Globale Lieferketten versagen selten an einer einzigen, isolierten Stelle. Eine Verzögerung im Hafen kann mit Lieferengpässen, Produktionsengpässen, einem Ungleichgewicht im Lagerbestand und plötzlichen Nachfrageänderungen zusammenwirken. Die praktische Herausforderung besteht nicht nur darin, ein Problem zu erkennen. Es geht vielmehr darum zu verstehen, wie sich die Störung ausbreitet, welche Kunden und Produkte betroffen sind und welche Reaktion den besten Kompromiss zwischen Service, Kosten, Risiko und Wiederherstellungszeit bietet.
Genau diese Rolle kann ein gut konzipierter digitaler Zwilling in der Lieferkette spielen. Ein digitaler Zwilling ist eine synchronisierte virtuelle Repräsentation eines realen Systems. Im Kontext der Lieferkettenarbeit kann dieses System Lieferanten, Produktionsstätten, Häfen, Lager, Transportwege, Lagerbestände, Aufträge, Kapazitäten, Lieferzeiten und Geschäftsregeln umfassen. Anders als ein statisches Netzwerkdiagramm oder ein Dashboard, das lediglich vergangene Daten abbildet, kombiniert ein digitaler Zwilling aktuelle Daten mit Modellen, die zukünftige Entwicklungen simulieren können.
Die jüngsten Störungen unterstreichen die Bedeutung dieser Unterscheidung. In ihrem Bericht zur maritimen Handelsstrategie 2025 vom September 2025 stellte die UN-Handels- und Entwicklungsorganisation (UNCTAD) fest, dass über 80 % des Welthandels über die Seeschifffahrt abgewickelt werden und beschrieb den anhaltenden Druck durch Routenänderungen, schwankende Frachtkosten und Hafenstörungen. Es geht nicht darum, dass jedes Unternehmen ein komplexes globales Modell benötigt. Vielmehr geht es darum, dass Störungen sich häufig über vernetzte Systeme ausbreiten, sodass Entscheidungen an einem Knotenpunkt Auswirkungen an anderer Stelle haben können. Siehe dazu den UNCTAD-Bericht zur maritimen Handelsstrategie 2025 .
Für Anfänger ist es ein häufiger Fehler, jede Echtzeitvisualisierung als digitalen Zwilling zu bezeichnen. Ein Dashboard kann Versandstatus, Lagerbestände oder die Leistung von Lieferanten anzeigen. Ein digitaler Zwilling geht jedoch einen Schritt weiter, indem er diese Beobachtungen mit einem Modell des Systemverhaltens verknüpft.
Das US-amerikanische Nationale Institut für Standards und Technologie (NIST) beschreibt digitale Zwillinge als synchronisierte virtuelle Modelle, die Anwendern helfen, reale Systeme zu beobachten, zu diagnostizieren, vorherzusagen und zu optimieren. Das NIST betont zudem Verifizierung, Validierung, Interoperabilität und den Umgang mit Unsicherheiten, anstatt das Modell automatisch als vertrauenswürdig anzusehen. Das Projekt „Digitale Zwillinge für die fortgeschrittene Fertigung“ , das im Juli 2026 aktualisiert wurde, bietet hierzu eine hilfreiche Referenz.
Im Kontext einer Lieferkette bedeutet dies, dass der Planer Fragen beantworten sollte wie: Was geschieht aktuell? Was wird voraussichtlich geschehen, wenn sich nichts ändert? Welche Alternativen sind realisierbar? Welche Auswirkungen hat jede Alternative voraussichtlich? Und wie sicher sollte sich der Planer der Antwort sein?
Ein Projekt für einen digitalen Zwilling sollte mit einer unternehmerischen Entscheidung beginnen, nicht mit einer Technologieanschaffung. Wählen Sie ein Problem, das häufig genug, kostspielig genug und messbar genug ist, um eine Modellierung zu rechtfertigen. Beispiele hierfür sind Materialengpässe bei der Warenannahme, Hafenschließungen, begrenzte Produktionskapazitäten, Unterbrechungen der Kühlkette, verspätete Lieferungen von Zulieferern oder Probleme bei der Lagerverteilung zwischen verschiedenen Distributionszentren.
