KI in Logistik und Lagerhaltung: Routenoptimierung, Slotting und Forecasting für Spediteure

Die Disposition im mittelständischen Speditions- und Kontraktlogistikgeschäft steht unter massivem Druck. Fahrermangel, volatile Kundenabrufe, neue CO2-Kosten und enge Zeitfenster im Lager treffen auf historisch gewachsene IT-Landschaften. Viele COOs spüren, dass die bisherigen Excel-gestützten Planungsrunden und starren Regelwerke an Grenzen stoßen. KI-gestützte Routenoptimierung, Lager-Slotting und Forecasting werden damit zu operativen Hebeln, nicht zu Zukunftsprojekten.

Dieser Beitrag zeigt, wie KI in der Logistik des Mittelstands konkret eingesetzt werden kann, um Disposition und Lagerhaltung skalierbar zu machen, ohne die Kontrolle über Daten und Prozesse zu verlieren. Im Fokus stehen Speditionen, KEP-nahe Netzwerke und logistische Mittelständler mit eigenem Lager- und Fuhrpark.

Warum Disposition im Mittelstand 2026 ohne KI nicht mehr skaliert

In vielen Leitständen sieht der Alltag ähnlich aus. Zwei bis fünf Disponenten sitzen vor mehreren Monitoren, jonglieren Tourenpläne, Telematikdaten, Kundenmails und Telefonate. Die Erfahrung dieser Personen ist enorm, die Werkzeuge sind es selten. Regeln wie „Tour 17 fährt immer Herr X“ oder „Region Süd wird nach Postleitzahlen aufgeteilt“ haben sich über Jahre etabliert, bilden aber die heutige Komplexität kaum noch ab.

Gleichzeitig verschärft sich der Kostendruck. Mit dem EU-ETS-2 für den Straßenverkehr ab 2027 mit direkter CO2-Preis-Wirkung werden ineffiziente Kilometer unmittelbar teurer. Wer dann noch mit statischen Planungsregeln arbeitet, verschenkt Marge in jedem Umlauf. Hinzu kommt der Fachkräftemangel in der Disposition. Neue Mitarbeitende benötigen Monate, um die impliziten Regeln zu verstehen, die erfahrene Disponenten im Kopf haben.

KI-gestützte Disposition in Speditionen kann hier als Verstärker dienen. Systeme lernen aus historischen Touren, realen Fahrzeiten, Verspätungen und Kundenanforderungen. Sie schlagen Disponenten Vorschläge vor, die auf Daten basieren, nicht auf Bauchgefühl. Das entlastet die Leitstelle und macht das Geschäft skalierbarer, ohne dass die Verantwortung aus der Hand gegeben wird.

Disposition wird zum datengetriebenen Leitstand

Wer Disposition und Lagerplanung mit KI unterstützt, verlagert Entscheidungen von starren Regeln hin zu datenbasierten Vorschlägen. Die Verantwortung bleibt im Leitstand, die Qualität der Entscheidungen steigt.

Für den Mittelstand ist entscheidend, dass diese KI nicht als Blackbox aus einer entfernten Cloud agiert. Sie muss erklärbar, auditierbar und in bestehende Systeme integrierbar sein. Genau hier setzt sensified mit klaren Modellen an, statt nur Strategiepapiere zu liefern.

Was Sie davon mitnehmen: Für den Mittelstand ist entscheidend, dass diese KI nicht als Blackbox aus einer entfernten Cloud agiert.

Routenoptimierung mit echten Verkehrsdaten und CO2-Bepreisung

Routenoptimierung ist im Speditionsalltag kein neues Thema. Viele TMS-Systeme bieten einfache Tourenplanung. Der Unterschied zu moderner KI-gestützter Routenplanung liegt in der Tiefe der Daten und der Lernfähigkeit. Eine lernende Tourenplanung berücksichtigt reale Verkehrsdaten, historische Stausituationen, Servicezeiten beim Kunden, Rampenkapazitäten und Fahrzeugprofile.

Praxiswerte zeigen, dass sich durch lernende Tourenplanung 8 bis 15 Prozent Routenkilometer einsparen lassen, wenn Datenqualität und operative Umsetzung stimmen. Diese Einsparung wirkt direkt auf Dieselverbrauch, Fahrzeiten und CO2-Kosten. In Kombination mit CO2-bezogenen Mautkomponenten und EU-ETS-2 entsteht ein klarer finanzieller Hebel.

