Ein Regelwerk ist eine Kette aus Bedingungen, die ein Mensch formuliert hat. Wenn ein Artikel der ABC-Klasse A angehört, lagere ihn in der vorderen Gasse ein. Wenn ein Auftrag vor vierzehn Uhr eingeht und nur eine Position enthält, gib ihn in die Schnellbahn. Wenn der Bestand einer Pickposition unter zwölf Stück fällt, erzeuge einen Nachschubauftrag. Solche Regeln sind vollständig nachvollziehbar, sie lassen sich in einer Tabelle dokumentieren und von jeder Schichtleitung erklären. Sie haben aber eine harte Grenze: Sie kennen nur die Fälle, die jemand vorher bedacht hat. Verändert sich das Sortiment, das Bestellverhalten oder die Saison, verändert sich die Regel nicht mit – sie muss von Hand nachgezogen werden, und genau das unterbleibt im Alltag regelmäßig.
Ein Optimierungsalgorithmus geht einen Schritt weiter. Er bekommt ein Ziel, eine Menge an Nebenbedingungen und eine Datenbasis und sucht daraus die beste erreichbare Kombination. Die klassische Wegeoptimierung in einem Regallager ist ein solches Verfahren: Gegeben sind die Positionen eines Auftrags, die Topologie des Lagers, Einbahnregelungen und Gewichtsgrenzen; gesucht ist die kürzeste zulässige Route. Hier steckt viel Mathematik, aber kein Lernen. Der Algorithmus wird nicht besser, weil er die Aufgabe schon tausendmal gerechnet hat. Er rechnet jedes Mal neu, mit denselben Regeln. Viele Funktionen, die im Markt als KI verkauft werden, gehören in diese Kategorie – was sie nicht schlechter macht, aber anders bewertet werden muss.
Von maschinellem Lernen sprechen wir dort, wo ein Modell aus historischen Daten Muster ableitet und diese Muster auf neue, vorher nicht gesehene Situationen anwendet. Das Modell bekommt keine Regel vorgegeben, sondern Beispiele: So sah der Auftragseingang in den vergangenen Jahren aus, so viel Personal war im Einsatz, so lange dauerte die Abarbeitung. Aus diesen Beispielen bildet es einen Zusammenhang, mit dem es die Arbeitslast des kommenden Dienstags schätzt. Das ist der eigentliche Unterschied: Ein lernendes Verfahren kann Zusammenhänge nutzen, die niemand explizit formuliert hat – etwa dass ein bestimmter Werbekanal mit zwei Tagen Verzögerung auf das Pickvolumen einer Warengruppe durchschlägt.
Diese Fähigkeit hat eine Kehrseite, die im Lagerkontext oft unterschätzt wird. Ein lernendes Modell ist immer nur so gut wie die Vergangenheit, aus der es gelernt hat. Wurde ein Lager im vergangenen Jahr umgebaut, wurde ein großer Kunde gewonnen oder verloren, wurde das Sortiment neu geschnitten, dann beschreibt die Historie eine Welt, die es nicht mehr gibt. Modelle altern deshalb. Sie brauchen Pflege, Nachtraining und eine Instanz, die merkt, wenn ihre Vorhersagen systematisch danebenliegen. Wer ein solches Verfahren einführt, kauft keine Funktion, sondern übernimmt eine Betriebsaufgabe.
Hinzugekommen ist in den vergangenen Jahren eine dritte Familie: Sprach- und Bildmodelle, die nicht auf die eigenen Lagerdaten trainiert wurden, sondern auf sehr großen allgemeinen Datenmengen, und die im Lager für Aufgaben wie Belegverständnis, Schadensbeurteilung auf Fotos oder das Beantworten von Fragen zu Arbeitsanweisungen eingesetzt werden. Diese Modelle bringen Weltwissen mit, das kein internes Verfahren hat. Sie sind dafür schwerer prüfbar, ihre Ausgaben können plausibel klingen und falsch sein, und sie werfen zusätzliche Fragen zu Datenabfluss und Verarbeitungsort auf. Für den Lagerbetrieb heißt das: Sie eignen sich als Assistenz und Vorschlagsebene, nicht als letzte Instanz für buchende Entscheidungen.
Die drei Kategorien unterscheiden sich nicht nur technisch, sondern in allem, was ein Projekt teuer oder billig macht. Ein Regelwerk braucht Fachwissen, aber kaum Daten und keine Modellpflege. Ein Optimierungsverfahren braucht eine korrekte Abbildung der Lagertopologie und stabile Stammdaten zu Maßen und Gewichten, dafür keine lange Historie. Ein lernendes Modell braucht beides plus eine belastbare Datenhistorie über mehrere Saisonzyklen und dauerhafte Betreuung. Wer diese drei Wege im Angebot nicht auseinanderhält, vergleicht Preise, die unterschiedliche Dinge enthalten.
Genauso unterscheidet sich die Frage der Verantwortung. Wenn ein Regelwerk eine unsinnige Einlagerung vorschlägt, findet man die Regel und ändert sie. Wenn ein Optimierungsverfahren eine unsinnige Route vorschlägt, ist meist eine Nebenbedingung falsch modelliert. Wenn ein lernendes Modell dauerhaft die Arbeitslast unterschätzt, kann die Ursache in den Trainingsdaten liegen, in einer Veränderung des Geschäfts, in einem Datenfehler in der Zuführung oder in der Modellstruktur selbst – und die Suche danach ist eine andere Disziplin als klassische Fehlersuche in einem Lagerverwaltungssystem. Diese Suchkompetenz muss entweder intern aufgebaut oder vertraglich eingekauft werden.
Unser praktischer Rat aus Projekten: Formulieren Sie jede geplante Verbesserung zuerst als Entscheidung, nicht als Technologie. Nicht „wir wollen KI im Lager einsetzen“, sondern „wir wollen besser entscheiden, an welchem Platz ein neu gelisteter Artikel eingelagert wird“. Erst wenn die Entscheidung benannt ist, lässt sich prüfen, ob eine Regel genügt, ob ein Optimierungsverfahren nötig ist oder ob tatsächlich ein lernendes Modell den Mehrwert bringt. Erstaunlich oft endet diese Prüfung bei der einfachsten Variante – und das ist ein gutes Ergebnis, kein enttäuschendes.
Eine letzte Klärung, die in Gesprächen mit Geschäftsführungen fast immer nötig wird: Automatisierung und künstliche Intelligenz sind nicht dasselbe und lösen unterschiedliche Probleme. Automatisierung ersetzt körperliche oder repetitive Arbeit – ein Shuttle bringt den Behälter zum Arbeitsplatz, ein Sorter verteilt Pakete auf Endstellen, ein Etikettierer bringt das Label an. Künstliche Intelligenz ersetzt oder unterstützt eine Entscheidung – welcher Behälter zuerst kommt, auf welche Endstelle sortiert wird, welches Label überhaupt gedruckt werden soll.
Beides ist getrennt einführbar. Ein hochautomatisiertes Lager kann mit starren Regeln gesteuert werden und erhebliches Potenzial liegen lassen. Ein manuelles Lager mit Handscannern kann von guter Entscheidungsunterstützung stark profitieren, ohne dass ein einziges Fördermittel installiert wird. Für den Mittelstand ist das die wichtigste Botschaft dieses Kapitels: Der Weg zu besseren Lagerentscheidungen führt nicht zwingend über eine Investition in Technik im Millionenbereich. Er führt über Daten, die ohnehin schon anfallen, und über die Bereitschaft, eine bislang aus dem Bauch getroffene Entscheidung an ein Verfahren abzugeben und dessen Ergebnisse zu prüfen.
