KI in der Logistik: Was in einem mittelständischen Lager wirklich funktioniert

KI in der Logistik heißt für einen mittelständischen Händler oder Großhändler nicht autonomer Lkw, sondern vier nüchterne Felder: Bedarfsprognose aus der eigenen Absatzhistorie, Belegerkennung im Wareneingang, Klassifizierung von Retourengründen und Anomalie-Erkennung im Bestand. Vieles, was Lagersoftware heute „KI" nennt, ist dagegen gut parametrierte Algorithmik — und funktioniert trotzdem.

1. Was „KI in der Logistik" im Mittelstand bedeutet

Ihr Betrieb hat ein Lager, eine Handvoll Versanddienstleister und kein Data-Science-Team. Dann bedeutet KI in der Logistik zwei Dinge: Muster in den eigenen Bewegungsdaten erkennen und Papier in strukturierte Daten verwandeln. Nicht: Fahrzeuge steuern, Frachtnetze planen oder Roboter koordinieren. Der Unterschied ist keine Nuance. Er entscheidet über jede Investition.

Das lässt sich belegen. Das Statistische Bundesamt erhebt jedes Jahr, welche Arten von KI-Technologie deutsche Unternehmen tatsächlich einsetzen. Für 2025 nutzten 26 Prozent aller Unternehmen überhaupt KI. Nach Größe gestaffelt sind das 23 Prozent bei 10 bis 49 Beschäftigten, 36 Prozent bei 50 bis 249 und 57 Prozent ab 250. Noch aufschlussreicher ist die Aufteilung innerhalb dieser KI-Nutzer:

Zwei Zeilen dieser Tabelle drehen die übliche Erzählung um. Maschinelles Lernen — also das, was viele meinen, wenn sie „KI" sagen — setzen nur 23 Prozent der KI-nutzenden Unternehmen ein. Und die autonome Bewegung von Maschinen, das Bild vom fahrerlosen Transportfahrzeug und vom Roboterlager, kommt auf 6 Prozent. An der Spitze stehen dagegen Text Mining und die Erzeugung von Inhalten mit je 52 Prozent.

Übersetzt auf Ihr Lager heißt das: Die realistischen Einstiegspunkte liegen dort, wo Text und Dokumente anfallen — Lieferscheine, Retourenkommentare, Lieferantenmails, Artikelbeschreibungen. Nicht dort, wo Technik durch die Gänge fährt. Das Fraunhofer-Institut für Materialfluss und Logistik formuliert die Ausgangslage so: KI-Systeme seien „grundsätzlich in der Lage, komplexe logistische Prozesse zu optimieren", die Einstiegshürden seien in den vergangenen Jahren zurückgegangen und die Akzeptanz gestiegen. Genau diese gesunkene Hürde nutzen Sie am besten dort, wo sie am niedrigsten ist.

Wo dagegen die klassische Automatisierung mit Fördertechnik, Regalanlagen und Investitionsrechnung beginnt, beschreibt unser Ratgeber zur Lagerautomatisierung. Dieser Beitrag hier lässt die Hardware bewusst weg und bleibt auf der Datenebene.

2. Echte KI oder einfach gute Software? Die Trennlinie an acht Beispielen

Die wichtigste Frage vor jedem Angebot lautet: Lernt das System aus Ihren Daten, oder führt es eine Regel aus, die jemand eingestellt hat? Beides kann Ihnen helfen. Aber nur eines davon braucht ein Datenprojekt, eine laufende Pflege und eine Erfolgskontrolle. Verwechselt man beides, kauft man das Falsche.

Das prägnanteste Beispiel steht in der ersten Zeile. Die Wegeoptimierung eines Lagerverwaltungssystems wirkt intelligent, weil sie den Pickern kürzere Wege gibt. Tatsächlich sortiert sie nach der Struktur, die Sie Ihren Lagerplätzen gegeben haben. JTL schreibt dazu in der eigenen Dokumentation, der als Ebene deklarierte Bereich spiele „bei der Wegeoptimierung eine große Rolle". Plätze, die sich nur in der Ebene unterscheiden, würden „bei der Suche des optimalen Weges gleichbehandelt". Das ist eine klar definierte Sortierregel über selbst vergebene Koordinaten.

