Prognosen, Vorhersagen und Trends generieren mithilfe von künstlicher Intelligenz

"Prognosen sind schwierig, besonders wenn sie die Zukunft betreffen", lautet ein Zitat, das verschiedenen Prominenten, wie Karl Valentin, Kurt Tucholsky, Niels Bohr, Mark Twain oder Winston Churchill, zugeschrieben wird. Doch dank moderner Computertechnologie und fortgeschrittener Softwareentwicklung sind Prognosen, Vorhersagen und Trendanalysen in den vergangenen Jahren und Jahrzehnten immer besser geworden. Künstliche Intelligenz (KI) sorgt derzeit für einen weiteren Verbesserungsschub, von dem Unternehmen profitieren können.

Weshalb sich Prognosen, Vorhersagen und Trendanalysen für eine Unterstützung durch KI eignen

In der Wirtschaft gibt es einen großen Bedarf an Prognosen: Bei sämtlichen Planungen versucht man, die zukünftige Entwicklung vorauszuahnen, ob bei der Beschaffungs- und Materialplanung, der Produktions- und Leistungsplanung, der Absatz- und Vertriebsplanung oder der Finanz- und Investitionsplanung. Weil die geopolitische Situation derzeit unübersichtlicher wird und die Märkte volatiler werden, dürfte der Prognosebedarf eher noch zunehmen.


Mithilfe statistischer Methoden sind schon vor den ersten KI-Anwendungen Trends in der Vergangenheit analysiert und in die Zukunft fortgeschrieben worden. Es gibt also Prozesse, auf die KI-Anwendungen aufbauen oder in die sie integriert werden können. Das Strukturieren großer Datenmengen und das Erkennen von Mustern darin ist bereits unter dem Schlagwort "Big Data" bekannt. Auch hieran können KI-Tools anknüpfen.


Über den niederschwelligen Einstieg in die KI-Nutzung mit Chatbots, wie ChatGPT, informiert dieser Artikel. Wie man KI-Systeme erfolgreich einführt und dabei die Belegschaft mitnimmt, beschreibt ein weiterer Beitrag.

Wie KI etablierte Prognose- und Vorhersagemethoden verbessert

Mit KI-Methoden, wie maschinelles Lernen und künstliche neuronale Netze, lassen sich sehr große Datenmengen aus verschiedenen Quellen sehr präzise analysieren. Die Daten müssen zwar bis zu einem gewissen Grad kompatibel und vor allem zuverlässig sein, aber sie können eine größere Heterogenität aufweisen, als es bei herkömmlichen Analysemethoden möglich wäre. Dabei kann auch auf externe Quellen zurückgegriffen werden, etwa auf veröffentlichte wirtschaftliche Analysen oder Daten des Statistischen Bundesamtes.

Bei der Skepsis gegenüber KI-Anwendungen schwingt oft mit, dass KI eine Art "Black Box" sei, deren Entscheidungen die Anwender nicht nachvollziehen können. Das ist in der Tat möglich, aber es muss nicht sein, denn es gibt auch die erklärbare KI (explainable AI, XAI), die die Hintergründe, z. B. die Treiber einer Entwicklung, deutlich kommuniziert. Auf diese Methoden kann zurückgreifen, wer transparente Prozesse bevorzugt. Moderne KI-Tools geben oft auch die Wahrscheinlichkeit einer möglichen Entwicklung an und können die errechneten Zahlenwerte selbst validieren.

Während bewährte Prognosemethoden lineare Trends meist gut erkennen und in die Zukunft extrapolieren können, ist dies bei nicht linearen Tendenzen oft nicht der Fall. Hier können KI-Anwendungen deutlich bessere Ergebnisse bringen. Auch das Simulieren verschiedener künftiger Szenarien – je nach der Entwicklung diverser Faktoren – erreicht mit KI eine bis dato nicht gekannte Qualität.

Hinzu kommt die Lernkurve der KI: Mit jedem Feedback und jedem Vergleich von prognostizierten und tatsächlich erreichten Werten lernt die Anwendung. Dadurch kann sie die Prognosequalität kontinuierlich verbessern. In der Regel zeigt die KI dabei eine steile Lernkurve.

