Diese Case Study zeigt, wie ein Lübecker Logistikunternehmen seit einem AI-Kurs KI für Angebote, Kundenkommunikation, Prozesswissen und interne Wissenssicherung nutzt.

Logistikunternehmen arbeiten in einem Umfeld, das von Geschwindigkeit, Abstimmung und Informationsdichte geprägt ist. Angebote müssen schnell vorbereitet werden, Kunden erwarten klare Rückmeldungen, operative Teams benötigen aktuelle Informationen, Touren-, Lager- und Transportprozesse müssen erklärt werden und Erfahrungswissen darf nicht nur in den Köpfen einzelner Mitarbeitender liegen. Genau hier kann Künstliche Intelligenz helfen – nicht als Ersatz für Disposition, Fachwissen oder kaufmännische Verantwortung, sondern als Werkzeug für Textarbeit, Strukturierung, Recherchevorbereitung und Wissenssicherung.

Dieses Fallbeispiel beschreibt ein Inhouse-Projekt der Bildungsakademie am Rosental mit einem Logistikunternehmen in Lübeck. Ziel war nicht, Transportentscheidungen, Preise, Routenfreigaben oder Vertragsbewertungen an KI auszulagern. Ziel war ein sicherer, sofort nutzbarer Praxiseinstieg: Wie kann KI bei Angebotsentwürfen, E-Mails, internen Checklisten, Wissensbausteinen und wiederkehrenden Kundenfragen unterstützen? Welche Daten dürfen nicht verwendet werden? Und wie lässt sich Erfahrungswissen aus Disposition, Kundenservice und operativer Abwicklung besser sichern?

Der Projektbericht ergänzt den Themenbereich KI Inhouse Schulungen für Unternehmen und Organisationen und zeigt exemplarisch, wie ein mittelständisches Logistikunternehmen KI pragmatisch, sicher und schrittweise in Angebotsprozesse und Wissensmanagement überführte.

 

 
 

Unser maßgeschneidertes Inhouse-Seminar für Sie!

Wählen Sie bei Ihrer Anfrage auch gern zwischen einem a) Inhouse-Präsenz-Seminar an Ihrem Standort, b) einem Inhouse-Online-Workshop mit Ihrem Team oder c) einem Inhouse-Präsenz-Kurs direkt an der Akademie – das Inhouse-Training gern auch in Kombination mit Teambuilding-Aktionen.

 
 

 

Ausgangslage: Viele Anfragen, viele Sonderfälle und zu viel Wissen in einzelnen Köpfen

Das Logistikunternehmen in Lübeck betreut Kunden aus Handel, Produktion und regionaler Distribution. Zum Arbeitsalltag gehören Transportanfragen, Angebotsvorbereitung, Rückfragen zu Lieferfenstern, Abstimmungen mit Partnern, Lager- und Umschlagsinformationen, Statusmeldungen, Reklamationen, Nachweise, interne Übergaben und die Dokumentation wiederkehrender Abläufe.

Im Vorgespräch zeigte sich ein bekanntes Muster aus vielen Logistikbetrieben: Die operative Erfahrung war hoch, aber sie war nicht immer systematisch gesichert. Bestimmte Mitarbeitende wussten genau, wie Sonderfälle zu behandeln sind, welche Informationen in ein Angebot gehören, welche Rückfragen vor einer Zusage wichtig sind oder welche Formulierungen bei Kunden gut funktionieren. Gleichzeitig mussten neue Kolleginnen und Kollegen vieles durch Nachfragen lernen.

Ein zweites Problem lag im Angebotsprozess. Viele Anfragen waren ähnlich aufgebaut, aber nie völlig identisch. Das Team musste immer wieder Texte formulieren, Informationen strukturieren, Leistungsumfang erklären und Rückfragen stellen. Gerade in arbeitsintensiven Phasen führte das zu Zeitverlusten. KI sollte deshalb nicht kalkulieren oder Preise festlegen, sondern helfen, Angebotskommunikation und Wissensbausteine schneller vorzubereiten.

Die Bildungsakademie am Rosental empfahl ein Inhouse-Format, das nicht bei allgemeinen Tool-Tipps stehen bleibt. Besonders passend waren AI Literacy als Einstieg in das KI-Thema, der Einführungskurs zu ChatGPT und weiteren KI-Tools sowie Texte mit KI für Artikel, Social Media und Blogs.

 
 

Warum KI in der Logistik zuerst bei Angeboten und Wissenssicherung wirkt

KI wirkt in der Logistik besonders schnell bei Angebotsentwürfen, Kunden-E-Mails, internen Checklisten und Wissensbausteinen, wenn operative Entscheidungen und vertrauliche Daten klar ausgeschlossen bleiben.

