KI in der Logistik: Lager, Routenplanung und Nachfrageprognose

Ein Logistikleiter in einem mittelständischen Distributionsunternehmen verbringt heute mehrere Stunden pro Woche damit, Routen manuell zu planen, Lagerbestände zu korrigieren und Daten aus Papierdokumenten in das WMS-System zu übertragen. Jede Abweichung von der Nachfrageprognose führt entweder zu überhöhten Beständen, die Kapital binden, oder zu fehlender Ware und verzögerten Lieferungen. Das ist kein Skalierungsproblem: Es betrifft Unternehmen, die 50 Aufträge pro Tag abwickeln, genauso wie solche mit 5000 Aufträgen.

KI löst die Logistik nicht als Ganzes. Sie löst konkrete, repetitive Berechnungen, die der Mensch langsamer und fehleranfälliger durchführt als ein algorithmusgestützter Modell. Der Unterschied liegt im Detail: welche Berechnung, mit welchen Eingabedaten und mit welcher menschlichen Aufsicht.

Die Logistik umfasst viele Teilprozesse, aber drei Bereiche bringen den schnellsten messbaren Return on Investment und sind technologisch ausgereift genug, um sie 2026 in einem polnischen Unternehmen einzuführen.

Beginne mit einer Ebene. Der Versuch, alle drei gleichzeitig einzuführen, ist der häufigste Grund, warum KI-Projekte in der Logistik im Pilotstadium stecken bleiben.

Das klassische Vehicle Routing Problem (VRP) ist NP-schwer: Schon bei 20 Lieferpunkten ist der Lösungsraum zu groß für eine vollständige Suche. Heuristische Algorithmen (wie Google OR-Tools) liefern gute Ergebnisse, reagieren aber nicht auf aktuelle Ereignisse: Stau auf der Route, Änderung des Zeitfensters durch den Kunden, Fahrzeugausfall.

Ein KI-Agent mit Zugriff auf Tools fügt dynamische Neuberechnungen hinzu:

1. Der Zeitplan und die Lieferpunkte werden dem Agenten als Kontext übergeben.
2. Der Agent fragt die Verkehrslage-API und den aktuellen Flottenstatus ab.
3. Der VRP-Algorithmus berechnet eine Basistour; der Agent überprüft sie auf zeitliche und kapazitive Einschränkungen.
4. Bei einem Ereignis (Stau, Zeitfensteränderung) berechnet der Agent die Route neu und sendet dem Fahrer eine aktualisierte Sequenz.
5. Irreversible Aktionen (Änderung des Auftrags für den Kunden, Verschiebung des Lieferfensters) erfordern die Bestätigung des Disponenten durch Human-Gate.

Grundprinzip: Der Agent verwaltet die Berechnung, der Disponent genehmigt die Entscheidung über externe Auswirkungen. Ohne diese Grenze sendet das System schnell Nachrichten an Kunden ohne Aufsicht und generiert Reklamationen statt sie zu reduzieren.

Die meisten Unternehmen prognostizieren die Nachfrage in Excel: Sie nehmen den Durchschnitt der letzten N Monate und fügen eine intuitive saisonale Korrektur hinzu. Das funktioniert bei stabiler Nachfrage und wenigen SKUs. Es versagt, wenn es Hunderte von SKUs gibt, die Nachfrage saisonal ist und von externen Ereignissen abhängt (Kampagnen, Wetter, Feiertage).

Das Nachfrageprognosemodell für die Logistik kombiniert mehrere Datenquellen:

• Verkaufshistorie (auf SKU-, Kanal-, Regionsebene) als Trainingsdaten.
• Saisonalitätskalender (Feiertage, Branchenspitzen, Wochentage).
• Externe Ereignisse (Marketingkampagnen, Preisänderungen, Wetterdaten, wenn die Nachfrage wetterabhängig ist).
• Beschaffungsdaten (Liefertermine von Lieferanten, Mindestbestellmengen).

Das Ergebnis ist eine Prognose auf SKU-Ebene für 4–12 Wochen im Voraus mit einem Konfidenzintervall. Das System sagt nicht: „Bestelle 100 Stück“. Es sagt: „Mit 80-prozentiger Sicherheit benötigst du 80–120 Stück, bei der aktuellen Lieferzeit bestelle 90“. Die Entscheidung über die Bestellung bleibt beim Einkäufer.

Grenze, die nicht überschritten werden sollte: Automatisiere die Freigabe von Einkaufsbestellungen nicht ohne Human-Gate. Das Modell irrt sich seltener als der Mensch bei repetitiven SKUs, aber bei neuen Produkten, Unterbrechungen in der Lieferkette und einmaligen Ereignissen hat die historische Vorhersage keine Grundlage.