Häufig werden komplexe Modelle verwendet, die an historischen Daten trainiert werden und die das Gelernte dann auf aktuelle Daten anwenden und in die Zukunft fortschreiben. Solche Modelle liegen auch den modernen Wettervorhersagen zugrunde, die in den vergangenen Jahren immer genauer geworden sind. Derartige technologischen Fortschritte können sich auch Unternehmen zunutze machen.

KI-Einsatz bei konkreten Aufgaben

KI-Anwendungen können im Zusammenhang mit prädiktiver Analytik (Predictive Analytics) bei jeder Art von Planungstätigkeit in einem Unternehmen unterstützen. Neben den unten genannten Bereichen können KI-Tools beispielsweise auch bei der Personalplanung, der Planung von Verwaltungsressourcen, der IT-Planung und der strategischen Planung eingesetzt werden.

Beschaffungs- und Materialplanung

In diesem Bereich können KI-Analysen helfen, die Lieferketten zu optimieren oder vor möglichen Lieferengpässen zu warnen. Bei volatilen Preisen können KI-Prognosen Zeiten mit günstigen Einkaufspreisen ermitteln und so helfen, Beschaffungskosten zu reduzieren.

Zu den nützlichen internen Daten gehören u. a. Prognosen aus der strategischen Planung, der Produktionsplanung und Lagerbestände. Daneben sollten auch zahlreiche Daten und Analysen aus zuverlässigen externen Quellen genutzt werden. Wenn sie richtig konfiguriert sind, erlauben es KI-Anwendungen, die Just-in-Time-Lieferung zuverlässiger als zuvor umzusetzen; so können unnötige Lagerungskosten oder Produktionsstillstände vermieden werden.

Produktions- und Leistungsplanung

KI kann Produktionskosten senken, indem sie beispielsweise Maschinendaten analysiert und Ausfallwahrscheinlichkeiten für einzelne Maschinen errechnet. Bei der Einführung eines neuen Produkts können die benötigten Ressourcen (Maschinenbedarf, Einrichtungszeit) und auch das Budget präzise vorhergesagt werden.

Neben Maschinendaten müssten auch interne Daten aus der Absatzprognose, der Beschaffung, der Personalplanung, der strategischen Planung sowie Stammdaten (Maschinenkapazitäten, Rüstzeiten und Standardarbeitszeiten) u. a. verwendet werden. Externe Daten sind vor allem Lieferanten- und Logistikdaten, Umwelt- und Wetterdaten.

Absatz- und Vertriebsplanung

Beschaffung und Produktion hängen stark von den prognostizierten Absatzzahlen ab. Um diese vorherzusagen, kann eine Vielzahl von Parametern KI-gestützt eingesetzt und analysiert werden: Markttrends, Verbraucherverhalten und Marktsegmentierung, Identifikation von Zielgruppen, saisonale Muster, Marketingwirkungen. In der Regel lautet das Ziel, die Nachfrage optimal zu bedienen und somit die Kundenzufriedenheit zu verbessern.

Absatz- und Vertriebsprognosen sind intern u. a. auf Lagerbestände, Produktionsprognosen und Daten aus der strategischen Planung angewiesen. Markt- und Verbraucheranalysen, Lieferanten- und Logistikzahlen, Konkurrenzanalysen und etliche andere externe Quellen sollten in die Prognose eingebunden werden. Um zu konsistenten Daten für die KI-Analyse zu kommen, können beispielsweise Datenintegrationsplattformen und Programmierschnittstellen (APIs) genutzt werden.

Finanz- und Investitionsplanung

Auch in diesem Bereich können KI-Systeme die Prognosegüte deutlich verbessern, nicht nur im Hinblick auf Umsatz und Gewinn. Bei Bedarfsprognosen berechnet die KI, wie viel Material und Personal für einzelne Produktionszeiträume oder Projekte benötigt wird. KI-Programme können ebenso Abweichungen von geplanten Budgets erkennen und frühzeitig Korrekturen vorschlagen. Auch Liquiditätsengpässe kann KI prognostizieren, etwa durch die Analyse von Zahlungsströmen; Zahlungsverzug bei Kunden wird in Echtzeit erkannt.

