KI löst das Informationsproblem im Einkauf und verschärft die Frage der Urteilskraft

Ein Warengruppenverantwortlicher musste für eine Lieferantenbewertung früher Vertragsstände, alte Angebote, Marktdaten, Gesprächsnotizen, Kostentreiber und interne Restriktionen aus mehreren Quellen zusammensuchen. KI kann einen großen Teil dieser Arbeit heute in Minuten verdichten. Das ist ein echter Fortschritt, verschiebt aber den Engpass.

Wenn Informationen billig und schnell produziert werden können, wird die knappe Fähigkeit zu entscheiden, ob eine überzeugend formulierte Antwort tatsächlich genug Qualität hat, um eine kommerzielle Entscheidung zu beeinflussen.

Eine 2026 veröffentlichte Untersuchung zur Kalibrierung von Vertrauen in Mensch-KI-Entscheidungen liefert dafür einen hilfreichen Rahmen. Igbodor und Kollegen kombinierten Erkenntnisse aus 68 Primärstudien mit einer Befragung von 200 Fachkräften und 30 Interviews aus mehreren Anwendungsfeldern. Diese Zahlen sind keine Kennzahlen speziell für den Einkauf. Die übergeordnete Schlussfolgerung ist dennoch relevant: Gute Zusammenarbeit entsteht nicht durch möglichst viel Vertrauen, sondern durch angemessen kalibriertes Vertrauen.

Gefährlich ist oft die plausible, nicht die absurde Antwort

Halluzinationen sind leicht als Risiko zu benennen, aber erfundene Fakten sind nur der auffällige Fehler. Schwieriger wird es, wenn jeder einzelne Satz vernünftig klingt und die Empfehlung trotzdem schwach ist, weil der Rahmen unvollständig ist.

Ein System kann korrekt feststellen, dass ein Rohstoffindex um sechs Prozent gestiegen ist, und eine Lieferantenforderung trotzdem falsch einordnen, weil die tatsächliche Kostenexposition anders ist, Produktivitätseffekte fehlen, der Zeitraum nicht passt oder der Vertrag das Risiko bereits verteilt. Eine Kündigungsklausel kann sauber zusammengefasst sein und dennoch übersehen werden, dass ein Lieferantenwechsel neun Monate Qualifizierung braucht.

Solche Fehler wirken professionell. Die Unsicherheit ist nicht verschwunden, sondern nur in saubere Sprache verdichtet worden.

Gute Nutzer prüfen, woraus die Antwort besteht

Deshalb reicht die Frage „Stimmt das?“ nicht aus. Welche Aussagen stammen aus bereitgestellten Fakten, welche aus Quellen, welche sind Schlussfolgerungen und welche Annahmen wurden eingeführt, weil Informationen fehlen? Welche einzelne Annahme würde die Empfehlung am stärksten verändern, wenn sie falsch wäre?

Im Einkauf ist das besonders wichtig, weil Wissen verteilt ist. Die Technik kennt Qualifizierungsrisiken, die Finanzfunktion die Budgetgrenze, der operative Bereich die Leistungsprobleme und der Einkauf die Lieferantenhistorie. Die KI sieht nur, was in ihre Eingabe gelangt. Unser Beitrag zu KI-Prompts für die Verhandlungsvorbereitung macht daraus eine praktische Regel: Bevor das System eine Strategie vorschlägt, sollte es die Informationslücken benennen, die diese Strategie verändern könnten.

Das Ziel ist nicht generelles Misstrauen. Vertrauen sollte zur Evidenz, zur Unsicherheit und zu den Folgen eines Fehlers passen.

Eine KI-Empfehlung kann intern zum Anker werden

Der Einkauf kennt den Ankereffekt aus Lieferantenverhandlungen. Eine erste glaubwürdige Zahl oder ein erster Deutungsrahmen kann den weiteren Austausch prägen. Dasselbe kann eine KI-Empfehlung innerhalb des Unternehmens tun.

Angenommen, eine Analyse kommt zu dem Ergebnis, dass eine Lieferantenforderung von acht Prozent wahrscheinlich auf drei Prozent reduziert werden kann. Diese Zahl kann auf unvollständigen Marktdaten und Annahmen zum Hebel beruhen. Sobald sie jedoch in einer professionellen Entscheidungsvorlage steht, beginnt sie die interne Diskussion zu ordnen. Die Finanzfunktion fragt, warum drei Prozent nicht erreichbar sein sollten, und die Vorbereitung baut zunehmend auf einem Modellwert auf, der nie als harte Tatsache gedacht war.