Ein logistisches Dokument hat eine Struktur (Auftragsnummer, Adresse, Gewicht, Waren-Code), aber diese Struktur variiert zwischen Partnern, Formaten und Ländern. Die manuelle Übertragung von Daten aus CMR, Lieferscheinen, Avisen und Rechnungen ist Arbeit, die kein Wissen erfordert, aber Zeit kostet und bei Müdigkeit Fehler verursacht.

Architektur der Dokumentenautomatisierung:

1. Das Dokument (Scan, PDF, Foto) gelangt über API oder einen vom Agenten überwachten Ordner in die Pipeline.
2. OCR wandelt das Bild in strukturierten Text um.
3. Ein Extraktionsmodell (instruction-tuned, kein generischer Chatbot) extrahiert Felder nach einem definierten Schema: Auftragsnummer, USt-IdNr., Adresse, Positionen.
4. Das Ergebnis wird gegen ein JSON-Schema validiert und auf Konsistenz geprüft (Summe der Positionen = Rechnungsbetrag, Postleitzahl passt zur Stadt).
5. Der Datensatz gelangt automatisch ins WMS/ERP, wenn die Validierung erfolgreich war. Falls nicht, landet das Dokument in einer Warteschlange für manuelle Prüfung.

Ergebnis in realen Implementierungen: 85–95 % der Dokumente werden automatisch verarbeitet, 5–15 % erfordern Eingriffe. Das bedeutet einen Wechsel von „jedes Dokument ist manuell“ zu „eines von zehn erfordert Aufmerksamkeit“. Bei 100 Dokumenten pro Tag ist das eine konkrete Zeitersparnis.

Wichtig: PII in Dokumenten (personenbezogene Daten von Fahrern, Privatkunden) müssen vor dem Senden an ein Cloud-Modell maskiert werden. Unternehmensdaten (USt-IdNr., Firmenadresse) können ohne Maskierung übertragen werden, da es sich um öffentliche Daten handelt. Bei besonders sensiblen Daten (Verträge, medizinische Daten) sollte ein Self-Hosting des Modells in Betracht gezogen werden.

Die Logistik verarbeitet personenbezogene Daten von Fahrern (GPS, Arbeitszeit) und Privatkunden (Lieferadressen, Bestellhistorie). Einige Anforderungen, die vor der Einführung von KI gelöst sein müssen:

• Rechtsgrundlage für die Verarbeitung von Fahrerdaten — GPS-Überwachung und Arbeitszeitanalyse durch KI müssen eine klare rechtliche Grundlage haben und den Mitarbeitern kommuniziert werden. Das ist keine technische, sondern eine rechtliche Frage.
• AI Act und Bewertungssysteme — Wenn ein KI-System die Leistung von Fahrern bewertet oder über ihre Routen entscheidet und dies Auswirkungen auf das Beschäftigungsverhältnis hat, kann es als Hochrisikosystem gemäß AI Act eingestuft werden, was eine DPIA und Compliance-Dokumentation erfordert. Details im Artikel AI Act und RODO 2026.
• Standortdaten und Cloud — Roh-GPS-Daten von Fahrern sind personenbezogene Daten. Vor dem Senden an ein externes Modell müssen sie anonymisiert oder pseudonymisiert werden. Eine Alternative ist das Self-Hosting des Optimierungsmodells.
• Data Residency — Für Unternehmen, die grenzüberschreitenden Transport abwickeln, prüfen Sie, in welcher Jurisdiktion die Daten verarbeitet werden und ob das Modell in der EU gehostet wird.

Führen Sie eine Risikobewertung vor dem Start durch, nicht danach. Die nachträgliche Anpassung der Architektur aufgrund von RODO in der Mitte des Projekts kostet ein Vielfaches mehr als die Berücksichtigung dieser Anforderungen in der Planungsphase.

Der häufigste Blockierer bei der Einführung von KI in der Logistik ist nicht das Modell, sondern die Integration mit den Quellsystemen. WMS von vor 10 Jahren, TMS ohne REST-API, ERP mit Export nur als CSV um 2:00 Uhr nachts. KI kann nur so viel, wie sie an Daten in nahezu Echtzeit erhält.

Drei Fragen, die die Architektur bestimmen:

1. Hat das Quellsystem eine API? Wenn ja, kann der Agent Daten in Echtzeit lesen. Wenn nicht, benötigen Sie eine ETL-Schicht oder einen geplanten Import.
2. Wie oft ändern sich Referenzdaten? Preislisten, Zonentabellen, Adressen von Lieferpunkten. Wenn sie sich häufig ändern, benötigen Sie einen Mechanismus zur Aktualisierung des Index.
3. Wer ist der Entscheidungsträger? Nicht das System, nicht das Modell. Eine konkrete Person, die die Route, die Bestellung oder die Eskalation genehmigt. Ohne klaren Verantwortlichen funktioniert Human-Gate nicht.

