KI und Simulation: Eine leistungsstarke Kombination für intelligente Lieferketten
Da KI weiterhin ganze Branchen revolutioniert, eröffnet ihre Integration in Simulationswerkzeuge neue Möglichkeiten für Effizienz, Risikomanagement und Entscheidungsfindung in Lieferketten. Wir sprachen mit Kees van der Klauw, dem ehemaligen Vorsitzenden der niederländischen KI-Koalition und ehemaligen Forschungsleiter bei Philips, über die Synergien zwischen KI und Simulation sowie darüber, was die Zukunft für intelligente Lieferketten bereithält.
Meine berufliche Laufbahn begann bei Philips, wo ich an digitalen Transformationen in verschiedenen Bereichen beteiligt war – Halbleiter, LCD-Displays, TV-Innovationen und LED-Beleuchtungssysteme. Bereits vor über einem Jahrzehnt haben wir bei Philips Research KI-Anwendungen wie den automatisierten Entwurf elektronischer Schaltungen und die Analyse von Kundenpräferenzen erforscht. Später spielte ich eine Schlüsselrolle beim Aufbau von AIOTI (heute eine führende Initiative für IoT und Edge-Computing) und leitete die Strategie und Entwicklung der niederländischen KI-Koalition. Diese Koalition besteht mittlerweile aus über 500 Partnern und fast 2.000 Experten, die an KI-Anwendungen in verschiedenen Branchen arbeiten.
Simulationen werden eingesetzt, um Ergebnisse in Szenarien vorherzusagen, die zu komplex, zu kostspielig oder zu riskant sind, um sie in der Realität zu testen. Dank der Fortschritte bei der Rechenleistung können wir heute hochdetaillierte Simulationen erstellen, doch diese erfordern nach wie vor fundiertes Fachwissen. KI hingegen basiert auf statistischen Modellen, die anhand riesiger Datensätze trainiert wurden. Während Simulationsmodelle in der Regel auf bekannten physikalischen Prinzipien beruhen, ermittelt die KI Korrelationen innerhalb der Daten und deckt dabei manchmal verborgene Erkenntnisse auf. Die große Chance, die sich uns nun bietet, besteht nicht darin, das eine durch das andere zu ersetzen, sondern Simulationsmodelle (die in der Regel nur über eine sehr begrenzte Anzahl von Parametern verfügen) durch KI-Algorithmen zu ergänzen, die statistische Erkenntnisse zu Effekten liefern, die bisher zu komplex waren oder einfach übersehen wurden, um in Simulationswerkzeuge einbezogen zu werden.
Viele KI-Modelle werden anhand großer Datensätze trainiert, um Muster und Zusammenhänge zu erkennen, was jedoch nicht zwangsläufig bedeutet, dass sie kausale Zusammenhänge verstehen. Das Training von KI ausschließlich anhand von Rohdaten erfordert umfangreiche Ressourcen, während digitale Zwillinge Fachwissen integrieren und so schnellere, genauere und nachvollziehbare Erkenntnisse liefern. Durch die Kombination von KI mit Simulationsmodellen nutzen wir Expertenwissen für effiziente und präzise Vorhersagen des Systemverhaltens. Dieser hybride Ansatz ermöglicht genaue Fertigungssimulationen unter Berücksichtigung unvorhersehbarer Faktoren wie menschliches Verhalten oder Anlagenausfälle und führt letztendlich zu einer intelligenteren Entscheidungsfindung.
Simulationen haben die Lieferkettenbranche bereits revolutioniert, insbesondere im Bereich Materialfluss und Fertigung, wo das interne Warenflussmanagement stark auf Simulationsmodelle angewiesen ist. Heute erstrecken sich diese Modelle über mehrere Produktionsstandorte hinweg und ermöglichen so einen integrierten und effizienten Betrieb. Initiativen im Rahmen der „Smart Industry“ verstärken diesen Trend noch weiter, indem sie programmierbare Fertigungslinien ermöglichen, in denen die einzelnen Produktionsstufen nahtlos miteinander kommunizieren. In komplexen Montagelinien mit mehreren Zulieferern ist die „Ship-to-Line“-Logistik mittlerweile Standard geworden.
