Hybrid Intelligence in der Supply Chain: Warum Mensch und Maschine in der Logistik ein unschlagbares Team sind

Die moderne FMCG-Logistik steht vor bisher unbekannten Herausforderungen. Auf der einen Seite sind Unternehmen gezwungen durch eine zunehmende Volatilität auf dem Markt und einer, bisher unerreichten, Menge an Daten mehr zu automatisieren. Auf der anderen Seite gibt es in der Praxis, wie wir sie auch täglich mit unseren Kunden erleben, eine tiefe Skepsis gegenüber automatisierten Systemen. Langjährige Disponenten befürchten einen Kontrollverlust beim Einsatz eines Systems, welches zu großen Teilen eine Blackbox ist, also Input und Output bekannt sind, die exakte Gewichtung und Verarbeitung dazwischen jedoch in Teilen unbekannt. Dadurch resultiert ein so genanntes „Sicherheits-Paradoxon“: Trotz der Möglichkeit moderne Systeme in der Planung einzusetzen, werden diese regelmäßig manuell ausgehebelt, was Effizienzgewinne verhindert. 

Dieses Vertrauensproblem kann jedoch gelöst werden, nicht notwendigerweise durch mehr Technologie, sondern eine differenziertere Betrachtungsweise: Der Hybrid Intelligence. Dieser hoch aktuelle Ansatz, welcher derzeit noch in weltweit führenden Konferenzen für Informationssysteme und Operations-Research diskutiert wird, sieht KI nicht als Ersatz für Menschen, sondern als Werkzeug zur kognitiven Erweiterung. In diesem Beitrag wird beschrieben, welche Fundamente diesem Konzept zu Grunde liegen und wie wir in unserer Unternehmenspraxis damit umgehen. 

Das Konzept von Hybrid Intelligence 

Als Hybrid Intelligence bezeichnet man die zielgerichtete Zusammenarbeit von Menschen und KI-Systemen, um Ergebnisse zu erzielen, die keine der beiden Akteure für sich erzielen könnte. Die Abgrenzung zur reinen Automatisierung liegt hierbei im Fokus auf die Komplementarität und nicht auf der größtmöglichen Einsparung von manuellem Eingriff. Während Automatisierung also darauf ausgelegt ist, möglichst alles selbst zu machen, geht das Konzept von Hybrid Intelligence davon aus, dass manche Dinge durch eine reine Automatisierung nicht ihr volles Potenzial ausschöpfen können. 

Das Prinzip der Komplementarität 

Laut den Proceeding-Bänden der „International Conference on Information Systems“, kurz ICIS, differenzieren sich die Stärken von Menschen und Maschinen. Algorithmen auf der einen Seite sind unschlagbar, wenn es um die Verarbeitung großer, mehr dimensionaler Datensätze, sowie Erkennung schwacher statistischer Signale geht. Menschen auf der anderen Seite haben eine, in den Proceedings als „Contextual Intelligence“ bezeichnete Intelligenz, die Ihnen erlaubt soziale Zusammenhänge, unvorhergesehene geopolitische Ereignisse oder auch kurzfristige Änderungen in Kunden Beziehungen, wie sie in keinem Datensatz vermerkt sein können, zu verstehen. Gutes Beispiel dafür wäre, dass eine KI den Zusammenhang zwischen Temperatur und Absatz eines gewissen Artikels, besonders in der Getränkebranche oder im Eisgeschäft, erkennen kann. Ein erfahrener Mitarbeiter weiß jedoch, dass eine Baustelle vor der eigenen Filiale den Umsatz am kommenden Wochenende in besonderem Maße verringern wird. Das Konzept der Hybrid Intelligence führt diese Wissensquellen zusammen und schafft damit eine bessere Prognose. 

Quelle: Dellermann, P., et al. (2019). Hybrid Intelligence. Business & Information Systems Engineering. 