Der Wareneingang gilt als unspektakulär, entscheidet aber über die Datenqualität aller nachgelagerten Schritte. Hier fallen zwei Entscheidungen mit langer Wirkung: Wird eine Lieferung akzeptiert, und mit welchen Attributen wird sie erfasst. Datengetriebene Unterstützung setzt an drei Stellen an. Erstens beim Abgleich zwischen Avis und tatsächlicher Lieferung, wo Abweichungsmuster einzelner Lieferanten aus der Historie bekannt sind und Prüftiefen entsprechend gesteuert werden können. Zweitens bei der automatischen Erfassung von Maßen und Gewichten, die in vielen Betrieben lückenhaft im Stammdatensatz stehen und ohne die weder Kartonvorschlag noch Volumenplanung funktionieren. Drittens bei der Priorisierung: Eine Lieferung, deren Ware bereits in offenen Aufträgen gebunden ist, gehört vor eine Lieferung, die auf Vorrat kommt – diese Information liegt im System, wird aber selten an die Wareneingangssteuerung durchgereicht.
Die Einlagerung ist der klassische Ort für Optimierung, weil hier eine Entscheidung getroffen wird, deren Kosten erst später anfallen. Ein Artikel, der auf einem ungünstigen Platz liegt, verursacht bei jedem einzelnen Pick zusätzliche Wegzeit, und zwar so lange, bis jemand ihn umlagert. Genau deshalb ist Slotting der Anwendungsfall mit der besten Hebelwirkung in fast jedem manuell betriebenen Lager. Wir behandeln ihn im nächsten Kapitel ausführlich.
In der Bestandsführung geht es weniger um Optimierung als um Aufmerksamkeit. Bestandsdifferenzen kündigen sich in der Regel an: durch ungewöhnlich häufige Korrekturbuchungen an einem Platz, durch Artikel, deren Verbrauch nicht zu ihrer Verkaufshistorie passt, durch Plätze, die immer wieder leer gemeldet werden, obwohl Bestand gebucht ist. Ein Verfahren, das solche Muster in den Buchungsdaten sucht und daraus eine Rangfolge für Zählaufträge bildet, ersetzt keine Inventur, macht aber die permanente Zählung erheblich wirksamer als eine rein zyklische Abarbeitung nach Lagerplatznummer.
Die Kommissionierung bindet in den meisten Handels- und Distributionslagern den größten Teil der Personalzeit, und sie enthält gleich mehrere Entscheidungen übereinander. Welche Aufträge werden zu einer Welle zusammengefasst? Welche Aufträge werden in einem Rundgang gemeinsam gepickt? In welcher Reihenfolge werden die Positionen angelaufen? Welcher Mitarbeitende bekommt welchen Auftrag? Diese Entscheidungen hängen voneinander ab: Eine gute Batchbildung kann eine mittelmäßige Wegeoptimierung mehr als ausgleichen, und umgekehrt nützt die beste Route wenig, wenn die zusammengestellten Aufträge quer durch das gesamte Lager streuen.
Bei der Verpackung geht es um Material und Volumen. Ein Verfahren, das aus Artikelmaßen, Mengen und der Historie vergleichbarer Sendungen den passenden Karton vorschlägt, spart Material, reduziert Volumen im Transport und verringert Rückfragen am Packplatz. Voraussetzung ist ein gepflegter Packmittelstamm und verlässliche Artikelmaße – womit wir wieder beim Wareneingang wären. Diese Abhängigkeit zieht sich durch das gesamte Thema: Fast jeder attraktive Anwendungsfall setzt Daten voraus, die weiter vorn in der Kette entstehen.
Im Warenausgang dominieren Zeit- und Kostenentscheidungen. Welcher Dienstleister für welche Sendung, unter Berücksichtigung von Zielgebiet, Gewicht, Volumen, Zustellzusagen und aktuellen Laufzeiten? Wann muss eine Sendung fertig sein, um die Abholung zu erreichen? Wie werden Ladeeinheiten so gebildet, dass Volumen im Fahrzeug nicht verschenkt wird? Diese Fragen werden in vielen Betrieben über feste Regeln gelöst, die einmal aufgesetzt und dann selten überprüft werden. Schon eine regelmäßige datengestützte Überprüfung dieser Regeln – ohne jedes lernende Modell – bringt hier häufig mehr als eine neue Software.
Die Retoure schließlich ist der Prozessschritt mit dem größten Anteil an Beurteilung. Ist der Artikel unbenutzt? Ist die Verpackung noch verkaufsfähig? Gehört die Ware in den A-Bestand, in eine zweite Qualitätsstufe, zur Aufarbeitung oder zur Entsorgung? Diese Beurteilung ist personenabhängig und damit schwankend. Bildgestützte Verfahren können hier eine Vorsortierung leisten und einen Vorschlag machen, den ein Mensch bestätigt oder korrigiert. Wichtig ist die Rollenverteilung: Der Vorschlag beschleunigt, die Entscheidung bleibt beim Menschen – zumindest überall dort, wo der Warenwert die Prüfzeit rechtfertigt.
Slotting beantwortet die Frage, welcher Artikel auf welchem Lagerplatz liegen sollte. In der einfachsten Form geschieht das über eine ABC-Klassifikation: schnelldrehende Artikel nach vorn und auf Greifhöhe, langsamdrehende nach hinten oder nach oben. Diese Regel ist besser als keine Regel, blendet aber mehrere Faktoren aus, die im Alltag stark wirken. Volumen und Gewicht bestimmen, ob ein Platz überhaupt geeignet ist. Ergonomie bestimmt, wie belastend ein Pick ist – schwere Artikel gehören nicht in Bodennähe oder über Schulterhöhe. Und die Verbundhäufigkeit bestimmt, ob zwei Artikel nahe beieinander liegen sollten, weil sie regelmäßig gemeinsam bestellt werden.
Genau an diesem letzten Punkt liegt der Mehrwert datengetriebener Verfahren. Verbundmuster über ein Sortiment mit mehreren tausend Artikeln lassen sich nicht von Hand erkennen, sie stehen aber vollständig in der Auftragshistorie. Ein Verfahren, das diese Muster auswertet und daraus Platzvorschläge bildet, findet Zusammenhänge, die im Betrieb niemandem bewusst waren. Ebenso wichtig ist die Dynamik: Umschlaghäufigkeiten verschieben sich mit Saison, Werbung und Sortimentswechsel. Ein statisches Slotting, das einmal im Jahr überarbeitet wird, ist die meiste Zeit veraltet.
Praktisch entscheidend ist aber nicht der Vorschlag, sondern die Umlagerung. Jede Platzänderung kostet Arbeitszeit und birgt Fehlerrisiko. Ein gutes Slotting-Verfahren rechnet deshalb nicht nur den Nutzen der neuen Anordnung, sondern auch den Aufwand des Wechsels, und schlägt nur Umlagerungen vor, deren Nutzen den Aufwand innerhalb eines vernünftigen Zeitraums übersteigt. Bewährt hat sich, Umlagerungen als kleine, laufende Portionen in Zeiten geringer Auslastung einzuplanen statt als große Umräumaktion.