Diese Einordnung ist keine Abwertung, im Gegenteil. Eine deterministische Regel ist nachvollziehbar, reproduzierbar und braucht keine Trainingsdaten. Sie hat nur eine unbequeme Konsequenz: Ihre Wegeoptimierung ist exakt so gut wie Ihre Lagerplatzbenennung. Wer Plätze historisch gewachsen und ohne Systematik vergeben hat, bekommt keine kurzen Wege — und auch kein Modell der Welt repariert das. Wie Sie diese Grundlagen ordnen, zeigt unser Beitrag zur Lagerverwaltung optimieren.

3. Bedarfsprognose: der realistischste Hebel — und die Datenhürde davor

Die Bedarfsprognose ist der Anwendungsfall mit dem größten Hebel im Mittelstand, weil sie direkt auf Kapitalbindung und Lieferfähigkeit wirkt. Sie schätzt aus der eigenen Absatzhistorie, wie viel von einem Artikel in den nächsten Wochen gebraucht wird — inklusive Saison, Trend und Wochentagsmuster. Genau daran scheitern die meisten Projekte allerdings, und zwar an den Daten.

Der Unterschied zu dem, was Ihre Warenwirtschaft heute tut, ist grundsätzlich. Ein Bestellvorschlag rechnet vergangenen Verbrauch auf einen Zeitraum hoch. Eine Prognose schätzt künftige Nachfrage und gibt idealerweise ein Unsicherheitsband dazu an: „zwischen 40 und 70 Stück, mit 80 Prozent Wahrscheinlichkeit". Erst dieses Band macht die Zahl entscheidungsfähig. Daraus leiten Sie einen Sicherheitsbestand ab.

Für diesen Sicherheitsbestand gibt es auch ohne Modell eine Rechnung: Sicherheitsfaktor mal Standardabweichung des Tagesbedarfs mal Wurzel aus der Wiederbeschaffungszeit. Der Faktor ist ein Quantil der Standardnormalverteilung, rund 1,64 für 95 und 2,33 für 99 Prozent Lieferfähigkeit. Die Formel setzt normalverteilte Nachfrage voraus und trägt im Aktionsgeschäft nicht. Die Herleitung samt Rechenbeispiel steht im Beitrag zur Berechnung von Meldebestand und Sicherheitsbestand.

Damit ein Modell überhaupt eine Chance hat, muss Ihre Historie folgende Bedingungen erfüllen:

• Zwei, besser drei volle Jahre Absatzhistorie je Artikel — sonst kennt das Modell keinen einzigen Jahreszyklus.
• Das Verkaufsdatum als Zeitstempel, nicht das Buchungs- oder Rechnungsdatum aus der Fibu.
• Aktionen, Rabatte und Marktplatz-Deals als eigenes Merkmal am Auftrag — sonst hält das Modell einen Aktionspeak für Grundnachfrage.
• Ausverkaufte Tage ausdrücklich markiert, damit „nicht lieferbar" nicht als „keine Nachfrage" gelernt wird.
• Nachfolgeartikel mit ihrem Vorgänger verknüpft, damit die Historie beim Artikelwechsel nicht abreißt.
• Retouren getrennt von Verkäufen geführt, sonst rechnet das Modell zurückgeschickte Ware als Absatz.

Und das sind die Konstellationen, in denen eine Prognose auch bei sauberen Daten wenig bringt:

• Sortimente mit hoher Fluktuation: Wenn die Hälfte der Artikel jünger ist als ein Jahr, hat die Prognose für die Hälfte des Lagers keine Grundlage.
• Wenige, große B2B-Rahmenaufträge statt vieler kleiner Bestellungen — einzelne Abrufe dominieren die Reihe und lassen sich nicht sinnvoll fortschreiben.
• Historisch gewachsene Bestandslücken, die im Rückblick wie fehlende Nachfrage aussehen.
• Ein neu eröffneter Kanal oder Marktplatz, dessen Absatz sich nicht aus der Vergangenheit ableiten lässt.

