Lageroptimierung mit KI: Was ohne Systemwechsel geht und was nicht

Lageroptimierung beginnt bei zwei Zahlen aus Ihrem eigenen System

Wie hoch war Ihre letzte Inventurabweichung, und wissen Sie, woher sie kam?

Wie viel Kapital liegt in Beständen, die sich in den vergangenen zwölf Monaten nicht bewegt haben?

Die meisten Lagerverantwortlichen können die erste Frage grob beantworten und die zweite gar nicht. Dabei steht die Antwort im System. Sie wird nur nicht ausgewertet, weil im Tagesgeschäft niemand die Zeit dafür hat.

Genau hier setzt Lageroptimierung mit Künstlicher Intelligenz an. Nicht bei Robotern, nicht bei einem neuen Lagerverwaltungssystem, sondern bei Bewegungs- und Bestandsdaten, die Sie seit Jahren erzeugen und kaum nutzen. Der Einsatz beginnt deshalb nicht mit einer Beschaffung, sondern mit einer Auswertung.

Die Frage ist nur: Was davon geht mit dem, was Sie haben, und wofür brauchen Sie tatsächlich etwas Neues? Die Antwort hängt daran, was ein Anwendungsfall an Daten, an Investition und an Eingriff in Ihre Systeme verlangt. Danach sind die folgenden Abschnitte geordnet.

Eine Anmerkung vorweg, damit Sie das Folgende einordnen können: Wir verdienen Geld mit Beratung und Implementierung, nicht mit Lizenzen oder Anlagentechnik. An einer Stelle raten wir Ihnen deshalb ausdrücklich zu Ihrem bestehenden Systemanbieter.

Was Lageroptimierung mit Künstlicher Intelligenz ist und was sie nicht ist

Lageroptimierung mit KI bezeichnet die modellgestützte Auswertung vorhandener Bewegungs-, Bestands- und Stammdaten, um Lagerplätze, Nachschubmengen und Bestandsabweichungen laufend statt einmalig zu bestimmen. Sie setzt auf dem vorhandenen Lagerverwaltungssystem auf und ersetzt es nicht.

Fünf Begriffe werden dabei häufig vermischt. Die Trennung ist der halbe Weg zur Entscheidung.

Lageroptimierung ist die fortlaufende Verbesserung von Lagerprozessen, Beständen und Flächennutzung. Sie ist ein Vorgehen, keine Technologie, und es gibt sie seit Jahrzehnten ohne jede Software.

Lagerverwaltung ist die Aufgabe eines Lagerverwaltungssystems (WMS) oder eines ERP-Lagermoduls, etwa in SAP: Bestände führen, Buchungen abbilden, Lagerorte verwalten. Das System weiß, was wo liegt. Ob es sinnvoll dort liegt, weiß es nicht.

Lagerautomatisierung meint im Lagerkontext fast immer Technik: Fördertechnik, Regalbediengeräte, fahrerlose Transportsysteme. Das ist eine Anlageninvestition. Wenn hier von Automatisierung die Rede ist, ist Software gemeint, nicht Fördertechnik.

Künstliche Intelligenz im Lager ist die Auswertung Ihrer vorhandenen Bewegungs- und Bestandsdaten, um Muster zu erkennen, die in dieser Menge niemand mehr sieht. Sie ersetzt keines der drei anderen Elemente. Sie setzt darauf auf.

Ein digitaler Zwilling ist mehr als eine Simulation, auch wenn beide Begriffe im Markt synonym verwendet werden. Die internationale Norm ISO 23247-1 aus dem Jahr 2021 verlangt ausdrücklich eine laufende Synchronisation zwischen der Anlage und ihrem digitalen Abbild. Wer nur Lagerprozesse durchrechnet, betreibt Materialflusssimulation nach VDI 3633 Blatt 1. Der Unterschied ist keine Wortklauberei, sondern eine Aufwandsfrage, auf die wir weiter unten zurückkommen.

Noch eine Abgrenzung, weil derselbe Begriff zwei Dinge meint: Routenoptimierung bezeichnet in der Transportlogistik die Routenplanung von Fahrzeugen. Im Lager geht es dagegen ausschließlich um innerbetriebliche Wege, also um die Strecke, die Ihre Kommissionierer zurücklegen. Die Fahrzeugseite behandeln wir im Überblick zu KI in der Logistik.

Wie verbreitet Künstliche Intelligenz in der Logistik wirklich ist

Zu dieser Frage kursieren mehrere Zahlen nebeneinander, und sie messen nicht dasselbe. Für Ihre eigene Einordnung lohnt es sich, die Grundgesamtheiten auseinanderzuhalten.

Die Logistikbranche. Die letzte belastbare Branchenerhebung stammt aus dem Sommer 2022. Bitkom Research befragte damals telefonisch 404 deutsche Logistikunternehmen ab 20 Beschäftigten. 22 Prozent gaben an, Künstliche Intelligenz bereits einzusetzen, weitere 26 Prozent planten den Einsatz oder diskutierten darüber. Über alle Branchen hinweg lag der Wert zum selben Zeitpunkt bei neun Prozent. Die Logistikbranche war also früh dran. Eine neuere Erhebung mit demselben Zuschnitt gibt es nicht.

Die Gesamtwirtschaft. Im Sommer 2024 nutzten 27 Prozent der deutschen Unternehmen Künstliche Intelligenz. Der Wert stammt aus der ifo Konjunkturumfrage vom Juni 2024 und beruht auf rund 6.000 antwortenden Unternehmen aus Industrie, Handel, Bau und Dienstleistungen.

Er beschreibt damit die Gesamtwirtschaft, nicht die Logistik. Diese Unterscheidung geht in der Weiterverwendung regelmäßig verloren: Die Aussage „27 Prozent der deutschen Unternehmen nutzen KI in der Logistik" ist eine Verwechslung zweier Grundgesamtheiten. Dieselbe Erhebung weist für den Landverkehr 11,8 Prozent aus, einen der niedrigsten Branchenwerte überhaupt. Eine gesonderte Quote für Prognoseanwendungen weist sie ebenfalls nicht aus; wer die 27 Prozent auf Prognosen bezieht, liest etwas hinein, das nicht erhoben wurde.

