Der Vor-Ort-Betrieb bindet Kapital in Hardware und erfordert lokales Knowhow wie auch Personal zur Wartung. Ein zentraler Baustein eines solchen Betriebsmodells ist Mirroring, ein Hochverfügbarkeitskonzept: Ein zweiter, synchron gehaltener Datenknoten steht bereit und übernimmt bei einem Ausfall automatisch, ohne dass Daten verloren gehen oder der Betrieb unterbrochen wird. Für zeitkritische Lagerprozesse, etwa Schnittstellen zur Fördertechnik oder zum Wareneingang, ist das relevant, weil ein Stillstand dort unmittelbar Folgekosten erzeugt. Erkennung, Umschaltung und Wiederanlauf müssen getestet werden. Hardware, Reservekapazität, Wartung, Strom und Updates zählen zu den lokalen Kosten. Cloudressourcen skalieren nach Nutzung und verursachen variable Rechen-, Speicher- und Übertragungskosten. Ein Hybridmodell bringt Synchronisierungsaufwand hinzu. Verglichen werden diese Kosten mit Latenz, Ausfallsicherheit und Betriebskompetenz.

Die Vollkostenrechnung umfasst über den Betriebszeitraum den gesamten Daten- und KI-Pfad. Dazu zählen Lizenzen und Infrastruktur ebenso wie Integration, Überwachung und Wiederherstellung im Betrieb. Hinzu kommen Modellpflege und Arbeitszeit für manuelle Korrekturen oder Empfehlungen, die sich nicht ausführen lassen. Erst diese Gesamtrechnung zeigt, was ein solcher Modelleinsatz im Regelbetrieb tatsächlich kostet, unabhängig davon, wie günstig sich der Pilot darstellte.

Für die Wirtschaftlichkeitsprüfung werden die Vollkosten je korrekt abgeschlossenem Auftrag oder Materialflussvorgang ermittelt und mit dem Ausgangswert verglichen. Parallel erfassen Unternehmen die Kennzahlen ihres Prozessziels. Entscheidend ist dabei nicht nur der Zielwert selbst, sondern seine Zusammensetzung: Wie viele Aufträge laufen pro Schicht ohne manuelle Nachbearbeitung durch, wie oft korrigieren Disponenten eine KI-Empfehlung, und wie lange dauert ein Auftrag von der Freigabe bis zum Abschluss? Erst der Vorher-Nachher-Vergleich dieser Teilwerte zeigt, ob weniger manuelle Eingriffe tatsächlich Arbeitszeit einsparen oder ob die Kontrolle der Empfehlungen selbst zu neuem Aufwand wird. Vorher- und Nachherwerte brauchen ein vergleichbares Auftragsvolumen und einen Servicegrad. Gemeinsame Plattformkosten werden nach Nutzung oder Kapazität verteilt. So wird sichtbar, ob der Prozessnutzen die Aufwände für Integration, Infrastruktur und KI-Betrieb rechtfertigt.

Ein gemeinsamer Plattformkern verbindet transaktionale Verarbeitung, Integrationslogik und Analyse. Multi-Model-Verarbeitung nutzt denselben Kern für relationale Auftrags- und Bestandsdaten, dokumentorientierte Ereignisse und analytische Abfragen.
Ein gemeinsamer Plattformkern verbindet transaktionale Verarbeitung, Integrationslogik und Analyse. Multi-Model-Verarbeitung nutzt denselben Kern für relationale Auftrags- und Bestandsdaten, dokumentorientierte Ereignisse und analytische Abfragen. – Bild: ©lastfurianec/stock.adobe.com

Datenentscheidungen klug treffen

Die drei Leitfragen bilden eine Entscheidungskette. Lagerdaten brauchen stabile Kennungen, klare Zustände und zeitgestempelte Ereignisse. Die KI verarbeitet den aktuellen Prozesskontext; die Lagersteuerung prüft versionierte Empfehlungen und meldet das Ergebnis zurück. Der Rechenort folgt Reaktionszeit, Ausfallsicherheit und Analysebedarf. Ob sich die Architektur rechnet, zeigt der Vergleich der Vollkosten je korrekt ausgeführtem Prozess mit dem messbaren Nutzen, etwa der eingesparten Arbeitszeit durch weniger manuelle Prüfungen, wie im vorangegangenen Abschnitt beschrieben. Genau darin liegt die Kostensenkung: in einer Datenstruktur, die Fehlentscheidungen, Doppelarbeit und überdimensionierte Infrastruktur von vornherein vermeidet.

Seiten: 1 2