Prof. Dr. Leo Brecht
Mitglied des Vorstands, Partner
Prof. Dr. Leo Brecht
Mitglied des Vorstands, Partner
Prof. Dr. Leo Brecht ist Mathematiker und Wirtschaftswissenschaftler mit einem Doktortitel in mathematischer Statistik und einer Professur für Innovations- und Technologiemanagement an der Universität Liechtenstein. Mit über 20 Jahren Erfahrung in Unternehmensberatung und angewandter Forschung sowie mehr als 10 Jahren im Investmentmanagement ist er ein führender Experte in den Bereichen Innovation, Technologie und Produktmanagement. Leo Brecht hat mehr als 100 Projekte für KMU und multinationale Unternehmen in verschiedenen Branchen unterstützt, von strategischer Beratung bis hin zu Technologiebewertungen. Er ist auch der Gründer von ALPORA, wo er und sein Team innovative Anlageprodukte entwickelt haben, die zu einem verwalteten Vermögen von über 700 Millionen Euro geführt haben. In den letzten zehn Jahren hat er mehr als 1.000 Investorenvorträge gehalten. Er war Partner bei Andersen und Arthur D. Little, Autor mehrerer Bücher und Konferenzredner. Als aktiver Investor und Serienunternehmer ist er insbesondere in den Sektoren FINTECH, SUSTTECH und EDUTECH tätig. In seiner Freizeit ist Leo Brecht ein leidenschaftlicher Regattasegler und Skifahrer und verbringt gerne Zeit mit seiner Familie.
In einem Logistikzentrum lässt sich der grösste Produktivitätsgewinn oft durch eine täuschend einfache Änderung erzielen: Statt Mitarbeiter zum Inventar zu schicken, bringt man das Inventar zu den Mitarbeitern. Die Kommissionierung ist im Lager meist der größte einzelne Betriebskostenfaktor. Der Grund dafür ist nicht primär der physische Akt, einen Artikel aus dem Regal zu nehmen. Es ist die Zeit, die mit dem Weg zum richtigen Standort, der Suche nach der korrekten Lagereinheit und dem Rückweg zur nächsten Aufgabe verbracht wird. Mit zunehmender Grösse der Lager und breiteren Sortimenten wird diese Bewegung zu einer strukturellen Ineffizienz quelle.
Goods-to-Person-Robotik kehrt diese Logik um. Anstatt von einem Mitarbeiter zu verlangen, dass er durch das Lager navigiert, bringen automatisierte Systeme Lagerregale, Behälter oder Boxen zu einer stationären Kommissionier- oder Packstation. Das Ergebnis ist ein direkter Eingriff in den grössten Bestandteil des manuellen Pick-and-Pack-Prozesses.
Dieser Artikel ist Teil der Averdas-Reihe «Wo Unternehmen Produktivitätsgewinne erzielen können» , die zwölf verschiedene Unternehmensbereiche untersucht, in denen Technologie, Prozesse und Ressourcenallokation die Wirtschaftlichkeit von Produktion und Betrieb verändern können. Die Reihe ist verfügbar unter Wo Unternehmen Produktivitätsgewinne erzielen können.
Warum Kommissionierung ein struktureller Produktivitätshebel ist
Ein herkömmlicher Kommissionierer verbringt einen erheblichen Teil seines Arbeitstages damit, sich durch die Anlage zu bewegen und Artikel zu suchen. Diese Zeit erhöht nicht direkt die Anzahl der fertiggestellten Aufträge. Sie skaliert mit der Grösse des Gebäudes, der Anzahl der Lagereinheiten und der Komplexität des Auftragsprofils.
Automatisierung setzt genau an diesem Engpass an, anstatt ihn nur zu optimieren. Autonome mobile Roboter können Regalmodule oder Behälter zu einem stationären Mitarbeiter transportieren. Automatisierte Lager- und Bereitstellungssysteme können Inventar dichter lagern und bei Bedarf abrufen. Software kann dann die Arbeit von Robotern und Menschen so takten, dass kein Prozess zum Flaschenhals für einen anderen wird.
