: Lieferantenverhandlungs-Vorbereitung

• Was der Agent tut - Stellt Kategoriehistorie, Lieferantenperformance (Liefertreue, Qualität, Preiserhöhungen), Wettbewerbs-Benchmark, interne Nutzungsprognosen und aktuelle Vertragsbedingungen zusammen. Entwirft das Verhandlungs-Briefing und die Ziel-Term-Sheet.
• Wo er sitzt - Über ERP (Beschaffungshistorie), DMS (Verträge), CRM (Lieferanteninteraktionen), externe Quellen (Marktpreise).
• Was er entfernt - Die 20 bis 40 Stunden pro Kategorieverhandlung, die Einkäufer typisch für Vorbereitung verbringen. Plus die Verhandlungs-Ergebnisse, die ohne vollständige Daten auf dem Tisch geblieben wären.
• Typischer ROI - 0,5 bis 2 Prozent Beschaffungskostenreduktion über die vorbereiteten Kategorien.
• Time-to-ROI - 6 bis 12 Monate.

Build vs Buy: Die drei Wege

Jeder Mittelstands-Großhändler wählt zwischen drei Wegen, KI in den Operations-Stack zu bringen. Die richtige Antwort hängt vom Use Case, der internen Fähigkeit und dem Differenzierungsgrad jedes Workflows ab.

Weg 1: ERP-eingebettete Hersteller-KI (SAP Joule, Dynamics Copilot)

• Was Sie bekommen - Agentische Funktionen im ERP, reasonen auf den Daten, die das ERP sieht. SAP Joule deckt Cash Management, Production Planning, Order Reliability ab. Dynamics Copilot deckt Sales, Service, Finance, Supply Chain ab.
• Wo es passt - Workflows, die im ERP bleiben. Cloud-Editionen des ERP. Großhändler, die Anbieterbeziehungen konsolidieren wollen.
• Wo es nicht passt - Workflows, die zu PIM, CRM, E-Mail, Kundenportal kreuzen. ERP-Editionen noch On-Prem (vor allem ECC). Differenzierende Pricing-Logik.
• Typische Kosten - Im Bundle oder moderat zur bestehenden ERP-Lizenz, plus nutzungsbasierter Verbrauch. Versteckter Kostenpunkt: die Cloud-Migration, die oft erst den Agenten freischaltet.

Weg 2: Spezialisierte Großhandel- und Pricing-SaaS

• Was Sie bekommen - Best-in-Class in einer engen Domäne. Pricefx, Vendavo, PROS für Pricing. Slimstock, ToolsGroup, Relex für Disposition. Qymatix für Mittelstand-fokussierte B2B-Sales-Analytik. Sana, Spryker, commercetools für B2B-Commerce. Mirakl für B2B-Marktplätze.
• Wo es passt - Wenn Sie einen spezifischen Use Case haben (meist Pricing oder Disposition), der Workflow weitgehend in sich geschlossen ist und Sie Hersteller-Reife über mehrjährige Horizonte wollen.
• Wo es nicht passt - Use-Case-übergreifende Workflows. Differenzierende Logik, die der Hersteller nicht auf Ihren konkreten Prozess anpasst. Großhändler, die keine weitere Anbieterbeziehung wollen.
• Typische Kosten - 50.000 bis 500.000 Euro pro Jahr für die Spezialplattform, plus Implementierungskosten, plus Integrationskosten zurück ins ERP / PIM.