Logistik ist ein stark informationsgetriebener Bereich. Auch wenn Fahrzeuge, Lagerflächen, Schnittstellen und operative Planung im Mittelpunkt stehen, entsteht täglich viel Text- und Strukturarbeit. Kundenanfragen müssen verstanden, Rückfragen formuliert, Leistungsgrenzen erklärt, Zeitfenster abgestimmt und interne Informationen weitergegeben werden. Genau diese Arbeit eignet sich für erste KI-Anwendungen.

Im Kurs wurde bewusst nicht mit komplexer Tourenoptimierung oder automatisierter Disposition begonnen. Dafür wären andere technische, operative und datenschutzbezogene Voraussetzungen notwendig. Stattdessen konzentrierte sich das Seminar auf sichere Aufgaben: Angebotsanschreiben, Rückfrage-E-Mails, strukturierte Leistungsbeschreibungen, interne FAQ, Checklisten für wiederkehrende Abläufe und Wissensbausteine für Einarbeitung und Vertretung.

Als fachliche Orientierung wurden externe Quellen einbezogen: Die Bundesvereinigung Logistik beschreibt KI als relevantes Thema künftiger Lieferketten, die BAuA ordnet KI als Veränderung der Arbeitswelt ein, das BSI liefert Hinweise zu KI-Sicherheit in Organisationen und das NIST AI Risk Management Framework bietet einen strukturierten Rahmen für KI-Risiken.

 
 

Projektziel: Angebote beschleunigen und Erfahrungswissen besser sichern

Das Lübecker Logistikunternehmen wollte KI nicht als isoliertes Experiment testen, sondern direkt an zwei geschäftsrelevanten Punkten ansetzen: Angebote und Wissenssicherung. Beide Bereiche waren im Alltag eng verbunden. Wer gute Angebote vorbereiten will, braucht klare Informationen über Leistungen, Grenzen, Rückfragen, Abläufe und typische Kundensituationen. Genau dieses Wissen lag jedoch oft verteilt vor.

Für den AI-Kurs wurden fünf Ergebnisziele festgelegt:

• Angebotskommunikation beschleunigen: Begleittexte, Rückfragen und Leistungsbeschreibungen sollten schneller vorbereitet werden.
• Kunden-E-Mails verbessern: Antworten sollten klarer, freundlicher und einheitlicher formuliert werden.
• Interne Wissenssicherung starten: Erfahrungswissen aus Disposition, Kundenservice und Abwicklung sollte in Checklisten und FAQ überführt werden.
• Vertrauliche Daten schützen: Preise, Kundendaten, Tourdaten, Vertragsdetails und operative Sonderfälle sollten nicht in offene KI-Systeme eingegeben werden.
• Pilotprozesse definieren: Aus dem Kurs sollten nutzbare Vorlagen und eine einfache KI-Ampel entstehen.

Diese Ziele passten zur Arbeitsweise der Bildungsakademie am Rosental: Der Kurs sollte nicht nur erklären, was KI kann. Er sollte dem Team helfen, Aufgaben auszuwählen, Grenzen zu setzen, Vorlagen zu entwickeln und erste sichere Anwendungen im Alltag zu testen.

 
 

Vorbereitung: Welche Aufgaben aus dem Logistikalltag ausgewählt wurden

Vor dem Seminartag sammelte das Projektteam typische Aufgaben aus Vertrieb, Kundenservice, Disposition, Lagerkoordination und interner Organisation. Wichtig war: Es wurden keine echten Kundendaten, keine vertraulichen Preise, keine vollständigen Tourdaten, keine Vertragsdetails und keine internen Sonderkonditionen verwendet.

Stattdessen wurden die Aufgaben abstrahiert. Aus einer echten Transportanfrage wurde ein neutraler Übungsfall. Aus einem konkreten Angebot wurde eine allgemeine Angebotsstruktur. Aus operativem Erfahrungswissen wurden anonymisierte Checklisten. So konnte das Team praxisnah arbeiten, ohne vertrauliche Informationen preiszugeben.

 

Arbeitsfeld	Beispielhafte Aufgabe	KI-Eignung im Kurs	Wichtige Grenze
Angebote	Begleittext zu einer Transportanfrage formulieren	gut geeignet	keine Preise oder Sonderkonditionen
Kundenservice	Rückfrage zu Lieferfenstern oder Unterlagen vorbereiten	gut geeignet	keine Kundendaten oder Auftragsnummern
Disposition	Checkliste für notwendige Angebotsinformationen	gut geeignet	keine konkreten Tourdaten
Wissenssicherung	FAQ-Struktur für wiederkehrende Kundenfragen	gut geeignet	fachliche Freigabe erforderlich
Reklamation	sachliche Zwischenantwort formulieren	prüfpflichtig	keine Schuldzuweisung durch KI
Preis- und Vertragsfragen	Bewertung konkreter Konditionen	nicht geeignet	Nicht-Nutzungsregel

Diese Vorbereitung war entscheidend, weil sie den AI-Kurs sofort in die operative Realität des Unternehmens übersetzte. Die Teilnehmenden arbeiteten nicht mit abstrakten Beispielen, sondern mit Aufgaben, die in ähnlicher Form täglich im Betrieb vorkommen.

