Ein Artikel liegt laut ERP ausreichend auf Lager, am Kommissionierplatz fehlt er trotzdem. Oder ein Lieferant kündigt eine Verschiebung an, während der Meldebestand noch grünes Licht zeigt. Genau in diesen Situationen kann es sinnvoll sein, KI für Lagerdisposition nutzen zu wollen. Nicht als Ersatz für erfahrene Disponenten, sondern als zusätzliche Entscheidungsgrundlage, die Muster erkennt, Bedarfe präziser bewertet und Risiken früh sichtbar macht.

Für Lager- und Supply-Chain-Verantwortliche zählt dabei nicht das Etikett „KI“. Entscheidend ist, ob die Disposition verlässlicher wird: weniger Fehlteile, weniger Expressbeschaffung, weniger Kapitalbindung und eine Lieferfähigkeit, die auch bei schwankender Nachfrage Bestand hat. Das gelingt nur, wenn Daten, Prozesse und Systemintegration zusammenpassen.

Was KI in der Lagerdisposition tatsächlich leistet

Klassische Dispositionsverfahren arbeiten meist mit festen Mindest- und Meldebeständen, Durchschnittsverbräuchen sowie definierten Wiederbeschaffungszeiten. Das ist nachvollziehbar und in stabilen Sortimenten häufig ausreichend. Problematisch wird es bei saisonalen Artikeln, wechselnden Kundenabrufen, Aktionsgeschäft, langen oder unsicheren Lieferzeiten und komplexen Stücklisten.

KI-gestützte Verfahren können deutlich mehr Einflussgrößen gleichzeitig auswerten. Dazu gehören historische Entnahmen, offene Aufträge, Lieferpläne, Retouren, Produktionsprogramme, saisonale Effekte, Lieferantenabweichungen und gegebenenfalls externe Signale. Das System errechnet daraus keine magische Wahrheit, sondern Wahrscheinlichkeiten: Wie hoch ist der erwartete Bedarf? Mit welcher Schwankung ist zu rechnen? Wann droht ein Fehlbestand? Welcher Bestand ist für die gewünschte Lieferbereitschaft angemessen?

Der operative Nutzen liegt in besseren Prioritäten. Statt dass Disponenten lange Listen mit Bestellvorschlägen manuell prüfen, können sie sich auf Abweichungen konzentrieren: kritische Fehlteilrisiken, ungewöhnliche Verbrauchssprünge, verspätete Zuläufe oder Bestände, die sich zum Überbestand entwickeln. Gerade bei vielen Artikeln und begrenzten personellen Ressourcen schafft das Zeit für die Fälle, in denen Erfahrung wirklich gefragt ist.

KI für Lagerdisposition nutzen: Die Datenbasis entscheidet

Eine KI kann nur mit dem arbeiten, was ihr aus ERP, WMS und angrenzenden Systemen bereitgestellt wird. Wenn Bestände ungenau sind, Bewegungen verspätet gebucht werden oder Artikelstammdaten keine brauchbaren Dispositionsparameter enthalten, werden auch anspruchsvolle Prognosemodelle keine belastbaren Empfehlungen liefern.

Im Lager beginnt die Datenqualität bei konsequent gebuchten Prozessen. Wareneingang, Einlagerung, Umlagerung, Kommissionierung, Produktionsversorgung und Inventur müssen den physischen Materialfluss korrekt abbilden. Mobile Datenerfassung und geführte Buchungen reduzieren dabei Medienbrüche und verhindern, dass das System einen Bestand ausweist, der am tatsächlichen Lagerplatz nicht mehr vorhanden ist.

Auch die Stammdaten verdienen eine kritische Prüfung. Einheitliche Artikelnummern, Verpackungseinheiten, Mindestbestellmengen, Losgrößen, Sicherheitsbestände, Lieferzeiten und Lieferantenbeziehungen sind keine Verwaltungsdetails. Sie beeinflussen unmittelbar, ob aus einer Bedarfserkennung eine umsetzbare Bestellempfehlung wird. Bei Gefahrstoffen, Chargenartikeln, Mindesthaltbarkeitsdaten oder seriennummerngeführten Beständen kommen zusätzliche Restriktionen hinzu.

