KI Logistik Tourenplanung: So sparen Speditionen 15-30 % Kraftstoff

KI Logistik Tourenplanung verändert die Art, wie Speditionen und Lieferdienste ihre Routen planen. Statt morgens am Whiteboard Touren zusammenzustellen, berechnet eine Software in Sekunden die optimale Reihenfolge für 200 Stopps, berücksichtigt Zeitfenster, Fahrzeugkapazitäten und Verkehrslage. Am Ende des Monats stehen im Schnitt 15 bis 30 Prozent weniger Kraftstoffkosten auf der Abrechnung, und die Fahrer kommen pünktlicher an.

Warum klassische Tourenplanung an ihre Grenzen stößt

Ein Disponent mit 15 Jahren Erfahrung kennt seine Region. Er weiß, welche Straßen morgens verstopft sind und welcher Kunde nur zwischen 8 und 10 Uhr anliefern lässt.

Trotzdem stößt menschliche Planung irgendwann an eine harte Grenze. Sie liegt in der Mathematik. Bei 20 Stopps gibt es über 2,4 Trillionen mögliche Reihenfolgen. Bei 50 Stopps übersteigt die Zahl die Atome im Universum. Kein Mensch optimiert das im Kopf. Auch erfahrene Disponenten landen typischerweise bei Routen, die 15 bis 30 Prozent länger sind als das mathematische Optimum. Das liegt nicht am fehlenden Willen. Hier stoesst das menschliche Gehirn schlicht an seine Grenze.

Im Alltag sieht das so aus: Fahrer fahren Zickzack, weil Stopps in der Reihenfolge der Auftragserfassung abgearbeitet werden. Zeitfenster werden geschätzt statt berechnet, und die Folge sind Wartezeiten vor verschlossenen Türen. Fällt ein Fahrer aus, baut die Disposition die gesamte Planung in 30 bis 60 Minuten morgens manuell um. Rückfahrten laufen leer, weil niemand systematisch Rückladungen einplant. Saisonale Schwankungen schlagen voll durch.

Eine mittelgroße Spedition mit 30 Fahrzeugen und 400 Stopps pro Tag verliert durch diese Ineffizienzen zwischen 8.000 und 15.000 Euro pro Monat an Kraftstoff und Personalkosten, die eigentlich nicht anfallen müssten.

Wie KI-gestützte Tourenplanung funktioniert

Drei Dinge greifen ineinander: mathematische Optimierung, Echtzeitdaten und maschinelles Lernen.

Datenerfassung

Das System sammelt alles, was relevant ist:

• Aufträge mit Abhol- und Lieferadressen, Zeitfenstern, Gewicht, Volumen
• Fahrzeuge: Kapazität, aktueller Standort, Verfügbarkeit, Verbrauch
• Fahrer: Arbeitszeiten, Lenkzeiten, Qualifikationen wie Gefahrgut
• Verkehr in Echtzeit, historische Muster, Baustellen
• Einfahrverbote, Maut, Tonnage-Beschränkungen

Optimierung

Der Algorithmus löst ein Vehicle Routing Problem. Dabei wird gleichzeitig an mehreren Stellschrauben gedreht: minimale Gesamtfahrstrecke über alle Fahrzeuge, Einhaltung aller Zeitfenster, gleichmäßige Auslastung, weniger Leerfahrten, gesetzliche Lenkzeiten.

Moderne Solver wie Google OR-Tools lösen Probleme mit 1.000 Stopps in unter 60 Sekunden. Raus kommt eine vollständige Planung für den ganzen Fuhrpark.

Lernende Verbesserung

Hier wird es interessant. Das System lernt aus vergangenen Touren. Welche Kunden regelmäßig nicht erreichbar sind und wann der beste Alternativzeitpunkt ist. Wo die tatsächlichen Fahrzeiten von den berechneten abweichen. Welche Fahrer welche Routen besonders effizient abfahren. Wann freitagnachmittags auf bestimmten Strecken der Stau beginnt.

Nach drei bis sechs Monaten sind die Prognosen des Systems meistens präziser als die Schätzungen erfahrener Disponenten. Das ist für viele ein unangenehmer Moment. Es heißt aber nicht, dass der Disponent überflüssig wird. Seine Arbeit verlagert sich.

