Künstliche Intelligenz Robotik Lager : KI im Lager: Was Jungheinrich, Knapp und TGW heute wirklich einsetzen

Künstliche Intelligenz ist längst in der Intralogistik angekommen. Auffällig ist dabei weniger dass KI eingesetzt wird, sondern wie. Während die öffentliche Debatte häufig von Chatbots oder großen Sprachmodellen geprägt ist, setzen Hersteller intelligenter Lagertechnik zunehmend auf spezialisierte Systeme, die Roboter steuern, Materialflüsse optimieren oder komplexe Greifprozesse eigenständig lösen.

Dispo hat deshalb mehrere Gewinner und Finalisten des diesjährigen IFOY Award gefragt, welche KI heute tatsächlich in ihren Lösungen arbeitet, welche Aufgaben sie übernimmt und wohin sich die Technologie entwickelt. Die Antworten zeigen: Die Branche verfolgt unterschiedliche Strategien – ein gemeinsamer Trend ist jedoch klar erkennbar.

Künstliche Intelligenz unterstützt heute nicht mehr nur die Bilderkennung oder Navigation autonomer Fahrzeuge. Sie greift zunehmend direkt in operative Prozesse ein und trifft Entscheidungen entlang des Materialflusses.

Bei Jungheinrich steuert KI beispielsweise Materialflüsse und Kommissionierprozesse. Im IFOY-prämierten Projekt für Liebherr entscheidet sie anhand der Abholzeiten von Versanddienstleistern darüber, wann Einlagerungen oder Kommissionieraufträge gestartet werden. Hinzu kommen Palettenerkennung, Routenplanung, Auslastungsprognosen und KI-gestützte Assistenzfunktionen. Frank Riedel, Senior Manager Corporate Communications, beschreibt die eingesetzten Technologien so: „Es kommen hier von genetischer Algorithmik, über verschiedene Machine Learning Verfahren bis zu Large Language Modellen mehrere Mechanismen zum Einsatz.“ Für generative KI nutzt Jungheinrich externe Modelle, während Machine-Learning-Anwendungen überwiegend auf eigenen Entwicklungen basieren.

Auch SSI Schäfer setzt KI deutlich breiter ein als nur für Robotik. Martin Böhmer, Vice President Global Technology, nennt Objekterkennung, robotergestützte Kommissionierung, Materialflussoptimierung, Predictive Maintenance sowie die Analyse großer Datenmengen zur Unterstützung operativer Entscheidungen. Das Ziel seien „eine höhere Anlagenverfügbarkeit, kürzere Durchlaufzeiten, eine bessere Ressourcenauslastung und insgesamt effizientere sowie resilientere Logistikprozesse.“

Bei Knapp reicht das Spektrum von KI-gestützter Routenoptimierung über Bildverarbeitung für Kommissionierroboter bis hin zu Qualitätskontrollen, automatischer Schadenerkennung und prädiktiver Wartung. Zusätzlich unterstützt KI intern die Softwareentwicklung, etwa durch automatisierte Testfälle oder Software-Hardening. Dabei kommen sowohl eigene Multi-Agenten-Systeme und Constraint Solver als auch optimierte Modelle externer Anbieter zum Einsatz.

Auch TGW Logistics nutzt KI heute für Bildverarbeitung, Qualitätskontrollen, Materialflussoptimierung, Ressourcenplanung und die Steuerung robotischer Systeme. Ergänzend unterstützt generative KI Engineering, Softwareentwicklung, Dokumentation und Wissensmanagement. Nach Angaben des Unternehmens basieren die logistischen Kernfunktionen überwiegend auf eigenentwickelten Algorithmen und Modellen, ergänzt durch Basismodelle externer Anbieter.

Ein Begriff taucht in mehreren Antworten zu KI in der Logistik immer wieder auf: Physical AI.

Gemeint ist Künstliche Intelligenz, die nicht nur Daten analysiert oder Empfehlungen gibt, sondern Maschinen befähigt, ihre Umgebung wahrzunehmen und selbstständig zu handeln.

Für Nomagic bildet dieser Ansatz bereits heute den Kern der eigenen Technologie. Patrick Schönemann, Vice President Sales, erklärt, dass das Unternehmen überwiegend selbst entwickelte Machine-Learning- und Deep-Learning-Modelle für Computer Vision, 3D-Wahrnehmung sowie Greif- und Manipulationsprozesse einsetzt. Die Systeme übernehmen Picking, Packing und Sorting sowie optische Mengenkontrollen und lernen kontinuierlich aus den Betriebsdaten.

Auch TGW Logistics sieht hierin den nächsten Entwicklungsschritt. „Physical AI verändert, wie Maschinen in der realen Welt handeln“, so das Unternehmen auf Anfrage. Während heutige Systeme vor allem Daten analysierten und Entscheidungen unterstützten, werde KI künftig Maschinen befähigen, ihre Umgebung eigenständig zu interpretieren und autonom zu handeln.

