Wie nutzt Li & Fung KI und Datenplattformen für die Orchestrierung der Lieferkette?

Li & Fung, das hundert Jahre alte Hongkonger Handelshaus, das seit 1906 Bekleidung und Konsumgüter für globale Marken beschafft, gestaltet sich rund um künstliche Intelligenz und cloudbasierte Plattformen neu. Das Unternehmen hat in den letzten drei Jahren digitale Infrastruktur aufgebaut, um Produktion, Logistik und Lagerbestände über Tausende von Fabriken in Asien hinweg zu orchestrieren, und konkurriert dabei nicht nur mit traditionellen Vermittlern, sondern auch mit Softwareanbietern, die versprechen, den Beschaffungsagenten ganz zu ersetzen.

Die Veränderung ist bedeutsam, weil Li & Fung immer noch ein jährliches Warenvolumen von Milliarden Dollar für bekannte Namen in Mode und Einzelhandel abwickelt, und seine Technologieentscheidungen prägen, wie Tausende von Lieferanten digitale Tools übernehmen. Da Marken kürzere Durchlaufzeiten, kleinere Produktionsserien und Echtzeit-Sichtbarkeit der Fabrikbedingungen fordern, bietet die Plattformstrategie des Unternehmens eine aktuelle Fallstudie darüber, ob etablierte Unternehmen Daten und maschinelles Lernen nutzen können, um ihre Rolle in der Lieferkette zu verteidigen.

Dieser Artikel untersucht, wie Li & Fung KI für Nachfrageprognosen, Lieferantenabgleich und Logistikoptimierung einsetzt, welche Ergebnisse das Unternehmen nach eigenen Angaben erzielt hat und wo Lücken und Risiken für Modeunternehmen bleiben, die ähnliche Investitionen bewerten.

Was ist die digitale Plattformstrategie von Li & Fung?

Li & Fung hat seine Technologieinitiativen in einer cloudbasierten Plattform zusammengeführt, die Marken, Fabriken und Logistikdienstleister in einer einzigen Datenumgebung verbinden soll. Die Plattform verarbeitet Auftragsinformationen, Produktionspläne, Sendungsverfolgung und Lieferantenleistungsmetriken und nutzt dann Analysen und maschinelles Lernen, um Beschaffungsentscheidungen zu empfehlen, Aufträge zuzuweisen und potenzielle Verzögerungen zu kennzeichnen.

Das Unternehmen beschreibt diesen Ansatz als Lieferketten-Orchestrierung: Anstatt einfach Bestellungen vom Käufer an die Fabrik weiterzugeben, positioniert sich Li & Fung als Kontrollturm, der den Fluss von Materialien, Produktionskapazität und Fertigwaren kontinuierlich optimiert. Die Plattform stützt sich auf Programmierschnittstellen, um Daten aus Enterprise-Resource-Planning-Systemen sowohl auf Marken- als auch auf Lieferantenseite abzurufen und so eine gemeinsame Informationsquelle für Auftragsstatus, Lagerbestände und Versandmeilensteine zu schaffen.

In Investorenpräsentationen während 2025 hob Li & Fung Investitionen in sogenannte digitale Beschaffungsfähigkeiten hervor, zu denen Tools für virtuelles Sampling, dreidimensionale Produktdesign-Zusammenarbeit und automatisierte Angebotsanfrageprozesse gehören, die die Spezifikation einer Marke ohne manuellen Eingriff mit den Lieferantenfähigkeiten abgleichen. Das Ziel ist es, den traditionellen Produktentwicklungszyklus zu verkürzen, der in der Bekleidungsbranche von der Konzeption bis zum Wareneingang neun Monate oder länger dauern kann, und den Bedarf an physischen Mustern und persönlichen Fabrikbesuchen zu reduzieren.

Wie setzt Li & Fung künstliche Intelligenz in Beschaffung und Produktion ein?

Li & Fung wendet Modelle des maschinellen Lernens auf drei Kernarbeitsabläufe an: Nachfrageprognose, Lieferantenkapazitätsabgleich und Qualitätsvorhersage. Nachfrageprognose-Algorithmen analysieren historische Bestellmuster, von Einzelhandelskunden geteilte Verkaufsdaten und externe Signale wie Suchtrends und Wettervorhersagen, um kurzfristige Produktionsempfehlungen zu generieren. Das Ziel ist es, Marken dabei zu helfen, überschüssige Lagerbestände und Fehlbestände zu reduzieren, indem die Produktionsmengen enger an die tatsächliche Verbrauchernachfrage angepasst werden.

