)
Wie viel dürfen KI-Agenten in einem Lager selbst entscheiden?
Das LEA AI Agent Authority Model: In fünf Stufen von „Inform“ bis „Governed Autonomy“
Mit jeder Bestellung steht eine neue Entscheidung an
Logistik steht nie still. Jeder Auftrag, jeder ankommende Lkw und jeder Schichtwechsel verlangt neue Entscheidungen – meist schnell, oft unter Druck und mit unvollständigen Informationen.
An Daten mangelt es heute kaum einem Lager. Die Herausforderung liegt darin, daraus rechtzeitig die richtigen Maßnahmen abzuleiten. Teams verbringen Stunden damit, zu prüfen, Berichte zu erstellen und nachzufassen. Störungen fallen oft erst auf, wenn ein SLA bereits gefährdet ist. Und kritisches Wissen steckt nach wie vor in den Köpfen einiger weniger Erfahrungsträger, die nicht in jeder Schicht verfügbar sind.
KI kann hier helfen – die Frage ist nur, wie. Viele Diskussionen über KI in der Logistik drehen sich sofort um Vollautomatisierung. In der Praxis zeigt sich jedoch: Den größten Nutzen erzielen Unternehmen, die nicht auf maximale Autonomie setzen, sondern der KI für jede Entscheidung genau den Spielraum geben, der dort sinnvoll ist.
Hier setzt das LEA AI Agent Authority Model an. Mit diesem Rahmenwerk legen Unternehmen fest, wie viel Entscheidungsbefugnis jeder KI-Agent in jedem operativen Prozess erhält. Was ein Agent tun darf, richtet sich nach dem KI-Reifegrad des Unternehmens, dem operativen Kontext und dem jeweiligen Risiko.
Erst die Entscheidung, dann die Autonomie
Meist wird die Frage als Entweder-oder gestellt: Braucht die KI eine Freigabe durch einen Menschen, oder darf sie selbstständig handeln? Dabei gerät aus dem Blick, worauf es ankommt: wofür der Agent zuständig ist.
Nehmen wir zwei Agenten, die beide ohne Freigabe handeln. Der eine bucht ein einzelnes Rampenzeitfenster um, weil sich ein Spediteur verspätet. Der andere plant eine komplette Schicht neu – Personaleinsatz, Kommissionierwellen und Torbelegung. Beide sind „autonom“, doch die Folgen eines Fehlers könnten unterschiedlicher kaum sein: Im einen Fall betrifft ein Fehler einen einzelnen Lkw, im anderen das gesamte Lager.
Deshalb setzt das Modell nicht allein bei der Frage an, ob ein Mensch eingebunden ist („Human in the Loop“), sondern beim Wirkungsbereich des Agenten: Wie weit reichen seine Entscheidungen, und was steht auf dem Spiel, wenn er sich irrt?
Auch für KI gibt es Vertrauen nicht auf Vorschuss
Ein Blick in die Lagerhalle zeigt, wie Verantwortung heute verteilt ist. Neue Mitarbeiter halten sich an Anweisungen und fragen nach, bevor sie davon abweichen. Schichtleiter setzen Personal zwischen Bereichen um, ohne Rücksprache zu halten. Erfahrene Disponenten stellen den gesamten Tagesplan um, wenn ein Großkunde kurzfristig seine Aufträge ändert. Verantwortung wird nicht pauschal vergeben, sondern richtet sich nach Aufgabe, Erfahrung und den möglichen Folgen eines Fehlers.
KI sollte auf die gleiche Weise funktionieren.
Manchmal sollte ein KI-Agent einfach nur informieren und dabei helfen zu verstehen, was gerade passiert. Manchmal sollte er empfehlen, was als Nächstes zu tun ist. Und manchmal sollte er selbst handeln und eine konkrete Aufgabe innerhalb festgelegter Grenzen ausführen. Auf den höheren Stufen ändert sich das Betriebsmodell grundlegend. Mehrere Agenten arbeiten dann über Menschen, Anwendungen und Systeme hinweg zusammen. Zunächst stimmen sie Abläufe untereinander ab, später steuern sie ein übergeordnetes operatives Ziel, immer innerhalb klar definierter Leitplanken.
Das LEA AI Agent Authority Model macht aus dieser vertrauten Logik ein strukturiertes Rahmenwerk.
Zwei Dimensionen, ein Rahmenwerk
Das Modell verbindet zwei Aspekte, die meist getrennt betrachtet werden:
Der KI-Reifegrad der Organisation beschreibt, wie weit ein Unternehmen beim Einsatz von KI ist, gemessen an Erfahrung, Governance, Kontrollmechanismen, Vertrauen und nachweisbaren Ergebnissen. Im Modell nimmt er von oben nach unten zu.
Die kontextbezogene Befugnis eines Agenten beschreibt, wie viel Entscheidungsspielraum ein bestimmter Agent in einem bestimmten Prozess hat. Sie nimmt von links nach rechts zu, von „Inform“ über „Recommend“, „Act“ und „Coordinate“ bis „Governed Autonomy“.