Wichtig ist zudem die zeitliche Qualität der Daten. Ein Bestand, der erst am Folgetag verfügbar ist, hilft der Disposition bei kurzfristigen Entscheidungen kaum weiter. Ein Warehouse-Management-System mit Echtzeitbuchungen schafft hier die notwendige Grundlage. Es verbindet den Lagerstatus mit dem ERP und stellt sicher, dass Dispositionsentscheidungen auf verfügbaren, reservierten, gesperrten und erwarteten Mengen beruhen – nicht auf unvollständigen Momentaufnahmen.

Von der Prognose zur umsetzbaren Entscheidung

Eine gute Bedarfsprognose allein bestellt noch keinen Artikel. In der Praxis muss die Disposition mehrere Zielkonflikte auflösen. Hohe Sicherheitsbestände verbessern zwar die Verfügbarkeit, binden aber Kapital und Lagerfläche. Kleine Bestellmengen senken das Risiko veralteter Ware, können jedoch Beschaffungs- und Transportkosten erhöhen. Bei kritischen Komponenten kann eine konservative Bevorratung sinnvoll sein, bei schnell alternden oder stark preissensiblen Artikeln nicht.

Deshalb sollte KI nicht nur Absatz- oder Verbrauchsmengen schätzen. Sie muss die betriebliche Logik berücksichtigen: Lieferzeiten und deren Streuung, Bestellrhythmen, Mindestmengen, Lieferantenperformance, Kapazitätsgrenzen, Reichweiten sowie Servicelevel je Artikelgruppe. Für einen A-Artikel mit Produktionsrelevanz gelten andere Regeln als für einen C-Artikel, der jederzeit beschafft werden kann.

Besonders wertvoll sind priorisierte Handlungsempfehlungen. Ein Disponent braucht keine weitere Datenansicht, sondern Antworten auf konkrete Fragen: Welche Artikel sind innerhalb der nächsten zehn Tage kritisch? Welche Bestellung sollte vorgezogen werden? Wo steigt die Reichweite über das sinnvolle Maß? Welche Parameter passen nicht mehr zum tatsächlichen Verbrauch? Die Entscheidung bleibt beim verantwortlichen Mitarbeiter, aber sie wird schneller und nachvollziehbarer vorbereitet.

Die Integration von ERP und WMS ist kein Nebenthema

Viele KI-Projekte scheitern nicht am Modell, sondern an der Prozesskette. Wenn das ERP Bestellungen und Bedarfe führt, das WMS aber die realen Bestände, Reservierungen und Lagerbewegungen abbildet, müssen beide Systeme sauber zusammenspielen. Unklare Datenführerschaft führt sonst zu Doppelarbeit, widersprüchlichen Mengen und fehlendem Vertrauen in die Vorschläge.

Die Schnittstelle muss daher klar definieren, welche Daten in welcher Frequenz ausgetauscht werden. Typische Informationen sind Artikelstammdaten, Lieferanten- und Bestelldaten, Kundenaufträge, Produktionsbedarfe, Bestände, Reservierungen, Wareneingänge und Statusänderungen. Ebenso wichtig sind Rückmeldungen aus dem Lager: Fehlmengen, gesperrte Chargen, Qualitätsprüfungen oder Abweichungen bei der Vereinnahmung verändern die verfügbare Menge sofort.

Für gewachsene Lagerstrukturen bedeutet das nicht automatisch einen vollständigen Systemwechsel. Häufig ist ein Retrofit-Ansatz sinnvoller: Bestehende Prozesse werden zunächst transparent gemacht, mobile Erfassung und WMS-Funktionen dort ergänzt, wo Buchungslücken oder manuelle Listen entstehen. Erst auf dieser stabilen Grundlage lohnt es sich, Dispositionslogik schrittweise um KI-gestützte Prognosen und Priorisierungen zu erweitern.

