William Blair: Manhattan Associates verzeichnet trotz Marktturbulenzen zwei Rekordquartale in Folge bei den Buchungen — KI-Agenten steigern Versandeffizienz um 6–30 %
Management von Manhattan Associates auf der 46. jährlichen William Blair Growth Stock Conference, 3. Juni 2026
Manhattan Associates trat auf der William Blair Growth Stock Conference mit einer Botschaft auf, die der allgemeinen Verunsicherung im Bereich Enterprise Software entgegensteht: Die Lieferkette ist kein optionaler Kostenfaktor, und Kunden warten nicht auf makroökonomische Klarheit, um ihre Systeme zu modernisieren. CEO Eric Clark, CTO Sanjeev Siotia und die neu ernannte CFO Linda Pinne lieferten eine der inhaltlich fundiertesten Management-Präsentationen der Konferenzsaison. Sie präsentierten konkrete Daten zur Einführung von KI-Agenten, zur Monetarisierungsstruktur und zu einer bemerkenswerten strukturellen Verschiebung der Kostenbasis des Unternehmens. Die für Investoren wichtigste Kennzahl: Manhattan hat gerade das beste vierte Quartal seiner Geschichte aus Sicht der Buchungen abgeschlossen, unmittelbar gefolgt vom besten ersten Quartal überhaupt – und das in einer Zeit, die Clark als „wahrscheinlich die unruhigste“ für Enterprise Software seit Jahren bezeichnete, geprägt von Zöllen rund um den Liberation Day, anhaltenden geopolitischen Konflikten und dem sogenannten „SaaSPocalypse“-Narrativ, wonach KI traditionelle Software verdrängen soll.
Der Stellenabbau ist eine Bereinigung von Legacy-Produkten, kein geschäftliches Warnsignal
Die Konferenz begann mit der Ankündigung, die bereits Anfang der Woche bekannt wurde: ein weltweiter Stellenabbau von rund 6 %. Clark äußerte sich direkt zum Hintergrund: „Wir haben als Unternehmen noch nie ein Produkt eingestellt, und das werden wir auch nicht ändern. Aber wir haben eine Reihe von Legacy-Produkten, für die wir immer weniger Kunden haben, weil immer mehr dieser Kunden auf unsere Cloud-Produkte umsteigen.“ Die Personalmaßnahme ist ausdrücklich an die Anpassung der Kostenstruktur für diese alten On-Premise-Systeme gebunden und nicht an eine nachlassende Nachfrage im Kerngeschäft. Der Subtext: Linda Pinne, die neu in die Rolle der CFO gewechselt ist, hat eine genauere Prüfung der Ausgaben in den strukturell rückläufigen Geschäftsbereichen angestoßen. Das Unternehmen verfolgt seit jeher das Ziel, mehr in Vertrieb und Marketing zu investieren, ohne die Margen zu belasten – dieser Schritt finanziert nun diese Verschiebung.
Ein Codegenerator, der vor der KI-Ära entstand, ist heute das wichtigste Asset des Unternehmens
Der vielleicht am meisten unterschätzte strukturelle Vorteil von Manhattan ist ein Umstand, der mehr als ein Jahrzehnt vor der aktuellen KI-Welle liegt. Siotia enthüllte, dass das Engineering-Team von Manhattan vor zwölf Jahren die Entscheidung traf, keinen traditionellen Enterprise-Code zu schreiben, sondern einen Codegenerator zu entwickeln – und diesen zur Erstellung der eigentlichen Produkte zu nutzen. Heute sind 75 % des Codes von Manhattan maschinell generiert; jeden Abend werden etwa 45 Millionen Codezeilen aus der Codebasis produziert. „Der Grund war damals nicht wirklich die Effizienz“, merkte Siotia an. „Der Hauptgrund war, wie wir bei anstehenden Veränderungen Schritt halten können.“ Die Architekturphilosophie – API-first, Headless, echte Microservices – war darauf ausgelegt, Paradigmenwechsel bei Benutzeroberflächen zu überstehen, von Green Screens über Mobile bis hin zu allem, was danach kam. Was danach kam, war generative KI, und die Architektur ist ideal dafür geeignet.
