KI-Agenten für die Disposition mit klaren Grenzen einsetzen

Disposition ist selten ein sauberer Planungsfall. Ein Lkw steht im Stau, ein Kunde ändert kurzfristig das Zeitfenster, ein Fahrer fällt aus, im Lager fehlt ein Artikel und gleichzeitig erwartet der Vertrieb eine verbindliche Auskunft. Genau in solchen Situationen wirken KI-Agenten attraktiv: Sie können Informationen sammeln, Optionen vergleichen und operative Schritte vorbereiten.

Der Nutzen entsteht aber nicht durch möglichst viel Autonomie. In der Disposition ist entscheidend, dass ein KI-Agent einen klar abgegrenzten Auftrag hat. Er muss wissen, welche Daten er verwenden darf, welche Entscheidungen er nur vorschlagen soll und ab wann ein Mensch übernehmen muss. Sonst wird aus Entlastung schnell ein zusätzliches Risiko im Tagesgeschäft.

Ein KI-Agent ist kein zweiter Disponent

Ein KI-Agent in der Disposition sollte nicht als Ersatz für Erfahrung, Kundenkenntnis oder operative Verantwortung verstanden werden. Er ist eher eine ausführende und vorbereitende Komponente, die mit Systemen arbeiten kann: Transportmanagement, ERP, Lagerverwaltung, Telematik, Kundenportal oder E-Mail-Postfach.

Der Unterschied zu einem klassischen Chatbot liegt im Handlungsspielraum. Ein Chatbot beantwortet Fragen. Ein KI-Agent kann Aufgaben ausführen oder vorbereiten, etwa eine verspätete Sendung erkennen, alternative Zustellfenster prüfen, den zuständigen Disponenten informieren und einen Kundentext vorschlagen. Je nach Freigabemodell kann er auch einfache Änderungen direkt in ein System schreiben.

Genau deshalb braucht er Grenzen. In einem operativen Prozess reicht es nicht, dass die Antwort plausibel klingt. Die Aktion muss fachlich richtig, nachvollziehbar und im richtigen System ausgeführt werden. Der Agent darf nicht improvisieren, wenn eine Regel fehlt.

Wo KI-Agenten in der Disposition sinnvoll ansetzen

Der beste Einstieg liegt selten bei den kritischsten Entscheidungen. Sinnvoll sind Aufgaben, bei denen viele Informationen zusammenlaufen, aber der Entscheidungsspielraum beschränkt ist.

In der Logistik kann ein Agent laufend prüfen, welche Touren von Verspätungen betroffen sind, ob Kundenzeitfenster gefährdet sind und welche Alternativen laut Regelwerk zulässig wären. In der Automotive-Zulieferung kann er Abrufe, Lieferavise und Kapazitätsmeldungen zusammenführen und Abweichungen für die Disposition priorisieren. Auf Baustellen kann ein Agent Materiallieferungen mit Kranzeiten, Zufahrtsfenstern und Bauabschnitten abgleichen. Im Immobilienbetrieb kann er Wartungstermine nach Dringlichkeit, Verfügbarkeit und Objektregeln vorsortieren.

Gemeinsam ist diesen Fällen: Der Agent muss nicht das gesamte Geschäft verstehen. Er braucht einen präzisen Ausschnitt des Prozesses und verlässliche Daten. Für angrenzende Themen, etwa Bestände, Materialverfügbarkeit oder Bedarfsschwankungen, lohnt sich oft eine eigene analytische Schicht. Wie solche Systeme aufgebaut werden können, beschreibt unser Beitrag zu KI-Analyseplattformen für bessere Bestandsprognosen.

Autonomie ist eine Skala, kein Ja oder Nein

Viele Diskussionen über KI-Agenten bleiben zu grob. Entweder soll die KI nur assistieren oder möglichst selbstständig handeln. In der Praxis braucht es Abstufungen, weil nicht jede Aktion denselben Risikograd hat.

