KI Lagerdisposition im Mittelstand: Was kostet sie wirklich — und lohnt sie sich?

KMUs, die KI in der Lagerdisposition einführten, steigerten ihre operative Effizienz um 34 Prozent und senkten Lagerkosten um 28 Prozent — mit einer durchschnittlichen Amortisation von 8,3 Monaten. Das zeigt eine 2025 veröffentlichte Meta-Analyse von KI-Einführungen in Klein- und Mittelunternehmen.

Doch die meisten Ratgeber im Internet vermischen zwei vollkommen unterschiedliche Themen: Lagerdisposition (Wie viel bestellen wir? Wann?) und Lagerplatzoptimierung (Wo lagern wir welchen Artikel?). Sie versprechen ROI-Zahlen von über 1.000 Prozent, basieren dabei aber auf Rechenmodellen für 50.000-Quadratmeter-Logistikcenter — nicht für den Mittelstand.

Dieser Artikel liefert eine klare Trennung der Begriffe, wissenschaftlich validierte KPIs für KMU, konkrete Preise für 20 bis 250 Mitarbeiter und ein umsetzbarer 90-Tage-Plan. Ohne Technik-Hype. Ohne Data-Science-Team. Aber auch ohne Schönfärberei.

Was ist KI-Lagerdisposition — und worin unterscheidet sie sich von Lagerplatzoptimierung?

Lagerdisposition beantwortet drei Fragen: Wie viel bestellen wir? Wann lösen wir die Bestellung aus? Bei welchem Lieferanten? Die klassische Methode arbeitet mit einer Rules Engine, ABC/XYZ-Analysen, festen Bestellrhythmen und Erfahrungswerten im Einkaufsteam.

KI-Lagerdisposition ersetzt diese statischen Regeln durch dynamische Prognosen. Ein Machine-Learning-Modell nutzt Muster-Erkennung in einer zentralen Wissensbasis aus historischen Verkaufsdaten, saisonalen Mustern, Lieferzeiten und externen Faktoren wie Wetter oder Branchenindizes. Das Ergebnis: eine bedarfsgerechte Nachschubplanung, die sich täglich anpasst.

Lagerplatzoptimierung (Slotting) hingegen beantwortet eine andere Frage: Wo lagern wir welchen Artikel? Hier geht es um die physische Anordnung im Lager, Kommissionierrouten und die optimale Nutzung der Regalfläche.

Die meisten Artikel im Internet vermischen beide Themen. Das führt zu falschen Erwartungen: Ein Unternehmen, das KI-Lagerdisposition einführen will, wird mit Slotting-Software konfrontiert — und umgekehrt. In diesem Ratgeber konzentrieren wir uns auf Lagerdisposition, also die Bestandsplanung und Nachschubsteuerung.

Welche Probleme löst KI-Lagerdisposition im Mittelstand wirklich?

Der typische Mittelständler kennt diese Schmerzpunkte:

• Zu viel gebundenes Kapital: Oft 15 bis 25 Prozent des Umlaufvermögens sitzt im Lager — Kapital, das für Wachstum oder Investitionen fehlt.
• Fehlmengen trotz hoher Bestände: Die richtigen Artikel sind nicht da, während Langsamdreher die Regale blockieren.
• Saisonale Schwankungen: Excel-Tabellen können saisonale Muster abbilden, aber nicht gleichzeitig Lieferzeitunsicherheit, Promotions und neue Produkte berücksichtigen.
• Variantenvielfalt: Ab etwa 500 SKUs überfordert die manuelle Disposition selbst erfahrene Einkäufer.
• Lieferkettenunsicherheit: Geopolitische Risiken, China-Abhängigkeit und volatile Transportkosten machen statische Planung unbrauchbar.

Eine 2025 veröffentlichte Studie von Jialu Wang quantifizierte diese Effekte für KMUs: Nach KI-Einführung sank die Stockout-Freqünz um 38,7 Prozent, die Überbestände um 31,4 Prozent und die Bearbeitungszeit pro Bestellvorgang um 43,8 Prozent. Die Prognosegenauigkeit verbesserte sich um 42,3 Prozent — gemessen als Reduktion des MAPE von 18,9 auf 10,9 Prozent.

Eine 2026 veröffentlichte Studie an peruanischen Kleinunternehmen (Franco et al.) erreichte mit einem Random-Forest-Modell sogar einen MAPE von 2,41 Prozent und ein R-Quadrat von 0,99 — allerdings bei sehr homogenen Verkaufsdaten. Für den deutschen Mittelstand mit saisonalen Schwankungen und B2B-Vielfalt ist ein MAPE von 8 bis 12 Prozent bereits ein signifikanter Fortschritt gegenüber Excel.

Lohnt sich KI-Lagerdisposition für jeden Mittelständler — oder gibt es Grenzen?

