Wer im industriellen Einkauf mit Stahl zu tun hat, kennt das Gefühl: Man trifft Beschaffungsentscheidungen auf Basis von Erfahrungswerten und Marktgespür - und hofft, dass der Preis nicht in die falsche Richtung läuft. Genau dieses strukturelle Problem hat jetzt eine Forschungsarbeit aus dem Fraunhofer-Institut für Integrierte Schaltungen (IIS) in Nürnberg adressiert. Das Ergebnis ist praxisnah genug, um es ernst zu nehmen.
Der Ausgangspunkt: Stahlpreise als Planungsrisiko
Eisen, Stahl und Halbzeug waren im Mai 2026 rund 6,7 Prozent teurer als im Vorjahresmonat - und das in einem Markt, der ohnehin von strukturellen Verwerfungen geprägt ist. CBAM, der CO₂-Grenzausgleichsmechanismus der EU, greift seit Jahresbeginn in seiner definitiven Phase. Geopolitische Spannungen überlagern die Preisentwicklung zusätzlich. Der Bundesverband Materialwirtschaft, Einkauf und Logistik (BME) fasste es Ende 2025 nüchtern zusammen: Auch der Stahlmarkt bleibe volatil, langfristige Preisbindungen seien kaum verlässlich.
Das ist kein neues Problem. Aber es wird schärfer. Denn gleichzeitig steigt der Druck auf Einkaufsabteilungen, Beschaffungskosten zu optimieren - bei weniger Spielraum für Fehler.
Kontext: Der europäische Warmbandpreis (HRC Nordeuropa) lag Mitte Juni 2026 bei rund 686 €/t — nach einem starken Anstieg im ersten Quartal hat er sich zuletzt wieder abgeschwächt. Die Volatilität bleibt strukturell eingebaut: CBAM, Schrottzuschläge und die Transformation zu grünem Stahl treiben die Kostenuntergrenze langfristig nach oben.
Was Fraunhofer IIS entwickelt hat
Dr. Nico Beck, wissenschaftlicher Mitarbeiter im Bereich Supply Chain Services am Fraunhofer IIS, wurde Anfang Juli 2026 mit dem Forschungspreis des Großhandels 2026 der Forschungsvereinigung Großhandel e. V. (ForveG) ausgezeichnet. Der Preis gilt seiner Dissertation mit dem Titel "Neural Networks in Time Series Forecasting: Architectures, Evaluation, and Uncertainty Quantification for Macroeconomics and Commodity Prices" - ein Titel, der akademischer klingt, als er ist.
Der Kern der Arbeit: Neuronale Netze, konkret ein sogenanntes Historical Consistent Neural Network (HCNN), werden eingesetzt, um Preise verschiedener Stahlsorten zu prognostizieren. Das Modell wurde nicht im Labor entwickelt, sondern im Rahmen eines Industrieprojekts gemeinsam mit Stahlgroßhändlern - deren Markt- und Prozesswissen ist direkt in die Modellierung eingeflossen.
Was das Modell liefert, ist mehr als ein einzelner Prognosewert. Statt isolierter Punktprognosen erhalten Anwender Entscheidungsgrundlagen, die Trends, mögliche Preiskorridore und Unsicherheiten gleichzeitig berücksichtigen. Das Einkaufsteam sieht also nicht nur "der Preis wird steigen", sondern auch: mit welcher Wahrscheinlichkeit, in welchem Korridor, und ob das Modell mit der eigenen Markteinschätzung übereinstimmt - oder nicht.
Die entscheidende Frage: Was spart das wirklich?
Hier wird es konkret. In einer simulationsbasierten Beschaffungsstrategie konnten - abhängig von der Stahlsorte - Einsparungen von 0,6 bis 2,7 Prozent im Vergleich zu einer klassischen Just-in-time-Beschaffung erzielt werden. Bei Stahlpreisen ab 600 Euro pro Tonne ist das ein signifikanter wirtschaftlicher Effekt.
Wer jetzt denkt, 2,7 Prozent klingt überschaubar, sollte kurz rechnen: Bei einem Jahresbedarf von 5.000 Tonnen Stahl zu 700 Euro pro Tonne ergibt sich ein Einkaufsvolumen von 3,5 Millionen Euro. Zwei Prozent davon sind 70.000 Euro - ohne zusätzliche Investitionen in Maschinen, Personal oder Prozesse.
