KI in Logistik und Supply Chain.

Lieferketten sind ein Geflecht aus Prognosen, Beständen, Transporten und Störungen. Genau diese Mischung aus großen Datenmengen und vielen kleinen Entscheidungen macht Logistik zu einem natürlichen Anwendungsfeld für KI. Doch zwischen dem Marketing-Versprechen der „selbststeuernden Supply Chain“ und dem, was heute tatsächlich verlässlich funktioniert, liegt ein realistischer Mittelweg — und genau den beschreibt dieser Artikel.

Warum Logistik ein gutes KI-Feld ist.

Logistik produziert seit Jahrzehnten strukturierte Daten: Bestellmengen, Lagerbestände, Liefertermine, Transportzeiten, Sendungsverfolgung. Wo viele wiederkehrende Entscheidungen auf einer breiten Datenbasis getroffen werden, kann Statistik und maschinelles Lernen einen echten Beitrag leisten. Das gilt besonders für Fragen, die kein einzelner Disponent im Kopf mehr überblicken kann — etwa die Nachfrage über tausende Artikel an mehreren Standorten.

Wichtig ist die Unterscheidung zwischen zwei sehr verschiedenen KI-Welten. Auf der einen Seite steht klassisches maschinelles Lernen für Prognosen und Optimierung — bewährt, messbar, seit Jahren im Einsatz. Auf der anderen Seite stehen große Sprachmodelle (LLMs), die erst seit kurzem hinzugekommen sind und vor allem dort glänzen, wo es um Sprache, Dokumente und unstrukturierte Kommunikation geht. Beide haben in der Lieferkette ihren Platz, aber für unterschiedliche Aufgaben.

Nachfrageprognose: der Klassiker.

Die Nachfrageprognose ist der älteste und am besten verstandene KI-Anwendungsfall in der Lieferkette. Statt einfache Durchschnitte der Vergangenheit fortzuschreiben, lernen moderne Verfahren Muster aus Saisonalität, Trends, Aktionen, Feiertagen und externen Faktoren wie Wetter. Das Ergebnis ist keine perfekte Vorhersage — die gibt es bei der Zukunft nie —, sondern eine bessere Schätzung mit ehrlich ausgewiesener Unsicherheit.

Der entscheidende Punkt, der oft untergeht: Eine gute Prognose liefert nicht nur einen Wert, sondern eine Bandbreite. „Wir erwarten 1.200 Stück, mit 90 % Wahrscheinlichkeit zwischen 950 und 1.500“ ist für die Planung viel wertvoller als eine einzelne Zahl, die so tut, als wäre die Zukunft sicher. Genau auf dieser Unsicherheit baut die Bestandsplanung auf.

Ehrlich bleiben muss man bei den Grenzen: Prognosen sind nur so gut wie die Stabilität der zugrunde liegenden Muster. Ein neues Produkt ohne Historie, ein plötzlicher Markteinbruch, eine virale Nachfrage — solche Brüche kann kein Modell aus der Vergangenheit ableiten. KI ersetzt hier nicht das Urteil der Planer, sondern liefert ihnen eine belastbarere Basis für die Fälle, in denen sich die Welt normal verhält.

Bestandsoptimierung: weniger Kapital, weniger Fehlmengen.

Aus guten Prognosen folgt die eigentliche betriebswirtschaftliche Hebelwirkung: die Bestandsoptimierung. Jeder Artikel im Lager bindet Kapital und Fläche; jeder fehlende Artikel kostet Umsatz und Kundenzufriedenheit. KI hilft, diesen Zielkonflikt artikelgenau auszubalancieren — Sicherheitsbestände dort erhöhen, wo die Nachfrage schwankt, und dort senken, wo sie verlässlich ist.

Der Mehrwert liegt in der Granularität. Eine pauschale Regel wie „immer drei Wochen Bestand“ ist für schnelldrehende Ware zu viel und für kritische Langläufer zu wenig. Datenbasierte Optimierung differenziert nach tatsächlichem Verhalten jedes Artikels. Das Ergebnis ist typischerweise: weniger gebundenes Kapital bei gleicher oder besserer Lieferfähigkeit. Wie groß dieser Effekt im Einzelfall ausfällt, hängt stark von der Ausgangslage ab — pauschale Prozentversprechen sind hier unseriös.