Weg 3: Custom-KI-Agenten auf Ihrem Stack

• Was Sie bekommen - Eine Agentenschicht, gebaut für Ihre Workflows, sitzend über ERP, PIM, CRM, DMS, E-Mail, Kundenportal. Use-Case-übergreifend, systemübergreifend, portierbar über ERP-Editionen, und der Agent gehört Ihnen statt gemietet zu sein.
• Wo es passt - Wenn Use Cases Systeme kreuzen. Wenn Pricing-Logik oder Aussendienst-Workflow differenzierend ist. Wenn Sie mitten in einer ERP-Migration sind (vor allem ECC zu S/4HANA). Wenn Sie IP und Daten in-house behalten wollen.
• Wo es nicht passt - Wenn Use Cases wirklich in sich geschlossen sind und ein Spezial-SaaS das schon gut macht. Wenn das Volumen zu klein für einen Custom-Build ist.
• Typische Kosten - 50.000 bis 150.000 Euro pro Use Case für den Build, plus 3.000 bis 10.000 Euro pro Monat pro aktivem Agenten für die Plattform, plus LLM-Inferenz im Cent-Bereich pro Task.

Der ehrliche 3-Jahres-Kostenvergleich

Nehmen wir einen Mittelstands-Großhändler mit 200 Millionen Euro Umsatz, 80.000 aktiven SKUs, 12.000 aktiven Kunden und 200.000 Aufträgen pro Jahr über Telefon, E-Mail, PDF, EDI und Kundenportal. Drei Jahre auf drei Wegen.

Was nicht in der Tabelle steht

• Verbesserte Kundenerfahrung - Bessere Suche, schnellere Angebote, Echtzeit-Bestandstransparenz. Schwer in Zahlen, aber Kunden bleiben länger.
• Aussendienst-Bindung - Vertriebler mit funktionierendem Co-Pilot bleiben länger als Vertriebler, die sich gegenüber Plattform-Wettbewerb unterausgerüstet fühlen.
• Audit und Compliance - GoBD, EU AI Act, DSGVO-Logging als Nebenprodukt einer strukturierten Agentenschicht.
• Strategische Optionalität - Mit einer Agentenschicht ist der nächste Use Case ein 2-Monats-Projekt, kein Jahresprojekt mehr.

Die ERP-plus-PIM-plus-Agent-Architektur

Fast jedes Mittelstands-Großhandel-KI-Deployment, das die ersten 18 Monate überlebt, landet in derselben Architektur: ERP und PIM bleiben Systems of Record, Agenten sitzen darüber und lesen und schreiben über stabile APIs. Die Architektur respektiert GoBD, EU-AI-Act-Auditpflichten und die operative Realität eines heterogenen IT-Stacks.

Der vier-schichtige Großhandels-Stack

• Schicht 1: Externe Eingänge und Kanäle - Kunden-E-Mail und -Portale, Lieferanten-E-Mail und -Portale, EDI, E-Rechnungs-Eingang, Telefon, Fax-Scan, Marktplätze. Der unstrukturierte Rand der Operations.
• Schicht 2: KI-Agenten - Lesen den eingehenden Verkehr, reasonen über Kontext über ERP plus PIM plus CRM plus E-Mail, entwerfen Vorschläge, schreiben zurück in die Systems of Record. Die neue Reasoning-Schicht.
• Schicht 3: ERP, PIM, CRM, DMS, Banking - SAP, Dynamics, abas, proALPHA, Sage; PIM (Akeneo, Stibo, inriver, Pimcore); CRM (Salesforce, HubSpot, Custom); DMS; DATEV. Die Systems of Record für Transaktionen, Stammdaten und Audit.
• Schicht 4: Ausgang und Pflichten - E-Rechnungs-Ausgang, regulatorische Meldungen, Jahresabschlüsse, Versandbenachrichtigungen, Kundenportal-Daten, Partner-EDI. Das auditierte Downstream der Operations.

Wo der Agent liest und schreibt

EU AI Act, DSGVO und Betriebsrat

B2B-Großhandel-KI sitzt komfortabel im EU-Regulierungsrahmen, wenn sie bewusst designt ist. Die zwei Gründe, warum Deployments im Compliance-Review scheitern, sind (1) B2B wie B2C zu behandeln und (2) Betriebsrats-Mitbestimmung bei Aussendienst-Leistungsdaten zu ignorieren.