Die Wegeoptimierung ist der am längsten etablierte Anwendungsfall und in vielen Lagerverwaltungssystemen bereits als Bordmittel enthalten. Sie berechnet die Reihenfolge, in der die Positionen eines Rundgangs angelaufen werden. Der Nutzen hängt stark von der Lagerform ab: In einem einfachen Gassenlager mit klarer Laufrichtung ist der Spielraum begrenzt, in einem verzweigten Lager mit mehreren Ebenen, Sperrbereichen und Übergabepunkten erheblich. Wichtig ist, dass die tatsächlichen Restriktionen abgebildet sind – Einbahnregelungen, Ladehilfsmittel, Gewichtsfolge auf dem Wagen, Sperrzeiten für Staplerverkehr. Ein Verfahren, das ideale Routen berechnet, die im realen Lager nicht gefahren werden dürfen, verliert die Akzeptanz der Belegschaft innerhalb weniger Tage.
Die Wellen- und Batchbildung entscheidet, welche Aufträge gemeinsam bearbeitet werden. Sie wirkt vor der Wegeoptimierung und hat oft den größeren Effekt, weil sie bestimmt, wie stark sich die Positionen eines Rundgangs räumlich konzentrieren. Klassische Wellenlogik arbeitet mit festen Zeitfenstern und Kriterien wie Versandart oder Zielgebiet. Datengetriebene Verfahren beziehen zusätzlich ein, wie sich Aufträge über die Lagerzonen verteilen, welche Schnittzeiten anstehen, wie viel Kapazität an welchem Packplatz frei ist und welche Aufträge zeitkritisch sind. Das Ziel ist ein Kompromiss aus drei konkurrierenden Größen: kurze Wege, gleichmäßige Auslastung nachgelagerter Stationen und Einhaltung von Zusagen.
Dieser Kompromiss lässt sich nicht generisch festlegen, er ist eine unternehmerische Entscheidung. Ein Betrieb mit strengen Zustellzusagen wird Termintreue höher gewichten und zusätzliche Wegzeit in Kauf nehmen. Ein Betrieb mit unkritischen Lieferzeiten wird umgekehrt entscheiden. Ein Verfahren, das diese Gewichtung nicht offenlegt und einstellbar macht, ist im Betrieb schwer zu führen – deshalb gehört die Frage nach den Zielgrößen und ihrer Gewichtung in jedes Auswahlgespräch.
Die Nachschubsteuerung ist der Anwendungsfall, dessen Wirkung am direktesten spürbar ist. Läuft ein Pickplatz leer, bricht ein Kommissioniervorgang ab, die Position muss nachgearbeitet werden, ein Nachschubauftrag wird als Störung eingeschoben, und die betroffene Sendung verzögert sich. Klassisch wird Nachschub über Meldebestände gesteuert: Unterschreitet der Platzbestand eine feste Menge, wird nachgefüllt. Das funktioniert, solange der Verbrauch gleichmäßig ist. Bei stark schwankender Nachfrage führt es systematisch zu zwei Fehlern gleichzeitig – zu spätem Nachschub bei anziehenden Artikeln und zu häufigem Nachschub bei Artikeln, die gerade kaum laufen.
Eine verbrauchsbasierte, prognostizierende Nachschubsteuerung nutzt stattdessen die erwartete Entnahme der kommenden Stunden. Sie kann Nachschub vorziehen, wenn ein großer Auftrag im System steht, und Nachschub verschieben, wenn absehbar keine Entnahme ansteht. Der Datenbedarf ist überschaubar, weil offene Aufträge und Entnahmehistorie im Lagerverwaltungssystem ohnehin vorliegen. Genau deshalb ist dieser Anwendungsfall in vielen mittelständischen Lagern der sinnvollste Einstieg.
Die Bestandsprognose gehört strenggenommen nicht allein ins Lager, sondern an die Schnittstelle zwischen Disposition und Lagerbetrieb. Für die Lagerverwaltung ist sie dennoch relevant, weil sie bestimmt, wie viel Fläche eine Warengruppe in den kommenden Wochen braucht, wo Umlagerungen zwischen Standorten sinnvoll sind und welche Artikel besser aus dem Pickbereich in die Reserve wandern. Prognoseverfahren sind der Bereich, in dem maschinelles Lernen den klarsten Vorteil gegenüber klassischen Verfahren hat, weil sie Saison, Werbewirkung, Preisänderungen, Wochentagsmuster und Kalendereffekte gleichzeitig berücksichtigen können.
Realistisch bleiben muss man trotzdem. Prognosen für sehr sporadisch nachgefragte Artikel bleiben schwierig, unabhängig vom Verfahren – wo kein Muster existiert, kann keines gelernt werden. Sinnvoll ist deshalb eine Segmentierung: Für gleichmäßig nachgefragte Artikel liefert ein Modell verlässliche Werte, für sporadische Artikel arbeitet man weiter mit Sicherheitsbeständen und klaren Regeln. Ein Verfahren, das für jeden Artikel dieselbe Methode anwendet, verschenkt Genauigkeit dort, wo sie erreichbar wäre, und erzeugt Scheingenauigkeit dort, wo sie es nicht ist.
Die Inventurunterstützung schließlich ist ein leiser, aber wirksamer Anwendungsfall. Die permanente Inventur verteilt Zählungen über das Jahr, meist nach einem festen Plan. Wird stattdessen nach Differenzrisiko priorisiert – also nach Plätzen und Artikeln, bei denen die Buchungshistorie auffällige Muster zeigt –, findet dieselbe Zählkapazität deutlich mehr echte Abweichungen. Zusätzlich lassen sich Zählaufträge geografisch bündeln, sodass ein Zählgang nicht kreuz und quer durch das Lager führt. Die Voraussetzungen sind gering, die Umsetzung ist meist mit Bordmitteln und einer Auswertung möglich, und der Effekt auf die Bestandsgenauigkeit zeigt sich innerhalb weniger Monate.
Die Volumen- und Maßerfassung ist der unspektakulärste und zugleich nützlichste Einstieg in bildgestützte Verfahren. In vielen mittelständischen Lagern sind Artikelmaße und Gewichte im Stammsatz unvollständig oder gepflegt aus Lieferantenangaben, die nicht zur tatsächlichen Verpackung passen. Ohne verlässliche Maße funktionieren Kartonvorschlag, Volumenplanung im Versand, Ladeplanung und Platzberechnung im Lager nur eingeschränkt. Messstationen im Wareneingang erfassen Länge, Breite, Höhe und Gewicht in einem Durchgang und schreiben die Werte in den Stammsatz. Der Nutzen entsteht nicht am Messgerät, sondern in allen nachgelagerten Prozessen – ein Muster, das für fast alle Sensorikprojekte gilt.
Die Schadens- und Zustandserkennung arbeitet mit Bildern von Paletten, Packstücken oder Retourenartikeln. Ein Modell beurteilt, ob eine Umverpackung beschädigt, eine Palette instabil oder ein zurückgesandter Artikel gebraucht wirkt. In der Praxis liefert das eine Vorsortierung mit Wahrscheinlichkeitsangabe, keine rechtssichere Feststellung. Genau so sollte es auch eingesetzt werden: als Filter, der eindeutige Fälle schnell durchlässt und Grenzfälle einem Menschen vorlegt. Wichtig ist die Aufnahmesituation. Bildmodelle sind empfindlich gegenüber Beleuchtung, Blickwinkel und Hintergrund, und ein Modell, das unter Laborbedingungen überzeugt, kann in einer Halle mit wechselndem Tageslicht deutlich schwächer abschneiden. Feste Aufnahmepositionen mit konstanter Beleuchtung sind deshalb kein Komfort, sondern Voraussetzung.