Siotia beschreibt das resultierende System als ein „deterministisches Rückgrat“, in das probabilistische KI-Logik sauber integriert werden kann. Diese Unterscheidung ist in der Lieferkette enorm wichtig, wo, wie er es ausdrückte, „fast korrekt gleichbedeutend mit falsch ist“. Wenn 101 Einheiten verschickt werden, obwohl 100 bestellt wurden, kann dies nachgelagerte Prozesse unterbrechen. Der hybride Ansatz des Unternehmens – die Beibehaltung regelbasierter, deterministischer Logik dort, wo Präzision erforderlich ist, und der Einsatz von LLMs nur an spezifischen Entscheidungsknoten, an denen probabilistische Schlussfolgerungen einen Mehrwert bieten – ist der Punkt, an dem mittlerweile selbst KI-native Wettbewerber ankommen. „Sogar Leute, die diesen Ansatz anfangs anders verfolgten, schließen sich jetzt wahrscheinlich unserer Sichtweise an“, so Siotia.
KI-Agenten sind produktiv im Einsatz und liefern messbare Verbesserungen beim Versand
Manhattan befindet sich nicht in einer Pilot-Sackgasse. Die agentenbasierten KI-Implementierungen des Unternehmens sind bereits aktiv in der Produktion, und die ersten ROI-Daten sind beeindruckend. Siotia beschrieb den Kernanwendungsfall: Lieferkettenoperationen sind im Grunde ein Geschäft des Ausnahmemanagements. Ein Mitarbeiter verbringt oft drei bis sechs Stunden mit der Lösung eines einzigen Problems – häufig lange nachdem das Zeitfenster für eine Reaktion geschlossen ist. „Wenn es ein Problem mit der Zuweisung eines Auftrags gibt, kann die Fehlersuche zwei bis drei Stunden dauern. Bis man herausfindet, dass die Ware noch im Wareneingang liegt, ist der Lkw oft schon weg und die Lieferung verpasst.“ Agenten, die diese Ausnahmen in Echtzeit lösen, führen bei frühen Kunden zu einer Verbesserung der Versandabschlussrate um 6 % bis 30 % – eine Spanne, die selbst am unteren Ende für jeden Betreiber im großen Maßstab erhebliche finanzielle Auswirkungen hat.
Clark fügte einen wichtigen architektonischen Punkt hinzu, warum die Agenten von Manhattan schneller produktiven Nutzen bringen als die der Konkurrenz: „Wir sprechen mit unseren Kunden nie über Data Lakes, Datenindizierungsprojekte oder die Latenz- und Sicherheitsrisiken, die damit verbunden sind. Wenn wir KI auf unserem System anwenden, nutzen wir dieselben APIs, die auch ein menschlicher Nutzer verwenden würde.“ Kunden auf der Cloud-Plattform können Agenten ab dem ersten Tag aktivieren, ohne dass ein Datenvorbereitungsprojekt erforderlich ist. Wettbewerber, deren KI-Schicht außerhalb der Kernanwendung liegt, stehen vor Vorbereitungszeiten von drei Monaten bis zu einem Jahr, bevor sie produktiv gehen können. Das Unternehmen hat zudem ein Dashboard entwickelt, mit dem Kunden genau sehen können, welche Agenten ihre Teams nutzen und welchen Wert sie daraus ziehen – eine direkte Antwort auf die Bedenken von CFOs hinsichtlich der Kosteneffizienz von KI.
Die Monetarisierung erfolgt über gestaffelte Abonnement-Aufschläge, nicht über eine Nutzungssteuer
Pinne stellte die kommerzielle Struktur für KI-Agenten klar, die bei Investoren für Unklarheit gesorgt hatte. Manhattan bepreist Agenten als prozentualen Aufschlag auf das Basisabonnement, wobei die Wahl der Stufe an den Bereitstellungsumfang gekoppelt ist – Anzahl der Standorte und Anzahl der Agenten – und nicht an den Token-Verbrauch. „Wenn sie zunächst nur einen Standort oder eine kleine Anzahl von Agenten ausrollen möchten, können sie aus Abonnement-Sicht eine niedrigere Stufe wählen. Und wenn sie das auf mehr Standorte ausweiten oder mehr Agenten entwickeln möchten, können sie von dort aus aufsteigen.“ Das 90-tägige Pilotprogramm fungiert als Mechanismus zur Bedarfsermittlung, der es Kunden ermöglicht, den Wert selbst zu identifizieren, bevor sie sich für eine Stufe entscheiden. Diese Struktur vermeidet die Sorge vor explodierenden Token-Kosten, die laut Clark aktuell bei Unternehmenskäufern ganz oben auf der Agenda steht.
