KI in der Lagerverwaltung: Bestand, Prognose und Inventur automatisieren

Dein Lager ist gleichzeitig die teuerste und am schlechtesten gesteuerte Ressource im Unternehmen. Zu viel Bestand bindet Kapital. Zu wenig Bestand bedeutet Produktionsstillstand oder verlorene Kundenaufträge. Und die Inventur am Jahresende offenbart regelmäßig Differenzen, die niemand erklären kann.

Laut einer Studie des Fraunhofer IML liegen die durchschnittlichen Lagerhaltungskosten bei 15 bis 25 % des Bestandswerts pro Jahr. Bei einem Lagerbestand von 2 Millionen Euro sind das 300.000 bis 500.000 Euro jährlich. Trotzdem planen die meisten Unternehmen ihren Bestand mit Excel-Tabellen, statischen Sicherheitsbeständen und dem Bauchgefühl des Disponenten.

KI verändert die Lagerverwaltung grundlegend. Nicht als Zukunftsversprechen, sondern als Technologie, die heute Nachfrage prognostiziert, Bestellungen automatisch auslöst, Inventuren durch Bilderkennung beschleunigt und Lagerlayouts optimiert. Dieser Artikel zeigt dir als Lagerleiter, Logistikverantwortlicher oder Geschäftsführer, was davon heute funktioniert, welche Tools es gibt und was es kostet.

Das Wichtigste in Kürze

• Bestandsoptimierung mit KI senkt den durchschnittlichen Lagerbestand um 15 bis 30 %, ohne die Lieferfähigkeit zu gefährden. Die KI berechnet dynamische Sicherheitsbestände statt statischer Mindestmengen.
• Nachfrageprognosen auf Basis von Verkaufsdaten, Saisonmustern, Wetterdaten und Markttrends erreichen eine Prognosegenauigkeit von 85 bis 95 %. Klassische Methoden (gleitende Durchschnitte) liegen bei 60 bis 75 %.
• Automatische Nachbestellung reduziert den manuellen Dispositionsaufwand um 70 bis 90 %. Die KI bestellt zum optimalen Zeitpunkt in der optimalen Menge und berücksichtigt Lieferantenvorlaufzeiten, Staffelpreise und Lagerkapazitäten.
• Inventur mit Bilderkennung (Computer Vision + Drohnen oder Kameras) verkürzt die Bestandsaufnahme von Tagen auf Stunden. In Hochregallagern ersetzt eine Drohne mit Kamera das manuelle Zählen komplett.
• Lagerlayout-Optimierung platziert Schnelldreher näher an den Kommissionierplätzen, reduziert Laufwege um 20 bis 35 % und erhöht den Durchsatz pro Mitarbeiter.
• Die Weiterbildung zum Digitalisierungsmanager bei SkillSprinters vermittelt KI-Automatisierung in der Praxis, inklusive Prozessoptimierung und Datenanalyse. 4 Monate online, DEKRA-zertifiziert, mit Bildungsgutschein 100 % förderbar.

Bestandsoptimierung mit KI: Dynamische Sicherheitsbestände statt Excel-Formel

Die klassische Bestandsplanung funktioniert so: Der Disponent legt einen Sicherheitsbestand fest (z. B. 2 Wochen Verbrauch), dazu einen Meldebestand, und wenn der unterschritten wird, bestellt er nach. Das Problem: Der Sicherheitsbestand ist statisch. Er unterscheidet nicht zwischen einem Artikel mit stabiler Nachfrage und einem Artikel mit starken saisonalen Schwankungen. Er berücksichtigt weder Lieferverzögerungen noch geplante Aktionen des Vertriebs.

KI-gestützte Bestandsoptimierung berechnet den Sicherheitsbestand dynamisch. Für jeden Artikel, jeden Tag. Die Faktoren:

• Nachfragevariabilität: Wie stark schwankt der Absatz? Artikel mit hoher Varianz brauchen höhere Puffer als stabile Renner.
• Lieferantenzuverlässigkeit: Wie pünktlich liefert der Lieferant tatsächlich? Nicht laut Vertrag, sondern laut historischer Performance der letzten 6 Monate.
• Wiederbeschaffungszeit: Dynamisch berechnet, nicht als statischer Planwert hinterlegt. Wenn sich die Lieferzeit eines Lieferanten von 10 auf 14 Tage verschlechtert, passt die KI den Meldebestand automatisch an.
• Service-Level-Ziel: Die KI balanciert zwischen Lagerkosten und Lieferfähigkeit. Für A-Artikel (95 % Service Level) wird anders gerechnet als für C-Artikel (80 % Service Level).
• Geplante Ereignisse: Vertriebsaktionen, Saisonstart, Messen, angekündigte Preiserhöhungen beim Lieferanten.