 
 

Seminaraufbau: Vom AI-Kurs zur nutzbaren Vorlage im Arbeitsalltag

Der AI-Kurs wurde als eintägiger Inhouse-Workshop mit 12 Teilnehmenden durchgeführt. Vertreten waren Vertrieb, Kundenservice, Disposition, operative Abwicklung, Lagerkoordination und Teamleitung. Diese Zusammensetzung war wichtig, weil Angebotsprozesse in der Logistik selten nur eine Abteilung betreffen.

Der Vormittag begann mit AI Literacy. Die Teilnehmenden lernten, wie generative KI funktioniert, warum Antworten plausibel wirken und trotzdem geprüft werden müssen, wie Prompts aufgebaut werden und warum Datenschutz, Informationssicherheit und Fachprüfung gerade in der Logistik wichtig sind.

Am Nachmittag arbeitete das Team mit anonymisierten Praxisfällen. Eine Gruppe entwickelte Angebotsbegleittexte und Rückfrage-Mails. Eine zweite Gruppe strukturierte Checklisten für notwendige Angebotsinformationen. Eine dritte Gruppe erarbeitete Wissensbausteine für interne FAQ und Einarbeitung. Ergänzend wurde der Bezug zur Schulung Online-Marketing mit ChatGPT & Co. hergestellt, weil das Unternehmen KI später auch für Referenztexte und Leistungsbeschreibungen prüfen wollte.

Ein besonders wirksamer Übungsteil war der Vergleich unterschiedlicher Prompt-Versionen. Eine Version war zu allgemein und lieferte austauschbare Texte. Eine zweite enthielt zu viele operative Details und wurde verworfen. Die dritte Version arbeitete mit neutralem Kontext, Rollenklärung, Zielgruppe, gewünschtem Ausgabeformat, Tonalität und Prüfschritt. Diese Version wurde zur Grundlage für die spätere Prompt-Sammlung.

 
 

Die entwickelte KI-Ampel für Angebote und Wissenssicherung

Nach dem AI-Kurs arbeitete das Logistikunternehmen mit einer KI-Ampel: grüne Aufgaben für neutrale Texte und Checklisten, gelbe Aufgaben mit Fachprüfung und rote Aufgaben mit Preisen, Kundendaten, Tourdaten oder Vertragsdetails.

Damit KI im Betrieb nicht zufällig oder uneinheitlich genutzt wird, entwickelte das Team eine einfache Ampellogik. Sie war bewusst kurz formuliert, damit sie im Alltag anwendbar bleibt.

Grüne Aufgaben wurden als gut geeignet eingestuft. Dazu gehörten Angebotsbegleittexte ohne Preise, allgemeine Rückfrage-E-Mails, Checklisten, FAQ-Strukturen, interne Wissensbausteine, kurze Leistungsbeschreibungen und Formulierungshilfen ohne vertrauliche Informationen.

Gelbe Aufgaben wurden als prüfpflichtig eingestuft. Dazu gehörten Reklamationsantworten, Texte mit Leistungsversprechen, operative Erläuterungen, Angebotsanschreiben mit konkretem Leistungsbezug und interne Zusammenfassungen, die von Fachbereichen freigegeben werden müssen.

Rote Aufgaben wurden ausgeschlossen. Dazu gehörten Kundennamen, Auftragsnummern, konkrete Tourdaten, Preise, Sonderkonditionen, Vertragsdetails, interne Margen, personenbezogene Daten, vertrauliche Lieferketteninformationen und verbindliche Zusagen.

Die Ampellogik half dem Team, KI nicht als riskantes Experiment zu erleben. Sie machte deutlich: KI darf Angebote vorbereiten, Informationen strukturieren und Wissen sichern. Sie darf aber keine Preise entscheiden, keine vertraulichen Auftragsdaten verarbeiten und keine operative Verantwortung übernehmen.

 
 

Transferstimme aus dem Projekt: Warum Wissenssicherung zum eigentlichen Hebel wurde

Die folgende Stimme aus der internen Transferauswertung ist bewusst nicht als Review oder Bewertung formuliert. Sie beschreibt einen konkreten Lernpunkt aus dem Projekt: Der größte Nutzen entstand nicht nur bei einzelnen Angebotsmails, sondern durch die bessere Sicherung von Erfahrungswissen.