Der aktuelle Stand. Inzwischen sind beide Zahlen überholt. Die ifo-Erhebung vom Mai 2026 nennt für die deutsche Wirtschaft 54,5 Prozent. Das Statistische Bundesamt kommt für das Berichtsjahr 2025 auf 26 Prozent, misst aber anders: amtliche IKT-Erhebung, Unternehmen ab zehn Beschäftigten, abgefragt wird eine definierte Liste von KI-Technologien statt einer Selbsteinschätzung.

Für Ihre Entscheidung folgt daraus wenig. Verbreitungsquoten beschreiben den Stand der Digitalisierung, sie sagen aber nichts darüber, ob sich ein Vorhaben in Ihrem Lager rechnet. Sie unterscheiden auch nicht zwischen einem produktiven System und einem Mitarbeiter, der einen Chatbot benutzt.

Wer diese Entwicklungen für die eigene Planung nutzen will, kommt an drei Fragen nicht vorbei: Welche Potenziale liegen in den Daten, die wir ohnehin erzeugen? Welche Herausforderungen bringt der Betrieb mit sich? Und welche Probleme lösen wir damit, die wir heute tatsächlich haben? Die nützlichere Frage lautet also nicht, wie viele andere Künstliche Intelligenz einsetzen, sondern an welcher Stelle Ihrer eigenen Systemlandschaft ein Modell überhaupt ansetzen könnte.

Wo eine Lager-KI sitzt: das Ebenenmodell 0 bis 3

Ob ein Vorhaben mit Künstlicher Intelligenz zwei Monate oder zwei Jahre dauert, hängt weniger vom Verfahren ab als davon, an welcher Stelle Ihrer Systemlandschaft es ansetzt. Daran hängen der Beschaffungsweg, die Kosten, die Datenvoraussetzung und die Frage, wer hinterher verantwortlich ist.

Wir ordnen KI-Lösungen deshalb nicht nach Produktkategorie, sondern nach ihrem Ort im Unternehmen. Das Modell stammt aus unserer Arbeit an der Frage, wo eine KI-Lösung im Unternehmen sitzt, und lässt sich unverändert auf das Lager anwenden.

Die Einteilung sagt bewusst nichts über Verfahren oder Methoden. Ob im Hintergrund ein Regressionsmodell, ein Entscheidungsbaum oder ein neuronales Netz rechnet, ändert an Beschaffungsweg, Datenbedarf und Verantwortung nichts. Genau diese drei Größen entscheiden aber darüber, ob ein Vorhaben trägt.

Ebene 0 ist kein Optimierungsansatz, sondern ein Risiko

Jemand in der Disposition kopiert eine Artikelliste mit Beständen und Lieferanten in einen öffentlichen Assistenten, um schneller eine Auswertung zu bekommen. Das ist verständlich und funktioniert oft sogar. Es ist nur keine Lageroptimierung, sondern eine Frage der Datenkontrolle und des Datenschutzes. Der unkontrollierte Einsatz öffentlicher Werkzeuge ist in vielen Unternehmen die praktisch verbreitetste Form von Künstlicher Intelligenz und zugleich die einzige, für die niemand eine Entscheidung getroffen hat. Wer hier landet, braucht eine Regel, kein Projekt.

Ebene 1: prüfen Sie zuerst, was Sie schon bezahlt haben

Bevor Sie ein Projekt aufsetzen, klären Sie eine Frage mit Ihrem WMS- oder ERP-Anbieter: Enthält Ihre Lizenz bereits Prognose-, Klassifizierungs- oder Vorschlagsfunktionen, und sind sie aktiviert? Diese Funktionen sind in den vergangenen Jahren in mehrere Systeme eingezogen, oft ohne dass die Anwender davon wissen.

Das gilt für spezialisierte Lagerverwaltungssysteme ebenso wie für die Lagermodule großer ERP-Suiten. Im deutschen Mittelstand ist SAP hier der häufigste Fall, und er ist zugleich der unübersichtlichste: Zwischen einem klassischen SAP-Lagermodul, SAP EWM als eigenständigem Lagerverwaltungssystem und den Planungsfunktionen der jeweiligen Release- und Lizenzstufe liegen erhebliche Unterschiede im Funktionsumfang. Wer mit SAP arbeitet, klärt diese Frage deshalb nicht mit uns, sondern mit dem eigenen SAP-Partner.

Wenn Sie hier fündig werden, ist das der günstigste Weg, den es gibt. Sie sparen Integration, Datenaufbereitung und einen zweiten Vertragspartner.

Fragen Sie in diesem Fall Ihren Systemanbieter, nicht uns. Ein Beratungsprojekt für eine Funktion, die Sie bereits lizenziert haben, wäre verschwendetes Geld.

Ebene 2: was mehrere Systeme gleichzeitig braucht

Hier sitzen die Anwendungsfälle, die Daten aus mehreren Quellen brauchen und deshalb in keines Ihrer Systeme hineinpassen. Nachschubsteuerung braucht Verbrauchsdaten aus dem ERP und Bestandsdaten aus dem WMS. Dynamisches Slotting braucht Bewegungshistorie und Auftragsdaten. Anomalieerkennung braucht beides plus die Inventurhistorie.

Eine Schicht über den bestehenden Systemen führt diese Daten zusammen, ohne eines davon zu ersetzen. Die Anbindung läuft über Schnittstellen, Ihr WMS bleibt Ihr WMS. Genau dafür ist AIOP gebaut.

Wichtig: AIOP ersetzt keine bestehenden ERP-, MES- oder WMS-Systeme. Die Plattform ist als Steuerungsschicht über vorhandenen Systemen gedacht, damit Datenflüsse, Governance und Wirkungsmessung an einer Stelle kontrollierbar werden. Die Anbindung erfolgt über Schnittstellen, eine Migration ist nicht vorgesehen.

