Wenn reale Bewegung digital unsichtbar wird

• Eine digitale Buchung ist noch kein Beweis für den realen Vorgang.
• Bilddaten können Menge, Typ, Zustand und Prozesskontext verbinden.
• Barcode und RFID bleiben wertvoll und lassen sich visuell ergänzen.
• Industrietauglichkeit zeigt sich vor allem im Umgang mit Ausnahmen.

Paletten, Kisten und Rollwagen können physisch vorhanden sein und trotzdem im digitalen Prozess unsichtbar werden. Sie wurden bewegt, übergeben oder zurückgeführt – aber die passende Buchung fehlt, ist falsch oder lässt sich im Nachhinein nicht mehr eindeutig belegen.

Diese Unsichtbarkeit entsteht selten durch einen einzigen großen Fehler. Häufig sind es kleine Abweichungen: ein falsch gezählter Stapel, eine falsche Kundenzuordnung, ein übersehenes Behältnis oder ein nachträglich korrigierter Vorgang ohne gemeinsame Faktenbasis. An der Rampe wirkt das zunächst überschaubar. Im Backoffice wird daraus ein Klärungsfall mit Rückfragen, Kontenabgleich und Reklamationsaufwand.

Diese Informationslücke ist der Data Gap. Entscheidend sind deshalb vier Fragen: Welche Informationen fehlen zwischen realem Materialfluss und digitaler Buchung? Was kann Vision AI beitragen? Wo bleiben Barcode und RFID die bessere Wahl? Und warum zählt nicht nur die perfekte Demo, sondern vor allem der robuste Umgang mit Sonderfällen?

Die Lücke entsteht vor dem ERP

Viele Logistikprozesse sind heute weitgehend digital. Aufträge, Touren, Bestände und Konten werden in ERP-, WMS- oder TMS-Systemen geführt. Trotzdem bleibt an den Übergängen zur physischen Welt eine einfache Frage offen: Was ist an diesem Prozesspunkt tatsächlich passiert?

Ein Fahrer muss beispielsweise Mengen erfassen, Ladungsträgertypen unterscheiden, den Vorgang dem richtigen Kunden zuordnen und das Ergebnis dokumentieren. Bei Mischbeladung, Zeitdruck oder wechselnden Pfandsätzen ist das keine reine Zählaufgabe. Ein beträchtlicher Teil des Prozesswissens steckt in der Person, die gerade an der Rampe arbeitet.

Wird dabei eine falsche Menge eingegeben, verarbeitet das Backoffice diese Information konsequent weiter. Digitale Systeme machen den Prozess schneller und skalierbarer – sie machen eine falsche Eingangsinformation aber nicht richtiger. Aus einem kleinen Erfassungsfehler entstehen unterschiedliche Datenstände, Rückfragen und manuelle Korrekturen.

Eine falsche Eingabe wird durch Digitalisierung nicht richtiger.

Der Data Gap ist deshalb kein Argument gegen Digitalisierung. Er zeigt vielmehr, wo Digitalisierung beginnen muss: an der Schnittstelle zur realen Welt. Je unmittelbarer ein Vorgang erfasst wird, desto weniger muss später aus Buchungen, Telefonaten und Erinnerungen rekonstruiert werden.

Ein visueller Nachweis kann dabei mehr enthalten als ein reines Ergebnis. Neben der erkannten Menge können Aufnahmezeitpunkt, Vorgangsbezug, Ladungsträgertyp, sichtbarer Zustand und die KI-Auswertung erhalten bleiben. Aus „17 gebucht“ wird eine Information, deren Entstehung nachvollziehbar ist.

Sehen, verstehen, belegen: Was Vision AI leisten kann

Eine Kamera erzeugt zunächst nur Bilder. Erst durch Bildverarbeitung, trainierte Modelle und Prozesswissen werden daraus strukturierte Daten. Für Logistikanwendungen reicht es daher nicht, irgendeine allgemeine Bilderkennung einzusetzen. Das System muss die relevanten Ladungsträger, Perspektiven und Prozessregeln kennen.