Der entscheidende Punkt ist, dass die Lagerproduktivität nicht von einer einzelnen Maschine abhängt. Sie entsteht aus dem Zusammenspiel von Lagerdichte, Bewegung, Handhabung und Orchestrierung. Verbesserungen auf mehreren Ebenen können sich im Laufe der Zeit summieren.
Der Technologie-Stack hinter dem Gewinn
Das Inventar zum Mitarbeiter bringen
Autonome mobile Roboter navigieren durch das Lager und transportieren Lagerbehälter, Boxen oder Wannen zu einer manuellen Kommissionierstation. Dieses Ware-zur-Person-Prinzip reduziert Lauf- und Suchzeiten, während die menschliche Urteilsfähigkeit dort erhalten bleibt, wo sie sinnvoll ist.
Die wirtschaftliche Logik ist simpel: Wenn der Mitarbeiter an einem Ort bleibt, kann ein grösserer Teil der Schicht für das Scannen, Kommissionieren und Platzieren von Artikeln genutzt werden. Die genaue Effizienzsteigerung hängt vom Layout der Anlage, dem Auftragsprofil, dem SKU-Mix, dem Betriebsplan und dem Automatisierungsgrad ab.
Robotern das Greifen beibringen
Die robotergestützte Einzelstückkommissionierung stellt eine komplexere Herausforderung dar. Ein Roboterarm muss Produkte mit unterschiedlichen Formen, Oberflächen, Gewichten und Verpackungseigenschaften identifizieren und greifen können. Eine Tüte Snacks, eine Flasche und ein gefaltetes Kleidungsstück erfordern jeweils andere Bewegungsabläufe und unterschiedliche Greifkräfte.
Computer-Vision- und Machine-Learning-Systeme verbessern die Fähigkeit von Robotern, unbekannte Artikel zu handhaben. Dennoch bleibt eine vollautonome, hochzuverlässige Kommissionierung für das gesamte Spektrum an Lagerprodukten eine branchenweite Herausforderung. Dies ist ein Grund, warum die Robotermanipulation sowohl Risikokapital als auch technologiegetriebene Konsolidierungen anzieht.
Mehr Lagerkapazität auf gleicher Fläche
Automatisierte Lager- und Bereitstellungssysteme nutzen dichte, gitter- oder bahnbasierte Architekturen, um Bestände auf einer kleineren Grundfläche als in offenen Regalsystemen zu lagern. Flotten kleiner Roboter holen die Behälter ab und liefern sie an Kommissionier- oder Packstationen.
Eine höhere Lagerdichte ist besonders relevant, wenn Land, Arbeitskräfte oder Gebäudekapazitäten begrenzt sind. Sie kann zudem das Anlagendesign verändern: Automatisierung wird nicht nur in bestehende Lager integriert, sondern kann bereits bei der Planung das Layout und das Betriebsmodell des Gebäudes beeinflussen.
Entscheidung über den Lagerplatz
Nachfrageprognosen und Slotting-Systeme bestimmen, wo Produkte platziert werden sollten. Schnelldreher können so positioniert werden, dass die Zeit für häufige Bestellungen verkürzt wird, während erwartete Nachfragemuster die Bestandsauffüllung und Kapazitätsplanung steuern.
Diese Funktion wird zunehmend in Warehouse-Management- und ERP-Plattformen integriert. Für Investoren ist dies von Bedeutung, da einige Produktivitätsfunktionen eher von etablierten Softwareanbietern als von unabhängigen Start-ups abgedeckt werden könnten.
Koordinierung von Robotern und Menschen
Die Orchestrierungsebene koordiniert die Bewegungen von Robotern, Beständen und menschlichen Arbeitskräften. Sie entscheidet, welcher Roboter welche Aufgabe übernimmt, welcher Auftrag priorisiert wird und wie die Arbeitsabläufe an der Station sequenziert werden.
Dies ist mehr als nur ein Routingsystem. In einer hochautomatisierten Anlage fungiert die Software als ein kontinuierlich aktualisiertes Betriebsmodell des Gebäudes. Sie muss verschiedene Arbeitsabläufe koordinieren und gleichzeitig Ausnahmen, Nachschub, Engpässe und sich ändernde Nachfragen verwalten.