Ebene 3: Robotik, Bilderkennung und vorausschauende Wartung

Fahrerlose Transportsysteme, Kommissionierroboter, kamerabasierte Zählung, Predictive Maintenance an Regalbediengeräten und Fördertechnik. Diese Ebene hat den höchsten Kapitalbedarf und die längsten Vorlaufzeiten, und sie verlangt bauliche Entscheidungen.

Der entscheidende Unterschied zu Ebene 2 ist nicht der Preis, sondern die Datenart. Vorausschauende Wartung erkennt Verschleißmuster aus Zustandsdaten der Anlage, nicht aus Buchungen. Im öffentlich geförderten Forschungsvorhaben „Zustandsüberwachung von Intralogistiksystemen" des KIT und des Fraunhofer LBF wurden am automatischen Kleinteilelager Beschleunigungssensoren, Dehnungsmessstreifen und Temperatursensoren mit einer Abtastrate von 2.048 Hertz eingesetzt, um Strukturschwingungen überhaupt erfassen zu können. Ein Signal dieser Auflösung führt kein Lagerverwaltungssystem. Wer Predictive Maintenance will, braucht Sensorik, und bei Bestandsanlagen heißt das Nachrüstung.

Dazu kommt ein Problem, das in der Forschung besser dokumentiert ist als in den Angeboten. In einer Interviewstudie mit fünfzehn Instandhaltungs- und Werksverantwortlichen aus sieben europäischen Industriebranchen, darunter Logistik, lautet der Kernbefund, es lägen keine Run-to-Failure-Daten vor, aus denen ein System erkennen könnte, welche Anomalien tatsächlich zu Ausfällen führen. Anlagen, die selten ausfallen, liefern zu wenige Ausfälle zum Lernen. Das ist kein Algorithmenproblem und lässt sich nicht durch ein besseres Modell lösen.

Für ein gewachsenes Lager mit schwankendem Sortiment ist Ebene 3 deshalb kaum je der erste Schritt. Es ist auch meist nicht die Entscheidung des Lagerleiters allein.

Drei Anwendungsfälle auf Ebene 2: Nachschub, Slotting, Bestandsanomalien

Alle drei laufen auf Daten, die Sie heute schon erzeugen. Für jeden gilt dasselbe Raster: was er tut, welche Daten er braucht, was sich im Tagesgeschäft ändert.

Nachschubsteuerung

Nachschubsteuerung bestimmt, wann welche Menge eines Artikels nachbestellt oder aus dem Reservelager nachgeführt wird. Klassisch geschieht das über feste Meldebestände, die einmal gesetzt und danach kaum überprüft werden.

Ein Modell leitet den Auslösepunkt stattdessen aus dem tatsächlichen Verbrauchsverlauf ab, einschließlich Saison, Trend und Wiederbeschaffungszeit. Es braucht dafür die Verbrauchshistorie je Artikel, Lieferzeiten und die Information, wann eine Lieferung tatsächlich eingetroffen ist. Aus diesen Bestandsprognosen ergibt sich, welche Lagerbestände tatsächlich nötig sind, um Engpässe zu vermeiden, und welche nur aus Gewohnheit gehalten werden.

Wie stark automatische Bestandsauffüllung wirkt, ist außerhalb der Anbieterkommunikation kaum je sauber gemessen worden. Eine der wenigen belastbaren Feldstudien stammt aus dem Einzelhandel: In 85 Filialen einer Handelskette sank die Quote nicht verfügbarer Artikel von 3,72 Prozent bei manueller auf 1,38 Prozent bei automatischer Nachschubsteuerung, ausgewertet über 2,3 Millionen Artikel-Filial-Tage im Jahr 2018. Der Befund betrifft die Verfügbarkeit, nicht die Kosten. Diese beiden Größen werden im Markt häufig ineinander übersetzt, obwohl sie unterschiedliche Dinge messen. Höhere Verfügbarkeit bei gleichem Lagerbestand ist ein Effizienzgewinn. Sie ist aber keine Kostensenkung, solange niemand die Kapitalbindung gegengerechnet hat.

Der praktische Unterschied zeigt sich bei unvorhergesehenen Nachfragespitzen. Ein Modell, das den Auslösepunkt täglich neu berechnet, reagiert darauf innerhalb eines Tages. Ein fester Meldebestand, der einmal im Quartal überprüft wird, reagiert erst beim nächsten Turnus. Das ist kein Prognosevorteil, sondern ein Frequenzvorteil, und er wirkt unabhängig davon, wie gut das Modell im Einzelnen prognostiziert.

Im Tagesgeschäft ändert sich zuerst die Rolle der Disposition. Statt Meldebestände zu pflegen, prüft sie Vorschläge und entscheidet bei Ausnahmen. Das entlastet, ist aber eine Umstellung, und sie funktioniert nur, wenn vorher geklärt ist, welche Fälle das System entscheiden darf und welche nicht.

Dynamisches Slotting

Dynamisches Slotting ist die laufende Neuvergabe von Lagerplätzen auf Basis aktueller Zugriffs- und Bewegungsdaten. Der Gegenbegriff ist die statische Zuordnung, bei der ein Artikel einmal bei der Einlagerung einen Platz bekommt und dort bleibt.

Der Unterschied klingt banal und wirkt trotzdem: Der Schnelldreher von letzter Woche steht diese Woche nicht mehr dort, wo er vor drei Jahren einsortiert wurde. Das Fraunhofer IML beschreibt in seinem Whitepaper KI in der Logistik vom Mai 2026 eine Anwendung, die historische Zugriffsdaten mit externen Faktoren kombiniert und daraus eine prognosegestützte Lagerplatzvergabe ableitet.

Gebraucht werden Bewegungsdaten mit Zeitstempel, Artikelstammdaten mit Maßen und Gewichten sowie die Lagerplatzstruktur. Wo Materialien sehr unterschiedliche Abmessungen haben, kommt die Frage hinzu, wie sich vorhandene Lagerkapazitäten überhaupt sinnvoll neu belegen lassen. Dynamisches Slotting ist damit auch eine Frage der Lagerhaltung insgesamt, nicht nur der Wegzeiten.

