KI in der Logistik: Wo Prognosen der Disposition wirklich helfen

Wer von künstlicher Intelligenz in der Logistik hört, denkt an Roboter, die Pakete greifen. Solche Systeme gibt es. Viel häufiger arbeitet KI aber unsichtbar in der Planung. Sie schätzt, wie viele Sendungen morgen im Lager ankommen. Sie berechnet, wann ein Lkw tatsächlich beim Kunden eintrifft. Und sie hilft zu entscheiden, wie viele Leute in der Frühschicht gebraucht werden.

Das sind Prognosen, also begründete Schätzungen über die Zukunft. Disponenten erstellen sie seit jeher, aus Erfahrung und mit Tabellen. Maschinelles Lernen kann dabei mehr Einflussgrößen gleichzeitig berücksichtigen als ein Mensch. Es ersetzt die Disposition nicht, verschiebt aber ihre Arbeit.

Dieser Beitrag zeigt, wo solche Prognosen in Lager und Transport helfen, wo sie versagen und wie ein Einstieg ohne Großprojekt gelingt.

Was hinter dem Etikett KI steckt

Unter dem Begriff KI laufen in der Logistik sehr verschiedene Verfahren. Für realistische Erwartungen an ein Projekt lohnt es sich, sie zu unterscheiden:

• Maschinelles Lernen: Modelle erkennen in historischen Daten Muster und schätzen daraus künftige Werte, etwa Mengen oder Fahrzeiten.
• Mathematische Optimierung: Algorithmen suchen unter vielen Nebenbedingungen den besten Plan, etwa für Touren oder Schichten. Das ist keine lernende KI im engeren Sinn, wird aber oft so vermarktet.
• Bilderkennung: Kameras lesen Etiketten, zählen Packstücke oder erkennen beschädigte Paletten.
• Sprachmodelle: Sie lesen Aufträge aus E-Mails und PDF-Dateien und übertragen sie in strukturierte Felder.

In der Praxis arbeiten diese Verfahren oft zusammen. Eine Prognose liefert die erwartete Menge, eine Optimierung baut daraus den Schichtplan. Liegt die Prognose daneben, hilft auch die beste Optimierung nichts.

Sprachmodelle sind der jüngste Baustein. Viele kleinere Kunden schicken Bestellungen noch als E-Mail oder eingescanntes Formular. Ein Sprachmodell kann daraus Absender, Artikel, Mengen und Liefertermin herauslesen und in das System übertragen. Ein Mensch prüft nur noch die Fälle, bei denen das Modell unsicher ist. Eine Plausibilitätsprüfung gehört trotzdem dazu, etwa ein Abgleich mit bekannten Artikelnummern.

Mengenprognosen: Wie viel kommt morgen?

Für ein Lager oder ein Paketzentrum ist die erwartete Menge die wichtigste Planungsgröße. Von ihr hängen Personal, Ladefläche und bestellte Fahrzeuge ab. Klassisch nutzen Planer dafür Durchschnittswerte der letzten Wochen, ergänzt um ihr Wissen über Feiertage.

Ein lernendes Modell kann mehr Faktoren verarbeiten: Wochentag, Ferienzeiten, Wetter, Aktionen großer Kunden und den aktuellen Auftragseingang. Ein mittelgroßer Kontraktlogistiker kann so etwa erkennen, dass ein Kunde vor langen Wochenenden regelmäßig mehr bestellt. Das Modell lernt solche Muster, ohne dass jemand sie einzeln eingeben muss.

Die Grenzen sind ebenso typisch. Plant ein Kunde eine Rabattaktion und sagt sie nicht an, kann kein Modell sie vorhersehen. Für neue Kunden fehlt die Vorgeschichte. Und nach einem echten Umbruch, wie zu Beginn der Corona-Pandemie, taugen alte Muster wenig. Ein Modell, das aus normalen Jahren gelernt hat, rechnet dann mit einer Welt, die es nicht mehr gibt.

Eine gute Prognose ersetzt die Disposition nicht, sie verschafft ihr Zeit für die Ausnahmen.