EU-AI-Act-Klassifikation für Großhandels-Use-Cases

• Minimal oder limited risk - Kundenspezifisches Pricing auf B2B-Verträgen, Bestandsdisposition, Aussendienst-Co-Pilot, eingehende Auftragsverarbeitung, PIM-Anreicherung, Lieferantenverhandlungs-Vorbereitung, Customer-Service-Automatisierung. Alle Standard-Großhandel-Workflows liegen hier.
• High risk - KI-Scoring einzelner Aussendienstler-Leistung für HR-Entscheidungen; Kreditentscheidungen über Endverbraucher (im Großhandel selten); biometrische Verifikation am Lager.
• Verboten - Social Scoring von Kunden, unterschwellige Manipulation, biometrische Echtzeit-Identifikation. Nichts davon kommt im legitimen Großhandel vor.
• Logging-Pflicht (Artikel 12) - Auch für limited-risk-Systeme: loggen, was der Agent gemacht hat, auf welchen Daten, mit welchem Ergebnis. Standard in jeder Agentenplattform - kostenloses Compliance-Nebenprodukt.

DSGVO-Überlegungen

• B2B-Vertragsdaten sind meist Unternehmensdaten, keine personenbezogenen Daten - Kundenkaufmuster auf Unternehmensebene sind keine personenbezogenen Daten unter DSGVO. Daten zu einzelnen Kontaktpersonen (Vertriebler, Einkäufername, E-Mail) schon.
• Datenminimierung - Agenten lesen nur die Daten, die für die konkrete Entscheidung nötig sind. Pricing-Agenten müssen keine Rechnungspositions-PII lesen.
• EU-Deployment - Agent-Infrastruktur in der EU gehostet. Daten verlassen den definierten Perimeter nicht. Standard bei seriösen Agentenplattformen.
• Recht auf Löschung - Wenn ein Kunde oder Kontakt im ERP gelöscht wird, darf der Agent ihn nicht behalten. Standard-Agent-Memory-Architektur regelt das.

Betriebsrat-Überlegungen

• Die meisten Großhandels-Agenten sind aggregiert - Sie messen Team, Gebiet, Kunde oder SKU - nicht individuelles Aussendienst-Verhalten. Das ist der einfachste Weg.
• Aussendienst-Co-Pilot braucht Sorgfalt - Wenn der Agent individuelle Angebotskonversionsraten oder Zuordnungen ausweist, ist das Mitbestimmungsterritorium. Den Co-Piloten so designen, dass er kundenseitige Metriken (Churn-Risiko, NPS, Next-Best-Offer) statt vertrieblerseitiges Scoring zeigt.
• Anrufaufzeichnung bei Voice-Agenten - Standard-deutsche Regeln gelten (Ansage, Einwilligung, Aufbewahrungsregeln). Der Agent gehorcht denselben Regeln wie eine Aufzeichnungslösung.
• Frühe Konsultation zahlt sich aus - Den Betriebsrat zu Projektbeginn zu briefen, nicht am Ende, ist der Unterschied zwischen 3 Monaten Verzögerung und keiner Verzögerung.

Wie Superkind hineinpasst

Superkind baut Custom-KI-Agenten, die auf bestehenden Mittelstands-Großhandelsstacks sitzen - SAP, Dynamics, abas, proALPHA, Sage, Infor und den PIM-, CRM-, DMS- und E-Mail-Systemen daneben. Wir ersetzen das ERP nicht. Wir bauen die Reasoning-Schicht, die den bestehenden Stack gegen Direct-to-Customer-Druck und Plattformwettbewerb verteidigungsfähig macht.