Eine präzise Fragestellung lässt sich leichter überprüfen als ein vages Ziel wie „die Lieferkette widerstandsfähiger machen“. Ein aussagekräftigerer Ansatzpunkt ist: „Wenn ein kritischer Lieferant länger als drei Tage ausfällt, müssen die betroffenen Aufträge identifiziert und innerhalb von 30 Minuten mögliche Wiederherstellungsoptionen verglichen werden.“ Der genaue Schwellenwert variiert je nach Unternehmen, die Struktur ist jedoch wichtig: Ereignis, betroffener Umfang, Entscheidung und erwartete Reaktionszeit.
Listen Sie nur die für diese Entscheidung notwendigen Entitäten und Beziehungen auf. Typische Entitäten sind Lieferanten, Teile, Stücklisten, Werke, Häfen, Transportwege, Spediteure, Lager, Kunden und Bestellungen. Beziehungen beschreiben Abhängigkeiten: Ein Teil versorgt ein Werk, ein Werk beliefert ein Distributionszentrum, ein Transportweg verbindet zwei Knotenpunkte oder eine Bestellung benötigt eine bestimmte Komponente.
Dieses Netzwerk wird häufig als Graph dargestellt. Die offizielle Übersicht zu Azure Digital Twins von Microsoft ist ein konkretes Beispiel für eine Architektur, die reale Umgebungen als verbundene Entitäten und Beziehungen modelliert und diese anschließend anhand von IoT- und Geschäftssystemdaten aktualisiert. Ein Supply-Chain-Zwilling muss nicht zwingend Azure verwenden, das Graphkonzept ist jedoch plattformunabhängig nützlich.
Konzipieren Sie nicht auf Basis von Daten, die nur in einer Präsentation vorliegen. Ermitteln Sie die maßgeblichen Quellen, die Verantwortlichen, die Aktualisierungsfrequenz, die Latenz und die zu erwartende Qualität. Gängige Quellen sind ERP-Systeme, Transportmanagementsysteme, Lagerverwaltungssysteme, Lieferantenportale, IoT-Sensoren, Speditionsdaten, Bestellungen, Bestandsdatensätze, Produktionspläne und Stammdaten.
| Geschäftsfrage | Minimale Nutzdaten | Typische Modellausgabe | Qualitätssignal |
|---|---|---|---|
| Welche Aufträge sind gefährdet? | Bestellungen, Lagerbestand, Stückliste, Lieferantenstatus | Exposition durch Kunden oder Produkt | Die Exposition entspricht bekannten Operationsfällen |
| Soll der Güterverkehr umgeleitet werden? | Routen, Vorlaufzeiten, Kapazität, Kosten, Hafen- oder Speditionsereignisse | Alternativrouten-Szenarien | Machbare Routen und realistische Annahmen zum öffentlichen Nahverkehr |
| Wohin sollen die knappen Lagerbestände fließen? | Lagerbestand, Nachfrage, Serviceprioritäten, Nachschubzeiten | Zuteilungsempfehlungen | Die Zielkonflikte zwischen Service und Lagerhaltung sind sichtbar |
| Wird ein Kraftwerksausfall zu einer Verknappung führen? | Kapazität, Produktionsplan, Abhängigkeiten, Puffer | Prognostiziertes Engpassfenster | Der Vorhersagefehler wird im Zeitverlauf verfolgt. |
Die erste Version sollte einen zuverlässigen Ist-Zustand erfassen. Sie sollte wissen, welche Knoten existieren, welcher Bestand verfügbar ist, welche Aufträge sich bewegen, wo Verzögerungen auftreten und welche Abhängigkeiten relevant sind. In dieser Phase kann das System noch nicht viele Vorhersagen treffen. Das ist akzeptabel, solange es fragmentierte Tabellen und inkonsistente Statusberichte durch ein verlässliches Lagebild ersetzt.
Der Erfolg zeigt sich, wenn Planer weniger Zeit mit dem Abgleich widersprüchlicher Daten verbringen und eine Ausnahme auf ihre Ursache zurückführen können. Wenn Teams weiterhin über grundlegende Größen oder Knotenidentitäten diskutieren, wird der Einsatz von maschinellem Lernen das Problem in der Regel eher verschärfen als lösen.
Simulationen wandeln Transparenz in Entscheidungshilfe um. Das Modell kann „Was-wäre-wenn“-Fragen stellen: Was passiert, wenn ein Hafen fünf Tage lang nicht verfügbar ist? Was passiert, wenn sich die Transitzeit auf einer Route verdoppelt? Was passiert, wenn ein Lieferant nur 60 % einer Bestellung erfüllen kann? Was passiert, wenn sich die Nachfrage von einer Region in eine andere verlagert?
