Freihändige Sprachsteuerung für industrielle Arbeit (Voice Picking, Instandhaltung)

Kommissionierer, Wareneingangs-Personal und Instandhaltungstechniker brauchen beide Hände und ihre Augen für die Arbeit, nicht für einen Handscanner oder eine Papier-Checkliste. Sprachsysteme lesen die nächste Aufgabe ins Headset vor und nehmen gesprochene Bestätigungen entgegen ("Prüfziffer 42", "fertig", "Defekt: Lagergeräusch"). Klassisches Voice Picking ist eine ausgereifte, bewährte Technik; moderne ASR und LLMs ergänzen nun freie Notizen, mehrsprachige Belegschaften und geführten Wartungsdialog. Die wichtigste neue Einschränkung in der EU ist das Recht zur Überwachung von Beschäftigten.

Problem & Nutzen

• Heute: Kommissionierung nach Papier oder mit Funk-Handscannern zwingt Beschäftigte, innezuhalten, auf einen Bildschirm zu schauen und Tasten zu drücken; Instandhaltungstechniker mit Handschuhen oder auf Leitern schreiben ihre Notizen später aus dem Gedächtnis. Mehrsprachige Teams und Aushilfskräfte tun sich mit bildschirmbasierten Oberflächen schwer.
• KI-Nutzen: freihändiges Arbeiten ohne Blick auf Bildschirme; sofortige und strukturierte Datenerfassung (weniger Übertragungs- fehler, Bestandsgenauigkeit in Echtzeit); schnelleres Einarbeiten durch gesprochene Anleitung in der Sprache der Beschäftigten; freie Störungsbeschreibungen, die zu strukturiertem Arbeitsauftragstext werden.
• Evidenz: Hersteller und Logistikverbände berichten von Produktivitäts- und Genauigkeitsgewinnen gegenüber der Kommissionierung nach Papier, doch die Zahlen hängen von Prozess und Ausgangslage ab; messen Sie Ihren eigenen Pilot, statt sich auf Herstellerangaben zu verlassen [1][2].

Varianten

• Voice Picking / Einlagerung / Nachschub: dialoggesteuert, geschlossenes Vokabular (Ziffern, Lagerplätze, wenige Kommandos).
• Wareneingang, Verladung, Inventurzählung: Zählen per Sprache und Mengenbestätigung.
• Instandhaltungs- und Inspektionsrunden: Checkliste per Sprache durchgehen, gesprochene Messwerte, freie Störungsnotizen, optionale Handbuchsuche (siehe KNOW-004).
• Produktion und Qualität: freihändige Meldung von Ausschuss, Rüstschritten oder Fehlern; Reinräume sowie Lebensmittel- und Pharmaumgebungen, in denen das Berühren von Geräten unerwünscht ist.
• Multimodale Wearables: Sprache kombiniert mit Datenbrillen oder am Kopf getragenen Displays (siehe CONV-027).
• Private Nutzung: nicht relevant; angrenzende Verbrauchernutzungen sind Assistenten im Auto oder im Smart Home (CONV-014).

So funktioniert es

1. headset microphone (noise-cancelling, often Bluetooth)
2. on-device audio front-end (noise suppression, VAD)
3. ASR: closed-grammar / keyword recogniser or compact neural ASR (edge or gateway)
4. dialogue manager (state machine bound to the task: location
5. check digit
6. quantity)
7. WMS / ERP / CMMS integration (task fetch, confirmation, exception)
8. TTS prompts back to headset (multilingual)
9. optional LLM layer: free-text fault notes
10. structured work-order fields; manual Q&A