Was gemeldete Implementierungen verdeutlichen
Die Offenlegungen der Betreiber zeigen, wie verschiedene Ebenen des Stacks kombiniert werden können. Die folgenden Beispiele sind keine direkt vergleichbaren Produktivitätsstudien: Sie beziehen sich auf unterschiedliche Betriebsmodelle und messen unterschiedliche Ergebnisse.
Amazon hat Lagerrobotik in ein grosses Fulfillment-Netzwerk integriert und kombiniert dabei autonome mobile Roboter mit softwaregesteuerten Prozessen für Einlagerung, Sequenzierung und Verpackung. Der Entwicklungspfad des Unternehmens verdeutlicht ein wichtiges Muster: Neue Hardware wird mit Verbesserungen in der Orchestrierung gepaart, anstatt sie als isolierte Technologie einzusetzen.
Ocado nutzt gitterbasierte Kunden-Fulfillment-Zentren, in denen Roboterflotten Lagerbehälter zu Kommissionierstationen befördern. Das Unternehmen hat berichtet, dass die Ergänzung seiner bestehenden automatisierten Plattform um robotergestützte Kommissionierung den manuellen Arbeitsaufwand bei der Kommissionierung um weitere 50 Prozent senken kann. Zudem wurden Raten an automatisierten Kommissionierstationen von über 600 Artikeln pro Stunde und eine Genauigkeit von über 99,9 Prozent gemeldet. Diese Zahlen stammen vom Unternehmen selbst und sollten im Kontext des spezifischen Betriebsmodells, des Produktmixes und der Definition der Messgrössen betrachtet werden.
Walmart und Symbotic liefern ein Beispiel für Automatisierung auf der Ebene regionaler Verteilzentren. Die KI-gesteuerte Lager- und Bereitstellungsplattform von Symbotic wird im gesamten regionalen Verteilnetzwerk von Walmart eingesetzt. Symbotic meldete zudem einen vertraglich vereinbarten Auftragsbestand von 22,7 Milliarden US-Dollar sowie ein starkes Wachstum des Bruttogewinns im Jahresvergleich im letzten berichteten Quartal, auf das sich das Quellenmaterial bezieht. Diese Beziehung schafft zwar Skaleneffekte, unterstreicht aber auch das Risiko der Kundenkonzentration: Laut Quellenmaterial stammten zum Zeitpunkt der Referenz noch mehr als 80 Prozent des Umsatzes von Symbotic von Walmart.
Diese Beispiele sollten nicht als direkt vergleichbare Produktivitätsstudien interpretiert werden. Sie messen unterschiedliche Ergebnisse, darunter Arbeitszeitreduzierung, Artikel pro Stunde, Systemimplementierung und Auftragsbestände der Anbieter. Ein aussagekräftiger Vergleich erfordert eine gemeinsame Definition, einen einheitlichen Zeitraum, den gleichen Anlagentyp und eine vergleichbare Kostenbasis.
Eine sich wandelnde Landschaft bei Venture-Capital und öffentlichen Märkten
Lagerautomatisierung ist relativ kapitalintensiv und zunehmend konsolidiert. Einige Technologiebereiche haben eigenständige börsennotierte Unternehmen hervorgebracht, während andere in breitere Industrie-, Logistik- oder Unternehmenssoftwareplattformen integriert wurden.
Symbotic und AutoStore sind Beispiele für börsennotierte Unternehmen im Bereich der automatisierten Lagerung und Bereitstellung. Das Würfellagersystem von AutoStore nutzt kleine Roboter, um Behälter aus einem dichten Gitter zu entnehmen, und bedient Kunden in verschiedenen Sektoren, darunter Einzelhandel, Lebensmittel, Gesundheitswesen und Logistikdienstleister.