Der wichtigste Punkt aus dieser Liste ist die Markierung ausverkaufter Tage. Ein Modell sieht in Ihren Verkaufsdaten keine Nachfrage, sondern nur, was Sie tatsächlich abgeben konnten. War ein Artikel drei Wochen nicht lieferbar, steht dort eine Null — und das Modell lernt daraus, dass in diesem Zeitraum niemand den Artikel wollte. Im nächsten Jahr bestellt es entsprechend zu wenig, der Artikel geht wieder aus, und der Fehler verstärkt sich selbst. Wer diese Kennzeichnung nicht liefern kann, sollte lieber keine Prognose bauen.

Belastbare Prozentwerte, um wie viel eine Prognose Bestände senkt oder Fehlmengen reduziert, nennen wir hier bewusst nicht. Die kursierenden Zahlen stammen aus Anbieterunterlagen ohne offengelegte Methode und lassen sich auf kein anderes Sortiment übertragen. Der ehrliche Maßstab ist ein anderer, und er steht in Schritt 3 weiter unten: Rechnen Sie Modell und heutigen Vorschlag für einen vergangenen Zeitraum nach und vergleichen Sie sie an Ihren eigenen Zahlen.

4. Wo im JTL-Stack die Daten für eine Prognose liegen

Wer mit JTL arbeitet, hat die Rohdaten für eine Prognose bereits im Haus: Auftragspositionen mit Datum, Menge und Kanal, Lagerbewegungen, Lieferantenbestellungen mit Zulaufterminen und Retouren. Was fehlt, ist nicht die Datenerfassung, sondern die Aufbereitung — und das Wissen darüber, wo die Systemgrenze verläuft.

Die Bedarfsrechnung selbst sitzt in JTL-Wawi im Bestellvorschlag, nicht im Lagerverwaltungssystem. JTL beschreibt ihn als Werkzeug, mit dem sich „der wahrscheinliche Bedarf für die Zukunft" ermitteln lässt. Wie er das tut, steht in seinen Einstellungen — und die verraten die Bauart:

• Ein Referenzzeitraum legt fest, welcher vergangene Verbrauch die Grundlage bildet; er lässt sich absolut oder relativ angeben, etwa als die letzten 30 Tage.
• Das Feld „Berechnen für (Anzahl Tage)" bestimmt, für wie viele Tage in der Zukunft der Bedarf hochgerechnet wird.
• Über „Ab Gesamtartikelmenge in Aufträgen" filtern Sie Artikel heraus, die im Referenzzeitraum zu selten verkauft wurden.
• Als vorhandener Bestand lassen sich freigegebene Lieferantenbestellungen, Lieferantenbestände, Mengen auf der Einkaufsliste, eingehende Umlagerungen und Ware im Streckenlager berücksichtigen.
• Optionen wie „Globalen Mindestbestand auffüllen" addieren Sicherheitsbestände auf den errechneten Bedarf.

Diese Aufzählung ist die Antwort auf die Frage, ob JTL schon prognostiziert. Der Bestellvorschlag ist eine parametrierte Rechnung über ein Zeitfenster, keine Schätzung mit Saison, Trend und Unsicherheitsband. Er kennt Ihre Weihnachtsspitze nur, wenn sie zufällig im Referenzzeitraum liegt. Für ein stabiles A-Sortiment reicht das oft vollkommen. Für saisonale oder aktionsgetriebene Artikel reicht es nicht — und genau dort beginnt der Bereich, für den sich ein eigenes Modell lohnt.

Die Brücke dorthin ist praktischer, als viele denken: JTL-Wawi erlaubt im Bestellvorschlag eigene Übersichten über SQL-Befehle. Damit kommen Sie an dieselbe Datenbasis, aus der auch ein Prognosemodell lernt — ohne Exportskripte und ohne Zwischenschicht. In unseren Projekten ist das regelmäßig der erste Schritt: erst eine Auswertung bauen, die die Historie eines Artikels sichtbar macht, und erst danach entscheiden, ob ein Modell überhaupt gebraucht wird. Wie wir solche Datenwege sauber verbinden, beschreibt unsere individuelle Datenintegration.

Wichtig für die Erwartungshaltung: Ein Standard-Lagerverwaltungssystem ist kein Prognosewerkzeug, und das ist kein Mangel. JTL-WMS deckt laut Herstellerdokumentation Wareneingang, Warenausgang, interne Prozesse wie Inventur und Umbuchungen sowie Retouren ab. Es führt Bestände und steuert Abläufe — es sagt nicht voraus, was Sie kaufen sollen. Wann sich der Schritt von der Wawi-Lagerverwaltung zum WMS lohnt, ordnet unser Beitrag JTL-WMS einführen ein; die Beratung dazu finden Sie unter JTL-WMS Warenlager.

