
KI im WMS: Business Case oder Buzzword? Mit Sebastian Kirbus von Manhatan A
KI im Warehouse Management System (WMS) ist längst kein reines Buzzword mehr – doch wo liegen die echten Business Cases jenseits von simplen Chatbots? In dieser Episode diskutieren wir mit Sebastian Kirbus von Manhattan Associates über den Wandel von reaktiver GenAI hin zu autonom handelnden KI-Agenten.
Sebastian erklärt konkrete Anwendungsfälle: Von Agenten mit OCR-Fähigkeiten, die Lieferavise aus E-Mails auslesen und im System anlegen, bis hin zu "Labor Management Agents", die bei unerwarteten Engpässen proaktiv Personal aus dem Wareneingang abziehen und umplanen. Auch bei der komplexen Fehleranalyse von unvollständigen Auftragswellen sparen die Agenten wertvolle Zeit, da sie nicht nur das Problem, sondern direkt den Lösungsweg aufzeigen.
Außerdem erfahrt ihr in dieser Folge:
Warum Monolithen ein KI-Problem haben: Warum es fehleranfällig ist, Daten erst in einen externen Data Lake zu replizieren, um KI darauf aufzubauen, und warum Manhattan auf eine Architektur setzt, bei der KI-Agenten als eigene Microservices ("Honigwaben") direkt im System leben.
Die Angst vor Halluzinationen: Warum KI in der determinierten Logistik (anders als bei klassischen ChatGPT-Abfragen) durch klar definierte "Skills" nicht halluziniert.
Do It Yourself mit Vibe Coding: Wie Kunden mit der sogenannten "Agent Foundry" über Vorlagen oder Vibe Coding eigene KI-Agenten für ihr WMS bauen können.
Die Systemfrage: Wo leben die KI-Agenten der Zukunft, wenn Prozesse sowohl WMS- als auch TMS-Daten benötigen? Sebastian plädiert für getrennte Agenten pro System, die in Zukunft über "Agent to Agent" (A2A) Protokolle miteinander kommunizieren.
Unser Newsletter LogTech Pulse - jetzt kostenfrei abonnieren!
Links zum Podcast:
Email: [email protected]
Wenn du Fragen, Ideen oder Anregungen hast, freuen wir uns sehr über deine Nachricht!
Weitere Episoden von „LogTech Podcast“



Verpasse keine Episode von “LogTech Podcast” und abonniere ihn in der kostenlosen GetPodcast App.