Kernfähigkeiten für Großhandelsumgebungen

• ERP-Abdeckung - SAP S/4HANA, ECC, Business One; Dynamics 365 Business Central, Finance and Operations; abas, proALPHA, Sage, Infor. Stabile Schnittstellen (BAPI, RFC, OData, IDoc, REST, MCP), portierbar über Editionen und durch ERP-Migration.
• PIM und Produktdaten - Akeneo, Stibo, inriver, Pimcore, ERP-interne PIMs. Agenten reichern Attribute an, schlagen Cross-References vor, finden Dubletten, generieren Marketingtexte zur menschlichen Freigabe.
• CRM und Vertriebstools - Salesforce, HubSpot, Microsoft Dynamics CRM, Custom. Agenten bereiten Besuchs-Briefings vor, entwerfen Follow-ups, zeigen Churn-Risiko, schlagen Next-Best-Offer vor.
• Eingehende Kanäle - E-Mail, PDF, EDI, Kundenportal, Telefon (Voice-Agenten). Agenten lesen den Eingang und konvertieren ihn in strukturierte ERP-Transaktionen zur menschlichen Prüfung oder zum Auto-Buchen innerhalb Befugnis.
• DATEV und Finance-Peripherie - DATEV-Schnittstelle, Banking-Integrationen, E-Rechnungs-Portale. Agenten bringen den Finance-Perimeter in einen Reasoning-Kontext.
• Kundenspezifische Pricing-Engine - Agenten reasonen über Zahlungsbereitschafts-Signale, Vertragsbedingungen, Wettbewerbsdaten, Zielmarge. Schlagen kundenspezifische Preise und Preislisten-Updates zur Category-Manager-Freigabe vor.
• Multi-Echelon-Dispositions-Reasoning - Agenten lesen Absatzgeschwindigkeit, Lieferzeiten, Lieferantenzuverlässigkeit, Wareneingang und schlagen Bestellanforderungen über Zentrallager und Niederlassungen vor.
• Human-in-the-Loop-Checkpoints - Sie definieren, welche Entscheidungen Freigabe brauchen und bei welcher Konfidenz. Agenten eskalieren mit Kontext. Kritisch für Pricing, Disposition und EU-AI-Act-Konformität.
• Audit Trail und Artikel-12-Logging - Jede Agentenentscheidung wird geloggt. Das Agent-Log ergänzt ERP- und PIM-Audit-Trails statt sie zu ersetzen.
• EU-Deployment und DSGVO-Konformität - Agenten laufen auf EU-Cloud oder Ihrer eigenen Infrastruktur. Daten verlassen den definierten Perimeter nicht.
• 8 bis 12 Wochen bis zur ersten Produktionsimplementierung - Von der Prozessanalyse bis zum Live-Betrieb auf einem fokussierten ersten Use Case. Keine mehrjährige Transformation.

Der 90-Tage-Plan

Dieser Plan deckt die Auswahl des richtigen ersten Use Case, die Datenvalidierung, das Deployment des Agenten mit eingeschränktem Scope und das Erreichen erstem messbaren Großhandelswertes ab. Nutzen Sie ihn, um Category Management, Vertriebsleitung, IT und Finance in einem Raum auszurichten.

Wochen 1 bis 3: Use-Case-Auswahl und Datenaudit

• Die drei grössten Margen-Leckagen quantifizieren - Preis-Dispersion über Kunden, Auftragsbearbeitungskosten pro Auftrag, Churn-Rate auf gefährdeten Konten, PIM-Vollständigkeit, Stock-Out-Frequenz. Zahlen, keine Meinungen.
• Drei Kandidaten-Use-Cases aus den sieben auswählen - Jeden auf Umsatzhebel, Deployment-Komplexität, Datenreife und organisatorische Reife bewerten.
• Einen Use Case für den 90-Tage-Pilot wählen - Bias zu eingehender Auftragsverarbeitung oder kundenspezifischem Pricing als bewährte Mittelstands-Starter.
• Die Stammdaten prüfen, die der Use Case braucht - Kunden-, Material-, Preisstamm, Transaktionshistorie. Lücken identifizieren.
• API-Zugang bestätigen - ERP (BAPI, OData, RFC, IDoc, REST, MCP), PIM, CRM, E-Mail, Kundenportal. Integrationsplan dokumentieren.
• Betriebsrat briefen, wenn Mitarbeiterdaten berührt werden - Die meisten Großhandels-Use-Cases bleiben aussen vor. Aussendienst-Co-Pilot braucht frühe Konsultation.