Die Optimierung der Logistik – einschließlich Lagerflächenauslastung, Durchlaufzeiten, zeitkritischer Lieferungen, Beladung, Transportkosten und mehr – lässt sich durch Simulation erreichen. Eine zentrale Herausforderung bleibt jedoch bestehen: Verschiedene Phasen, Standorte, Maschinen und Transportsysteme werden oft von unterschiedlichen Akteuren und Lieferanten verwaltet. Da diese Elemente nicht immer Teil eines einheitlichen Simulationsmodells sind, ist eine Feinabstimmung unerlässlich, um die Genauigkeit zu gewährleisten. Um dies zu erreichen, müssen Modelle parametrisch anpassbar sein, von Fachexperten abgestimmt werden und durch eine enge Zusammenarbeit beim Datenaustausch entlang der gesamten Wertschöpfungskette unterstützt werden. Diese Notwendigkeit eines nahtlosen Datenaustauschs wird durch die Integration von KI noch entscheidender.
Dank der Fortschritte im Bereich der KI werden wir bald in der Lage sein, hochpräzise digitale Zwillinge komplexer Logistikabläufe zu erstellen – sowohl innerhalb einzelner Unternehmen als auch über gesamte Lieferketten hinweg. Diese digitalen Zwillinge werden nicht nur die Effizienz steigern und die Risikoanalyse unterstützen, sondern auch als Begleiter bei der Entscheidungsfindung in Echtzeit bei Störungen in der Lieferkette fungieren. Über die Optimierung der Logistik hinaus wird die KI-gestützte Simulation zur Nachhaltigkeit beitragen, indem sie CO₂-Fußabdrücke erfasst, die Zuverlässigkeit und Flexibilität verbessert und die Einhaltung von Vorschriften sicherstellt.
Simulationen liefern Ergebnisse auf der Grundlage festgelegter Parameter, doch menschliche Entscheidungsträger müssen diese Ergebnisse weiterhin interpretieren und dabei Aspekte wie Vorschriften, finanzielle Risiken und betriebliche Einschränkungen berücksichtigen. KI kann diesen Prozess verbessern, indem sie Simulationsengines durch KI-Modelle ergänzt (ohne sie zu ersetzen) und so umfassende digitale Zwillinge schafft, die eine datengestützte Entscheidungsfindung in Echtzeit ermöglichen.
„
KI ist nicht nur ein Instrument zur Effizienzsteigerung – sie ist eine Wettbewerbsnotwendigkeit.
In vielen Branchen sind Fortschritte zu verzeichnen, doch die wirkungsvollsten Innovationen verändern mühsame, aber fachkenntnisintensive Aufgaben. Zu den wichtigsten Sektoren, die von KI profitieren, gehören Logistik, Fertigung, Gesundheitswesen, Cybersicherheit und Energie. KI optimiert alles von Transportabläufen bis hin zur medizinischen Diagnostik und steigert so Effizienz und Genauigkeit. Auch in den Bereichen Werbung, Marketing und Verwaltung leistet KI einen beeindruckenden Beitrag.
Da die Datennutzung jedoch Datenschutz- und Sicherheitsvorschriften unterliegt, schreitet die Einführung von KI am schnellsten in weniger sensiblen Bereichen voran – wobei der Fokus eher auf Maschinen als auf personenbezogenen Daten liegt. Im Lieferkettenmanagement ist das Potenzial enorm und bietet Möglichkeiten, Effizienz, Widerstandsfähigkeit und Entscheidungsfindung in einem noch nie dagewesenen Ausmaß zu verbessern.
