KI-optimiertes Warehouse Slotting

Das echte Ausmaß des Problems

Im Lager läuft täglich ein Marathon, den niemand sieht. Laut dem Fraunhofer-Institut für Materialfluss und Logistik (IML) entfallen 55–70 % der Kommissionierzeit auf Fahren und Gehen — nicht auf das eigentliche Greifen. Das bedeutet: Wer die Laufwege optimiert, optimiert den größten Zeitblock der Lagerarbeit.

Die Zahlen sind konkret: Ein Kommissionierer mit 300 Positionen täglich legt in einem schlecht organisierten Lager bis zu 20 Kilometer zurück — in einem optimierten Lager unter 12. Die Differenz: 8 Kilometer weniger. Bei einem Geh-Tempo von 5 km/h entspricht das 1,6 Stunden weniger produktiver Laufzeit täglich. Bei 10 Kommissionierern: 16 gewonnene Produktivstunden täglich, ca. 4.000 Stunden/Jahr.

Der Grund für diese Ineffizienz ist systematisch: Lagerplätze entstehen durch pragmatische Entscheidungen — nächster freier Platz, neue Lieferung kommt rein. Eine Überprüfung nach Zugriffsfrequenz, Kommissionierpfaden und saisonalen Veränderungen findet kaum statt. Das Ergebnis: Das Lager wird im Lauf der Zeit immer suboptimaler, ohne dass jemand es aktiv schlechter macht.

Laut einer Fraunhofer-IML-Studie können durch optimiertes Slotting die Laufwege um 15 bis 40 Prozent reduziert werden — ohne neue Maschinen und ohne Umbaumaßnahmen. Nur durch Reorganisation auf Basis von Daten.

Mit vs. ohne KI — ein ehrlicher Vergleich

Fraunhofer-IML-Studie (2022): Slotting-Optimierung in deutschen Lagerbetrieben; Einsparpotenzial Laufwege 15–40 %.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Slotting-Optimierung spart Zeit — aber erst nach der physischen Reorganisation, die selbst Aufwand kostet. Der Nettoeffekt ist real und messbar, aber nicht so unmittelbar wie bei Routenoptimierung oder Versandkommunikation. Der Zeitgewinn fließt indirekt über mehr Picks pro Stunde, nicht direkt über reduzierte Aktivität.

Kosteneinsparung — mittel (3/5) Die Kosteneinsparung entsteht durch Personalproduktivität — nicht durch direktes Einsparen eines Budgetpostens. Was sich gut rechnet in der Kalkulation, lässt sich beim Controlling schwerer isolieren als etwa Kraftstoffeinsparungen.

Schnelle Umsetzung — niedrig (1/5) Die Analyse läuft in Wochen. Aber die physische Umsetzung — tausende Artikel von Platz A nach Platz B — dauert Monate und bringt den laufenden Betrieb zum Stocken. Das ist der schwächste Implementierungspunkt in dieser Branche. Wer denkt, das System spuckt einen Plan aus und morgen ist alles besser, wird enttäuscht.

ROI-Sicherheit — gering (2/5) Slotting-ROI ist messbar, aber conditional: Wenn die Reorganisation konsequent umgesetzt wird und nicht nach sechs Monaten wieder im alten Zustand ist, ist der ROI klar. Wenn das Lager schnell wieder unorganisiert wird (neue Artikel ohne Zuordnung), verpufft der Effekt. Das Commitment zur kontinuierlichen Pflege ist entscheidend.

Skalierbarkeit — maximal (5/5) Je größer das Lager, desto mehr Artikel, desto komplexer die Optimierungspfade — und desto wertvoller das KI-Modell. Manuell ist ein 5.000-Artikel-Lager nicht zu optimieren. Das Modell kann das in Stunden. Wachstum erhöht den Wert, nicht die Kosten.

Richtwerte — stark abhängig von Umsetzungskonsequenz und Lagerstruktur.

So funktioniert KI-Slotting

Datenextraktion aus dem WMS: Grundlage ist die Zugriffshistorie aus dem Warehouse Management System — welche Artikel in welchen Mengen und in welcher Reihenfolge kommissioniert wurden, idealerweise 6–12 Monate zurück. Die meisten modernen WMS-Systeme können diese Daten als Export liefern.

ABC/XYZ-Analyse und Slotting-Algorithmus: Die KI führt eine erweiterte ABC-Analyse durch: A-Artikel (hohe Zugriffsfrequenz) kommen in die goldene Zone (ergonomische Greifhöhe, kurze Wege), B-Artikel in die Silberzone, C-Artikel in die Bronzezone. Zusätzlich werden Kommissionierpfade berücksichtigt: Artikel, die häufig zusammen bestellt werden, kommen physisch nahe zueinander.

