Eine Ausgangsfrage, die sich aufdrängt

Ich stelle mir ein großes Lager eines Fahrradherstellers vor. Tausende Einzelteile, Rahmen in verschiedenen Geometrien, Schaltungen, Bremsen, Laufräder, Antriebe. Alles in Varianten, alles sauber erfasst, technisch beschrieben, versioniert. Eine umfangreiche, strukturierte Produktdatenbasis.

Wenn all diese Informationen bereits digital vorliegen, warum sollte man daraus nicht automatisch die vollständige Produktlogik ableiten können. Welche Komponenten miteinander kombinierbar sind, welche Abhängigkeiten bestehen, welche Varianten technisch sinnvoll oder ausgeschlossen sind. Genau das, was heute in CPQ-Systemen oft manuell als Regelwerk modelliert wird.

Erfahrene Mitarbeitende können diese Logik häufig aus dem Kopf heraus anwenden. Sie wissen, welche Kombinationen funktionieren, wo typische Fehler entstehen, welche Varianten sich bewährt haben. Warum also nicht eine KI, die genau dieses Wissen aus den Daten lernt.

Diese Frage hat mich lange begleitet. Und sie ist der Ausgangspunkt für die folgenden Überlegungen.

Die verbreitete Erwartung

Wer sich aktuell mit KI im CPQ- und Konfigurationsumfeld beschäftigt, begegnet sehr schnell einer impliziten Erwartung: Wenn KI aus großen Datenmengen lernen kann, warum sollte sie dann nicht die klassische, regelbasierte Produktlogik ersetzen können.

Gerade bei variantenreichen Produkten klingt das attraktiv. Regelwerke gelten als komplex, wartungsintensiv und schwer vermittelbar. Sie sind historisch gewachsen, oft nur von wenigen Personen wirklich verstanden und stellen in vielen Organisationen einen Engpass dar. KI verspricht hier Abhilfe: Lernen statt Pflegen, Ableiten statt Modellieren, Automatisierung statt manueller Logikarbeit.

Auch für mich war das lange ein plausibler Gedanke.

Die Realität produktiver CPQ-Systeme

Je tiefer man sich jedoch mit realen CPQ-Architekturen und produktiven Systemen beschäftigt, desto klarer wird: Diese Erwartung deckt sich nur teilweise mit dem tatsächlichen Einsatz von KI.

Ja, KI ist heute im CPQ-Umfeld angekommen. Und zwar nicht nur als Marketingbegriff, sondern in realen Funktionen. Allerdings fast durchgängig in einer begleitenden Rolle, nicht als Ersatz für die bestehende Logik.

In produktiven Umgebungen bildet regelbasierte Produktlogik weiterhin den verbindlichen Kern. Sie definiert, was technisch zulässig ist, welche Abhängigkeiten gelten, wie Preise und Rabatte berechnet werden dürfen und welche Policies einzuhalten sind. KI wird darüber gelegt, um Prozesse zu beschleunigen und Entscheidungen vorzubereiten.

Konkret heißt das: KI analysiert historische Konfigurationen, erkennt Muster, schlägt sinnvolle Varianten vor, priorisiert Optionen oder unterstützt bei der Preisfindung innerhalb vorgegebener Leitplanken. Die finale Entscheidung über Gültigkeit und Verbindlichkeit bleibt jedoch beim Regelwerk.

Vollständig autonome KI-Konfiguratoren, die ohne explizite Regeln auskommen, sind heute keine verbreitete Realität. Sie werden diskutiert, erforscht und demonstriert, sind aber im operativen Alltag noch nicht der Standard.

Warum Regeln nicht einfach verschwinden können

Das hat weniger mit fehlender Rechenleistung oder unzureichenden Modellen zu tun, sondern mit der Natur von Produktlogik.

Regelbasierte Konfiguration erfüllt eine zentrale Funktion: Sie definiert harte Grenzen. Technische Abhängigkeiten, physikalische Einschränkungen, normative Vorgaben, preisliche Rahmenbedingungen. Diese Logik ist explizit, nachvollziehbar und deterministisch prüfbar. Gleiche Eingaben führen zu gleichen Ergebnissen.

Gerade diese Eigenschaft macht sie auditierbar und belastbar. In vielen Branchen ist das kein Nice-to-have, sondern Voraussetzung. Ein Angebot muss nicht nur plausibel, sondern korrekt sein. Technisch, wirtschaftlich, rechtlich.

KI hingegen arbeitet wahrscheinlichkeitsbasiert. Sie bewertet, was wahrscheinlich sinnvoll, passend oder erfolgversprechend ist. Das ist enorm wertvoll, aber es ist eine andere Kategorie von Aussage. Eine KI kann sehr gut erkennen, welche Varianten häufig gewählt werden oder welche Konfigurationen typischerweise erfolgreich sind. Sie kann aber nicht garantieren, dass eine Konfiguration zulässig ist, wenn diese Information nicht explizit modelliert wurde.

Zwei unterschiedliche Denkmodelle

An dieser Stelle wird deutlich, dass es nicht um alt gegen neu geht, sondern um zwei unterschiedliche Denkmodelle.

Regelbasierte Systeme beantworten die Frage, ob eine Konfiguration gültig ist.

KI-Systeme beantworten die Frage, welche Konfiguration wahrscheinlich sinnvoll ist.

Diese beiden Ebenen werden oft vermischt, sollten aber bewusst getrennt betrachtet werden. Regeln schaffen Verbindlichkeit. KI schafft Orientierung und Geschwindigkeit innerhalb dieses Rahmens.

Der Versuch, beides gleichzusetzen, führt in der Praxis entweder zu übervorsichtigen Systemen oder zu riskanten Automatisierungen.

Konsequenzen für Unternehmen

Für Unternehmen mit komplexen Produkten ergibt sich daraus eine klare Konsequenz. Die zentrale Frage lautet nicht, ob KI eingesetzt werden soll, sondern wie.

KI entfaltet ihren Nutzen dort, wo Variantenvielfalt Entscheidungen erschwert, wo Erfahrungswissen einzelner Mitarbeitender skaliert werden soll und wo Geschwindigkeit im Angebotsprozess an Bedeutung gewinnt. All das setzt jedoch voraus, dass eine saubere, explizite Produktlogik existiert.

KI baut darauf auf. Sie ersetzt diese Grundlage nicht, sondern verstärkt sie.

Fazit

Die Vorstellung, eine KI könne aus einer großen Produktdatenbasis automatisch die vollständige Konfigurationslogik erzeugen, ist nachvollziehbar. Sie greift jedoch zu kurz.

Was sich heute bewährt, sind CPQ-Architekturen, in denen regelbasierte Logik die verbindliche Grundlage bildet und KI diese Logik ergänzt, um Entscheidungen vorzubereiten, Prozesse zu beschleunigen und Komplexität beherrschbar zu machen.

Das ist weniger spektakulär als manche Schlagzeile suggeriert. Aber es ist genau der Ansatz, der in realen Unternehmen funktioniert.