Nein. Nicht jeder Mittelständler profitiert gleichermaßen. Die Entscheidung hängt von vier Faktoren ab:

Die Realität ist pragmatisch: Ein Random-Forest-Modell auf einem Standard-PC mit Python und Tkinter erreichte bei peruanischen Kleinunternehmen bereits Spitzenergebnisse. Ein brasilianischer Baustoffhändler nutzte AWS SageMaker Canvas — ein No-Code-AutoML-Tool — und erzielte einen WAPE von 0,69 Prozent. Beide benötigten kein Data-Science-Team, keinen Serverraum und keinen sechsstelligen Budget.

Wie viel kostet KI-Lagerdisposition wirklich?

Hier liegt die größte Lücke in der SERP-Landschaft. Die wenigen Artikel, die Preise nennen, beziehen sich auf Logistikunternehmen mit 50.000 Quadratmetern Lagerfläche und Implementierungskosten von 100.000 bis 250.000 Euro. Das ist für den Mittelstand irrelevant.

Die folgende Tabelle basiert auf den Kostenstrukturen der Wang-Studie (2025), skaliert auf deutsche KMU-Verhältnisse und ergänzt um aktuelle SaaS-Preise:

Die Wang-Studie dokumentierte durchschnittliche Implementierungskosten von 48.500 US-Dollar und jährliche Einsparungen von 127.300 US-Dollar — bei einer Benefit-Cost-Ratio von 2,8:1 bis 7,2:1. Die Spanne ist groß, weil der Erfolg maßgeblich von der Branche, der Datenqualität und der internen Begleitung abhängt.

Welche Software eignet sich für den Mittelstand — und welche nicht?

Die Software-Auswahl hängt von drei Faktoren ab: ERP-System, Cloud-Bereitschaft und interne IT-Kapazität.

Der brasilianische Baustoffhändler, den Casa Cardao (2026) dokumentierte, nutzte AWS Forecast in Kombination mit SageMaker Canvas. Das Gesamtbudget lag deutlich unter 500 Euro pro Monat — für einen Mittelständler mit 2.000 SKUs. Der entscheidende Erfolgsfaktor war nicht die Software selbst, sondern die Datenqualität und die konsequente interne Begleitung.

Nicht empfohlen für den Mittelstand: Viele Lösungen sind auf große Distributionszentren mit 500.000 Quadratmetern ausgelegt. Ebenso wenig sinnvoll sind Kubernetes-basierte KI-Plattformen mit YAML-Konfigurationen, GPU-Clustern und Vektordatenbanken — so beeindruckend die Technologie klingt, für einen Mittelständler mit 45 Mitarbeitern ist das Overkill.

Wie funktioniert die Einführung in 90 Tagen?

Die folgende Tabelle ist kein theoretisches Framework, sondern ein wochengenauer Plan, der sich in Projekten bewährt hat. Die Meilensteine orientieren sich an den Erkenntnissen der drei wissenschaftlichen Quellen:

Wichtig: Franco et al. (2026) empfehlen mindestens 18 bis 24 Monate historische Verkaufsdaten für stabile Prognosequalität. Wer nur 6 Monate Daten hat, sollte den Start um ein Quartal verschieben und in der Zwischenzeit die Datenqualität aufbauen. AutoML-Tools wie SageMaker Canvas beschleunigen die Modell-Entwicklung deutlich, aber sie können nicht aus dürren Daten genaue Prognosen zaubern.

Wie sieht der ROI aus — mit wißenschaftlich validierten Zahlen?

Die folgende Tabelle basiert auf den Wang-Daten (2025), skaliert auf deutsche KMU-Verhältnisse und ergänzt um den Casa-Cardao-Optimalfall für AutoML:

Die Einsparungen setzen sich zusammen aus: reduzierte Lagerkosten (-28 Prozent), weniger Stockouts (-38,7 Prozent), geringerer Dispositionsaufwand (-43,8 Prozent Bearbeitungszeit). Die hohe Varianz in der Wang-Studie (45.000 bis 285.000 Dollar Einsparung) zeigt, daß der Erfolg maßgeblich von der Datenqualität und der Branche abhängt.

Fallbeispiel: Ein B2B-Handel für Industriebedarf mit 45 Mitarbeitern und 3.500 SKUs führte KI-basierte Disposition mit paretos ein. Nach 12 Monaten: Lagerbestand um 22 Prozent reduziert (187.000 Euro freies Kapital), Fehlmengen von 12 auf 4,8 Prozent der Artikel gesenkt, Dispositionsaufwand von 1,5 auf 0,5 Vollzeitstellen reduziert. Der MAPE der Prognose lag bei 8,3 Prozent — deutlich besser als die Excel-Prognose mit 18,9 Prozent.

Was sind die häufigsten Fehler bei der Einführung?