Die Beleglesung ist der Bereich mit der größten Veränderung der vergangenen Jahre. Klassische Texterkennung setzte feste Formulare voraus und scheiterte an jedem abweichenden Layout. Heutige Verfahren kombinieren Texterkennung mit Sprachverständnis und können auch aus unbekannten Lieferscheinen, Frachtbriefen oder Rechnungen die relevanten Felder extrahieren. Für den Wareneingang heißt das: Ein papierhafter Lieferschein lässt sich in eine strukturierte Buchungsvorlage überführen, die ein Mitarbeitender nur noch bestätigt. Die notwendige Vorsicht: Solche Verfahren erzeugen gelegentlich plausible, aber falsche Werte. Eine Prüfung gegen die Bestelldaten und eine Betragsgrenze, ab der immer ein Mensch schaut, gehören zwingend dazu.
Fahrerlose Transportfahrzeuge und autonome mobile Roboter unterscheiden sich in einem wesentlichen Punkt: Ein klassisches fahrerloses Transportfahrzeug folgt einer festgelegten Spur, sei sie induktiv, optisch oder über Magnetpunkte definiert. Ein autonomer mobiler Roboter navigiert frei, erstellt und aktualisiert eine Karte seiner Umgebung und weicht Hindernissen aus. Der Unterschied wirkt sich unmittelbar auf die Flexibilität aus: Änderungen im Layout bedeuten beim spurgeführten System bauliche Arbeit, beim frei navigierenden System eine Aktualisierung der Karte.
Der intelligente Anteil solcher Systeme liegt weniger im einzelnen Fahrzeug als in der Flottensteuerung. Sie entscheidet, welches Fahrzeug welchen Transportauftrag übernimmt, wie Fahrzeuge einander ausweichen, wann geladen wird und wie Staus an Engstellen vermieden werden. Diese Zuteilungs- und Konfliktlösungsaufgaben sind das eigentliche Optimierungsproblem, und ihre Qualität entscheidet über die Leistung der Anlage weit mehr als die Geschwindigkeit eines einzelnen Fahrzeugs. Bei der Bewertung von Angeboten lohnt es deshalb, gezielt nach dem Verhalten der Flotte unter Last zu fragen und nicht nach technischen Daten einzelner Fahrzeuge.
Für Kommissionierroboter mit Greifern gilt eine andere Einordnung. Das Greifen unbekannter Artikel aus einem gemischten Behälter ist eine anspruchsvolle Aufgabe, und die Leistung hängt massiv vom Sortiment ab: Formstabile, gut greifbare Artikel in überschaubarer Vielfalt sind machbar, weiche Verpackungen, glänzende Oberflächen, verschachtelte Artikel oder stark wechselnde Sortimente bleiben schwierig. Für den Mittelstand mit heterogenem Sortiment ist der Greifroboter deshalb meist kein naheliegender Einstieg, während Transportroboter für die Überbrückung langer Wege durchaus eine sinnvolle erste Automatisierungsstufe darstellen können.
Pick-by-Vision bezeichnet die Führung des Kommissionierenden über eine Datenbrille oder ein am Körper getragenes Display, das die nächste Position, die Menge und den Weg einblendet und die Entnahme über Bilderkennung oder Scan bestätigt. Der Ansatz hat einen echten Vorteil: Die Hände bleiben frei, und der Blick muss nicht zwischen Beleg und Regal wechseln. Er hat aber auch bekannte Grenzen – Tragekomfort über eine volle Schicht, Akkulaufzeit, Brillenträger, Beleuchtungsverhältnisse und die Akzeptanz in der Belegschaft. Wer diesen Weg prüft, sollte einen längeren Praxistest mit einer Gruppe von Freiwilligen einplanen und ehrliche Rückmeldungen ernst nehmen. Pick-by-Voice bleibt in vielen Betrieben die robustere Alternative.
Das Zusammenspiel mit vorhandener Fördertechnik ist der Punkt, an dem viele ambitionierte Projekte hängen bleiben. Bestehende Anlagen kommunizieren über Steuerungen, die auf Zuverlässigkeit und Echtzeitverhalten ausgelegt sind, nicht auf flexible Datenübergabe. Ein Verfahren, das Sortierentscheidungen oder Zuteilungen beeinflussen soll, muss sich in diese Kette einfügen, ohne deren Taktzeiten zu gefährden. Praktisch bedeutet das: Entscheidungen müssen innerhalb eines eng begrenzten Zeitfensters vorliegen, und für den Fall, dass sie ausbleiben, braucht es eine definierte Ausweichlogik. Ein System, das im Zweifel wartet, bringt eine Förderstrecke zum Stillstand.
Deshalb gilt für alle Verfahren, die in physische Abläufe eingreifen, ein einfacher Grundsatz: Das intelligente Verfahren darf die Anlage verbessern, aber nie ihre Funktionsfähigkeit bedingen. Fällt die Prognose oder die Optimierung aus, muss der Betrieb auf einer einfacheren Logik weiterlaufen – langsamer, aber ohne Stillstand. Diese Trennung zwischen notwendiger Basisfunktion und optionaler Verbesserung ist die wichtigste Architekturentscheidung in solchen Projekten und gehört in die Ausschreibung, nicht in die Abnahme.
Die Arbeitslastprognose beantwortet eine einfach klingende Frage: Wie viele Arbeitsstunden werden in den kommenden Tagen in welchem Bereich gebraucht? Die Grundlage bilden Auftragseingang, offene Auftragsbestände, historische Muster nach Wochentag und Saison, angekündigte Aktionen, Feiertage und Ereignisse, die den Absatz beeinflussen. Aus diesen Größen entsteht eine Schätzung des Mengengerüsts, die über hinterlegte Leistungswerte in Stunden je Bereich umgerechnet wird.
Der Nutzen liegt weniger im Durchschnitt als in den Spitzen. Die Belastung eines normalen Dienstags kann jede erfahrene Schichtleitung einschätzen. Wertvoll wird die Prognose dort, wo Sondereffekte zusammenfallen: eine Werbeaktion, ein Feiertag in einem Zielland, ein verschobener Wareneingang und ein Monatsende in derselben Woche. Solche Überlagerungen richtig zu gewichten, ist im Kopf kaum möglich und für ein Modell mit ausreichender Historie eine lösbare Aufgabe.
Eine ehrliche Prognose macht auch ihre Unsicherheit sichtbar. Für die Planung ist die Aussage „zwischen einem unteren und einem oberen Wert, mit hoher Wahrscheinlichkeit im mittleren Bereich“ weit nützlicher als eine einzelne Zahl, weil sie Entscheidungen über Zeitarbeit, Überstunden oder Vorproduktion differenziert. Systeme, die nur einen Punktwert liefern, verleiten dazu, ihn wie eine Tatsache zu behandeln. Fragen Sie im Auswahlgespräch gezielt danach, ob und wie Unsicherheit ausgewiesen wird.
Voraussetzung für all das sind verlässliche Leistungswerte je Tätigkeit. Viele Betriebe kennen ihre tatsächlichen Zeiten je Pickposition, je Packvorgang oder je Wareneingangsposition nur ungefähr. Diese Werte lassen sich aus den Zeitstempeln des Lagerverwaltungssystems rekonstruieren – und genau hier beginnt der sensible Bereich, weil solche Daten personenbezogen sind, sobald sie einem Benutzerkonto zugeordnet werden können.
Aus der Lastprognose wird ein Schichtplan, wenn Verfügbarkeiten, Qualifikationen, Arbeitszeitregeln, Pausen und Wünsche der Beschäftigten hinzukommen. Planungsverfahren können hier viele Nebenbedingungen gleichzeitig berücksichtigen und Vorschläge erzeugen, die manuell kaum zu erstellen wären. Der entscheidende Punkt ist die Rollenverteilung: Das Verfahren erstellt einen Vorschlag, die Verantwortung für den Plan bleibt bei der Führungskraft. Ein System, das Pläne ohne menschliche Freigabe veröffentlicht, erzeugt in kurzer Zeit Konflikte, die den gesamten Nutzen aufzehren.