• Deterministischer Kern: Voice Picking funktioniert, weil der Dialog ein Zustandsautomat mit kleinem Vokabular ist; Erkennungsfehler werden durch Prüfziffern und Bestätigungsabfragen abgefangen. Dieser Kern sollte deterministisch bleiben, auch wenn LLMs hinzukommen.
• Anpassung an einzelne Beschäftigte: Klassische Engines trainieren ein kurzes Stimmprofil pro Beschäftigtem; neuere neuronale ASR verringert oder entfernt diesen Enrolment-Schritt. Nicht zu verwechseln mit Stimmbiometrie (SPEECH-010).
• LLM-Schicht (optional): wandelt freie Sprache wie "Pumpe drei leckt an der Dichtung, braucht neue Dichtung" in strukturierte Felder um und ruft Handbuchpassagen ab. Ein Mensch bestätigt, bevor der Arbeitsauftrag geschlossen wird.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Beschäftigten bestätigen jede Aktion; Vorgesetzte bearbeiten Ausnahmen (Fehlmengen, beschädigte Ware).

Datenaufbereitung

Benötigte Daten: Stammdaten für den Sprachdialog, vor allem Artikel-, Lagerplatz- und Prüfziffern-Daten aus WMS oder ERP, sowie ein Vokabular aus Produktnamen, Lagerplatzcodes und Abkürzungen. Aufgezeichnete Beispielsprache aus der realen Umgebung (Lärm, Headsets, Akzente) wird zum Testen benötigt. Stammdaten liegen typischerweise im ERP oder WMS; die Terminologie steckt oft nur in den Köpfen der Beschäftigten oder auf Papier-Picklisten.

Typische Lücken: uneinheitliche Artikelbeschreibungen und Lagerplatzbezeichnungen, fehlende Prüfziffern, verstreute Abkürzungen, keine Aufnahmen des echten Hallenlärms und unklare Zugriffsrechte vom Sprachgerät auf das WMS.

Vorbereitungsschritte: 1. Lagerplatz- und Artikelstammdaten bereinigen und die Benennung vereinheitlichen (PREP-005 für den Export aus dem ERP, PREP-011, wenn Daten in Tabellen liegen). 2. Eine Begriffs- und Abkürzungsliste einschließlich Dialektvarianten erstellen (PREP-015). 3. Testäußerungen mehrerer Beschäftigter im echten Lärm aufnehmen (PREP-018). 4. Korrekturen sammeln, wenn das System falsch versteht (PREP-021). 5. Vereinbaren, was gespeichert wird: Kommandoprotokolle ohne Audio-Aufbewahrung (PREP-024).

Aufwandsanteil: gering, etwa 15 bis 25 Prozent, überwiegend Bereinigung der Stammdaten und Abstimmung des Vokabulars. Der Aufwand steigt, wenn papierbasierte Prozesse zuerst digitalisiert werden müssen (PREP-008).

Umsetzungswege

Welcher Weg für wen

• smb: Weg A, weil spezialisierte Voice-Picking-Suiten sich in gängige WMS- und ERP-Systeme integrieren und der Prozess standardisiert ist.
• enterprise: Weg B, weil Betriebe mit mehreren Standorten, eigenem WMS, mehreren Sprachen und Dialekten eine individuelle Integration und Kostenkontrolle bei den Arbeitsplätzen brauchen.
• developer: Weg C, weil ASR der Whisper-Klasse und kleine LLMs auf HW1-Edge-Geräten laufen und den Offline-Einsatz in lauten Hallen ermöglichen.

Weg A — Kaufen (Standardsoftware; für die meisten KMU empfohlen)

