Kaum ein Begriff hat die Logistikbranche 2026 so beschäftigt wie Agentic AI. Auf dem Österreichischen Logistik-Tag des Verein Netzwerk Logistik stand ein eigener Schwerpunkt unter der Frage, ob KI-Agenten, Geo-Intelligenz und Quantencomputing das Supply Chain Management grundlegend verändern. Ein Vortrag trug den zugespitzten Titel, dass der letzte Planer das Licht ausmacht. Die Vorstellung ist verlockend. Ein Softwareagent überwacht die Lieferkette rund um die Uhr, erkennt Störungen, bucht Ersatztransporte und plant Aufträge um, ohne dass ein Mensch eingreifen muss.
Wir halten diese Entwicklung für real und wichtig. Aber wir halten auch eine Unterscheidung für entscheidend, die in der Diskussion oft verloren geht. Ein KI-Agent ist sehr gut darin, Informationen zu verstehen, zu verknüpfen und Aktionen anzustoßen. Er ist aber kein Optimierer. Wenn es darum geht, unter vielen Bedingungen die beste Entscheidung zu finden, braucht er ein Werkzeug, das genau das kann. In diesem Beitrag zeigen wir, warum das so ist und wie die Kombination aus Agent und Optimierungsmodell in der Praxis aussieht.
Was ein KI-Agent eigentlich ist
Ein KI-Agent ist ein System, das ein Ziel verfolgt und dafür selbstständig Schritte plant und ausführt. Meist steckt ein großes Sprachmodell dahinter, das Anfragen versteht, Informationen aus verschiedenen Quellen zusammenträgt und Werkzeuge aufruft. Ein Agent kann E-Mails lesen, Daten aus dem ERP abfragen, einen Spediteur kontaktieren oder einen Auftrag im Transportmanagement anlegen.
Der große Fortschritt liegt darin, dass solche Agenten mit unstrukturierten Informationen umgehen können. Eine E-Mail eines Lieferanten, dass sich eine Lieferung um drei Tage verzögert, ein Anruf eines Kunden, der einen Auftrag vorziehen möchte, eine Meldung über einen gesperrten Grenzübergang. Früher musste ein Mensch diese Informationen lesen, verstehen und in ein System übertragen. Heute kann ein Agent das übernehmen.
Wo Sprachmodelle an ihre Grenzen stoßen
Die Schwierigkeit beginnt, wenn aus der Information eine Entscheidung werden soll. Angenommen, eine Lieferung verzögert sich, und dadurch fehlt in einem Werk Material für drei Aufträge. Welcher Auftrag wird verschoben? Kann ein anderes Werk einspringen? Lohnt sich ein Expresstransport? Was passiert mit den Aufträgen, die ursprünglich danach geplant waren?
Diese Frage hat viele mögliche Antworten, und die beste hängt von Kapazitäten, Kosten, Lieferterminen, Vertragsstrafen und vielen weiteren Bedingungen ab. Ein Sprachmodell kann plausible Vorschläge machen, aber es kann nicht zuverlässig garantieren, dass sein Vorschlag alle Bedingungen einhält, geschweige denn, dass er der beste ist. Es rechnet nicht, es formuliert. Bei einfachen Fragen fällt das kaum auf. Bei komplexen Planungsproblemen mit Hunderten Aufträgen und Dutzenden Ressourcen führt es zu Entscheidungen, die zwar vernünftig klingen, aber Geld kosten oder schlicht nicht umsetzbar sind.
Der Optimierer als Werkzeug des Agenten
Die Lösung liegt in einer Arbeitsteilung. Der Agent erkennt die Störung, sammelt die relevanten Informationen und formuliert das Problem. Dann ruft er ein Optimierungsmodell auf, das die beste Entscheidung unter allen Bedingungen berechnet. Das Ergebnis übersetzt der Agent wieder in verständliche Sprache, erklärt es den Beteiligten und stößt nach Freigabe die nötigen Aktionen an.