Tools für die KI-Tourenplanung

Google OR-Tools (Open Source, kostenlos)

Eine der leistungsfähigsten Bibliotheken für Optimierungsprobleme. Spezialisierte Solver für das Vehicle Routing Problem. Python, Java, C++. Google nutzt verwandte Algorithmen selbst in Google Maps.

Kostenlos, gut dokumentiert, bewährt. Dafür keine fertige Oberfläche. Wer das einsetzen will, braucht ein IT-Team oder externe Entwicklung. Drei bis sechs Wochen für ein Pilotprojekt sind realistisch.

OptaPlanner (Open Source, Java)

Ein Constraint-Satisfaction-Solver, der besonders gut mit vielen Nebenbedingungen klarkommt. Red Hat steht dahinter. Sehr flexibel, aktive Community, aber steilere Lernkurve als OR-Tools. Ohne Java-Entwickler im Haus wird es schwierig.

Kommerzielle SaaS-Lösungen

Für Unternehmen ohne Entwicklungsabteilung gibt es fertige Produkte.

Für eine Spedition mit 30 Fahrzeugen landet man bei 1.000 bis 3.000 Euro pro Monat. Die Kraftstoffeinsparung liegt typischerweise beim Drei- bis Fünffachen davon.

Praxisbeispiel: Spedition Frankenberger, 35 Touren pro Tag

Die fiktive Spedition Frankenberger aus Oberfranken liefert Baumaterialien in einem Radius von 150 km. 35 Fahrzeuge, 280 Stopps pro Tag, 12 Disponenten. Tourenplanung lief bisher über Excel und Erfahrung.

Vor der Umstellung: 187 km durchschnittliche Fahrstrecke pro Tour, 42.000 Euro Kraftstoff im Monat, drei bis vier verspätete Lieferungen pro Tag, 45 bis 90 Minuten Planungszeit morgens.

Nach der Umstellung (Pilot mit 10 Fahrzeugen, dann Rollout auf alle 35): 142 km pro Tour, minus 24 Prozent. Kraftstoff fiel auf 31.000 Euro, minus 26 Prozent. Verspätungen lagen bei null bis eine pro Tag. Die Disponenten brauchen morgens noch 10 bis 15 Minuten, um die Ergebnisse zu prüfen und freizugeben. Unterm Strich 11.000 Euro Einsparung bei 2.200 Euro Softwarekosten.

Die größte Einsparung kam nicht aus kürzeren Routen. Sie kam aus der besseren Zeitfenster-Planung. Fahrer standen vorher im Schnitt 35 Minuten pro Tag wartend vor Baustellen, weil Anlieferzeiten nicht aufeinander abgestimmt waren. Dieses Muster wird im Disponenten-Alltag fast nie gesehen, weil es nirgendwo sauber gemessen wird.

Implementierung in 4 bis 8 Wochen

Woche 1 bis 2: Datenbasis schaffen

Historische Tourdaten der letzten sechs Monate exportieren. Kundenadressen mit Zeitfenstern erfassen. Fahrzeugdaten systematisieren. GPS-Daten auswerten und tatsächliche gegen geplante Routen halten. Genau an dieser Stelle scheitern die meisten Projekte, nicht beim Algorithmus.

Woche 3 bis 4: Pilotprojekt aufsetzen

Fünf bis zehn Fahrzeuge für den Pilot auswählen. Software installieren oder API anbinden. Nebenbedingungen definieren. Erste Testläufe mit historischen Daten.

Woche 5 bis 6: Parallelbetrieb

KI-Planung parallel zur manuellen Planung laufen lassen. Ergebnisse vergleichen. Fahrer-Feedback einsammeln, denn eine mathematisch optimale Route muss nicht immer praktisch fahrbar sein. Feintuning der Nebenbedingungen.

Woche 7 bis 8: Go-Live

Pilotfahrzeuge auf KI-Planung umstellen. Disponenten schulen auf die neue Rolle: Ergebnisse prüfen, nicht selbst planen. KPIs definieren. Rollout für den Rest planen.

Wer die Disponenten nicht von Anfang an einbindet, sabotiert sich selbst. Sie müssen wissen, dass sie nicht ersetzt werden, sondern dass ihre Arbeit sich auf Ausnahmemanagement und Kundenkontakt verschiebt. In der Praxis erleben wir, dass genau dieses Gespräch in den ersten zwei Wochen geführt werden muss, sonst hat das Projekt ein Problem, das Technik nicht lösen kann.