Formal bleibt der Mensch in der Entscheidungsschleife. Praktisch wird Widerspruch aber aufwendiger als Zustimmung, weil nun erklärt werden muss, warum die maschinelle Empfehlung nicht übernommen wird. Ein menschlicher Freigabeschritt allein löst dieses Problem nicht.

Menschliche Kontrolle braucht echte Möglichkeit zum Widerspruch

Ein konzeptioneller Beitrag in AI & Society beschreibt eine verwandte Frage als „epistemisches Wohlbefinden“ bei der Arbeit: Können Fachleute weiterhin sinnvoll beurteilen, widersprechen und Verantwortung tragen, wenn algorithmische Empfehlungen organisatorische Autorität gewinnen? Der Beitrag liefert keinen gemessenen Effekt für den Einkauf, macht aber eine wichtige Organisationsfrage sichtbar.

Wenn eine Beschaffungsempfehlung standardmäßig einer KI-Bewertung folgt und eine Abweichung eine Sonderfreigabe oder zusätzliche Begründung verlangt, bleibt der Einkäufer zwar verantwortlich, verliert aber einen Teil der praktischen Entscheidungshoheit. Auch ein Mensch in der Schleife kann zum Abnicker werden.

Sinnvolle Kontrolle braucht deshalb nicht nur Anwesenheit, sondern Verständnis, Zugang zur Evidenz und die organisatorische Erlaubnis zu sagen: Diese Empfehlung ist plausibel, aber für diese Entscheidung noch nicht belastbar genug.

Je besser das System, desto wichtiger wird Kalibrierung

Ein schlechtes Werkzeug hält Nutzer wachsam, weil fast jede Antwort fragwürdig wirkt. Ein sehr gutes Werkzeug erzeugt das gegenteilige Risiko: Es liegt oft genug richtig, dass Prüfung irgendwann wie unnötiger Aufwand erscheint. Die Fähigkeit besteht daher nicht darin, KI grundsätzlich zu widerstehen, sondern zwischen gut begründetem Vertrauen und notwendigen Zusatzprüfungen unterscheiden zu können.

Eine reife Nutzung akzeptiert ein Ergebnis, wenn Quellen aktuell sind, Annahmen zum Fall passen und die Folgen eines Fehlers begrenzt sind. Dieselbe Person stoppt, wenn eine Empfehlung auf einer ungeprüften Wechselkostenannahme beruht und eine kritische Lieferantenentscheidung beeinflussen würde.

Beides ist kompetenter KI-Einsatz. Totales Misstrauen verschenkt Nutzen, blindes Vertrauen gibt Urteilskraft ab.

In der Verhandlung wird die Grenze sichtbar

Verhandlungen zeigen diese Grenze besonders deutlich, weil die vorbereitete Empfehlung auf neue Information trifft. Der Lieferant widerspricht dem Kostenmodell, die Technik nennt plötzlich eine längere Qualifizierungszeit, ein Preiszugeständnis wird mit einer unerwarteten Mengenbindung verknüpft oder die Gegenseite eskaliert. Nun muss der Einkäufer entscheiden, was diese neue Information am Plan verändert.

Voice2Evolve setzt genau an dieser Ausführungsgrenze an. Ein Einkäufer kann mit einer KI-gestützten Vorbereitung in eine gesprochene Übungsrunde gehen, Widerstand erleben und anschließend prüfen, warum der Plan beibehalten, angepasst oder verworfen wurde. Relevant ist nicht die Treue zur Vorbereitung, sondern ob die Abweichung oder das Festhalten kommerziell begründet war.

KI macht den Einkauf schneller darin, Informationen zu produzieren. Gerade deshalb wird die Fähigkeit wertvoller, diesen Informationen die richtige Autorität zu geben.

Quellen

• Igbodor, E. et al. (2026). Trust calibration in human-AI collaborative decision-making: a cross-domain investigation of climate intelligence and organisational governance systems. Human-Intelligent Systems Integration.
• Salazar-Altamirano, M. A., & Ravina-Ripoll, R. (2026). Beyond efficiency: epistemic well-being at work under algorithmic governance. AI & Society.
• Borisov, I. G. (2026). From Outputs to Warranted Claims: Reframing AI Literacy as Culturally Mediated Quality Judgement for HRD. Human Resource Development Review.