Hinweis: Das Beitragsbild wurde mit künstlicher Intelligenz erzeugt.
Agentische KI gilt in der Logistik als naheliegender Einsatzfall: Bestände prüfen, Aufträge priorisieren, auf Abweichungen reagieren. Viele dieser Aufgaben wiederholen sich täglich, stehen unter Zeitdruck und beeinflussen direkt Kosten und Servicequalität. Doch in der Praxis hakt es nicht am KI-Modell. Es hakt an der operativen Realität, in die das Modell eingebettet wird.
Was agentische KI leisten soll
Ein KI-Agent ist kein einfaches Auswertungswerkzeug. Er soll laufende Prozesse bewerten, den nächsten erforderlichen Schritt identifizieren, Entscheidungen vorbereiten und im besten Fall direkt handeln. Das unterscheidet ihn von klassischer Prozessautomatisierung oder einfachen Dashboards. Möglich macht das die Kombination aus Sprachmodell, Zugriff auf externe Tools und Kontextdaten aus dem laufenden Betrieb.
Für Speditionen und Lagerbetreiber klingt das attraktiv. Laut einer BCG-Befragung nennen fast 80 Prozent der befragten Unternehmen Kostensenkung und operative Effizienz als wichtigste Treiber für den KI-Einsatz. Der Druck, repetitive Aufgaben zu automatisieren, ist real.
Das eigentliche Problem: fragmentierte Daten
In der Praxis fehlt vielen Betrieben die Voraussetzung für funktionierenden Agenteneinsatz. Informationen zu Beständen, Auftragsstatus oder Lieferabweichungen liegen vor, aber nicht dort, wo Entscheidungen fallen. Und nicht im richtigen Moment.
Daten sind über mehrere Systeme verteilt: Warehouse-Management-System, TMS, ERP, Lieferantenportale. Dazu kommen lokale Kopien, Excel-Tabellen, E-Mail-Verläufe. Welcher Statuswert gilt, wenn zwei Systeme unterschiedliche Angaben zeigen? Erfahrene Disponenten wissen das. Sie kennen die Systemschwächen, ordnen Widersprüche ein und entscheiden situativ. Ein KI-Agent kann das nicht. Er reagiert auf das, was ihm übergeben wird. Ist die Datenlage mehrdeutig, ist das Ergebnis unzuverlässig.
Converged Workflows als Voraussetzung
Das Analystenhaus BARC beschreibt in einem gemeinsamen Report mit InterSystems das Konzept der sogenannten Converged Workflows. Gemeint sind Abläufe, in denen Analysen, Anwendungen, verteilte Daten und menschliche Entscheidungen im Arbeitsfluss zusammenkommen – kein getrenntes Nebeneinander, sondern eine gemeinsame operative Basis.
Genau diese gemeinsame Basis fehlt in vielen Logistikunternehmen. Es reicht nicht, Systeme technisch zu verbinden. Statuswerte, Prioritäten und Schwellenwerte müssen einheitlich definiert und verbindlich dokumentiert sein. Sonst entsteht eine Mehrdeutigkeit, mit der Menschen umgehen können, KI-Agenten aber nicht.
Datenhygiene vor KI-Einführung
Das hat konkrete Konsequenzen für jeden Betrieb, der agentische KI einführen will. Vor der Systemauswahl steht die Frage: Welche Daten braucht der Agent, und wie zuverlässig liegen sie vor? Das betrifft Bestandsdaten ebenso wie Auftragspositionen, Liefertermine und Transportstatus. Fehlende oder inkonsistente Stammdaten lassen sich durch kein Modell kompensieren.
Ungeklärt ist in vielen Betrieben auch die Governance: Wer ist für welche Daten verantwortlich? Welche Entscheidungen darf ein Agent selbst treffen, welche muss er eskalieren? Ohne diese Regeln produzieren agentische Systeme im Produktivbetrieb Fehler, die schwer nachzuverfolgen sind.
Wo KI-Agenten heute in der Logistik funktionieren
Es gibt Anwendungsfälle, in denen agentische KI bereits produktiv läuft: die automatisierte Verarbeitung eingehender Transportdokumente, die Klassifikation von E-Mail-Anfragen in Speditionen, die Prüfung von Lieferscheinen gegen Bestelldaten sowie die Vorbereitung von Rechnungsfreigaben. Diese Einsatzfelder haben gemeinsam, dass die Eingabedaten strukturiert oder strukturierbar sind und der Entscheidungsrahmen klar definiert ist.
Komplexer wird es, sobald Agenten eigenständig zwischen konkurrierenden Aufträgen priorisieren oder auf unvorhergesehene Ereignisse reagieren sollen. Hier zeigt sich, ob die Datenbasis trägt.
Fazit
Agentische KI ist kein Selbstläufer. Wer in der Logistik mit KI-Agenten startet, muss zuerst klären, auf welcher Datenbasis das System arbeitet. Fragmentierte Systeme, uneinheitliche Statusdefinitionen und fehlende Governance sabotieren den Produktivbetrieb, bevor das Modell auch nur eine Entscheidung trifft. Der digitale Backbone kommt vor dem Agenten, nicht danach. Das gilt für den Mittelstand genauso wie für große Logistikdienstleister.