5. Belegerkennung im Wareneingang: vom Lieferschein zur Buchung

Die Belegerkennung ist der Anwendungsfall mit der kürzesten Strecke zwischen Aufwand und Nutzen. Ein trainiertes Modell liest Positionen, Mengen und Chargen aus Lieferscheinen unterschiedlichster Layouts und übergibt sie als strukturierte Daten. Damit entfällt das Abtippen im Wareneingang — der Ort, an dem in vielen Lägern täglich stumpfe Zeit verschwindet.

Der übliche Ablauf im JTL-Umfeld erklärt, warum das Zeit spart. JTL-WMS kennt den Wareneingang mit und ohne Lieferantenbestellung. Fehlt der Bezug, spricht die Dokumentation vom freien Wareneingang. Artikel lassen sich dabei sogar direkt während der Erfassung anlegen. Praktisch heißt das: Liegt keine Bestellung vor oder passen die gelieferten Positionen nicht zu ihr, wird jede Zeile von Hand erfasst. Genau dort setzt die Erkennung an.

Der Engpass ist allerdings selten das Lesen des Papiers. Diese Erfahrung lassen Anbieterpräsentationen gern aus. Moderne Erkennung liest Lieferscheine zuverlässig. Die Arbeit steckt in der Zuordnung: Der Lieferant schreibt seine Artikelnummer, Ihr System kennt Ihre. Ist diese Verknüpfung im Lieferantenartikel gepflegt, läuft der Abgleich automatisch durch. Fehlt sie, verschieben Sie die Handarbeit vom Tippen zum Zuordnen — und haben nichts gewonnen.

Deshalb lautet die Reihenfolge: erst Lieferantenartikelnummern der wichtigsten Lieferanten pflegen, dann Erkennung einführen. Beziehen Sie ohnehin regelmäßig große Mengen von einem Lieferanten? Dann prüfen Sie zusätzlich den strukturierten Datenaustausch. Damit kommt gar kein Papier mehr an. Was dahintersteckt und ab wann es sich lohnt, erklärt unser Artikel zur EDI-Schnittstelle. Ergänzend zeigt der Beitrag zu MDE-Geräten im Lager, wie die erfasste Ware danach mobil weiterverarbeitet wird.

6. Tourenplanung und letzte Meile: was davon für Sie gilt

Tourenplanung ist das Paradethema jedes Artikels über KI in der Logistik — und für die meisten mittelständischen Händler das am wenigsten relevante. Der Grund ist einfach: Wer über Paketdienstleister versendet, plant keine Touren. Die Optimierung findet beim Dienstleister statt, nicht bei Ihnen. Relevant wird das Thema erst mit eigenem Fuhrpark oder eigener Auslieferung.

Wenn Sie selbst ausliefern, sollten Sie zusätzlich wissen, dass Tourenplanung fachlich meist gar kein maschinelles Lernen ist. Sie löst ein kombinatorisches Optimierungsproblem: die beste Reihenfolge von Stopps unter Nebenbedingungen wie Zeitfenstern, Ladekapazität und Lenkzeiten. Dafür gibt es seit Jahrzehnten etablierte Verfahren aus dem Operations Research. Sie sind hochwirksam — aber sie lernen nichts, sondern rechnen.

Lernende Verfahren kommen an einer anderen Stelle ins Spiel, nämlich bei den Eingangsgrößen dieser Rechnung. Wie lange dauert eine Entladung bei diesem Kunden wirklich? Wie viel Zeit kostet die Innenstadtstrecke am Freitagnachmittag? Solche Erfahrungswerte lassen sich aus vergangenen Touren schätzen. Eine Planung mit realistischen Zeiten schlägt eine mit Pauschalannahmen deutlich — ganz ohne dass der Optimierer selbst „intelligent" wäre.

Für alle anderen ist die ehrliche Empfehlung, das Thema zu überspringen. Wer keine eigene Flotte hat, gewinnt an der Versandseite mehr durch die passende Dienstleister- und Versandartenwahl als durch Algorithmen. Eine Einordnung dazu gibt unser Versanddienstleister-Vergleich.