Statische vs. KI-gestützte Bestandsplanung

Praxisbeispiel: Ein mittelständischer Großhändler mit 8.000 Artikeln hat seinen durchschnittlichen Lagerbestand innerhalb von 6 Monaten um 22 % gesenkt (von 3,4 auf 2,65 Millionen Euro), nachdem er statische Meldebestände durch KI-berechnete dynamische Bestände ersetzt hat. Die Lieferfähigkeit blieb bei 96 %. Das freigesetzte Kapital: 750.000 Euro.

Nachfrageprognose: Warum Excel nicht reicht

Die meisten Unternehmen prognostizieren ihren Bedarf mit gleitenden Durchschnitten oder einfacher Trendfortschreibung. Das funktioniert bei Artikeln mit stabiler, linearer Nachfrage. Aber wie viele deiner Artikel haben eine stabile, lineare Nachfrage? Vermutlich weniger als 30 %.

KI-basierte Nachfrageprognosen nutzen Machine-Learning-Modelle (Random Forest, Gradient Boosting, LSTM), die hunderte von Einflussfaktoren gleichzeitig verarbeiten:

• Verkaufshistorie: Nicht nur der Durchschnitt, sondern Muster auf Wochen-, Monats- und Jahresebene.
• Saisonalität: Automatisch erkannt, nicht manuell hinterlegt. Die KI erkennt auch Muster, die du nicht erwartest (z. B. erhöhte Nachfrage nach Befestigungsmaterial vor Feiertagen, weil Heimwerker aktiv werden).
• Externe Signale: Wetterdaten (Baumärkte, Getränke, Landwirtschaft), Rohstoffpreise (Metall, Holz, Kunststoff), Konjunkturindikatoren (ifo-Index, Einkaufsmanagerindex).
• Vertriebsdaten: Wenn dein Vertrieb gerade eine Großbestellung verhandelt, fließt das in die Prognose ein, bevor die Bestellung im System ist.
• Substitutionseffekte: Wenn Artikel A ausverkauft ist, steigt die Nachfrage nach Artikel B. Die KI erkennt solche Korrelationen und berücksichtigt sie.

Prognosegenauigkeit im Vergleich

Der Unterschied zwischen 30 % und 10 % Prognosefehler klingt abstrakt. Übersetzt heißt das: Bei 30 % Fehler brauchst du 30 % mehr Sicherheitsbestand, um die gleiche Lieferfähigkeit zu halten. Das ist bares Geld, das im Regal steht.

Automatische Nachbestellung: Vom Meldebestand zur KI-Disposition

Die klassische Nachbestellung läuft über den Meldebestand. Unterschreitet der Bestand einen definierten Wert, erscheint eine Bestellanforderung (BANF) im ERP. Der Disponent prüft, passt die Menge an und löst die Bestellung aus. Das Problem: Bei 5.000 Artikeln mit täglichen Bestandsbewegungen entstehen hunderte BANFs pro Woche. Der Disponent klickt sich durch Listen, statt nachzudenken.

KI-gestützte Disposition geht drei Schritte weiter:

1. Optimale Bestellmenge. Nicht die klassische Andler-Formel (wirtschaftliche Losgröße), sondern eine Berechnung, die Staffelpreise, Mindestbestellmengen, Transportkostensprünge (volle Palette vs. halbe Palette) und prognostizierten Verbrauch gleichzeitig optimiert.

2. Optimaler Bestellzeitpunkt. Die KI bestellt nicht beim Erreichen des Meldebestands, sondern dann, wenn der prognostizierte Verbrauch plus die aktuelle Lieferzeit minus der aktuelle Bestand eine Unterschreitung des Sicherheitsbestands ergeben würde. Das klingt selbstverständlich, ist aber genau die Berechnung, die Excel-basierte Meldebestände nicht leisten.