Ein weiterer Schritt ist CO2-Routing mit KI. Hier werden nicht nur die kürzesten oder schnellsten Routen berechnet, sondern auch solche mit geringerer Emissionsintensität, etwa durch Vermeidung von Stop-and-go-Abschnitten oder durch Bündelung von Stopps. Für COOs wird damit aus einer abstrakten Nachhaltigkeitsdiskussion eine konkrete Kennzahl in Euro pro Tour.

Praxisbild aus dem Leitstand

Stellen Sie sich einen Logistik-Leitstand eines mittelständischen Spediteurs mit 120 eigenen Fahrzeugen vor. Auf einem großen Bildschirm sehen Disponenten eine Übersicht der Tagesaufträge. Das KI-System schlägt mehrere Tourenvarianten vor, jeweils mit prognostizierten Kilometern, Fahrzeiten, CO2-Emissionen und Zeitfenstern. Ein Disponent wählt eine Variante, passt einzelne Stopps an und gibt die Tour frei. Die KI lernt aus dieser Entscheidung und aus der späteren Ist-Fahrt, inklusive Verspätungen und Leerfahrten.

Die Verantwortung bleibt klar bei der Disposition. Die KI liefert Vorschläge, die menschliche Erfahrung ergänzt. Genau dieses Zusammenspiel ist der Kern von moderner ki spedition disposition.

Für die Umsetzung bietet sich ein KI-Projekt mit sensified an, das in klaren Phasen verläuft. In einer Discovery-Phase werden Tourendaten, TMS-Struktur und Telematikquellen analysiert. Anschließend entsteht in der Design-Phase ein Zielbild für die Routenoptimierung, inklusive CO2-Bewertung. In der Build-Phase wird das Modell trainiert und in einer Pilotrelation ausgerollt. In der Operate-Phase läuft der Pilot produktiv, wird überwacht und an weitere Relationen ausgerollt.

Alternativ kann ein KI-Result-Modell sinnvoll sein, wenn Sie zunächst nur optimierte Tourenvorschläge als Output-as-a-Service testen möchten, ohne eigene Plattform aufzubauen. Disponenten erhalten dann geprüfte Tourenvorschläge, etwa per Weboberfläche oder API, und zahlen pro verarbeiteter Tour.

Was Sie davon mitnehmen: Alternativ kann ein KI-Result-Modell sinnvoll sein, wenn Sie zunächst nur optimierte Tourenvorschläge als Output-as-a-Service testen möchten, ohne eigene Plattform aufzubauen.

Lager-Slotting und KEP-Touren in der Praxis

Im Lager ist die Situation ähnlich. Viele mittelständische Logistiker arbeiten mit gewachsenen Lagerlayouts. Schnelldreher stehen „irgendwo vorne“, Langsamdreher „hinten“, der Rest dazwischen. Diese Logik stößt an Grenzen, wenn KEP-nahe Strukturen, Same-Day-Services oder hohe Retourenquoten hinzukommen. Ki lager slotting nutzt historische Picks, Laufwege, Retouren und Servicelevel, um Lagerplätze dynamisch zuzuweisen.

Ein KI-System analysiert, welche Artikel häufig gemeinsam gepickt werden, welche Kundencluster bestimmte Sortimente bevorzugen und wie sich Saisonverläufe auswirken. Daraus entstehen Slotting-Vorschläge, die Wege verkürzen und Engpässe an Packplätzen reduzieren. Für KEP-Touren im Nahverkehr lassen sich diese Erkenntnisse mit der Tourenplanung verknüpfen. So werden beispielsweise Zustellreihenfolgen und Lagerbereitstellung aufeinander abgestimmt.

Konkrete Szene aus der Lagerhalle

In einer Lagerhalle eines mittelständischen Logistikdienstleisters für Konsumgüter laufen mehrere Kommissionierfahrzeuge im Schichtbetrieb. Bisher wurden die Lagerplätze einmal im Jahr umsortiert, basierend auf einer groben ABC-Analyse. Nach Einführung eines KI-gestützten Slotting-Systems werden wöchentlich Vorschläge für Umplatzierungen gemacht, die sich an aktuellen Bestellmustern orientieren.