Der Begriff Labor Management steht für die systematische Erfassung, Bewertung und Steuerung von Arbeitsleistung im Lager. Er umfasst Leistungsstandards, Zeitermittlung, Auswertungen und häufig auch individuelle Leistungskennzahlen. Aus fachlicher Sicht liefert er wertvolle Erkenntnisse: Er zeigt, wo Prozesse haken, welche Tätigkeiten unterschätzt werden und wo Einarbeitung fehlt. Aus arbeitsrechtlicher Sicht ist er eines der sensibelsten Werkzeuge überhaupt, weil er Verhalten und Leistung von Beschäftigten überwacht.
Wir raten in Projekten zu einer klaren Linie: Auswertungen auf Ebene von Bereichen, Schichten und Prozessen sind fachlich meist ausreichend und deutlich weniger konfliktträchtig als individuelle Ranglisten. Wo individuelle Werte notwendig erscheinen, sollte der Zweck präzise benannt und die Verwendung begrenzt werden – etwa auf Einarbeitungsbegleitung mit definierter Dauer, nicht auf dauerhafte Bewertung. Und die Beteiligung des Betriebsrats gehört an den Anfang des Projekts, nicht an dessen Ende. Details dazu in Kapitel 09.
Ein häufig übersehener Effekt datengetriebener Steuerung betrifft die Einarbeitung. Wenn ein System die Reihenfolge vorgibt, den Weg anzeigt, den Behälter benennt und die Entnahme prüft, sinkt die Zeit, bis eine neue Kraft produktiv arbeitet, spürbar. In Betrieben mit hoher Fluktuation oder starkem Saisongeschäft ist das oft der wirtschaftlich bedeutendste Effekt überhaupt – bedeutender als eingesparte Wegzeit bei den erfahrenen Kräften. Für Betriebe, die im Weihnachtsgeschäft kurzfristig Aushilfen einsetzen, kann eine gute Führung durch das System den Unterschied zwischen funktionierendem und chaotischem Peak ausmachen.
Die Kehrseite ist ebenso real. Wenn ein System jede Bewegung vorgibt, verändert sich der Charakter der Arbeit. Erfahrungswissen verliert an Bedeutung, Handlungsspielraum schrumpft, und die Tätigkeit kann als fremdgesteuert empfunden werden. Wir haben in Projekten erlebt, dass gerade langjährige, sehr gute Kräfte auf enge Führung mit Widerstand reagieren – nicht aus Technikskepsis, sondern weil ihre Kompetenz entwertet wirkt. Der Umgang damit gehört zur Projektarbeit: Erfahrene Kräfte in die Gestaltung einbeziehen, ihre Einwände in die Regeln übernehmen, Freiheitsgrade dort belassen, wo sie fachlich vertretbar sind.
Praktisch bewährt hat sich außerdem, die Möglichkeit zur Abweichung einzubauen und diese Abweichungen auszuwerten. Wenn eine Mitarbeiterin regelmäßig von der vorgeschlagenen Route abweicht und trotzdem schneller ist als der Vorschlag, ist das kein Fehlverhalten, sondern ein Hinweis auf ein Modellproblem. Systeme, die Abweichung nur unterdrücken, verlieren diese wertvolle Rückmeldung. Systeme, die sie erfassen und auswerten, verbessern sich mit dem Betrieb – und nehmen die Belegschaft in die Rolle von Mitgestaltenden statt Ausführenden.
Zum Thema Personalabbau eine nüchterne Einordnung: Die verbreitete Erwartung, datengetriebene Steuerung führe unmittelbar zu weniger Personal, deckt sich selten mit den Projekten, die wir begleiten. Häufiger verschieben sich Aufgaben – weniger Suchen, weniger Nacharbeit, weniger Sonderfallbearbeitung, dafür mehr Prüfung, Pflege und Ausnahmebehandlung. In wachsenden Betrieben wird der Effekt vor allem sichtbar, weil zusätzliche Mengen ohne proportional zusätzliches Personal bewältigt werden. Diese Erwartung ist gegenüber der Belegschaft auch offen kommunizierbar, während das Versprechen unveränderter Beschäftigung bei gleichzeitiger Ankündigung großer Einsparungen unglaubwürdig bleibt.
Der naheliegendste Weg führt über das Lagerverwaltungssystem, das ohnehin im Einsatz ist. Etablierte Systeme bringen Optimierungsfunktionen für Slotting, Wegeführung, Batchbildung und Nachschub in unterschiedlicher Tiefe mit, und viele Hersteller bauen diesen Bereich derzeit aus. Der große Vorteil ist die Nähe zum Datenmodell: Es braucht keine Schnittstelle, keine Datenkopie und keine zweite Stammdatenpflege, und bei einer Störung gibt es einen Verantwortlichen. Der Nachteil ist die Abhängigkeit von der Entwicklungsplanung des Herstellers – was nicht angeboten wird, ist nicht verfügbar, und Wünsche landen auf einer Liste mit unbestimmtem Zeithorizont.
Spezialisierte Add-ons konzentrieren sich auf einen Anwendungsfall und gehen dort tiefer, als es ein Gesamtsystem üblicherweise tut. Typisch sind Werkzeuge für Slotting-Analysen, für Prognosen oder für die Personaleinsatzplanung. Sie sind meist schneller einsetzbar, weil sie auf Exporten aufsetzen und keinen Eingriff in das Kernsystem verlangen. Der Preis dafür ist eine zusätzliche Schnittstelle, eine zweite Datenhaltung und die Frage, wer im Störungsfall zuständig ist. Praktisch entscheidend sind drei Punkte: Wie kommen die Daten hin, wie kommen die Ergebnisse zurück, und was passiert, wenn eine der beiden Richtungen ausfällt.
Automatisierungshersteller liefern Fördertechnik, Regalbediengeräte, Shuttles, Sorter oder mobile Roboter zusammen mit der zugehörigen Steuerungssoftware. Ihre Optimierungsverfahren sind auf die eigene Anlagentechnik abgestimmt und dort in der Regel sehr wirksam, weil Mechanik und Logik gemeinsam entwickelt wurden. Die Kehrseite ist die Bindung: Die Verfahren sind Teil der Anlage und lassen sich nicht ohne Weiteres auf andere Technik übertragen. Für Betriebe, die ohnehin investieren, ist das ein sinnvoller Weg; für Betriebe, die ihre Entscheidungslogik unabhängig von der Anlagentechnik halten wollen, ist die Abgrenzung zwischen Anlagensteuerung und übergeordneter Lagerlogik vertraglich sauber zu ziehen.
Datenplattformen und Cloud-Dienste bringen Verfahren mit, die über Systemgrenzen hinweg arbeiten: Daten aus Lagerverwaltung, Warenwirtschaft, Versand und Vertrieb werden zusammengeführt und gemeinsam ausgewertet. Das ist genau dann sinnvoll, wenn die relevante Information verteilt liegt – etwa wenn Absatzprognosen aus dem Vertriebssystem die Lagerplanung verbessern sollen. Zu klären sind Verarbeitungsort, Vertragsgestaltung, Exportierbarkeit der eigenen Daten und die Frage, ob Daten des eigenen Unternehmens in gemeinsame Modelle einfließen. Bei europäischen Anforderungen an Souveränität und Datenschutz gehört diese Prüfung an den Anfang und nicht in die Vertragsverhandlung am Schluss.
