AI für Logistik und Lager: Prognosen, Routing und Dokumentenautomatisierung

In Logistikprojekten sehen wir regelmäßig dasselbe Muster: Ein Unternehmen hat gehört, dass „AI die gesamte Lieferkette optimiert“, doch nach einem Gespräch stellt sich heraus, dass die Mitarbeiter die meiste Zeit mit dem Abtippen von CMRs in das System und dem manuellen Sortieren von E-Mails von Spediteuren verbringen. Das ist kein Scheitern – das ist eine gute Nachricht. Diese engen, repetitiven Aufgaben löst AI fair und vorhersehbar. Schwierigere Bereiche wie die Nachfrageprognose für die Saison liefern nur dann einen Wert, wenn eine klar benannte Fehlermarge und ein Mensch, der die endgültige Entscheidung trifft, vorhanden sind. Im Folgenden zerlegen wir vier Anwendungen in ihre Einzelteile: was funktioniert, mit welcher Genauigkeit und wo die Rolle des Modells endet.

Die Nachfrageprognose ist ein Bereich, in dem es leicht ist, zu viel zu versprechen. Das Modell lernt aus Verkaufshistorie, Saisonalität, Promotionen und dem Kalender, um den Bedarf auf SKU- oder Produktgruppenebene vorherzusagen. Für stabile, schnelldrehende Positionen mit 18-24 Monaten sauberer Historie liegt die reale Genauigkeit (gemessen als Anteil der Treffer innerhalb einer Toleranzspanne, z. B. ±15%) meist im Bereich von 75-90%. Für langsamdrehende Positionen, neue Produkte oder ein Sortiment, das stark von einzelnen Großkunden abhängt, sinkt sie auf 50-70% – und kein Modell kann das beheben, da einfach das Signal fehlt.

Daher ist die Prognose keine Entscheidung, sondern eine Eingabe für die Entscheidung. Der Planer erhält eine Zahl zusammen mit einem Konfidenzintervall und einer Liste der Faktoren, die das Ergebnis am stärksten beeinflusst haben. Hier kommt der menschliche Überwachung ins Spiel: Das Modell weiß nichts von einer angekündigten Promotion der Konkurrenz oder davon, dass der größte Kunde den Lieferanten wechselt. Eine faire Implementierung zeigt die Unsicherheit auf, statt sie hinter einer schönen Zahl zu verstecken.

Der zweite Bereich ist die Ordnung des Auftragsstroms: Welche Aufträge zuerst versenden, welche in einer Route zusammenfassen, welche als gefährdet für Terminüberschreitung markieren. Hier erfindet AI keine Routen von Grund auf neu (das machen dedizierte Optimierungssolver), sondern liest den Kontext des Auftrags und vergibt Priorität sowie Kategorie. Es funktioniert wie ein Mehrfachlabel-Klassifikator: Für jeden Auftrag legt es Dringlichkeit, Ladungstyp, Verzögerungsrisiko und fest, ob menschliche Aufmerksamkeit erforderlich ist.

Die Signale, die das Modell liest: deklariertes Lieferfenster im Verhältnis zur aktuellen Zeit, Verzögerungshistorie auf der jeweiligen Relation, Lagerstatus (ob die Ware kommissioniert ist), Kundentier im System, Tage bis zum Ende des SLA. Auf dieser Basis leitet der Agent den Auftrag in die richtige Warteschlange – dringende an den Bereitschaftsdisponenten, Standardaufträge zur automatischen Avisierung, unklare zur manuellen Prüfung. Ein zentrales Prinzip, das wir bei jeder Implementierung wiederholen: Die Kosten einer falschen Depriorisierung eines dringenden Auftrags sind deutlich höher als die Kosten eines falschen Alarms. Die Empfindlichkeitsschwelle setzen wir daher asymmetrisch – lieber, dass ein Mensch einige übervorsichtige Eskalationen ablehnt, als dass das System eine wirklich dringende Lieferung übersieht. Diesen Mechanismus zerlegen wir ausführlicher im Text über Klassifizierung und Routing von Meldungen.

Das ist meist der schnellste Return on Investment in der Logistik. Frachtbriefe, CMRs, Rechnungen von Spediteuren, Avisen und Lieferbestätigungen kommen als Scans, Handyfotos des Fahrers oder PDFs unterschiedlicher Qualität. Jemand muss daraus Nummern, Daten, Gewichte, Beträge und Auftragsnummern in das System übertragen. OCR liest Text aus dem Bild, und die Datenextraktionsschicht wandelt den Rohtext in strukturierte Felder um, die direkt in TMS oder ERP einfließen.

Die reale Genauigkeit hängt von der Qualität der Quelle ab. Saubere, standardisierte Dokumente (gedruckte Rechnungen, System-PDFs) erreichen 95-99% korrekt ausgelesener Felder. Handyfotos, handschriftliche Notizen, Stempel und zerknitterte Papiere sinken auf 80-92% – und genau hier wird ein Konfidenzmechanismus benötigt: Jedes Feld mit niedrigem Confidence-Wert geht zur schnellen menschlichen Prüfung, statt leise mit einem Fehler ins System einzugehen. Bei Beträgen auf Rechnungen und Gewichten auf CMRs bedeutet ein falsches Zeichen reale Kosten, daher prüfen wir finanzielle und quantitative Felder strenger als beschreibende. Gute Praxis: Der Extraktor überschreibt niemals automatisch Daten im System für kritische Felder – er schlägt einen Wert vor, und der Mensch bestätigt ihn mit einem Klick.

