identpro Systems GmbH

Wie lange dauert es, aus dem eigenen Lager eine Antwort zu bekommen? Nicht den Bestand, sondern den Grund. Warum das Material gestern nicht rechtzeitig an der Linie war. Warum ein Stapler an Tor 4 wartet. Warum eine Palette seit Tagen nicht bewegt wurde.

Solche Fragen beantwortet heute kein System per Knopfdruck. Sie führen über mehrere Masken, oft über mehrere Systeme und am Ende über jemanden, der das Lager kennt. Ein Report hilft nicht weiter, weil die Frage von morgen eine andere ist.

Ab sofort lässt sich das Lager stattdessen fragen.

In normaler Sprache, mit dem Assistenten, den Sie ohnehin nutzen

Lagerbetreiber verbinden ChatGPT, Claude oder ein eigenes, lokal betriebenes LLM mit ihrem Warehouse Execution System und stellen ihre Fragen so, wie sie sie einem Kollegen stellen würden. Es gibt kein neues Programm und keine neue Oberfläche zu lernen. Die Oberfläche ist der Assistent, mit dem ohnehin gearbeitet wird.

Ein Beispiel

Auf die Frage „Warum kam das Material für Auftrag 4711 gestern nicht an der Linie an?” entscheidet der Assistent selbst, welche Daten er dafür braucht. Er fragt z. B. nacheinander Auftragsdaten, Materialbedarf, Bestand, Bewegungen im fraglichen Zeitfenster und die Verfügbarkeit der Fahrzeuge ab. Fünf lesende Abfragen, die niemand vorher festgelegt hat.

Die Antwort: Die drei benötigten Paletten waren vorhanden, konnten zwischen 14:32 und 15:18 Uhr aber nicht transportiert werden. Zwei der drei zuständigen Fahrzeuge waren nicht verfügbar.

Eine Auskunft, für die sich kein eigener Report lohnt, weil sie jedes Mal anders ausfällt.

Vom Shopfloor bis zum CEO

Die Fragen unterscheiden sich je nachdem, wer sie stellt. Am Stapler geht es um ein konkretes Objekt: Wo steht die Palette, was ist aus der letzten Schicht liegengeblieben. In der Lagerleitung um Ursachen und Muster: Welche Lagerplätze wurden seit Monaten nicht angefasst, welche Zonen verursachen die meisten Leerfahrten. In der Geschäftsführung um Entwicklung und Nachweis: Wie hat sich der Durchsatz pro Fahrzeug über ein Jahr verändert, wo war eine bestimmte Charge vom Wareneingang bis zur Verladung.

Alle drei greifen auf denselben Datenbestand zu und bekommen die Antwort in der Form, in der sie sie brauchen. Denn der Assistent liefert nicht nur die Zahl, sondern auch die Aufbereitung: eine Tabelle, ein Diagramm, eine Zusammenfassung für das Montagsmeeting, auf Wunsch ein ganzes Dashboard. Auswertungen entstehen damit im Gespräch, statt als Anforderung an die eigene IT.

Die Arbeitsteilung bleibt dabei klar: Das Warehouse Execution System liefert die Daten, die Darstellung übernimmt der angebundene Assistent.

Eine bewusste Entscheidung: rein lesend

identpro hat den Zugriff auf lesende Abfragen beschränkt. Kein Assistent kann Daten ändern, Aufträge anlegen oder Fahrbefehle auslösen. Schreibende Funktionen sind technisch nicht vorgesehen. Das ist keine Lücke, sondern eine Arbeitsteilung: Für die Ausführung ist das Warehouse Execution System zuständig. Dafür ist es gebaut. Der Assistent fragt, gesteuert wird weiterhin vom System.

Dr. Martin Welp, Geschäftsführer der identpro Systems GmbH:

„Die Branche verspricht gerade autonome Agenten im Lager. Wir halten den ersten nützlichen Schritt für einen anderen: dass Menschen ihr Lager fragen können. Handeln lassen wir die Software bewusst nicht. Wer für einen laufenden Lagerbetrieb verantwortlich ist, will erst sehen, dass die Antworten stimmen.”

Was Lagerbetreiber wissen müssen

Die Daten verlassen das System nicht: Es wird keine Datenkopie erzeugt, gelesen wird zur Laufzeit. Welcher Assistent angebunden wird, entscheidet der Betreiber selbst: Ein lokal betriebenes LLM verarbeitet lokal, ein Cloud-Dienst in der Cloud. Der Zugang läuft über einen API-Key, den der Betreiber vergibt und jederzeit wieder entziehen kann. Ein Betrieb im eigenen Haus ist möglich.

Einen Customizing-Vorlauf gibt es nicht. Voraussetzung ist eine bestehende Installation des Warehouse Execution Systems.

Die Technik dahinter: Model Context Protocol

Möglich wird der Zugriff über das Model Context Protocol (MCP), einen offenen, herstellerneutralen Standard dafür, wie KI-Systeme auf Software und deren Daten zugreifen. Gepflegt wird er seit dem 9. Dezember 2025 von der Agentic AI Foundation unter dem Dach der Linux Foundation, getragen unter anderem von Anthropic, OpenAI, Google, Microsoft und Amazon Web Services.

Für Lagerbetreiber heißt das vor allem Unabhängigkeit: Die Anbindung ist nicht an einen KI-Anbieter gebunden. Wer den Assistenten wechselt, baut die Verbindung nicht neu.

Dass Lagersysteme ihre Daten für KI-Assistenten zugänglich machen, dürfte mittelfristig zum Normalfall werden. Die Frage für Lagerbetreiber ist weniger, ob sie das brauchen – sondern wann.

Jetzt mehr zum KI-Zugriff auf Lagerdaten erfahren