In gewachsenen Lagerstrukturen ist der Umlagerungsaufwand meist die eigentliche Hürde. Jeder Vorschlag bedeutet Arbeit im Regal. Ein System, das im Schichtbetrieb niemand durchhält, verbessert nichts. Deshalb gehört die Frage, wie viele Umlagerungen pro Woche realistisch sind, an den Anfang und nicht ans Ende.

Bestandsanomalien und Inventurdifferenzen

Eine Bestandsanomalie ist eine Abweichung im Bestandsverlauf, die sich nicht aus den gebuchten Zu- und Abgängen erklärt. Sie ist ein Frühindikator für Schwund, Fehlbuchungen oder einen Prozessfehler.

Der Reiz liegt im Zeitpunkt. Eine Inventurdifferenz erfahren Sie einmal im Jahr, wenn die Ursache längst zurückliegt. Eine Auffälligkeit im Buchungsverlauf lässt sich in Echtzeit oder zumindest nahe am Ereignis erkennen, während sie noch aktiv ist. Gebraucht werden die Buchungshistorie und die Ergebnisse vergangener Zählungen.

Im Tagesgeschäft entsteht eine neue Aufgabe: Jemand muss den Hinweisen nachgehen. Ohne benannte Zuständigkeit erzeugt das System nur eine Liste, die niemand liest.

Was auf derselben Ebene ebenfalls möglich ist

Zwei weitere Anwendungsfälle werden häufig genannt und lohnen eine kurze Einordnung, weil sie auf unterschiedlichen Ebenen liegen.

Kommissionierwege. Die Optimierung der Wege durch das Lager ist rechnerisch gut verstanden und braucht keine neue Technologie. Die Literaturübersicht von de Koster, Le-Duc und Roodbergen hält fest, dass gängige Routing-Heuristiken Wege erzeugen, die zwischen 7 und 33 Prozent über dem rechnerischen Optimum liegen. Das ist die realistische Verbesserungsspanne durch bessere Wegeplanung, und sie stammt aus dem Operations Research, nicht aus dem maschinellen Lernen. Menschliche Fehler bei der Kommissionierung lassen sich durch digitale Assistenz deutlich verringern, und dazu liegen belastbare deutsche Forschungsdaten vor. Der Forschungsbericht zu Pick-by-Vision.pdf) der TU München nennt praxisübliche Fehlerquoten von 0,3 bis 1,5 Prozent der Positionen und eine Senkung um rund 40 Prozent gegenüber der Belegkommissionierung. Eine Einschränkung gehört dazu: Wirksam ist die Art der Informationsdarbietung, nicht ein Modell. Wer eine solche Fehlersenkung einer KI zuschreibt, verwechselt Assistenzsystem und Auswertung.

Retourenmanagement. Künstliche Intelligenz optimiert Retourenprozesse vor allem über zwei Wege: die Prognose, welche Sendungen zurückkommen, und die automatisierte Klassifizierung eingehender Retouren nach Zustand und weiterer Verwendung. Für Fulfillment-Prozesse im Versandhandel ist das der meistgenannte Anwendungsfall. Beide Wege unter einem Begriff zu führen, verwischt allerdings die entscheidende Investitionsfrage. Die Prognose läuft auf Transaktions- und Auftragsdaten und gehört damit auf Ebene 2. Die automatisierte Bewertung des physischen Zustands einer Retoure ist dagegen ein Bilderkennungsproblem und braucht Kamerainfrastruktur, standardisierte Beleuchtung und produktspezifisches Training. Der Reifegrad ist entsprechend unterschiedlich: Die bislang beste publizierte Studie zum Deep-Learning-Grading erreicht bei der Schadensklassifizierung eine Präzision von 70,4 Prozent bei 246 ausgewerteten Bildern. Das ist ein Machbarkeitsnachweis, keine Betriebsreife.

Nicht in diese Aufzählung gehört die Routenplanung von Fahrzeugen. Sie beginnt an der Rampe und endet beim Kunden, hat mit der Lagerhaltung also nur die Schnittstelle gemeinsam.

Für die vorgelagerte Ebene der Lieferkette, also Lieferantenrisiko und Bedarfsplanung über das eigene Lager hinaus, ist unser Beitrag zu Supply Chain Analytics der passende nächste Schritt. Wer die Supply Chain als Ganzes betrachtet, wird die hier beschriebenen Lagerbestände ohnehin als einen Baustein unter mehreren behandeln.

Was Künstliche Intelligenz im Lager leistet und was nicht

Vier Einordnungen, damit Sie Angebote realistisch bewerten können. Sie betreffen nicht die Algorithmen, sondern die Aussagen, die über sie getroffen werden. Wer versteht, welche Erkenntnisse KI-Systeme im Lager tatsächlich liefern, erkennt überzogene Versprechen ohne technisches Fachwissen.

Das Prinzip ist alt, die Frequenz ist neu. Dass sich Fahrzeiten deutlich senken lassen, wenn Lagerplätze nach Umschlagshäufigkeit vergeben werden, ist seit den Arbeiten von Hausman, Schwarz und Graves aus dem Jahr 1976 bekannt. Neu ist nicht die Idee, sondern dass die Zuordnung laufend statt einmalig geschieht. Wer Ihnen dynamisches Slotting als Durchbruch verkauft, überzeichnet.

Wegzeit ist der größte Zeitblock, aber die kursierende Zahl dazu ist keine Messung. Der Wegzeitanteil von rund 50 Prozent an der Kommissionierzeit wird in diesem Feld sehr häufig genannt. Dieser Wert geht auf eine schematische Darstellung in einem Lehrbuch zurück, nicht auf eine Erhebung mit Stichprobe. Belastbar ist die schwächere Aussage: In manuellen Kommissioniersystemen ist Wegzeit typischerweise die dominierende Komponente, wie die Literaturübersicht von de Koster, Le-Duc und Roodbergen festhält. Wie hoch der Anteil in Ihrem Lager ist, sagt Ihnen nur eine eigene Messung.