• Spezialisierte Voice-Picking-Suiten: Honeywell Voice (Vocollect), Zebra (Sprache über das Workcloud/Wavelink- Ökosystem), Körber Supply Chain Software, Dematic und WMS der Blue-Yonder-Klasse mit Sprachmodulen, dazu WMS-eigene Sprachmodule von SAP-EWM-Partnern und anderen WMS-Anbietern. Zu den Anbietern aus der EU zählen Körber, die Softwaresparte von SSI Schäfer und zahlreiche deutsche WMS-Hersteller mit Sprach-Erweiterungen; aktuelle Angebote bei jedem Anbieter prüfen.
• Instandhaltungs-/Inspektions-Apps: CMMS/EAM-Anbieter (IBM Maximo, SAP, Fiix und EU-Anbieter wie Infraspeak oder Werkzeuge der Limble-Klasse) mit Spracheingabe sowie Anbieter von Wearable Computing (RealWear, Vuzix), die sprachgesteuerte, am Kopf getragene Tablets für freihändige Arbeit anbieten.
• A wählen, wenn: Standardabläufe beim Kommissionieren oder Inspizieren, ein vorhandenes WMS/CMMS mit unterstütztem Sprach-Konnektor und der Bedarf an robuster, zertifizierter Hardware bestehen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Streaming-ASR: Azure AI Speech (EU-Regionen, Custom Speech und Phrasenlisten), Google Cloud Speech-to-Text, AWS Transcribe (Frankfurt), Deepgram, Speechmatics (UK/EU), Mistral Voxtral (EU-Anbieter), Realtime-/Transkriptionsmodelle von OpenAI. Phrasenlisten und eigene Vokabulare verbessern die Erkennung von Artikeln und Lagerplätzen.
• TTS: Azure Neural Voices, Google, ElevenLabs oder EU-Anbieter.
• Einschränkung: Industrielärm, instabiles WLAN in Regalgassen und Latenz machen reine Cloud-ASR für den Kerndialog riskant; Cloud für Freitext-Notizen und Edge für die Kommandoerkennung nutzen.
• B wählen, wenn: Sie freie Notizen, viele Sprachen oder eine individuelle Integration brauchen.

Weg C — Selbst betreiben (Open Source)

• Offene ASR: Whisper (large-v3 / turbo) über faster-whisper oder whisper.cpp, NVIDIA Parakeet/Canary (NeMo), Vosk und sherpa-onnx für kleine, Offline-fähige, eingebettete Erkenner mit eigenen Grammatiken; Kyutai und Voxtral als Open-Weight-Modelle für Streaming.
• Schlüsselwort-/Kommandoerkennung: kleine CNN-basierte Keyword-Spotting-Modelle oder grammatikbeschränkte Dekodierung auf Geräten der Raspberry-Pi- oder Android-Klasse.
• TTS: Piper, Kokoro, von Coqui abgeleitete Modelle, offline auf dem Gerät.
• Hardware: HW1 genügt für Kommandogrammatiken und kompakte ASR auf einem Edge-Gateway oder Android-Gerät; HW2, wenn ein Server die Freitext-Transkription für viele Standorte übernehmen soll.

Weg D — Eigenes Training

Lohnt sich für Dialekte, seltene Sprachen, starken Maschinenlärm oder Fachbegriffe (Teilenummern, chemische Namen). Ein offenes ASR-Modell mit einigen Dutzend Stunden domänenspezifischem Audio feintunen, aufgenommen mit dem echten Headset und Lärm; Korrekturprotokolle aus dem Produktivbetrieb sind die beste Datenquelle. Aufnahmen als personenbezogene Daten behandeln.

Stand der Technik (2026)