Die KI erkennt, dass bestimmte Artikel in Kombination mit Aktionsware besonders häufig vorkommen. Sie schlägt vor, diese näher an den Packplätzen zu platzieren. Gleichzeitig werden Retourenartikel so einsortiert, dass Sie schnell wieder in den Umlauf kommen. Die Laufwege sinken messbar, die Produktivität pro Picker steigt. Für die ki kep tour im Nahverkehr bedeutet dass Sendungen in einer Reihenfolge bereitgestellt werden, die zur geplanten Zustellroute passt.

sensified setzt solche Szenarien typischerweise als KI-Projekt um, bei dem das Lager-WMS angebunden und ein Slotting-Modul entwickelt wird. Die vollständige Code-Übergabe an den Kunden stellt sicher, dass Sie die Lösung später selbst erweitern können, etwa um neue Mandanten oder Lagerstandorte.

Slotting und Touren gehören zusammen gedacht

Wer Lager-Slotting und KEP-Touren getrennt optimiert, verschenkt Potenzial. KI entfaltet Ihre Wirkung, wenn Lagerbereitstellung und Zustellreihenfolge als durchgängiger Prozess geplant werden.

Für Unternehmen mit mehreren Lagern kann eine gemanagte KI-Plattform von sensified sinnvoll sein. Auf dieser Plattform laufen Slotting-Modelle, Routenoptimierung und ki forecasting logistik gemeinsam, mit zentralem Monitoring und EU-Hosting. So vermeiden Sie einen Flickenteppich aus Einzellösungen.

Was Sie davon mitnehmen: Für Unternehmen mit mehreren Lagern kann eine gemanagte KI-Plattform von sensified sinnvoll sein.

Forecasting für Saison- und Lastspitzen

Lastspitzen sind für COOs in der Logistik ein Dauerthema. Saisonale Peaks, Aktionsgeschäfte des Handels, Wettereffekte oder Marketingkampagnen der Kunden führen zu sprunghaften Volumenänderungen. Klassische Forecasts auf Basis von Vorjahreswerten und Bauchgefühl reichen hier nicht mehr aus.

KI-gestütztes Forecasting nutzt historische Sendungsdaten, externe Signale und operative Parameter, um Volumen, Stopps und Retourenwahrscheinlichkeiten zu prognostizieren. Eine ki retoure prognose hilft beispielsweise, die erwartete Zahl an Rücksendungen pro Tag und Produktgruppe zu schätzen. Daraus lassen sich Personalplanung im Lager, Pufferbestände und Fahrzeugkapazitäten ableiten.

In der Praxis bedeutet das: Statt „Wir wissen, dass es im November mehr wird“ erhalten Sie konkrete Prognosen wie „Für Kalenderwoche 46 sind 18 Prozent mehr Sendungen im Zwei-Mann-Handling zu erwarten, mit erhöhter Retourenquote in Region West“. Solche Aussagen sind nur möglich, wenn Daten aus TMS, WMS und Kundenbestellungen zusammengeführt und mit geeigneten Modellen ausgewertet werden.

Forecasting als kontinuierlicher Prozess

Forecasting mit KI ist kein einmaliges Projekt, sondern ein laufender Prozess. Modelle müssen regelmäßig mit neuen Daten versorgt und überwacht werden. Genau hier unterscheidet sich sensified von klassischen KI-Beratungen, die nach einem Proof-of-Concept wieder aussteigen. Mit der KI-Plattform von sensified erhalten Sie eine Betriebsumgebung, in der Forecasting-Modelle versioniert, überwacht und auditierbar betrieben werden, TISAX®-konform und in EU-Rechenzentren gehostet.

Ein typischer Einstieg ist ein achtwöchiger Pilot als KI-Projekt, in dem ein Forecast für ausgewählte Kunden oder Produktgruppen aufgebaut wird. Anschließend kann dieser Forecast in ein KI-Result-Modell überführt werden, bei dem Sie nur für tatsächlich gelieferte Prognosen zahlen. So testen Sie den Nutzen ohne langfristige Plattformbindung.

Was Sie davon mitnehmen: Ein typischer Einstieg ist ein achtwöchiger Pilot als KI-Projekt, in dem ein Forecast für ausgewählte Kunden oder Produktgruppen aufgebaut wird.

