Künstliche Intelligenz, Supply Chain, KMU : Warum der KI-Boom in der Logistik am Mittelstand scheitert

Künstliche Intelligenz gilt als Schlüsseltechnologie für die Transformation der Logistik. Entsprechend hoch sind die Erwartungen – sowohl wirtschaftlich als auch politisch. Kaum ein anderer Bereich verspricht vergleichbare Effizienzgewinne, schnellere Entscheidungsprozesse und eine höhere Resilienz gegenüber globalen Störungen. 

Eine der aktuell umfassendsten Analysen dazu liefert die Studie „Möglichkeiten von KI in der Logistik“, erstellt im Auftrag des Bundesministeriums für Innovation, Mobilität und Infrastruktur. Erarbeitet wurde sie vom Logistikum der FH Oberösterreich, BearingPoint sowie dem Verein Netzwerk Logistik (VNL).

Die Ergebnisse zeichnen jedoch ein differenziertes Bild. Denn während die Nutzung von KI klar zunimmt, bleibt ihre tatsächliche Wirkung in vielen Unternehmen begrenzt. 

„Wir sehen aktuell eine deutliche Lücke zwischen dem, was KI in der Logistik leisten könnte, und dem, was tatsächlich umgesetzt wird – vor allem bei KMU. Vielen fehlt es nicht am Interesse, sondern an Ressourcen, Klarheit und verlässlicher Orientierung. Wenn wir hier nicht gezielt gegensteuern, droht ein Wettbewerbsnachteil für den Standort. Genau deshalb braucht es praxisnahe Unterstützung statt abstrakter Diskussionen", so VNL-Obmann Franz Staberhofer.

Nie mehr eine wichtige News aus der Logistik verpassen? Hier geht es zu unseren Newslettern!

Auf den ersten Blick ist die Entwicklung eindeutig positiv. Innerhalb eines Jahres hat sich der Anteil der Unternehmen, die KI einsetzen, in Österreich nahezu verdoppelt – von rund 10,8 Prozent im Jahr 2023 auf über 20 Prozent im Jahr 2024.

In der Logistikbranche ist die Dynamik sogar noch ausgeprägter. Mehr als 90 Prozent der befragten Unternehmen geben an, bereits zumindest eine Form von KI zu nutzen. Diese Zahl deutet auf eine nahezu flächendeckende Verbreitung hin.

Doch der Großteil dieser Anwendungen entfällt auf vergleichsweise niederschwellige Einsatzbereiche: Sprachbasierte Systeme, Natural Language Processing oder generative KI-Tools wie ChatGPT oder Microsoft Copilot dominieren die Nutzung. Sie werden vor allem für Textanalysen, Reporting oder administrative Aufgaben eingesetzt.

In den eigentlichen logistischen Kernprozessen–Transportsteuerung, operative Planung oder physische Automatisierung – ist KI deutlich weniger tief integriert. Hier bleibt sie häufig auf unterstützende Funktionen wie Forecasting oder Teilautomatisierung beschränkt.

Studienleiter Patrick Brandtner, Professor für Data Driven Management am Logistikum der FH Oberösterreich, erläutert: „KI ist in der Praxis angekommen, besonders in Sprachverarbeitung und generativer KI. In der Logistik wird daraus aber erst dann echter Nutzen, wenn man KI sauber in Kernprozesse wie Planung, Bestandsmanagement oder Transport einbettet. Für die Öffentlichkeit klingt Logistik oft abstrakt. Man spürt sie aber sofort, wenn Pakete zu spät kommen oder Regale leer bleiben. Genau hier kann KI helfen, Engpässe früher zu erkennen und Abläufe stabiler und effizienter zu machen."

Ein besonders prägnantes Ergebnis ist die unterschiedliche Entwicklung zwischen großen Unternehmen und dem Mittelstand.

Großunternehmen investieren gezielt in komplexe Anwendungen und treiben die Integration von KI in physische Prozesse voran. Dazu zählen etwa autonome Transportsysteme oder stärker automatisierte Intralogistiklösungen. Hier wird KI zunehmend als strategisches Instrument verstanden, das tief in operative Abläufe eingreift.

>> Sehen Sie hier das Ranking der 250 größten Industriebetriebe Österreichs

Kleine und mittlere Unternehmen hingegen verfolgen einen deutlich pragmatischeren Ansatz. Sie setzen KI vor allem dort ein, wo mit überschaubarem Aufwand konkrete Effizienzgewinne erzielt werden können. Typische Einsatzfelder sind die Nachfrageplanung, das Bestandsmanagement oder analytische Anwendungen zur besseren Entscheidungsunterstützung.

Während große Unternehmen vor allem mit Skalierung und Governance beschäftigt sind, kämpfen kleinere Betriebe bereits mit grundlegenden Fragen der Umsetzung.

Dabei ist eine der größten Hürden die technische Integration. Schnittstellenprobleme gehören für KMU zu den zentralen Herausforderungen, das ist deutlich stärker ausgeprägt als bei Großunternehmen. Der Grund liegt in der begrenzten IT-Infrastruktur und den fehlenden internen Ressourcen, um neue Systeme nahtlos in bestehende Landschaften einzubinden.