• Dialog mit geschlossener Grammatik ist eine gelöste, robuste Technik; neu ist neuronale ASR, die Lärm und Akzente ohne Training pro Beschäftigtem verträgt, sowie LLMs für Freitext und Anleitung.
• Offene Modelle wie die der Whisper-Klasse, Parakeet und Voxtral liefern eine gute allgemeine Genauigkeit, doch die Robustheit gegenüber Staplerlärm, Gehörschutz, Masken und Nicht-Muttersprachlern muss vor Ort getestet werden.
• Fehlerbilder: kurze, ähnlich klingende Ziffern und Codes; Hintergrundgespräche von Kollegen; erfundener Text bei Stille oder Lärm in Modellen vom Whisper-Typ; Latenz bei schlechten Netzen; Fehlauslösungen durch Weckwörter. Gegenmaßnahmen: Prüfziffern, Bestätigungsabfragen, VAD, Push-to-Talk und Grammatikbeschränkungen.
• Sicherheit: Sprache darf nie der einzige Kanal für sicherheitskritische Befehle sein (z. B. Maschinenstopp); Hardware-Nothalt beibehalten und Gehörschutz sowie Situationsbewusstsein als Entwurfsvorgaben behandeln.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (asr + tts + edge-runtime): SPEECH-001 und SPEECH-005 (Diktat), SPEECH-006 (TTS), SPEECH-009 (Audioereigniserkennung über dieselben Mikrofone), CONV-014 (eingebettete Sprache).
• Vor-/nachgelagert: OPT-006 (Optimierung von Pickwegen und Lagerplatzvergabe speist die Pickliste), ROBO-002 (AMR kombiniert mit Sprachdialog der Kommissionierer), KNOW-004 (Handbuch-Assistent für Techniker), PRED-006 (per Sprache gemeldete Störungen bereichern die vorausschauende Wartung), CONV-027 (visuelle Fernunterstützung).
• Vorsicht bei SPEECH-010: Stimm-Login oder Sprecheridentifikation ist biometrische Verarbeitung mit zusätzlichen rechtlichen Anforderungen.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen für einen Pilotbereich; Kosten sind Headsets/Geräte, Lizenzen pro Nutzer oder Gerät und die WMS-Integration.
• Weg B: 2-4 Monate für einen robusten Edge/Cloud-Hybrid inklusive WMS-Integration und Dialogentwurf.
• Weg C: 3-6 Monate; überwiegend Dialogentwurf, Audiotests in realen Umgebungen und Geräteverwaltung.
• Kennzahlen: Picks pro Stunde, Pickfehlerquote, Einarbeitungszeit neuer Beschäftigter, Erkennungsfehler und Wiederholungsquote pro Kommando, Verhältnis von Sprachdialogzeit zu Wegezeit, Genauigkeit von Freitext zu strukturierten Daten, Zufriedenheit der Beschäftigten.

Menschen & Veränderung

Beziehen Sie zuerst Geschäftsleitung und Fachabteilungsleitung Logistik ein, um das Ziel festzulegen (Genauigkeit, Tempo, Ergonomie). Die Endanwender sind entscheidend: Kommissionierer sollten Headsets und Sprachkommandos früh testen und das Kommandovokabular mitgestalten. Die IT integriert das System in das WMS und verwaltet die Geräte; die oder der Datenschutzbeauftragte prüft, was protokolliert wird und ob Sprachaufnahmen aufbewahrt werden.

Betriebsrat: ja. Sprachsysteme protokollieren jedes Kommando mit Zeitstempel und Mitarbeiterkennung und sind damit geeignet, Leistung zu überwachen (§87 Abs. 1 Nr. 6 BetrVG; BAG: objektive Eignung genügt). Der Betriebsrat muss zudem nach §90 Abs. 1 Nr. 3 unterrichtet werden und kann nach §80 Abs. 3 einen Sachverständigen hinzuziehen. Typische Betriebsvereinbarung: kein individuelles Leistungsranking aus Sprachdaten, festgelegte Aufbewahrung, keine Audiospeicherung. Öffentlicher Dienst: Personalrat. Eine DSFA ist meist nicht erforderlich, wenn kein Audio aufbewahrt wird, aber stimmen Sie sich mit der oder dem Datenschutzbeauftragten ab.

Kommunizieren Sie, dass das Ziel Entlastung ist (freie Hände, weniger Fehler), nicht Kontrolle. Pilot mit einer Schicht oder Zone und KI-Botschaftern aus der Belegschaft. Typische Bedenken sind Überwachung, Hygiene gemeinsam genutzter Headsets, Akzente und Lärm; begegnen Sie ihnen mit persönlichen Headsets, Anpassung an Akzente und einer manuellen Rückfalllösung. Die Beschäftigten können das System jederzeit übersteuern. Maßnahmen zur KI-Kompetenz sollten die Mitarbeitenden dabei unterstützen, es sicher zu nutzen (Art. 4 KI-Verordnung).