Entscheidend ist, die betrieblichen Folgen zu modellieren, nicht nur das Ereignis selbst. Eine Hafenstörung ist relevant, weil sie Lieferzeiten, Wareneingang, Materialverfügbarkeit, Kundenservice und potenziell auch Frachtkosten beeinflusst. Ein sinnvolles Zwillingsmodell bildet diese Abhängigkeiten im gesamten Netzwerk ab.
Sobald das Modell bekannte Betriebsabläufe innerhalb eines akzeptablen Fehlerbereichs reproduzieren kann, kann die Optimierung verschiedene Maßnahmen zur Fehlerbehebung vergleichen. Je nach Anwendungsfall empfiehlt sie beispielsweise, Fracht umzuleiten, die Produktionsreihenfolge zu ändern, Lagerbestände neu zu verteilen, einen alternativen Lieferanten zu nutzen oder ausgewählte Kunden zu priorisieren.
Die Empfehlung sollte Einschränkungen und Abwägungen beinhalten. „Nutzen Sie Route B“ ist ein unzureichender Ratschlag. Die Formulierung „Route B umgeht den blockierten Hafen, verlängert die Transitzeit um zwei Tage, beansprucht verfügbare Kapazitäten, schützt den vorrangigen Kundenauftrag und erhöht die Gesamtkosten“ liefert dem Planer genügend Kontext für eine fundierte Entscheidung.
Geschlossene Automatisierungskreise ermöglichen es dem System, Aktionen mit minimalem menschlichen Eingriff auszulösen. Dies ist jedoch nur dann sinnvoll, wenn die Eingangsdaten zuverlässig, die Geschäftsregeln klar und die Fehlermodi bekannt sind. Viele Organisationen sollten Maßnahmen mit hoher Tragweite, insbesondere solche, die Lieferantenverpflichtungen, regulierte Produkte, die Kundenzuordnung oder teure Premiumfracht betreffen, weiterhin beratend begleiten.
Betrachten wir ein hypothetisches Elektronikunternehmen, dessen wichtigste Importroute über einen überlasteten Hafen führt. Die Transparenzschicht erkennt die Verzögerung und identifiziert drei Bestellungen für eine Komponente, die von zwei Werken benötigt wird. Die Simulationsschicht schätzt, wann die Lagerbestände der einzelnen Werke unter den Sicherheitsbestand fallen, falls keine Maßnahmen ergriffen werden. Anschließend vergleicht die Szenario-Engine Alternativen wie Abwarten, Umleitung über einen anderen Hafen, Luftfracht für einen Teil der Menge oder Umverteilung der Lagerbestände zwischen den Werken.
Das wichtigste Ergebnis ist nicht eine einzige „beste“ Lösung. Vielmehr ist es eine Rangliste realisierbarer Optionen mit Annahmen, erwarteten Auswirkungen auf den Service, Kosten, Kapazitätsanforderungen und Unsicherheiten. Dies ermöglicht dem Planer eine strukturierte Entscheidungsgrundlage anstelle eines trügerischen Sicherheitsgefühls.
Ein perfektioniertes 3D-Modell ist kein Beweis für einen brauchbaren digitalen Zwilling. Die Qualität sollte anhand der Entscheidungen gemessen werden, die das System unterstützen soll.
Die NIST-Studie zu digitalen Zwillingen in Lieferketten aus dem Jahr 2026 ist in diesem Zusammenhang besonders hilfreich, da sie sowohl potenzielle als auch bestehende Lücken aufzeigt. Die Studie identifiziert Echtzeitüberwachung, Simulation und Optimierung als wertvolle Funktionen und weist gleichzeitig auf Datenqualität und -zugänglichkeit, Datenschutz und -sicherheit sowie die Bewertung des Return on Investment als wichtige Hürden hin. Siehe die NIST-Studie zu digitalen Zwillingen in Lieferketten, veröffentlicht am 16. März 2026 .
Nicht jedes Problem in der Lieferkette erfordert einen vollständigen digitalen Zwilling. Wenn Daten nur einmal pro Woche eintreffen, kann eine komplexe Echtzeitarchitektur die Kosten erhöhen, ohne die Entscheidungen zu verändern. Bei einem kleinen und stabilen Netzwerk kann ein herkömmliches Planungsmodell oder eine ereignisdiskrete Simulation ausreichend sein. Fehlen dem Unternehmen konsistente Stammdaten, sollten Daten-Governance und -Integration vor der Modellerweiterung priorisiert werden.
