Von der KI-Erkenntnis zur gesteuerten Ausführung: Wie viel darf KI im Lager selbst entscheiden?

Bestandsengpässe, Verzögerungen und Auslastungsspitzen werden sichtbar, oft in Echtzeit. Damit hat sich der Engpass verschoben. Eine Erkenntnis bringt keinen Nachschub ins Lager, plant kein Personal um und löst keinen Rückstau an der Rampe auf. Den operativen Wert schafft erst der Schritt danach: Aus der Erkenntnis wird eine Entscheidung, und aus der Entscheidung eine kontrollierte Handlung.

Genau hier stoßen allgemeine KI-Werkzeuge an ihre Grenzen. Ihnen fehlen der Prozesskontext, die direkte Einbettung in das WMS und vor allem eine Antwort auf die entscheidende Frage: Was darf die KI selbst auslösen, wer gibt frei und wer trägt die Verantwortung? Diese Lücke lässt sich nicht allein technisch schließen. Sie erfordert eine bewusste organisatorische Entscheidung.

Autonomie ist eine Gestaltungsfrage

Im Lager ist Verantwortung abgestuft. Schichtleitung, Disposition und Lagerleitung haben unterschiedliche Befugnisse, und für KI-Agenten sollte dasselbe Prinzip gelten. Die passende Autonomie hängt vom Anwendungsfall, vom Risiko und vom operativen Kontext ab. Maximale Autonomie ist nicht das Ziel. Entscheidungen mit direkter Wirkung auf Servicelevel, Kosten, Compliance oder Kundenzusagen bleiben in der Regel beim Menschen. Wiederkehrende, regelbasierte und leicht korrigierbare Entscheidungen lassen sich dagegen früh delegieren.

Diese Frage prägte auch viele unserer Gespräche auf der BVL Supply Chain CX am 21. und 22. Oktober in Berlin. Die Teilnehmenden wollten weniger wissen, was KI kann. Sie wollten wissen, unter welchen Bedingungen sie im Lager selbst handeln darf.

Das LEA AI Agent Authority Model

Mit LEA Dynamic Intelligence, der in LEA Reply integrierten Agentic-AI-Plattform von Logistics Reply, ist diese Frage fester Bestandteil der Lösung. Das LEA AI Agent Authority Model verbindet den KI-Reifegrad einer Organisation mit der Autonomie ihrer Agenten und folgt zwei Grundsätzen: Der Reifegrad setzt die Grenzen, der Kontext bestimmt die Autonomie.

Das Modell unterscheidet fünf Stufen. Auf der Stufe Inform stellt der Agent Informationen und Analysen bereit, der Mensch entscheidet und handelt. Bei Recommend empfiehlt der Agent den nächsten Schritt, der Mensch gibt frei oder verwirft. Bei Act führt der Agent delegierte Aufgaben innerhalb definierter Grenzen aus. Bei Coordinate stimmt er Entscheidungen über Systeme, Teams und Anwendungen hinweg ab. Bei Governed Autonomy steuert er definierte operative Ziele end-to-end, innerhalb von Leitplanken, die der Mensch setzt. Die Verantwortung bleibt dabei immer beim Menschen. Sie ändert nur ihre Form: Je höher die Stufe, desto weniger führt der Mensch selbst aus und desto mehr gestaltet er die Regeln, nach denen der Agent handelt.

Fünf Agenten, fünf bewusst gewählte Befugnisse

Wie das im Betrieb aussieht, zeigen die fünf Agenten, die als Produkt-Templates im Systemstandard enthalten sind. Der Labor Distribution Agent erkennt Engpässe im Personaleinsatz und schlägt eine Umverteilung vor, die Schichtleitung entscheidet. Der ABC Rebalancer berechnet die Artikelklassifizierung aus realen Bewegungsdaten neu, übernommen wird sie erst nach Freigabe. Der Lost & Found Agent wertet bei verzögerten Aufgaben Kamerabilder aus und benennt mögliche Ursachen, etwa ein Hindernis auf der Route eines AMR. Der Dock Scheduling Agent bucht Rampenzeitfenster im Dialog mit Disponenten und Carriern, allerdings erst nach ausdrücklicher Bestätigung. Keiner dieser Agenten ist höher eingestuft, als es der Kontext rechtfertigt.

Besonders deutlich wird das Prinzip am Out of Stock Agent. Ein allgemeines KI-Werkzeug meldet lediglich, dass der Bestand nicht ausreicht. Der Agent stellt dagegen eine Diagnose. Er prüft, ob ein echter Bestandsmangel vorliegt oder nur ein vorübergehender Engpass. Die verantwortliche Person erhält damit keinen Alarm, sondern eine belastbare Entscheidungsgrundlage. Dass der Agent dabei auf Stufe Inform arbeitet und selbst keine Maßnahme auslöst, ist kein Mangel, sondern Absicht. Eine Fehlmenge berührt unmittelbar Kundenzusagen, deshalb bleibt die Reaktion beim Menschen.

Dahinter steht ein operativer Regelkreis aus Erkennen, Verstehen, Bewerten, Entscheiden, Handeln und Verifizieren. Die Autonomiestufe legt fest, an welcher Stelle der Agent übergibt. Mehr Autonomie bedeutet also nicht, dass der Mensch aus dem Regelkreis verschwindet. Er greift an einer späteren Stelle ein.

Governance als Voraussetzung für mehr Autonomie Grundlage aller Stufen ist eine durchgängige Governance-Schicht. Sie legt zulässige Aktionen, Schwellenwerte, Tool-Zugriffe und Berechtigungen fest, regelt Freigaben und Eskalationswege und macht jede Entscheidung eines Agenten nachvollziehbar. Diese Schicht ist mehr als eine Absicherung. Sie ist die Bedingung dafür, Befugnisse auf Basis nachgewiesener Ergebnisse schrittweise zu erweitern.

Über die Templates hinaus können operative Teams im Agent-Designer eigene Agenten ohne Programmierkenntnisse erstellen, und auch für sie gilt dieselbe Governance-Logik. Da die Plattform modellagnostisch ist, bleiben Unternehmen bei der Wahl der KI-Modelle unabhängig.

Für den Einstieg empfiehlt sich ein einzelner Anwendungsfall mit hoher Frequenz und überschaubarem Risiko, meist auf Stufe Inform oder Recommend. Wer die Leitplanken vor dem Go-live definiert und die Wirkung von Anfang an misst, schafft die Grundlage, Agenten später mehr Verantwortung zu übertragen.

Fazit

Wenn der Zugang zu KI und Daten austauschbar wird, machen operative Intelligenz und kontrollierte Umsetzung den Unterschied. Das Problem zu erkennen ist der Anfang. Den Wert schafft eine Reaktion, deren Grenzen klar definiert sind und deren Ergebnis nachvollziehbar bleibt. Wie Sie Ihren KI-Reifegrad einordnen und den passenden Einstieg finden, erfahren Sie hier:https://lnkd.in/deE8RzF7