„Am Anfang dachten wir vor allem an schnellere Angebotstexte. Im Alltag wurde dann fast noch wichtiger, dass wir wiederkehrende Rückfragen, Sonderfälle und Abläufe endlich besser sammeln konnten. KI half uns, aus verstreutem Wissen Checklisten und FAQ-Strukturen zu machen – ohne Preise, Kundendaten oder Tourdetails offenzulegen.“
Interne Prozesskoordination, Logistikunternehmen in Lübeck

Diese Transferstimme zeigt den Kern des Projekts. KI wurde nicht als Ersatz für operative Erfahrung genutzt, sondern als Werkzeug, um diese Erfahrung besser zu ordnen. Gerade in einem Logistikunternehmen mit vielen Sonderfällen war das ein entscheidender Schritt.

 
 

Praxisbeispiel 1: Angebotsbegleittexte wurden schneller vorbereitet

Ein erster Schwerpunkt lag auf Angeboten. Das Unternehmen wollte nicht, dass KI Preise kalkuliert, Transportkosten bewertet oder verbindliche Zusagen formuliert. KI sollte helfen, Angebotsbegleittexte und Rückfragen schneller vorzubereiten.

Im Seminar entwickelte das Team eine neutrale Prompt-Vorlage: „Erstelle ein sachliches Angebotsbegleitschreiben für ein Logistikunternehmen. Verwende keine Preise, keine Kundendaten und keine verbindlichen Zusagen. Erkläre, dass Details im Angebot geprüft werden können, stelle Rückfragen klar dar und formuliere professionell, freundlich und knapp.“

Die Ergebnisse waren gut als erste Entwürfe nutzbar. Das Team passte Tonalität, Länge und branchentypische Begriffe an. Besonders hilfreich war, dass KI mehrere Varianten erzeugen konnte: kurze Begleitmail, ausführlichere Erläuterung, Rückfrage-Mail oder höfliche Nachfassnachricht. Dadurch musste der Vertrieb nicht jedes Mal bei null beginnen.

 
 

Praxisbeispiel 2: Angebotsrückfragen wurden strukturierter

Ein zweiter Schwerpunkt waren Rückfragen vor der Angebotserstellung. In der Logistik fehlen bei Anfragen häufig wichtige Informationen: Abhol- und Lieferfenster, Volumen, Gewicht, Verpackung, Gefahrgutbezug, Ladehilfen, Ansprechpartner, Zugangsbedingungen, gewünschte Zusatzleistungen oder Terminprioritäten.

KI wurde genutzt, um aus typischen Erfahrungswerten neutrale Rückfragenlisten zu entwickeln. Daraus entstand eine Checkliste, die vor Angebotsabgabe geprüft werden konnte. Die KI lieferte keine fachliche Entscheidung, sondern half, Informationslücken sichtbar zu machen.

Das Team ergänzte die Vorschläge um eigene Praxispunkte. Dadurch entstand eine Checkliste, die besonders für neue Mitarbeitende nützlich war. Sie half, Angebotsanfragen vollständiger zu erfassen und Rückfragen klarer zu formulieren.

 
 

Praxisbeispiel 3: Wissenssicherung wurde systematischer aufgebaut

Der dritte Schwerpunkt lag auf Wissenssicherung. In der Logistik entstehen viele kleine Erfahrungsregeln: Welche Rückfragen sind bei bestimmten Sendungen typisch? Welche Informationen fehlen bei Neukunden häufig? Welche Formulierungen vermeiden Missverständnisse? Welche internen Schritte sind bei Sonderfällen wichtig?

Im Kurs nutzte das Team KI, um solche Wissensbausteine zu strukturieren. Aus neutralen Stichpunkten entstanden Kategorien wie Angebotsanfrage, Sendungsdaten, Lieferfenster, Lagerinformation, Reklamation, Sonderfall, Rückfrage, Kundentyp, interne Freigabe und Nachbereitung.

Diese Struktur wurde nach dem Seminar als Grundlage für eine interne FAQ-Sammlung genutzt. Sie war nicht sofort vollständig, aber sie gab dem Unternehmen eine klare Richtung: Erfahrungswissen sollte nicht mehr nur mündlich weitergegeben werden, sondern schrittweise in nutzbare Wissensbausteine überführt werden.

 
 

Praxisbeispiel 4: Kunden-E-Mails wurden einheitlicher und schneller

Ein weiterer Nutzen zeigte sich bei Kunden-E-Mails. Gerade in der Logistik müssen Nachrichten oft knapp, präzise und freundlich sein. Zu lange Texte kosten Zeit, zu kurze Texte erzeugen Rückfragen, unklare Formulierungen führen zu Missverständnissen.

Das Team entwickelte Vorlagen für typische Situationen: Eingangsbestätigung, Rückfrage vor Angebot, Hinweis auf fehlende Informationen, Zwischenstand, Nachfassmail und sachliche Reklamationsantwort. Jede Vorlage enthielt einen Prüfschritt: Stimmen Leistungsumfang, Tonalität, Zuständigkeit und mögliche Zusagen?