Der vierte Bereich ist der operative Posteingang: E-Mails von Spediteuren, Kunden und dem Lager, die heute jemand manuell liest und verteilt. „Wo ist meine Sendung“, „Avisierung für morgen“, „Warenbeschädigung“, „Reklamation“, „Änderung der Lieferadresse“ – jede dieser Kategorien geht an ein anderes Team und hat eine andere Dringlichkeit. Der Klassifikator liest den Inhalt, erkennt die Sprache, bewertet Dringlichkeit und Sentiment und leitet die Nachricht weiter, manchmal mit einem fertigen Antwortvorschlag basierend auf der Wissensdatenbank.

Dahinter arbeitet oft ein Router, der das Modell je nach Schwierigkeit der Aufgabe auswählt – eine einfache E-Mail klassifiziert ein günstiges, schnelles Modell, während eine mehrdeutige Nachricht an ein leistungsfähigeres weitergeleitet wird. Derselbe Ansatz, den wir in der Automatisierung des Kundenservice und in Projekten für Dienstleistungsunternehmen verwenden. Auch hier gilt eine harte Grenze: Meldungen über Beschädigungen, Reklamationen und Angelegenheiten mit stark negativem Sentiment sieht immer ein Mensch, und eine Auto-Antwort versenden wir nur für einen engen Bereich routinemäßiger, überprüfbarer Fragen (Status, Zeiten, Verfahren).

Wenn man diese vier Bereiche zusammenführt, erkennt man leicht ein Muster. AI kommt gut mit Lesen, Klassifizieren und der Vorbereitung von Entscheidungen zurecht. Der Mensch bleibt dort, wo Fehler kostspielig oder irreversibel sind und der Kontext über historische Daten hinausgeht. Konkret: Freigabe von Prognosen für hochwertige Positionen, endgültige Entscheidung bei Auftragskonflikten mit Prioritäten, Prüfung finanzieller und gewichtiger Felder aus Dokumenten sowie jede Angelegenheit mit niedrigem Confidence-Wert oder stark negativem Sentiment.

Die Implementierung erfolgt schrittweise: Zuerst der Schattenmodus (Shadow), in dem das Modell vorschlägt und Menschen entscheiden und vergleichen, über 4-8 Wochen. Erst wenn die Metriken – Trefferquote, Anteil der Korrekturen, Bearbeitungszeit – stabil sind, automatisieren wir die sichersten, risikoärmsten Kategorien, während der Rest bei den Menschen bleibt. Dieser Ansatz ist weniger spektakulär als „AI übernimmt das Lager“, aber er ist fair und liefert Ergebnisse, die Bestand haben.

Für stabile, schnelldrehende Positionen mit 18-24 Monaten Historie liegt die reale Trefferquote innerhalb einer Spanne von ±15% meist bei 75-90%. Für neue Produkte und langsamdrehende Positionen sinkt sie auf 50-70%, da das Signal in den Daten fehlt. Daher behandeln wir die Prognose als Eingabe für die Entscheidung des Planers mit einem transparenten Konfidenzintervall, nicht als fertige Zahl für die automatische Bestellung.

Nein, nicht im Sinne einer vollständigen Optimierung – dafür gibt es dedizierte Solver und TMS-Systeme. AI liest in diesem Kontext den Auftragskontext und vergibt Priorität, Kategorie und Verzögerungsrisiko, ordnet also den Strom vor der Planung. Das ist die Rolle eines Klassifikators und routenden Agenten, kein Ersatz für den Routenplaner.

Bei sauberen, gedruckten Dokumenten liegt die Feldgenauigkeit bei 95-99%, aber bei Handyfotos, Stempeln und handschriftlichen Notizen sinkt sie auf 80-92%. Daher erhält jedes Feld einen Konfidenzwert, und solche mit niedrigem Confidence gehen zur schnellen menschlichen Prüfung, statt leise mit einem Fehler ins System einzugehen. Finanzielle und gewichtige Felder prüfen wir strenger als beschreibende, da dort ein einzelner falscher Buchstabe reale Kosten verursacht.

Für einen engen Bereich sauberer, standardisierter Dokumente – größtenteils ja. Für den gesamten Strom empfehlen wir keine vollständige Automatisierung kritischer Felder: Die Datenextraktion schlägt Werte vor, und der Mensch bestätigt mit einem Klick diejenigen mit niedrigem Confidence. Das reale Ziel ist eine Entlastung des Teams um 30-60%, nicht null menschliche Kontrolle.

Überall dort, wo Fehler kostspielig oder irreversibel sind und der Kontext über historische Daten hinausgeht: Freigabe von Prognosen für hochwertige Positionen, endgültige Entscheidung bei Prioritätskonflikten von Aufträgen, Prüfung finanzieller und gewichtiger Felder sowie Angelegenheiten mit stark negativem Sentiment. Das ist genau die menschliche Überwachung, die in den Prozess eingebaut ist, nicht am Ende als Formalität hinzugefügt.

Verwandte Artikel: Klassifizierung und Routing von Meldungen mit AI, Automatisierung des Kundenservice mit AI, AI für Dienstleistungsunternehmen. Probier auch das Tool Automatisierungsfinder aus, um zu identifizieren, welche Prozesse in deiner Logistik sich als Erstes für AI eignen.