Was GenAI in der Logistiksimulation wirklich verändert

90 Minuten statt zehn Stunden für eine Analyse — und dabei fanden wir noch Informationen, nach denen wir gar nicht gesucht hatten. Das ist nur ein Beispiel dafür, wie GenAI unsere Arbeit im Bereich der Logistiksimulation nachhaltig verändert.

Ein Hersteller aus einer regulierten Branche bat uns, die Lagerkapazität seines Distributionszentrums zu überprüfen. Eine Standardaufgabe für unsere Berater: Bestands- und Bewegungsdaten importieren, die Auslastung pro Lagertyp analysieren und Kapazitätsengpässe identifizieren.

Üblicherweise dauert dies etwa zwei bis acht Stunden für Datenimport und Feldzuordnung und dann nochmal rund acht Stunden für die Analyse des Bestands selbst und die Vorbereitung der ersten Ergebnis-Folien.

Mit einem an einen Digitalen Zwilling angebundenen KI-Agenten dauerte der Import eine halbe Stunde und die Analyse eine Stunde. In dieser Zeit war sogar schon eine erste Version der Präsentation fertig. Aus zehn Stunden wurden 90 Minuten.

Die eingesparte Zeit war jedoch nicht der einzige Vorteil. Der Agent kennzeichnete eine Gruppe von Nachfolgeartikeln: ersetzte SKUs, die trotz vorhandener Nachfolger noch Bestand hatten und Lagerplätze belegten, die die Kapazitätsberechnung als regulär genutzt gewertet hatte. Diese Erkenntnis war die ganze Zeit in den Daten vorhanden. In einer manuellen Analyse mit einem festen Zeitbudget wäre sie vermutlich unbemerkt geblieben.

Die Simulation ist selten der Engpass

Bei Simulationsprojekten in der Logistik ist der Aufbau des Modells der kleinste Teil der Arbeit. Bevor das erste aussagekräftige Szenario bewertet werden kann, muss das Projektteam die verfügbaren Daten verstehen, mappen und Dateninkonsistenzen finden. Nach dem Lauf prüft dasselbe Team große Ergebnismengen, um Szenarien zu vergleichen. Am Ende bereitet das Team die Ergebnisse als Entscheidungsgrundlage auf.

Moderne Simulationssoftware verarbeitet große Datensätze und berechnet detaillierte Szenarien effizient. Projekte dauern trotzdem Wochen oder Monate, weil die Verzögerungen zwischen den technischen Schritten sitzen und nicht in ihnen.

Mit generativer KI können Analysten die relevanten Fragen direkt stellen, anstatt zuerst den richtigen Report, die Filter und Tabellen zu suchen. Ein Nutzer kann fragen:

Welche Produktgruppen verursachen die höchste Kommissionierlast im Peak? Und welche Lagerbereiche sind in dieser Zeit am stärksten belastet?

Das Sprachmodell bestimmt, welche Daten benötigt werden, fragt sie beim Digitalen Zwilling ab und liefert das Ergebnis.

Die Simulation selbst ändert sich dabei nicht. Sie nutzt weiterhin dieselben bewährten Algorithmen, für die W2MO bekannt ist. Eine Simulation oder ein Slotting-Algorithmus wird nicht schneller, weil ein Sprachmodell daneben steht. Die eigentlichen Ergebnisse stammen nach wie vor aus den Simulations- und Optimierungs-Algorithmen in W2MO. Das Sprachmodell übernimmt vor allem die Interaktion mit diesen Werkzeugen und die anschließende Auswertung.

W2MO und Sprachmodelle über einen MCP-Server verbinden

W2MO vereint Logistikdaten, Lagerlayouts, Prozesse, Simulationsmodelle und Optimierungsalgorithmen in einer einzigen Digital-Twin-Plattform.

Über den W2MO-Model-Context-Protocol-(MCP-)Server lässt sich diese Umgebung an Sprachmodelle wie Claude, ChatGPT oder Gemini anbinden. Unternehmen können ebenso ein freigegebenes Enterprise-Modell oder ein selbst gehostetes Modell verbinden. MCP ist ein offener Standard, der Aufbau macht sich also nicht von einem einzelnen KI-Anbieter abhängig. Die Leistungsunterschiede zwischen den Anbietern verschieben sich alle paar Monate, und das Modell sollte austauschbar sein, ohne den Zwilling anzufassen.

Der MCP-Server fungiert als kontrollierte Schnittstelle. Er legt fest, auf welche Daten das Modell zugreifen und welche Aktionen es ausführen darf. Der Zugriff lässt sich nach Benutzer, Projekt und Anwendungsfall einschränken. Alle relevanten Abfragen und Aktionen können protokolliert werden.

Bei W2MO ist dies bereits produktiv im Einsatz. In unseren Projekten sehen wir den größten Effekt derzeit in drei Bereichen.