3. Bestellbündelung. Mehrere Artikel beim gleichen Lieferanten werden so gebündelt, dass Mindestbestellwerte oder Frei-Haus-Grenzen erreicht werden. Die KI zieht eine Bestellung vor, wenn dadurch 200 Euro Frachtkosten gespart werden und der Artikel ohnehin in 5 Tagen nachbestellt worden wäre.

Ergebnis in der Praxis: Der Disponent bekommt statt 200 BANFs pro Woche eine priorisierte Liste mit 30 bis 40 optimierten Bestellvorschlägen. Die Routine-Artikel (B- und C-Teile) werden vollautomatisch bestellt. Der Disponent konzentriert sich auf A-Artikel, Engpass-Situationen und Lieferantengespräche.

Inventur mit Bilderkennung: Vom Klemmbrett zur Drohne

Die Stichtagsinventur am Jahresende ist für die meisten Unternehmen ein organisatorischer Kraftakt. Lager wird gesperrt, Mitarbeiter zählen, Differenzen werden gebucht, niemand versteht warum 47 Einheiten eines C-Artikels fehlen. In einem Lager mit 10.000 Stellplätzen dauert die manuelle Zählung 2 bis 5 Tage mit 10 bis 20 Mitarbeitern.

KI-gestützte Inventur mit Computer Vision funktioniert anders:

• Drohneninventur im Hochregallager: Eine Drohne fliegt die Regalreihen ab, fotografiert jeden Stellplatz und erkennt per Bilderkennung Artikelnummern (Barcodes, QR-Codes, OCR auf Etiketten), Füllstände und leere Plätze. Ein Hochregallager mit 5.000 Stellplätzen ist in 4 bis 6 Stunden erfasst statt in 3 Tagen.
• Kamerabasierte Dauerinventur: Fest installierte Kameras an den Regalgängen erfassen jeden Warenein- und Warenausgang in Echtzeit. Der Bestand wird permanent abgeglichen, nicht einmal im Jahr. Abweichungen werden sofort erkannt, nicht nach 12 Monaten.
• Bildklassifizierung: Die KI unterscheidet Artikelvarianten, die sich optisch ähneln (z. B. Schrauben M6x20 vs. M6x25), erkennt beschädigte Verpackungen und identifiziert falsch eingelagerte Artikel (Artikel im falschen Regalfach).

Inventurmethoden im Vergleich

Kostenvergleich: Eine Stichtagsinventur mit 15 Mitarbeitern für 3 Tage kostet bei 30 Euro Stundenlohn rund 10.800 Euro plus Produktionsausfall durch Lagersperrung. Eine Drohneninventur mit einem Operator kostet pro Durchgang 1.500 bis 3.000 Euro (Dienstleister) oder amortisiert sich bei eigener Drohne (15.000 bis 30.000 Euro Anschaffung) nach 5 bis 10 Inventuren.

Lagerlayout-Optimierung: KI als Regalplaner

Die meisten Lagerlayouts sind historisch gewachsen. Der Artikel steht dort, wo er immer stand. Dass sich die Nachfrage geändert hat, merkt man daran, dass der Kommissionierer für den aktuellen Bestseller bis in die hinterste Regalreihe laufen muss.

KI-gestützte Lagerlayout-Optimierung analysiert die Auftragsdaten der letzten Monate und berechnet die optimale Platzierung jedes Artikels. Die Logik:

• ABC-XYZ-Analyse mit Zugriffshäufigkeit: Nicht nur der Umsatz zählt, sondern wie oft ein Artikel kommissioniert wird. Ein Artikel mit 100 Picks pro Woche gehört in die Greifzone, auch wenn sein Umsatzanteil gering ist.
• Affinitätsanalyse: Artikel, die häufig zusammen bestellt werden, werden nebeneinander platziert. Die KI erkennt Korrelationen aus tausenden Aufträgen, die kein Mensch in einer Tabelle sehen würde.
• Dynamische Umzonierung: Die optimale Platzierung ändert sich mit der Saison. Im Sommer stehen Gartenartikel vorne, im Herbst Heiztechnik. Die KI schlägt saisonale Umzüge vor und berechnet, ob sich der Aufwand lohnt.
• Wegoptimierung: Bei Multi-Order-Picking berechnet die KI die optimale Laufreihenfolge, um Leerfahrten zu minimieren.