Der Lieferantenkapazitätsabgleich verwendet einen Klassifizierungsalgorithmus, der auf jahrelangen Produktionsdaten trainiert wurde, um jede Fabrik im Netzwerk von Li & Fung anhand der eingehenden Bestellanforderungen zu bewerten. Zu den Variablen gehören Stoffart, Komplexität des Kleidungsstücks, Mindestbestellmenge, Ergebnisse von Ethik-Compliance-Audits und pünktliche Lieferhistorie. Wenn eine Marke eine neue Bestellung aufgibt, ordnet das System Lieferanten nach Eignung und empfiehlt Zuweisungen, die Kosten, Geschwindigkeit und Risiko ausbalancieren.

Die Qualitätsvorhersage basiert auf Bilderkennung und Anomalieerkennung. Während der Produktion laden Fabriken Fotografien von in Bearbeitung befindlichen Kleidungsstücken auf die Plattform hoch. Computer-Vision-Modelle kennzeichnen Abweichungen vom genehmigten Muster, wie falsche Nähte oder Farbabweichungen. Das System überwacht auch historische Fehlerquoten nach Lieferant und Produktkategorie und alarmiert Kundenbetreuer, wenn eine bestimmte Fabrik steigende Qualitätsschwankungen aufweist.

Welche Marken und Produktkategorien nutzen die Plattform?

Li & Fung hat keine umfassende Kundenliste für seine digitale Plattform veröffentlicht, und grosse Einzelhandelskunden legen ihre Beziehungen zu Beschaffungsagenten in der Regel nicht im Detail offen. Öffentliche Unterlagen und Investorenmaterialien bestätigen, dass das Unternehmen grosse nordamerikanische und europäische Einzelhändler in den Bereichen Bekleidung, Schuhe, Heimtextilien und Hartgüter bedient, aber spezifische Markennamen und Transaktionsvolumina für die digitalen Tools bleiben vertraulich.

Allgemein hat Li & Fung angedeutet, dass die Akzeptanz digitaler Beschaffung bei Kunden in den Segmenten Fast Fashion und Werteinzelhandel höher ist, wo Marktgeschwindigkeit und häufige Produktwechsel einen stärkeren Anreiz zur Automatisierung der Auftragserteilung und Bestandsplanung schaffen. Im Gegensatz dazu waren Luxus- und Premiummarken, die oft langjährige Beziehungen zu einem kleineren Kreis spezialisierter Ateliers pflegen, langsamer dabei, Beschaffungsarbeitsabläufe auf gemeinsame digitale Plattformen zu verlagern, und bevorzugen massgeschneiderte Kommunikation und straffere Kontrolle über geistiges Eigentum.

Welche messbaren Ergebnisse hat Li & Fung berichtet?

Li & Fung hat qualitative Aussagen über Effizienzgewinne und Durchlaufzeitverkürzungen gemacht, war aber vorsichtig bei der Veröffentlichung detaillierter Leistungsdaten, die eine unabhängige Überprüfung ermöglichen würden. In einem Investorenupdate von 2025 erklärte das Unternehmen, dass Kunden, die seine digitalen Beschaffungstools nutzen, kürzere Produktentwicklungszyklen und verbesserte pünktliche Lieferraten im Vergleich zu Kunden erlebten, die sich auf traditionelle manuelle Prozesse verlassen, quantifizierte jedoch nicht das Ausmass dieser Verbesserungen oder legte die Stichprobengrösse offen.

Anekdotische Belege von Lieferkettenkonferenzen und Fachpresse deuten darauf hin, dass Digitalisierung die Auftragsbearbeitungszeit um ein bis zwei Wochen verkürzen und die Anzahl der während der Produktentwicklung erforderlichen physischen Muster reduzieren kann, was Kosteneinsparungen bei Kuriergebühren und Materialabfall ergibt. Diese Vorteile entstehen jedoch schrittweise und hängen stark von der Reife der eigenen Systeme jedes Kunden und der Bereitschaft der Lieferanten ab, neue Datenaustauschprotokolle zu übernehmen.

Li & Fung hat auch auf verbesserte Lagerumschläge für ausgewählte Kunden hingewiesen und argumentiert, dass bessere Nachfrageprognosen es Einzelhändlern ermöglichen, meistverkaufte Modelle häufiger aufzufüllen und Bestellungen für sich langsamer bewegende Produkte früher im Produktionszyklus zu stornieren oder zu ändern. Auch hier hat das Unternehmen keine geprüften Zahlen veröffentlicht, die den Beitrag seiner KI-Modelle von anderen Variablen wie Marktbedingungen, Merchandising-Strategie oder Werbeaktivitäten isolieren.