Ankunftszeiten und Touren

Die zweite große Anwendung betrifft den Transport. Aus Telematikdaten, Verkehrslage und vielen vergangenen Fahrten schätzt ein Modell, wann ein Fahrzeug ankommt. Fachleute sprechen von der ETA, der erwarteten Ankunftszeit. Je früher sie verlässlich vorliegt, desto besser kann der Empfänger Rampe und Personal planen.

Bei der Tourenplanung liegt die Stärke der KI oft woanders als vermutet. Die Reihenfolge der Stopps berechnet ein Optimierungsverfahren. Maschinelles Lernen verbessert aber dessen Annahmen. Wie lange dauert ein Stopp bei einem bestimmten Kunden wirklich? Wie lange sucht der Fahrer in dieser Straße einen Parkplatz? Wer realistische Stoppzeiten einsetzt, erhält Touren, die auch tatsächlich aufgehen.

Ein häufiger Fehler ist ein Plan, der das Wissen der Fahrer ignoriert. Schlägt eine Software eine Zufahrt vor, die für Lkw gesperrt ist, verliert sie schnell das Vertrauen. Dann fahren die Fahrer wieder nach eigenem Plan. Rückmeldungen aus dem Fahrzeug sollten deshalb in die Planung zurückfließen.

Im Lager: Plätze, Personal und Nachschub

Auch innerhalb der Halle helfen Prognosen. Wer weiß, welche Artikel in den nächsten Wochen stark gefragt sein werden, kann sie näher an die Packplätze legen. Das verkürzt die Wege beim Kommissionieren. Fachleute nennen diese Platzvergabe Slotting.

Die Personalplanung ist ein weiteres Feld. Aus der erwarteten Menge und der Leistung je Arbeitsschritt lässt sich ableiten, wie viele Menschen in welcher Schicht nötig sind. Für Nachschub und Bestände schätzen Modelle, wann ein Artikel knapp wird. Bilderkennung kann zusätzlich prüfen, ob Paletten beschädigt ankommen, und Fotos als Nachweis speichern.

Vorsicht ist geboten, sobald es um die Beschäftigten selbst geht. Verteilt eine KI Aufgaben nach dem Verhalten einzelner Personen oder bewertet sie deren Leistung, zählt das nach der EU-KI-Verordnung zu den Anwendungen mit hohem Risiko und strengen Pflichten. In Deutschland hat zudem der Betriebsrat bei technischen Einrichtungen mitzubestimmen, die Leistung oder Verhalten überwachen können.

Woran Projekte scheitern und wie Sie anfangen

Die meisten KI-Projekte in der Logistik scheitern nicht am Algorithmus. Sie scheitern an lückenhaften Daten. Fehlen Scans, stimmen Gewichte nicht oder werden Retouren falsch gebucht, lernt das Modell aus fehlerhaften Beispielen. Ebenso häufig fehlt ein Vergleich. Ohne ihn weiß niemand, ob das Modell besser ist als die bisherige Faustregel.

Ein Einstieg ohne Großprojekt kann so aussehen:

• Wählen Sie eine Entscheidung, die täglich anfällt und deren Ergebnis sich messen lässt, etwa die Menge im Wareneingang.
• Halten Sie fest, wie genau die bisherige Planung ist. Das ist Ihre Messlatte.
• Lassen Sie das Modell einige Wochen parallel laufen, ohne dass es den Betrieb steuert.
• Erlauben Sie der Disposition, Vorschläge zu übersteuern, und werten Sie diese Eingriffe aus.
• Planen Sie den laufenden Betrieb ein, denn Daten müssen gepflegt und Modelle regelmäßig überprüft werden.

Der letzte Punkt wird oft unterschätzt. Ein Modell ist kein einmaliges Projekt. Kundenstruktur, Sortiment und Verkehr ändern sich, und mit ihnen die Muster. Fachleute sprechen von Drift. Wer sie nicht beobachtet, merkt erst an steigenden Fehlern, dass die Prognose veraltet ist.

In den nächsten Jahren dürften solche Prognosen zum Standard vieler Planungsprogramme gehören. Der Vorsprung liegt dann weniger im Modell selbst. Er liegt in sauberen Daten und in einer Disposition, die gelernt hat, mit Wahrscheinlichkeiten statt mit festen Zahlen zu planen.