Besonders ungewöhnlich fällt der Ansatz von Nomagic aus.

Das Unternehmen trainiert seine KI nicht nur mit Standardsituationen, sondern gezielt mit realen Ausnahmefällen aus dem Lagerbetrieb. Grundlage dafür ist die unternehmenseigene „Library of Chaos“ – eine Sammlung sogenannter Edge Cases, also Situationen, in denen Robotersysteme besonders gefordert sind. Dazu zählen beispielsweise ungewöhnlich liegende Produkte oder komplexe Greifaufgaben.

Mit diesen Daten trainiert Nomagic seine Vision-Language-Action-Modelle, die künftig auch schwierige Situationen selbstständig lösen sollen.

Ein weiterer gemeinsamer Nenner vieler Antworten ist die Bedeutung eigener Betriebsdaten.

Besonders deutlich formuliert das Locus Robotics. Dr. Oscar Mendez Maldonado, Director Head of AI & Data Science, widerspricht der Vorstellung einer einzigen universellen KI: „Ein häufiges Missverständnis ist, KI als eine einzelne, monolithische Technologie zu betrachten.“

Stattdessen bestehe moderne KI aus mehreren spezialisierten Modellen, die gemeinsam arbeiten. Entscheidend seien dabei die Daten, mit denen diese Modelle trainiert werden. Locus verweist in diesem Zusammenhang auf inzwischen mehr als sieben Milliarden Picks aus realen Lagerprozessen. Sie bilden die Grundlage für Navigation, Flottenkoordination, Workforce-Orchestrierung, Computer Vision, Reinforcement Learning und automatisierte Anomalieerkennung.

Auch bei SSI Schäfer, Jungheinrich und TGW Logistics zeigt sich derselbe Trend. Alle drei Unternehmen kombinieren zwar externe Basismodelle mit eigenen Entwicklungen. Den eigentlichen Mehrwert sehen sie jedoch in spezialisierten Algorithmen, die auf jahrelanger Erfahrung im Materialfluss und auf eigenen Betriebsdaten basieren.

Beim Blick in die Zukunft zeichnet sich ebenfalls ein gemeinsames Bild ab.

Nahezu alle Unternehmen erwarten, dass generative KI deutlich wichtiger wird. Allerdings soll sie die bestehenden Systeme nicht ersetzen, sondern ergänzen.

Jungheinrich sieht die größten Potenziale in der Kombination aus generativer KI und proprietären Machine-Learning-Modellen. SSI Schäfer erwartet natürlichere Sprachschnittstellen und intelligente Assistenzsysteme. Knapp geht davon aus, dass künftig übergeordnete KI-Systeme spezialisierte Modelle orchestrieren und Informationen produkt- sowie prozessübergreifend zusammenführen.

Auch Locus Robotics sieht die Zukunft in agentischen KI-Frameworks, die Roboter, Mitarbeitende und Prozesse in Echtzeit koordinieren.

Nomagic konzentriert sich auf Vision-Language-Action-Modelle, die mithilfe der „Library of Chaos“ künftig auch komplexe Ausnahmefälle automatisieren sollen.

TGW Logistics erwartet den größten Entwicklungsschritt im Zusammenspiel von Physical AI und generativer KI: Während generative Modelle die Interaktion zwischen Mensch und Maschine vereinfachen, sollen physische KI-Systeme zunehmend autonom handeln.

Eine deutlich andere Strategie verfolgt Pyck.

Das Unternehmen setzt bewusst auf externe Sprachmodelle wie Anthropic Claude oder OpenAI – allerdings nicht zur Steuerung von Robotern oder Materialflüssen, sondern für die Softwareentwicklung.

Über sogenanntes „Vibe Coding“ beschreibt der Nutzer gewünschte Prozessänderungen in natürlicher Sprache. Die KI erzeugt daraus den Programmcode und visualisiert die Auswirkungen unmittelbar. Nach Angaben des Unternehmens werden dabei keine Live-Lagerdaten verarbeitet. Zum Einsatz kämen ausschließlich Anbieter mit „Zero Data Retention“, sodass Eingaben weder gespeichert noch für das Training der Modelle verwendet würden.

Pyck sieht deshalb den entscheidenden Innovationsschritt weniger in spezialisierten Logistikmodellen als in generativer KI und einer vollständig KI-gestützten Softwareentwicklung.

Die Antworten der IFOY-Gewinner und Finalisten zeigen, dass sich Künstliche Intelligenz in der Intralogistik längst nicht mehr auf einen einzigen technologischen Ansatz reduzieren lässt. Während einige Unternehmen auf Physical AI, Computer Vision oder Robotik setzen, entwickeln andere agentische Systeme oder nutzen generative KI zur Softwareentwicklung und Prozessunterstützung.

Jedenfalls soll aber überall KI operative Abläufe robuster, effizienter und autonomer machen und spezialisierte Modelle reale Prozesse im Lager unterstützen oder selbstständig übernehmen.