Keine der beiden Dimensionen funktioniert für sich allein. Der Reifegrad zeigt, wie weit ein Unternehmen gehen könnte, aber nicht, wie weit es in einem konkreten Prozess gehen sollte. Die Befugnis zeigt, was ein Agent leisten kann, aber nicht, ob das Unternehmen bereit ist, ihn auch machen zu lassen. Der eigentliche Wert des Modells liegt im Zusammenspiel beider Dimensionen.
Das Modell unterscheidet vier Reifestufen. Mit jeder Stufe steht eine größere Bandbreite an Befugnissen zur Verfügung:
Early Adoption (Stufen 1–2): Das Unternehmen erprobt KI und lernt, wo sie echten Mehrwert schafft.
Established (Stufen 1–3): Grundlagen, Governance und Erfahrung sind vorhanden.
Advanced (Stufen 1–4): Das Vertrauen in operative Anwendungsfälle wächst.
Mature (Stufen 1–5): Starke Governance, hohes Vertrauen und nachweislich erzielte Ergebnisse.
Zu jeder Befugnisstufe gehört ein klar geregelter Handlungsrahmen (Governed Authority Envelope). Er umfasst die Leitplanken, Richtlinien und Freigabeprozesse, die festlegen, was ein Agent tun darf. Dieser Rahmen ist keine starre Einstellung. Er lässt sich konfigurieren, überwachen und prüfen und kann Schritt für Schritt erweitert werden, wenn das Vertrauen wächst und sich die Abläufe verändern.
Die fünf Stufen: Schritt für Schritt mehr Befugnis
Die fünf Stufen auf der horizontalen Achse des Modells beschreiben, wie weit die Befugnisse eines KI-Agenten reichen. Man kann sie wie eine Leiter lesen. Mit jeder Stufe wächst der Verantwortungsbereich des Agenten, und mit jedem Schritt nach oben verändert sich das Verhältnis zwischen dem Agenten und den Menschen, mit denen er arbeitet.
Stufe 1 – Inform
Die KI liefert Informationen und Erkenntnisse. Der Mensch entscheidet und handelt.
Beispiel: Smart Search beantwortet operative Fragen in natürlicher Sprache. Schichtleiter müssen sich nicht mehr durch Masken und Berichte klicken, um zu verstehen, was gerade passiert.
Stufe 2 – Recommend
Die KI empfiehlt, was zu tun ist. Der Mensch entscheidet und setzt die Maßnahme um.
Beispiel: Der Labor Distribution Agent erkennt, dass sich in der Kommissionierung ein Engpass anbahnt, und empfiehlt, Personal aus dem Packbereich abzuziehen. Der Schichtleiter entscheidet, ob er das tut.
Stufe 3 – Act
Die KI führt klar definierte Aufgaben aus, entweder nach Freigabe durch einen Menschen oder eigenständig innerhalb vereinbarter Grenzen. Der Mensch gibt frei oder legt die Grenzen fest.
Beispiel: Der Dock Scheduling Agent bucht ein freigegebenes Rampenzeitfenster oder nimmt zulässige Änderungen automatisch vor. Ähnlich arbeitet der ABC Rebalancer Agent. Er berechnet die ABC-Klassen anhand realer Bewegungsdaten neu und überträgt sie ins WMS, sobald ein Mitarbeiter sie bestätigt.
Was sich ändert: Hier geht die KI vom Empfehlen zum Ausführen über. Zum ersten Mal verändert das Ergebnis des Agenten den Betrieb selbst und nicht nur das Lagebild eines Menschen. Deshalb müssen die Grenzen, innerhalb derer er arbeitet, klar festgelegt sein, bevor er handelt.
Stufe 4 – Coordinate
Die KI koordiniert mehrere voneinander abhängige Aufgaben über Prozesse, Menschen oder Systeme hinweg und trifft und vollzieht Entscheidungen im Rahmen übertragener Befugnisse. Der Mensch überträgt Befugnisse und behält die Aufsicht.
Beispiel (in Vorbereitung): Ein Flow Recovery Agent koordiniert Korrekturmaßnahmen über mehrere Lagerprozesse hinweg.
Was sich ändert: Die KI führt nicht mehr nur einzelne Aufgaben aus, sondern koordiniert mehrere voneinander abhängige Abläufe. Ein verspäteter Lkw im Wareneingang wirkt sich auf Einlagerung, Nachschub, Kommissionierung und Versand aus. Auf dieser Stufe berücksichtigt der Agent solche Folgeeffekte, statt jede Aufgabe isoliert zu betrachten.
Stufe 5 – Governed Autonomy
Die KI steuert ein operatives Ergebnis durchgängig. Sie überwacht laufend die Leistung, trifft Entscheidungen und passt ihr Vorgehen innerhalb definierter Ziele und Leitplanken an. Der Mensch legt Ziele und Leitplanken fest.
Beispiel (in Vorbereitung): Autonome Wave & Flow Agents steuern die Lagerausführung kontinuierlich.
