Kontakt
Gartner
Reports
Jobs
Reports
Logo textuel Aura doré

AI-Assistants für die Logistik: Wie man gewachsenes Wissen im laufenden Betrieb gezielt nutzbar macht.

Diesen Artikel teilen:

In vielen Bestandsprojekten entsteht über Jahre hinweg eine zweite Ebene des Systems, die im laufenden Betrieb oft entscheidend ist, aber selten unmittelbar sichtbar bleibt: das gewachsene technische Wissen über Prozesse, Schnittstellen, Sonderlogiken und individuelle Erweiterungen. Was zu Beginn einer Implementierung noch in wenigen zentralen Unterlagen nachvollziehbar ist, verteilt sich mit jeder neuen Anforderung auf zusätzliche Dokumentationsstände, technische Ergänzungen, Schnittstellenbeschreibungen und Change Requests. Das System entwickelt sich weiter, gleichzeitig wächst die Menge an Informationen, die für spätere Bewertungen wieder in den richtigen Zusammenhang gebracht werden muss.

Im Projektalltag zeigt sich das meist dann, wenn neue Anforderungen aufkommen oder technische Rückfragen zu bereits implementierten Funktionen entstehen. Die relevanten Informationen sind in der Regel vorhanden, oft sogar sehr detailliert dokumentiert. Der eigentliche Aufwand entsteht dort, wo dieses Wissen über verschiedene Projektphasen, Dateistände und Dokumenttypen hinweg wieder zusammengeführt werden muss. Bevor eine fachliche Bewertung beginnen kann, steht häufig zunächst die Recherche.

Genau diese Situation zeigte sich auch in einem aktuellen Projekt eines langjährigen Handelskunden der EPG. Parallel zur Inbetriebnahme einer neuen Lagerhalle mit zusätzlicher Systemanbindung und erweitertem Steuerungsumfang wurde im Projektteam deutlich, dass die vorhandene Dokumentationslandschaft zwar vollständig, für operative Fragestellungen jedoch zunehmend schwerer zugänglich geworden war. Sonderprozesse, historische Erweiterungen und kundenspezifische Entwicklungen waren über Jahre hinweg dokumentiert worden, lagen jedoch über unterschiedliche Quellen verteilt vor. Hinzu kam: Ein großer Teil dieses Wissens lag nicht in einer einheitlichen Struktur vor, sondern verteilte sich über unterschiedliche Dokumenttypen, Dateistände und Formate.

Wenn Dokumentation nicht gesucht, sondern verstanden werden muss

Um dieses gewachsene Wissen wieder in einer Form verfügbar zu machen, die im laufenden Projekt unmittelbar unterstützt, wurden zentrale Projektunterlagen in EVA eingebunden.

EVA ist der AI-Assistant der KI-nativen Supply Chain Execution Umgebung AURA der EPG. EVA erschließt dokumentiertes Fachwissen aus unterschiedlichen Quellen, verknüpft diese inhaltlich und macht diese entlang konkreter Fragestellungen fachlich nutzbar. Dabei geht es nicht allein darum, Dokumente schneller zu durchsuchen. Entscheidend ist, dass technische Inhalte im Zusammenhang verfügbar werden.

EVA verknüpft Prozessbeschreibungen, technische Spezifikationen, Schnittstelleninformationen und dokumentierte Änderungen so, dass aus verteiltem Wissen wieder ein fachlich belastbares Bild entsteht. Gerade unstrukturierte Informationen aus unterschiedlichen Quellen werden dadurch in einen fachlich nachvollziehbaren Zusammenhang gebracht und für konkrete Fragestellungen nutzbar gemacht.

Für das konkrete Projekt wurden dazu unter anderem folgende Unterlagen eingebunden:

  • aktuelles Pflichtenheft
  • Prozessdokumentationen zu bestehenden Lagerabläufen
  • technische Beschreibungen zur Automatisierungsanbindung
  • Schnittstellenunterlagen aus verschiedenen Projektphasen
  • ergänzende Projektdokumentationen
  • historische Change Requests mit dokumentierten Erweiterungen

Auf dieser Grundlage entstand eine individuell gestaltete Lösung, der die vorhandenen Inhalte für gezielte technische Fragestellungen verfügbar macht.

Erste Anwendungen im laufenden Projekt

Die ersten Tests konzentrierten sich bewusst auf Fragestellungen, die im Projektalltag regelmäßig auftreten. Im Vordergrund stand zunächst nicht die Entwicklung neuer Funktionen, sondern die Einordnung bestehender Systemlogiken. Welche Parametrisierung ist aktuell wirksam? Welche funktionalen Unterschiede bestehen zwischen Standard und individueller Erweiterung? Welche historische Änderung erklärt eine heute sichtbare Sonderlogik?