Reorganisationsplan: Die KI liefert einen priorisierten Umzugsplan: “Artikel 4711 von Platz C-08 nach A-03 bewegen — spart 180 Kommissionierungen pro Woche 3,2 Meter Laufweg.” Der Plan ist sortiert nach ROI, damit der Betrieb die wirkungsvollsten Umzüge zuerst macht und bei Zeitdruck abbrechen kann.

Regelmäßige Neuoptimierung: Saisonsortiment verändert das Zugriffsmuster. Das System empfiehlt quartalsweise Anpassungen — besonders vor saisonalen Peaks (Weihnachten, Sommersaison).

Konkrete Werkzeuge — was wann passt

Slotting.io / Optricity — spezialisierte Slotting-Optimierungsplattformen. Automatische ABC-Analyse, Pfadoptimierung, Umzugsplan-Generierung. SaaS-Modell ab ca. 800–2.500 Euro/Monat je nach Artikelanzahl. Gut für Lager ab 1.000 Artikeln.

SAP EWM Slotting / Manhattan Associates — Enterprise-WMS mit integrierter Slotting-Funktion. Für Betriebe, die bereits auf diesen Systemen laufen. Keine zusätzlichen Kosten für die Funktion, aber komplexe Einrichtung.

Eigene Analyse mit ChatGPT oder Claude + WMS-Export (kostenlos als Einstieg): Wer einen WMS-CSV-Export hat, kann eine einfache ABC-Analyse manuell mit KI-Unterstützung starten. “Analysiere diese Kommissionierhistorie und empfehle, welche 20 Artikel von weiter entfernten Plätzen in den vorderen Bereich umziehen sollten.” Kein automatischer Plan, aber ein fundierter erster Schritt ohne Kosten.

Datenschutz und Datenhaltung

Slotting-Optimierung verarbeitet keine personenbezogenen Daten — nur Artikel-Bewegungsdaten aus dem WMS. Datenschutzrechtlich unkritisch. Wenn das System jedoch Kommissionierer-Leistungsdaten einbezieht (wer greift wie schnell), greift § 87 BetrVG und eine Betriebsvereinbarung ist erforderlich. WMS-Exporte in Cloud-Dienste unterliegen den Datenschutzrichtlinien der Anbieter — für reine Artikeldaten ohne Personenbezug ist das in der Praxis unkritisch.

Was es kostet — realistisch gerechnet

Spezialisierte Slotting-Software:

• Einrichtung: 1–4 Wochen, intern 20–40 Stunden für Datenaufbereitung
• Laufend: 800–2.500 Euro/Monat
• Physische Umsetzung: 40–200 Stunden Lagerarbeit (je nach Umfang und Überschneidung mit laufendem Betrieb)

ROI-Kalkulation: 15 Kommissionierer × 8 Stunden täglich × 20 % Zeitersparnis = 24 Stunden täglich. Bei 20 Euro/Stunde = 480 Euro täglich, 120.000 Euro/Jahr. Software-Kosten von 24.000 Euro/Jahr: Faktor 5. Aber: Das setzt vollständige Umsetzung und konsequente Pflege voraus.

Einstieg mit ChatGPT-Analyse (kostenlos): Eine erste ABC-Analyse kostet nur die Zeit für den WMS-Export (1–2 Stunden). Das identifiziert die wirkungsvollsten Umzüge, ohne spezialisierte Software kaufen zu müssen.

Typische Einstiegsfehler

Slotting-Plan erstellt, aber nie vollständig umgesetzt. Das ist die häufigste Ursache für Misserfolg. Der Plan liegt in der Schublade, 40 % wurden umgesetzt, dann kam das Tagesgeschäft. Teilerfolge sind messbar, aber die volle Potenzialentfaltung bleibt aus. Wer nicht verbindlich Umsetzungswochen im Kalender blockiert, bevor das Projekt startet, wird dieses Schicksal mit hoher Wahrscheinlichkeit teilen.

Neue Artikel ohne Slotting-Prozess. Nach der Reorganisation kommen neue Artikel und landen wieder nach “nächster freier Platz”. Erfahrungsgemäß sind 30–40 % der Optimierungswirkung nach 12 Monaten verpufft, wenn kein Prozess für die Neuzuordnung existiert — messbar an Laufwegstatistiken im WMS. Definiere vor dem Go-live schriftlich: Wer weist neuen Artikeln den Lagerplatz zu, nach welchem Kriterium, und wann wird die Zuweisung quartalsweise überprüft? Diese Prozessdefinition kostet 2–3 Stunden — das Fehlen kostet Monate Optimierungsarbeit.

Zu kurzen Analysezeitraum gewählt. Eine 3-Monate-Zugriffshistorie bildet keine saisonalen Muster ab. Mindestens 12 Monate Daten vor der ersten Optimierung — sonst werden Weihnachtsartikel in die goldene Zone gesetzt, die im März keiner anfasst.