Wer dagegen selbst ausliefert, stößt schnell auf zwei harte Randbedingungen. Erstens führt die JTL-Dokumentation kein Tourenplanungs-Modul — das Thema liegt außerhalb der Warenwirtschaft. Zweitens beginnt das Lenkzeitrecht früher als gedacht: § 1 Abs. 1 Nr. 1 Fahrpersonalverordnung greift schon bei Fahrzeugen über 2,8 Tonnen, also mitten in der typischen Sprinter-Flotte. Welche Daten eine Tour braucht und was eine Fahrer-App mit Ablieferbeleg zurückmeldet, behandelt unser Beitrag zur Tourenplanungs-Software für eigene Flotten — dort geht es um die Planung selbst, hier um die Frage, wo KI dabei überhaupt hilft.

7. Retourengründe aus Freitext klassifizieren

In fast jedem Shop liegen Retourengründe zweimal vor: als angeklickte Auswahl aus einer Liste und als freier Kommentar des Kunden. Die Liste ist auswertbar, aber grob. Der Kommentar enthält die eigentliche Information — und wird selten gelesen. Ein Sprachmodell kann diese Freitexte auf eine feste Gründeliste abbilden und macht sie damit zählbar.

Der Nutzen entsteht dabei nicht im Lager, sondern davor. Ein Artikel kommt auffällig oft mit dem Hinweis „fällt kleiner aus als erwartet" zurück. Dann ist das ein Auftrag an die Produktbeschreibung, nicht an die Retourenabteilung. Genau diese Rückkopplung fehlt in den meisten Betrieben, weil niemand hunderte Kommentare von Hand liest.

Technisch ist dieser Fall angenehm: Sie brauchen keine mehrjährige Historie und keine besonders saubere Datenbasis, sondern nur die Freitexte der letzten Monate und eine Gründeliste, die zu Ihrem Sortiment passt. Eine Stichprobe von einigen hundert Retouren reicht, um zu sehen, ob die Klassifizierung trägt. Wichtig bleibt eine Stichprobenkontrolle durch einen Menschen — ein Modell, dem niemand auf die Finger schaut, driftet unbemerkt ab.

Wie Sie die Retourenquote selbst angehen, statt nur ihre Gründe zu zählen, beschreibt unser Ratgeber Retourenmanagement optimieren. Die operative Abwicklung im JTL-Umfeld begleiten wir über JTL Logistik, Lager und Retouren.

8. Anomalien im Bestand erkennen, bevor die Inventur sie zeigt

Bestandsdifferenzen fallen meist spät auf: bei der Inventur, beim Fehlgriff in der Kommissionierung oder wenn ein Kunde storniert, weil nicht lieferbar ist, was das System als vorhanden führt. Ein Anomalie-Modell dreht diese Reihenfolge um. Es lernt das normale Bewegungsmuster jedes Artikels und meldet Abweichungen, während sie entstehen.

Vier Signale sind typisch. Ein Bestand bewegt sich über Wochen nicht, obwohl der Artikel verkauft wird. Abgänge werden zu ungewöhnlichen Uhrzeiten gebucht. Auf demselben Lagerplatz häufen sich Korrekturbuchungen. Oder der Schwund liegt bei einem Artikel deutlich über dem Muster vergleichbarer Artikel. Jedes Signal für sich ist harmlos. Das Muster ist es nicht.

Der Reiz dieses Anwendungsfalls liegt darin, dass er ohne Fremddaten auskommt. Die Bewegungsdaten liegen ohnehin in Ihrem System. Ein Modell, das nur Ihr eigenes Normalverhalten kennt, braucht keinen Branchenvergleich. Der Aufwand steckt im Umgang mit den Meldungen: Zu viele Fehlalarme, und niemand schaut mehr hin. Deshalb beginnt man eng — mit wenigen, hoch bewerteten Signalen — und weitet erst aus, wenn die Meldungen ernst genommen werden.

Als Ergänzung, nicht als Ersatz, bleibt die laufende Zählung im Betrieb: Wie Sie die Bestandsgenauigkeit ohne Stichtagsstillstand hochhalten, zeigt unser Beitrag zur permanenten Inventur.