Gerade in gewachsenen Installationen ist diese Einordnung häufig aufwendig, weil die Antwort nicht in einem einzelnen Dokument liegt. Einzelne Erweiterungen wurden über Jahre hinweg umgesetzt, in unterschiedlichen Projektständen beschrieben und jeweils aus dem damaligen Projektkontext heraus dokumentiert. Mit EVA ließ sich dieser Zusammenhang deutlich schneller herstellen. Bestehende Einstellungen konnten entlang der vorhandenen Unterlagen erläutert, technische Abhängigkeiten sichtbar gemacht und historische Entwicklungen nachvollziehbar zusammengeführt werden.

Neue Anforderungen fundierter bewerten

Besonders relevant wurde dieser Ansatz, als im laufenden Projekt eine neue fachliche Anforderung bewertet werden musste. Im Mittelpunkt stand die Einführung von Multi Order Picking innerhalb bestehender Lagerprozesse. Die Herausforderung bestand dabei nicht allein darin, die neue Funktion fachlich zu beschreiben, sondern sie auf eine bereits gewachsene Systemlogik zu beziehen. Zunächst wurde deshalb die bestehende LFS-Struktur im relevanten Prozessbereich systematisch aufgeschlüsselt. Anschließend wurde geprüft, welche Anforderungen bereits durch vorhandene Funktionen abgedeckt werden, an welchen Stellen Prozessanpassungen notwendig wären und wo zusätzlicher Abstimmungsbedarf entsteht.

Dadurch entstand innerhalb kurzer Zeit eine belastbare fachliche Grundlage für die weitere Bewertung. Besonders hilfreich war, dass technische Zusammenhänge nicht mehr aus mehreren Quellen manuell rekonstruiert werden mussten, sondern entlang der vorhandenen Wissensbasis bereits strukturiert vorlagen.

Wo EVA im Projektalltag konkret unterstützt

Der Nutzen zeigt sich vor allem dort, wo Projekte über viele Jahre gewachsen sind und relevantes Wissen zwar dokumentiert vorliegt, im operativen Alltag aber nicht unmittelbar verfügbar ist.

Einsatzbereich
Typische Fragestellungen
Beitrag von EVA
Systemverständnis
Welche Parametrierungen sind aktuell in einem bestimmten Prozessbereich relevant?
Bestehende Einstellungen werden aus vorhandenen Dokumentationen zusammengeführt und im fachlichen Zusammenhang erläutert
Standard vs. Kundenlogik
Welche Funktionen entsprechen dem Standard, welche wurden projektspezifisch erweitert?
Unterschiede zwischen Standardfunktionalität und kundenspezifischer Ausprägung werden nachvollziehbar aufbereitet
Historische Änderungen
Wie ist eine bestimmte Funktion oder Sonderlogik entstanden?
Frühere Anpassungen, Change Requests und dokumentierte Erweiterungen werden strukturiert eingeordnet
Bewertung neuer Anforderungen
Welche Auswirkungen hat ein neuer Kundenwunsch auf bestehende Prozesse?
Vorhandene Logiken werden auf neue Anforderungen bezogen und erste Umsetzungsschritte abgeleitet
Projektvorbereitung
Welche offenen Punkte müssen vor einer Umsetzung fachlich geklärt werden?
Relevante Rückfragen und Abhängigkeiten werden auf Basis vorhandener Informationen sichtbar gemacht
Technische Abstimmung
Welche Dokumente enthalten die relevanten Informationen zu einem konkreten Thema?
Inhalte aus mehreren Quellen werden zusammengeführt und thematisch verdichtet

Warum der Nutzen gerade in Bestandsprojekten besonders groß ist

Je länger ein System über den laufenden Betrieb gewachsen ist, desto stärker verschiebt sich der Aufwand in Projekten. Nicht die eigentliche Umsetzung neuer Anforderungen ist dann der erste Engpass, sondern die fundierte Einordnung des Bestehenden. Besonders deutlich wird das bei folgenden Fragestellungen:

  • Welche frühere Projektentscheidung beeinflusst die aktuelle Systemlogik?
  • Welche Erweiterung wurde aus welchem Grund eingeführt?
  • Welche Abhängigkeiten müssen vor einer Änderung berücksichtigt werden?
  • Welche Unterschiede bestehen zwischen dokumentiertem Standard und gelebter Kundenlogik?

Gerade hier entsteht im Projektalltag ein spürbarer Vorteil, wenn vorhandenes Wissen nicht nur archiviert, sondern im fachlichen Zusammenhang wieder direkt verfügbar wird.

