Künstliche Intelligenz (KI) soll Entscheidungen beschleunigen und Mitarbeiter entlasten. Doch wer zu viel automatisiert, riskiert, dass die Systeme nicht mehr ausreichend vom Fachwissen der Beschäftigten lernen. Eine Studie aus der Nutzfahrzeugindustrie zeigt, wie sich rund 84 Prozent der Entscheidungen automatisieren lassen, ohne auf wertvolle menschliche Eingriffe zu verzichten.
Kühne Logistics University nimmt KI unter die Lupe
Je mehr Entscheidungen die künstliche Intelligenz übernimmt, desto weniger muss der Mensch eingreifen. Was zunächst nach einem klaren Produktivitätsgewinn klingt, kann für Unternehmen langfristig zum Problem werden. Denn wenn Beschäftigte kaum noch Entscheidungen überprüfen oder korrigieren, fehlen den Algorithmen wichtige Informationen, um sich an veränderte Bedingungen anzupassen. Zu diesem Ergebnis kommen Wissenschaftler der Kühne Logistics University (KLU), der Technischen Universität Eindhoven und der Emory University. In ihrer Studie „Targeted Automation and Sustaining Human-AI Learning“ untersuchen sie, wie Unternehmen Entscheidungen gezielt automatisieren können, ohne auf menschliches Fachwissen als Grundlage für die Weiterentwicklung ihrer Systeme zu verzichten.
Mehr als 475.000 Entscheidungen untersucht
Für die Untersuchung werteten die Forscher mehr als 475.000 Bestellentscheidungen aus, die innerhalb von vier Jahren bei einem großen Nutzfahrzeughersteller getroffen wurden. Das Unternehmen erzielt einen Jahresumsatz von mehr als vier Milliarden Euro. Im Mittelpunkt standen Bestellmengen im Einkauf. Ein computergestütztes Entscheidungssystem erstellte Empfehlungen, die anschließend von menschlichen Planern überprüft und gegebenenfalls angepasst wurden. Die entscheidende Frage lautete dabei nicht, ob grundsätzlich der Mensch oder der Algorithmus bessere Entscheidungen trifft. Vielmehr wollten die Forscher herausfinden, in welchen konkreten Situationen menschliche Eingriffe die Qualität einer Entscheidung tatsächlich verbessern.
84 Prozent automatisiert – menschliches Wissen bleibt erhalten
Auf Grundlage der Daten entwickelten die Wissenschaftler ein Modell, das vorhersagt, wann eine menschliche Korrektur voraussichtlich einen Mehrwert bringt. Entscheidungen, bei denen menschliche Eingriffe wenig zusätzlichen Nutzen versprechen, können automatisiert werden. In anderen Fällen bleibt die Prüfung durch erfahrene Mitarbeiter erhalten. Mit diesem Ansatz ließen sich in der untersuchten Anwendung rund 84 Prozent der algorithmischen Empfehlungen automatisieren. Bemerkenswert ist dabei ein weiteres Ergebnis: Gegenüber einer zufälligen Auswahl der weiterhin manuell bearbeiteten Fälle konnten die Forscher etwa dreimal so viele tatsächlich hilfreiche menschliche Korrekturen erhalten. Diese Rückmeldungen sind entscheidend, damit sich die KI auch bei veränderten Rahmenbedingungen weiterentwickeln kann.
Warum vollständige Automatisierung zum Risiko wird
Das Problem liegt in einem möglichen Lerneffekt, der ausbleibt: Werden sämtliche Entscheidungen automatisiert, erhält das System kaum noch Rückmeldungen darüber, ob erfahrene Mitarbeiter in einzelnen Fällen anders und möglicherweise besser entschieden hätten. Damit kann eine wichtige Grundlage für die kontinuierliche Verbesserung des Algorithmus verloren gehen. „Unsere Forschung zeigt, dass Unternehmen bei der Automatisierung selektiv vorgehen sollten“, erklärt KLU-Professor Kai Hoberg. Statt sämtliche Entscheidungen zu automatisieren, sollten gezielt diejenigen erhalten bleiben, bei denen Menschen den Algorithmus verbessern können. Auch Christina Imdahl von der TU Eindhoven betont, dass nicht einfach die schwierigsten Entscheidungen beim Menschen verbleiben sollten. Entscheidend sei vielmehr, vorherzusagen, wann menschliches Fachwissen tatsächlich zur Verbesserung des Systems beitragen kann.
Was Unternehmen daraus lernen können
Für Unternehmen aus Industrie und Logistik ist der Ansatz insbesondere dort interessant, wo algorithmische Empfehlungen regelmäßig in operative Entscheidungen einfließen – etwa bei Bestellmengen, Bestandsplanung oder anderen wiederkehrenden Dispositionsaufgaben. Die Forscher empfehlen, Automatisierung schrittweise einzuführen und zunächst messbar zu machen, wann menschliche Korrekturen einen tatsächlichen Nutzen bringen. Erst auf dieser Grundlage lasse sich sinnvoll entscheiden, welche Aufgaben vollständig automatisiert werden können und wo die Beteiligung erfahrener Beschäftigter weiterhin notwendig ist. Die Untersuchung zeigt damit eine wichtige Grenze der Automatisierung: Entscheidend ist nicht allein, möglichst viele Entscheidungen der KI zu überlassen. Unternehmen müssen auch dafür sorgen, dass ihre Systeme weiterhin vom Wissen ihrer Mitarbeiter profitieren.
In Kürze: die Key Facts
- Studie: „Targeted Automation and Sustaining Human-AI Learning“.
- Forschungsteam: Christina Imdahl (TU Eindhoven), William Schmidt (Emory University) und Kai Hoberg (Kühne Logistics University).
- Veröffentlichung: Fachzeitschrift „Production and Operations Management“, Band 35, Ausgabe 4, 2026.
- Datengrundlage: Mehr als 475.000 Bestellentscheidungen aus einem Zeitraum von vier Jahren.
- Untersuchtes Unternehmen: Großer Nutzfahrzeughersteller mit mehr als vier Milliarden Euro Jahresumsatz.
- Anwendungsbereich: Algorithmische Empfehlungen für Bestellmengen im Einkauf.
- Automatisierungsgrad: Rund 84 Prozent der Empfehlungen konnten im untersuchten Anwendungsfall automatisiert werden.
- Menschlicher Mehrwert: Der Ansatz bewahrte etwa dreimal so viele hilfreiche menschliche Korrekturen wie eine zufällige Auswahl der manuell bearbeiteten Fälle.
- Zentrales Risiko: Vollständige Automatisierung kann die Rückmeldungen verringern, die Algorithmen für ihre Weiterentwicklung benötigen.
- Forschungsansatz: Gezielte Automatisierung statt pauschaler Übertragung sämtlicher Entscheidungen an die KI.
- Praktische Empfehlung: Unternehmen sollten messen, wann menschliche Eingriffe Entscheidungen verbessern, und diese Fälle gezielt von der Automatisierung ausnehmen.
- Bedeutung für die Logistik: Der Ansatz ist insbesondere für wiederkehrende Planungs- und Dispositionsentscheidungen interessant.