Zwar gibt es derzeit viel Hype um generative KI und große Sprachmodelle, doch ich glaube, dass die bedeutendsten Fortschritte von speziellen Machine-Learning-Modellen kommen werden, die auf bestimmte Bereiche wie Lieferkettenmanagement, Diagnostik im Gesundheitswesen und Arzneimittelentwicklung, Bildung, Sicherheit, Energie und Verkehr zugeschnitten sind. Maschinelles Lernen wird durch die Automatisierung mühsamer menschlicher Aufgaben zu erheblichen Verbesserungen bei Effizienz, Qualität und Kostensenkung führen. Darüber hinaus gehe ich davon aus, dass KI-gestützte Simulationswerkzeuge effizienter werden und auf Systemen mit geringem Platzbedarf statt in energieintensiven Rechenzentren laufen werden.
Dies könnte lokale Server innerhalb von Unternehmen oder sogar KI-gesteuerte IoT-Geräte bedeuten, die in Anlagen oder Transportfahrzeugen eingebettet sind. Ein solcher dezentraler Ansatz bietet erhebliche Vorteile, darunter verbesserte Cybersicherheit, Ausfallsicherheit und ein optimiertes Energiemanagement, wodurch der Einsatz von KI branchenübergreifend nachhaltiger und praktischer wird.
Nachhaltigkeit ist ein komplexes Thema, das oft Kompromisse zwischen verschiedenen ökologischen und wirtschaftlichen Faktoren erfordert. KI-Modelle können umfangreiche statistische Daten verarbeiten, um ganzheitlichere Nachhaltigkeitsstrategien zu entwickeln. Durch die Integration von KI in Simulationsmodelle können Unternehmen Umweltverträglichkeitsprüfungen automatisieren, den Energieverbrauch optimieren und das Abfallmanagement verbessern.
„
Die große Chance, die sich uns nun bietet, besteht nicht darin, das eine durch das andere zu ersetzen, sondern Simulationsmodelle (die in der Regel nur über eine sehr begrenzte Anzahl von Parametern verfügen) durch KI-Algorithmen zu ergänzen, die statistische Erkenntnisse zu Effekten liefern, die bislang zu komplex waren oder einfach übersehen wurden, um in Simulationswerkzeuge einbezogen zu werden.
Die größte Herausforderung liegt in der Verfügbarkeit und Qualität der Daten zum Trainieren von KI-Systemen. Viele Unternehmen haben Schwierigkeiten, aussagekräftige Erkenntnisse aus verstreuten Systemen zu sammeln und zu gewinnen. Wichtige Daten – wie Maschinenverfügbarkeit, Zykluszeiten und Wartezeiten für Transportroboter – bleiben oft isoliert und werden nicht ausreichend genutzt.
Eine weitere Herausforderung ist die Gewinnung des richtigen Fachwissens. Unternehmen müssen in der Regel Datenwissenschaftler einstellen oder Partnerschaften mit Start-ups eingehen, da dem vorhandenen Personal möglicherweise die speziellen Fähigkeiten für KI-Projekte fehlen. Gleichzeitig sind erfahrene Mitarbeiter unverzichtbar, um hochwertige Anwendungsfälle zu identifizieren und Fachwissen einzubringen.
Schließlich ist ein starkes Engagement der Unternehmensleitung entscheidend. Führungskräfte müssen sich über die weiterreichenden Auswirkungen der KI informieren, einschließlich der Abhängigkeiten von externen Plattformen und der Kontrolle über wichtige Geschäftsprozesse, anstatt einfach nur Trends zu folgen.
Da die Datennutzung jedoch Datenschutz- und Sicherheitsvorschriften unterliegt, schreitet die Einführung von KI in weniger sensiblen Bereichen am schnellsten voran – wobei der Schwerpunkt eher auf Maschinen als auf personenbezogenen Daten liegt. Im Lieferkettenmanagement ist das Potenzial enorm und bietet Möglichkeiten, Effizienz, Widerstandsfähigkeit und Entscheidungsfindung in einem noch nie dagewesenen Ausmaß zu verbessern.