Interne Daten ermöglichen eine automatische Zuordnung von Kosten zu Projekten, eine kontinuierliche Überwachung der Produktprofitabilität sowie eine Optimierung der Gemeinkostenschlüssel. Externe Daten und Analysen beziehen das direkte Umfeld und den Markt ein.

Anbieter von KI-Tools und -Modulen für die Unterstützung von Prognosen, Vorhersagen und Trendanalysen

Das Angebot KI-gestützter Software ist derzeit noch sehr heterogen. Deshalb lohnt sich ein Blick auf die Funktionen, die eine Software anbietet. Teilweise kommen die KI-Funktionen auch frei Haus, etwa als neue Features in der bewährten ERP-Software. Die folgende Liste, die mithilfe des KI-Modus der Google-Suche erstellt wurde, zählt einige Anbieter von KI-Software und deren Funktionen im Hinblick auf Buchungen auf. Weder bei den Anbietern noch bei den Features besteht ein Anspruch auf Vollständigkeit.

• Alteryx AI Platform: visuelle Datenvorbereitung; prädiktive Code-Blöcke; raumbezogene Analysen, z. B. optimale Logistikrouten oder neue Standorte; Bereinigung unstrukturierter Wirtschaftsdaten
• Databricks (Lakehouse Platform): prädiktive Instandhaltung (Maschinenausfallprognosen); Managed MLflow; Echtzeit-Streaming-Prognosen (z. B. Logistik-Lieferketten)
• DataRobot: automatisierte Modellauswahl (Ermittlung des präzisesten Prognosemodells); Modell-Überwachung (MLOps); Bias-Erkennung (Prüfung auf unfaire Benachteiligungen)
• Google Cloud BigQuery ML: In-Warehouse-Training; Kundenlebenszyklus-Prognose (Analyse riesiger historischer Klickpfade); einfaches Upgrade der Modelle auf komplexe generative KI-Strukturen
• H2O.ai (Driverless AI): Feature Engineering (automatische Erstellung neuer Variablen für verbesserte Prognosegenauigkeit); besondere Algorithmen für hochfrequente Finanzprognosen oder Aktienmarktanalysen; Multi-Cloud-Architektur
• KNIME Analytics Platform: problemlose Einbindung von Python-, R- oder TensorFlow-Skripten; Marktkorb-Analyse (Prognose von Kaufkombinationen); Textanalyse von Social-Media-Daten
• Microsoft Power BI (mit Copilot): integrierte Zeitreihenprognosen in Liniendiagrammen; Anomalieerkennung in Echtzeit; Copilot-Integration (komplexe Vorhersagemodelle per natürlicher Sprache)
• Pecan AI: selbstständige Generierung von Datenstrukturen aus CRM- und ERP-Systemen; Predictive Lead Scoring; Nachfrageprognose (für ein optimiertes Supply-Chain-Management)
• SAS Viya: fortgeschrittene Risikoanalyse (Simulation von Extremprognosen); Betrugserkennung in Echtzeit; vollständig auditierbare Modelle, die strengen regulatorischen Vorgaben entsprechen
• Tableau (mit Einstein Discovery): automatische Identifikation von Mustern und kausalen Zusammenhängen; Was-wäre-wenn-Szenarien; erklärbare KI (XAI) für verständliche Begründungen

letzte Änderung S.P. am 09.07.2026 Autor:  Stefan Parsch

Autor:in

	Herr Stefan Parsch Stefan Parsch ist freier Journalist und Lektor. Er schreibt Fachartikel für die Portale von reimus.NET und Artikel über wissenschaftliche Themen für die Deutsche Presse-Agentur (dpa). Für den Verein Deutscher Ingenieure lektoriert er technische Richtlinien. Mehr als zwölf Jahre lang war er Pressesprecher der Technischen Hochschule Brandenburg.
weitere Fachbeiträge des Autors | Forenbeiträge