Wie integriert die Plattform Logistik und Sendungsverfolgung?

Über die Fabrikbeschaffung hinaus erstreckt sich die Plattform von Li & Fung auf Frachtvermittlung und Logistikorchestration. Das Unternehmen betreibt seinen eigenen Logistikarm und arbeitet auch mit Drittanbietern zusammen, um See-, Luft- und Landtransport zu buchen. Die digitale Plattform aggregiert Versanddaten von mehreren Spediteuren und bietet Kunden eine einheitliche Ansicht der unterwegs befindlichen Lagerbestände, geschätzten Ankunftszeiten und des Zollabfertigungsstatus.

Algorithmen des maschinellen Lernens analysieren historische Versandleistung, Hafenüberlastungsdaten und Zuverlässigkeitswerte von Spediteuren, um Routenführung und Spediteurauswahl zu empfehlen. Bei zeitkritischen Bestellungen kann das System automatisch auf schnellere, aber teurere Transportmodi umschalten, wenn eine Fabrikverzögerung ein Einzelhandels-Lieferfenster zu verpassen droht. Ebenso kann die Plattform, wenn mehrere Bestellungen für denselben Kunden in verschiedenen Fabriken in Produktion sind, Sendungen konsolidieren, um Frachtkosten zu reduzieren und den Wareneingang im Lager zu vereinfachen.

Echtzeit-Sichtbarkeit ist besonders wertvoll während Hauptsaisons und Perioden von Lieferkettenstörungen. Während des Kalenderjahres 2025 erlebte der globale Versand zeitweilige Verzögerungen aufgrund von Hafenarbeitsstreitigkeiten, Kapazitätsengpässen und geopolitischen Spannungen. Die Plattform von Li & Fung ermöglichte es Kundenbetreuern, Sendungen umzuleiten, Spediteure zu wechseln und Produktionspläne als Reaktion auf sich entwickelnde Bedingungen anzupassen, wodurch das Risiko von Lagerausfällen oder Preissenkungen am Ende der Saison reduziert wurde.

Was sind die Risiken, Einschränkungen und offenen Fragen?

Trotz der strategischen Logik der KI-gesteuerten Lieferketten-Orchestrierung bleiben mehrere Herausforderungen und Unsicherheiten bestehen. Erstens ist die Datenqualität über die Lieferantenbasis von Li & Fung uneinheitlich. Während grosse, technologisch ausgefeilte Fabriken ihre Produktionssysteme über APIs mit der Plattform integrieren können, fehlt vielen kleineren Werkstätten Unternehmenssoftware oder zuverlässige Internetverbindung. In diesen Fällen erfolgt die Dateneingabe manuell, verspätet und fehleranfällig, was die Genauigkeit von Modellen des maschinellen Lernens untergräbt, die auf zeitnahe, detaillierte Eingaben angewiesen sind.

Zweitens können sich Lieferanten dagegen wehren, detaillierte Produktions- und Kapazitätsdaten mit einem Vermittler zu teilen, der auch ihre Konkurrenten bedient. Fabriken befürchten, dass Transparenz in ihre Kostenstrukturen, Margen und verfügbare Kapazität ihre Verhandlungsposition schwächen oder dazu führen könnte, dass Li & Fung Aufträge an kostengünstigere Konkurrenten vergibt. Vertrauen aufzubauen und gegenseitigen Nutzen zu demonstrieren ist ein langsamer Prozess, und unvollständige Lieferantenakzeptanz begrenzt die Netzwerkeffekte der Plattform.

Drittens ist das Business Case für digitale Beschaffung nicht allgemein überzeugend. Marken, die bereits tiefe, langfristige Beziehungen zu einer Handvoll bevorzugter Fabriken haben, sehen möglicherweise wenig zusätzlichen Wert in algorithmusgesteuerten Lieferantenempfehlungen. Luxus- und Premiumsegmente, wo Handwerkskunst, Exklusivität und Schutz des geistigen Eigentums mehr zählen als Geschwindigkeit oder Kosten, sind besonders skeptisch gegenüber gemeinsamen digitalen Plattformen und standardisierten Arbeitsabläufen.