Stufe	Rolle des KI-Agenten	Beispiel aus der Disposition	Grenze
1	Information sammeln	Verspätete Sendungen aus TMS und Telematik zusammenführen	Keine Systemänderung
2	Vorschläge machen	Alternative Tour oder neues Zeitfenster empfehlen	Mensch entscheidet
3	Aktion vorbereiten	Umbuchung, Kundennachricht oder Eskalation vorbefüllen	Freigabe vor Ausführung
4	Begrenzt ausführen	Standardbenachrichtigung senden oder Status setzen	Nur innerhalb definierter Regeln
5	Weitgehend autonom handeln	Touren umplanen und Buchungen ändern	Für kritische Disposition meist nicht geeignet

Für viele Unternehmen ist Stufe 3 oder 4 der realistische Zielbereich. Der Agent bereitet Arbeit so weit vor, dass der Disponent schneller entscheiden kann. Vollständige Autonomie ist nur bei eng standardisierten Vorgängen sinnvoll, etwa bei Statusmeldungen, internen Erinnerungen oder einfachen Rückfragen.

Die wichtigsten Grenzen müssen fachlich definiert werden

Technische Leitplanken allein reichen nicht. Wenn ein KI-Agent für die Disposition eingesetzt wird, müssen Fachbereich, IT und Management gemeinsam festlegen, was erlaubt ist. Diese Grenzen sollten schriftlich dokumentiert und im System technisch durchgesetzt werden.

Wesentlich sind vor allem fünf Bereiche:

• Datenzugriff: Der Agent darf nur jene Systeme, Felder und Dokumente lesen, die für seine Aufgabe notwendig sind.
• Schreibrechte: Jede Aktion im operativen System braucht eine klare Berechtigung, etwa Status setzen, Nachricht senden oder Zeitfenster ändern.
• Entscheidungslogik: Regeln für Kosten, Prioritäten, Kundengruppen, Service Levels und Ausnahmen müssen explizit hinterlegt sein.
• Eskalation: Bei fehlenden Daten, widersprüchlichen Angaben oder Regelverletzungen muss der Agent abbrechen und an einen Menschen übergeben.
• Protokollierung: Jede Empfehlung und jede ausgeführte Aktion muss nachvollziehbar sein, inklusive Datenquelle, Zeitpunkt und Freigabe.

Eine gute Grenze ist nicht nur ein Verbot. Sie beschreibt auch, was passieren soll, wenn der Agent nicht weiterkommt. Gerade in der Disposition ist ein sauberer Abbruch oft wertvoller als eine kreative, aber falsche Lösung.

Wer grundsätzlich prüfen möchte, ob eine KI-Lösung im Unternehmen wirklich operativen Mehrwert bringt, findet in unserem Beitrag über KI-Software, die Geschäftsprozesse wirklich unterstützt eine breitere Einordnung.

Live-Daten sind notwendig, aber nicht jede Datenquelle ist hilfreich

Ein KI-Agent für die Disposition ist nur so gut wie die Aktualität und Qualität seiner Daten. Wenn er mit veralteten CSV-Exporten arbeitet, erkennt er Verspätungen zu spät. Wenn er auf widersprüchliche Systemstände zugreift, erzeugt er zusätzliche Klärungsarbeit.

In der Praxis geht es meist um mehrere Quellen: Aufträge aus dem ERP, Tourdaten aus dem TMS, Lagerstatus aus dem WMS, Fahrzeugpositionen aus der Telematik, Kundenvereinbarungen aus dem CRM und E-Mails mit kurzfristigen Änderungen. Der Agent sollte diese Quellen nicht unkontrolliert vermischen. Für jeden Datentyp muss klar sein, welches System führend ist.

Ein Beispiel: Wenn das ERP einen Liefertermin enthält, das Kundenportal aber ein geändertes Zeitfenster zeigt, darf der Agent nicht selbst entscheiden, welche Information stimmt. Er kann den Konflikt erkennen, die betroffenen Aufträge bündeln und eine Prüfung auslösen. Die Entscheidung über die verbindliche Änderung liegt beim Disponenten oder bei einer definierten Geschäftsregel.