Der Unterschied zwischen „Human-in-the-Loop“ und „Human-on-the-Loop“ 

In der Forschung wird zwischen zwei Interaktions-Modellen unterschieden: 

1. Human-in-the-Loop (HITL): Der Mensch greift aktiv in jeden Entscheidungsprozess ein. Dies ist zum Beispiel bei hochgradig unsicheren Prognosen oder strategischen Sonderfällen notwendig. 

2. Human-on-the-Loop (HOTL): Die KI trifft Entscheidungen autonom innerhalb definierter Rahmenbedingungen (z.B. für C-Artikel, die weniger heikel sind), während der Mensch den Prozess überwacht und nur bei Abweichungen interveniert (sogenanntes Management by Exception). 

Warum wir der Blackbox misstrauen 

Im Gespräch mit unseren Kunden sehen wir oft eine gewisse Skepsis gegenüber KI-Systemen. In der Forschung hat dieses Misstrauen einen Namen: „Algorithm Aversion“. 

„Algorithm Aversion“ und der Anspruch für Transparenz 

Laut Studien der University of Pennsylvania verlieren Menschen das Vertrauen in einen Algorithmus wesentlich schneller als das Vertrauen in einen menschlichen Kollegen, wenn ein Fehler auftritt. So wird ein falscher Vorschlag von einem KI-System häufig als ein Versagen des Systems interpretiert und führt oft zur Rückkehr zur vermeintlich sicheren, weil gewohnten Excelliste. Im Konzept der Hybrid Intelligence wird dies durch so genannte „Explainable AI“, also der erklärbaren oder nachvollziehbaren KI, gelöst. Legt das System die Gründe für eine Entscheidung offen, sinkt die psychologische Hürde für die Anwender drastisch. Dabei gibt das System beispielsweise bekannt, dass eine Vorhersage zu 30 % auf Wetterdaten und 70 % auf kommenden Aktionen basiert. 

Quelle: Dietvorst, B. J., et al. (2015/Reprint 2024). Algorithm Aversion. Management Science. 

Bei Circly haben wir aus genau diesem Grund das so genannte Explainability-Modul entwickelt. Es kommen unter anderem die so genannten SHAP Values zum Einsatz, welche Nutzern Feedback über die im aktuellen Fall angewandten Gewichtungen der Einflussgrößen gibt. 

SHAP Values als Lösung für das Blackbox-Problem 

Um eine KI-generierte Vorhersage transparenter zu machen, empfiehlt sich der Einsatz so genannter „Shapley Additive Explanations“ oder kurz SHAP-Werte. Dieser mathematische Rahmen, welcher von Lloyd Shapley auf Basis der kooperativen Spieltheorie entwickelt wurde, ermöglicht es Vorhersagen eines komplexen Machine Learning Modells auf die Beiträge der einzelnen Eingabevariablen zu zerlegen. In der Praxis der Disposition bedeutet das, dass die KI nicht nur eine einzelne Zahl als Bestellvorschlag liefert, sondern auch quantifizierbar ausweist, welchen Anteil die jeweiligen Features, also Einflussgrößen auf das Ergebnis, an der Vorhersage haben. Diese einzelnen Features erhöhen oder senken in unserem Fall den Prognose Wert und geben damit Einblick auf die Zusammensetzung des Wertes. 

Bereits 2017 belegten wissenschaftliche Studien von Lundberg und Lee, dass SHAP-Werte eine konsistente und vertrauenswürdige Erklärung liefern, welche das Vertrauen von Anwendern in das System deutlich stärken, da dadurch erstmals die Entscheidung des Algorithmus mit der menschlichen Intuition sowie realen Marktereignissen abgeglichen werden kann. 

Quelle: Lundberg, S. M., & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. In: Advances in Neural Information Processing Systems. 

Aktuelle Proceedings von der „International Conference on Information Systems“ bezeichnen SHAP-Values als Goldstandard für die Ausgewogenheit zwischen Interpretierbarkeit und Leistungsfähigkeit eines Systems, da es höchstmögliche Prognose Präzision und maximale Transparenz vereint. 

Quelle: Proceedings of the International Conference on Information Systems (ICIS 2025). Track: Human-AI Collaboration - Implementing XAI in Operations Management.  