Siehe GUIDE-004, GUIDE-008 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Ein reines Kommando-und-Steuerungs-System ist typischerweise minimales Risiko; KI-Kompetenz (Art. 4) gilt. Das Risiko steigt, wenn Sprachdaten genutzt werden, um Beschäftigte zu überwachen, zu bewerten oder ihnen Aufgaben zuzuteilen (Anhang III, Beschäftigung, Nr. 4: Hochrisiko). Art. 5 Abs. 1 Buchst. f verbietet Emotionserkennung am Arbeitsplatz (außer aus medizinischen oder Sicherheitsgründen): Fügen Sie keine Erkennung von Stress, Müdigkeit oder Stimmung aus den Stimmen der Beschäftigten für die Leistungssteuerung hinzu.
• DSGVO und Arbeitsrecht: Audio- und Produktivitätsdaten sind personenbezogene Daten von Beschäftigten. Zweckbindung festlegen (Aufgabenausführung, keine Leistungsüberwachung), Aufbewahrung minimieren (Audio auf dem Gerät verarbeiten, Transkripte nur bei Bedarf speichern), bei dauerhafter Überwachung eine DSFA durchführen und den Betriebsrat einbeziehen. In Deutschland gilt die Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG für technische Systeme, die Beschäftigte überwachen können. Stimmprofile zur Identifizierung von Beschäftigten sind biometrische Daten (Art. 9 DSGVO), wenn sie zur eindeutigen Identifizierung dienen.
• Sicherheit: Arbeitslärm, Gehörschutz und ATEX-Zonen für Geräte (explosionsfähige Atmosphären) erfordern zertifizierte Hardware.
• Gegenmaßnahmen: Verarbeitung auf dem Gerät, aggregierte Kennzahlen statt Einzelrankings, Betriebsvereinbarung, Bestätigungsabfragen, fest verdrahtete Sicherheitsfunktionen.

Erste Schritte

1. Einen Prozess auswählen (z. B. eine Kommissionierzone oder eine Inspektionsrunde) und Ausgangsproduktivität sowie Fehlerquote erfassen.
2. Echtes Audio in der tatsächlichen Umgebung mit infrage kommenden Headsets aufnehmen; Vokabular und Lärm testen.
3. Das WMS/CMMS auf unterstützte Sprach-Konnektoren prüfen, bevor eine Eigenentwicklung erwogen wird.
4. Zweck, Aufbewahrung und Nutzung der Kennzahlen mit dem Betriebsrat vereinbaren und vor dem Pilot eine DSFA abschließen.
5. Einen 4-8-wöchigen Pilot mit Kontrollgruppe durchführen; LLM-basierte Freitext-Notizen erst ergänzen, wenn der Kerndialog stabil ist.

Quellen

1. Honeywell — Voice solutions for warehouse and logistics — https://sps.honeywell.com/us/en/products/productivity/voice-solutions
2. Zebra Technologies — Warehouse workflows and voice — https://www.zebra.com/
3. RealWear — hands-free wearable computing — https://www.realwear.com/
4. OpenAI Whisper — https://github.com/openai/whisper
5. sherpa-onnx — https://github.com/k2-fsa/sherpa-onnx
6. Vosk speech recognition toolkit — https://alphacephei.com/vosk/
7. Mistral AI — Voxtral — https://mistral.ai/news/voxtral
8. Azure AI Speech — custom speech and phrase lists — https://learn.microsoft.com/azure/ai-services/speech-service/
9. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
10. Gesetze im Internet — BetrVG §87 — https://www.gesetze-im-internet.de/betrvg/__87.html