Die Eigenentwicklung schließlich ist im Mittelstand seltener geworden, aber nicht verschwunden. Sie lohnt dort, wo der Anwendungsfall so speziell ist, dass kein Standard passt, und wo im Verfahren selbst ein Wettbewerbsvorteil liegt. Sie verlangt allerdings mehr als ein einmaliges Projekt: Wer ein Modell selbst betreibt, braucht dauerhaft Menschen, die Daten aufbereiten, Ergebnisse überwachen, Modelle nachtrainieren und im Störungsfall handeln können. Fällt diese Person aus dem Unternehmen heraus, steht das Verfahren ohne Betreuung da. Diese Personenabhängigkeit ist das größte reale Risiko der Eigenentwicklung und sollte offen bewertet werden.
Diese Herkunft prägt, welche Verfahren angeboten werden und wie tief sie gehen. Systeme aus der Lagerlogistik haben in der Regel die ausgereifteren Funktionen für Wegeführung, Zonenlogik und Nachschub. Systeme aus der Unternehmenssoftware sind stärker, wenn Entscheidungen im Lager mit Beschaffung, Vertrieb und Finanzen verzahnt werden sollen. Eine allgemeine Rangfolge lässt sich daraus nicht ableiten, und wir stellen bewusst keine auf. Für Ihre Entscheidung zählt, welche Entscheidungen Sie verbessern wollen und in welchem System die dafür nötigen Daten mit ausreichender Qualität liegen.
Ein Hinweis zur Bewertung von Angeboten: Verlangen Sie bei jedem Verfahren eine Auskunft darüber, welche Datenfelder es benötigt, in welcher Frequenz, in welcher Qualität und was passiert, wenn ein Feld fehlt oder falsch ist. Diese Frage trennt zuverlässiger als jede Funktionsliste zwischen Angeboten, die im eigenen Betrieb funktionieren werden, und Angeboten, die einen Datenbestand voraussetzen, den das Unternehmen erst noch aufbauen müsste. Sie ist außerdem der beste Einstieg in die Aufwandsschätzung, weil die Datenaufbereitung in fast allen Projekten den größten Einzelposten bildet.
Fast jedes Projekt beginnt mit derselben Überraschung: Die Daten sind schlechter, als alle dachten. Das ist kein Vorwurf an den Betrieb, sondern eine Folge davon, dass operative Systeme für den laufenden Betrieb gebaut sind und nicht für Auswertung. Typische Befunde: Artikelmaße stammen aus Lieferantenangaben und passen nicht zur realen Verpackung. Lagerplatzstammdaten enthalten Kapazitätsangaben, die nie gepflegt wurden. Zeitstempel dokumentieren die Buchung, nicht die Tätigkeit, weil am Stapel gebucht wird. Korrekturbuchungen laufen über Sammelkonten ohne Ursachenkennzeichen. Historien sind nach einem Systemwechsel abgeschnitten.
Jeder dieser Befunde begrenzt bestimmte Anwendungsfälle und lässt andere unberührt. Fehlende Artikelmaße verhindern Kartonvorschlag und Volumenplanung, stören aber ein Slotting nach Umschlaghäufigkeit kaum. Unsaubere Zeitstempel machen Leistungsauswertungen wertlos, ohne die Nachschubsteuerung zu behindern. Deshalb lohnt es, die Datenprüfung anwendungsfallbezogen zu führen statt als generelle Datenqualitätsinitiative: Die Frage lautet nicht „sind unsere Daten gut“, sondern „reichen unsere Daten für diesen einen Anwendungsfall“.
Für die Historie gilt eine praktische Faustregel ohne Anspruch auf Allgemeingültigkeit: Wo Saisonalität eine Rolle spielt, braucht ein lernendes Verfahren mehrere vollständige Zyklen, um Muster von Zufall zu unterscheiden. Wo es um kurzfristige Effekte geht – etwa Nachschub innerhalb einer Schicht –, genügt eine deutlich kürzere Historie. Und wo Strukturbrüche liegen, etwa ein Lagerumbau oder ein Systemwechsel, muss die Historie davor gesondert bewertet und gegebenenfalls ausgeschlossen werden.
Der Pilotbereich ist der wichtigste Zuschnitt im gesamten Projekt. Er sollte repräsentativ genug sein, um übertragbare Erkenntnisse zu liefern, und abgegrenzt genug, um bei Problemen ohne Schaden zurückgenommen werden zu können. Bewährt hat sich eine klar abgegrenzte Zone oder eine Warengruppe mit ausreichendem Volumen. Ungeeignet sind Bereiche, die ohnehin Sonderfälle enthalten, weil dort jedes Ergebnis auf die Sonderfälle geschoben werden kann – in beide Richtungen.
Der Schattenbetrieb ist die Phase, die am häufigsten übersprungen wird und am meisten Ärger erspart. Das Verfahren läuft mit, erzeugt Vorschläge, greift aber nicht in die Steuerung ein. Parallel wird protokolliert, was das Verfahren vorgeschlagen und was der Betrieb tatsächlich getan hat. Die Auswertung dieser Abweichungen ist der eigentliche Erkenntnisgewinn: Sie zeigt, wo das Verfahren Restriktionen nicht kennt, wo Stammdaten falsch sind und wo der Betrieb Gewohnheiten pflegt, die niemand dokumentiert hat. Erst wenn die Abweichungen erklärbar sind, ist der Wechsel in die Steuerung vertretbar.
Die Modellpflege beginnt nach dem Projekt und endet nicht. Ein lernendes Verfahren verliert an Genauigkeit, wenn sich die Wirklichkeit verändert – neue Artikel, neue Kunden, neues Layout, neue Versandstruktur. Notwendig ist deshalb eine laufende Überwachung der Vorhersagequalität mit definierten Schwellen, ab denen jemand informiert wird, ein festgelegter Rhythmus für die Überprüfung und Nachschulung, und eine benannte Person, die zuständig ist. Wer diese Aufgabe nicht besetzt, betreibt ein Verfahren, dessen Qualität schleichend sinkt, ohne dass es jemandem auffällt – bis die Vorschläge im Betrieb offen abgelehnt werden.
Die Integration in Lagerverwaltung und Warenwirtschaft entscheidet, ob das Verfahren im Alltag ankommt. Eine Optimierung, deren Ergebnis in einer separaten Oberfläche steht, die niemand öffnet, hat keine Wirkung. Ergebnisse gehören dorthin, wo gearbeitet wird: als Platzvorschlag im Einlagerungsdialog, als Reihenfolge auf dem Handgerät, als Nachschubauftrag in der bestehenden Liste. Technisch ist zu klären, in welcher Richtung Daten fließen, in welchen Abständen, wie mit gleichzeitigen Änderungen umgegangen wird und welches System im Konfliktfall gewinnt.
Betriebssicherheit heißt im Lagerkontext vor allem: Antwortzeiten und Verfügbarkeit. Ein Verfahren, das Entscheidungen im Sekundentakt liefern soll, muss diese Antwortzeit auch unter Last einhalten, denn im Peak wird es gebraucht und im Peak ist die Last am höchsten. Zu klären ist außerdem, was passiert, wenn die Verbindung zu einem externen Dienst ausfällt, wenn ein Rechenzentrum nicht erreichbar ist oder wenn ein Datenzulauf verspätet kommt. Diese Fälle treten ein, und zwar nicht selten am ungünstigsten Tag.