Was sich ändert: Die KI koordiniert nicht mehr nur Abläufe, sondern steuert und optimiert ein operatives Ergebnis fortlaufend. Die Rolle des Menschen verschiebt sich. Statt einzelne Maßnahmen freizugeben, definiert er Ziele, setzt Leitplanken und bewertet die Ergebnisse.
Reife heißt nicht, alles auf Stufe 5 zu heben
Das ist der Kern des Modells. Ein reifes Unternehmen bringt nicht jeden Prozess auf Stufe 5. In einem Prozess setzt es vielleicht auf „Inform“, in einem anderen auf „Act“ und in einem dritten auf „Governed Autonomy“. Jede Reifestufe erweitert die Bandbreite möglicher Befugnisse. Das heißt aber nicht, dass jeder Prozess die höchste Stufe nutzen sollte.
Nehmen wir ein einzelnes Lager. Rampenbuchungen fallen häufig an, wiederholen sich und lassen sich leicht rückgängig machen. Der Dock Scheduling Agent kann hier also auf Stufe „Act“ arbeiten und Zeitfenster innerhalb der Regeln bestätigen, die die Disponenten festgelegt haben. Wird dagegen Personal umgesetzt, betrifft das Menschen, Qualifikationen und alle anderen Abläufe der Schicht. Deshalb kann dasselbe Unternehmen den Labor Distribution Agent auf Stufe „Recommend“ belassen, und der Schichtleiter entscheidet über jede Umsetzung selbst. Derselbe Standort, derselbe Reifegrad und trotzdem unterschiedliche Befugnisse.
Denn welche Befugnis die richtige ist, hängt vom operativen Kontext ab:
Bei einem einfachen, wiederkehrenden Prozess kann mehr Befugnis gerechtfertigt sein.
Bei einem komplexen Prozess oder einem mit großer Tragweite sollten Menschen deutlich enger eingebunden bleiben.
Es geht also nicht darum, möglichst schnell maximale Autonomie zu erreichen. Es geht darum, für jede operative Aufgabe die passende Befugnis zu finden.
Fünf Fragen, bevor Sie einem Agenten Befugnisse übertragen
Wer das Modell auf einen konkreten Anwendungsfall übertragen will, beginnt mit fünf Fragen:
Was steht auf dem Spiel? Welche operativen Risiken müssen beherrscht werden, und wie teuer ist eine Fehlentscheidung? Lässt sie sich rückgängig machen?
Wie viel Kontrolle ist nötig? Wer muss prüfen, freigeben oder informiert werden, und wie schnell?
Sind die Daten verlässlich? Sind die Daten, auf die sich der Agent stützt, für diese Entscheidung verfügbar, vollständig und zuverlässig genug?
Welche Befugnis passt? Welche Stufe ist auf Basis dieser Antworten heute für den Anwendungsfall angemessen?
Wie wächst die Befugnis? Welche Nachweise würden es rechtfertigen, den Handlungsrahmen mit zunehmender Reife zu erweitern?
Das Modell in der Praxis: LEA Dynamic Intelligence
LEA Dynamic Intelligence ist die agentische KI von Logistics Reply für die Supply-Chain-Ausführung, und sie basiert auf dem LEA AI Agent Authority Model. Sie übernimmt nicht Ihren Betrieb. Jeder Agent arbeitet auf einer festgelegten Befugnisstufe und innerhalb der Leitplanken, die Sie definieren. Dabei ist klar geregelt, was er selbstständig tun darf und wofür er die Bestätigung eines Menschen braucht.
LEA Dynamic Intelligence bietet einen Katalog vorkonfigurierter Agenten für verschiedene operative Prozesse. Sie sind sofort einsatzbereit, und trotzdem lässt sich jeder einzelne konfigurieren, überwachen und lückenlos nachvollziehen.
Deckt der Katalog einen Bedarf nicht ab, können Sie mit dem LEA Agent Builder eigene Agenten erstellen. Für sie gelten dasselbe Befugnismodell und dieselben Leitplanken. Mehr zu den einzelnen Agenten lesen Sie in unserem Beitrag „5 KI-Agenten, die echte Lagerprobleme lösen“.
Die richtige Befugnis. Für jede Entscheidung.
Agenten ersetzen Ihre Mitarbeitenden nicht. Sie verschaffen ihnen Zeit, Klarheit und Sicherheit für die nächste Entscheidung. Das LEA AI Agent Authority Model sorgt dafür, dass jeder Agent genau die Befugnis erhält, die die jeweilige Aufgabe erfordert. Das gilt heute und auch dann, wenn Ihr Unternehmen in seiner KI-Reife wächst.
Sie sind unsicher, was Sie an KI delegieren, was Sie automatisiert steuern lassen und was Sie unter menschlicher Kontrolle behalten sollten? Logistics Reply analysiert Ihren organisatorischen Kontext und Reifegrad, identifiziert die wichtigsten Anwendungsfälle und unterstützt Sie dabei, für jeden Agenten die passende Befugnisstufe festzulegen.