Studien, die im Rahmen von Projekten mit Partnern wie REWE oder Edeka, in Zusammenarbeit mit Fraunhofer IML durchgeführt wurden, belegen, dass der Einsatz von SHAP Values die Akzeptanz von Bestellvorschlägen signifikant steigen lassen. Die oft grafisch dargestellten Werte helfen Disponenten in diesen Unternehmen ein Verständnis dafür zu entwickeln, warum gewisse Faktoren größere Einflüsse auf die Prognose haben als andere. Im Zusammenhang mit diesen Pilotprojekten konnte der manuelle Eingriff durch Disponenten um bis zu 25 % reduziert werden, bei gleichzeitig stabiler Regal-Verfügbarkeit (On-Shelf Availability). Ein weiteres Beispiel sind Fallstudien, welche in den Proceedings der „Logistics Management Konferenzen“ aufscheinen, in denen Unternehmen die auf eine Human-in-the-Loop Architektur setzen, ihren Verderb um bis zu 15 % senken konnten. In diesem Fall, so die Autoren weiter, war der kritische Faktor die Fehler Attribution. So konnte bei einer falschen Prognose durch die KI die transparente Datenlage genutzt werden, um festzustellen, ob der Fehler in den Stammdaten, zum Beispiel einer falsch hinterlegten Wiederbeschaffungszeit, oder in unvorhersehbaren Ereignissen wie Wetterphänomenen lag. Unternehmen, wie dem Backwarenhersteller Tengelmann, konnten damit ihren reaktiven Ansatz in einen proaktiven Lernzyklus transformieren. 

Quellen: 

Fraunhofer IML (2023/2024): KI in der Handelslogistik – Best Practices und Praxisberichte. 

Hompel, M. ten, et al. (2024): Logistics 4.0: Praktische Anwendungen von Explainable AI im Supply Chain Management. In: Proceedings of the Logistics Management Conference. 

Wenzel, S., et al. (2025): Hybrid Intelligence in Retail: Case Studies on Human-AI Collaboration. In: Journal of Business Logistics. 

Lundberg, S. M., et al. (2020): Explainable AI for Trees: From Local Explanations to Global Understanding. In: Nature Machine Intelligence 

Vorteil in der Praxis: Wo Hybrid Intelligence Excel schlägt 

Bisher war das Bauchgefühl eines erfahrenen Mitarbeiters ausreichend für eine Prognose, die genau genug ist. Inzwischen verhindert die so genannte kognitive Überlastung präzise Vorhersagen auf Basis der bloßen Erfahrung. 

Das Problem mit der Mehrdimensionalität 

Moderne FMCG-Forecasts müssen teils tausende SKUs über zahlreiche Standorte hinweg unter Berücksichtigung von Feiertagskonstellationen, Wetter, Aktionen und in manchen Fällen auch auf Basis von Preisen, vorhersagen. Menschen können typischerweise maximal 5-7 variablen gleichzeitig gewichten. Für diese mathematische Schwerstarbeit sind KI-Systeme wesentlich besser geeignet. Im hybriden Kontext ist die Rolle des Menschen dabei jene des Filters, der die Ergebnisse auf Plausibilität kontrolliert. Hier bildet die Erfahrung einen wertvollen Rahmen, um Werte zu überprüfen. Forschungen zu Augmented Strategic Planning zeigen laut Gartner, dass die Prognosegenauigkeit von hybriden Teams um 15-20 % höhere Güte erlangen, als reine menschliche oder rein maschinelle Ansätze. 

Verzögerungen in der Entscheidung als wichtiger Faktor 

In der Praxis der Planung mit Tabellenkalkulationsprogrammen vergehen zwischen der Erfassung von Daten und der Bestellung oft Tage. Währenddessen kann sich die Marktlage bereits mehrmals geändert haben. Mit dem Ansatz von Hybrid Intelligence können Unternehmen theoretisch in Echtzeit reagieren. Während Daten vom System in Echtzeit aufbereitet werden, muss der menschliche Mitarbeiter sich lediglich um die Freigabe kümmern. Dies nimmt dem Menschen den aufwändigsten und langwierigsten Teil des Prognoseprozesses ab und ermöglicht den Fokus auf den kritischen Teil. Zudem steigt die Iterationsgeschwindigkeit um ein Vielfaches, da manuelles Erfassen von Daten erspart bleibt. 