Der methodische Beitrag liegt dabei nicht nur in der Prognosegenauigkeit, sondern in der Transparenz. Das Modell erklärt seine Einschätzungen so, dass Einkäufer sie nachvollziehen und mit ihrer eigenen Expertise abgleichen können. Stimmt das Modell mit der Markteinschätzung des Einkaufsteams überein, erhöht das die Entscheidungssicherheit. Weicht es ab, zwingt es zur tieferen Auseinandersetzung mit dem Markt - was für sich genommen schon ein Mehrwert ist.
Was das für den Shopfloor bedeutet
Die Frage, die sich stellt: Ist das ein Forschungsprojekt, das in der Schublade bleibt - oder etwas, das in der Praxis ankommt?
Einige Hinweise sprechen für Letzteres. Die Methodik wurde explizit mit Großhändlern entwickelt, nicht für sie. Die Ergebnisse sind auf andere Rohstoffmärkte übertragbar - Metalle, Chemikalien, Energie. Und das Fraunhofer IIS hat mit dem Bereich Supply Chain Services eine Einheit, die auf den Transfer in die Unternehmenspraxis ausgerichtet ist.
Gleichzeitig gilt: KI-gestützte Prognosen sind kein Autopilot. Sie ersetzen nicht das Urteilsvermögen erfahrener Einkäufer, sondern ergänzen es. Das Modell liefert eine strukturierte Grundlage - die Entscheidung trifft weiterhin der Mensch. Wer das als Schwäche sieht, hat das Konzept missverstanden. Wer es als Stärke begreift, kann daraus echten Nutzen ziehen.
Generative KI im Produktionsumfeld: ein zweiter Fraunhofer-Ansatz
Parallel dazu arbeitet das Fraunhofer IPA in Stuttgart an einem verwandten, aber anders gelagerten Problem. Das Projekt ViPGeniE (Visualisierung von Produktionsdaten als generativ interaktive Erweiterung) zielt darauf ab, Produktions- und Maschinendaten per Chat abfragbar zu machen. Mitarbeitende sollen künftig konkrete Fragen stellen können - etwa zu Maschinenzuständen oder Temperaturverläufen - und als Antwort nicht nur Text, sondern auch passende Diagramme erhalten.
Das klingt nach einem anderen Anwendungsfall, trifft aber dasselbe strukturelle Problem: In vielen Fabriken fallen täglich große Mengen an Daten an, die ungenutzt bleiben - weil der Aufwand für Auswertung und Aufbereitung zu hoch ist, besonders für KMU. Ein Demonstrator des ViPGeniE-Systems ist für 2027 geplant.
Beide Projekte - Stahlpreisprognose und Maschinendaten-Chat - zeigen eine gemeinsame Richtung: KI wird nicht als Ersatz für Fachkompetenz eingesetzt, sondern als Werkzeug, das Komplexität handhabbar macht. Das ist eine nüchterne, aber belastbare Positionierung.
Einordnung
Wer auf den nächsten KI-Hype wartet, wird hier enttäuscht. Was Fraunhofer IIS vorgelegt hat, ist angewandte Forschung mit messbaren Ergebnissen - entwickelt mit Praktikern, ausgezeichnet von einer Branchenvereinigung, übertragbar auf weitere Märkte.
Für Einkaufsverantwortliche in der Industrie lautet die relevante Frage nicht, ob KI-gestützte Preisprognosen funktionieren. Die Frage ist, wann der eigene Betrieb anfängt, sie zu nutzen - und ob man dann noch zu den Ersten oder schon zu den Nachzüglern gehört.
Für welche Unternehmen ist KI-gestützte Stahlpreisprognose relevant?
Primär für Unternehmen mit relevantem Stahlbedarf — Großhändler, Maschinenbauer, Automobilzulieferer und Stahlverarbeiter. Je höher das Einkaufsvolumen, desto größer der absolute Effekt selbst kleiner prozentualer Einsparungen.
Ersetzt das KI-Modell den Einkäufer?
Nein. Das Fraunhofer-Modell ist explizit als Entscheidungsunterstützung konzipiert. Es liefert Preiskorridore, Trendeinschätzungen und Unsicherheitsmaße — die finale Entscheidung liegt beim Einkaufsteam.
Ist die Methodik auf andere Rohstoffe übertragbar?
Ja. Das Fraunhofer IIS sieht Potenzial für Metalle, Chemikalien und Energie. Die zugrunde liegenden Modellarchitekturen (Historical Consistent Neural Networks) sind nicht stahlspezifisch.
Wann sind solche Lösungen verfügbar?
Das Fraunhofer IIS bietet bereits heute KI-basierte Stahlpreisprognosen als Dienstleistung an. Das ViPGeniE-Projekt des Fraunhofer IPA plant einen Demonstrator für 2027.
