Künstliche Intelligenz erreicht zunehmend Lagerplanung, Bedarfsprognosen und Transportsteuerung. Matthew Sterner, Global Customer Marketing Leader für Transport, Logistik und Lagerhaltung bei Honeywell, empfiehlt Unternehmen dennoch, nicht mit dem Kauf eines Werkzeugs zu beginnen. Entscheidend sei zunächst, wie die Arbeit tatsächlich abläuft.
KI kann strukturierte Geschäftsdaten mit unstrukturierten und kontextbezogenen Informationen verbinden. Fehlerhafte, doppelte oder verspätete Daten führen jedoch zu unzuverlässigen Empfehlungen. Unternehmen müssen daher sichtbar machen, wo sich Aufgaben stauen, Informationen mehrfach erfasst werden oder Ausnahmen unbemerkt bleiben.

Prozesse vor der Automatisierung prüfen
In einem untersuchten Versandablauf gab es rund 30 Einzelschritte und wiederholte manuelle Eingaben. Sendungen konnten trotz widersprüchlicher Angaben oder eines übersehenen Sonderwunsches weiterlaufen, etwa wenn eine am Freitag versandte Lieferung eine Samstagsbearbeitung benötigte. Nach der Prozessanalyse wurden wertschöpfende Tätigkeiten, menschliche Entscheidungen und automatisierbare Prüfungen getrennt. Der Zeitaufwand pro Vorgang sank dabei von etwa sechs Minuten auf 30 bis 45 Sekunden.
Automatisierung soll nach diesem Muster Routinearbeit reduzieren und Ausnahmen gezielt an Beschäftigte weitergeben. Dafür braucht es feste Regeln: Welche Empfehlung darf das System selbst umsetzen? Wann ist eine Freigabe erforderlich? Wer entscheidet bei widersprüchlichen Anforderungen?
Mehr Reaktionsfähigkeit im Betrieb
Eine KI-Anwendung könnte neue Nachfragesignale erkennen und eine frühere Verlagerung von Beständen anregen. Im Transport lassen sich Fahrzeugposition und Wetterdaten kombinieren, um Verzögerungen zu erkennen, eine Alternative vorzuschlagen und die voraussichtliche Ankunft zu aktualisieren. Solche Funktionen helfen nur, wenn Datenqualität und Reaktionsfähigkeit zusammenpassen.

Auch die Gestaltung des Arbeitsplatzes bleibt wichtig. Ein Werkzeug muss zur Umgebung, zur Aufgabe und zur Erfahrung der Beschäftigten passen. Sterner rät zu einem begrenzten Pilotprojekt mit messbarem Ziel. Es kann Vertrauen schaffen, Datenprobleme sichtbar machen und zeigen, welche Voraussetzungen für eine breitere Einführung fehlen.







