Künstliche Intelligenz kann die Wertschöpfung in der Intralogistik enorm steigern – wenn man zuvor seine „Hausaufgaben“ erledigt hat. Dies, so Prof. Dr.-Ing. Johannes Fottner von der TU München, betreffe vor allem das Thema Daten. Wenn diese mangelhaft sind, kann selbst die beste KI nur halbgare Lösungen liefern. Im Interview erläutert der führende KI-Experte, welche Schritte Unternehmen in puncto Datenqualität gehen müssen – und welche Bereiche der Intralogistik am stärksten von der KI-Integration profitieren können.
Herr Prof. Dr. Fottner, gehen wir gleich in medias res: Wo steht die Intralogistik beim Einsatz von KI aktuell?
Johannes Fottner: Wir haben die Phase der strategischen Versprechungen hinter uns – jetzt folgt vielerorts die operative Ernüchterung. Aber: Das ist eigentlich ein gutes Zeichen. Es bedeutet nämlich, dass erste Implementierungen gelaufen sind und nun konkrete Erfahrungswerte vorliegen. Ernüchterung bezieht sich da weniger auf die Technologie, sondern vielmehr auf die Voraussetzungen, die man braucht, um sie wertschöpfend einzusetzen. Meine Kernthese lautet daher: Die Intralogistik hat kein primäres Technologieproblem, sondern ein Datenproblem, das systematisch unterschätzt wird. Dort, wo man KI als Lösung für ein ungeklärtes Problem eingesetzt hat, ist man inzwischen teuer gescheitert. Aber Unternehmen, die das Thema mit sauberen Datenprozessen, klaren Zielgrößen und realistischen Erwartungen angegangen sind, profitieren jetzt von KI – und zwar messbar.
Messbar ist ein gutes Stichwort: In welchen konkreten Prozessen liefert KI heute einen zählbaren Return on Invest (ROI)?
Johannes Fottner: Wenn wir messbar – und eben nicht modellierbar – als Kriterium ansetzen, sind das vor allem drei Bereiche: erstens Nachfrageprognosen und das Thema Bestandsoptimierung. KI-gestützte Forecasting-Modelle auf Basis sauberer, ausreichend historischer Daten können Lagerbestandsreduzierungen zwischen 15 und 30 Prozent ermöglichen – bei gleicher oder besserer Verfügbarkeit. Der zweite Punkt betrifft die dynamische Auftragssteuerung und Priorisierung im Lager. KI-basierte WMS-Logik, die Picks in Echtzeit priorisiert und Ressourcen situativ zuweist, steigert den Durchsatz besonders in Betrieben mit hoher Auftragsvariation. Als drittes Segment ist die Routenoptimierung von Fahrerlosen Transportsystemen (FTS) anzuführen. Auch hier sehen wir nachweisbare ROIs, die jedoch stark von der Flottengröße und der Komplexität des Logistiklayouts abhängen.
In welchen Logistikbereichen wird KI aktuell (noch) überschätzt?
Johannes Fottner: Dies betrifft meiner Erfahrung nach am deutlichsten das Segment autonomer Robotik für unstrukturierte Umgebungen. Der Griff in die Kiste – also das Bin-Picking – funktioniert heute zwar für definierte Sortimente mit hoher Genauigkeit; für breitere, heterogene Sortimente mit wechselnden Verpackungen sehe ich allerdings noch keine industriell belastbare Lösung. Ebenso überschätzt wird der Effekt von KI, wenn man damit eine schlechte Datenbasis kompensieren möchte. Ein Algorithmus, der auf inkonsistenten Stammdaten trainiert wird, produziert naturgemäß inkonsistente Ergebnisse. Weil die aber so überzeugend klingen, kann das sogar gefährlicher werden als ein klassisches statistisches Modell, das einfach nur schlechte Prognosen liefert. Last, but not least ist da noch die Erwartung, dass KI in der Lage sei, Prozessprobleme zu lösen. Ja: KI kann Prozesse optimieren, aber keine schlechten Prozesse reparieren – sprich: Wem zum Beispiel nicht klar ist, wo es an der Struktur beim Wareneingang hapert, bekommt die Sache durch einen KI-Empfehlungsalgorithmus nicht in den Griff.
Eine seriöse KI-Roadmap beginnt nicht mit KI. Sie beginnt mit einer ehrlichen Bestandsaufnahme der Datenqualität und der Prozessreife.
Prof. Dr.-Ing. Johannes Fottner, Lehrstuhl für Fördertechnik Materialfluss Logistik an der TUM School of Engineering and Design und TUM School of Management, Technische Universität München (TUM)
Welche Indikatoren zeigen, ob ein Unternehmen reif für KI ist – und wo liegt die größte Hürde?
Johannes Fottner: Wie gerade angedeutet, beginnt das bei der Fähigkeit, die eigenen Prozesse quantitativ zu beschreiben: Wer seine aktuelle Pickfehlerrate nicht kennt, kommt mit KI nicht weit. Zudem braucht man eine verantwortliche Person, die Daten- und Fachfragen gleichzeitig versteht. Und schlussendlich ist auch das Management in der Pflicht, ein KI-Pilotprojekt zu stoppen, wenn es nicht funktioniert. So viel Ehrlichkeit muss sein. Mit anderen Worten: Die größte Hürde lauert meiner Erfahrung nach in der Organisationskultur. Die Datenqualität ist das zweithäufigste Problem, die Technologie tatsächlich das seltenste.
