Dieser Vortrag zeigt, wie Agentic AI zur dynamischen Bestandsoptimierung in Echtzeit eingesetzt wird, um Nachfrageschwankungen zu antizipieren und sowohl Überbestände als auch Fehlbestände zu minimieren. Anhand von Prognosemodellen, Reinforcement-Learning-Ansätzen, sichtbaren Governance-Mechanismen und Praxisbeispielen wird aufgezeigt, wie Transparenz, Reaktionsgeschwindigkeit und Kostenkontrolle durch intelligente Entscheidungsprozesse verbessert werden können. Folgende Fragen werden diskutiert:

• Welche agentenbasierten AI-Methoden wie unter anderem Demand Forecasting, adaptive Replenishment-Strategien und reinforcement learning unterstützen eine dynamische Bestandsanpassung in Echtzeit, und wie lassen sich sie implementieren?
• Wie kann die Kombination aus Echtzeitdaten, Nachfragemustern und Lagerkapazitäten genutzt werden, um Überbestände und Fehlbestände systematisch zu minimieren?
• Welche Kennzahlen, Modelle und Governance-Strukturen sind erforderlich, um die Zuverlässigkeit, Fairness und Kostenwirksamkeit der AI-gesteuerten Bestandsoptimierung zu messen?
• Welche Roadmap, Integrationspunkte und Change-Management-Maßnahmen erleichtern eine erfolgreiche Einführung von Agentic AI in der Lagerlogistik?