Automatisierung ist gesetzt – die Autonomiegrenze ist die Führungsaufgabe

Historisch drehte sich die Führungsentscheidung um den Automatisierungsgrad – lohnt sich die Automatisierung? Heute werden eine Vielzahl an Abläufen automatisiert; mit KI-gestützter Automatisierung lautet die eigentliche Frage: Welcher Autonomiegrad ist für diese Systeme angemessen?

Führungskräfte diskutieren nicht mehr, ob automatisiert werden soll. Die eigentliche Entscheidung ist, wo die Linie verläuft: Was Maschinen autonom erledigen – und wo die Verantwortung beim Menschen bleiben muss. Wenn eine Fehlentscheidung Menschen gefährden kann, bleibt ein Mensch im Entscheidungsprozess eingebunden. Alles andere ist eine bewusste Gestaltung der Verteilung von Verantwortung und Risiko.

Michiel Veenman, Vice President Product & Portfolio Management im Körber-Geschäftsfeld Supply Chain, beschreibt das Spannungsfeld treffend: „Als Führungsfrage geht es bei Automatisierung um den Ausgleich zwischen Flexibilität und Effizienz. Höhere Automatisierung kann Produktivität und Kosten treiben, aber auch Flexibilität reduzieren – und in einer volatilen Welt sind starre Strukturen keine Option.“ Diese Balance betrifft den Automatisierungsgrad; der angemessene Autonomiegrad wird durch Konsequenzen, Governance und Verantwortlichkeit bestimmt – nicht durch Ideologie oder Hype.

Dort beginnen, wo die Klarheit am größten ist

„Wertstiftende Automatisierung beginnt mit dem Verständnis der eigenen Prozesse und der Kostenbasis“, sagt Veenman. Kostenintensive, relativ standardisierte Prozesse sind oft gute Kandidaten für Automatisierung mit positivem ROI; Aktivitäten mit niedrigen Kosten, aber hoher Komplexität sind deutlich schwieriger wirksam zu automatisieren. Häufigkeit ist ebenso wichtig wie Komplexität: Fällt eine Aufgabe selten an, erzielt selbst eine nahtlose Automatisierung nur unterdurchschnittliche Ergebnisse. Diese Ausrichtung versteht „Automatisierungsstrategie“ als Managementaufgabe: Prozesslandschaft diagnostizieren, nach Standardisierung, Wirkung und Häufigkeit klassifizieren und dann entscheiden, ob der Automatisierungsgrad für den Business Case gerechtfertigt ist.

Entscheidungsautonomie: wie weit gehen

Ist der Automatisierungsgrad definiert, legen Führungskräfte den Autonomiegrad fest – also wie viel Entscheidungsfindung das System innerhalb von Leitplanken übernehmen darf und wann die Übergabe an einen Menschen erfolgt. Praktisch heißt das: Entscheidungsrechte nach Konsequenzen zuordnen, Daten-/Modellqualitäts-Schwellen für automatisierte Entscheidungen festlegen und explizite Übergabekriterien (Konfidenz, Varianz, Zeit, Impact) mit dokumentierten Fallbacks definieren. Rollen und Eskalationswege machen Verantwortlichkeit sichtbar; Erklärbarkeit, Logging und Audit-Trails halten Entscheidungen im Tagesgeschäft nachvollziehbar. Konservativ starten – und Autonomie nur ausweiten, wenn Evidenz aus sicherem Betrieb, Tests und Audits sie trägt.

Die harte Linie: Sicherheit – und warum sie nicht verhandelbar ist

Jede Autonomie- und Automatisierungsstrategie beginnt mit einem nicht verhandelbaren Grundsatz: Sicherheit. Standards und Auslegungen unterscheiden sich regional, das Prinzip nicht. „Ein System kann nur autonom sein, wenn es weiterhin zu 100 Prozent sicher ist“, betont Veenman. Dazu gehören eine zuverlässige Not-Halt-Funktion und zertifizierte Kommunikation, die das sichere Stoppen der Maschine garantiert. Stationäre Systeme sind relativ einfach: Strom kappen und Förderer oder Regalbediengeräte stehen still. Mobile und Next-Generation-Systeme machen das Bild komplexer: Akku-betriebene, entscheidungsfähige Roboter müssen einem Not-Halt weiterhin zuverlässig und unmittelbar folgen. Humanoide schärfen die Frage zusätzlich: Wo ist die Not-Halt-Taste – und kann eine Bedienerin bzw. ein Bediener diese im Ernstfall sicher erreichen? Das ist die unbewegliche Grenze.