Bleiben wir kurz bei der Datenbasis: Welche Minimalvoraussetzungen in puncto Datenqualität, Datenvolumen und Datenintegration braucht KI in der Intralogistik?
Johannes Fottner: Es gibt keine universelle Mindestanforderung – das hängt vom Anwendungsfall ab. Aber ich beobachte immer wieder typische Muster, an denen der Einsatz von KI scheitert. Das sind zum Beispiel inkonsistente Stammdaten – wenn Artikel etwa mehrfache, widersprüchliche Attribute aufweisen oder Daten wie Gewichts- und Maßangaben nicht korrekt sind. Gleiches gilt für fehlende Zeitstempel zum jeweiligen Auftragsstatus sowie für Systembrüche: Wenn WMS, ERP und Fördertechnik keine gemeinsame Datenbasis teilen oder Daten manuell übertragen werden, entstehen Lücken, die KI nicht füllen kann. Als Daumenregel gilt: Für Forecasting-Modelle braucht man typischerweise 18 bis 24 Monate saubere Transaktionshistorie. Für Robotik-Anwendungen zählt Varianz mehr als Volumen – ein System, das tausend verschiedene Objekttypen gelernt hat, ist wertvoller als eines mit einer Million Wiederholungen desselben Objekts.
Wie können Unternehmen ihre Datenbasis verbessern, ohne daraus gleich ein Großprojekt zu machen?
Johannes Fottner: Der wichtigste Schritt ist auch meist der unbeliebteste: die Bestandsaufnahme. Die führt man idealerweise mit den eigenen Beschäftigten durch, die jeden Tag mit den Daten arbeiten und die Lücken genau kennen. Dieses Wissen ist in den meisten Betrieben vorhanden – es wird nur nicht systematisch erhoben. Mein Rat: Identifizieren Sie drei bis fünf kritische Datenpunkte, die für den wichtigsten KI-Anwendungsfall entscheidend sind, und fangen Sie dort mit Ihrem „Reinigungsprozess“ an, ganz gezielt. Ein sauberer Datenstrom für einen Prozess ist wertvoller als eine halbgare Gesamtlösung. Außerdem empfehle ich, Datenqualität als operativen KPI zu verankern. Wenn die Lagerleitung für die Vollständigkeit der Wareneingangserfassungen verantwortlich ist, verbessert sich die Qualität schneller als durch jedes IT-Projekt.
Wir hatten das Thema Forecasting ja bereits angesprochen. Viele Unternehmen dürften sich jetzt natürlich fragen, ab welcher Nachfragekomplexität sich KI-Forecasting gegenüber statistischen Modellen rechnet …
Johannes Fottner: Die ehrliche Antwort: Für viele mittelständische Lagerbetriebe ist klassische Statistik ausreichend – und wird trotzdem nicht konsequent genutzt. Bevor man über KI-Forecasting nachdenkt, sollte man sicherstellen, dass einfache saisonale Bereinigung und ABC-XYZ-Klassifikation wirklich implementiert sind. Das klingt banal, aber es ist erschreckend oft nicht der Fall. KI-Forecasting lohnt sich in der Regel, sobald mindestens zwei der folgenden Bedingungen erfüllt sind: Existiert ein hohes Sortimentsvolumen mit Tausenden aktiven Artikeln? Gibt es ausgeprägte externe Einflussfaktoren wie Wetter oder Promotionaktionen? Und: Müssen Bestände möglichst kurzfristig an die erwartete Nachfrage angepasst werden? Schließlich können bessere Vorhersagen helfen, Überbestände zu vermeiden und Kapital freizusetzen, das sonst in unnötigem Lagerbestand gebunden wäre. Unterhalb dieser Schwellen reicht ein gutes statistisches Modell vollkommen aus.
Fassen wir also zusammen: Gesetzt den Fall, ein Unternehmen erfüllt alle genannten Bedingungen. Wie sieht dann Ihr Vorschlag für eine KI-Roadmap im Bereich Intralogistik aus, sagen wir über einen Horizont von zwei Jahren?
Johannes Fottner: Eine seriöse KI-Roadmap beginnt nicht mit KI. Sie beginnt mit einer ehrlichen Bestandsaufnahme der Datenqualität und der Prozessreife. Das klingt vielleicht zunächst nach Verzögerung, ist aber Voraussetzung für jede nachhaltige Implementierung. Außerdem sollte man im ersten Jahr einen Piloten in einem Bereich mit hoher Datenreife und klarer Zielgröße starten. Forecasting ist dafür am besten geeignet, weil ROI und Misserfolg hier schnell sichtbar werden. Im zweiten Jahr kann man dann skalieren und das Pilotprojekt auf einen weiteren Anwendungsfall ausdehnen – etwa auf die dynamische Auftragssteuerung. Gleichzeitig gilt es, die Organisationsstrukturen anzupassen: Wer verantwortet KI-Systeme im Betrieb, wer pflegt Modelle, wer entscheidet über Re-Training? Sie sehen schon: Ich lande immer vorrangig bei einer guten Datenstruktur und klaren internen Prozessen. Wenn das steht, klappt’s meist auch mit der Technologie.
Veröffentlicht am 08.09.2026