Geeignete Anwendungsfälle im Lageralltag

Der größte Effekt entsteht selten durch ein einziges Modell für das gesamte Sortiment. Sinnvoller ist es, mit einem abgegrenzten Anwendungsfall zu beginnen. In Handelslagern kann das die Prognose für Artikel mit unregelmäßiger Nachfrage sein. In der Produktion stehen oft kritische Kaufteile, Ersatzteile oder Komponenten mit langen Beschaffungszeiten im Fokus. Bei Logistikdienstleistern kann die Auswertung von Kundenaufträgen und saisonalen Abrufen helfen, Flächen und Personal frühzeitiger zu planen.

Auch Langsamdreher sind ein relevantes Feld. KI kann erkennen, ob ein geringer Verbrauch einem normalen Zyklus entspricht oder ob sich Bestände dauerhaft vom Bedarf entkoppeln. Daraus ergeben sich Maßnahmen wie die Anpassung von Beschaffungsparametern, die gezielte Umlagerung oder eine wirtschaftlich begründete Bestandsbereinigung.

Bei Chargen- und Mindesthaltbarkeitsführung muss die Disposition zusätzlich die tatsächliche Verwendbarkeit berücksichtigen. Ein hoher Gesamtbestand ist kein Vorteil, wenn ein großer Teil der Ware zeitnah abläuft oder für bestimmte Aufträge gesperrt ist. Hier braucht es eine Verknüpfung von Bedarfsprognose, Bestandsstatus und lagerseitiger FEFO-Strategie.

So gelingt der Einstieg ohne Blindflug

Der Einstieg sollte messbar bleiben. Definieren Sie zunächst eine relevante Kennzahl, etwa Fehlteilquote, Lieferbereitschaft, Bestandsreichweite, Eilbestellungen oder Abschreibungen. Prüfen Sie anschließend, welche Artikelgruppen, Lagerorte und Prozesse diese Kennzahl besonders beeinflussen. Ein sauber abgegrenzter Pilot liefert schneller belastbare Erkenntnisse als ein groß angelegtes Vorhaben mit unklarer Zielsetzung.

Vor dem Start sollten Fachbereich, Disposition, Lager und IT gemeinsam festlegen, welche Entscheidungen das System vorbereiten darf und welche Freigaben notwendig bleiben. Gerade bei strategisch wichtigen Lieferanten oder Artikeln mit hoher Kapitalbindung ist eine automatische Bestellung nicht immer der richtige erste Schritt. Empfehlenswert sind zunächst Vorschläge mit Begründung, Prognosewert, Risiko und erwarteter Auswirkung auf die Reichweite.

Danach folgt die kontinuierliche Kontrolle. Prognosequalität verändert sich mit Sortiment, Kundenstruktur und Marktbedingungen. Parameter müssen nachjustiert, Ausnahmen analysiert und Prozesse bei Bedarf angepasst werden. Ein Modell, das nicht überwacht wird, verliert im laufenden Betrieb an Wert – unabhängig davon, wie überzeugend es im Pilotprojekt war.

B&M DATAKEY unterstützt Unternehmen dabei, die Voraussetzung vor der KI-Frage richtig zu setzen: transparente Lagerprozesse, verlässliche Echtzeitdaten und eine Integration, die ERP und operative Lagerrealität zusammenführt. Denn nur wenn der digitale Bestand den tatsächlichen Materialfluss abbildet, werden aus Analysen belastbare Dispositionsentscheidungen.

Der sinnvollste nächste Schritt ist daher kein möglichst großes KI-Projekt. Er besteht darin, einen konkreten Engpass zu wählen, die Datenlage ehrlich zu bewerten und eine Lösung so aufzubauen, dass sie den Disponenten im Tagesgeschäft spürbar entlastet.