Strategische Auswirkungen von Künstlicher Intelligenz in der Logistik : Effizienz, Kostenstruktur und Implikationen für mittelständische Logistikunternehmen

Abstract

Die vorliegende Masterarbeit untersucht die strategischen Auswirkungen des Einsatzes Künstlicher Intelligenz (KI) in der Logistik mit dem Fokus auf Effizienz, Kostenstruktur und Implikationen für mittelständische Logistikunternehmen. Vor dem Hintergrund steigender Prozesskomplexität, zunehmenden Kostendrucks und fortschreitender Digitalisierung wird KI in der Literatur häufig als zentraler Effizienz- und Wettbewerbsfaktor beschrieben. Gleichzeitig zeigt sich insbesondere im Mittelstand eine bislang begrenzte Umsetzungstiefe, die vor allem durch organisatorische, datenbezogene sowie kompetenz- und kapazitätsbezogene Rahmenbedingungen geprägt ist. Ziel der Arbeit ist es, die Wirkmechanismen des KI-Einsatzes in der Logistik aus strategischer Perspektive zu analysieren und einzuordnen. Die Untersuchung verzichtet bewusst auf quantitative Wirkungsnachweise und unternehmensspezifische Fallstudien und folgt stattdessen einem qualitativ-explorativen Forschungsdesign. Grundlage bilden theoretische Analysen sowie sieben leitfadengestützte Expertinnen- und Experteninterviews, die mittels qualitativer Inhaltsanalyse nach Mayring ausgewertet wurden. Die Ergebnisse zeigen, dass KI im untersuchten Kontext überwiegend als unterstützende Technologie verstanden wird und sich der tatsächliche Einsatz vielfach auf frühe Reifegradstufen beschränkt. Einer hohen strategischen Relevanzzuschreibung steht eine bislang geringe produktive Nutzung gegenüber, insbesondere in logistischen Kernprozessen. Effizienzpotenziale werden primär in der Unterstützung von Entscheidungsprozessen, der Verbesserung von Transparenz und der Reduktion operativer Komplexität gesehen, während direkte und kurzfristige Kostensenkungseffekte kaum erwartet werden. Auf Basis der Synthese von Theorie und Empirie werden zentrale Entscheidungsdimensionen sowie ein heuristisches Orientierungsmodell abgeleitet. Die Arbeit kommt zu dem Ergebnis, dass KI im mittelständischen Logistikkontext weniger als kurzfristiger Effizienzhebel, sondern als langfristige Entwicklungsressource zu verstehen ist, deren Wirksamkeit maßgeblich von organisationaler Anschlussfähigkeit, Datenreife und strategischer Zielklarheit abhängt.

This master’s thesis examines the strategic implications of artificial intelligence (AI) in logistics, focusing on efficiency, cost structure, and implications for medium-sized logistics companies. Against the background of increasing process complexity, rising cost pressure and ongoing digital transformation, AI is frequently described in the literature as a key driver of efficiency and competitiveness. At the same time, particularly in the context of medium-sized firms, the depth of implementation remains limited, primarily due to organizational, data-related and competence- and capacity-related conditions.The objective of this study is to analyze and contextualize the mechanisms through which AI affects logistics from a strategic perspective. The thesis deliberately refrains from quantitative performance measurement and company-specific case studies and instead follows a qualitative exploratory research design. The analysis is based on theoretical considerations and seven semi-structured expert interviews, which were evaluated using qualitative content analysis according to Mayring.The findings indicate that AI is predominantly perceived as a supportive technology and that its actual use is largely confined to early stages of adoption. High strategic relevance is contrasted by low levels of productive implementation, particularly within core logistics processes. Expected efficiency effects mainly relate to improved decision support, increased transparency and reduced operational complexity, while direct and short-term cost reductions are rarely anticipated.Based on the synthesis of theoretical and empirical insights, key strategic decision dimensions and a heuristic orientation model are derived. The study concludes that, in the context of medium-sized logistics companies, AI should be understood less as a short-term efficiency lever and more as a long-term developmental resource, whose effectiveness depends fundamentally on organizational readiness, data maturity and strategic clarity.