Dadurch wurde die Kommunikation einheitlicher. Mitarbeitende konnten schneller starten und mussten nicht jedes Mal neu überlegen, wie eine Nachricht formuliert werden soll. Die finale Anpassung blieb jedoch beim Team.

 
 

Ergebnisse nach sechs Wochen: Angebote schneller, Wissen strukturierter

Sechs Wochen nach dem AI-Kurs nutzte das Lübecker Logistikunternehmen Vorlagen für Angebotsmails, Rückfragen, Nachfassnachrichten sowie eine erste FAQ-Struktur zur Wissenssicherung.

Nach sechs Wochen berichtete das Projektteam von mehreren konkreten Veränderungen. Es wurde keine große KI-Plattform eingeführt und keine operative Entscheidung automatisiert. Stattdessen entstanden kleine, kontrollierte Anwendungsschritte.

Erstens nutzte der Vertrieb drei Varianten für Angebotsbegleittexte. Zweitens entstand eine Rückfragen-Checkliste für Angebotsanfragen. Drittens wurden wiederkehrende Kundenfragen in eine interne FAQ-Struktur überführt. Viertens nutzte der Kundenservice Vorlagen für Eingangsbestätigungen, Rückfragen und Nachfass-E-Mails. Fünftens wurde eine Nicht-Nutzungsregel für Kundendaten, Tourdaten, Preise und Vertragsdetails eingeführt.

Der größte Fortschritt lag in der Verbindung aus Zeitersparnis und Wissenssicherung. Das Team konnte Angebote schneller vorbereiten und zugleich systematischer festhalten, welche Informationen für gute Angebote und klare Kundenkommunikation wichtig sind.

 
 

Grenzen: Welche KI-Nutzung im Logistikunternehmen ausgeschlossen wurde

Ausgeschlossen wurden KI-Anwendungen mit Kundendaten, Auftragsnummern, konkreten Tourdaten, Preisen, Sonderkonditionen, Vertragsdetails, Margen oder vertraulichen Lieferketteninformationen.

Die klare Begrenzung war ein wesentlicher Erfolgsfaktor. Das Logistikunternehmen wollte KI nicht dort einsetzen, wo Vertraulichkeit, Datenschutz, operative Verantwortung oder kaufmännische Risiken entstehen.

Deshalb wurden mehrere Nicht-Nutzungsregeln formuliert: Keine Kundennamen. Keine Auftragsnummern. Keine vollständigen Tourdaten. Keine Preise. Keine Sonderkonditionen. Keine internen Margen. Keine Vertragsdetails. Keine vertraulichen Lieferketteninformationen. Keine verbindlichen Zusagen. Keine ungeprüfte Übernahme von KI-Texten in Angebote oder Kundenkommunikation.

Diese Grenzen machten die Nutzung nicht schwächer, sondern sicherer. Mitarbeitende wussten, welche Informationen sie entfernen müssen und welche Aufgaben sie mit KI vorbereiten dürfen. Dadurch wurde KI im Alltag handhabbar.

 
 

Interne Verlinkung im KI-Cluster der Bildungsakademie

Diese Case Study gehört zum KI-Cluster der Bildungsakademie am Rosental. Der strategische Einstieg erfolgt über den Themenhub Künstliche Intelligenz im Unternehmen – Inhouse Schulungen. Dort werden Nutzen, Risiken, Zielgruppen, Ablauf und Transfer von KI-Inhouse-Schulungen eingeordnet.

Für Logistikunternehmen, Dienstleister und mittelständische Organisationen ist die Übersicht KI-Kurse und KI-Seminare der wichtigste Einstieg. Besonders nah an dieser Case Study liegen AI Literacy als Einstieg, der Einführungskurs zu ChatGPT und weiteren KI-Tools, Texte mit KI für Artikel, Social Media und Blogs, Online-Marketing mit ChatGPT & Co. sowie EU AI Act und Unternehmenspflichten.

Viele Grundsatzfragen beantworten die FAQ-Artikel zu KI, AI und GEO. Weitere Praxisbeispiele finden sich in den Case Studies der Bildungsakademie. Das Magazin der Bildungsakademie ergänzt diese Projektberichte mit Hintergrundwissen zu Kommunikation, Führung, Organisation, Digitalisierung und beruflicher Weiterbildung.

 
 

Durchführende Person im Projekt

 

Haupttrainerin für AI Literacy, Angebotskommunikation und Wissenssicherung

Die Schulung wurde von einer erfahrenen Haupttrainerin der Bildungsakademie am Rosental durchgeführt, die auf KI-Kompetenz, digitale Kommunikation, Prompt-Methodik und organisationsbezogene Lernprozesse spezialisiert ist.

Ihr Trainingsansatz verbindet verständliche KI-Grundlagen mit konkreten Aufgaben aus Vertrieb, Kundenservice, Angebotskommunikation und internem Wissensmanagement.