Je nach Anwendung können visuelle Systeme Paletten, Mehrwegkisten, Rollwagen oder Gitterboxen erkennen. Zusätzlich lassen sich sichtbare Merkmale wie Farbe, Form, Kontur, Labelinformationen oder Bewegungsrichtung auswerten. Ob und mit welcher Zuverlässigkeit ein Merkmal erkannt werden kann, hängt immer von Kameraposition, Sichtbarkeit, Beleuchtung, Trainingsdaten und dem konkreten Prozess ab.

Der Begriff Physical AI beschreibt die übergeordnete Entwicklung: KI arbeitet nicht nur mit bereits vorhandenen digitalen Datensätzen, sondern beobachtet und interpretiert die physische Welt. Im Ladungsträgerkreislauf verschiebt sich damit die Datenentstehung.

Das bedeutet nicht, dass der Mensch aus dem Prozess verschwindet. Bei einer mobilen Zählung kann ein Mitarbeiter das erkannte Ergebnis prüfen und bei Bedarf korrigieren. Bei einem automatisierten Durchgangspunkt übernehmen Plausibilitätsregeln und definierte Ausnahmeprozesse diese Rolle. Entscheidend ist, dass Unsicherheit nicht versteckt, sondern im Prozess behandelt wird.

Barcode, RFID und Vision AI sind keine Gegensätze

Technologien sollten nicht nach einem pauschalen „besser oder schlechter“ ausgewählt werden. Barcode, RFID und Vision AI beantworten unterschiedliche Fragen. Ein Barcode kann eine eindeutige Identität sehr effizient transportieren. RFID liest geeignete Tags berührungslos und ohne direkte Sichtlinie. Vision AI ergänzt sichtbare Eigenschaften und den Kontext der Situation.

In einem realen ScanGate können diese Ansätze zusammenarbeiten. Die Kamera erkennt beispielsweise den Ladungsträger und liest zugleich relevante 1D- oder 2D-Codes. Die Prozesslogik entscheidet, welches von mehreren sichtbaren Labels zum Vorgang gehört. Eine Richtungsanalyse kann zusätzlich einordnen, ob sich ein Objekt hinein-, hinaus- oder zurückbewegt.

Gerade heterogene Kreisläufe profitieren von dieser Kombination. Nicht jeder nicht serialisierte Ladungsträger benötigt sofort ein neues Label oder einen RFID-Tag, nur damit eine Menge erfasst werden kann. Umgekehrt bleibt eine eindeutige Kennzeichnung sinnvoll, wenn ein einzelnes Asset über seinen Lebenszyklus identifiziert werden soll.

Standards reduzieren Komplexität. Vision AI hilft, die verbleibende Variabilität zu beherrschen.

Die letzten Sonderfälle entscheiden über Industrietauglichkeit

Eine Demonstration zeigt meist den idealen Vorgang: gute Beleuchtung, freie Sicht, eine klare Fahrtrichtung und sauber gestapelte Ladungsträger. Der reale Materialfluss ergänzt Folie, Verschmutzung, Überstände, Mischbeladungen, verdeckte Labels und ungeplante Bewegungen.

Deshalb ist eine hohe Erkennungsrate im Standardfall nur ein Teil der Lösung. Industrietauglichkeit zeigt sich darin, wie das System mit unklaren Situationen umgeht. Erkennt es Unsicherheit? Kann es widersprüchliche Signale markieren? Gibt es einen definierten Weg für die manuelle Prüfung?

• Mischbeladung mit mehreren Ladungsträgertypen
• Verdeckte, beschädigte oder zusätzliche Labels
• Rückwärtsfahrt und ungeplante Rückbewegungen
• Teilweise verdeckte oder ineinander gestapelte Objekte
• Beschädigungen und sichtbare Konturabweichungen
• Personen oder weitere Fahrzeuge im Kamerabild
• Unvollständige Aufnahme oder ungünstige Perspektive
• Objekte, die noch nicht sicher klassifiziert werden können

Ein gutes Exception Design kann je nach Prozess unterschiedlich aussehen. In der App wird eine unvollständige Aufnahme erneut angefordert. Am Gate werden mehrere Perspektiven und zeitlich aufeinanderfolgende Bilder kombiniert. Plausibilitätsregeln vergleichen Erkennung, Auftrag und Bewegungsrichtung. Kritische Fälle landen gezielt in einer Prüfliste, statt unbemerkt als sichere Buchung weiterzulaufen.

