Kaum ein Bereich produziert so viele Daten wie Logistik und Supply Chain Management. Jede Bestellung, jeder Liefervertrag, jede Produktionsentscheidung, jede Bestandsveränderung hinterlässt eine Spur vom Rohstofflieferanten bis zum Endkunden. Täglich und in Echtzeit. Beschaffung, Produktion, Distribution sind alles Abläufe, die sich in Daten abbilden lassen und damit algorithmierbar sind. Kurz gesagt: Wenn es einen Bereich gibt, für den KI gemacht ist, dann dieser. Und trotzdem hinkt Supply Chain und Logistik beim KI-Einsatz hinter anderen Branchen hinterher. Warum eigentlich?
Inhalt
- Als Just-in-Time noch funktionierte
- Die neue Aufgabe: Schneller vorhersagen, und mit mehr Unsicherheit
- Was KI in der Logistik heute tatsächlich leistet
- Das Problem, das nicht im System steckt
- Wer nicht sucht, wird nicht gefunden
- Fazit
- FAQs
Als Just-in-Time noch funktionierte
Insbesondere vor Corona war Logistik stark auf Just-in-Time (JIT) ausgelegt. Man skalierte einen effizienten Standort hoch und ließ die Lieferkette so schlank wie möglich laufen (Lean Supply Chain). Ziel war die Reduktion von Durchlaufzeiten und Kapitalbindung. Jeder Puffer kostet Geld. Und Lagerbestände sind im Prinzip nichts anderes als gebundenes Kapital. Effizienz wurde vor allem daran, wer bei möglichst wenig Bestand hohe Lieferfähigkeit sicherstellen konnte. Das hat lange funktioniert. Gut sogar.
Dann kam 2020. Und die Erkenntnis, wie fragil das alles war. Die Pandemie hat systemische Risiken sichtbar gemacht, vor allem durch gleichzeitige globale Schocks. Single-Sourcing und Standortkonzentration haben sich als Risiko erwiesen. Das war besonders sichtbar während der Lockdowns in China. Auch die Blockade des Suezkanals 2021 ist ein gutes Symbol für die Verwundbarkeit globaler Lieferketten. Wer seine gesamte Produktion auf einen Standort konzentriert hatte, merkte, was passiert, wenn der Standort nicht mehr erreichbar ist. Das hat zu Veränderungen geführt, wie Logistik und Supply Chain gedacht werden müssen.
Die neue Aufgabe: Schneller vorhersagen, und mit mehr Unsicherheit
Nachfrageprognosen, Lieferantenrisiken, der ewige Trade-off zwischen Servicegrad und gebundenem Kapital. Das sind alles keine neuen Fragen. Auch Demand Planning und Sales & Operations Planning (S&OP) gibt es seit Jahrzehnten. Neu ist, dass diese Fragen heute deutlich granularer, deutlich häufiger und unter deutlich größerer Volatilität beantwortet werden müssen: Rolling Forecasts neben strategischer Jahresplanung, Frühwarnsysteme, Szenarioanalysen für Lieferketten, die über drei Kontinente laufen.
Einsatzpotenzial von KI in der Logistik
Wie viel Puffer ist klug und ab wann wird Puffer zur Verschwendung? Welcher Lieferant zeigt potenziell Schwierigkeiten, noch bevor er selbst davon weiß? Das sind keine dramatischen Ausnahmefragen. Das ist Alltag in jedem halbwegs komplexen Logistiknetzwerk. Nur dass dieser Alltag heute schneller, vernetzter und fehleranfälliger geworden ist.
KI in der Logistik: Vorteile & Aktuelles Lagebild
Quelle Zahlen: BME
Grafik: WK Personalberatung
Genau dort kommt KI ins Spiel, als Werkzeug für genau die Aufgaben, bei denen Datenmengen und Geschwindigkeit menschliche Planung an ihre Grenzen bringen. Wo die Datenqualität stimmt und die Prozesse sauber sind, liefert sie echte Ergebnisse. Wo das nicht der Fall ist, hilft auch der beste Algorithmus nicht weiter. Klassische Statistik und Operations Research bleiben weiterhin das Fundament. KI kommt obendrauf, nicht stattdessen.
Was KI in der Logistik heute tatsächlich leistet
Die BME-Logistikstudie 2025 hat konkret nachgefragt, wo KI in logistischen Kernprozessen tatsächlich im Einsatz ist. Das Ergebnis ist wenig überraschend, aber aufschlussreich: Forecasting, also die datengestützte Vorhersage von Bedarfen, steht nach der Bestandoptimierung ganz oben. 19 Prozent der befragten Unternehmen setzen KI dafür bereits im Regelbetrieb ein, weitere 19 Prozent testen es aktiv. 32 Prozent prüfen gerade einen Einsatz.
Wo KI in der Logistik aktuell eingesetzt wird
Quelle Zahlen: BME
Grafik: WK Personalberatung
Das deckt sich mit dem allgemeinen Forschungsstand. Bestandsoptimierung und Demand Forecasting ist eines der reifsten KI-Anwendungsfelder, weil historische Daten meist vorhanden sind und der Nutzen schnell messbar wird.