Ein Integrationsmuster, das das Risiko reduziert: Beginnen Sie im Read-Only-Modus. Die KI liest Daten aus WMS/TMS und gibt Empfehlungen, der Disponent genehmigt im Quellsystem. Erst wenn die Qualität der Empfehlungen über 4–6 Wochen bestätigt ist, sollten Sie Write-Back mit Human-Gate für bestimmte Aktionen in Betracht ziehen.

Es gibt keine einheitliche Zahl. Faustregel für die Logistik:

Wenn Ihre monatlichen Kosten für Kraftstoff und Fahrerzeit 50.000 PLN übersteigen und die Routen nicht algorithmisch optimiert werden, amortisiert sich die Routenoptimierung in 6–12 Monaten. Wenn Sie täglich mehr als 50 Dokumente manuell verarbeiten, amortisiert sich die Dokumentenautomatisierung in ähnlicher Zeit. Die Nachfrageprognose amortisiert sich langsamer (12–18 Monate), reduziert aber das in Beständen gebundene Kapital, was ein Effekt außerhalb der Gewinn- und Verlustrechnung ist.

Berechnen Sie dies mit Ihren Zahlen im ROI-Rechner. Geben Sie reale Volumina, Sätze und den geschätzten Automatisierungsgrad ein. Die Kosten für einen Piloten einer Ebene vereinbaren wir individuell über das Kontaktformular.

Beginnen Sie mit der Bewertung der Einsatzbereitschaft: Das Formular fragt nach Datenqualität, Integrationen und Prozessreife. Das Ergebnis zeigt, welche Ebene zuerst eingeführt werden sollte und wo technische Lücken bestehen.

Beschreiben Sie einen logistischen Prozess, der Ihr Team unverhältnismäßig viel Zeit kostet, und das Modell entwirft die KI-Architektur für diesen Fall: Eingabedaten, Modelltyp, Human-Gate und messbares Ergebnis (Playground: PII maskiert, keine Datenspeicherung).

Nein. Der Algorithmus berechnet optimale Routen schneller und systematischer als der Mensch, aber der Disponent kennt den Kontext: Kundenpräferenzen, Fahrzeugspezifika, Beziehungen zu den Fahrern. Die Rolle des Disponenten verschiebt sich von der manuellen Routenplanung zur Genehmigung und Bearbeitung von Ausnahmen. Entscheidungen mit externen Auswirkungen (Änderung des Lieferfensters für den Kunden, Neuverhandlung des Auftrags) erfordern immer einen Menschen.

Das Minimum sind 12 Monate Verkaufshistorie pro SKU, damit das Modell Saisonalität lernen kann. Bei 18–24 Monaten steigt die Prognosequalität deutlich. Wenn Sie weniger Daten oder neue Produkte ohne Historie haben, prognostiziert das Modell schlechter und Sie benötigen ein breiteres Konfidenzintervall sowie eine strengere Überwachung durch den Einkäufer. Prüfen Sie die Qualität und Vollständigkeit der Daten in der Bewertung der Einsatzbereitschaft vor dem Start.

GPS-Daten des Fahrers sind personenbezogene Daten. Vor dem Senden an ein externes Modell müssen sie anonymisiert werden: Entfernen Sie die Fahrer-ID, ersetzen Sie Start-/Zielort durch ein Pseudonym und behalten Sie nur die für die Optimierung notwendigen Daten (Punktesequenz, Zeitfenster). Roh-GPS-Daten sollten lokal mit definiertem TTL gespeichert werden. Details zu den Pflichten von Unternehmen finden Sie im Artikel AI Act und RODO 2026.

Ja, aber das sollte nur nach Validierung und mit einem Rückgängig-Mechanismus geschehen. Produktionsmuster: Die KI empfiehlt eine Änderung, der Nutzer genehmigt mit einem Klick, das System speichert und protokolliert. Für Aktionen mit hohem Wert (Bestellung über einem bestimmten Schwellenwert, Vertragsänderung mit dem Lieferanten) sollte immer Human-Gate angewendet werden, unabhängig von der Modellgewissheit. Beginnen Sie im Read-Only-Modus und aktivieren Sie Write-Back schrittweise nach Überprüfung der Qualität.

Eine Ebene (z. B. Dokumentenautomatisierung oder Routenoptimierung für eine feste Flotte) dauert in der Regel 3–6 Wochen: eine Woche Datenanalyse und Integration, eine Woche Pipeline-Erstellung, eine Woche Tests und Kalibrierung der Guardrails, eine Woche Pilotbetrieb mit realen Aufträgen unter Aufsicht. Die Dauer hängt hauptsächlich von der Datenqualität und der Verfügbarkeit von APIs der Quellsysteme ab. Lesen Sie Wie man mit der Einführung von KI beginnt für allgemeine Prinzipien der Pilotgestaltung.