Regulatorische Exponierung liegt nahe an dieser Linie – besonders in den Life Sciences. Wenn eine autonome Entscheidung letztlich die Patientensicherheit beeinflussen kann, gilt Vorsicht als Regel. „Man muss extrem vorsichtig sein, fast bis zu dem Punkt, es lieber zu lassen“, sagt Veenman. Andersherum kann geringer Schaden an weniger komplexen Konsumgütern (FMCG) tolerierbar sein, wenn dadurch kostspielige menschliche Eingriffe spürbar sinken. Führung entscheidet nach Konsequenzen, nicht nach Dogma.

Compliance-geleitete Urteilsfindung innerhalb definierter Leitplanken

Jenseits der Sicherheit treffen Führungskräfte Entscheidungen innerhalb klar definierter Standards. Ein pragmatisches Beispiel: Einsatz von KI-Vision unter einem genehmigten Override-Protokoll, um einen Fehlalarm eines klassischen Sensors bei der Lagenkommissionierung aufzulösen – der Betrieb läuft nur weiter, wenn das „Hindernis“ als unbedenklich validiert ist (z. B. Folie) und die Sicherheit unangetastet bleibt. Der Nutzen: weniger Stopps und weniger manuelle Prüfungen. Die Governance verankert dies: verifizierte Trainingsqualität, dokumentierte Entscheidungsschwellen und fehlersichere Rückfallmechanismen. Der Verantwortliche stellt sicher, dass diese Kontrollen etabliert sind und eingehalten werden – im Einklang mit Sicherheit und Compliance, nicht als Ausnahme, sondern als Standardverfahren. Anders gesagt: Hohe Automatisierung des physischen Flusses kann mit einem niedrigen Autonomiegrad koexistieren, wenn Sicherheit und Compliance die Grenze setzen.

Eine praktische Systematik: Automatisierungsgrade und Autonomie-Stufen

Zur Orientierung unterscheidet Veenman zwischen Automatisierungsgrad und Entscheidungsautonomie. Auf der Automatisierungsachse entwickeln sich Systeme von mechanisierten und sensorbasierten Abläufen zu hochautomatisierten, integrierten Operationen. Auf der Autonomieachse schreitet die Entscheidungsfähigkeit stufenweise voran. An der Basis läuft deterministische Entscheidungsunterstützung auf hart kodierten Wenn-Dann-Regeln – Ausnahmen bestätigt der Mensch. In der zweiten Stufe lassen sich kleine, klar definierte Störungen autonom behandeln: Das System erkennt und löst häufige Abweichungen (ein fehlender Artikel, eine Palette außerhalb der Spezifikation) innerhalb der Leitplanken und übergibt an eine Bedienerin bzw. einen Bediener, sobald Schwellenwerte erreicht sind. In der höchsten Stufe justiert gelernte Optimierung – validiert im Digitalen Zwilling und mit Prüfbarkeit unterlegt – Einlagerung, Routing und Durchsatz innerhalb vereinbarter Grenzen. Der Aufstieg in Autonomie-Stufen ist nicht nur eine Frage der Genauigkeit; er erfordert Schwellen, Fallbacks und Audit-Trails, die Entscheidungen auf Inputs und Kriterien zurückführen.