Ein wichtiger Punkt, der oft übersehen wird: Bestandsoptimierung ist nicht nur eine Kostenfrage, sondern auch eine Servicefrage. Wer Bestände senkt, ohne die Lieferzeiten und die Schwankung der Nachfrage sauber zu modellieren, riskiert Fehlmengen — und ein verärgerter Kunde kostet langfristig mehr als ein etwas zu hoher Lagerbestand. Eine gute Optimierung optimiert deshalb nie nur auf minimale Kosten, sondern auf ein bewusst gewähltes Servicelevel. Dieses Servicelevel ist eine Geschäftsentscheidung, die der Mensch trifft; die KI rechnet aus, welcher Bestand es bei welchem Risiko absichert.

Tourenplanung und Transportoptimierung.

Die Optimierung von Touren und Transporten ist ein eigenes, mathematisch anspruchsvolles Feld. Das zugrunde liegende Problem — die beste Route über viele Stopps unter Nebenbedingungen wie Zeitfenstern, Fahrzeugkapazitäten und Lenkzeiten zu finden — ist klassische Operations-Research-Arbeit, die mit spezialisierten Optimierungsverfahren gelöst wird, nicht mit Sprachmodellen.

KI im engeren Sinne kommt hier eher unterstützend hinzu: bessere Schätzungen für Fahrzeiten aus historischen und Echtzeit-Verkehrsdaten, Vorhersage von Stoppdauern, oder das Erkennen von Mustern, die Disponenten übersehen. Die eigentliche Routenberechnung übernehmen weiterhin bewährte Solver. Wer „KI“ als Schlagwort über eine reine Optimierungsaufgabe legt, verkauft in der Regel klassische Mathematik unter neuem Namen — was nicht schlecht ist, aber man sollte wissen, was man kauft.

Wo LLMs den Unterschied machen.

Die neueren Sprachmodelle bringen in der Lieferkette dort Nutzen, wo bisher Mathematik wenig half: bei unstrukturierter Kommunikation und Dokumenten. Eine Lieferkette läuft auf E-Mails, PDFs, Lieferavisen, Zollpapieren und Telefonaten — also auf Sprache. Hier setzen LLMs an:

• Dokumentenverarbeitung: Lieferscheine, Frachtbriefe und Zolldokumente automatisch auslesen und in strukturierte Daten überführen — robuster als alte Template-OCR.
• Lieferanten-Kommunikation: eingehende E-Mails zu Lieferterminen, Verzögerungen oder Abweichungen klassifizieren, zusammenfassen und Antwortentwürfe vorbereiten.
• Stammdatenpflege: uneinheitliche Artikel- und Lieferantenbezeichnungen erkennen, vereinheitlichen und Dubletten vorschlagen.
• Risiko-Monitoring: Nachrichtenlage zu Lieferanten, Regionen oder Rohstoffen zusammenfassen, um Störungen früher sichtbar zu machen — als Frühwarnung, nicht als automatische Entscheidung.

Auch hier gilt: Das LLM bereitet auf, der Mensch entscheidet. Gerade bei Risiko-Signalen besteht die Gefahr, dass ein Modell Zusammenhänge plausibel formuliert, die so nicht belegt sind. Solche Hinweise gehören als Recherche-Hilfe behandelt, nicht als Fakten.

Eine ehrliche Einordnung der Reifegrade.

Nicht jeder Anwendungsfall ist gleich weit. Die folgende Übersicht ordnet die genannten Felder grob nach heutiger Praxisreife ein — als Orientierung, nicht als absolutes Urteil:

Die „selbststeuernde Supply Chain“, die ohne menschliches Zutun bestellt, disponiert und entscheidet, gehört heute klar in die letzte Zeile: spannend, aber experimentell. Wer sie als verfügbares Produkt verkauft bekommt, sollte misstrauisch werden.

Datenqualität entscheidet — nicht das Modell.

Der häufigste Grund, warum KI-Projekte in der Logistik scheitern, ist nicht das Modell, sondern die Datengrundlage. Prognosen brauchen saubere, vollständige Historien; Bestandsoptimierung braucht korrekte Lieferzeiten und Stammdaten. Wenn Lieferantenangaben unzuverlässig, Artikelnummern uneinheitlich oder Buchungen lückenhaft sind, produziert das beste Modell schöne, aber falsche Ergebnisse.

Deshalb beginnt ein realistisches Projekt fast immer mit Dateninventur: Welche Daten gibt es in welcher Qualität, wo sind die Lücken, was muss bereinigt werden? Diese unspektakuläre Vorarbeit entscheidet über Erfolg oder Scheitern — weit mehr als die Wahl zwischen zwei Algorithmen. Eine kleine, saubere Datenbasis schlägt eine große, schmutzige fast immer.

Transparenz und Track-and-Trace.