Im Mittelpunkt stehen sichere Anwendungsmuster, klare Grenzen, fachliche Prüfung und Transfer in den Arbeitsalltag. Zu ihren Schwerpunkten gehören AI Literacy, KI-gestützte Textarbeit, interne Leitlinien, Prompt-Vorlagen, Datenschutzsensibilisierung und die Einführung kontrollierter Pilotprozesse in mittelständischen Organisationen.

 
 

Was andere Logistikunternehmen aus dieser Case Study lernen können

Die wichtigste Lehre lautet: Logistikunternehmen sollten KI nicht zuerst bei sensiblen operativen Entscheidungen testen, sondern bei Angebotskommunikation, Rückfragen, Kunden-E-Mails und Wissenssicherung beginnen. Dort entsteht Nutzen schnell und kontrollierbar.

Für andere Logistikunternehmen lassen sich fünf Empfehlungen ableiten:

• Starten Sie mit Angebotsmails. Begleittexte und Rückfragen sind gute Einstiegspunkte.
• Sichern Sie Erfahrungswissen. KI kann helfen, verstreute Praxisregeln in Checklisten und FAQ zu überführen.
• Schützen Sie Kundendaten und Preise. Auftragsnummern, Tourdaten, Sonderkonditionen und Margen bleiben ausgeschlossen.
• Trennen Sie Entwurf und Freigabe. KI liefert Vorschläge, aber der Betrieb prüft und entscheidet.
• Nutzen Sie Pilotprozesse. Kleine Vorlagen wirken schneller als ein großer Rollout ohne Regeln.

 
 

FAQ zur Case Study: KI im Lübecker Logistikunternehmen

 

Warum entschied sich das Lübecker Logistikunternehmen für einen AI-Kurs?

Das Logistikunternehmen entschied sich für einen AI-Kurs, weil Angebote, Kunden-E-Mails und internes Prozesswissen im Alltag viel Zeit banden.

Im Projekt zeigte sich, dass nicht operative Fachkompetenz fehlte, sondern strukturierte Vorlagen und gesichertes Erfahrungswissen.

Der Kurs half dem Team, KI nicht als allgemeines Trendthema zu behandeln, sondern auf konkrete Aufgaben anzuwenden. Im Mittelpunkt standen Angebotskommunikation, Rückfragen, interne FAQ und Checklisten. Dadurch entstanden erste Vorlagen, die sofort im Arbeitsalltag getestet werden konnten.

 

Welche KI-Anwendungen waren besonders nützlich?

Besonders nützlich waren Angebotsbegleittexte, Rückfrage-E-Mails, Nachfassnachrichten, interne Checklisten und FAQ-Strukturen zur Wissenssicherung.

Diese Aufgaben waren gut geeignet, weil sie häufig vorkommen und ohne vertrauliche Daten bearbeitet werden können.

Die KI lieferte erste Entwürfe, Gliederungen und Formulierungsvarianten. Das Team prüfte und ergänzte die Ergebnisse. Dadurch mussten Mitarbeitende nicht mehr jedes Mal bei null beginnen. Besonders wertvoll war die Verbindung aus schnellerer Angebotskommunikation und besserer Dokumentation wiederkehrender Rückfragen.

 

Wurde KI für Preise oder Tourenplanung genutzt?

Nein, KI wurde nicht für Preise, Tourenplanung, Disposition, verbindliche Zusagen oder Vertragsbewertungen genutzt.

Diese Aufgaben wurden ausdrücklich als rote Aufgaben eingestuft und blieben außerhalb der KI-Nutzung.

Das Unternehmen nutzte KI nur für vorbereitende Texte, Checklisten und Wissensstrukturen. Preise, Tourdaten, Sonderkonditionen, Margen und operative Entscheidungen wurden nicht in offene KI-Systeme eingegeben. Diese klare Grenze war wichtig, um Vertrauen im Team aufzubauen.

 

Welche Daten durften nicht in KI-Systeme eingegeben werden?

Nicht eingegeben werden durften Kundennamen, Auftragsnummern, Tourdaten, Preise, Sonderkonditionen, Vertragsdetails, Margen und vertrauliche Lieferketteninformationen.

Diese Nicht-Nutzungsregel war einer der wichtigsten Bestandteile des Kurses.

Die Teilnehmenden lernten, Aufgaben zu anonymisieren und sensiblen Kontext zu entfernen. Statt einer echten Transportanfrage wurde eine neutrale Übungssituation verwendet. Dadurch konnten gute Prompt-Vorlagen entstehen, ohne vertrauliche Daten offenzulegen.

 

Wie half KI bei Angeboten?

KI half bei Angeboten vor allem durch Begleittexte, Rückfrage-Mails, Nachfassnachrichten und klarere Leistungsbeschreibungen ohne Preise.