9. Was JTL selbst an KI anbietet — Stand August 2026

Für Betriebe im JTL-Umfeld gibt es eine Entwicklung, die in Fachartikeln zu KI in der Logistik bisher nicht auftaucht: JTL bringt einen eigenen KI-Agenten. Er heißt Juno und unterstützt laut Herstellerseite „ab Oktober". Der erste Baustein zielt genau auf das Thema dieses Beitrags — Bestände und Nachbestellung.

JTL beschreibt den Einstieg wörtlich so: „Den Anfang macht Proactive Inventory Management: die automatische Prüfung deiner Bestände mit passenden Nachbestellvorschlägen, verfügbar in einer offenen Beta." Zwei weitere Bausteine folgen laut Hersteller „im vierten Quartal 2026 in einer geschlossenen Beta": Business Intelligence und Customer Service. Zur Steuerung hält JTL fest: „Juno handelt erst nach deiner Freigabe, die Kontrolle bleibt immer bei dir."

Angekündigt sind außerdem drei weitere Funktionen. Ein KI-gestütztes BI-Dashboard soll Empfehlungen für Abverkauf, Rabatte und Nachbestellungen direkt im System ausführen. Ein Dynamic Pricing beobachtet Wettbewerbspreise und zieht innerhalb einer festgelegten Marge nach. Und ein Agent beantwortet wiederkehrende Serviceanfragen mit Daten aus dem System.

Drei Dinge sind bei dieser Ankündigung nüchtern einzuordnen. Erstens ist der Funktionsumfang zum Stand August 2026 in Beta — offen beim Bestandsthema, geschlossen bei BI und Service. Beta heißt: erprobbar, aber nicht planbar. Zweitens nennt JTL kein Verfahren. Ob hinter den Nachbestellvorschlägen ein gelerntes Modell oder eine erweiterte Regel steckt, ist öffentlich nicht dokumentiert — wir behaupten es deshalb in keine Richtung. Drittens ändert der Agent nichts an den Voraussetzungen aus Abschnitt 3: Auch ein Hersteller-Agent rechnet auf Ihren Daten. Sind Aktionen nicht markiert und Ausverkäufe nicht gekennzeichnet, wird sein Vorschlag denselben Verzerrungen folgen.

Die praktische Empfehlung lautet deshalb: die offene Beta an einer überschaubaren Warengruppe ansehen, die Vorschläge gegen die eigene Einkaufsentscheidung halten und die Freigabepflicht auf keinen Fall abschalten. Wer parallel die Datenhausaufgaben macht, hat den Nutzen unabhängig davon, wie sich das Produkt entwickelt. Bei der Einordnung in Ihre Systemlandschaft helfen wir über die JTL-Wawi-Beratung.

10. Standard-Funktion oder eigenes Modell? Die ehrliche Abwägung

Irgendwann steht die Entscheidung an: Reicht der bestehende Bestellvorschlag mit besseren Einstellungen, oder braucht es ein eigenständiges Prognosemodell? Die Antwort hängt weniger an der Unternehmensgröße als an der Struktur des Sortiments. Diese Gegenüberstellung hilft bei der Einordnung.

Das spricht dafür, bei den Bordmitteln zu bleiben:

• Sofort verfügbar, im Lizenzumfang enthalten und ohne Datenprojekt nutzbar.
• Nachvollziehbar: Jede Entscheidung lässt sich auf eine Einstellung zurückführen, die Sie selbst gesetzt haben.
• Stabil im Betrieb — es gibt kein Modell, das nachtrainiert werden muss oder still veraltet.
• Kein zusätzlicher Datenschutz- und Dokumentationsaufwand für ein eigenes Modell.

Das sind die Grenzen, an die Sie dabei stoßen:

• Kennt keine Saison, keinen Trend und keinen Wochentag — außer, sie liegen zufällig im Referenzzeitraum.
• Reagiert erst, wenn eine Schwelle unterschritten ist, statt vorher zu warnen.
• Liefert eine Zahl ohne Unsicherheitsband: Sie erfahren nicht, wie sicher der Wert ist.
• Skaliert schlecht über tausende Artikel, weil jede Ausnahme von Hand parametriert werden will.