Ändern Sie Ihren Kurs, wenn Sie eines dieser Signale sehen:
Ein kleineres Zwillingsunternehmen, das sich auf eine Produktfamilie, eine Region oder einen bestimmten Innovationstyp konzentriert, kann nützlicher sein als ein ambitioniertes Unternehmensmodell, das nie validiert wird.
Globale Netzwerke umfassen Tausende von Entitäten und Beziehungen. Die Modellierung all dieser Elemente vor dem Nachweis eines Anwendungsfalls erhöht die Integrationskosten und den Validierungsaufwand. Beginnen Sie mit den wichtigsten Entscheidungen und erweitern Sie die Abdeckung, sobald sich der Nutzen bessert.
Ein Zwilling benötigt relevante, geregelte Daten, nicht jedes verfügbare Feld. Große Sensordatenmengen können fehlende Lieferzeiten von Zulieferern, fehlerhafte Teilezuordnungen oder inkonsistente Standort-IDs nicht ausgleichen.
Jede Simulation basiert auf Annahmen. Lieferzeiten variieren. Die Kapazität der Lieferanten kann unsicher sein. Wettervorhersagen ändern sich. Die Nachfrage kann sich verschieben. Gute digitale Zwillinge decken Unsicherheiten auf, anstatt sie hinter einer einzigen präzisen Zahl zu verbergen. Die Arbeit des NIST im Bereich digitaler Zwillinge legt explizit Wert auf Verifizierung, Validierung und Quantifizierung von Unsicherheiten.
Eine Maßnahme zum Schutz eines Lagers kann ein anderes Lager beeinträchtigen. Die Beschleunigung einer Kundenbestellung kann Kapazitäten beanspruchen, die für einen größeren Auftrag benötigt werden. Ziel eines Netzwerk-Twins ist es, diese Wechselwirkungen sichtbar zu machen, damit lokale Korrekturen keine größeren Folgeprobleme verursachen.
Resilienz bedeutet, Abhängigkeiten, Alternativen, Puffer und Reaktionsoptionen zu managen, nicht den Welthandel automatisch zu eliminieren. Der OECD-Bericht zur Resilienz von Lieferketten, veröffentlicht am 2. Juni 2025, kam zu dem Ergebnis, dass weitreichende Verlagerungsszenarien den Welthandel um mehr als 18 % und das globale reale BIP um mehr als 5 % reduzieren könnten, ohne die Resilienz nachhaltig zu verbessern. Digitale Zwillinge sind unter anderem deshalb nützlich, weil sie Unternehmen ermöglichen, gezielte Änderungen zu testen, bevor sie kostspielige Strukturreformen in Angriff nehmen.
Ein digitaler Zwilling kann keine Transparenz schaffen, wo keine Daten verfügbar sind. Er kann Lieferanten nicht dazu zwingen, genaue Kapazitätsinformationen bereitzustellen, nicht garantieren, dass ein Transportunternehmen eine alternative Route akzeptiert, und seltene Ereignisse nicht mit Sicherheit vorhersagen. Auch kann er Verträge, Sicherheitsbestände, Lieferantenentwicklung, Cybersicherheit, Notfallplanung und menschliches Urteilsvermögen nicht ersetzen.
Unternehmensübergreifende Zwillingsmodelle werfen zusätzliche Governance-Fragen auf: Wem gehören die gemeinsam genutzten Daten, wie häufig werden sie aktualisiert, wer darf sie korrigieren, wie werden vertrauliche Informationen geschützt und was geschieht bei unterschiedlichen Datenquellen? Diese Fragen sind oft komplexer als die Simulation selbst.
Wählen Sie für ein erstes Projekt eine Störungsklasse und eine Entscheidung aus. Erstellen Sie ein minimales Netzwerkmodell, identifizieren Sie verlässliche Datenquellen, legen Sie Basiskennzahlen fest und entwickeln Sie ein Ist-Zustandsmodell. Validieren Sie dieses Modell mit den Planern, bevor Sie Prognosen hinzufügen. Simulieren Sie anschließend einige bekannte historische Störungen und vergleichen Sie die modellierten Ergebnisse mit den tatsächlichen Ereignissen. Erst wenn das Modell plausible Ergebnisse liefert, sollten Sie Optimierung oder Automatisierung einführen.