Automatisierung skaliert gute wie schlechte Daten. Wenn ein manueller Fehler eine einzelne Buchung betrifft, ist er ärgerlich. Wenn ein automatisches System denselben Fehler wiederholt erzeugt, wird er zum strukturellen Problem. Deshalb müssen Messmethodik, Prozessgrenzen und Ausnahmebehandlung genauso sorgfältig geplant werden wie das KI-Modell.

Drei Erfassungsebenen für unterschiedliche Prozesspunkte

Es gibt nicht den einen idealen Erfassungspunkt für jeden Ladungsträgerkreislauf. Manche Mengen entstehen dezentral in Filialen oder bei Abholungen. Andere passieren täglich denselben Wareneingang. Wieder andere Informationen liegen bereits in ERP, WMS oder TMS und müssen mit dem physischen Nachweis verbunden werden.

PixelEdge betrachtet deshalb drei Ebenen: mobile Erfassung, stationäre Erfassung im Materialfluss und eine zentrale Transparenz- und Nachweisebene.

Edge.Count: mobil erfassen

Foto aufnehmen, Ladungsträger erkennen und zählen, Ergebnis als Overlay prüfen und den Vorgang dokumentieren.

→

ScanGate: im Materialfluss erfassen

Objekte, Codes, Richtung und Kontext an einem festen Durchgangspunkt erfassen – ohne zusätzlichen Einzelscan.

→

Edge.Trace: Vorgänge verbinden

Erfassungen, bestehende Systeme und Kreislaufpartner in einer gemeinsamen Historien- und Nachweisebene zusammenführen.

→

Diese Ebenen ersetzen bestehende Kernsysteme nicht. ERP, WMS und TMS bleiben für Aufträge, Bestände und operative Steuerung zuständig. Die visuelle Erfassung ergänzt Informationen aus dem realen Vorgang; Software für Behältermanagement verbindet sie mit Konten, Historie und Partnern.

Welche Ebene sinnvoll ist, hängt vom Volumen, den wechselnden Erfassungspunkten, dem Automatisierungsgrad und der benötigten Nachweistiefe ab. Häufig beginnt der Weg mit einer begrenzten Machbarkeitsprüfung: reale Bilder aus dem Prozess, klar definierte Zielobjekte und eine ehrliche Betrachtung der Sonderfälle.

Transparenz ist auch eine Frage der Fairness

Hinter Bestandsdifferenzen stehen nicht nur Zahlen. Ladungsträger binden Kapital, müssen ersetzt werden und können bei fehlender Verfügbarkeit den operativen Ablauf stören. Zusätzlich entstehen Kosten für Kontenabgleich, Reklamationen und Sicherheitsbestände.

Wenn sich eine Übergabe nicht nachvollziehen lässt, fehlt den beteiligten Unternehmen eine gemeinsame Faktenbasis. Aus einer Differenz wird dann eine Verhandlung darüber, welche Buchung gilt und wer den wirtschaftlichen Schaden trägt. Ein visueller Nachweis löst nicht automatisch jeden Konflikt, kann die Klärung aber auf einen konkreten Vorgang zurückführen.

Damit verändert sich die Rolle der Technologie. Es geht nicht nur darum, Kisten oder Paletten schneller zu zählen. Es geht um weniger Unsicherheit im Kreislauf: Was wurde erfasst? Wann und wo? Wie sicher war die Erkennung? Welche Abweichung wurde geprüft oder korrigiert?

Das langfristige Ziel ist ein Ladungsträgerkreislauf, der sich weitgehend selbst dokumentiert. Bewegungen werden im Moment ihres Entstehens erfasst, mit digitalen Vorgängen verknüpft und für die beteiligten Rollen nachvollziehbar gemacht. Der Anteil nachträglicher Rekonstruktion sinkt – und mit ihm die Reibung zwischen Rampe, Backoffice und Kreislaufpartnern.

Präsentation: Vision AI im Ladungsträgerkreislauf

Die PDF-Fassung fasst den Weg von der physischen Erfassung über den Data Gap bis zur gemeinsamen Nachweisebene kompakt zusammen und steht direkt zum Download bereit.

Häufige Fragen zu Vision AI in der Logistik