Als Faustregel aus unseren Projekten: Wenn Ihre Einkäuferin den Systemvorschlag routinemäßig überschreibt, weil sie Saison, Aktionen oder Lieferzeiten besser im Kopf hat als das System, lohnt sich der Blick auf ein Modell. Wenn sie ihn übernimmt, lohnt es sich nicht — dann investieren Sie besser in Stammdaten und Lagerplatzstruktur. Der Vorschlag, den ein Mensch ohnehin korrigiert, ist der beste Indikator dafür, dass die Regel an ihre Grenze gekommen ist.

Ein zweiter Indikator ist die Artikelzahl. Regeln lassen sich für fünfzig A-Artikel von Hand pflegen, für fünftausend nicht. Sobald Sie Ausnahmen nur noch pauschal setzen, weil die Einzelpflege nicht mehr zu leisten ist, arbeitet die Regel nicht mehr für Sie. Den strategischen Rahmen dafür, welche Prozesse Sie überhaupt zuerst mit KI erschließen, spannt unser Leitfaden KI im Unternehmen einsetzen.

11. In 6 Schritten zum ersten belastbaren KI-Fall im Lager

Der Einstieg gelingt am besten klein, messbar und mit einem Vergleichsmaßstab, den Sie schon haben. So gehen wir in Projekten vor:

Auffällig an dieser Reihenfolge ist, dass in den ersten drei Schritten kein Modell vorkommt. Das ist Absicht. In der Praxis entscheidet sich vor der Modellwahl, ob ein Projekt trägt: an einem klar benannten Engpass, an der Datenlage und an einem Vergleichsmaßstab. Wer diese drei Schritte überspringt, kauft Software und diskutiert später über Ergebnisse, die niemand einordnen kann.

12. Fazit: kleiner Maßstab, klare Reihenfolge

KI in der Logistik ist für den Mittelstand kein Technologiesprung, sondern eine Frage der Reihenfolge. Die Felder mit echtem Hebel sind unspektakulär: Nachfrage schätzen, Papier lesen, Freitext sortieren, Abweichungen melden. Wer diese vier ernst nimmt und die Erzählung von autonomen Fahrzeugen den Konzernen überlässt, kommt mit überschaubarem Aufwand weiter als mit dem größten Werkzeug.

Der entscheidende Satz dieses Beitrags steht in Abschnitt 2: Prüfen Sie bei jedem Angebot, ob das System aus Ihren Daten lernt oder eine Regel ausführt. Beides ist legitim, beides hilft — aber nur eines kostet Sie ein Datenprojekt. Und die Wahrheit über Ihre Lagerplätze, Ihre Artikelnummern und Ihre Absatzhistorie kommt bei jedem KI-Vorhaben ans Licht, spätestens in Woche zwei.

Sie möchten Lager, Wareneingang und Beschaffung als Ganzes anschauen? Dafür ist unsere Digitalisierung für Logistik und Großhandel der passende Rahmen. Wir gehen die Strecke von der Anlieferung bis zum Versand ab und benennen, welche Schritte eine Regel löst und welche ein Modell brauchen. Für die übergreifende Frage, wo KI im Unternehmen zuerst ansetzt, gibt es die KI-Strategieberatung. Für die technische Umsetzung wiederkehrender Abläufe die KI-Prozessautomatisierung.

13. Häufige Fragen zu KI in der Logistik

Was bringt KI in der Logistik einem mittelständischen Unternehmen?

Realistisch sind vier Felder: eine Bedarfsprognose aus der eigenen Absatzhistorie, die Belegerkennung im Wareneingang, die Klassifizierung von Retourengründen aus Freitext und die Anomalie-Erkennung im Bestandsverlauf. Autonome Fahrzeuge und Roboterlager, die in Fachartikeln dominieren, sind für ein einzelnes Lager praktisch bedeutungslos.

Ist die Wegeoptimierung in einem Lagerverwaltungssystem künstliche Intelligenz?

Nein. Sie sortiert die Positionen einer Pickliste nach der Struktur, die Sie den Lagerplätzen selbst gegeben haben. JTL beschreibt dazu etwa, dass Plätze, die sich nur in der Ebene unterscheiden, bei der Suche des optimalen Weges gleichbehandelt werden. Das ist eine feste Regel, kein gelerntes Modell.

Welche Daten braucht eine KI-Bedarfsprognose?

