Wie wird KI in Modelogistik und Lager eingesetzt?

KI wird in der Modelogistik vor allem für die robotergestützte Kommissionierung und Handhabung von Artikeln eingesetzt, für die Lageroptimierung wie Lagerplatzvergabe und Personalplanung sowie für verlässlichere Zusagen von Lieferterminen. Es gibt reale Einsätze, etwa die KI-gesteuerten Kommissionierroboter bei Zalando, doch sie decken bestimmte Arbeitsschritte ab und nicht ganze Lager. Der Nutzen hängt von Volumen, Produktmix und der Qualität der Artikel- und Lagerplatzdaten ab.

Warum ist Modelogistik schwer zu automatisieren?

Modelager bewältigen sehr viele SKUs in Grössen und Farben, kurze Produktlebenszyklen, saisonale Spitzen und hohe Retourenquoten in den Online-Kanälen. Die Artikel selbst sind eine Herausforderung: weiche Kleidungsstücke in transparenten Polybeuteln, Schuhe in Kartons unterschiedlicher Grösse, Accessoires in allen Formen. Klassische Automatisierung funktioniert am besten mit einheitlichen, formstabilen Kartons. Für den Umgang mit einzelnen, verformbaren Artikeln braucht es Maschinen, die sehen und sich anpassen können, und hier kommt KI ins Spiel.

Wie sieht KI-gestützte Kommissionierung in der Praxis aus?

Im Oktober 2025 gab Nomagic bekannt, dass Zalando seine Roboter ausgewählt habe, um die Robotik in seinen Fulfilment-Centern auszubauen. Laut Nomagic und Retail Systems greifen die Roboter einzelne Artikel, scannen sie und schleusen sie in automatisierte Taschensorter ein. Ein Pilot erreichte durchschnittlich 10'000 Picks pro Tag; 2025 sollten neun Roboter in Betrieb sein, für 2026 ist eine zweistellige Zahl geplant. Computer Vision und maschinelles Lernen ermöglichen es den Robotern, ein breiteres Produktspektrum zu handhaben und sich an wechselnde Bestände anzupassen. Zalando beteiligte sich zudem mit einer Minderheitsbeteiligung an der Series-B-Finanzierungsrunde von Nomagic über 44 Millionen Dollar.

Im Juli 2026 berichtete FashionNetwork, dass Zalando in Sereact investiert habe, einen Stuttgarter Entwickler von KI für robotergestützte Kommissionierung und Retourenbearbeitung. Der Bericht beschreibt die Investition als Unterstützung für die internationale Einführung der Technologie von Sereact und hält fest, dass die Logistikeinheit von Zalando stark auf Automatisierung setzt; er gibt nicht an, dass Systeme von Sereact in Lagern von Zalando laufen.

Diese Beispiele zeigen das aktuelle Muster: Roboter übernehmen einen definierten, repetitiven Schritt, etwa das Kommissionieren in einen Sorter, während Menschen weiterhin Ausnahmen, Nachschub und viele Aufgaben bei Retouren erledigen.

Lesen Sie auch

Was ist ein KI-gestützter Supply-Chain-Control-Tower und wer handelt auf Basis seiner Anzeigen?

Welche KI-Anwendungsfälle sind in einem Modelager am wichtigsten?

Wie verbessert KI Lagerplatzvergabe und Lieferzusagen?

Die Lagerplatzvergabe bestimmt, wo jeder Artikel im Lager liegt. Modelle des maschinellen Lernens können vorhersagen, welche Artikel zusammen bestellt werden und wie sich die Nachfrage im Lauf einer Saison verschiebt, und dann Umlagerungen vorschlagen, die die Kommissionierwege verkürzen. In der Mode, wo sich Sortimente ständig ändern, kann eine Lagerplatzvergabe, die sich wöchentlich statt einmal pro Saison anpasst, einen messbaren Unterschied machen, vorausgesetzt, die Lagerplatz- und Artikeldaten sind verlässlich.