Cloud-Umsatz soll im vierten Quartal den Dienstleistungsumsatz übertreffen; Margenausweitung beschleunigt sich
Clark wies auf einen strukturellen Wendepunkt hin, den sich Investoren vormerken sollten: „Im vierten Quartal dieses Jahres wird unser Cloud-Umsatz den Dienstleistungsumsatz übertreffen. Und sobald das geschieht, wird diese Lücke immer größer werden.“ Da die Cloud-Margen höher sind als die Dienstleistungsmargen, hat die Verschiebung des Umsatzmixes direkte Auswirkungen auf die Ausweitung der operativen Marge, die über den bisherigen Trend hinausgeht. Das Unternehmen steigert den Dienstleistungsumsatz in diesem Jahr auch absolut, was Clark als Signal für eine höhere Projektgeschwindigkeit interpretiert – mehr Go-lives, mehr Implementierungen – und nicht als Indikator für die Gesundheit des Dienstleistungsgeschäfts an sich. Der wichtige Frühindikator, den Pinne zu Jahresbeginn einführte, ist der „Ramped ARR“, der den vertraglich vereinbarten Umsatz in vier Jahren betrachtet; diese Kennzahl wuchs Ende 2025 im Jahresvergleich um 23 % und bietet eine strukturelle Umsatztransparenz, die allein durch RPO nicht erfasst wird.
Festpreis-Konvertierungen und KI-gestützte Migration beseitigen die Haupthürde für die Cloud-Einführung
Eine der operativ spezifischeren Offenlegungen von Clark betraf die Mechanismen der Konvertierung von On-Premise zur Cloud. Die historische Hürde für die Legacy-Kundenbasis von Manhattan war die Wahrnehmung – oft zutreffend, basierend auf jahrzehntelangen schmerzhaften ERP-Upgrades –, dass eine Migration ein großes, teures und mehrjähriges Risiko darstellt. Manhattan baut diese Wahrnehmung mit Festpreis-Konvertierungen mit festem Zeitrahmen ab. Das Unternehmen weiß bereits genau, was jeder Legacy-Kunde betreibt, kennt die Ziel-Cloud-Konfiguration und nutzt KI-gestützte Tools zur automatischen Konfiguration der Migration. Clark verwies auf eine Reduzierung der erforderlichen Erweiterungen um 40 %, und die verbleibenden Erweiterungen werden doppelt so schnell geschrieben. „Wir verpflichten uns zu Konvertierungen mit festem Zeitrahmen und Festpreis“, sagte er – eine kommerzielle Zusage, die die Entscheidung für die verbleibende On-Premise-Basis erheblich entlastet.
Das spezialisierte Konvertierungs-Vertriebsteam, das im letzten Jahr aufgebaut wurde, schlägt sich nun in den Pipeline-Kennzahlen nieder. Das Volumen bei Cross-Selling und Upselling zum Zeitpunkt der Vertragsverlängerung wächst signifikant, wobei die Pipeline nicht nur Geschäfte für das aktuelle Quartal, sondern auch für Verlängerungen in Q3 und Q4 widerspiegelt. Das Verlängerungsteam kontaktiert Kunden zwei Quartale vor Vertragsablauf gezielt, um die Möglichkeiten zur vollständigen Produkterweiterung zu identifizieren und zu positionieren, anstatt nur die Basisverlängerung zu sichern.
Multi-Produkt-Attach-Raten steigen strukturell, nicht zyklisch
Das historische Geschäft von Manhattan basierte auf Warehouse Management, aber die integrierte Architektur der Plattform sorgt für eine beständige Nachfrage nach mehreren Produkten gleichzeitig. Clark stellte fest, dass heute etwa die Hälfte der Neukunden, die Warehouse Management kaufen, gleichzeitig auch Transportation Management erwerben – im Vergleich zu praktisch null, als die Transport-Cloud erstmals eingeführt wurde. Die Mechanismen sind überzeugend: Da Manhattan eine einheitliche Microservices-Plattform gebaut hat, anstatt separate Anwendungen zu integrieren, teilen sich WMS und TMS grundlegende Datenobjekte. Eine Lieferung ist ein einzelner Datensatz, auf den beide Module zugreifen können. Siotia erläuterte den Business Case: „Wenn man die Planung durchführen kann und genau weiß, was man aus Bestandssicht hat, kann man entsprechend planen, und die Chancen, einen Lkw mit der richtigen Kapazitätsauslastung zu beladen, sind viel höher.“ Dieser Effizienzgewinn, so argumentierte er, könne die Investition in die Kombination aus WMS und TMS allein durch Einsparungen bei den Transportkosten rechtfertigen.