1. Fragen statt navigieren

Ein Digitaler Zwilling enthält Millionen von Datensätzen und W2MO erzeugt daraus eine Vielzahl von Standardauswertungen. In einem typischen Projekt öffnen wir vielleicht ein Fünftel davon. Sich den Rest anzusehen, würde schlicht zu viel Zeit kosten. Also fragt der Berater jetzt das LLM, anstatt sich durch Reports und Filtereinstellungen zu klicken.

Das Modell ermittelt, welche Daten es benötigt, und antwortet auf Basis der Daten aus dem Digitalen Zwilling. Wichtig dabei ist, dass neben den Zahlen auch die Abfragen Teil der Antwort sind. Dadurch können die Ergebnisse in den entsprechenden W2MO-Reports validiert werden.

2. Die Übergaben an beiden Enden des Projekts

Am Anfang und am Ende eines Simulationsprojekts besteht die Arbeit überwiegend darin, Informationen von Hand zwischen Systemen zu übertragen.

Anfangs erhalten wir von unseren Kunden oft einen Ordner voller Exporte: ERP, Lagerverwaltungssystem und in den meisten Projekten mindestens eine Tabelle, die jemand über Jahre manuell gepflegt hat. Meist unterscheiden sich Feldnamen, Einheiten und Datumsformate zwischen den Dateien. Die übliche Lösung ist es, die Tabellen per Hand umzustrukturieren.

Der zweite Übertragungspunkt ist die Präsentation am Ende. Diagramme werden exportiert, Zahlen in PowerPoint abgetippt und jemand schreibt Erläuterungen für Personen, die das Modell nie gesehen haben. Ändert sich ein Szenario kurzfristig, dann müssen alle Folien angepasst werden.

Über den MCP-Server kann der Berater nun beschreiben, was die Felder für den Import bedeuten:

Das Feld MaterialNo enthält die SKU. DeliveryQty ist die Anzahl der Stück. Verwende PlannedShipDate als Bedarfsdatum. Rechne Abmessungen von Millimeter in Meter um und ordne die Kundennummer dem bestehenden Kundenstamm zu. Zeilen ohne gültigen Lagerplatz kommen in eine separate Liste zur Prüfung.

Daraus entsteht ein Zuordnungsvorschlag sowie eine Liste mit zu prüfenden Datenfehlern. Der Berater prüft und bestätigt ihn. Der Import läuft dann über den MCP-Server nach W2MO — mit allen bestehenden Validierungen, sodass nichts in den Zwilling gelangt, was zuvor nicht ebenfalls zugelassen worden wäre.

Zur Vorbereitung der Präsentation am Ende des Projekts kann das Modell alle bereits bekannten Informationen nutzen, um einen ersten Entwurf für die Präsentation zu erstellen. KPIs und Diagramme werden automatisch aus den Simulationsdaten erzeugt. Der Entwurf wird am Ende noch manuell überarbeitet, denn die Argumentation kommt weiterhin von uns — aber niemand muss mehr eine Zahl neu eintippen.

3. Wenn nicht mehr das Budget entscheidet, was ausgewertet wird

Jedes Projekt hat eine Liste von Analysen, die sich lohnen würden und bei der Planung aber aus Budgetgründen gestrichen werden: Artikelstammdaten gegen tatsächliche Bewegungen vergleichen, prüfen, ob die Auftragsstruktur die Lastspitzen erklärt, nach Ausreißern in den Prozesszeiten suchen, die ABC/XYZ-Segmentierung für mehrere Perioden statt für eine wiederholen. Keine davon ist schwierig. Jede kostet ein bis zwei Stunden und bringt vielleicht nichts.

Ein Agent führt sie trotzdem aus.

Genau daher kamen die Nachfolgeartikel aus dem obigen Beispiel. Ersetzte Artikel lagen noch neben ihren Nachfolgern im Bestand, auf Plätzen, die die Kapazitätsberechnung als ordnungsgemäß genutzt gewertet hatte. Es war von Anfang an in den Daten, nur hätte manuell niemand danach gesucht.

Prüfungen wie diese verbessern die Inputdaten und somit jedes Ergebnis, das die Simulation danach liefert. In den letzten Projekten konnten wir diese Art Fehler bereits in der ersten Projektwoche ansprechen, wo sie sonst oft erst im Ergebnis-Workshop aufgefallen sind.

Auf der Szenarienseite sieht es ähnlich aus. Ein Lagerprojekt prüft womöglich verschiedene Layouts, Lagerstrategien, Schichtmodelle, Automatisierung, Mengenwachstum. Von Hand durchgeführt bedeutet jedes Szenario, dass Parameter angepasst, die Berechnung durchgeführt und am Ende die Zahlen verglichen werden müssen. Stattdessen beschreibt der Berater jetzt den Rahmen:

Erstelle Szenarien für 10, 20 und 30 Prozent Mengenwachstum. Berechne für jedes Szenario den benötigten Personal- und Gerätebedarf, ermittle den ersten Engpass und vergleiche die Ergebnisse mit dem aktuellen Layout.