Bei sensiblen Prozessen, etwa wenn personenbezogene Fahrerdaten, Kundeninformationen oder Vertragsdaten verarbeitet werden, sollte zusätzlich ein sauberes Rollen- und Zugriffskonzept bestehen. Dazu passt unser Artikel darüber, wie Unternehmen KI in Europa für sensible Prozesse verantwortungsvoll nutzen.

Der Agent darf nicht direkt alles können

Ein häufiger Fehler ist, einem KI-Agenten zu früh zu viele Werkzeuge zu geben. Technisch kann ein Agent über APIs Status ändern, Termine buchen, Nachrichten senden oder Datensätze anlegen. Operativ sinnvoll ist das nur, wenn jede dieser Aktionen als eigenes Werkzeug mit klaren Parametern gebaut wird.

Statt einem allgemeinen Schreibzugriff auf das Transportmanagementsystem sollte es zum Beispiel eine eng definierte Funktion geben: „Kundenbenachrichtigung für verspätete Lieferung erstellen und nach Freigabe senden“. Eine andere Funktion könnte lauten: „Vorgeschlagenes Ersatzzeitfenster im Auftrag vormerken“. Beide Funktionen haben andere Risiken und brauchen andere Freigaben.

Hilfreich ist auch eine technische Trennung zwischen Vorschlag und Ausführung. Der Agent erstellt zunächst einen Plan mit Quellenangaben und Begründung. Erst wenn eine Regel erfüllt ist oder ein Mensch freigibt, wird eine Aktion im Zielsystem ausgelöst. So bleibt der operative Kern stabil, auch wenn der Agent eine unvollständige Situation erkennt.

Beispiele für sinnvolle Grenzziehung

In einem Logistikbetrieb könnte ein KI-Agent automatisch Kunden informieren, wenn eine Lieferung laut Telematik voraussichtlich weniger als 30 Minuten verspätet ist und kein vertraglich kritisches Zeitfenster betroffen ist. Sobald aber ein Premiumkunde, eine temperaturgeführte Lieferung oder eine drohende Vertragsstrafe im Spiel ist, muss der Vorgang eskalieren.

Bei einem Automotive-Zulieferer kann der Agent Abrufänderungen prüfen und der Disposition anzeigen, welche Transporte betroffen sind. Er darf aber keine Priorität zwischen zwei OEM-Kunden setzen, wenn die Kapazität nicht für beide reicht. Diese Entscheidung braucht Geschäftsregeln, Kundenwissen und Verantwortung auf Management- oder Leitstandsebene.

In der Bauwirtschaft kann ein Agent erkennen, dass eine Betonlieferung mit einer Straßensperre kollidiert und ein alternatives Zeitfenster vorschlagen. Er sollte aber nicht eigenständig die Reihenfolge von Gewerken ändern, weil daran Arbeitskräfte, Geräte, Genehmigungen und Sicherheitsfragen hängen.

Im Immobilienbetrieb kann ein Agent Wartungsaufträge vorsortieren, Verfügbarkeiten prüfen und Terminvorschläge an Dienstleister senden. Bei sicherheitsrelevanten Meldungen, etwa Brandmeldeanlage, Wasserschaden oder Liftstörung, muss eine feste Eskalationslogik greifen.

Testen im Schattenbetrieb statt Risiko im Echtbetrieb

Vor dem ersten produktiven Einsatz sollte ein KI-Agent eine Zeit lang im Schattenbetrieb laufen. Er liest echte Daten und erstellt echte Vorschläge, führt aber noch keine Aktionen aus. Die Disposition vergleicht seine Empfehlungen mit den tatsächlichen Entscheidungen.

Dieser Schritt ist aufschlussreich, weil er fachliche Schwächen sichtbar macht. Vielleicht erkennt der Agent Verspätungen zuverlässig, bewertet aber Kundengruppen falsch. Vielleicht schlägt er alternative Touren vor, die theoretisch passen, aber in der Praxis wegen Rampenzeiten, Fahrervorlieben oder lokalen Einschränkungen nicht funktionieren. Solche Erkenntnisse gehören nicht in eine PowerPoint, sondern zurück in Regeln, Schnittstellen und Testfälle.