Viertens sieht sich Li & Fung dem Wettbewerbsdruck von Softwareanbietern ausgesetzt, die Lieferketten-Sichtbarkeits- und Produktionsmanagement-Tools direkt an Marken verkaufen und dabei den Vermittler ganz umgehen. Wenn ein Einzelhändler vergleichbare Prognosegenauigkeit, Lieferanten-Bewertung und Sendungsverfolgung durch Lizenzierung von Software und Einstellung interner Lieferkettenanalysten erreichen kann, könnte er sich dafür entscheiden, das Handelshaus zu ersetzen und die Marge selbst zu erfassen. Das Wertversprechen von Li & Fung beruht auf der Annahme, dass seine proprietären Daten, Lieferantenbeziehungen und Fachkenntnisse nicht leicht repliziert werden können, aber diese Annahme wird getestet, da die Technologiekosten fallen und Talente breiter verfügbar werden.

Schliesslich bleiben die ökologischen und sozialen Dimensionen der Lieferketten-Orchestrierung unterentwickelt. Während die Plattform von Li & Fung ethische Compliance-Audits verfolgen und Lieferanten mit schlechten Arbeits- oder Umweltbilanzen kennzeichnen kann, integriert sie noch keine CO2-Fussabdruck-Berechnungen, Kreislaufwirtschafts-Metriken oder Echtzeit-Überwachung der Arbeitsbedingungen. Da Regulierungsbehörden in der Europäischen Union und anderswo obligatorische Sorgfaltspflicht- und Nachhaltigkeitsberichtspflichten einführen, muss die Plattform ihr Datenmodell und ihre Analysen erweitern, um Kunden dabei zu helfen, diese Verpflichtungen zu erfüllen.

Wie vergleichen sich die Fähigkeiten von Li & Fung mit internen und Software-Alternativen?

Modeunternehmen, die Technologieinvestitionen für die Lieferkette bewerten, stehen vor der Wahl zwischen drei Archetypen: sich auf einen Full-Service-Vermittler wie Li & Fung verlassen, Software von einem spezialisierten Anbieter lizenzieren und interne Analysefähigkeiten aufbauen, oder ein Hybridmodell verfolgen, das Elemente von beiden kombiniert. Jeder Ansatz beinhaltet unterschiedliche Kompromisse in Bezug auf Kosten, Kontrolle, Geschwindigkeit und Risiko.

Ein Full-Service-Vermittler bietet den schnellsten Weg zu digitalen Beschaffungsfähigkeiten, weil die Infrastruktur, Lieferantenintegrationen und Modelle des maschinellen Lernens bereits aufgebaut sind. Die Marke verzichtet jedoch auf einen gewissen Grad an Kontrolle über Lieferantenauswahl, Dateneigentum und die Möglichkeit, ihre Lieferkette als Wettbewerbsvorteil zu differenzieren. Lizenzierte Software und interne Teams bieten grössere Kontrolle und Anpassungsmöglichkeiten, erfordern aber Vorabinvestitionen in Technologie, Schulung und Change Management. Massgeschneiderte Plattformen bieten maximale Flexibilität und Schutz des geistigen Eigentums, sind aber teuer, zeitaufwendig und riskant, insbesondere für mittelgrosse Unternehmen ohne tiefe Technologiekompetenzen.

In der Praxis verfolgen viele Modeunternehmen ein Hybridmodell: Sie nutzen einen Vermittler für Standardkategorien oder Regionen, in denen ihnen direkte Beziehungen fehlen, während sie proprietäre Fähigkeiten für strategische Produktlinien oder Schlüssellieferanten aufbauen. Dieser Portfolioansatz ermöglicht es ihnen, mit KI und Datenplattformen schrittweise zu experimentieren, zu lernen, was funktioniert, und zu vermeiden, sich zu sehr auf einen einzelnen Anbieter oder Technologie-Stack festzulegen.

Wie sind die Aussichten für KI in der Lieferketten-Orchestrierung?

Die Entwicklung der KI-Einführung in Mode-Lieferketten wird von drei Kräften geprägt sein: regulatorische Mandate für Transparenz und Nachhaltigkeit, Wettbewerbsdruck zur Reduzierung von Durchlaufzeiten und Lagerrisiko sowie die sich entwickelnden Kosten und Fähigkeiten der Technologie des maschinellen Lernens. Die Plattformstrategie von Li & Fung illustriert sowohl das Versprechen als auch die Reibung der digitalen Transformation in einer fragmentierten, beziehungsgetriebenen Branche.

Für Vermittler ist es zwingend erforderlich zu demonstrieren, dass ihre Datenbestände, Lieferantennetzwerke und Fachkenntnisse dauerhafte Vorteile schaffen, die nicht leicht von Softwareanbietern oder internen Teams repliziert werden können. Für Marken besteht die Herausforderung darin, Kontrolle und Geschwindigkeit auszubalancieren, genug in proprietäre Fähigkeiten zu investieren, um ihre Lieferketten zu differenzieren, während sie Drittanbieter-Plattformen nutzen, wo Standardisierung und Skaleneffekte sinnvoll sind.