Locus Robotics veranschaulicht das „Robots-as-a-Service“-Modell. Die Plattform koordiniert Flotten autonomer mobiler Roboter und die menschlichen Arbeitskräfte, die diese bedienen. Das Quellenmaterial berichtet von weit über sechs Milliarden kumulierten Kommissioniervorgängen bis Oktober 2025, einer Finanzierung von 438 Millionen US-Dollar, einer gemeldeten Bewertung von 2 Milliarden US-Dollar und dem Einsatz von mehr als 17'000 Robotern an über 360 Standorten. Diese Zahlen müssen vor der Veröffentlichung anhand der aktuellsten Unternehmensmitteilungen bestätigt werden.
Das Segment der Manipulation zeigt auch die Grenzen eines starken Technologieangebots auf. Covariant entwickelte KI-Systeme für die robotergestützte Kommissionierung und zog 2024 Berichten zufolge Übernahmeinteresse von Amazon auf sich. Berkshire Grey hingegen ging 2021 durch eine SPAC-Transaktion mit einer gemeldeten Bewertung von 2,7 Milliarden US-Dollar an die Börse, bevor SoftBank das Unternehmen 2023 für etwa 375 Millionen US-Dollar von der Börse nahm.
Die Lektion ist nicht, dass es der Lagerrobotik an Potenzial mangelt. Sie lautet vielmehr, dass technische Differenzierung, kommerzielle Implementierung, Kundenkonzentration, Kapitalintensität und Exit-Bedingungen das Investitionsszenario bestimmen. Eine vielversprechende Technologie-Roadmap garantiert für sich allein noch keinen dauerhaften wirtschaftlichen Wert oder Anlegerrenditen.
Worauf Investoren achten sollten
Für Investoren, die die Produktivität von Lagerhäusern bewerten, gehen die relevanten Fragen weit über die Anzahl der eingesetzten Roboter hinaus:
- Welchen Teil des Pick-and-Pack-Prozesses verbessert das System?
- Wird der angegebene Gewinn durch Arbeitszeitverkürzung, Durchsatz, Genauigkeit, Kapazität oder die Gesamtkosten pro Auftrag gemessen?
- Welcher Lagertyp, welcher SKU-Mix und welche Betriebsbedingungen haben zu diesem Ergebnis geführt?
- Erfordert das System Änderungen am Gebäude, an der Lageranordnung oder am Personalmodell?
- Welcher Teil des Wertes entfällt auf Hardware, Software, Integration oder wiederkehrende Serviceeinnahmen?
- Wie konzentriert ist der Kundenstamm?
- Kann die Lösung bei verschiedenen Kunden und Anwendungsfällen eingesetzt werden oder ist sie eng an einen spezifischen Einsatzort gebunden?
- Was passiert, wenn sich Nachfrage, Produktmix oder die Verfügbarkeit von Arbeitskräften ändern?
Diese Fragen helfen dabei, einen echten Produktivitätsmechanismus von einer allgemeinen Automatisierungserzählung zu unterscheiden. Sie erleichtern zudem den Vergleich von Unternehmen, die auf unterschiedlichen Ebenen der Wertschöpfungskette tätig sind.
Die breitere Perspektive auf Produktivität
Die Lagerhaltung ist ein anschauliches Beispiel dafür, wie Produktivitätssteigerungen aus einem System heraus entstehen können, anstatt durch eine einzelne Erfindung. Autonome Roboter reduzieren unnötige Bewegungen. Dichte Lagerhaltung verändert die Raumnutzung. Computer Vision erweitert das Aufgabenspektrum, das Maschinen übernehmen können. Orchestrierungssoftware verbindet diese Fähigkeiten und koordiniert sie mit der menschlichen Arbeit.
Für institutionelle Investoren ist diese Systemperspektive von Bedeutung. Die Chance besteht nicht einfach darin, den auffälligsten Roboter zu identifizieren. Es geht darum zu verstehen, welche Unternehmen in der Lage sind, Technologie in wiederholbare betriebliche Verbesserungen zu übersetzen, ihre Position in der Wertschöpfungskette zu verteidigen und ihre wirtschaftliche Relevanz zu wahren, während das Lager zunehmend automatisiert wird.
Das ist die zentrale Frage dieser Ausgabe der zwölfteiligen Serie von Averdas: Wo kann ein unternehmerischer Produktivitätsgewinn geschaffen, gemessen und nachhaltig gesichert werden?