Moderne KI-Systeme können externe Indikatoren wie Konjunkturdaten, Branchenentwicklungen, in einigen Fällen sogar geopolitische Signale integrieren. Flächendeckender Standard ist das noch nicht, aber es wird zunehmend verbreitet, besonders in rohstoffnahen Industrien. Der US-amerikanische Stahlhersteller Big River Steel gehört laut einer österreichischen Studie zu den dokumentierten Fällen, in denen wirtschaftliche Entwicklungen stahlintensiver Branchen direkt in die Bedarfsplanung einfließen.
Wo Unternehmen Vorteile durch KI erwarten
Quelle Zahlen: BME
Grafik: WK Personalberatung
Analoges ist bei verderblichen Waren möglich. Das italienische Lebensmittelunternehmen Granarolo konnte durch KI-gestützte Promotionsplanung die Lagerbestände erheblich reduzieren. Die Studie nennt rund 50 Prozent, wohlgemerkt unter günstigen Ausgangsbedingungen und in einem klar definierten Anwendungsfeld. Als Einzelfall unter optimalen Bedingungen ist das ein Best-Case-Ergebnis. Als Illustration des Prinzips funktioniert es trotzdem. Können Nachfrageschwankungen besser vorhersagt werden, muss weniger Ware vorgehalten werden.
Auch KI-gestütztes Lieferanten-Monitoring, das Nachrichtenströme und Lieferantendaten in Echtzeit auswertet, ist ein wachsendes Feld. Kärcher nutzt ein solches System für sein Lieferantennetzwerk. Der Grundgedanke dahinter ist simpel: Ein Lieferantenausfall, den man drei Wochen früher erkennt, ist ein handhabbares Problem. Einer, der einen kalt erwischt, ist eine Krise. Wobei auch hier gilt: Die technische Früherkennung ist eine Sache, die organisatorische Reaktionsfähigkeit dahinter eine andere. Leider hinkt genau diese in vielen Unternehmen noch hinterher.
Und dann ist da noch das Bestandsmanagement. Aston Martin konnte mit einem Machine-Learning-Modell für die Ersatzteillogistik die Verfügbarkeit auf 97 Prozent steigern und gleichzeitig den Wert der Sicherheitsbestände um 18 Prozent senken. Mehr Servicegrad bei weniger gebundenem Kapital. Genau darum geht es.
Das Problem, das nicht im System steckt
So überzeugend diese Beispiele sind, sie setzen etwas voraus, das in der Debatte oft zu kurz kommt: Menschen, die das aufbauen, einführen und betreiben können. KI-Systeme implementieren sich nicht selbst. Forecasting-Modelle brauchen Menschen, die verstehen, welche Daten relevant sind, wie sie aufbereitet, validiert und laufend nachjustiert werden, wenn sich Nachfrage, Märkte und Lieferketten ändern. Supply Chain Risikomanagement braucht jemanden, der die Brücke baut zwischen dem, was der Algorithmus ausspuckt, und dem, was das Unternehmen operativ damit anfangen kann. Ein Risikosignal ist erst dann nützlich, wenn jemand es in eine handlungsleitende Entscheidung übersetzt.
Top-5-Hemmnisse für KI-Einsatz aus Sicht der Unternehmen
Quelle Zahlen: BME
Grafik: WK Personalberatung
Diese Profile – nennen wir sie Data-Driven Supply Chain Manager, KI-Projektleiter in der Logistik oder einfach Menschen, die Daten und Prozesse gleichzeitig denken können – sind schwer zu finden. Deutlich schwerer als klassische Logistik- oder IT-Profile.
Verschiedene Studien – unter anderem vom Fraunhofer, Bitkom oder BME – verweisen neben hohen Investitionskosten und Datenschutz auf Fachkräftemangel als zentrales Hemmnis bei der KI-Einführung. Das deckt sich mit dem, was internationale Wettbewerbsrankings zeigen: Die Ausbildungsqualität wird gelobt, aber die Verfügbarkeit von Fachkräften an der Schnittstelle Daten und Logistik ist ein struktureller Engpass; und er wächst, je schneller die Technologie voranschreitet.
Kurzfristig, also heute und in den nächsten zwei bis drei Jahren, brauchen Unternehmen vor allem Menschen, die KI einführen, trainieren und betreiben können. Das sind die Profile, die gerade fehlen.
Zugleich bzw. mittelfristig wird KI dort Arbeit übernehmen, wo Fachkräfte am knappsten sind, insbesondere in regelbasierten, repetitiven Tätigkeiten wie Dokumentenprüfung, Disposition nach festen Parametern oder Standardanfragen. Genau in diesen Bereichen ist KI als Entlastung angedacht. Das bedeutet nicht unbedingt den Abbau von Stellen, sondern Transformation: weniger manuelle Ausführung einerseits, mehr Steuerung und Ausnahmebehandlung andererseits.
Langfristig entstehen Rollenbilder, die es heute noch nicht gibt. Der Supply Chain Manager, der Datenmodelle liest wie früher Excel-Tabellen. Der Disponent, der KI-Empfehlungen bewertet, statt selbst zu rechnen. Die Fachkraft, die das System trainiert und dessen Grenzen kennt.