Quelle: Journal of Business Logistics (2024). The Cost of Latency in Supply Chain Management. 

Wie Hybrid Intelligence strategisch implementiert werden kann 

Eine der ersten Herausforderung bei der Implementierung von Hybrid Intelligence ist die Transformation eines, wie man in Österreich sagt „gesund skeptischen“ Teams in ein Hybrid-Team. Dafür gibt es einen dreistufigen Ansatz: 

1. Transparenz schafft Vertrauen: Implementieren Sie Dashboards, die nicht lediglich Zahlen zeigen, sondern auch deren Zusammenhang visualisieren. Wenn für Disponenten ersichtlich ist, dass eine Prognose einem Peak bei der Nachfrage vorhersieht, der mit einem Feature wie Ferienbeginn korreliert, steigert das die Akzeptanz. Auch SHAP Values, wie wir sie in unserem System im Einsatz haben, fallen in diese Kategorie 

2. Management by Exception: Verwenden Sie ein mehrschichtiges System: Zum Beispiel kann die KI für stabile Standard-Artikel autonom entscheiden (z.B. Alle A-Artikel, die oft risikolos sind). Z-Artikel hingegen, sollten in der freiwerdenden Zeit vom Disponenten analysiert werden. Diese erfordern oft stark kontextbezogenes Denken, für welches meist keine Datenbasis vorliegt. 

3. Fehler attribuieren statt Schuld suchen: Achten Sie darauf, dass ihr System nachträglich auditierbar ist. Sollte eine Prognose daneben liegen, analysieren Sie sowohl Mensch als auch Maschine. Finden Sie heraus, ob ein unsauberer Datenpunkt im ERP die Ursache war, ein unvorhersehbares Ereignis oder fehlende Informationen. Mit diesem Ansatz können Systeme iterativ verbessert werden. Aus dem Fehler wird eine Chance. 

Quelle: Proceedings of the ICIS 2025. Post-Hoc-Auditing in AI-supported Supply Chains. 

Fazit: Mensch und Maschine statt Mensch oder Maschine 

Die aktuelle wissenschaftliche Evidenz ist eindeutig: Gewinner der digitalen Transformation werden nicht jene Unternehmen sein, die Menschen durch Roboter ersetzen, sondern jene, die eine perfekte Mensch-Maschine-Kollaboration etablieren können. Hybrid Intelligence ist die Antwort auf die steigende Komplexität und das Sicherheitsbedürfnis von Mitarbeitern. Wer den Stress mit Excel beenden will, ohne die Kontrolle abzugeben, muss den Weg der hybriden Intelligenz gehen. 

Zitierte Quellen und Referenzen: 

1. Dellermann, P., Ebel, P., Söllner, M., & Leimeister, J. M. (2019). Hybrid Intelligence. In: Business & Information Systems Engineering. (Definition der Komplementarität). 

2. Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015/2024). Algorithm Aversion: People Erroneously Forego Predictive Algorithms After Seeing Them Err. In: Management Science. (Grundlagenforschung zum Vertrauen). 

3. Proceedings of the International Conference on Information Systems (ICIS 2024 & 2025). Tracks: Human-AI Collaboration and Supply Chain Analytics. (Aktuelle Konferenzbeiträge zur operativen Umsetzung). 

4. Gartner (2024). Predicts 2024: Supply Chain Technology. (Thema: Augmented Intelligence). 

5. Journal of Business Logistics (2024). Special Issue: Digital Transformation and Responsiveness. (Studien zu Decision Latency). 

6. Adadi, A., & Berrada, M. (2022/2024). Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI). (Technisches Framework für Transparenz). 

FAQs