KI im WMS: Business Case oder Buzzword?

"KI" steht heute auf fast jedem Produktlabel, auch im Lager. Wie viel davon ist echte, arbeitende Intelligenz und wie viel nur ein neuer Name für alte Features? Genau das klärt die neue Folge des LogTech Podcasts: KI im WMS: Business Case oder Buzzword? Mit Sebastian Kirbus von Manhattan Associates.

Sebastian Kirbus arbeitet seit über vier Jahren bei Manhattan Associates an der Schnittstelle zwischen Projektteams und Vertrieb. Im Gespräch übersetzt er den KI-Hype in die Realität des Tagesgeschäfts.

Nicht jede KI ist gleich

Maschinelles Lernen läuft in Lagerverwaltungssystemen längst im Hintergrund, etwa zur Vorhersage von Aufgabendauern. GenAI ist rein reaktiv, man muss erst fragen. Der eigentliche Sprung sind KI-Agenten, die autonom handeln. Manhattan hat seine ersten Agenten seit Anfang des Jahres bei Kunden im Einsatz, mit belastbarem Mehrwert.

Drei Praxisbeispiele aus dem Lager

• Lieferschein-Erfassung ohne manuellen Aufwand: Ein Agent liest gescannte oder gemailte Lieferscheine per OCR aus und erstellt daraus automatisch den Wareneingang, vergleichbar mit dem öffentlich benannten Create ASN from Pack Slip Agent.

• Personalsteuerung in Echtzeit: Der Labor Agent verschiebt Mitarbeitende proaktiv zwischen Abteilungen, etwa von Wareneingang in die Packerei, wenn dort Rückstand entsteht.

• Wellenanalyse bei Reservierungsproblemen: Ähnlich dem öffentlich beschriebenen Wave Coordinator Agent findet der Agent automatisch die Ursache nicht reservierter Aufträge und schlägt die Lösung vor, ein Wissen, das früher nur erfahrene Mitarbeitende hatten.

Architektur entscheidet

KI-Agenten sind nur so gut wie das System, in dem sie leben. Auf einem monolithischen System müssen Daten erst in einen Data Lake repliziert werden, was Echtzeitfähigkeit kostet. Auf einer Microservices-Architektur ist jeder Agent ein eigener, unabhängig skalierbarer Service, der auf bereits vorhandene Fähigkeiten zugreift, statt sie neu zu bauen.

Die größten Stolpersteine

Halluzination ist bei deterministisch designten Agenten in einem logischen Feld wie der Logistik kein echtes Risiko. Die größere Hürde ist Change Management: Mitarbeitende müssen früh eingebunden werden, und wenn ein Agent nicht überzeugt, folgt eine Erweiterung der Fähigkeiten statt der Vorwurf falscher Bedienung. Neue Agenten laufen deshalb zunächst drei Monate in einer gemeinsamen Erprobungsphase.

Kunden bauen selbst mit

Über Agent Foundry™ können Kunden eigene Agenten per Vibecoding oder Vorlagen gestalten. Das erklärt auch, warum die oft zitierte Zahl, dass 90 Prozent aller KI-Einführungen scheitern, für Kirbus vor allem ein Use-Case-Problem ist.

Ausblick

In fünf bis zehn Jahren sollen Agenten über Protokolle wie A2A und MCP systemübergreifend kommunizieren, etwa zwischen WMS und ERP. Bis dahin gilt: Agenten dort leben lassen, wo die Daten in Echtzeit vorliegen.

Jetzt anhören: KI im WMS: Business Case oder Buzzword? Mit Sebastian Kirbus von Manhattan Associates auf dem LogTech Podcast.

Mehr zu nativen, in ActiveWarehouse eingebetteten Agenten: ActiveWarehouse von Manhattan Associates.