Verantwortlichkeit sichtbar machen

Nachvollziehbarkeit ist kein Luxus, sondern ein Kontrollmechanismus. Ein überzeugender Ansatz, den Veenman hervorhebt, ist die Fähigkeit, „die Maschine zu fragen“. Bedienerinnen und Bediener können die letzte Aktion eines Roboters abfragen – Warum hast du das getan? Welche Eingaben haben die Wahl beeinflusst? – und eine verständliche Erklärung erhalten. Nicht perfekt, betont er, aber es baut die richtige Art von Vertrauen auf: ein operatives Verständnis, wie sich das System unter realen Bedingungen verhält. Dazu brauchen Führungskräfte Sichtbarkeit auf Signale und Trends: Alarme, wenn Variablen aus dem Korridor laufen, Analysen, ob Vorfälle zu- oder abnehmen, und die Möglichkeit, in Entscheidungswege hineinzuzoomen – das „Warum links, nicht rechts?“, das aus einer Black-Box eine Glas-Box macht. Darunter verknüpfen konsistentes Logging und Audit-Trails Entscheidungen mit Inputs und bewerteten Kriterien – so ist Verantwortung mehr als ein Slogan: Sie steckt im Alltag.

Effizienz versus Steuerbarkeit: nach Konsequenz entscheiden

Das akzeptable Verhältnis zwischen Effizienz und Steuerbarkeit hängt von den Konsequenzen ab. „Wenn die falsche autonome Entscheidung Medikamente an die falsche Person verschickt, bleibt ein Mensch im Loop – alles andere ist unakzeptabel“, sagt Veenman. „Wenn der Nachteil eine beschädigte Six-Pack-Limonade ist und dabei erhebliche Arbeit einspart, ist das eine andere Entscheidung.“ Deshalb sollten Führungskräfte Automatisierung von Autonomie entkoppeln: Sie halten den Materialfluss aus Effizienzgründen automatisiert und behalten für Entscheidungen mit hohen Konsequenzen die menschliche Aufsicht. Der konsequenzbasierte Blick richtet den Autonomiegrad am Wert aus, der auf dem Spiel steht – statt „mehr Autonomie“ als Selbstzweck zu behandeln. Aufgabe von Führung ist es, diese Grenze so zu setzen, dass der Betrieb sie versteht, befolgt und im Zeitverlauf verbessert.

Kultur ist ein Steuerungsinstrument

Metriken zählen – Vertrauen ebenso. „Wahrscheinlich genauso wichtig ist das Buy-in der eigenen Leute“, betont Veenman. Wenn operative Teams nicht verstehen, was passiert, oder sich durch Autonomie bedroht fühlen, werden sie doppelt prüfen, Workarounds einführen oder die Veränderung blockieren – und damit Leistung und Vertrauen untergraben. Teams in die Grenzziehung einbeziehen, den Zweck hinter Designentscheidungen erklären und den Nutzen in ihrem Arbeitsalltag greifbar machen – das sind keine soften Faktoren, sondern Steuerungsmechanismen, die darüber entscheiden, ob Autonomie tatsächlich performt. Gerade in Hochkostenregionen geht es bei verantwortungsvoller Autonomie darum, Wettbewerbsfähigkeit zu sichern und lokale Produktion zu befähigen – nicht darum, Menschen zu ersetzen.

Für regionale Leitplanken gestalten

Autonomie spielt sich in verschiedenen regulatorischen und kulturellen Kontexten unterschiedlich ab. „In den USA könnten Systeme theoretisch auf mehr Daten zugreifen – man ist weniger sensibel bei der Leistungsnachverfolgung der Mitarbeitenden und deren Nutzung in autonomen Entscheidungen“, sagt Veenman. „Im DACH‑Raum ist das ein No-Go. Individuelle Mitarbeiterleistung darf dafür nicht erfasst oder gespeichert werden.“ Auf der anderen Seite gelten in China oftmals weniger restriktive Datenschutzvorgaben, was zu breiterer Datenverfügbarkeit führen kann. Das Fazit: Dieselbe Technologie trifft je Markt auf andere Leitplanken. Entscheider müssen Grenzen entsprechend gestalten und von Tag eins an explizit in Governance und Systemkonfiguration verankern.