Der Agent kopiert die freigegebene Baseline, ändert die Bedarfsparameter, startet die definierten Algorithmen und prüft, dass jeder Lauf abgeschlossen wurde. Anschließend zieht er die KPIs, vergleicht sie, geht den auffälligen Abweichungen nach und schreibt eine konsolidierte Einschätzung.

Ein einzelnes Szenario rechnet dadurch nicht schneller. Was wegfällt, ist das Handling drumherum. Deshalb ist es in einem Projekt möglich, zwölf Varianten statt drei zu untersuchen.

Das führt zu komplett verschiedenen Projekten. Bei drei Szenarien ist die Auswahl selbst eine der größeren Entscheidungen, und sie fällt früh, bevor jemand viel weiß. Bei zwölf wählen Sie im Grunde nicht mehr aus. Von allem hier Beschriebenen war das für uns die nützlichste Veränderung.

Wo menschliche Expertise unverzichtbar bleibt

Generative KI macht aus einem unvollständigen Modell keine valide Simulation. Erfahrene Berater werden weiterhin gebraucht, um das Ziel zu definieren, die Datenqualität zu beurteilen, einen angemessenen Detaillierungsgrad zu wählen und das Modell gegen den realen Betrieb zu validieren.

In unseren Projekten haben sich zwei Grenzen als besonders wichtig erwiesen. Erstens muss der zugrunde liegende Zwilling korrekt kalibriert sein, bevor ein Agent Mehrwert stiftet — generative KI auf einem schlecht kalibrierten Modell liefert nur gut formulierte falsche Antworten. Zweitens muss die Validierung nach wie vor durch einen Menschen erfolgen: Wenn ein Agent eine Reduktion der Fahrwege um 14 Prozent meldet, ist das eine Behauptung, kein Beweis — und die Plausibilitätsprüfung gegen den realen Betrieb ist der eine Schritt, der nicht komprimiert werden sollte.

Für uns bedeutet das: Ein KI-generiertes Ergebnis muss in W2MO nachvollziehbar bleiben — welcher Datensatz abgefragt, welche Simulation gestartet, welche Szenarioparameter geändert und welches Ergebnis für die Empfehlung verwendet wurde. Änderungen an Modellen oder Szenarien sollten entsprechende Berechtigungen und, wo relevant, eine menschliche Freigabe erfordern. Die Interaktionsprotokolle decken zudem einen Teil der Projektdokumentation ab, was den Beratern zusätzlich Zeit spart.

Woher die Zeitersparnis tatsächlich kommt

Die 90 Minuten im obigen Beispiel sind eine Analyse, nicht ein ganzes Projekt. Eine einzelne Zahl auf ein vollständiges Projekt hochzurechnen, wäre irreführend, weil sich die Einsparungen auf Tätigkeiten konzentrieren, die repetitiv, strukturiert und derzeit von Hand erledigt werden. Die Bandbreiten unten spiegeln wider, was wir in unseren eigenen Projekten beobachtet haben. Sie sind kein garantiertes Ergebnis und hängen stark vom Zustand der Ausgangsdaten ab.

Der tatsächliche Nutzen hängt von der Qualität der verfügbaren Daten, der Komplexität des Modells und davon ab, wie weit sich der Ablauf standardisieren lässt. Bevor jemand einen Prozentwert nennt, lohnt es sich, sich auf die Basis zu einigen, auf die er sich bezieht.

Von der Softwarebedienung zum Gespräch über Logistikentscheidungen

Für Analysten und logistische Entscheidungsträger verändert das, wie sie mit Simulation arbeiten. Statt eine Abfolge von Reports und Konfigurationsdialogen zu navigieren, beginnt die Arbeit mit der Logistikfrage:

Was passiert, wenn das Volumen um 20 Prozent wächst? Warum braucht das optimierte Szenario mehr Personal im Wareneingang?

Die Berechnungen stammen weiterhin aus dem Digitalen Zwilling und seinen Simulations- und Optimierungsalgorithmen. Generative KI bietet eine neue Art, mit ihnen zu interagieren, und kann viele der analytischen Schritte rund um die Berechnung automatisieren. Das lässt Simulationsexperten mehr Zeit für die Teile des Projekts, in denen ihre Erfahrung den größten Mehrwert stiftet.

Wenn Sie das für Ihren eigenen Betrieb bewerten möchten, beginnen Sie nicht mit einem Demo-Datensatz. Nehmen Sie eine echte Logistikfrage und einen echten Datensatz und vergleichen Sie, wie lange es dauert, mit Ihrem aktuellen Ablauf und mit dem Agenten zu einer verlässlichen Antwort zu kommen. Wenn Sie das mit W2MO ausprobieren möchten, sprechen Sie uns an.

← Zurück zum Blog