Nach dem Schattenbetrieb kann der Handlungsspielraum schrittweise erweitert werden. Zuerst werden Vorschläge besser strukturiert. Dann werden Standardnachrichten vorbereitet. Später dürfen bestimmte Aktionen nach Freigabe ausgeführt werden. Erst wenn die Fehlerrate, die Akzeptanzquote und die Eskalationsfälle stabil sind, sollte über begrenzte automatische Ausführung gesprochen werden.

Woran sich der Erfolg messen lässt

Ein KI-Agent in der Disposition ist erfolgreich, wenn er operative Arbeit reduziert, ohne die Qualität der Entscheidungen zu verschlechtern. Dafür braucht es andere Kennzahlen als bei einer Demo.

Sinnvolle Messpunkte sind etwa die Zeit bis zur Erkennung einer Abweichung, die Zahl der manuell geprüften Standardfälle, die Akzeptanzquote der Vorschläge, die Häufigkeit von Eskalationen und die Korrekturen nach ausgeführten Aktionen. Auch weiche Faktoren zählen: Verstehen Disponenten, warum ein Vorschlag gemacht wurde? Vertrauen sie den Datenquellen? Können sie den Agenten überstimmen, ohne einen Workaround zu bauen?

Gerade dieser letzte Punkt entscheidet im Alltag. Ein System, das nur unter Idealbedingungen funktioniert, wird in der Disposition umgangen. Ein Agent mit klaren Grenzen kann dagegen Schritt für Schritt Vertrauen aufbauen, weil er zuverlässig das tut, wofür er gebaut wurde.

Häufige Fragen

Soll ein KI-Agent in der Disposition eigenständig Entscheidungen treffen? Nur bei klar standardisierten, risikoarmen Vorgängen. Für Änderungen mit Kostenfolgen, Kundenprioritäten, Vertragsrisiken oder Sicherheitsbezug sollte ein Mensch entscheiden oder zumindest freigeben.

Welche Systeme muss ein Dispositionsagent anbinden? Typisch sind ERP, TMS, WMS, Telematik, CRM und Kommunikationskanäle wie E-Mail oder Kundenportale. Entscheidend ist nicht die Anzahl der Systeme, sondern ob die relevanten Daten aktuell, eindeutig und über saubere Schnittstellen verfügbar sind.

Wie lange dauert es, bis ein KI-Agent produktiv nutzbar ist? Das hängt stark von Prozessklarheit, Datenqualität und Schnittstellen ab. Ein begrenzter Anwendungsfall lässt sich oft deutlich schneller umsetzen als ein umfassender Dispositionsassistent für alle Sonderfälle. Ein Schattenbetrieb vor der Automatisierung ist fast immer sinnvoll.

Was passiert, wenn der Agent falsche Daten erhält? Dann muss er den Konflikt erkennen oder an definierten Stellen abbrechen. Deshalb braucht es Quellenprioritäten, Plausibilitätsprüfungen und Protokolle. Der Agent sollte nicht raten, wenn operative Daten widersprüchlich sind.

Mit klaren Grenzen produktiv starten

KI-Agenten können die Disposition spürbar entlasten, wenn sie nicht als frei handelnde Blackbox eingeführt werden. Der richtige Weg beginnt mit einem konkreten Prozess, verlässlichen Daten, begrenzten Rechten und einem Freigabemodell, das zum Risiko passt.

Gloura entwickelt operative KI-Systeme und individuelle Software für Unternehmen in Wien und der DACH-Region, unter anderem für Logistik, Industrie und andere datenintensive Abläufe. Wenn Sie prüfen möchten, welcher Dispositionsprozess sich für einen KI-Agenten eignet und wo die Grenzen liegen sollten, ist ein fachlicher Discovery-Termin ein sinnvoller erster Schritt.