Ergonomische Faktoren ignoriert. Schwere Artikel in die goldene Zone zu legen, ist falsch — auch wenn sie häufig zugegriffen werden. Artikel über 10 kg in Greifhöhe (0,8–1,5 m) erhöhen das Rückenbelastungsrisiko messbar; in einem Betrieb mit 15 Kommissionierern entstehen daraus erfahrungsgemäß 2–3 Arbeitsausfälle pro Jahr durch MSE-bedingte Krankmeldungen. Gewicht und Ergonomie müssen im Algorithmus als Constraint hinterlegt sein — mindestens: “Artikel über 15 kg dürfen nicht oberhalb von 1,2 m platziert werden”. Wer das weglässt, optimiert Laufwege auf Kosten der Gesundheit der Kommissionierer.

Was mit der Einführung wirklich passiert — und was nicht

Der Reorganisationsplan liegt vor — und dann kommt die Ernüchterung: Das Tagesgeschäft lässt keine Zeit für den Umzug. Artikel, die täglich gebraucht werden, können nicht ohne Betriebsunterbrechung umgezogen werden. In der Praxis dauert die vollständige Umsetzung eines Plans für ein mittelgroßes Lager 2–4 Monate, nicht 2–4 Wochen. Wer das nicht einplant, bricht mittendrin ab.

Was sich hingegen sofort verbessert: die Planungsgrundlage. Erstmals weiß der Lagermanager, wie ineffizient das Lager wirklich ist — und kann priorisieren. Die wichtigsten 20 % der Umzüge bringen oft 60 % des Effekts. Dieser erste Schritt ist auch ohne vollständige Reorganisation wertvoll.

Eine weitere Unterschätzung: Kommissionierer müssen die neuen Lagerplätze lernen. Wer jahrelang wusste, wo Artikel 4711 steht, sucht ihn nach dem Umzug automatisch am alten Platz. Übergangsbezeichnungen und eine kurze Eingewöhnungszeit — erfahrungsgemäß 2–3 Wochen — gehören zum Einführungsplan.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Wir haben keine Zeit für eine Lagerreorganisation.” Das ist der häufigste und meistens ehrlichste Einwand. Lagerreorganisation unterbricht den laufenden Betrieb — und in vielen Betrieben gibt es keinen richtigen Moment dafür. Die Antwort ist schrittweise Umsetzung: Die wichtigsten 50 Artikel umziehen, Wirkung messen, dann weitermachen. Kein Großprojekt, sondern iterative Verbesserung.

“Unser Lagerpersonal kennt das Lager auswendig — die brauchen keinen Plan.” Das stimmt, und das ist auch das Problem: Das implizite Wissen sitzt in einzelnen Personen, nicht im System. Wenn erfahrene Kommissionierer krank werden oder das Unternehmen verlassen, ist dieses Wissen weg. Ein datenbasiertes Slotting-System macht das Wissen explizit und verlässlich.

“Das WMS-System ist zu alt für diese Analyse.” Ältere WMS-Systeme haben oft weniger granulare Exportfunktionen — aber fast alle liefern eine Zugriffshistorie in irgendeiner Form. Ein CSV-Export mit Artikelnummer, Lagerplatz und Datum reicht für eine erste ABC-Analyse. ChatGPT oder Claude können diese Analyse aus einem einfachen CSV-Export sofort durchführen — kein spezialisiertes System nötig für den ersten Schritt.

Woran du merkst, dass das zu dir passt

Das spricht dafür:

• Lager mit mehr als 500 verschiedenen Artikeln und messbarem Laufwegproblem
• WMS vorhanden mit mindestens 6–12 Monaten Zugriffshistorie
• Bereitschaft, die physische Reorganisation konsequent und schrittweise umzusetzen
• Saisonale Schwankungen, die eine regelmäßige Neuoptimierung sinnvoll machen

Das spricht dagegen:

• Kleines Lager (unter 200 Artikel) — Optimierungspotenzial zu gering für Software-Investition
• Vollautomatisches Hochregallager — Slotting-Optimierung ist für manuelle Kommissionierung ausgelegt
• Kein Commitment zur regelmäßigen Neubewertung — einmaliger Plan ohne Pflege verliert innerhalb eines Jahres den Großteil seines Werts

Das kannst du heute noch tun

Quellen & Methodik

• Fraunhofer IML: „Warehouse Performance Benchmarking” (2022) — Laufweganteil an Kommissionierzeit, Einsparpotenzial durch Slotting
• GS1 Germany: „Best Practices Lager & Logistik” (2023) — Praxisleitfaden Lageroptimierung
• Praxisberichte: Handels- und Logistikbetriebe mit 500–10.000 Artikel-SKUs, Umsetzungen 2021–2024