Mindestens zwei bis drei volle Jahre Absatzhistorie je Artikel, mit dem Verkaufsdatum statt dem Buchungsdatum, mit gekennzeichneten Aktionen und Rabatten, mit markierten Ausverkaufstagen und mit verknüpften Nachfolgeartikeln. Fehlt diese Aufbereitung, lernt das Modell Ihre Lieferengpässe statt Ihrer Nachfrage.

Kann JTL-WMS Bedarfe prognostizieren?

Ein Standard-Lagerverwaltungssystem ist kein Prognosewerkzeug. JTL-WMS steuert Wareneingang, Kommissionierung, Versand, Inventur und Retouren. Die Bedarfsrechnung sitzt in JTL-Wawi im Bestellvorschlag und arbeitet mit einem eingestellten Referenzzeitraum, Mindestbeständen und Zulaufmengen. Ein Modell mit Saison und Trend ist das nicht.

Was ist der Unterschied zwischen einem Bestellvorschlag und einer echten Prognose?

Der Bestellvorschlag rechnet den Verbrauch eines eingestellten Referenzzeitraums auf einen Planungshorizont hoch und addiert Mindestbestände. Eine Prognose schätzt dagegen die künftige Nachfrage aus Saison, Trend, Wochentagen und Aktionen. Der Vorschlag ist eine Rechnung, die Prognose eine Schätzung mit Unsicherheitsband.

Lohnt sich Belegerkennung im Wareneingang?

Meist ja, aber der Engpass ist selten das Lesen des Papiers. Moderne Erkennung liest Lieferscheine zuverlässig. Aufwand entsteht bei der Zuordnung: Lieferantenartikelnummern müssen auf Ihre Artikelnummern zeigen. Ist diese Zuordnung gepflegt, spart die Erkennung echte Zeit. Fehlt sie, verschieben Sie die Handarbeit nur.

Bietet JTL selbst KI-Funktionen an?

JTL kündigt den KI-Agenten Juno an, der laut Herstellerseite ab Oktober unterstützt. Den Anfang macht das Proactive Inventory Management mit automatischer Bestandsprüfung und Nachbestellvorschlägen in offener Beta; Business Intelligence und Kundenservice folgen im vierten Quartal 2026 in geschlossener Beta (Stand: August 2026).

14. Quellen & Herstellerangaben

Die Zahlen und Herstellerangaben in diesem Beitrag stützen sich auf folgende Quellen, alle am 31. August 2026 geprüft. Stand aller Produktangaben: August 2026 — Beta-Funktionen und Termine können sich ändern. Externe Quellen öffnen in einem neuen Tab.

• Statistisches Bundesamt — Unternehmen mit Nutzung von Technologien der künstlichen Intelligenz — Berichtsjahr 2025, Stand 24. November 2025: Nutzungsquoten nach Beschäftigtengrößenklassen und Anteile der einzelnen Technologiearten (amtliche Statistik).
• JTL-Guide — Detailbeschreibung: Bestellvorschläge — Referenzzeitraum, Feld „Berechnen für (Anzahl Tage)", berücksichtigte Zulaufarten, Mindestbestandsoptionen und eigene Übersichten per SQL (Herstellerdokumentation).
• JTL-Guide — Lageroptionen: Lagerlayout — Rolle der Lagerplatzstruktur bei der Wegeoptimierung und der Suche des optimalen Weges (Herstellerdokumentation).
• JTL-Guide — Wareneingang in JTL-WMS — Wareneingang mit und ohne Lieferantenbestellung, freier Wareneingang, Artikelanlage während der Erfassung (Herstellerdokumentation).
• JTL-Guide — Warenausgang in JTL-WMS — verfügbare Warenausgangsprozesse und Funktionsumfang des Lagerverwaltungssystems (Herstellerdokumentation).
• JTL-Software — KI-Portfolio und KI-Agent Juno — Verfügbarkeit ab Oktober, Proactive Inventory Management in offener Beta, BI und Customer Service im vierten Quartal 2026 in geschlossener Beta, Freigabepflicht (Herstellerangabe).
• Fraunhofer-Institut für Materialfluss und Logistik — KI in der Logistik — Einordnung der Leistungsfähigkeit von KI-Systemen in logistischen Prozessen sowie gesunkene Einstiegshürden (Forschungseinrichtung).