Das Ziel sollte einfach sein: Der digitale Zwilling soll dem Unternehmen helfen, Störungen frühzeitig zu erkennen, ihre wahrscheinlichen Folgen zu verstehen, mögliche Reaktionen zu vergleichen und innerhalb der verfügbaren Zeit eine bessere Entscheidung zu treffen. Kann er dies nicht zuverlässig leisten, wird das Hinzufügen weiterer Grafiken, Datenfeeds oder Algorithmen das Kernproblem nicht lösen.
Für Leser, die sich für die Normenperspektive interessieren, bietet die Übersicht des NIST zu den Standards für digitale Zwillinge in der Fertigung einen Überblick über ISO 23247 und die umfassendere Herausforderung, digitale Zwillinge interoperabel und vertrauenswürdig zu gestalten. Diese Aspekte sind nicht nur für die Fertigung relevant, sondern auch für Lieferketten-Zwillinge, die häufig zahlreiche Systeme, Organisationen und Lebenszyklusphasen miteinander verbinden müssen.
Die Technologie des digitalen Zwillings kann das Management von Lieferkettenunterbrechungen disziplinierter gestalten, indem sie operative Echtzeitdaten mit Netzwerkmodellen, Simulationen und Optimierungen verknüpft. Ihr Nutzen ist am größten, wenn sie an eine konkrete Entscheidung gekoppelt ist, auf verlässlichen Daten basiert, anhand realer Ergebnisse validiert wird und Unsicherheiten transparent darstellt.
Für Anfänger ist es ratsam, nicht gleich das größtmögliche Zwillingsmodell zu entwickeln. Stattdessen sollte man ein möglichst kleines Modell erstellen, das eine wichtige Frage zu disruptiven Technologien glaubwürdig beantworten kann, nachweisen, dass es Entscheidungen verbessert, und es erst dann erweitern, wenn die Beweislage den nächsten Schritt rechtfertigt.
Erfahren Sie, wie Chiplets, fortschrittliche Gehäusetechnologien, KI-Beschleuniger und Siliziumkarbid die Industrie verändern – und wie Sie die Technologie ohne den Hype bewerten können.
Erfahren Sie, wie verkörperte KI, Vision-Sprache-Aktions-Modelle, Simulation und Ganzkörpersteuerung humanoide Roboter anpassungsfähiger machen – und wo die Grenzen weiterhin liegen.
Vergleichen Sie zentralisierte Flugsicherungssysteme, UTM/U-Space-Systeme, Korridore und hybride Verkehrsmanagementsysteme für dichte städtische Lufträume, einschließlich Sicherheit, Skalierbarkeit, Resilienz und Kompromissen.
Erfahren Sie, wie digitale Zwillinge in der Lieferkette Live-Daten, Simulationen und Szenario-Tests kombinieren, um Transparenz, Resilienz und Reaktionsfähigkeit bei Störungen zu verbessern.
Ein praxisorientierter Blick auf den Luftraum, die Bodenstationen, die Energieversorgung, die Kommunikationsinfrastruktur, die Sicherheitsinfrastruktur und die kommunale Infrastruktur, die erforderlich sind, um den Luftfrachtverkehr in großem Umfang zuverlässig zu gestalten.
Wie Megastädte grüne Infrastruktur, Stadtwälder, Feuchtgebiete, Gründächer und blau-grüne Korridore nutzen können, um Hitze- und Überschwemmungsrisiken zu reduzieren.
Erfahren Sie, wie UTM gemeinsame Flugabsichten, strategische Konfliktvermeidung, Konformitätsüberwachung, taktische Trennung und sorgfältig abgegrenzte KI kombiniert, um dichten Drohnenverkehr zu bewältigen.
Erfahren Sie, wie Gehirn-Computer-Schnittstellen die Kommunikation und Kontrolle wiederherstellen, was die aktuelle Forschung tatsächlich leisten kann und welche Sicherheits- und Ethikfragen sich uns stellen.
Erfahren Sie anhand eines klar gekennzeichneten hypothetischen Anlagenbeispiels, wie Fabriken autonome Systeme in den Bereichen Robotik, AMRs, KI, digitale Fäden, Sicherheit und Cybersicherheit skalieren.
Vergleichen Sie führende Studiengänge in den Bereichen BCI, Neuroengineering und Neurotechnologie – vom Bachelor bis zum Doktorgrad – und erfahren Sie, was Sie vor Ihrer Bewerbung lernen sollten.