Bei der Bedarfsprognose ist der Vorsprung begrenzt, und er übersetzt sich nicht automatisch in Bestände. Im M5-Prognosewettbewerb traten 5.507 Teams aus 101 Ländern an, um Absatzreihen eines großen Einzelhändlers vorherzusagen. Nur 415 davon, also 7,5 Prozent, waren genauer als das beste einfache statistische Vergleichsverfahren. Alle übrigen lagen gleichauf oder darunter. Wichtiger noch ist eine spätere Auswertung derselben Daten: Der Zusammenhang zwischen Prognosegenauigkeit und Bestandsleistung fällt schwächer aus als allgemein unterstellt und hängt stark von den angesetzten Kostenparametern ab. Bei hohen Fehlmengenkosten kann ein ungenaueres Verfahren sogar das wirtschaftlichere sein. Ein besseres Modell führt also nicht zwangsläufig zu weniger Kapitalbindung. Die Daten stammen aus dem Einzelhandel und enthalten viele Artikel ohne tägliche Bewegung, lassen sich also nicht direkt auf ein Industrielager übertragen.

Der digitale Zwilling ist meistens keiner. Die etablierte wissenschaftliche Systematik unterscheidet drei Stufen nach dem Grad der Datenflussautomatisierung: das digitale Modell ohne automatisierten Datenaustausch, den digitalen Schatten mit Datenfluss von der Realität zum Modell und den digitalen Zwilling mit Datenfluss in beide Richtungen. Eine Anwendung, die Lagerprozesse durchsimuliert, ist nach dieser Einteilung ein digitales Modell, also die unterste Stufe. Die Nutzenevidenz ist zudem dünn: In einem systematischen Review von 89 begutachteten Arbeiten aus den Jahren 2013 bis 2025 waren 27 Prozent rein konzeptionell und genau eine Arbeit experimentell angelegt. Für ein mittelständisches Lager ist der digitale Zwilling deshalb kaum je die erste Investition.

Was folgt daraus für Ihre Entscheidung? Der Hebel liegt nicht im Verfahren. Er liegt in der Datenlage, in der Integration und im Betrieb.

Reichen Ihre Lagerdaten? Vier Kriterien

„Datenqualität" ist das Wort, mit dem Projekte begründet und beerdigt werden. Es beschreibt kein Ziel und keine Methode, sondern verdeckt meist, dass niemand geprüft hat, welche Informationen im System überhaupt vollständig vorliegen. Diese vier Fragen bringen Sie weiter, und Sie können sie ohne technische Methoden beantworten.

1. Bestandsgenauigkeit

Wie hoch war Ihre letzte Inventurabweichung, und wissen Sie, woher sie kam?

Bestandsgenauigkeit ist die Übereinstimmung zwischen Systembestand und physischem Bestand je Artikel und Lagerort. Sie ist die Grundlage jeder bestandsbasierten Optimierung. Ein Modell, das auf falschen Beständen rechnet, rechnet zuverlässig falsch.

Die belastbarste Erhebung, die wir gefunden haben, stammt aus dem Einzelhandel. DeHoratius und Raman fanden im Einzelhandel 65 Prozent von knapp 370.000 untersuchten Bestandsdatensätzen fehlerhaft, erhoben in 37 Filialen eines einzelnen Händlers. Wichtiger als die Höhe ist ihr zweiter Befund: Die Abweichungen sind systematisch und nicht zufällig, hängen also mit Sortimentsstruktur und Zählpraxis zusammen. Vergleichbare Erhebungen für die Fertigung kennen wir nicht. Der Mechanismus gilt dort trotzdem, und deshalb ist Ihre eigene Inventurabweichung die aussagekräftigste Zahl, die Sie haben.

2. Bewegungsdatenhistorie

Liegen mindestens zwölf bis achtzehn Monate Bewegungsdaten mit Zeitstempel vor?

Das Fraunhofer IML nennt genau diesen Korridor. Für Prognosen, Optimierungen und Computer-Vision-Anwendungen genügen in den meisten Fällen zwölf bis achtzehn Monate an Bewegungs- und Stammdaten. Die Bedingung: Sie müssen vollständig, konsistent und mit Zeitstempeln versehen vorliegen. Das ist ein Erfahrungswert des Instituts aus eigenen Projekten, keine Erhebung.

Entscheidend ist dieser Zusatz. Drei Jahre lückenhafter Daten sind weniger wert als achtzehn Monate saubere.

3. Stammdatentiefe

Sind Maße, Gewichte und Artikelklassifikation für alle Materialien gepflegt?

Dieselbe Quelle benennt die typischen Lücken: fehlende Gewichts- oder Abmessungsangaben, uneinheitliche Artikelnummern, Löcher in den Historien. Alle drei wirken sich direkt auf die Modellgüte aus.

Das ist die Stelle, an der Vorhaben länger dauern als geplant. Stammdatenpflege ist unbeliebt, schlecht sichtbar und selten jemandem zugeordnet.

4. Schnittstellenlage

Was gibt Ihr WMS oder ERP heraus, und in welchem Takt?

Eine Schicht über Ihren Systemen ist nur so gut wie ihr Zugang zu den Daten. Ein nächtlicher Export reicht für Slotting und Nachschub. Für Anomalieerkennung in Echtzeit brauchen Sie kürzere Intervalle.

Wenn Sie hier unsicher sind, ist die Datenarchitektur der eigentliche Ausgangspunkt. Dazu haben wir die Unterschiede zwischen Data Warehouse und Data Lake und die Anforderungen an eine Datenstrategie für KI-Projekte beschrieben.

Was der Rechtsrahmen verlangt: KI-Verordnung, Datenschutz, Mitbestimmung

Datenschutzfragen sind das am meisten unterschätzte Risiko beim Einsatz von Künstlicher Intelligenz im Lager. Sie entstehen nicht durch die Technik, sondern dadurch, dass Lagerdaten fast immer auch Personendaten sind: Jede Buchung trägt eine Kennung. Dieser Abschnitt ist deshalb neu wichtig geworden, und er wird in Angeboten so gut wie nie angesprochen.