Lieferzusagen sind die Seite, die die Kundschaft sieht. Ein Modell, das den Lagerort des Bestands, die Auslastung des Lagers und die Leistung der Transporteure kombiniert, kann im Checkout einen genaueren Liefertermin anzeigen. Eine ehrliche Zusage ist wichtiger als eine schnelle: Verpasste Termine erzeugen Kundenkontakte und können in der Mode zu Retouren führen, wenn ein Artikel erst nach dem Anlass eintrifft, für den er gekauft wurde.

Die Bestandsverteilung verbindet beide Themen. Die Entscheidung, welches Lager oder welche Filiale welchen Bestand in welcher Menge hält, bestimmt, wie schnell Aufträge erfüllt werden können und wie oft Artikel auf mehrere Pakete aufgeteilt werden müssen. Prognosemodelle auf Ebene von Grösse und Standort können diese Entscheidungen unterstützen, doch in der Mode stossen sie auf kurze Historien neuer Styles und starke Einflüsse von Wetter, Aktionen und Trends. Wholesale- und Marktplatzkanäle erhöhen die Komplexität zusätzlich, weil derselbe Bestandspool Handelspartner, eigene Filialen und Online-Aufträge mit unterschiedlichen Servicelevels bedienen kann.

Wo liegen Grenzen und Risiken?

• Kapitalintensität: Roboter und Sorter sind langfristige Investitionen, die stabile Volumen brauchen, um sich zu amortisieren.
• Volatilität: Spitzen wie Sale-Aktionen und Festtagssaison belasten automatisierte Systeme, die für durchschnittliche Lasten ausgelegt sind.
• Datenqualität: falsche Artikelabmessungen oder fehlende Bilder verringern den Kommissioniererfolg und die Genauigkeit der Lagerplatzvergabe.
• Komplexität der Retouren: Die Bewertung retournierter Kleidung für den Wiederverkauf braucht weiterhin menschliches Urteil über den Zustand.
• Auswirkungen auf die Belegschaft: Automatisierung verändert Rollen und Kompetenzen im Lager, was Planung und Dialog erfordert.

Der State of Fashion 2026 von McKinsey nennt «Efficiency unlocked» und «Workforce rewired» unter seinen zehn Themen und stellt fest, dass Führungskräfte mit schwierigen Bedingungen rechnen: 46 Prozent erwarten, dass sich die Lage 2026 verschlechtert. In diesem Umfeld konkurriert die Automatisierung der Logistik mit vielen anderen Prioritäten um Kapital und dürfte an klaren operativen Erträgen gemessen werden.

Was sollten Modeunternehmen vor einer Investition bedenken?

1. Erfassen, wo sich Zeitaufwand und Fehler in Ihrem Lager konzentrieren: Kommissionierung, Verpackung, Retouren oder Nachschub.
2. Die Vollständigkeit der Daten zu Artikelabmessungen, Verpackung und Bildern prüfen.
3. Volumen und Spitzen über mehrere Jahre modellieren, nicht über eine Saison.
4. Einen Prozess mit klaren Kennzahlen wie Picks pro Stunde, Fehlerquote und Verfügbarkeit pilotieren.
5. Rollen und Schulung der Mitarbeitenden parallel zur Technologie planen.
6. Prüfen, ob Logistikdienstleister die Fähigkeit bereits als Dienstleistung anbieten.

Lesen Sie auch

Was ist Computer Vision in der Mode? Von der Fehlererkennung bis zur Regalüberwachung

Wie sind die Aussichten für KI im Mode-Fulfilment?

Die Richtung geht zu flexibleren, KI-gesteuerten Robotern, die ein breiteres Spektrum an Artikeln und Aufgaben bewältigen können, einschliesslich Retouren. Grosse Onlinehändler investieren sowohl als Anwender als auch als Investoren in Robotikunternehmen. Für mittelgrosse Marken und Grosshändler dürften die kurzfristigen Gewinne eher aus Software kommen, aus Lagerplatzvergabe, Personalplanung und Lieferzusagen, gestützt auf saubere Produkt- und Bestandsdaten.