Daraus folgt der Fallback. Für jedes Verfahren, das operativ eingreift, braucht es eine einfachere Ersatzlogik, die den Betrieb aufrechterhält: statische Slotting-Zuordnung statt dynamischer Berechnung, feste Wegereihenfolge nach Lagerplatznummer statt optimierter Route, klassischer Meldebestand statt prognostizierter Nachschub. Diese Ersatzlogik muss automatisch greifen, sie muss allen Beteiligten bekannt sein, und sie muss regelmäßig geübt werden – idealerweise in Zeiten geringer Auslastung und mit einer kurzen Auswertung im Anschluss. Ein Fallback, der nur auf dem Papier existiert, ist kein Fallback.
Der erste und in unserer Erfahrung wirksamste Einstieg ist die Slotting-Analyse als einmaliges Projekt. Sie braucht keine dauerhaft laufende Software: Es genügt ein Export der Bewegungsdaten der vergangenen zwölf bis vierundzwanzig Monate, die Lagerplatzstruktur und die Artikelstammdaten. Daraus lässt sich eine Bewertung der aktuellen Anordnung erstellen und eine Liste von Umlagerungen ableiten, deren Nutzen den Aufwand rechtfertigt. Der Effekt wirkt sofort und dauerhaft, das Risiko ist gering, und der Betrieb lernt dabei viel über die Qualität seiner eigenen Daten. Wird die Analyse jährlich wiederholt, ist ein erheblicher Teil des Nutzens eines dauerhaft laufenden Verfahrens bereits realisiert.
Der zweite Einstieg ist die bessere Nutzung vorhandener Funktionen. In vielen Systemen sind Wegeoptimierung, Batchbildung und Nachschublogik enthalten, aber mit den Standardwerten der Einführung parametriert. Eine strukturierte Überprüfung dieser Parameter – welche Kriterien gehen in die Wellenbildung ein, wie sind die Nachschubschwellen gesetzt, welche Sortierlogik gilt auf dem Handgerät – ist kein glamouröses Projekt, aber häufig das mit dem besten Verhältnis von Aufwand zu Wirkung. Es kostet Beratungstage und interne Zeit, keine Lizenzen.
Der dritte Einstieg ist die Arbeitslastprognose auf Bereichsebene. Sie greift nicht in die operative Steuerung ein, sie erzeugt eine Planungsgrundlage. Damit ist sie technisch unkritisch, arbeitsrechtlich vergleichsweise unproblematisch, solange sie nicht auf Personenebene auswertet, und für Betriebe mit stark schwankendem Auftragseingang unmittelbar nützlich. Sie lässt sich zunächst als wöchentliche Auswertung aufsetzen und später verdichten.
Die Reihenfolge der Vorhaben sollte sich am Engpass orientieren, nicht daran, welches Angebot gerade auf dem Tisch liegt. Dafür hilft eine schlichte Rechnung, für die keine Software nötig ist. Wie viel Personalzeit verbraucht ein Prozessschritt insgesamt? Wie groß ist der Anteil, den das Verfahren überhaupt beeinflussen kann? Und wie groß ist der plausible Anteil der Verbesserung innerhalb dieses beeinflussbaren Teils? Wer Wegzeit nicht messen kann, schätzt sie mit der Schichtleitung – auch eine grobe Schätzung sortiert Vorhaben zuverlässiger als ein Bauchgefühl.
Diese Rechnung führt oft zu unerwarteten Ergebnissen. Ein Verfahren, das die Verpackung optimiert, klingt attraktiv, betrifft aber vielleicht einen kleinen Teil der Gesamtzeit. Eine bessere Nachschubsteuerung wirkt unscheinbar, verhindert aber Abbrüche, deren Nacharbeit erheblich Zeit kostet und deren Häufigkeit niemand systematisch erfasst hat. Und ein aufgeräumtes Slotting wirkt auf jeden einzelnen Pick, also auf den größten Zeitblock im Lager. Diese Reihenfolge ist in vielen Betrieben stabiler, als es der Marktauftritt einzelner Lösungen vermuten lässt.
Ein zweites Kriterium neben dem Hebel ist die Umkehrbarkeit. Vorhaben, die sich ohne Schaden zurücknehmen lassen, eignen sich als erster Schritt – Analysen, Prognosen, Vorschlagssysteme. Vorhaben, die bauliche Veränderungen, langfristige Verträge oder Anpassungen der Arbeitsorganisation nach sich ziehen, gehören später, wenn der Betrieb Erfahrung gesammelt hat. Diese Reihenfolge kostet nichts und reduziert das Projektrisiko erheblich.
Erste Fehlannahme: Wir brauchen erst ein neues Lagerverwaltungssystem. In vielen Fällen stimmt das nicht. Die Anwendungsfälle mit dem größten Hebel setzen auf Bewegungsdaten auf, die auch ein älteres System liefert. Ein Systemwechsel bindet dagegen für ein bis zwei Jahre die gesamte Aufmerksamkeit des Betriebs. Wenn das vorhandene System die Grundprozesse trägt, ist es sinnvoller, zuerst die Entscheidungsqualität zu verbessern und den Systemwechsel dann anzugehen, wenn er aus eigenen Gründen ansteht.
Zweite Fehlannahme: Wir haben zu wenig Daten. Fast jeder Betrieb, der ein Lagerverwaltungssystem oder eine Warenwirtschaft mit Lagerbuchungen einsetzt, hat mehr verwertbare Daten, als er vermutet. Jede Buchung enthält Zeitpunkt, Artikel, Menge, Platz und meist ein Benutzerkonto. Aus diesen Feldern lassen sich Umschlaghäufigkeiten, Verbundmuster, Auslastungsverläufe und Differenzrisiken ableiten. Die Frage ist nicht, ob Daten da sind, sondern ob sie sich exportieren lassen und ob die Zeitstempel den tatsächlichen Ablauf abbilden.
Dritte Fehlannahme: Das lohnt sich erst ab einer bestimmten Betriebsgröße. Richtig ist, dass der absolute Nutzen mit der Größe wächst und dass sehr kleine Betriebe mit wenigen hundert Positionen am Tag wenig Optimierungsspielraum haben. Die Grenze liegt aber niedriger, als viele annehmen, und sie hängt weniger an der Betriebsgröße als an der Komplexität: Ein Lager mit vielen Artikeln, vielen kleinen Aufträgen und stark schwankender Nachfrage bietet auch bei moderatem Volumen erheblichen Spielraum, während ein Lager mit wenigen Artikeln und großen, gleichmäßigen Aufträgen selbst bei hohem Volumen wenig zu optimieren hat.
Vierte Fehlannahme: Das System entscheidet dann selbst. Kein seriöses Verfahren im Lagerkontext arbeitet ohne definierte Eingriffsmöglichkeiten. Schichtleitungen müssen Prioritäten setzen, Aufträge vorziehen, Bereiche sperren und Vorschläge übersteuern können. Ein System, das diese Eingriffe nicht vorsieht, ist im realen Betrieb nicht führbar – und eines, das jeden Eingriff still schluckt, ohne ihn auszuwerten, verschenkt die wertvollste Rückmeldung, die es bekommen kann.
Fünfte Fehlannahme: Wenn es einmal läuft, läuft es. Das gilt für ein Regelwerk in Grenzen und für ein lernendes Modell überhaupt nicht. Verfahren, die auf Historie beruhen, altern mit dem Geschäft. Der laufende Betrieb ist ein eigener Posten in der Wirtschaftlichkeitsrechnung, nicht eine Restgröße nach Projektende.