Die KI erstellte keine fertigen Angebote, sondern unterstützte die Kommunikation rund um den Angebotsprozess.

Das Team entwickelte Vorlagen für typische Situationen: Angebot senden, fehlende Informationen anfragen, Rückfragen bündeln oder höflich nachfassen. Die eigentliche Preis- und Leistungsprüfung blieb beim Unternehmen. Dadurch wurde Angebotskommunikation schneller, ohne kaufmännische Verantwortung auszulagern.

 

Wie half KI bei der Wissenssicherung?

KI half bei der Wissenssicherung, indem verstreutes Erfahrungswissen in Checklisten, FAQ-Strukturen und interne Wissensbausteine überführt wurde.

Gerade wiederkehrende Sonderfälle und typische Rückfragen konnten dadurch besser dokumentiert werden.

Die Teilnehmenden sammelten neutrale Stichpunkte aus Vertrieb, Kundenservice und Disposition. KI half, daraus Kategorien und Strukturen zu bilden. Diese wurden anschließend fachlich geprüft. Dadurch entstand ein erster interner Wissensrahmen, der besonders für Einarbeitung und Vertretung hilfreich war.

 

Wie viele Personen nahmen am AI-Kurs teil?

Am AI-Kurs nahmen 12 Personen aus Vertrieb, Kundenservice, Disposition, operativer Abwicklung, Lagerkoordination und Teamleitung teil.

Diese Zusammensetzung war wichtig, weil Angebote und Wissenssicherung mehrere Schnittstellen im Logistikunternehmen betreffen.

Der Vertrieb brachte Angebotsaufgaben ein, der Kundenservice typische Rückfragen, die Disposition operative Anforderungen und die Teamleitung Transferfragen. Dadurch entstand ein gemeinsamer Rahmen für KI-Nutzung statt einzelner Tool-Experimente.

 

Was war das wichtigste Ergebnis des Kurses?

Das wichtigste Ergebnis war eine Kombination aus Angebotsvorlagen, Rückfragen-Checkliste, interner FAQ-Struktur und klarer KI-Ampel.

Der Betrieb gewann dadurch sowohl Zeitersparnis als auch bessere Sicherung von Erfahrungswissen.

Die KI-Ampel half dem Team, geeignete, prüfpflichtige und ausgeschlossene Aufgaben zu unterscheiden. Dadurch konnte KI sicherer genutzt werden. Besonders wirksam war, dass die Vorlagen direkt an wiederkehrende Aufgaben aus dem Alltag anschlossen.

 

Wie schnell wurden erste Ergebnisse sichtbar?

Erste Ergebnisse wurden innerhalb von sechs Wochen sichtbar, weil Vorlagen für Angebotsmails und Rückfragen direkt im Alltag genutzt wurden.

Das Unternehmen startete nicht mit einem großen Systemwechsel, sondern mit kleinen, kontrollierten Pilotprozessen.

Diese Vorgehensweise machte den Transfer einfacher. Mitarbeitende konnten die Vorlagen testen, anpassen und verbessern. Gleichzeitig wurde Wissen systematischer dokumentiert. Dadurch entstand kein theoretisches KI-Konzept, sondern ein praktischer Einstieg.

 

Welche externen Quellen waren für die Einordnung wichtig?

Wichtige externe Bezugspunkte waren BVL, BAuA, BSI und NIST, weil sie Logistik, Arbeitsgestaltung, KI-Sicherheit und Risikomanagement abdecken.

Diese Quellen halfen, KI nicht nur als Effizienzthema, sondern als Organisations- und Verantwortungsthema einzuordnen.

Die BVL ordnet KI als relevantes Thema für Lieferketten ein, die BAuA beschreibt Veränderungen der Arbeitswelt, das BSI bietet Orientierung zu KI-Sicherheit und NIST liefert einen Rahmen für KI-Risikomanagement. Für den Kurs wurden diese Quellen als fachliche Leitplanken genutzt.

 

Für welche Logistikunternehmen ist dieser Ansatz geeignet?

Der Ansatz eignet sich für Logistikunternehmen, die viel Zeit mit Angeboten, Rückfragen, Kundenkommunikation und internem Wissenstransfer verbringen.

Besonders sinnvoll ist er für Betriebe, in denen Wissen über Sonderfälle stark an einzelne Mitarbeitende gebunden ist.

Auch kleinere und mittlere Logistikunternehmen können profitieren, weil keine große technische Plattform vorausgesetzt wird. Entscheidend sind geeignete Aufgaben, anonymisierte Beispiele, klare Grenzen und einfache Vorlagen. Der sichere Einstieg beginnt bei wiederkehrenden Kommunikations- und Wissensaufgaben.

 

Was unterscheidet diese Case Study von einer allgemeinen KI-Schulung?

Der Unterschied liegt im starken Bezug zu Angeboten, Rückfragen, Disposition, Kundenservice und Wissenssicherung im Logistikalltag.