Wer nicht sucht, wird nicht gefunden
Wer heute nach Logistikexpertise mit KI-Affinität sucht, trifft auf ein Marktproblem: Die Profile, die gebraucht werden, gibt es so noch nicht lange. Studiengänge, die Datenanalyse und Supply Chain Management ernsthaft verbinden, sind jung. Die Absolventenzahlen pro Jahr sind aktuell noch klein und ein erheblicher Teil der heute relevanten Fachkräfte sind Quereinsteiger, die sich über Umwege das erforderliche Wissen angeeignet haben.
Gleichzeitig werden diese Talente von Tech-Konzernen, Unternehmensberatungen und Start-ups umworben. Arbeitgebern, die in der Wahrnehmung vieler junger Fachkräfte attraktiver wirken. Stellenanzeigen reichen bei diesen Profilen meist nicht aus; gefragt sind Netzwerke, Direktansprache und glaubwürdige Aufgabenpakete.
Fazit
Die Logistik steht vor einem doppelten Wandel: Sie muss ihre Prozesse intelligent machen und gleichzeitig die Menschen finden, die das ermöglichen. Beides ist dringend, beides ist schwierig, und beides hängt zusammen.
Unternehmen, die jetzt in den Aufbau entsprechender Kompetenzen investieren – intern wie durch gezielte Personalgewinnung – werden einen strukturellen Vorteil haben, der sich nicht so leicht aufholen lässt. Die Technologie ist zunehmend verfügbar, zum Teil sogar kostenlos. Was nicht verfügbar ist, sind die Menschen, die damit umgehen können. Das ist die eigentliche Engpassstelle. Und sie wird sich nicht von selbst auflösen.
FAQs
Ist KI in der Logistik nur ein Thema für Großkonzerne?
Nein, aber der Einstieg erfordert Realismus. Modulare Lösungen, die auch für mittelständische Unternehmen erschwinglich sind, gibt es mittlerweile. Der eigentliche Aufwand steckt weniger im Lizenzpreis als in der Integration in bestehende Systeme und in der Datenaufbereitung. Wer klein anfängt, kommt weiter als wer auf die perfekte Gesamtlösung wartet: ein klar abgegrenztes Pilotprojekt, ein konkretes Problem, messbare Ergebnisse. Und wer durch bessere Prognosen weniger Kapital in Überbeständen bindet, rechnet die Investition oft schneller ein als erwartet.
Was unterscheidet KI von klassischer Planungssoftware?
Klassische Systeme arbeiten mit Regeln, die jemand vorher definiert hat. Sie sind gut, solange die Welt sich an diese Regeln hält. Sobald sie es nicht tut – unerwartete Nachfragesprünge, Lieferantenausfälle, geopolitische Störungen – stoßen sie an Grenzen. KI-Systeme lernen dagegen aus Mustern in historischen und aktuellen Daten und passen ihre Prognosen dynamisch an. Das macht sie nicht unfehlbar, aber deutlich anpassungsfähiger. Wichtig: KI ersetzt klassische Statistik und Operations Research nicht, sie baut darauf auf.
Führt KI zu Arbeitsplatzabbau in der Logistik?
Die ehrliche Antwort lautet: Es kommt drauf an, welchen Zeithorizont man betrachtet. Kurzfristig schafft KI vor allem neue Anforderungen: Es werden Leute gebraucht, die Systeme einführen, betreiben und hinterfragen können. Mittelfristig übernimmt KI repetitive, Aufgaben: Dokumentenprüfung, Standarddisposition, Routenoptimierung. Das verändert Berufsbilder, bedeutet aber nicht zwingend Stellenabbau. In einer Branche, die ohnehin unter Fachkräftemangel leidet, ist KI oft eher Entlastung als Bedrohung. Langfristig entstehen neue Rollen. Menschen, die Algorithmen steuern statt Tabellen pflegen.
Wie hoch ist der Aufwand für die Datenaufbereitung wirklich?
Höher als die meisten erwarten. Saubere, konsistente Daten sind oft das eigentliche Projekt. Veraltete Stammdaten, inkonsistente Lieferzeiten, fehlende Historien in Altsystemen: Wer diesen Schritt unterschätzt, bekommt Prognosen auf einer wackeligen Grundlage. Die gute Nachricht ist, dass die Bereinigung sich unabhängig vom KI-Projekt lohnt. Sauberere Daten bedeuten stabilere Prozesse, egal welches System obendrauf läuft.
Kann KI bei der Nachhaltigkeit helfen?
Ja, und das ist einer der unterschätzten Nebeneffekte. Bessere Bedarfsprognosen bedeuten weniger Überproduktion und weniger Entsorgung verderblicher Waren. Optimierte Routenplanung reduziert Leerfahrten. Effizientere Lagersteuerung senkt den Energieverbrauch. Das sind keine grünen Marketingversprechen, sondern direkte Konsequenzen aus Effizienzgewinnen. Ökologische Wirkung entsteht hier nicht trotz wirtschaftlichem Kalkül, sondern gerade durch dieses.