Konkrete Beträge nennen wir bewusst nicht. Sie hängen von Lagergröße, Sortiment, Systemlandschaft, gewähltem Anbietertyp und dem Zustand der eigenen Daten ab und wären als allgemeine Angabe irreführend. Aussagekräftiger ist die Struktur: Bei rein datenbasierten Anwendungsfällen dominieren Datenaufbereitung, Integration und laufender Betrieb, während der reine Lizenzanteil überschaubar bleibt. Bei sensorik- oder robotikgestützten Vorhaben kommt ein Hardwareblock hinzu, der die Größenordnung des Gesamtvorhabens verschiebt und zusätzlich Instandhaltung nach sich zieht.
Zwei Fragen trennen im Angebotsvergleich zuverlässiger als jede Preisdiskussion. Erstens: Welche Bemessungsgröße liegt der Abrechnung zugrunde, und wie entwickelt sie sich, wenn das Geschäft wächst oder eine Saisonspitze eintritt? Ein Modell, das nach verarbeiteten Positionen abrechnet, verhält sich im Weihnachtsgeschäft anders als eines mit fester Grundgebühr. Zweitens: Was ist im laufenden Betrieb enthalten – nur Verfügbarkeit der Software, oder auch die Überwachung der Ergebnisqualität und die Anpassung an veränderte Bedingungen? Der Unterschied entscheidet darüber, ob eine interne Stelle gebraucht wird oder nicht.
Rechnen Sie außerdem über mehrere Jahre und mit dem eigenen Wachstum, nicht mit dem heutigen Volumen. Und kalkulieren Sie interne Arbeitszeit ehrlich mit ein: Projektleitung, Fachbereich, IT, Schichtleitungen in Workshops, Testaufwand im laufenden Betrieb. Dieser Block taucht in keinem Angebot auf und ist in vielen Projekten der zweitgrößte nach der Datenaufbereitung.
Sobald ein Verfahren Daten verarbeitet, die einer Person zuzuordnen sind, gilt das Datenschutzrecht in vollem Umfang. Im Lager ist dieser Fall die Regel, nicht die Ausnahme: Buchungen tragen ein Benutzerkonto, Handgeräte sind Personen zugewiesen, Zeitstempel dokumentieren Tätigkeitsverläufe, Ortungssysteme erfassen Aufenthaltsorte, Kameras können Personen im Bild haben. Ob die Daten fachlich zur Leistungsbewertung gedacht sind, ändert daran nichts – maßgeblich ist, ob sie sich zuordnen lassen.
Praktisch bedeutet das mehrere Prüfschritte. Der Zweck der Verarbeitung ist zu bestimmen und zu dokumentieren, und die Verarbeitung darf nicht über diesen Zweck hinausgehen. Es ist zu prüfen, ob die Auswertung auch mit aggregierten oder pseudonymisierten Daten möglich wäre – bei Arbeitslastprognosen auf Bereichsebene ist das meist der Fall. Speicherdauer und Löschfristen sind festzulegen. Ein Berechtigungskonzept muss begrenzen, wer welche Auswertung sehen darf. Und bei umfangreicher systematischer Überwachung ist eine Datenschutz-Folgenabschätzung zu prüfen.
Parallel dazu steht die Mitbestimmung. Technische Einrichtungen, die dazu geeignet sind, Verhalten oder Leistung von Beschäftigten zu überwachen, unterliegen in Betrieben mit Betriebsrat der Mitbestimmung – und zwar bereits dann, wenn sie objektiv dazu geeignet sind, unabhängig von der Absicht des Arbeitgebers. Ein Lagerverwaltungssystem, das Pickzeiten je Benutzerkonto erfasst, erfüllt dieses Kriterium regelmäßig. Ergänzend gilt: Auch Fragen der Arbeitsorganisation, der Arbeitszeitgestaltung und der Qualifizierung berühren Beteiligungsrechte.
Unsere klare Empfehlung aus der Projektpraxis: Beteiligen Sie den Betriebsrat, sobald ein Vorhaben Gestalt annimmt, und nicht erst zur Einführung. Eine gemeinsam entwickelte Betriebsvereinbarung, die Zweck, ausgewertete Datenfelder, Auswertungsebene, Zugriffsberechtigungen, Speicherdauer und den ausdrücklichen Ausschluss bestimmter Verwendungen regelt, ist kein Hindernis, sondern die Grundlage für einen störungsfreien Betrieb. Projekte, die diesen Schritt überspringen, werden regelmäßig kurz vor der Einführung gestoppt – zu einem Zeitpunkt, an dem Änderungen am teuersten sind.
Die Videoanalyse im Lager verdient eine eigene Betrachtung, weil sie technisch verlockend und rechtlich besonders sensibel ist. Kameras können Palettenzustände beurteilen, Fahrwege beobachten, Beladungen prüfen oder Sicherheitsbereiche überwachen. Eine dauerhafte Videoüberwachung von Arbeitsplätzen ist in der Regel unzulässig; zulässige Anwendungen sind eng zweckgebunden und erfordern eine sorgfältige Abwägung. Technisch lassen sich Risiken erheblich reduzieren: enge Blickfelder, die Personen möglichst ausschließen, Auswertung direkt am Gerät ohne dauerhafte Speicherung des Bildmaterials, Verzicht auf Gesichtsdarstellungen, kurze Löschfristen. Diese Gestaltung gehört in die Anforderung an den Lieferanten, nicht in eine nachträgliche Diskussion.
Die europäische KI-Verordnung hat für den Lagerkontext eine unmittelbare Relevanz, die vielen Betrieben nicht bewusst ist: Systeme, die im Beschäftigungskontext eingesetzt werden – etwa zur Zuweisung von Aufgaben, zur Bewertung von Leistung oder zur Beeinflussung von Entscheidungen über Beschäftigte –, werden in der Verordnung als besonders sensibler Bereich behandelt und unterliegen strengeren Anforderungen als etwa eine reine Bestandsprognose. Daraus ergeben sich Pflichten zu Dokumentation, Risikobetrachtung, menschlicher Aufsicht, Transparenz gegenüber Betroffenen und Protokollierung. Für Betriebe heißt das praktisch: Trennen Sie in der Konzeption sauber zwischen Verfahren, die Waren und Prozesse steuern, und Verfahren, die Menschen betreffen. Diese Trennung reduziert den Aufwand erheblich und macht die Bewertung überhaupt erst handhabbar.
Unabhängig von der Einstufung gilt außerdem eine Pflicht zur ausreichenden KI-Kompetenz der Personen, die solche Systeme betreiben oder von ihnen betroffen sind. Schulung ist damit kein freiwilliger Zusatz, sondern Teil der Betriebspflichten – ein weiterer Grund, den Begleitungsblock im Budget nicht zu streichen. Wie die einzelnen Anforderungen im konkreten Fall auszulegen sind, hängt vom eingesetzten System, von der Rolle des Unternehmens und vom Zeitpunkt ab; das gehört fachkundig geprüft.
Beim Thema Souveränität und Verarbeitungsort geht es um mehr als eine Adresse im Vertrag. Zu klären ist, wo Daten verarbeitet und gespeichert werden, welche Unterauftragsverarbeiter beteiligt sind, ob Zugriffe aus Drittstaaten möglich sind, ob eigene Betriebsdaten in gemeinsame Modelle einfließen und wie die eigenen Daten bei Vertragsende strukturiert zurückgegeben werden. Für Verfahren, die auf Betriebs- und Beschäftigtendaten aufsetzen, ist eine Verarbeitung im europäischen Rechtsrahmen der deutlich einfachere Weg. Wo ein Dienst außerhalb genutzt werden soll, gehören Rechtsgrundlage, Übermittlungsmechanismus und technische Schutzmaßnahmen dokumentiert.