Seit dem 2. August 2026 gilt die EU-Verordnung über Künstliche Intelligenz in der Breite. Sie ist am 1. August 2024 in Kraft getreten und wird gestuft anwendbar. Die Pflichten für Hochrisikosysteme nach Anhang III wurden allerdings kurz zuvor verschoben: Die Änderungsverordnung (EU) 2026/1744 vom 8. Juli 2026 setzt sie auf den 2. Dezember 2027, für produktintegrierte Systeme nach Anhang I auf den 2. August 2028. In Deutschland gilt seit dem 29. Juli 2026 das Gesetz zur Marktüberwachung und Innovationsförderung von künstlicher Intelligenz (KI-MIG). Marktüberwachungsbehörde ist nach § 2 KI-MIG grundsätzlich die Bundesnetzagentur, soweit nicht sektorale Zuständigkeiten greifen.

Die für ein Lager entscheidende Grenze verläuft nicht zwischen Produkten, sondern innerhalb eines Systems. Eine Software, die Laufwege optimiert, Lagerplätze vergibt, Lagerbestände prognostiziert oder Nachschub auslöst, ist kein Hochrisikosystem. Sobald dieselbe Software jedoch bestimmungsgemäß der Beobachtung und Bewertung der Leistung von Beschäftigten dient oder Aufgaben aufgrund individuellen Verhaltens oder persönlicher Merkmale zuweist, fällt sie unter Anhang III Nummer 4 Buchstabe b der Verordnung und damit in die höchste Pflichtenstufe. Auf das Wort „bestimmungsgemäß" kommt es an: Maßgeblich ist der Zweck, für den das System vorgesehen ist, nicht die theoretische Möglichkeit einer Auswertung. Der Übergang ist trotzdem häufig eine Konfigurationsentscheidung und keine Produktentscheidung. Genau deshalb gehört er vor die Einführung und nicht danach. Kommt ein Hochrisikosystem am Arbeitsplatz zum Einsatz, verlangt Artikel 26 Absatz 7 zusätzlich, Arbeitnehmervertreter und betroffene Beschäftigte vorab zu informieren.

Unabhängig davon gilt seit dem 2. Februar 2025 die Pflicht zur KI-Kompetenz nach Artikel 4 der Verordnung. Anbieter und Betreiber müssen Maßnahmen ergreifen, um die KI-Kompetenz ihres Personals und beauftragter Dienstleister zu unterstützen. Die Änderungsverordnung hat diese Pflicht zum 27. Juli 2026 abgeschwächt: Ein bestimmtes Kompetenzniveau muss seither für keine einzelne Person garantiert werden. Bestehen bleibt die Pflicht, überhaupt etwas zu tun. Die Bundesnetzagentur weist in ihrem Hinweispapier darauf hin, dass sie unabhängig von Wirtschaftszweig und Organisationsgröße besteht. Wer Kommissionierer an ein KI-gestütztes System setzt, ist Betreiber im Sinne dieser Vorschrift. Was das im Einzelnen bedeutet, haben wir in unserem Beitrag zur KI-Verordnung ausführlicher beschrieben.

Datenschutzrechtlich ist die Lage differenzierter, als die Schlagzeilen nahelegen. Der einschlägigste europäische Fall betrifft ein Lager. Die französische Datenschutzbehörde CNIL verhängte mit Beschluss vom 27. Dezember 2023 ein Bußgeld von 32 Millionen Euro gegen Amazon France Logistique. Aus Handscanner-Daten waren personenbezogene Kennzahlen gebildet worden, darunter Inaktivitätszeiten ab zehn Minuten und Scanabstände unter 1,25 Sekunden.

Interessant ist, was danach geschah. Der französische Staatsrat reduzierte die Sanktion am 23. Dezember 2025 auf 15 Millionen Euro und hielt ausgerechnet diese Kennzahlen für zulässig, weil sie betrieblichen Zwecken dienten und keine dauerhafte Rundumüberwachung darstellten. Bestehen blieb die Beanstandung an anderer Stelle: Die Produktivitätsdaten wurden 31 Tage lang gespeichert, Leiharbeitnehmer waren über die Videoüberwachung unzureichend informiert, und der Zugriffsschutz war mangelhaft.

Für Ihr Vorhaben ist das die nützlichere Lehre. Nicht die Messung als solche ist der Angriffspunkt, sondern Speicherdauer, Transparenz und Zugriffsrechte. Diese drei Punkte lassen sich vor dem Projektstart festlegen und kosten dort fast nichts.

Betriebsverfassungsrechtlich ist die Frage in Deutschland vorentschieden. Ein Lagerverwaltungssystem, das Kommissioniervorgänge personenbezogen protokolliert, ist nach § 87 Absatz 1 Nummer 6 Betriebsverfassungsgesetz mitbestimmungspflichtig. Nach ständiger Rechtsprechung des Bundesarbeitsgerichts genügt die objektive Eignung zur Überwachung, eine Überwachungsabsicht ist nicht erforderlich. Praktisch heißt das: Der Betriebsrat gehört an den Anfang des Vorhabens, nicht an dessen Ende.

Für die Praxis folgt daraus eine einfache Reihenfolge. Legen Sie vor dem Projektstart fest, welche Auswertungen auf Artikel-, Lagerplatz- und Prozessebene laufen und welche personenbezogen wären. Die erste Gruppe ist der eigentliche Hebel im Lager. Die zweite bringt regulatorischen Aufwand, ohne dass die Optimierungswirkung nennenswert steigt.

Wann sich Lageroptimierung mit KI nicht lohnt

Fünf Situationen, in denen wir abraten.

Zu wenig Bewegung. Bei einigen hundert Artikeln mit niedriger Zugriffsfrequenz steckt im Verlauf zu wenig Signal, als dass ein Modell mehr fände als eine sorgfältige ABC-Analyse in einer Tabellenkalkulation.