Ergebnis: Unternehmen, die ihr Lagerlayout KI-gestützt optimiert haben, berichten von 20 bis 35 % kürzeren Kommissionierzeiten. Bei einem Lager mit 50 Mitarbeitern in der Kommissionierung entspricht das 10 bis 17 eingesparten Vollzeitstellen oder einem deutlich höheren Durchsatz bei gleicher Mannschaft.

Tools: Von SAP bis Open Source

Empfehlung für den Einstieg: Bevor du eine sechsstellige WMS-Suite lizenzierst, validiere den Hebel mit einem schlanken Ansatz. Exportiere deine Bestands- und Abverkaufsdaten aus dem ERP, baue eine Nachfrageprognose mit Python (Prophet oder scikit-learn) und vergleiche die Ergebnisse mit deiner aktuellen Dispositionsqualität. Das kostet ein Wochenende und zeigt dir, wie viel Potenzial in deinen Daten steckt. Tools wie n8n können den Prozess danach automatisieren: Daten abholen, Prognose berechnen, Bestellvorschlag ins ERP schreiben.

ROI-Rechnung: Was bringt KI im Lager konkret?

Die häufigste Frage: Was kostet es, und was bringt es? Hier eine realistische Rechnung für ein mittelständisches Unternehmen mit 5 Millionen Euro Lagerbestand und 3.000 Picks pro Tag.

Einsparungen pro Jahr:

• Bestandsreduzierung 20 %: 1 Million Euro weniger gebundenes Kapital. Bei 5 % Kapitalkosten = 50.000 Euro weniger Zinsaufwand. Plus eingesparte Lagerfläche (Miete, Energie, Versicherung): weitere 30.000 bis 50.000 Euro.
• Weniger Fehlmengen (15 % Reduktion): Jede Fehlmenge kostet Expresslieferung (50 bis 200 Euro), Produktionsstillstand oder verlorenen Umsatz. Bei 100 Fehlmengen-Vorfällen pro Jahr und durchschnittlich 500 Euro Kosten: 50.000 Euro Einsparung.
• Dispositionsaufwand (70 % weniger manuell): 2 Disponenten verbringen je 30 Stunden pro Woche mit Routinedisposition. 70 % Automatisierung = 42 Stunden pro Woche frei. Bei 35 Euro Vollkosten: 76.000 Euro pro Jahr.
• Inventur (Drohne statt Stichtag): 10.000 Euro Einsparung pro Inventur plus vermiedener Produktionsausfall.

Summe Einsparungen: 186.000 bis 236.000 Euro pro Jahr.

Kosten:

• SaaS-Tool für Bestandsoptimierung: 20.000 bis 40.000 Euro pro Jahr.
• Drohneninventur (Dienstleister): 6.000 bis 12.000 Euro pro Jahr (2 bis 4 Durchgänge).
• Implementierung und Schulung (einmalig): 15.000 bis 30.000 Euro.

Summe Kosten im ersten Jahr: 41.000 bis 82.000 Euro.

ROI im ersten Jahr: 2,5x bis 5x. Ab dem zweiten Jahr entfallen die Implementierungskosten, der ROI steigt auf 4x bis 8x.

In 3 Schritten zur KI im Lager

Schritt 1: Datengrundlage schaffen. Exportiere Bestandsbewegungen, Wareneingänge, Warenausgänge, Aufträge und Lieferantenperformance der letzten 24 Monate aus deinem ERP. Ohne historische Daten kann keine KI prognostizieren. Die gute Nachricht: 12 Monate Daten reichen für den Start. 24 Monate sind besser, weil Saisonmuster dann vollständig erkannt werden.

Schritt 2: Einen Use Case pilotieren. Starte nicht mit allem gleichzeitig. Wähle den Hebel, der am größten ist: Wenn dein Lagerbestand zu hoch ist, starte mit der Bestandsoptimierung. Wenn du ständig Fehlmengen hast, starte mit der Nachfrageprognose. Wenn die Inventur jedes Jahr ein Desaster ist, starte mit der Drohneninventur. Ein Pilot läuft 4 bis 8 Wochen parallel zum bestehenden Prozess.

