KI-Agenten und OR: Synergie für bessere Lagerbestandskontrolle

In der klassischen Lagerbestandssteuerung werden Bestellentscheidungen meist von streng modellierten Operations‑Research‑Algorithmen geleitet. Diese Verfahren stoßen jedoch an ihre Grenzen, wenn sich Nachfrageverteilungen ändern oder wichtige Kontextinformationen fehlen. Mit dem Aufkommen großer Sprachmodelle (LLMs) entstehen neue Möglichkeiten, flexibel zu reagieren und reichhaltige Kontextsignale zu nutzen – doch die optimale Einbindung dieser Modelle in traditionelle Entscheidungsprozesse ist noch unklar.

Forscher haben deshalb einen neuen Benchmark namens InventoryBench entwickelt, der über 1.000 Testfälle aus synthetischen und realen Nachfrageprofilen umfasst. Die Fälle prüfen die Robustheit von Entscheidungsregeln bei Nachfrageverschiebungen, Saisonalität und unsicheren Lieferzeiten.

Die Ergebnisse zeigen, dass Kombinationen aus OR‑Algorithmen und LLMs die Leistung deutlich steigern, wenn sie zusammen eingesetzt werden. Alleinstehende Methoden – sei es ein reines OR-Modell oder ein reiner LLM – erreichen nicht die gleiche Effektivität. Das deutet darauf hin, dass die beiden Ansätze sich ergänzen, anstatt sich zu ersetzen.

Ein weiteres Experiment setzte die Zusammenarbeit von Menschen und KI in den Fokus. In einer kontrollierten Klassen‑Umgebung wurden menschliche Entscheider mit LLM‑Empfehlungen versorgt. Im Gegensatz zu früheren Studien, die eine Verschlechterung der Leistung bei Mensch‑KI‑Zusammenarbeit berichteten, erzielten die Teams hier höhere Gewinne als sowohl die Menschen als auch die KI-Agenten allein.

Die Studie liefert damit nicht nur einen neuen Benchmark, sondern auch klare Hinweise darauf, wie OR, LLMs und menschliche Expertise synergistisch in der Lagerbestandssteuerung eingesetzt werden können, um die Wirtschaftlichkeit von Lieferketten nachhaltig zu verbessern.