So verbinden sich die Stärken beider Welten. Der Agent bringt Verständnis, Kommunikation und Geschwindigkeit. Das Optimierungsmodell bringt Korrektheit, Vollständigkeit und die Garantie, dass alle Regeln eingehalten werden. Für den Menschen entsteht ein System, das ihm Routinearbeit abnimmt und gleichzeitig nachvollziehbare Entscheidungen liefert. Wie wir Optimierung und maschinelles Lernen kombinieren, beschreiben wir auf unserer Seite zu hybriden Ansätzen.
Ein Beispiel aus der Transportdisposition
Nehmen wir einen Logistikdienstleister mit einer Flotte von achtzig Lkw. Am Vormittag meldet ein Kunde per E-Mail, dass eine Ladung erst am Nachmittag bereitsteht. Gleichzeitig fällt ein Fahrer krankheitsbedingt aus, und an einer Rampe staut es sich. Früher hätte die Disposition diese drei Informationen getrennt aufgenommen und mit viel Telefonieren eine Lösung gesucht.
Mit einem Agenten und einem Optimierungsmodell läuft es anders. Der Agent liest die E-Mail, erkennt die Verschiebung und trägt sie ein. Er registriert den Ausfall des Fahrers und die Verzögerung an der Rampe. Dann ruft er das Tourenmodell auf, das in wenigen Sekunden einen neuen Plan für alle betroffenen Touren berechnet. Der Agent zeigt der Disponentin die wichtigsten Änderungen, begründet sie und fragt nach Freigabe. Nach dem Klick informiert er die betroffenen Fahrer und Kunden. Die Disponentin behält die Kontrolle, muss aber nicht mehr jede Einzelheit selbst erledigen. Wie wir Echtzeitentscheidungen in der Disposition unterstützen, zeigt die Seite zur Echtzeitdisposition.
Ein Beispiel aus der Produktionsversorgung
In der Industrie sieht es ähnlich aus. Ein Zulieferer meldet eine Verzögerung bei einem kritischen Bauteil. Der Agent erkennt, welche Produktionsaufträge betroffen sind, und fragt ab, welche Bestände an anderen Standorten liegen und welche Alternativlieferanten es gibt. Das Optimierungsmodell berechnet, wie die Produktion am besten umgeplant wird, ob sich ein Transport aus einem anderen Lager lohnt und welche Kundenaufträge dadurch gefährdet wären.
Der Mensch sieht am Ende nicht eine lange Liste von Meldungen, sondern einen fertigen Vorschlag mit klaren Konsequenzen. Er kann ihn annehmen, anpassen oder verwerfen. Und das System lernt aus jeder Entscheidung, welche Präferenzen im Unternehmen gelten. Wie Prognosen für Beschaffung und Bedarf entstehen, auf denen solche Entscheidungen aufbauen, zeigt unsere Seite zur Procurement Prediction.
Warum Nachvollziehbarkeit so wichtig ist
Je mehr Entscheidungen ein System selbstständig trifft, desto wichtiger wird die Frage, warum es so entschieden hat. Ein Disponent, der einem Kunden erklären muss, warum seine Lieferung verschoben wurde, braucht eine Begründung. Eine Geschäftsführung, die für die Ergebnisse verantwortlich ist, will verstehen, nach welchen Regeln das System arbeitet. Und mit dem europäischen AI Act kommen für bestimmte Anwendungen auch rechtliche Anforderungen an Transparenz hinzu.
Optimierungsmodelle haben hier einen großen Vorteil. Ihre Regeln und Ziele sind explizit formuliert und lassen sich prüfen. Man kann genau zeigen, welche Bedingungen eine Entscheidung erzwungen haben und welche Alternativen es gegeben hätte. Ein Agent, der auf einem solchen Modell aufbaut, erbt diese Nachvollziehbarkeit. Warum wir Transparenz für so wichtig halten, erklären wir im Beitrag Operations Research oder KI.