Supply Chain Planning, das vor etwas mehr als einem Jahr in der Cloud eingeführt wurde, erscheint bereits als häufiges Add-on bei der Kundenbasis. Order Management und Point of Sale entwickeln sich weiterhin parallel. Der natürliche Verlängerungszyklus für die Warehouse-Cloud-Kohorte – die vor fünf Jahren eingeführt wurde, was bedeutet, dass diese Kunden nun in ihre ersten Verlängerungsfenster eintreten – stellt eine strukturierte Möglichkeit zur Multi-Produkt-Erweiterung dar, die sich über die nächsten Jahre entfalten wird.
Verschiebung des Partner-Ökosystems schafft neue Pipeline aus Wettbewerber-Kundenstämmen
Vor einem Jahr hat Manhattan sein Partnermodell umstrukturiert. Man bewegte sich weg von einer Dynamik, in der Partner Manhattan weitgehend in Geschäfte folgten, um Dienstleistungsumsatz zu erzielen, hin zu einem Modell, bei dem von Partnern explizit erwartet wird, Pipeline zu generieren. Die frühen Indikatoren sind positiv. Clark beschrieb einen Partner, der eine sechsstädtige Europatour durchführte, die auf Interessenten abzielte, die derzeit Kunden von Manhattan-Wettbewerbern sind und vor einer Vertragsverlängerung stehen. Das explizite Ziel: Aufklärung über Manhattan Active und die Weiterleitung an die Anwenderkonferenz „EMEA Exchange“ als aktive Kaufinteressenten. „Wir sehen neue Geschäfte, die wir sonst nicht gesehen hätten“, so Clark. Da Partner in der Regel tiefere Beziehungen zu Tier-2-Konten haben – genau das Segment, in das Manhattan aggressiver vordringen will –, hat die Verschiebung des Ökosystems direkte Auswirkungen auf die Erweiterung des adressierbaren Marktes.
Die Expansion in den Tier-2-Markt ist der nächste Wachstumsvektor, Details folgen in der zweiten Jahreshälfte
Manhattan hat seinen Zielmarkt historisch als Tier 1 und Tier 2 definiert, die zusammen etwa 80 % der gesamten Ausgaben für Software in der Lieferkette repräsentieren. Clark räumte jedoch ein, dass das untere Ende des Tier-2-Segments nicht immer voll zugänglich war – nicht, weil es Manhattan an Fähigkeiten mangelt, sondern weil die Marke mit Komplexität und Größe assoziiert wird, was bei kleineren Interessenten zu einer Selbstselektionsverzerrung führt. Die Geschwindigkeits- und Kostenvorteile durch Festpreis-Migrationen und KI-gestützte Bereitstellung sollen die Gesamtbetriebskosten (TCO) so weit senken, dass Manhattan auch in tieferen Segmenten des Tier-2-Marktes wettbewerbsfähig wird. Clark deutete an, dass es in der zweiten Jahreshälfte 2026 formellere Ankündigungen dazu geben werde, wie das Unternehmen seinen adressierbaren Markt in diese Richtung erweitern will, was auf eine strukturierte Go-to-Market-Initiative hindeutet.
Siotia bot den zukunftsorientiertesten Rahmen der Sitzung, indem er erläuterte, wie Enterprise Software seiner Erwartung nach in fünf Jahren bewertet werden wird: „Sie wird an ihrem IQ gemessen – dem autonomen Teil, wie viel sie automatisieren und Intelligenz einbringen kann – und an ihrem EQ, was im Grunde die kontextuelle Intelligenz ist, also Software, die sich an Benutzer anpasst, anstatt dass Benutzer sich an Software anpassen müssen.“ Diese Einordnung deutet, unabhängig davon, ob Investoren die Terminologie übernehmen, auf ein Unternehmen hin, das ein Jahrzehnt damit verbracht hat, die Infrastruktur für einen Markt aufzubauen, der sich erst jetzt um es herum formt.