KI-Agenten im Unternehmensumfeld stehen vor einem bekannten Problem: der Lücke zwischen einer polierten ersten Demo und der Rechnung, die auf eine wirklich erfolgreiche Implementierung folgt. DeepFabric brauchte drei Monate, um diese Lücke mit Kenco zu schließen, und brachte sechs Agenten in den laufenden Betrieb in den Bereichen Vertrieb, Betrieb, Transport und Kundenservice. Für die nächsten 12 Monate sind nun zwanzig Supply-Chain-Agenten bei dem nordamerikanischen Logistikdienstleister geplant.

Diese dreimonatige Implementierung hebt sich von einem breiteren Trend ab, in dem viele KI-Projekte nie richtig in Schwung kommen. Aktuelle Gartner-Studien gehen davon aus, dass bis Ende 2027 mehr als 40 Prozent der Agenten-KI-Projekte gestrichen werden – wegen steigender Kosten, unklarem Geschäftsnutzen und unzureichender Risikokontrolle. Agenten, die den Übergang vom Pilotprojekt in die Produktion überstehen, bleiben die Ausnahme, nicht die Regel.

Die Partnerschaft begann mit einem eingehenden Anruf. Kencos Chief Digital and Information Officer, Pal Narayanan, kontaktierte DeepFabric, nachdem er die Arbeit der Plattform mit anderen Unternehmen der Supply-Chain-Branche verfolgt hatte.

„Er kannte die Art von Arbeit, die wir mit anderen 3PLs und anderen Supply-Chain-Teams leisteten, und er kannte die Philosophie, nach der wir arbeiteten, und wie wir die Plattform aufgebaut haben“, sagte Kalyan Kommineni, Gründer und CEO von DeepFabric, in einem Interview mit FreightWaves. „Er hatte das Gefühl, dass wir gut zu Kencos Herangehensweise an KI und zur Art passten, wie Kenco neue Technologien in seinen Umgebungen einführt.“

Beginn mit einem bescheidenen Proof of Concept

Erfolgreiche KI-Agenten-Implementierungen beginnen mit bescheidenen, aber beherrschbaren Ausgangspunkten: klein anfangen und schnell vorankommen.

„Unser Ziel ist es, einen Agenten so schnell wie möglich und mit möglichst geringen Risiken in die Produktion zu bringen“, sagte Kommineni. „Bevor wir überhaupt daran denken, jemanden als Kunden aufzunehmen, unterzeichnen wir die Geheimhaltungsvereinbarung, nehmen seine Daten und zeigen, wie der Agent mit diesen Daten arbeitet. Das vermittelt ein Gefühl dafür, wie er in der Produktion läuft.“

Die Proof-of-Concept-Phase dient dazu, herauszufinden, was fehlschlägt, bevor ein Agent ein echtes Kundenkonto berührt – eine wichtige Absicherung angesichts der Risiken, KI-Agenten statt in einer geschlossenen, separaten virtuellen Kopie direkt im laufenden Betrieb zu testen. Dieser Ansatz minimiert mögliche Störungen, während die Agenten feinjustiert werden.

„Ich sage jetzt ganz offen: Agenten scheitern ständig, aber wir stellen sicher, dass das in einer Nicht-Produktionsumgebung passiert“, sagte Kommineni.

Kenco musste keines dieser Versagen auf dem Weg in die Produktion ausbaden. Alle sechs Agenten gingen live, ohne den Service eines einzigen Kunden zu stören, so Chief Operating Officer David Caines.

Warum die Automatisierung von Auditarbeiten ein großer Erfolg war

Die Struktur des 3PL selbst schuf die Gelegenheit. Kenco betreibt 141 Distributionszentren und 43 Millionen Quadratfuß Lagerfläche in 33 US-Bundesstaaten und Kanada. Jede Übergabe in diesem Netzwerk ist ein Dokument, das jemand prüfen muss. Diese Dokumentenlast ist ein langjähriges Merkmal des 3PL-Geschäfts, bei dem Anbieter zwischen Versendern und Frachtführern stehen und die Abstimmungsarbeit übernehmen, die jede Seite der Transaktion erzeugt.

„Es gibt viel Arbeit – manuelle Arbeit – im Audit“, sagte Kommineni. „Nochmals: Das ist keine gute Arbeit. Das ist etwas, das Operatoren nicht tun wollen und das sie gern an einen KI-Agenten abgeben würden. Deshalb sind wir beim gesamten Auditbereich richtig gut geworden. Und das Audit ist nicht eine einzige Sache. Es gibt verschiedene Arten von Audits mit verschiedenen Beteiligten.“

Bei einem 3PL bedeutet das: das Lager prüft den Frachtführer, der Frachtführer prüft den Kunden und der Kunde prüft das Lager – jede Prüfung eine eigene Abstimmung mit eigenem Papierkram.