Schritt 3: Skalieren und integrieren. Der Pilot hat belastbare Zahlen geliefert. Jetzt integrierst du die KI-Lösung in dein WMS oder ERP, trainierst die Disponenten auf die neue Arbeitsweise und rollst den Ansatz auf alle Warengruppen aus.

Wenn du KI-Automatisierung in Logistik, Einkauf oder anderen Geschäftsbereichen strukturiert lernen willst: Die Weiterbildung zum Digitalisierungsmanager bei SkillSprinters in Bayreuth vermittelt in 4 Monaten alles von der Datenanalyse über Prozessautomatisierung bis zur Implementierung im Unternehmen. DEKRA-zertifiziert, komplett online, mit Bildungsgutschein 100 % förderbar. Auch im Einzelhandel und E-Commerce sind diese Skills direkt anwendbar.

FAQ

Ab welcher Lagergröße lohnt sich KI in der Lagerverwaltung? Ab circa 1.000 Artikeln und 500.000 Euro Lagerbestand sind die Hebel spürbar. Für kleinere Lager reicht oft schon eine KI-gestützte Nachfrageprognose auf Basis einer Excel-Exportdatei, um 10 bis 15 % Bestand zu senken. Spezialisierte SaaS-Tools wie EazyStock oder Slim4 starten ab circa 1.500 Euro pro Monat und rechnen sich ab dem ersten Quartal.

Brauche ich ein neues WMS für KI im Lager? Nein. Die meisten KI-Tools arbeiten mit Datenexporten oder API-Schnittstellen. Du kannst KI auf deine bestehenden ERP-Daten (SAP, Microsoft Dynamics, SAGE, proALPHA) anwenden, ohne das System zu wechseln. Wichtig ist nur, dass du Bestands- und Bewegungsdaten exportieren oder per Schnittstelle abrufen kannst. SAP und Oracle haben KI-Funktionen bereits nativ integriert (SAP IBP, Oracle SCM Cloud AI).

Wie genau sind KI-Nachfrageprognosen wirklich? Das hängt von der Datenqualität und der Nachfragevolatilität ab. Bei Artikeln mit stabiler Nachfrage (Verbrauchsmaterial, C-Teile) erreichen ML-Modelle 5 bis 8 % Fehlerquote. Bei volatilen Artikeln (Aktionsware, Neuprodukte) liegt der Fehler bei 15 bis 25 %, was aber immer noch besser ist als der gleitende Durchschnitt (30 bis 40 % Fehler). Der größte Hebel liegt bei den B-Artikeln: groß genug, dass es finanziell relevant ist, aber zu viele, um sie manuell zu disponieren.

Ist KI-Inventur mit Drohnen in Deutschland rechtlich erlaubt? Ja. Drohnen im Innenbereich (Lagerhalle) unterliegen nicht der EU-Drohnenverordnung (VO 2019/947), die nur für den Betrieb im Freien gilt. Im Lager gelten die normalen Arbeitsschutzvorschriften (kein Betrieb während des Personenverkehrs in den betroffenen Gängen). Für die Bilderfassung von Barcodes und Regalplätzen ist keine Datenschutz-Folgenabschätzung nötig, solange keine personenbezogenen Daten erfasst werden.

Was passiert, wenn die KI falsch bestellt? Seriöse Systeme arbeiten im ersten Schritt mit Bestellvorschlägen, nicht mit automatischen Bestellungen. Der Disponent gibt frei. Nach einer Einlaufphase von 4 bis 8 Wochen, in der die Vorschläge geprüft und das Modell kalibriert wird, können B- und C-Artikel vollautomatisch bestellt werden. A-Artikel und Engpass-Teile bleiben in der Regel unter manueller Freigabe. Jedes gute System hat eine Anomalie-Erkennung: Wenn die Bestellmenge um mehr als 50 % vom historischen Durchschnitt abweicht, wird der Vorschlag gestoppt und eskaliert.

Wie lange dauert die Einführung? Ein Pilot für Nachfrageprognose und Bestandsoptimierung ist in 4 bis 8 Wochen produktiv. Die vollständige Integration in WMS und ERP inklusive Schulung dauert 3 bis 6 Monate. Die Drohneninventur ist am schnellsten: Dienstleister brauchen 1 bis 2 Tage Vorbereitung, dann fliegt die Drohne.