Wenn weniger Autonomie die bessere Entscheidung ist

Eine andere Sicht auf Autonomie ist die Laufzeit ohne menschliches Eingreifen; in vielen Umgebungen definiert die Materialzuführung diese Grenze. Es gibt Momente, in denen ein niedrigerer Autonomiegrad die qualitativ bessere Wahl ist – bei gleichzeitig hohem Automatisierungsgrad des Materialflusses. Veenman beschreibt ein wiederkehrendes Muster: Autonome Fahrzeuge bringen Paletten vom Lager in die Produktion und setzen sie in der Nähe der Linie ab – dann ist Schluss. Die verbleibenden Schritte – Kartons öffnen, mehrere Zuführstationen mit unterschiedlichen Materialien versorgen, Varianz handhaben – kommen selten vor und unterscheiden sich oft. Ein Roboter stünde lange still oder bräuchte einen hochkomplexen, multifunktionalen Greifer und erhebliche Intelligenz, um diese komplexen Arbeitsschritte zu bewältigen. Heute ist der Business Case grenzwertig. Frühe Piloten sind interessant, Skalierung wartet jedoch auf Fortschritte bei Geschicklichkeit, KI-Reife und Aufgabenneigung. In volatilen Umfeldern schützt eine niedrigere Grenze die Steuerbarkeit und den ROI – und erhält die Flexibilität, sich mit Sortimenten oder Nachfrage zu bewegen.

Grenzen gestalten, die Bestand haben

Die robustesten Autonomieentscheidungen werden an der Grenze spürbar: automatisieren, wo Aufgaben strukturiert sind und Sicherheit gewährleistet ist; KI einsetzen, wo sie nachweislich Eingriffe reduziert oder den Fluss verbessert, ohne Verantwortlichkeit zu verschleiern; und eine Governance bauen, die Transparenz und Anpassungsfähigkeit über die Zeit lebendig hält. Das ist Führung in der Praxis: klare Leitplanken für maschinelles Handeln setzen, Menschen orientieren und in Kontrolle halten. Nachvollziehbarkeit und Überprüfbarkeit gehören in den Alltag – nicht erst im Nachhinein.

Was Verantwortliche jetzt entscheiden sollten – in Richtung 2035

All das in belastbare Praxis zu übersetzen, heißt, sich zu wenigen, entscheidenden Schritten zu verpflichten. Zuerst die harten Linien definieren: explizite Sicherheits- und Compliance-Grenzen, die keine Autonomie überschreitet. Dann über Technologien und Standorte hinweg rigoros testen. Pro Prozess sowohl den Automatisierungsgrad als auch den Autonomiegrad abbilden – begründet über den Wert, der auf dem Spiel steht, die Häufigkeit und die Reversibilität; Übergabepunkte und Fallbacks vorab festlegen, damit niemand unter Druck improvisieren muss. Nachvollziehbarkeit und Überprüfbarkeit in den Stack einbauen: Logs, Alarme und Abfrage-basierte Erklärungen („die Maschine fragen“) gehören in den Alltag, nicht als Add-on. Wo die Konsequenzen es erfordern, einen Menschen im Loop behalten – und begründen, warum. Kultur als Kontrolle behandeln: Teams in die Grenzziehung einbinden, die Begründung kommunizieren und Adoptionssignale wie Doppelprüfungen oder Workarounds als Frühindikatoren tracken und adressieren. Und schließlich regionale Rahmenbedingungen von Anfang an mitdenken: mit unterschiedlichen Privatsphäre- und Datennutzungs-Regeln pro Markt rechnen und Autonomie so konfigurieren, dass sie rechtlich und gesellschaftlich akzeptabel ist.

Der Mensch zuerst – per Design

Auf die Faustregel angesprochen, ist Veenman eindeutig: „Der Mensch kommt an erster Stelle.“ Menschen müssen verstehen, was sich ändert, warum es zählt und wie Autonomie sie unterstützt – nicht ersetzt. Entscheider, die die Grenze explizit ziehen – harte Linien bei Sicherheit und Compliance, pragmatische Schwellen für Autonomie, sichtbare Verantwortlichkeit und eine Kultur, die dem System vertraut – automatisieren nicht nur. Sie bauen widerstandsfähige Organisationen, in denen Technologie, Daten und Menschen als ein kohärentes System zusammenarbeiten und Werte schaffen.