LONDON (IT BOLTWISE) – Der Supply-Chain-Startup Atomic hat nach dem Stealth-Launch eine Series-A-Runde über 12,5 Millionen US-Dollar eingesammelt. Die Software simuliert, welche Bestands- und Beschaffungsentscheidungen nötig sind, und entscheidet in bestimmten Fällen sogar automatisch. Der Ansatz knüpft an ein Tesla-internes Planungsproblem beim Model-3-Produktionshochlauf 2018 an. Für Kunden wie DoorDash zielt das Produkt darauf, Planungsdaten aus Tabellenwerken in einen durchgängigen, agentischen Entscheidungsablauf zu verschieben.
Atomic macht Lieferkettenplanung nicht einfach zu einer Empfehlungsschicht, sondern zu einer Entscheidungsmaschine. Das Bostoner Startup ist aus dem Stealth-Modus zurück und hat eine Series-A-Finanzierungsrunde über 12,5 Millionen US-Dollar abgeschlossen. Damit liegt die Gesamtfinanzierung inzwischen „just north of 15 million“ US-Dollar, während das Unternehmen gleichzeitig die eigenen Umsatzzahlen hochfährt: Laut Jon McNeill, Gründer von DVx Ventures und ehemaliger Tesla-Präsident, hat sich die jährliche Wiederkehrerlös-Rate seit Jahresbeginn vervielfacht – im Text wird von einem „quintupled“ gesprochen. Für die Praxis bedeutet das vor allem: Atomic adressiert ein Problem, das viele Unternehmen seit Jahren kennen, aber nur schwer automatisierbar machen – die Abhängigkeit zwischen Bestandsmengen, Standorten und laufend wechselnden Planungsannahmen.
Technisch setzt Atomic auf ein Modell, das Szenarien durchspielt, um festzulegen, wie viel Inventar benötigt wird und wo es liegen sollte. Im Unterschied zu klassischen Planungswerkzeugen bleibt der Kern nicht bei der Berechnung stehen: Atomic empfiehlt nicht nur, sondern kann auf Wunsch auch die Entscheidung selbst treffen. Der Ursprung dieses Ansatzes liegt laut Darstellung in einer konkreten Krise bei Tesla während des Model-3-Produktionsramp im Jahr 2018, als „spreadsheets couldn’t keep up“ – also einfache Tabellen die Geschwindigkeit der sich ändernden Planungslogik nicht mehr abbilden konnten. Die Idee dahinter ist ein Wandel vom statischen Plan hin zu einem kontinuierlichen Optimierungsprozess, der auch dann funktioniert, wenn sich Eingangsparameter täglich verändern.
Für Unternehmen ist genau diese Adaptionsfähigkeit der Hebel, weil Lieferketten selten „einfach nur“ Transport und Lager sind. Rossiter beschreibt Atomic als „a general model of how you think about supply chains and operating models“ und betont, dass die KI sich an unterschiedliche Systemlogiken anpassen und „tailor fit“ kann – also in unterschiedliche operative Strukturen hineinpasst, statt auf ein einziges Daten- und Entscheidungsformat festgenagelt zu sein. Im Text wird außerdem angedeutet, dass Atomic neben dem Lebensmittelbereich (als Beispiel DoorDash) auch Consumer-Packaged-Goods adressiert und „mobility and manufacturing clients“ stärker ausbaut. Solche Branchenwechsel sind oft der härteste Realitätscheck für agentische Software: Modellierung, Entscheidungsregeln und Risikoannahmen müssen sich an neue Restriktionen anpassen, etwa bei Haltbarkeitslogiken, Lieferfenstern oder Produktionszyklen.