Aus wissenschaftlichen Quellen lassen sich fünf typische Fehler identifizieren:

1. Schmutzige Daten: Dubletten, falsche Einheiten, fehlende Lieferzeiten. Die Wang-Studie zeigt: Projekte mit sauberen Daten erreichten doppelt so hohe Einsparungen wie solche mit unstrukturierten Datensilos.
2. Zu großer Scope: Ein Pilot mit 100 SKUs genügt. Wer sofort alle 10.000 SKUs in ein Modell wirft, erntet Verwirrung statt Erfolg.
3. Change-Management vernachlässigen: Das Einkaufsteam muss die Vorschläge verstehen und korrigieren können. KI ersetzt nicht den Einkäufer — sie entlastet ihn.
4. Kein periodisches Retraining: Franco et al. (2026) betonen: Ohne Monitoring von MAPE-Stabilität und Nachfrage-Drift driftet das Modell. Saisonale Effekte, neue Produkte und Lieferantenwechsel erfordern regelmäßige Anpassungen.
5. Falsche Tool-Wahl: Ein 50-MA-Handelsunternehmen, das SAP IBP einführt, überschießt das Ziel. Ein Produktionsbetrieb, der paretos für komplexe BOMs nutzt, stößt an Grenzen.

Ist KI-Lagerdisposition DSGVO- und EU AI Act-konform?

Ja — mit einer wichtigen Einschränkung. KI-Lagerdisposition fällt nicht unter die Hochrisiko-Kategorie des EU AI Acts, da keine Entscheidungen über natürliche Personen getroffen werden. Die Prognose von Artikelbedarf und die Generierung von Bestellvorschlägen sind betriebswirtschaftliche Optimierungen ohne Personenbezug.

Allerdings gilt Artikel 4 des EU AI Acts seit Februar 2025: Alle Anbieter und Betreiber von KI-Systemen müssen "ausreichende KI-Kompetenz" bei ihrem Personal sicherstellen. Für die Lagerdisposition bedeutet das: Das Einkaufsteam muss verstehen, wie die Prognose entsteht, wann sie korrigiert werden muss und welche Grenzen das Modell hat. Ein einstündiger Workshop pro Quartal genügt in der Regel.

Die DSGVO ist relevant, wenn Mitarbeiterdaten (zum Beispiel für die Personaleinsatzplanung im Lager) verarbeitet werden. Bei reiner Artikel-Prognose ohne Personalbezug ist die Datenschutzprüfung unkompliziert.

Wichtige Korrektur: Ein Artikel auf ki-mittelstand.eu behauptet fälschlicherweise, KI-Lagerplatzoptimierung falle unter die Hochrisiko-Kategorie des EU AI Acts. Das ist rechtlich nicht haltbar. Der EU AI Act definiert Hochrisiko-Systeme in Anhang III — Lagerplatzoptimierung oder -disposition sind dort nicht aufgeführt.

Fazit: Was Sie als nächstes tun sollten

KI-Lagerdisposition ist für den Mittelstand kein Hype mehr — sie ist eine mathematisch belegte Effizienzsteigerung. Die wissenschaftliche Evidenz ist eindeutig: 34 Prozent Effizienzsteigerung, 28 Prozent Lagerkostenreduktion, Payback in 4 bis 8 Monaten.

Die Voraussetzungen sind aber klar: Mindestens 100 SKUs, 18 bis 24 Monate saubere Daten und eine realistische Budgetplanung. Wer diese Kriterien erfüllt und einen strukturierten 90-Tage-Plan verfolgt, kann die Kapitalbindung signifikant senken — ohne Data-Science-Team und ohne sechsstellige Investition.

Wer die Kriterien nicht erfüllt, sollte zuerst in Datenqualität investieren. Ein Random-Forest-Modell mit schmutzigen Daten ist genauso nutzlos wie eine Excel-Tabelle mit schmutzigen Daten.

Wissen Sie, wie viel Kapital in Ihrem Lager gebunden ist? Im kostenlosen Maturity Check analysieren wir Ihre Dispositionsprozesse — und zeigen Ihnen in 30 Minuten, ob KI-Lagerdisposition für Ihr Unternehmen wirtschaftlich sinnvoll ist.

Quellen und Referenzen

• Wang, J. (2025). Application of Artificial Intelligence in Inventory Decision Optimization for Small and Medium Enterprises. Pinnacle Academic Press Proceedings Series, Vol. 5.
• Franco, J. K., Güvara, N. M., Castaneda, P., Mansilla-Lopez, J., & Garcia-Nunez, A. D. (2026). A Machine Learning-Based Stock Forecasting Method for Inventory Optimization in Micro and Small Enterprises. Engineering, Technology & Applied Science Research, Vol. 16, No. 1.
• Casa Cardao (2026). Predictive models for inventory optimization: a machine learning application for demand forecasting at a construction supplies distributor. Springer [im Erscheinen].