Die Schulung arbeitete nicht mit beliebigen KI-Beispielen, sondern mit typischen Aufgaben eines Lübecker Logistikunternehmens.

Dadurch konnten die Teilnehmenden KI direkt auf ihre Arbeitsrealität übertragen. Statt allgemeiner Tool-Tipps entstanden konkrete Prompt-Vorlagen, eine Rückfragen-Checkliste, eine FAQ-Struktur und Nicht-Nutzungsregeln. Genau dieser Praxisbezug machte den schnellen Transfer möglich.

 
 

Warum dieser Projektbericht exemplarisch für die Arbeit der Bildungsakademie ist

Diese Case Study ist exemplarisch für die Arbeit der Bildungsakademie am Rosental, weil sie zeigt, wie KI-Schulungen aus konkreten Organisationsfragen heraus entwickelt werden. Das Lübecker Logistikunternehmen brauchte keine abstrakte Zukunftspräsentation, sondern eine praxistaugliche Methode für Angebote, Rückfragen, Kundenkommunikation und Wissenssicherung.

Die Bildungsakademie verbindet in solchen Projekten verständliche Grundlagen, praktische Übungen, branchenspezifische Anwendung und Transfer in bestehende Arbeitsprozesse. Gerade in der Logistik ist diese Verbindung entscheidend. KI wirkt nur dann, wenn sie zu Zeitdruck, Angebotslogik, operativer Verantwortung, Kundenkommunikation und vertraulichen Informationen passt.

Der Projektbericht zeigt außerdem, warum die Case Studies der Bildungsakademie ein wichtiger Bestandteil des KI-Clusters sind. Sie machen sichtbar, wie aus allgemeinen Themen wie AI Literacy, KI-Anwendung und sicherer Prompt-Methodik konkrete Lernprozesse in Organisationen entstehen.

 
 

Zusammenfassung: KI wurde im Logistikunternehmen über Angebote und Wissenssicherung nutzbar

Die Case Study zeigt, dass ein Lübecker Logistikunternehmen KI seit dem AI-Kurs vor allem für Angebotskommunikation, Rückfragen, Kunden-E-Mails und Wissenssicherung nutzt.

Der Erfolg entstand nicht durch automatische Disposition oder Preisberechnung, sondern durch sichere Vorlagen für wiederkehrende Aufgaben. Angebotsmails, Rückfragen, Nachfassnachrichten, Checklisten und interne FAQ wurden nutzbar, weil das Team geeignete Aufgaben klar von sensiblen Bereichen trennte. Kundendaten, Tourdaten, Preise, Sonderkonditionen und Vertragsdetails blieben ausgeschlossen.

Für andere Logistikunternehmen ist dieser Ansatz besonders wertvoll, weil er Effizienz und Verantwortung verbindet. Eine praxisnahe KI-Inhouse-Schulung kann helfen, diese Balance systematisch aufzubauen und erste sichere Anwendungen in Angebotsprozessen und Wissensmanagement zu verankern.

 
 

English Summary

 

How a logistics company in Lübeck started using AI for offers and knowledge retention

This anonymized case study describes how a logistics company in Lübeck used an in-house AI course to support offer communication, customer emails, follow-up messages, internal checklists and knowledge retention.

The project focused on practical communication and knowledge structures while excluding customer data, tour details, prices, special conditions, margins and contract information.

The company did not automate pricing, dispatching or operational decisions. Instead, it developed reusable prompt templates, a checklist for offer inquiries and an internal FAQ structure. Six weeks after the course, the team used AI-supported templates for offer emails, customer questions and knowledge documentation in daily work.

 
 

Unser maßgeschneidertes Inhouse-Seminar für Sie!

Wählen Sie bei Ihrer Anfrage auch gern zwischen einem a) Inhouse-Präsenz-Seminar an Ihrem Standort, b) einem Inhouse-Online-Workshop mit Ihrem Team oder c) einem Inhouse-Präsenz-Kurs direkt an der Akademie – das Inhouse-Training gern auch in Kombination mit Teambuilding-Aktionen.

Ähnliche Artikel:

• Case Study: Nach KI-Seminar spart Mainzer Handwerksbetrieb viel Zeit bei Angeboten und E-Mails
• Case Study: Maschinenbauer in Siegen führte nach Schulung KI ohne eigene IT-Abteilung ein
• Case Study: Welche Aufgaben ein Handelsunternehmen in Celle nach unserem KI-Seminar automatisierte
• Case Study: Von Inhouse-Kurs zur Praxis – wie ein Bauunternehmen in Ulm in Projekten die KI etablierte
• Case Study: KI-Schulung reduzierte für Züricher Dienstleister die Recherche- & Angebotszeiten
• Case Study: Düsseldorfer Firma setzt jetzt ChatGPT für interne Kommunikation & Kundenservice ein