Anbindung an TMS, WMS und Telematik ohne Big-Bang

Viele COOs haben Respekt vor Integrationsprojekten. Historisch gewachsene TMS- und WMS-Landschaften, individuelle Anpassungen und mehrere Telematiksysteme wirken wie ein Hindernis für moderne KI-Anwendungen. Die Sorge vor einem Big-Bang-Projekt mit hohem Risiko ist verständlich.

Genau deshalb setzt sensified auf eine schrittweise Anbindung. Statt das gesamte System auf einmal zu integrieren, wird mit klar abgegrenzten Use Cases gestartet. Für eine erste ki spedition disposition reicht oft die Anbindung von Tourenstammdaten, Auftragsdaten und Telematikpositionen für eine definierte Region oder Kundengruppe.

Technisch erfolgt die Integration typischerweise über APIs, Datenexporte oder Datenreplikation in eine KI-fähige Umgebung. Wichtig ist, dass die bestehende ERP-Standardsoftware und das TMS nicht ersetzt werden, sondern als führende Systeme bestehen bleiben. Die KI-Lösungen lesen Daten, erzeugen Vorschläge und schreiben nur dort zurück, wo es fachlich sinnvoll und abgestimmt ist.

Vendor-Lock-in vermeiden

Viele Angebote am Markt binden Kunden eng an proprietäre Plattformen. Änderungen an Modellen oder der Wechsel des Anbieters werden dadurch teuer. sensified verfolgt bewusst einen anderen Ansatz. Im KI-Projekt erhalten Sie vollständige Code-Übergabe, inklusive Dokumentation und Infrastrukturdefinitionen. Auf der KI-Plattform behalten Sie die Kontrolle über Modelle, Daten und Betriebsparameter.

So vermeiden Sie einen Vendor-Lock-in bei KI-Lösungen und können bei Bedarf eigene Data-Science-Teams aufbauen oder externe Partner ergänzen. Die ki tms anbindung bleibt transparent, nachvollziehbar und auditierbar.

Für COOs bedeutet das: Sie können KI in der Logistik schrittweise einführen, ohne sich strategisch in eine Sackgasse zu manövrieren. Ein Pilot in einer Region, anschließend Roll-out auf weitere Standorte, dann Erweiterung um Lager-Slotting oder Forecasting. Jeder Schritt ist klar abgegrenzt und messbar.

Was Sie davon mitnehmen: Für COOs bedeutet das: Sie können KI in der Logistik schrittweise einführen, ohne sich strategisch in eine Sackgasse zu manövrieren.

Compliance: CBAM, GüKG und ADR-relevante Routenführung

Logistik ist ein stark reguliertes Umfeld. Neben dem Güterkraftverkehrsgesetz und ADR-Vorgaben rücken zunehmend Klimaregulierung und Berichtspflichten in den Fokus. Für COOs bedeutet das zusätzliche Komplexität in der Planung, insbesondere bei internationalen Verkehren und CO2-intensiven Gütern.

CBAM-Reporting ist seit Q4 2024 verpflichtend, mit Vollanwendung ab 2026. Für Speditionen, die Vor- und Nachläufe für betroffene Güter fahren, entstehen damit neue Anforderungen an Datenerfassung und Nachweisführung. KI-Systeme können hier unterstützen, indem sie relevante Transporte kennzeichnen, Emissionen berechnen und die notwendigen Daten für das Reporting bereitstellen.

Gleichzeitig müssen ADR-relevante Transporte bestimmte Routen, Tunnelkategorien und Zeitfenster berücksichtigen. Eine KI-gestützte Routenplanung kann diese Restriktionen in die Berechnung einbeziehen und so sicherstellen, dass Vorschläge regelkonform sind. Das reduziert das Risiko von Verstößen und Bußgeldern.

DSGVO und EU AI Act im Blick behalten

Bei allen KI-Anwendungen in der Logistik spielen personenbezogene Daten eine Rolle, etwa bei Fahrerdaten, Telematik oder Zustellinformationen. Lösungen müssen daher DSGVO-konform gestaltet sein. sensified betreibt KI-Systeme in EU-Rechenzentren, mit klaren Rollen- und Berechtigungskonzepten und Auditierbarkeit der Modelle.

