Künstliche Intelligenz bietet bekanntermaßen die Möglichkeit zeitraubende Routineaufgaben zu übernehmen, was erhebliche Zeit- und Kostenvorteile mit sich bringt. Besonders für die effiziente Lagerverwaltung, die Optimierung der Lieferkette, prädiktive Analysen, die Verfolgung und Überwachung von Sendungen, die dynamische Preisgestaltung, die Ladeplanung und die Lieferantenauswahl ist KI sehr gut einsetzbar. Zusätzlich können Transportmanagementsysteme (TMS) durch die Anwendung von maschinellem Lernen auf historische Daten zum Beispiel Transitzeiten genauer vorhersagen und Kapazitäten planen.
Auch im Lieferantenmanagement bewährt sich die künstliche Intelligenz. KI-gestützte Analysen können die Zuverlässigkeit von Lieferanten bewerten, Anomalien im Lieferantenverhalten entdecken und das Risiko einer Zusammenarbeit mit dem jeweiligen Lieferanten bewerten. Dadurch hilft KI Unternehmen dabei, fundierte Entscheidungen über die Auswahl und Verwaltung von Lieferanten zu treffen.
Eine kontinuierlich „lernende“ künstliche Intelligenz kann die Ressourcenbemessung verbessern und die Einhaltung rechtlicher und regulatorischer Standards gewährleisten. So können beispielsweise Transporte mit Hinblick auf die ausgestoßenen CO2-Emissionen optimiert werden, indem die KI die kürzeste, staufreie Route auf der Grundlage mehrerer Parameter auswählt oder umweltfreundlichere Verkehrsmittel empfiehlt. Das kann besonders für die Einhaltung der neuen Europäischen Normen für die Nachhaltigkeitsberichterstattung (European Sustainability Reporting Standards, kurz ESRS) wichtig sein.
KI braucht Daten
Damit die künstliche Intelligenz ihr volles Potenzial entfalten kann, muss sie auf ein erhebliches Datenvolumen zugreifen können. In der Supply Chain und im Transportsektor wird täglich eine große Menge von Informationen gesammelt:
- Transportmanagementsysteme haben Zugriff auf Transportaufträge, Herkunfts- und Zielorte, Mengen und Arten von Gütern, Fristen sowie die verschiedenen verwendeten Transportarten.
- Tracking-Lösungen bieten einen detaillierten Einblick in den Datenverkehr.
- Frachtenbörsen erfassen Spot-Sendungen.
- Das IoT (Internet of Things) ermöglicht es unter anderem, den Standort eines Produkts und seines Behälters in Echtzeit, die Temperaturkontrolle etc. zu verfolgen.
Bisher war es schwierig, Verbindungen zwischen diesen verschiedenen Elementen herzustellen. Hier soll die KI viel schneller aussagekräftige Schlussfolgerungen ziehen können als ein menschliches Gehirn.
Die Anwendung auf den Transportbereich ist umso mehr gerechtfertigt, da der Sektor nach wie vor stark prozessorientiert ist, mit klar definierten Schritten. Diese Struktur begünstigt einen sequenziellen Verlauf. Ein TMS folgt beispielsweise einem definierten Ablauf vom Versand bis zum Bestimmungsort und umfasst die Erstellung eines Transportauftrags, die Auswahl der Transportfirma, die Lieferung, die Ankunft am Dock etc. Die KI kann jeden Schritt genau analysieren. Deshalb sind die Supply Chain und insbesondere der Transportsektor ein idealer Anwendungsbereich für die KI.
Für welche Unternehmen lohnt sich die KI-Einführung?
Sowohl große als auch kleine Unternehmen können mithilfe der KI größere und komplexere Prozesse mit weniger Aufwand optimieren. Kleine Speditionen oder Familienunternehmen mit wenigen Lkws haben allerdings einen begrenzteren Anwendungsbereich für KI. Bei Unternehmen mit hoher Prozesskomplexität und -umfang (zum Beispiel mehrere Standorte, mehrere Variablen) lässt sich eine höhere Kapitalrendite erzielen.
Auch der IT-Reifegrad einer Firma und besonders der Datenreifegrad spielen eine Rolle. Auch wenn Modelle wie das von OpenAI es bereits ermöglichen, KI zur Verbesserung von Prozessen und Experimenten einzusetzen ist es entscheidend zu wissen, wie man diese Lösungen findet und auf die richtigen Probleme anwendet. Um solche Projekte durchführen zu können, ist daher eine ausgeprägte interne IT-Expertise von entscheidender Bedeutung. Vorteilhaft sind die Verfügbarkeit, die Quantität und die Qualität der Daten und die Digitalisierung von Prozessen. Eine große Anzahl von Eingaben und ein leistungsstarkes KI-Modell sind nur begrenzt wirksam, wenn die zugrunde liegenden Prozesse weitgehend manuell bleiben.
Was sollten Unternehmen beim KI-Einsatz beachten?
Da maschinelles Lernen und KI-Lösungen äußerst ressourcenintensiv sind, ist eine solide Datengrundlage für die Wertschöpfung unerlässlich. Das Organisieren, Verarbeiten, Speichern und Erstellen von Datensätzen ist sehr zeitaufwändig und zudem nur der erste Schritt zum Aufbau einer KI-Lösung. Der Einsatz dieser Technologie kann erhebliche Kosten verursachen und viel Zeit in Anspruch nehmen. Deshalb sollte man sich fragen, ob bei der Entwicklung und Wartung einer KI-Lösung der Nutzen die Kosten überwiegt. Dazu gehören auch die Kosten für den Aufbau und die Wartung der Datenströme, die genau und aktuell sein müssen und deren Anreicherung auch später noch möglich sein muss. Die Effektivität des Einsatzes von KI-Lösungen hängt maßgeblich von der Verfügbarkeit von Daten und dem sinnvollen Umgang damit ab.
Ein TMS ist eine Unternehmensanwendung. Wie bei jeder solchen Anwendung ist eine Benutzerschulung erforderlich, um sicherzustellen, dass das volle Potenzial ausgeschöpft wird. Mit KI -und insbesondere mit LLMs (Large Language Models) – kann dieser Schritt beschleunigt und das Tool leichter erlernbar gemacht werden.
Letztendlich ist die KI ein ergänzendes Werkzeug und kein Zaubermittel, das alle anderen vorhandenen Werkzeuge ersetzen kann. Nehmen Sie ChatGPT als Beispiel: während seine Stärken bei der Erstellung von Texten mittlerweile klar sind, hat sich auch gezeigt, dass die Zuverlässigkeit seiner Antworten auf verschiedene Fragen begrenzt ist. Ein fachkundiges menschliches Eingreifen ist weiterhin erforderlich, um Perspektiven und Nuancen einzubringen, die die KI möglicherweise nicht erfasst. Es muss ein ausgewogenes Verhältnis gefunden werden, das zuverlässige Ergebnisse gewährleistet.
