In Transport und Logistik steckt KI oft nicht in einem separaten System mit einem Namen und einem Eigentümer, sondern verwoben in den Betrieb selbst: Routenplanung, Ladeoptimierung, vorausschauende Instandhaltungssysteme, Bedarfsprognosen und die Algorithmen, die bestimmen, welcher Fahrer welche Fahrt erhält. Ein Teil davon kommt über Software von Frachtführern, Spediteuren oder Plattformen herein und arbeitet somit mit Entscheidungsregeln, die die eigene Organisation nicht selbst festgelegt hat und manchmal nicht vollständig einsehen kann. Das Verhältnis zwischen dem, was die Planungsabteilung selbst angeschafft hat, und dem, was über Kettenpartner oder eingebaute Funktionalität hereinkommt, verschiebt sich fortlaufend. Das macht die Inventarisierung in diesem Sektor nicht einfacher als anderswo, aber anders: Die Frage ist nicht nur, wer ein KI-Tool installiert hat, sondern auch, welche automatisierten Entscheidungen bereits in bestehenden Systemen steckten, bevor jemand sie als KI benannte.
Eine Übersicht der freigegebenen Software erzählt selten die vollständige Geschichte. Planer, die ein KI-Tool zur Routenoptimierung nutzen, ein Kundenservice, der einen Chatbot für Track-and-Trace einsetzt, oder ein Lagermitarbeiter, der eine Anwendung zur Erstellung von Bestandsprognosen verwendet: Solche Anwendungen entstehen oft lokal, getrieben von Zeitdruck oder einer konkreten Aufgabe, ohne dass jemand einen Antrag gestellt hat. Wer dies erfassen möchte, muss bei den Menschen nachfragen, die die Arbeit tatsächlich ausführen, und das gelingt nur, wenn das Stellen von Fragen nicht sofort zu einer Korrektur führt. Eine Organisation, die Schatten-KI finden will, muss zunächst deutlich machen, dass Melden kein Risiko darstellt.
Eine Inventarisierung, die über die IT-Liste hinausgeht, zeigt, welche KI-Anwendungen tatsächlich im Einsatz sind, wo im Prozess sie sich befinden und wer Entscheidungen daran knüpft. Bei Transport und Logistik bedeutet das häufig eine Unterscheidung zwischen Systemen, die ausschließlich beraten, Systemen, die automatisch ohne Eingriff planen, und Systemen, die Auswirkungen auf Personen außerhalb der Organisation haben, wie Fahrer oder Kunden, denen eine Lieferzeit auf Basis einer Vorhersage vorgespiegelt wird. Diese Unterscheidung ist relevant, weil sich damit das Risikoniveau ändert: Ein Tool, das einem Planer lediglich einen Vorschlag macht, verlangt eine andere Form der Aufsicht als ein System, das eigenständig Dienstpläne oder Routen festlegt.
Nach der Inventarisierung folgt die Frage, was jede Anwendung genau tut und für wen. Ein System, das vorhersagt, wann Instandhaltung nötig ist, hat andere Auswirkungen als ein System, das anhand von Leistungsdaten bestimmt, welcher Fahrer eine Fahrt zugewiesen bekommt. Klassifizierung bedeutet hier nicht die Anwendung einer festen Vorlage, sondern das Ordnen dessen, was vorgefunden wurde: Welche Anwendung betrifft Entscheidungen über Menschen, welche betrifft nur logistische Optimierung, und welche funktioniert rein unterstützend. Die aktuelle Regulierung, die festlegt, welche Pflichten an welches Risikoniveau gebunden sind, steht an anderer Stelle; hier geht es um die Struktur, die nötig ist, um diese Regeln später anwenden zu können, was der Text auch genau vorschreibt.
Transportunternehmen arbeiten in der Regel bereits mit Risikomanagement rund um Sicherheit, Planung und Compliance. KI-Governance muss kein neues Instrument neben diesem bestehenden System sein; es funktioniert besser, wenn die Klassifizierung von KI-Anwendungen an bereits vorhandene Kategorien anschließt, sodass ein Geschäftsführer oder Risikomanager nicht zwei separate Übersichten führen muss. Das erfordert ein Governance-Set, das festhält, wer eine Anwendung verwaltet, wer dafür verantwortlich ist und welche Kontrolle darüber besteht, in einer Form, die zu der bereits vorhandenen Berichts- und Rechenschaftsstruktur passt.
Ein Geschäftsführer oder General Counsel, der gebeten wird zu erklären, welche KI-Systeme in der Organisation aktiv sind, muss dies mit mehr als einer Liste aus dem Einkaufssystem belegen können. Nachweisbarkeit bedeutet, dass es eine aktuelle Übersicht der Anwendungen, ihrer Klassifizierung und des Status der Aufsicht darüber gibt, und dass diese Übersicht auch standhält, wenn jemand genauer nachfragt. Andere Sektoren kennen vergleichbare Fragestellungen, wie bei KI-Governance im Einzelhandel, KI-Governance im Agrarsektor und KI-Governance im IKT-Sektor zu sehen ist, jeweils mit einem eigenen Verhältnis zwischen dem, was zentral angeschafft wurde, und dem, was lokal entstanden ist.
Der Responsible AI Scan, der diese Inventarisierung, Klassifizierung und Governance-Struktur zusammenführt, befindet sich im Aufbau. Wer damit arbeiten möchte, kann sich für die Warteliste anmelden; ein fertiges Produkt ist derzeit nicht bestellbar, und das wird hier auch nicht anders dargestellt.
Sobald klar ist, welche KI-Anwendungen in der Transportkette laufen und welches Risikoniveau dazu passt, entsteht eine Folgefrage, die nicht durch Inventarisierung beantwortet wird: wie viel von der Arbeit, die Planer, Fahrer oder Kundenservicemitarbeiter derzeit ausführen, mit diesen Anwendungen tatsächlich übernommen werden kann. Diese Frage liegt nahe bei Governance, ist ihr aber nicht gleich, und wird durch den Werkscan von FTE TO AI beantwortet, der pro Aufgabe berechnet, welcher Anteil der Arbeit von KI übernommen werden kann.
Vraag maar. Governance begint bij weten wat er draait — ook wat niemand heeft goedgekeurd.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.