Wo KI in Industrie, Handel und Logistik wirklich Nutzen bringt

Warum das zählt. Die meisten Firmen starten bei dem, was in der Zeitung steht, also bei Chatbots, Bildgenerierung und Vorhersagemodellen in der Produktion. Diese Kandidaten brauchen Monate, bis überhaupt klar ist, ob sie funktionieren. In der Zwischenzeit bleibt der Beweis aus, dass KI im eigenen Haus etwas taugt, und die Geduld der Geschäftsführung ist endlich. Der erste Anwendungsfall hat deshalb eine einzige Aufgabe. Er muss schnell beweisen, dass KI Wertschöpfung bringt.

Im Detail. Wir arbeiten mit einem Katalog aus zwölf erprobten Mustern in vier Gruppen. Die Use Cases sind keine Zukunftsvision, sondern eine Sammlung dessen, was heute funktioniert.

Die vier Gruppen

Dokumente und Posteingang

Der Klassiker: unstrukturiert rein, strukturiert raus. Bestellungen, Auftragsbestätigungen, Lieferscheine und Rechnungen aus PDF und E-Mail auslesen und ins ERP übergeben. Anfragen im Kundenservice klassifizieren, Kerndaten herausziehen, einen Antwortentwurf vorschlagen. Ausschreibungen und Kundenspezifikationen gegen das eigene Sortiment prüfen. Verträge, Lieferantenerklärungen und Zertifikate auf Fristen und Pflichten durchsuchen.

Wissen und Regelwerk

Das Firmenwissen fragbar machen. Mitarbeiter stellen ihre Frage in normaler Sprache an QM-Handbücher, Arbeitsanweisungen und Spezifikationen und bekommen eine Antwort mit Quellenangabe. Der Abgleich regulatorischer Anforderungen gegen die eigene Dokumentation, etwa bei Lieferkettennachweisen, gehört auch dazu. Diese Gruppe fällt aus der Reihe, denn sie läuft heute weitgehend mit Standardwerkzeugen. Copilot und fertige Wissensassistenten decken das meiste ab.

Qualität und Stammdaten

Muster erkennen, wo Menschen nur Einzelfälle sehen. Reklamationen klassifizieren und wiederkehrende Fehlerbilder über Standorte und Zeiträume sichtbar machen. Dubletten, Lücken und Widersprüche in Material-, Kunden- und Lieferantenstammdaten finden und Korrekturen vorschlagen. Der zweite Punkt klingt banal, ist aber essentiell, weil saubere Stammdaten die Voraussetzung für reibungslose Prozesse sind.

Integration und IT

Mappings für den Datenaustausch mit Partnern aus Beispielnachrichten erzeugen und Testfälle automatisch ableiten, damit eine Partneranbindung Tage statt Wochen dauert. Und Fehlermeldungen aus Schnittstellen automatisch analysieren, die Ursache klassifizieren und einen Lösungsvorschlag liefern, damit die Störungsklärung nicht am Spezialisten hängt. Beides machen wir bei MELTIQ regelmäßig.

Kaufen oder bauen

Für die Use Cases aus der Gruppe Wissen und Regelwerk lohnt es sich am Markt nach Standardprodukten zu suchen. Die anderen Gruppen hängen an deinem ERP, deinen Stammdaten und deinen Schnittstellen, und dort gibt es nichts von der Stange. Hier ist Integrationsarbeit erforderlich, die jedoch auch einen messbaren Mehrwert bringt. Ein Standardprodukt steht deinem Mitbewerber genauso zur Verfügung. Was du hier baust, ist auf deine Abläufe und deine Daten zugeschnitten und lässt sich nicht kaufen. Der Aufwand zahlt sich allerdings nur aus, wenn du deine Prozesse gut kennst und bereit bist, sie neu zu denken. Wer einen bestehenden Ablauf eins zu eins automatisiert, verschenkt den größeren Teil des Nutzens.

Nüchtern betrachtet

Drei Themen werden fast immer zuerst genannt und sind trotzdem als Einstieg ungeeignet.

Vorhersagen brauchen eine große zuverlässige Datenbasis und viele Iterationen für den Abgleich von Prognose versus Realität. Solche Use-Cases sind in der zweiten und dritten KI-Welle sinnvoll.

Chatbots im Kundenservice bergen ein hohes Reputationsrisiko, weil jeder Fehler öffentlich passiert. Der KI-Assistent, der deinen eigenen Leuten zuarbeitet, bringt fast denselben Nutzen ohne dieses Risiko.

Ersetzen von Mitarbeitern oder ganzen Abteilungen durch KI ist eine überzogene Erwartungshaltung. KI kann Mitarbeiter und Abteilungen entlasten, Abläufe beschleunigen und die menschliche Arbeitsleistung für wertschöpfende Tätigkeiten freischaufeln.

Was das für dich bedeutet

Gehe die Muster mit den Fachabteilungen durch und stelle zu jedem Muster folgende Fragen.

Gibt es das bei uns?

Existiert der Prozess überhaupt in dieser Form, und wer macht ihn heute?

Wie oft und wie teuer?

Menge pro Monat, Zeitaufwand pro Vorgang, Kosten eines Fehlers. Ohne konkrete Zahlen ist jede Priorisierung nur Bauchgefühl.

Wer wäre betroffen?

Welche Abteilung, welche Systeme, welche Daten. Hier zeigt sich, ob der Fall überschaubar ist oder gleich das halbe Unternehmen berührt.

Kaufen oder bauen?

Gibt es das als fertiges Produkt, oder muss es an deine Systeme angebunden werden?

Aus diesen Fragen entsteht eine Liste an potentiellen KI-Use-Cases, wo eine nähere Betrachtung lohnt.

Mein Fazit

Der beste erste Anwendungsfall ist einer, den du gut messen kannst. Er könnte dort verborgen sein, wo heute jemand Informationen von einem Format ins nächste überträgt. Diese Stellen kennt jeder im Haus, sie werden nur selten für ein KI-Thema gehalten.

In der nächsten Ausgabe nehmen wir uns die Liste der Use Cases vor. Dann klären wir die Frage, welcher Fall zuerst drankommt.