Die Markteinordnung wird besonders greifbar, wenn man den Produktfortschritt in Richtung Autonomie betrachtet. McNeill beschreibt, wie Atomic sich von einer Optimierungsplattform entwickelt hat, die Empfehlungen ausgibt, hin zu einer Lösung, die „makes decisions“ und dadurch in einem Teilbereich „fully autonomous“ wird. Als konkretes Beispiel nennt er, dass DoorDash „90% of its purchasing across hundreds of sites“ steuert. Für CIOs und Supply-Chain-Leads ist das weniger eine Marketingzahl als ein Hinweis darauf, dass Atomic nicht nur auf Einzelentscheidungen optimiert, sondern in ein breiteres Operating-Model eingespeist wird. Zudem fällt auf, dass das Team offenbar früh auf schnelle Inbetriebnahme gesetzt hat: McNeill sagt, Atomic habe den Onboarding-Prozess so komprimiert, dass die Aktivierung für Kunden „a non-event“ werde.
Damit rückt ein oft unterschätzter Punkt in den Vordergrund: Wie schnell kann eine Agent-Lösung echte Entscheidungsregeln aus heterogenen Unternehmensdaten ableiten? Laut McNeill konnte das Team „decision rules“ identifizieren, die im Unternehmen zwar gelebt, aber nicht irgendwo sauber dokumentiert waren. Seine Kundenformulierung bringt es auf den Punkt: Wenn das System die impliziten Regeln erkennt, „you might as well make the decision and free my time up“. Der operative Nutzen dahinter ist eine realistische Zielgröße: Entscheidungsgeschwindigkeit. In der Darstellung wird das als Prinzip aus Tesla abgeleitet, wo es hieß, dass „decision speed“ Wettbewerber in der Summe nachzieht – weil eine Entscheidung sofort zur nächsten Entscheidungsrunde beiträgt. Atomic macht damit die Logik von „Closed Loop“-Optimierung in einen Produktkontext übersetzbar: schneller entscheiden, besser lernen, wieder entscheiden.
Die personelle Ausrichtung verstärkt diesen Bezug zur Planungsdomäne. Atomic holt Jeff Goodrich, langjährigen Tesla-Planning-Director, als CTO und dritten Co-Founder an Bord. Gleichzeitig bleibt Michael Rossiter als CEO in der Linie der Produktvision verankert. Für das Technologie- und Recruiting-Umfeld von Startups ist das ein Signal: Nicht nur das Modell ist entscheidend, sondern auch die Architektur für Entscheidungslogik, Betriebsführung und Integrationen in bestehende Systeme. Genau hier entscheidet sich, ob „agentic AI“ im Alltag mehr ist als ein Pilotprojekt. McNeill spricht ebenfalls den Übergang an: „The company has transitioned from pilot customers into real customers“, wobei DoorDash-scale als Maßstab genannt wird.
Mit der Series-A-Finanzierung steigt nun der Druck, aus einem funktionierenden Entscheidungs-Loop ein wiederholbares Rollout-Modell zu machen. Für Investoren ist das Timing naheliegend: Wenn jährliche Wiederkehrerlöse bereits deutlich zulegen und Kunden in der Breite kaufen, reduziert das das Risiko, dass es nur bei Demonstratoren bleibt. Für den Markt bedeutet es vor allem Wettbewerb um die „Inventory & Purchasing“-Schicht: Wer die Entscheidungslogik standardisieren und gleichzeitig branchenspezifisch adaptieren kann, gewinnt nicht nur Verträge, sondern auch Datenrückkopplung. Rossiter bringt den Nutzen aus seiner Sicht auf den Punkt: „AI can play the role of finding all of the best paths through that forest.“ Die nächsten Schritte werden daher weniger in der Grundidee liegen, sondern in der Frage, wie robust die Systeme unter realen Schwankungen aus mehreren Datenquellen hinweg laufen – und wie schnell neue Kunden von der ersten Aktivierung bis in den Vollbetrieb kommen.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Atomic sichert 12,5 Mio. US-Dollar: KI macht Lieferkettenentscheidungen autonom" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Atomic sichert 12,5 Mio. US-Dollar: KI macht Lieferkettenentscheidungen autonom" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Atomic sichert 12,5 Mio. US-Dollar: KI macht Lieferkettenentscheidungen autonom« bei Google Deutschland suchen, bei Bing oder Google News!