Keine belastbare Historie. Wenn Bewegungsdaten erst seit einem halben Jahr sauber erfasst werden oder das Sortiment gerade grundlegend gewechselt hat, fehlt die Grundlage. Sechs Monate weiter messen ist dann die schnellere Lösung.

Ein Systemwechsel steht an. Wer ohnehin in den nächsten zwölf Monaten sein WMS ablöst, sollte keine Schicht auf ein System bauen, das verschwindet. Erst das System, dann die Lagersteuerung darüber.

Der Anwendungsfall braucht Sensordaten, die es nicht gibt. Predictive Maintenance, automatische Zählung und Bilderkennung setzen Sensorik voraus. Ohne sie bleibt das Vorhaben ein Nachrüstprojekt an der Anlage, mit entsprechend anderem Budget und anderen Entscheidern.

Ihr Anbieter liefert die Funktion mit. Siehe Ebene 1. Prüfen Sie das zuerst.

Dauer, Betrieb und Kosten einer Lager-KI

Drei Fragen entscheiden darüber, ob ein Vorhaben den Piloten überlebt.

Wie lange dauert die Einführung?

Das Fraunhofer IML nennt für ein erstes produktives Minimalsystem acht bis zwölf Wochen. In dieser Zeit werden echte Daten verarbeitet, und die Anwendung läuft in einem abgegrenzten Teilprozess, etwa an einem Standort. Für Einführungen im eigenen Rechenzentrum gibt das Institut sechs bis zwölf Monate an. Beides sind Erfahrungswerte aus Institutsprojekten.

Der Unterschied zwischen beiden Zahlen liegt in den wenigsten Fällen am Modell. Er liegt in Integration, Freigaben und Datenaufbereitung.

Wer betreibt das anschließend?

Diese Frage wird kaum gestellt und entscheidet trotzdem über die Wirtschaftlichkeit. Ein Modell altert. Sortimente ändern sich, Lieferzeiten verschieben sich, Prozesse werden umgestellt. Ohne jemanden, der die Güte beobachtet und nachjustiert, wird die Anwendung leise schlechter, und niemand merkt es rechtzeitig.

Das Fraunhofer IML veranschlagt dafür ein halbes bis ein ganzes Vollzeitäquivalent. Das muss keine Neueinstellung sein, aber es muss jemandem gehören.

Wer diese Aufgabe übernimmt, ist eine Entscheidung, keine Zwangsläufigkeit. Dokumentation, Übergabe und Einarbeitung Ihrer Leute gehören für uns zum Projektumfang, damit der Betrieb intern getragen werden kann. Ein Modell, das nur der Dienstleister versteht, ist ein Risiko und kein Ergebnis.

Fehlende Fachkräfte erschweren die Implementierung von KI-Systemen messbar: In der BCG-Erhebung ist fehlende interne Kompetenz eine der beiden meistgenannten Hürden. Wichtig ist nur, welche Kompetenz gemeint ist. Der Engpass liegt nicht beim Lagerpersonal. Die Bundesagentur für Arbeit führt Lagerberufe in ihrer Engpassanalyse nicht als Engpassberufe, wohl aber Berufskraftfahrer. Knapp ist die Fähigkeit, ein Modell fachlich zu beurteilen, und genau die lässt sich aufbauen oder einkaufen.

Was kostet das?

Preise für Künstliche Intelligenz im Lager nennen wir nicht, weil sie ohne Ihren Anwendungsfall nichts aussagen. Die Kostenstruktur schon. Sie besteht aus vier Blöcken: Lizenz- und Arbeitsplatzkosten, verbrauchsabhängige Kosten, einmalige Integration und Datenaufbereitung sowie der laufende Betrieb.

Hohe Anfangskosten sind dabei die am häufigsten genannte Herausforderung bei der Einführung, und sie stecken fast vollständig in Block drei: Integration, Schnittstellen und Datenaufbereitung fallen einmalig an, bevor das erste Ergebnis vorliegt. Sie sind trotzdem nicht der kritische Block. Block vier entscheidet über die Wirtschaftlichkeit und fehlt in den meisten Angeboten. Die nützlichste Frage bei einer Angebotsprüfung lautet deshalb: Was kostet das im dritten Jahr, wenn niemand mehr ein Projekt daraus macht?

Zu den Einsparungsversprechen. Angebote nennen häufig eine Senkung der Lagerkosten in der Größenordnung von 15 bis 30 Prozent. Wir haben versucht, diese Spanne bis zu einer Erhebung zurückzuverfolgen, und sind nicht fündig geworden. Der nächstliegende Ursprung ist eine Beratungspublikation aus dem Jahr 2021, die 15 Prozent für Logistikkosten und 35 Prozent für Bestandsniveaus nennt, beides ohne Stichprobe, Erhebungsjahr oder Methodik. In der deutschen Weiterverwendung wird daraus eine gemischte Spanne, und aus dem Bestandsniveau werden Lagerkosten. Das sind verschiedene Größen. Fragen Sie bei einer solchen Zahl nach der Erhebung dahinter. Bleibt die Antwort aus, ist die Zahl eine Schätzung mit Nachkommastellen.

Für das Gespräch mit Ihrem CFO ist eine Größe belastbarer als jede Effizienzprozentzahl: das Kapital, das in Beständen ohne Bewegung liegt. Diese Zahl steht in Ihrem System, sie ist in Euro ausgedrückt, und sie taugt als Ausgangswert. Wie sich daraus eine Nutzenrechnung bauen lässt, haben wir unter KI-Nutzen berechnen beschrieben.

Warum KI-Vorhaben im Lager im Pilot stecken bleiben

Drei Muster wiederholen sich, wenn Künstliche Intelligenz im Lager eingeführt wird, und keines davon ist technischer Natur.

Der Pilot ohne Betriebskonzept. Die Anwendung funktioniert im Test, aber niemand hat geklärt, wer sie im Regelbetrieb bedient, überwacht und bei Abweichungen entscheidet. Nach dem Projektende verwaist sie.

Die Werkzeugsammlung ohne Verantwortung. Mehrere Abteilungen führen parallel Funktionen ein. Am Ende weiß niemand, welche Vorschläge woher kommen und welche Zahl gilt.