Der EU AI Act setzt zusätzlich Rahmenbedingungen für den Einsatz von KI in kritischen Infrastrukturen und sicherheitsrelevanten Bereichen. Auch wenn viele Logistik-Use-Cases nicht in die höchste Risikokategorie fallen, ist eine saubere Dokumentation der Modelle, Trainingsdaten und Entscheidungslogik wichtig. Die KI-Plattform von sensified bietet hierfür Monitoring, Logging und Modellkataloge, die Compliance-Anforderungen unterstützen.

Was Sie davon mitnehmen: Der EU AI Act setzt zusätzlich Rahmenbedingungen für den Einsatz von KI in kritischen Infrastrukturen und sicherheitsrelevanten Bereichen.

ROI: Kilometer, CO2-Kosten und Pufferbestand

Für COOs zählt am Ende der betriebswirtschaftliche Effekt. KI in der Logistik muss sich in Kilometern, CO2-Kosten, Personalaufwand und Servicequalität messen lassen. Die gute Nachricht: Viele Hebel sind direkt quantifizierbar.

Bei der Routenoptimierung lassen sich eingesparte Kilometer, Fahrzeiten und CO2-Emissionen pro Tour und Monat auswerten. Die erwähnten 8 bis 15 Prozent Einsparung bei Routenkilometern durch lernende Tourenplanung sind ein realistischer Zielkorridor, wenn Datenbasis und operative Umsetzung stimmen. In Kombination mit steigenden CO2-Preisen durch EU-ETS-2 entsteht ein klarer finanzieller Hebel.

Im Lagerbereich wirken sich besseres Slotting und Forecasting auf Pufferbestände und Produktivität aus. Geringere Pufferbestände binden weniger Kapital, ohne die Lieferfähigkeit zu gefährden. Gleichzeitig sinken Überstunden und Leiharbeitskosten, wenn Lastspitzen besser prognostiziert und geplant werden.

ROI transparent machen

sensified legt in KI-Projekten Wert auf klare Kennzahlen und Baselines. Vor Projektstart werden Ist-Werte für Kilometer, CO2-Kosten, Pickleistung oder Retourenquoten erhoben. Während des Piloten werden diese Kennzahlen kontinuierlich gemessen und mit den KI-gestützten Prozessen verglichen. So entsteht ein belastbares Bild des ROI von KI in der Logistik.

Für Unternehmen, die zunächst ohne eigene Plattform starten möchten, bietet sich KI-Result an. Hier zahlen Sie pro verarbeitetem Auftrag, prognostizierter Tour oder Forecast. Der ROI lässt sich dann direkt aus den Stückkosten und den erzielten Einsparungen ableiten. Wenn der Nutzen belegt ist, kann in einem nächsten Schritt eine eigene KI-Plattform aufgebaut werden, um weitere Use Cases zu integrieren.

ROI entsteht durch Fokussierung auf wenige Hebel

Die größten Effekte entstehen, wenn Sie sich zunächst auf zwei bis drei klar definierte Hebel konzentrieren, etwa Routenoptimierung, Slotting und Forecasting. Breite KI-Programme ohne Fokus verzetteln Budgets und Teams.

Für die hier beschriebenen Use Cases bietet sensified alle drei Modelle an. Ein KI-Projekt eignet sich für maßgeschneiderte Lösungen mit vollständiger Code-Übergabe, die KI-Plattform als Betriebsfundament für mehrere Use Cases und KI-Result für schnelle, output-orientierte Einstiege ohne eigene Infrastruktur.

Was Sie davon mitnehmen: Für die hier beschriebenen Use Cases bietet sensified alle drei Modelle an.

Nächste Schritte

Wenn Sie als COO konkret prüfen möchten, welche Hebel von KI in Ihrer Logistik den größten Effekt haben, starten Sie mit einer klar umrissenen Fragestellung, etwa zur Routenoptimierung oder zum Lager-Slotting. Im nächsten Schritt sollten Datenquellen, Systemlandschaft und organisatorische Rahmenbedingungen gemeinsam mit einem Umsetzungspartner wie sensified bewertet werden.

Darauf aufbauend lässt sich ein achtwöchiger Pilot definieren, der einen klaren Use Case adressiert und messbare Kennzahlen liefert. Vereinbaren Sie dafür ein Strategiegespräch, in dem Anwendungsfälle priorisiert, Risiken eingeordnet und ein realistischer Fahrplan für Ihr KI-Vorhaben in der Logistik entwickelt wird.