Unternehmen sollten zunächst die Simulation ihrer Kernprozesse beherrschen und dabei sicherstellen, dass KI ihre Modelle ergänzt, anstatt sie zu ersetzen. Darüber hinaus ist Fachwissen im Bereich Datenmanagement von entscheidender Bedeutung, da KI auf hochwertige Daten angewiesen ist. Unternehmen müssen ihre Mitarbeiter zudem darüber aufklären, wie KI sie bei ihrer täglichen Arbeit unterstützt, und so eine Kultur der datengestützten Entscheidungsfindung fördern.
Dabei könnte es sich um lokale Server innerhalb von Unternehmen oder sogar um KI-gesteuerte IoT-Geräte handeln, die in Maschinen oder Transportfahrzeugen eingebettet sind. Ein solcher dezentraler Ansatz bietet erhebliche Vorteile, darunter eine verbesserte Cybersicherheit, Ausfallsicherheit und ein optimiertes Energiemanagement, wodurch der Einsatz von KI branchenübergreifend nachhaltiger und praktikabler wird.
„
Dank der Fortschritte im Bereich der KI werden wir schon bald in der Lage sein, hochpräzise digitale Zwillinge komplexer Logistikabläufe zu erstellen – sowohl innerhalb einzelner Unternehmen als auch über gesamte Lieferketten hinweg.
Führungskräfte müssen bei der Anwendung von KI zwischen primären und sekundären Prozessen unterscheiden. So ist beispielsweise der Einsatz von KI zur Erstellung von Marketinginhalten ein risikoarmer sekundärer Prozess, während der Einsatz von KI in Kernbereichen – wie der Optimierung der Lieferkette – fundiertes Fachwissen und geschäftliche Kontrolle erfordert. Eine weitere Gefahr besteht darin, sich zu stark auf externe KI-Plattformen zu verlassen, was langfristige Abhängigkeiten schaffen kann, anstatt echte Wettbewerbsvorteile für das eigene Unternehmen zu bieten.
KI ist nicht nur ein Instrument zur Effizienzsteigerung – sie ist eine Wettbewerbsnotwendigkeit. Unternehmen, die es versäumen, KI einzuführen, laufen Gefahr, an Marktrelevanz zu verlieren, da KI-gestützte Wettbewerber ihre Kosten optimieren, Risiken mindern und neue Geschäftsmodelle erschließen. Die Einführung von KI sollte jedoch strategisch erfolgen, um sicherzustellen, dass sie die Kernkompetenzen stärkt, anstatt Abhängigkeiten zu schaffen.
KI und Simulation sind keine konkurrierenden Technologien – sie sind sich ergänzende Werkzeuge, die in Kombination präzisere, skalierbarere und intelligentere digitale Zwillinge hervorbringen. Angesichts einer zunehmend komplexen und unvorhersehbaren Welt werden KI-gestützte Simulationen für Unternehmen zu einem entscheidenden Faktor bei der Optimierung der Lieferkette, der Nachhaltigkeit und der Entscheidungsfindung.
Angesichts der rasanten Entwicklung der KI müssen Unternehmen auf Innovation setzen, in Fachwissen investieren und eine datengestützte Strategie entwickeln, um in der sich ständig wandelnden Lieferkettenlandschaft die Nase vorn zu behalten.
Erfahren Sie mehr über KI, digitale Zwillinge und Simulation
Entdecken Sie unsere Reihe „Expert Insights“ – eine übersichtliche Sammlung von Artikeln zu den neuesten Entwicklungen in den Bereichen industrielle Automatisierung, digitale Zwillinge, KI und Simulation. Erfahren Sie, wie diese Technologien die Fertigung, die Logistik und die Lieferketten verändern und welche konkreten Auswirkungen sie in der Praxis haben.
Besuchen Sie uns auf der LogiMAT 2026!
InControl wird auf der LogiMAT 2026 ausstellen – der führenden internationalen Fachmesse für Intralogistiklösungen und Prozessmanagement!
Stand Nr. 4A65 / 24.–26. März 2026