„Jede Verbindung zwischen diesen Gliedern ist eine Fehlergelegenheit, und wir tun alles Erforderliche, damit diese Agenten in der Produktion nicht fehlschlagen“, sagte Kommineni.

Der Frachtauditor ist einer der drei am weitesten verbreiteten Agenten von DeepFabric, neben dem Proposal Manager und dem Inventory Manager. Das Unternehmen meldet eine Reduzierung der Auditkosten um 45 Prozent und um bis zu 30 Prozent verkürzte Antwortzeiten auf Ausschreibungen (Request for Proposal).

Die Messlatte für Supply-Chain-Agenten anlegen

Beim Benchmarking fällt es den meisten Käufern schwer, eine einfache Antwort zu finden – und die Frage, was gemessen werden soll, kommt vor der Frage, was automatisiert werden soll. Kommineni sieht darin eher eine Frage der Wirksamkeit als der Effizienz.

„Als 3PL, als Unternehmen oder als Team innerhalb eines Unternehmens: Was wollen Sie hier erreichen?“, sagte er. „Wollen Sie mit denselben Leuten mehr Arbeit erledigen, oder wollen Sie manchmal sogar mehr Leute hinzufügen, aber dann deutlich mehr Arbeit leisten? Und manchmal heißt es: ‚Hey, wollen Sie die Arbeitsstunden reduzieren?‘ Die Kunden betrachten das also aus verschiedenen Blickwinkeln. Davon hängt ab, welche KPIs angesetzt werden.“

Die Messung ändert sich mit dem Agenten: Der Proposal Manager wird daran gemessen, wie viele zusätzliche Angebote ein Team ohne Personalaufbau verfolgt, während ein Audit-Agent an den manuellen Stunden pro 100 Rechnungen gemessen wird.

„KPIs hängen vom Agenten ab, aber wir helfen unseren Kunden zu verstehen, welche KPIs vor dem Agenten gelten, was die Baseline ist, dann den Agenten einzusetzen, zu verstehen, wie es danach aussieht, und schließlich die Ergebnisse zu messen“, sagte Kommineni.

Ohne diese Baseline vor dem Agenteneinsatz lässt sich nichts wirksam messen.

Bei den Modellen irgendwo in der Mitte

Käufer müssen außerdem entscheiden, auf welchem Modell sie aufbauen. Komminenis Antwort fällt ausgewogen aus.

„Es gibt hier zwei verschiedene Extreme. Das eine heißt: ‚Es gibt ein Modell, das alles kann.‘ Das andere: ‚Ich habe 20 verschiedene maßgeschneiderte Modelle, die ich für meine Anwendungsfälle in meiner Umgebung einsetze.‘ Die Antwort liegt wohl immer irgendwo in der Mitte“, sagte er.

DeepFabric leitet jeden Anwendungsfall an das Modell weiter, das bei Fähigkeiten und Preis am besten passt, und das Unternehmen trägt das damit verbundene Risiko.

„Wir übernehmen das Risiko, all das zu managen. Wir übernehmen das Risiko der Token-Ökonomie. Wir übernehmen auch das Risiko der Ausführung, damit unsere Kunden nicht über das nachdenken müssen, was sich jeden Tag ändert“, sagte Kommineni.

Kenco unterscheidet zwischen den beiden Kategorien von KI-Investitionen, die es finanziert: Agenten-KI, die Aufgaben innerhalb definierter Leitplanken erledigt, und generative KI, die Inhalte erzeugt und Erkenntnisse liefert. DeepFabric bildet die Agentenschicht ab, während Kencos Teams die Genehmigungsbefugnis über die Agenten-Ausgaben behalten – über Prüf- und Override-Pfade, die in die Plattform eingebaut sind.

Kommineni führt die Ausführungs-Priorität darauf zurück, was sein Team in einem früheren Job nicht liefern konnte. Als ehemaliger Berater sei die Umsetzung trotz eines Plans für die Kunden stets eine Herausforderung gewesen, sagte er.

„Aber bei DeepFabric haben wir das bei der Umsetzung wirklich ernst genommen. Wir helfen Ihnen tatsächlich, das umzusetzen, was wir als Berater vorgeschlagen hätten, damit Sie nicht denken müssen: ‚Hey, wie setze ich diese Agenten in der Produktion um‘“, sagte er.

Für den breiteren Markt bietet die Einführung einen Test dafür, ob Agenten-KI in der Logistik messbaren Produktionsboden behaupten kann – die Art von baselinebasierten Ergebnissen, die Kenco und DeepFabric beschreiben, wird sich zeigen – oder eben nicht – wenn die geplanten zwanzig Agenten in den kommenden 12 Monaten eingeführt werden.

Der Beitrag DeepFabric lands Kenco as It scales supply chain agents erschien zuerst bei FreightWaves.