Wochen 4 bis 8: Bauen und Testen

• Detailliertes Prozess-Mapping - Inputs, Outputs, Entscheidungspunkte, System-Berührungen, Ausnahmetypen, Eskalations-Trigger. Die Arbeit, die das Deployment erfolgreich macht.
• Agent-Build gegen das Prozess-Mapping - Prompt- und Tool-Design, Integrations-Setup, Eskalationsschwellen, Human-in-the-Loop-Checkpoints, Audit-Logging.
• Test gegen reale historische Fälle - Aufträge, Angebote und Customer-Service-Tickets des letzten Quartals ziehen. Den Agenten dagegen laufen lassen. Mit menschlichen Outputs vergleichen.
• Ausnahmebehandlung validieren - Wo Konfidenz niedrig ist, muss der Agent mit Kontext eskalieren. Die härtesten Fälle sind der echte Test.
• GoBD- und DSGVO-Logging bestätigen - Jede Entscheidung wird geloggt. EU-AI-Act-Artikel-12-Pflichten abgedeckt.
• Team schulen - Innendienst, Category Management, Aussendienst, Customer Service. Hands-on-Workflow für die Prüfung und Korrektur der Agent-Outputs.

Wochen 9 bis 12: Produktion und Lernen

• Auf eingeschränkten Scope deployen - 20 Prozent der eingehenden Aufträge, ein Kundensegment, eine Produktkategorie. Parallelbetrieb mit dem bestehenden Prozess.
• Wöchentliche Review-Kadenz - Jede Eskalation, jede Korrektur. Was hat der Agent falsch gemacht, warum, was ist die richtige Antwort.
• Gegen Baseline messen - Zurückgewonnene Stunden, Fehlerquote, Umsatzhebel, Kunden-NPS. Wenn sich die Zahlen nicht bewegen, diagnostizieren, bevor skaliert wird.
• Skalieren, sobald Metriken bestätigen - Zwei bis drei Wochen stabiler Betrieb im eingeschränkten Scope, bevor auf das volle Volumen skaliert wird.
• Lehren für den nächsten Use Case dokumentieren - Wo lag der Rahmen richtig, wo falsch, was würden Sie anders machen. Der zweite Agent wird doppelt so schnell deployt.

Verwandte Artikel

• ERP oder KI-Agent: Wo die Grenze in Mittelstands-Prozessen 2026 verläuft
• KI im B2B-Vertrieb: Wie der Mittelstand Pipeline aufbaut, ohne Personal aufzubauen
• KI im Einkauf: Wie Mittelstands-Einkäufer Agenten über Sourcing, Verhandlung und Compliance einsetzen
• Voice-KI-Agenten am Telefon: Wie Mittelstands-Service-Hotlines KI-Anrufe deployen, ohne dass Kunden auflegen
• KI-Kundenservice jenseits von Chatbots: Resolution-First-Agenten für den B2B-Mittelstand
• Standardsoftware oder KI-Agent: Wie der Mittelstand 2026 sein Softwarebudget verteilt
• SAP und KI-Agenten: Der pragmatische Weg durch S/4HANA, ECC und Business One für den Mittelstand

Häufig gestellte Fragen

Henri Jung

Co-Founder bei Superkind

Co-Founder von Superkind, wo er KMU und Konzernen hilft, Custom-KI-Agenten einzusetzen, die wirklich zu der Art passen, wie ihre Teams arbeiten. Henri brennt dafür, die Lücke zwischen dem, was KI kann, und dem Wert, den sie in echten Unternehmen schafft, zu schliessen. Er glaubt, dass der Mittelstand alles hat, was er braucht, um in KI zu führen - er braucht nur den richtigen Ansatz.