Das Datenprojekt ohne Prozessbezug. Es wird eine saubere Datenbasis gebaut, ohne dass eine konkrete Entscheidung daran hängt. Das Ergebnis ist ein Bericht, den niemand nutzt.

Die gemeinsame Wurzel ist dieselbe: Es wurde Technik beschafft, bevor die Steuerung definiert war.

In einer Expertenbefragung über vier Weltregionen, die die Boston Consulting Group gemeinsam mit dem Logistiksoftware-Anbieter Alpega unter mehr als 180 Fachleuten bei Logistikdienstleistern und Verladern durchgeführt hat, setzen rund 40 Prozent der befragten Dienstleister KI über Pilotprojekte hinaus ein, aber nur 13 Prozent können einen messbaren Nutzen benennen. Als Haupthürden nennen rund 40 Prozent einen unklaren wirtschaftlichen Nutzen und fehlende interne Kompetenz.

Die Technologie steht nicht auf dieser Liste. Für Deutschland liegen aus dieser Erhebung keine gesonderten Werte vor, und eine Repräsentativität ist nicht ausgewiesen.

Für die Umsetzung dieser Steuerungsebene haben wir einen eigenen Bereich beschrieben: KI-Implementierung.

Der nächste Schritt: erst der Ausgangswert, dann das Werkzeug

Bevor Sie über Anbieter und Ebenen entscheiden, klären Sie, wie Sie heute messen.

Wie hoch ist Ihre Inventurabweichung? Wie viel Kapital liegt in Beständen ohne Bewegung? Wie lange braucht ein durchschnittlicher Kommissionierauftrag? Wenn Sie diese Werte nicht kennen, können Sie später keine Wirkung nachweisen, unabhängig davon, wie gut das Modell ist.

Aus diesem Ausgangswert wird ein Vorhaben, das sich bewerten lässt: ein realer Prozess, reale Daten, eine Kennzahl, eine benannte Verantwortung im Fachbereich und eine vorab vereinbarte Schwelle, ab der Sie weitermachen oder abbrechen.

Hanisch-Prinzip: KI-Nutzen sollte nicht geschätzt, sondern gegen einen Ausgangswert gemessen werden. Erst wenn ein Anwendungsfall mit realen Daten und klaren Kennzahlen Wirkung zeigt, entsteht ein belastbarer Proof of Value.

Das gehen wir gern mit Ihnen durch. In einem Erstgespräch klären wir, auf welcher Ebene Ihr Fall liegt, ob Ihre Datenlage trägt und was ein sinnvoller erster Schritt wäre. Sie gehen mit einer Einordnung heraus, die Sie intern weitertragen können. Wird daraus ein Vorhaben, folgt eine Potenzialanalyse, deren Ergebnis Sie schriftlich bekommen, in einer Form, die Sie Ihrer Geschäftsführung, dem CFO und der IT vorlegen können. Wenn die Antwort lautet, dass Ihr Systemanbieter die Sache erledigen kann, sagen wir Ihnen das.

Kostenloses Erstgespräch vereinbaren 30 Minuten. Unverbindlich. Konkret. Kein Pitch-Marathon.

Wie wir mit Unternehmen aus der Logistik arbeiten und welche Lösungen sich in welcher Reihenfolge bewährt haben, haben wir unter Logistik zusammengefasst.

Zusammenfassung: KI-Lageroptimierung in fünf Sätzen

KI-Lageroptimierung ist kein Produkt, das man kauft, sondern eine Reihenfolge, die man einhält. Wenn Sie aus diesem Beitrag eine Seite mitnehmen wollen, dann diese.

Erstens: Die Reihenfolge entscheidet, nicht die Technologie. Künstliche Intelligenz gehört ans Ende der Prüfliste, nicht an den Anfang. Prüfen Sie zuerst den Lizenzumfang Ihres bestehenden Systems, dann die Datenlage, dann den Betrieb. Erst danach die Frage nach Anbietern. Diese Reihenfolge ist der eigentliche Kern der Lageroptimierung. KI ist darin ein Werkzeug, kein Ausgangspunkt.

Zweitens: Die Ebene bestimmt Aufwand und Entscheider. Sie ist das wichtigste Ordnungskriterium für KI in der Logistik. KI-Systeme, die auf vorhandenen Bewegungs- und Stammdaten laufen, sind Projekte von Wochen bis Monaten. Vorhaben, die Sensordaten brauchen, sind Anlageninvestitionen mit anderen Budgets, anderen Entscheidern und deutlich größeren Herausforderungen im Betrieb.

Drittens: Prognosegüte ist nicht gleich Wirkung. Ein genaueres Modell senkt nicht automatisch Ihre Lagerbestände, und eine schnellere Lieferung erzwingt es auch nicht. Die Potenziale liegen dort, wo eine Entscheidung heute starr ist und laufend besser getroffen werden könnte, nicht dort, wo die letzte Nachkommastelle gewinnt.

Viertens: Rechnen Sie mit Ihren eigenen Zahlen. Kursierende Effizienzversprechen für KI-gestützte Lagerhaltung und KI-gestützte Bestandsplanung halten der Prüfung überwiegend nicht stand. Ihre Inventurabweichung und Ihre Kapitalbindung sind belastbarer als jede Branchenprozentzahl, und sie stehen bereits in Ihrem System.

Fünftens: Klären Sie den Rechtsrahmen vor dem Projekt. Solange KI-Lösungen Lagerplätze, Materialien und Bestände auswerten, ist die Sache unkritisch. Sobald sie Leistung je Person bewerten, ändert sich die Bedeutung des Vorhabens rechtlich vollständig.

Die technologischen Entwicklungen in diesem Feld ändern an dieser Reihenfolge wenig, und das gilt für KI in der Logistik insgesamt. Neue Modelle und Methoden kommen laufend hinzu, die Prüffragen bleiben dieselben. Wer sie einhält, kann jede neue Anwendung einordnen, ohne die Grundsatzdiskussion erneut zu führen.