In den nächsten zwei bis drei Jahren ist mit Konsolidierung unter Lieferketten-Softwareanbietern zu rechnen, tieferer Integration von Umwelt- und Sozialdaten in Orchestrierungsplattformen und zunehmendem Einsatz generativer KI zur Automatisierung von Produktdesign, Sampling und Lieferantenkommunikation. Die erfolgreichen Unternehmen werden jene sein, die digitale Beschaffung nicht als Technologieprojekt, sondern als kontinuierlichen Prozess des Experimentierens, Lernens und der Anpassung in Partnerschaft mit Lieferanten, Logistikdienstleistern und Technologiepartnern behandeln.

Was sollten Modeunternehmen jetzt tun?

1. Prüfen Sie Ihre Dateninfrastruktur. Bevor Sie in KI-gesteuerte Beschaffung oder Logistik investieren, bewerten Sie die Vollständigkeit, Genauigkeit und Aktualität Ihrer internen Daten zu Nachfrage, Lagerbestand, Lieferantenleistung und Versandstatus. Identifizieren Sie Lücken und priorisieren Sie Integrationsprojekte, die eine zuverlässige Grundlage für Modelle des maschinellen Lernens schaffen.
2. Kartieren Sie die digitale Reife der Lieferanten. Befragen Sie Ihre Produktionspartner, um ihre aktuellen Technologiefähigkeiten, ihre Bereitschaft zum Datenaustausch über APIs und ihre Kapazität zur Übernahme neuer digitaler Arbeitsabläufe zu verstehen. Konzentrieren Sie erste Plattform-Pilotprojekte auf Lieferanten, die bereit und willig sind, anstatt zu versuchen, die Akzeptanz über die gesamte Basis zu erzwingen.
3. Definieren Sie klare Anwendungsfälle. Formulieren Sie spezifische Geschäftsprobleme, die Sie mit Lieferketten-Orchestrierung lösen möchten, wie z.B. die Reduzierung von Durchlaufzeiten für saisonale Nachschübe, die Verbesserung der Prognosegenauigkeit für neue Produkteinführungen oder die Minimierung von Frachtkosten während Spitzenversandzeiten. Messen Sie den Erfolg anhand dieser konkreten Ziele und nicht anhand vager Effizienzgewinne.
4. Pilotieren Sie mit begrenztem Umfang. Beginnen Sie mit einer einzelnen Produktkategorie, Region oder Kundensegment, wo die Vorteile von Echtzeit-Sichtbarkeit und automatisierter Entscheidungsfindung voraussichtlich am höchsten sind. Führen Sie ein kontrolliertes Experiment durch, das digitale Arbeitsabläufe mit traditionellen Prozessen vergleicht, erfassen Sie quantitative Ergebnisse und iterieren Sie basierend auf dem, was Sie lernen.
5. Verhandeln Sie Dateneigentum und Portabilität. Wenn Sie einen Vermittler beauftragen oder eine Softwareplattform lizenzieren, klären Sie im Vertrag, wem die Transaktionsdaten, Lieferantenleistungsmetriken und Modelle des maschinellen Lernens gehören. Stellen Sie sicher, dass Sie Ihre Daten in einem Standardformat exportieren und zu einem anderen System migrieren können, wenn die Beziehung endet oder sich Ihre Bedürfnisse ändern.
6. Integrieren Sie Nachhaltigkeits- und Compliance-Metriken. Da der regulatorische Druck zunimmt, bauen Sie CO2-Fussabdruck, Kreislaufwirtschaft und Arbeitsrechts-Indikatoren von Anfang an in Ihr Lieferketten-Datenmodell ein. Wählen Sie Plattformen, die Auditresultate von Drittanbietern aufnehmen, Scope-3-Emissionen verfolgen und Berichte erstellen können, die mit aufkommenden Offenlegungsstandards übereinstimmen.
7. Investieren Sie in Change Management und Schulung. Technologie allein wird Ihre Lieferkette nicht transformieren. Menschen müssen verstehen, wie sie algorithmische Empfehlungen interpretieren, sie übersteuern, wenn geschäftliches Urteilsvermögen es erfordert, und die Modelle durch Feedback kontinuierlich verbessern. Stellen Sie Budget für Schulung, Prozessneugestaltung und laufende Unterstützung bereit, nicht nur für Softwarelizenzen und Hardware.