Hinzu kommt die Position innerhalb der Lieferkette. KMU empfinden die mangelnde Kooperation mit Partnern als deutlich größere Hürde. Ihnen fehlt oft die Marktmacht, um technologische Standards durchzusetzen oder Innovationen entlang der gesamten Wertschöpfungskette voranzutreiben.

Auch strategisch zeigt sich eine Lücke. Vielen kleineren Unternehmen fällt es schwer, konkrete Anwendungsfälle für KI zu identifizieren oder klare Treiber für Investitionen zu definieren. Während große Unternehmen eigene Innovationsabteilungen aufbauen, fehlt diese Struktur im Mittelstand häufig.

Die Studie zeigt dabei auch einen scheinbaren Widerspruch auf: Themen wie Regulierung oder Akzeptanz werden von KMU weniger kritisch bewertet als von Großunternehmen. Das liegt vor allem daran, dass Systeme oft ausgelagert oder in kleinerem Rahmen eingesetzt werden.

Gleichzeitig schätzen KMU ihre eigenen Fähigkeiten in nahezu allen Bereichen deutlich niedriger ein – von der technischen Kompetenz über die Ressourcenausstattung bis hin zum Umgang mit Daten.

Die Motivation für den Einsatz von KI ist allerdings ungebremst. Dabei verfolgen Unternehmen in erster Linie wirtschaftliche Ziele. Im Zentrum stehen Effizienzsteigerungen, Kostenreduktion und Produktivitätsgewinne. KI soll Prozesse beschleunigen, Planungen verbessern und operative Entscheidungen optimieren.

Ein besonders wichtiger Hebel ist dabei die Prognosefähigkeit. Genauere Forecasts ermöglichen es, Bestände zu optimieren, Transportkapazitäten besser zu nutzen und Risiken frühzeitig zu erkennen.

Darüber hinaus zeigt die Studie auch indirekte Effekte. Unternehmen erwarten eine höhere Resilienz gegenüber Störungen in der Lieferkette sowie eine stärkere Wettbewerbsposition. In einem zunehmend volatilen Umfeld gewinnt dieser Aspekt an Bedeutung.

Themen wie Nachhaltigkeit spielen derzeit noch eine untergeordnete Rolle, werden jedoch als zukünftiges Potenzial gesehen – insbesondere im Zusammenhang mit effizienteren Ressourcennutzungen.

Parallel zur technologischen Entwicklung gewinnt die Regulierung an Bedeutung. Mit dem EU AI Act entsteht ein klar strukturierter Rahmen, der KI-Anwendungen nach ihrem Risiko klassifiziert. Für die Logistik bedeutet das zunächst Entlastung: Viele typische Anwendungen wie Routenoptimierung oder Bestandsanalyse fallen in die Kategorie „geringes Risiko“ und unterliegen kaum regulatorischen Einschränkungen.

Komplexere Anwendungen hingegen – etwa im Personalbereich oder bei autonomen Systemen – gelten als Hochrisiko-Systeme. Hier müssen Unternehmen umfassende Anforderungen erfüllen, darunter Risikomanagement, Datenqualität und menschliche Aufsicht.

Zusätzlich bleiben bestehende Regelwerke wie DSGVO oder Produkthaftung relevant.

Die Studie zeigt, dass Unternehmen häufig an strukturellen Faktoren scheitern. Neben fehlenden Ressourcen sind vor allem Datenqualität und fehlende Strategien zentrale Probleme.

Viele Unternehmen verfügen zwar über große Datenmengen, sie sind jedoch nicht in einer Form verfügbar, die für KI-Anwendungen genutzt werden kann. Hinzu kommt die Komplexität bestehender IT-Landschaften, die eine Integration erschwert.

Auch kulturelle Faktoren spielen eine Rolle. Die Einführung von KI verändert Prozesse und Entscheidungsstrukturen und stößt damit auf bestehende, etablierte Organisationen.

Ein weiterer kritischer Punkt ist die Unsicherheit im Umgang mit der Technologie. Unternehmen befürchten Fehlentscheidungen ebenso wie Abhängigkeiten von großen Technologieanbietern.

Parallel zur Studie wurde deshalb auch ein praxisorientierter Leitfaden entwickelt, der einen strukturierten Weg von der Analyse über erste Pilotprojekte bis hin zur Skalierung aufzeigt. "Unsere Interviews zeigen: Unternehmen wünschen sich Orientierung, weil Datenqualität, klare Verantwortlichkeiten und rechtliche Einordnung genauso entscheidend sind wie die Technik, und weil fehlerhafte oder schlecht eingebettete Systeme den laufenden Betrieb stören können. Der Praxisleitfaden liefert dafür einen pragmatischen roten Faden in drei Phasen: vom Vorbereiten über das erste Projekt bis zur Skalierung und Governance“, so Studienautor Brandtner.

Konkret empfiehlt der Leitfaden, zunächst den eigenen Digitalisierungsgrad sowie die vorhandene Datenqualität kritisch zu prüfen und zentrale „Pain Points“ im Unternehmen zu identifizieren, die sich datenbasiert lösen lassen. 

