Zu Beginn eines Logistikprozesses analysiert KI grosse Datenmengen, ordnet Waren zu, erkennt Abweichungen und schafft damit eine verlässliche Basis für die weiteren Schritte. Diese frühe Strukturierung beeinflusst anschliessend das gesamte System, von der Lagerbewirtschaftung bis zur Transportplanung.
In Logistikzentren ersetzen KI-Systeme zunehmend manuelle Kontrollen. Sie analysieren Bilder und Textinformationen, zählen Pakete, erkennen Schäden und ordnen Waren automatisch Bestellungen zu. Autonome Lagerroboter optimieren zusätzlich Transportwege und Regalplätze. Dadurch werden interne Abläufe präziser, schneller und weniger fehleranfällig.
Die frühe Datenanalyse wirkt sich auch auf die Transportkette aus. Moderne Optimierungsverfahren wählen geeignete Transportmittel, planen Routen und verteilen Aufträge so, dass Termintreue, Auslastung und Nachhaltigkeit berücksichtigt werden. Diese Systeme reagieren unmittelbar auf Veränderungen und erzeugen Lösungen, die deutlich genauer und schneller sind als bei manueller Planung.
Der Einsatz von KI verändert auch die Aufgaben der Logistikfachleute. Nachdem KI-Systeme Waren zugeordnet, Daten ausgewertet und Abläufe optimiert haben, übernehmen Fachpersonen die nächsten Schritte. Dazu gehört das Prüfen der KI-Vorschläge, das Festlegen von Prioritäten, das Anpassen von Parametern und das Entscheiden über die Umsetzung im laufenden Betrieb. Sie steuern somit jene Prozessphasen, die auf den automatisierten Analysen aufbauen und für einen reibungslosen Gesamtprozess zentral sind.
Wie sich Logistik mit KI weiterentwickelt und welche Schritte für KMU sinnvoll sind, erfahren Sie im Artikel.
Dieser Artikel im KMU-Magazin ist Teil einer Serie, die als Folgeaktivität aus der Publikation Orientierung KI: Herausforderungen und Chancen für Schweizer KMU hervorgegangen ist. Diese SATW-Publikation unterstützt kleine und mittlere Unternehmen dabei, Potenziale von künstlicher Intelligenz zu erkennen und konkrete nächste Schritte zu planen.
Die Inhalte wurden in enger Zusammenarbeit mit Akteur:innen aus dem Netzwerk von SAIROP (Swiss AI Research Overview Platform) erstellt. SAIROP fördert den Austausch zwischen Wissenschaft, Wirtschaft und Gesellschaft, macht Schweizer KI-Kompetenzen sichtbar und schafft Orientierung im dynamischen KI-Ökosystem.
Die Intra-Logistik umfasst alle Abläufe innerhalb eines Unternehmens, beispielsweise Wareneingang, Lagerung, Kommissionierung und Warenausgang. Die Intra-Logistik profitiert zunehmend von KI-Anwendungen.
Die Extra-Logistik bezeichnet den Transport von Waren zwischen Unternehmen und Endkundschaft. Die Extra-Logistik profitiert zunehmend von KI-Anwendungen.
KI analysiert Bilder und Texte, zählt Pakete, erkennt Beschädigungen und ordnet Waren automatisch Bestellungen zu. Autonome Roboter optimieren Regalplätze und Transportwege. Unternehmen wie Amazon setzen solche Systeme bereits breit ein.
Im Mittelpunkt stehen die Auswahl geeigneter Transportmittel, die Verteilung der Aufträge auf die Flotte und die optimale Routenplanung. Moderne Algorithmen können Paletten effizient beladen, Transportvolumen vorhersagen und komplexe Tourenprobleme wie das Traveling Salesman Problem zuverlässig lösen.
Ja. Obwohl diese Probleme in der Praxis als schwer lösbar gelten, bieten KI-Algorithmen heute optimale oder nahezu optimale Lösungen, selbst für Varianten mit vielen Orten. Grosse Tech-Unternehmen stellen dafür spezialisierte Bibliotheken wie Google OR-Tools bereit.
Maschinelles Lernen (ML) wird genutzt, um Transportvolumen präziser zu prognostizieren. Für komplexe Optimierungsprobleme ist ML jedoch nur begrenzt geeignet, da ähnliche Logistiksituationen oft unterschiedliche Lösungen erfordern.
KI-Systeme werden über Zielfunktionen gesteuert, die sich an Kennzahlen wie Termintreue, Auslastung, Nachhaltigkeit, Genauigkeit und Sicherheit von Mitarbeitenden orientieren. Die Auswahl der KPIs beeinflusst direkt das Optimierungsergebnis.
Logistikfachleute entwickeln weniger eigene Lösungen, sondern arbeiten enger mit KI zusammen. Sie definieren Anforderungen, prüfen algorithmische Vorschläge und steuern digitale Prozesse. Damit verlagert sich der Schwerpunkt von der manuellen Planung zur übergeordneten Gestaltung und Bewertung der Systeme.
Forschungsteams arbeiten an Deep Reinforcement Learning und quantenbasierten Verfahren. Zudem unterstützen grosse Sprachmodelle bereits heute bei der Modellierung komplexer Optimierungsprobleme, etwa im Gurobi AI Modeling Assistant.