Ein eigener, oft unterschätzter Nutzenbereich ist die reine Transparenz über die Lieferkette. In vielen Unternehmen ist der aktuelle Status einer Sendung über mehrere Systeme, E-Mails und Lieferantenportale verstreut. Niemand hat den vollständigen Überblick an einer Stelle. KI kann hier helfen, indem sie diese verteilten Statusinformationen zusammenführt, Abweichungen vom Plan erkennt und auffällige Fälle hervorhebt, bevor sie zum Problem werden.

Der Wert liegt im rechtzeitigen Erkennen statt im nachträglichen Aufräumen. Eine Verzögerung, die man drei Tage vorher sieht, lässt sich oft noch abfangen; dieselbe Verzögerung, die erst beim ausbleibenden Wareneingang auffällt, kostet bereits. Sprachmodelle eignen sich hier gut, weil ein Großteil der relevanten Information in unstrukturierter Form vorliegt — in Lieferanten-E-Mails, Avisen und Notizen, die kein klassisches System sauber auswertet.

Wichtig bleibt die Einordnung: Solche Systeme liefern eine bessere Sicht, keine Garantie. Sie machen Risiken früher sichtbar, beseitigen sie aber nicht. Die Entscheidung, wie auf ein Frühwarnsignal reagiert wird — umdisponieren, nachbestellen, Kunden informieren — bleibt eine menschliche Managemententscheidung mit Kontext, den das System nicht hat.

Mensch und Maschine: die richtige Rollenteilung.

Eine wiederkehrende Frage in Logistikprojekten lautet, ob KI die Disponenten ersetzt. Die ehrliche und in der Praxis bewährte Antwort ist: nein, sie verändert ihre Rolle. Die Routinearbeit — Standardbestellungen vorbereiten, Prognosen rechnen, Bestände nachschauen — verschiebt sich zur Maschine. Was beim Menschen bleibt, sind die Ausnahmen, die Verhandlungen mit Lieferanten und die Entscheidungen unter echter Unsicherheit.

Das ist kein Trostpflaster, sondern eine sinnvolle Arbeitsteilung. Ein erfahrener Disponent, der nicht mehr tausend Routinepositionen abarbeitet, sondern sich auf die zwanzig kritischen Fälle des Tages konzentriert, ist produktiver und trifft bessere Entscheidungen. Die KI übernimmt die Breite, der Mensch die Tiefe. Genau diese Aufteilung — Maschine für das Viele, Mensch für das Wichtige — ist das realistische Zielbild, nicht die menschenleere Lieferkette.

Einführung mit Augenmaß.

Wie bei jeder KI-Einführung gilt: klein und messbar anfangen. Ein einzelner Standort, eine Warengruppe, ein klar umrissener Anwendungsfall. Die KI-Vorschläge erst im Schattenbetrieb gegen die bestehende Planung halten, die Genauigkeit messen, und erst dann produktiv schalten, wenn der Mehrwert nachgewiesen ist. So bleibt das Risiko überschaubar und das Vertrauen der Disponenten erhalten.

Genauso wichtig wie der technische Start ist die Wahl der richtigen Kennzahl. Eine Nachfrageprognose misst man am Prognosefehler gegenüber der bisherigen Methode, eine Bestandsoptimierung am gebundenen Kapital bei gleicher Lieferfähigkeit. Wer keine ehrliche Vorher-Nachher-Messung aufsetzt, wird nie wissen, ob das Projekt etwas gebracht hat — und genau daran scheitern viele Vorhaben nicht technisch, sondern an fehlender Erfolgsmessung. Eine belastbare Ausgangsmessung vor dem Start ist deshalb kein Nice-to-have, sondern die Voraussetzung, um den Nutzen später überhaupt belegen zu können.

Was ich aus der Praxis mitgebe.

• Richtiges Werkzeug für die Aufgabe. Prognose und Optimierung sind ML und Operations Research, kein LLM. Sprachmodelle gehören zu Dokumenten und Kommunikation.
• Unsicherheit ist ein Feature. Eine Prognose mit Bandbreite ist wertvoller als eine Scheingenauigkeit. Planung lebt von ehrlichen Wahrscheinlichkeiten.
• Daten zuerst. Ohne saubere Stammdaten und Historien kein verlässliches Modell. Die Datenarbeit ist die eigentliche Arbeit.
• Mensch bleibt im Steuerstand. Bei Brüchen, Risiken und Ausnahmen entscheidet das Urteil — die KI liefert die Vorlage, nicht das Urteil.

Sie wollen wissen, welcher Logistik-Anwendungsfall in Ihrem Unternehmen realistisch trägt? Unverbindlich anfragen — wir schauen gemeinsam auf Datenlage, Prozesse und einen sinnvollen Einstiegsbereich.