Für den Einstieg sollten bewusst überschaubare Anwendungsfälle gewählt werden, die einen klar messbaren Mehrwert bieten und auf einer soliden Datenbasis aufbauen. In der Umsetzungsphase wird die enge Einbindung der Mitarbeitenden ebenso betont wie die kontinuierliche Evaluation der eingesetzten Modelle, um Akzeptanz und Wirksamkeit sicherzustellen. 

In einem weiteren Schritt geht es darum, erfolgreiche Pilotprojekte in den Regelbetrieb zu überführen, interne Kompetenzen gezielt aufzubauen und eine langfristige KI-Roadmap sowie Governance-Strukturen zu etablieren.

Besonders betont wird dabei die Notwendigkeit, KI nicht isoliert zu betrachten, sondern strategisch zu verankern. Unternehmen müssen ihre Datenbasis verstehen, klare Anwendungsfälle definieren und interne Kompetenzen aufbauen.

Während die österreichische Studie den aktuellen Stand der KI-Nutzung nüchtern einordnet, zeichnet der internationale Trend Report „Supply Chain und Logistik 2026“ von Transporeon ein deutlich weiterreichendes Zukunftsbild – eines, das die Rolle von KI grundlegend neu definiert.

Im Zentrum steht dabei ein klarer Paradigmenwechsel: Künstliche Intelligenz entwickelt sich von einem Analyse- und Unterstützungstool hin zu einem aktiven Steuerungsinstrument, das operative Entscheidungen eigenständig trifft und Prozesse in Echtzeit optimiert.

Lesen Sie auch: Automatisierung 2.0: Physische KI hält Einzug in die Logistik 

Ein zentrales Konzept in diesem Zusammenhang ist das „Autonomous Procurement“. Dahinter verbirgt sich nichts weniger als die Automatisierung der Transportbeschaffung. KI-Systeme analysieren dabei kontinuierlich Marktpreise, Kapazitäten, historische Buchungsdaten sowie aktuelle Nachfrageentwicklungen und treffen auf dieser Basis eigenständig Entscheidungen darüber, wann Transportaufträge vergeben werden – und zu welchen Konditionen.

Diese Systeme reagieren nicht mehr zeitverzögert, sondern dynamisch und in Echtzeit auf Marktveränderungen. Während klassische Beschaffungsprozesse oft auf Erfahrungswerten oder statischen Planungen basieren, entsteht hier ein datengetriebenes System, das permanent lernt und sich anpasst. Preisverhandlungen, Kapazitätssicherung und Timing werden damit zunehmend algorithmisch gesteuert.

Doch der Trend Report geht noch weiter. Er beschreibt eine Entwicklung hin zu hochgradig vernetzten, digitalen Ökosystemen, in denen Daten nicht mehr innerhalb einzelner Unternehmen verbleiben, sondern entlang der gesamten Lieferkette geteilt und genutzt werden. Plattformbasierte Logistiknetzwerke ermöglichen es, Transportkapazitäten flexibel zu bündeln, Nachfrage zu synchronisieren und Engpässe frühzeitig zu erkennen.

Ein weiterer zentraler Aspekt ist die zunehmende Selbstoptimierung von Supply Chains. KI-Systeme sollen künftig nicht nur einzelne Entscheidungen treffen, sondern ganze Netzwerke steuern – etwa indem sie Transportströme automatisch umleiten, alternative Routen berechnen oder auf Störungen reagieren, bevor diese überhaupt operative Auswirkungen haben. Die Logistik entwickelt sich damit von einem reaktiven System zu einer vorausschauenden, adaptiven Infrastruktur.

Parallel dazu gewinnt die dynamische Preisbildung an Bedeutung. Ähnlich wie in der Luftfahrt oder im E-Commerce passen sich Frachtraten in Echtzeit an Angebot und Nachfrage an. KI wird hier zum zentralen Steuerungsinstrument, das Marktmechanismen nicht nur analysiert, sondern aktiv beeinflusst.

Im Vergleich mit der österreichischen Studie wird die eigentliche Bruchlinie sichtbar. Denn während der Trend Report eine Welt beschreibt, in der KI operative Entscheidungen übernimmt, Netzwerke steuert und Märkte in Echtzeit analysiert, zeigt die Realität vieler Unternehmen ein deutlich zurückhaltenderes Bild. Hier wird KI vor allem für unterstützende Aufgaben eingesetzt – etwa für Forecasts, Datenanalysen oder administrative Prozesse.

Der Schritt hin zu vollständig integrierten, selbststeuernden Systemen ist damit weniger eine technologische als eine strukturelle Herausforderung.

Besonders deutlich wird diese Diskrepanz im Mittelstand. Genau dort, wo die breite Umsetzung stattfinden müsste, fehlen oft die Voraussetzungen für komplexe, datengetriebene Systeme. Während große Unternehmen beginnen, KI strategisch zu integrieren, bleibt sie in vielen kleineren Betrieben auf einzelne Anwendungsfälle beschränkt.