Die Kommissionierung zählt zu den größten Kostentreibern in der Lagerlogistik. Im Onlinehandel verstärkt sich dieser Effekt zusätzlich: Bestellungen sind häufig kleinteilig, umfassen nur wenige Artikel und müssen dennoch aus unterschiedlichen Lagerbereichen zusammengestellt werden.
An einem Standort von FM Logistic umfasst der Betrieb nach Unternehmensangaben mehr als 17.700 Kommissionierplätze. Gearbeitet wird mit Batch-Picking (Sammelkommissionierung), bei dem Artikel für ein Dutzend oder mehr Aufträge in einem einzigen Rundgang zusammengestellt werden. Entscheidend ist dabei, wie effizient die einzelnen Aufträge zu sogenannten Batches gebündelt werden. Je besser diese Zusammenstellung gelingt, desto weniger Rundgänge sind erforderlich und desto kürzer fallen die Kommissionierwege aus.
Bei dieser Größenordnung können bereits kleine Ineffizienzen in der Auftragsbündelung jährlich Tausende zusätzliche Lauf- oder Fahrkilometer verursachen und gleichzeitig die Flurförderzeuge stärker beanspruchen.
FM Logistic betont, dass die Prozesse bereits vor dem Projekt auf einem hohen Optimierungsniveau gewesen seien. Dennoch habe das Unternehmen weiteres Potenzial für inkrementelle Verbesserungen gesehen, während klassische Optimierungsansätze zunehmend an ihre Grenzen gestoßen seien.
Vom eigenen Algorithmus zur Zusammenarbeit mit Google
Der Weg zu AlphaEvolve begann nicht bei null. Zuvor hatte FM Logistic bereits einen eigenen Algorithmus zur Auftragsbündelung entwickelt, der die Kommissionierleistung verbessert habe. Als diese Basis stand, ging es nach Darstellung des Unternehmens weniger um grundlegende Prozessänderungen als um zusätzliche Prozentpunkte in einem bereits strukturierten Ablauf.
In dieser Phase ergab sich die Möglichkeit, Google AlphaEvolve zu testen – eine Lösung von Google DeepMind, die Gemini-Modelle nutzt, um Algorithmen zu erzeugen und weiterzuentwickeln. FM Logistic gehörte nach eigenen Angaben zu den ersten Organisationen weltweit, die zu einem Early-Access-Programm eingeladen wurden.
Im Unterschied zu generativer KI, die vor allem Inhalte erstellt oder Fragen beantwortet, ist AlphaEvolve auf Optimierungsprobleme ausgelegt. Das System schlägt Varianten von Algorithmen vor, testet sie und bewertet die Ergebnisse anhand definierter Kriterien.
Bei FM Logistic war das Ziel entsprechend klar: die Auftragsbündelung für die Kommissionierung weiter zu verbessern. Jede vorgeschlagene Anpassung wurde anschließend in einer eigenen Simulationsumgebung geprüft, die die realen Bedingungen im Lagerbetrieb abbildet.
Der Knackpunkt: ein passendes Bewertungsmodell
Ein zentraler Projektschritt war die Festlegung der Bewertungskriterien. Denn allein die Wegstrecke zu reduzieren, reicht als Erfolgsmaß in der Praxis nicht aus.
FM Logistic verweist darauf, dass KI zwar schnell Optimierungen finden könne, die für Menschen nicht unmittelbar naheliegen, dass jedoch nicht jedes rechnerisch „beste“ Ergebnis im Lageralltag reibungslos umsetzbar ist. Deshalb definierte das Team Regeln, Rahmenbedingungen und Prozessparameter detailliert. Erst das Zusammenspiel aus operativem Know-how und den Möglichkeiten von AlphaEvolve habe zu Varianten geführt, die sowohl wirksam als auch praxistauglich sind.
Was sich im Betrieb konkret verbessert hat
Der aus der Arbeit mit AlphaEvolve hervorgegangene Algorithmus brachte gegenüber dem bisherigen Ansatz nach Angaben von FM Logistic eine Verbesserung von mehr als 10 %. In der Praxis bedeutet das: kürzere Kommissionierrouten und eine jährliche Reduktion der Wege der Mitarbeitenden um mehr als 15.000 Kilometer.
Das ist auch deshalb relevant, weil der Ausgangspunkt bereits effizient gewesen sei: Der Prozess war laut FM Logistic mehrfach optimiert worden, und die eigenen Werkzeuge hätten die Wege in der Kommissionierung bereits deutlich verringert. Mit AlphaEvolve sei dennoch eine weitere Optimierungsstufe gelungen – in einem Bereich, in dem zusätzliche Fortschritte erfahrungsgemäß zunehmend schwieriger werden.
Das Projekt unterstreicht zudem, dass Effizienzgewinne nicht zwingend mit neuer Infrastruktur oder zusätzlicher Automatisierung einhergehen müssen. In diesem Fall beruhten die Effekte nach Unternehmensangaben auf konsequenterer Datennutzung und einem weiterentwickelten Optimierungsansatz – ohne Investitionen in zusätzliche Ausrüstung.