Was Unternehmen jetzt tun sollten
Wer KI-Agenten in der Supply Chain einsetzen möchte, sollte nicht mit dem Agenten beginnen, sondern mit den Entscheidungen, die er treffen soll. Welche Entscheidungen fallen heute immer wieder an und kosten viel Zeit? Welche Regeln gelten dafür, und welche Ziele sollen erreicht werden? Wenn diese Fragen beantwortet sind, lässt sich ein Optimierungsmodell bauen, das die Entscheidungen zuverlässig trifft. Der Agent ist dann die Schnittstelle, die das Modell mit der Welt verbindet.
Dieser Weg hat einen weiteren Vorteil. Das Optimierungsmodell bringt schon Nutzen, bevor der Agent fertig ist. Es kann zunächst als Werkzeug für die Planerinnen und Planer dienen und später schrittweise automatisiert werden. So wächst das Vertrauen in das System, und die Organisation lernt mit. Einen Überblick über die Planungsebenen einer Supply Chain gibt unser Beitrag zur Supply Chain Optimierung.
Wie Hex und die Anexia Gruppe unterstützen
Hex ist das Team für mathematische Optimierung in der Anexia Digital Engineering Group. Unsere Mathematikerinnen und Mathematiker bauen die Optimierungsmodelle, auf denen KI-Agenten verlässliche Entscheidungen treffen können. Die Anexia Gruppe bringt die Softwareentwicklung und den Betrieb mit, um Agent, Modell und bestehende Systeme sicher zu verbinden. Mehr dazu auf unseren Seiten zur KI-Disposition, zur Datenintegration und zu DevOps und Cloud.
In einem ersten Projekt wählen wir gemeinsam eine konkrete Entscheidung aus, die heute viel Aufwand verursacht. Dafür bauen wir ein Modell, testen es mit Ihren historischen Daten und zeigen, wie viel besser oder schneller die Entscheidungen werden. Danach entscheiden Sie, wie weit die Automatisierung gehen soll. Die Methoden dahinter beschreiben wir auf unserer Seite zur mathematischen Optimierung.
Sie wollen KI-Agenten in Ihrer Supply Chain einsetzen, die wirklich gute Entscheidungen treffen? Sprechen Sie mit unserem Mathematikteam. Wir zeigen Ihnen, wie Agent und Optimierung zusammenarbeiten.
Häufige Fragen
Kann ein Sprachmodell nicht selbst optimieren?
Für einfache Fragen liefert es oft brauchbare Antworten. Bei komplexen Planungsproblemen mit vielen Bedingungen kann es aber weder garantieren, dass alle Regeln eingehalten werden, noch dass die Lösung gut ist. Dafür braucht es ein Optimierungsmodell.
Ersetzt ein KI-Agent die Disposition?
Er entlastet sie von Routinearbeit. Die Verantwortung und die Entscheidung in schwierigen Fällen bleiben beim Menschen, zumindest so lange, bis das Vertrauen in das System groß genug ist.
Womit sollten wir anfangen?
Mit einer konkreten, häufig wiederkehrenden Entscheidung und den Regeln, die dafür gelten. Das Optimierungsmodell bringt sofort Nutzen und wird später zur Grundlage für den Agenten.
Welche Rolle spielt der europäische AI Act?
Je nach Anwendung können Anforderungen an Transparenz, Dokumentation und menschliche Aufsicht gelten. Das sollte im Einzelfall geprüft werden. Optimierungsmodelle mit expliziten Regeln erleichtern die Nachvollziehbarkeit deutlich.
Wie behalten wir die Kontrolle über einen Agenten?
Über klare Freigabestufen. Routinefälle kann der Agent selbst erledigen, bei größeren Auswirkungen legt er einen begründeten Vorschlag zur Freigabe vor. Diese Grenzen legen Sie fest und können sie jederzeit anpassen.