Fazit: Dokumentation wird wieder zum aktiven Projektwissen

Die bisherigen Erfahrungen zeigen, dass der Nutzen von EVA unmittelbar mit der Qualität und Tiefe der eingebundenen Wissensbasis wächst. Je vollständiger Projektunterlagen, technische Dokumentationen und historische Änderungen verfügbar sind, desto präziser lassen sich fachliche Zusammenhänge herstellen.

Gerade in Bestandsprojekten entsteht dadurch eine neue Form des Umgangs mit gewachsenem Projektwissen. Dokumentation bleibt nicht länger nur Referenz oder Archiv, sondern wird wieder zu einem aktiven Bestandteil technischer Projektarbeit.

Nächste Schritte: Gewachsenes Wissen systematisch erschließen

Im nächsten Schritt ist vorgesehen, die bestehende Wissensbasis des smarten Bots weiter auszubauen. Zusätzliche Projektdokumentationen, ergänzende Schnittstellenbeschreibungen und weitere historische Änderungsstände sollen schrittweise eingebunden werden. Dabei geht es nicht um möglichst viele Daten, sondern um fachliche Tiefe dort, wo technische Bewertungen im Projektalltag besonders häufig entstehen. Die zentrale Frage lautet deshalb:

  • Welche Wissensbereiche erzeugen heute den größten Rechercheaufwand?
  • Welche technischen Zusammenhänge sollten im Projekt schneller verfügbar sein?
  • Wo entsteht durch verteilte Dokumentation unnötiger Abstimmungsaufwand?

Wenn Sie erfahren möchten, wie sich gewachsenes Projektwissen in Ihrem Umfeld strukturiert erschließen lässt und welche Rolle EVA dabei übernehmen kann, sprechen Sie mit uns. Unsere Expertinnen und Experten begleiten Sie dabei, bestehende Wissensbestände im Projektkontext wieder unmittelbar nutzbar zu machen.

EPG ONE in Action

Vereinbaren Sie noch heute einen Termin für eine individuelle Vorführung mit unserem Team und entdecken Sie, wie EPG ONE Ihnen dabei helfen kann, die Herausforderungen von heute mit den Chancen von morgen zu verbinden.

Durch das Absenden Ihrer Daten stimmen Sie zu, dass Ihre Angaben aus diesem Formular verarbeitet werden. Zweck ist die Beantwortung Ihrer Anfrage. Ich stimme den Datenschutzerklärung zu.

Neueste Beiträge

Entdecken Sie weitere spannende Beiträge.

Warehouse with automated storage robots on grid system.
post

AutoStore richtig integrieren: 6 Fragen, die über skalierbares Fulfillment entscheiden

AutoStore richtig integrieren: 6 Fragen, die über skalierbares Fulfillment entscheiden...
Standardized_Packing_and_Loading_Workflows
post

AI-Assistants für die Logistik: Wie man gewachsenes Wissen im laufenden Betrieb gezielt nutzbar macht.

In vielen Bestandsprojekten entsteht über Jahre hinweg eine zweite Ebene des Systems, die im laufenden Betrieb oft entscheidend ist, aber...
Warehouse Visual
post

Gartner Magic Quadrant WMS 2026: Was „Ability to Execute“ und „Completeness of Vision“ tatsächlich aussagen

Hinweis: Die folgenden Einordnungen spiegeln unsere eigene Perspektive auf die beiden Bewertungsdimensionen wider. Sie sind keine wörtlichen Aussagen oder Bewertungen...
Voice Picking in Cold Chain Logistics (2)
post

Voice Picking in der Frischelogistik: 5 kritische Fragen für kalte Umgebungen

Temperaturgeführte Logistik zählt seit Jahren zu den anspruchsvollsten Disziplinen innerhalb der Intralogistik. Wo Frischeprodukte, Molkereiwaren, Obst, Gemüse oder tiefgekühlte Lebensmittel...
Worker using lydia voice solution for pallet packing
post

AI-Driven Voice Picking: Wenn Voice nicht nur führt, sondern entlastet

Supply Chain Execution wird heute weniger durch fehlende Leistung begrenzt als durch steigende Gleichzeitigkeit. Aufträge, Ressourcen, Automatisierung und Transporte wirken...
Sonnenaufgang über der Erdkrümmung im Weltraum
post

Warum EPG AURA operative Intelligenz als KI-native Umgebung neu definiert

Supply Chain Execution wird heute weniger durch fehlende Leistung begrenzt als durch steigende Gleichzeitigkeit. Aufträge, Ressourcen, Automatisierung und Transporte wirken...
Effiziente und flexible Lagerverwaltung

Suchen Sie nach der WMS-Lösung, die am besten zu Ihnen passt?

Der EPG AURA Observer ist „Bestes Produkt LogiMAT 2026“. Lesen Sie im Sonderdruck der LogiMAT Daily, wie der Observer mithilfe von Intelligent Video Analytics konkrete Handlungsempfehlungen liefert.