Was KI-Tourenplanung nicht kann

Spontane Aufträge. Wenn 30 Prozent der Aufträge erst am gleichen Tag reinkommen, sinkt der Optimierungseffekt spürbar. Dynamische Reoptimierung hilft, aber nicht unbegrenzt.

Beziehungswissen. Der Disponent weiß, dass Kunde Müller montags schlecht gelaunt ist und dass Fahrer Schmidt dort am besten klarkommt. Solches Wissen lässt sich kaum formalisieren.

Infrastrukturprobleme. Wenn die Brücke auf der Hauptroute gesperrt ist, braucht das System aktuelle Daten. Ohne Echtzeitanbindung plant es die gesperrte Strecke ein.

Extremsituationen. Hochwasser, Schneekatastrophen, Streiks. Dort versagen statische Modelle, und menschliche Flexibilität bleibt unverzichtbar.

KI-Tourenplanung ist kein Autopilot. Sie ist ein Werkzeug, das Disponenten deutlich effektiver macht. Der beste Ansatz in der Praxis: KI macht den Vorschlag, Mensch gibt frei oder korrigiert.

Fördermöglichkeiten für die Einführung

Regionale Digitalisierungszuschüsse gibt es in vielen Bundesländern, etwa den Digitalbonus Bayern oder Mittelstand Innovativ & Digital NRW. Über das Qualifizierungschancengesetz lässt sich die Weiterbildung der Disponenten in KI-gestützter Logistik zu 100 Prozent fördern, wenn der Betrieb unter 10 Mitarbeitern hat. Der ERP-Förderkredit Digitalisierung der KfW bietet zinsgünstige Kredite für Digitalisierungsinvestitionen in KMU. Wer seine Disponenten und Fuhrparkleiter im Bereich KI und Automatisierung weiterbilden möchte, findet bei SkillSprinters Informationen zu geförderten Weiterbildungen, die bis zu 100 Prozent von der Agentur für Arbeit übernommen werden können.

Häufige Fragen

Ersetzt KI-Tourenplanung den Disponenten?

Nein. Die Rolle verändert sich: Statt Routen manuell zu bauen, prüft und optimiert der Disponent die KI-Vorschläge. Sein Erfahrungswissen bleibt für Ausnahmen und Kundenkontakt unverzichtbar. Disponenten berichten oft, dass ihre Arbeit anspruchsvoller und abwechslungsreicher geworden ist, weil die stumpfen Routineaufgaben wegfallen.

Wie hoch sind die Einsparungen durch KI-Routenoptimierung?

Typischerweise 15 bis 30 Prozent bei Kraftstoffkosten und 20 bis 35 Prozent bei der Gesamtfahrstrecke. Dazu kommen weniger Überstunden, weniger Verspätungen und damit weniger Vertragsstrafen sowie geringerer Fahrzeugverschleiß. Eine Spedition mit 30 Fahrzeugen kann mit 8.000 bis 15.000 Euro Einsparung pro Monat rechnen.

Welche Daten brauche ich für den Start?

Mindestens: Kundenadressen mit Zeitfenstern, Fahrzeugkapazitäten und historische Tourdaten der letzten drei bis sechs Monate. GPS-Daten der Fahrzeuge sind hilfreich, aber nicht zwingend. Je besser die Datenqualität, desto schneller liefert das System gute Ergebnisse. Die meisten Speditionen haben diese Daten schon in TMS oder ERP.

Funktioniert KI-Tourenplanung auch für kleine Speditionen mit 5 bis 10 Fahrzeugen?

Ja, gerade dort lohnt sich der Einstieg oft am schnellsten. SaaS-Lösungen starten bei 35 bis 50 Euro pro Fahrzeug und Monat. Bei 10 Fahrzeugen sind das 350 bis 500 Euro im Monat, während die Kraftstoffeinsparung bei 2.000 bis 4.000 Euro liegt. Eine eigene IT-Abteilung braucht es dafür nicht.

Wie lange dauert die Einführung?

Pilot mit fünf bis zehn Fahrzeugen: vier bis acht Wochen. Rollout auf den gesamten Fuhrpark: noch einmal vier bis acht Wochen. Die ersten Einsparungen sind ab dem ersten Tag im Pilotbetrieb sichtbar. Nach drei bis sechs Monaten hat das System genug Daten, um auch saisonale Muster zu berücksichtigen.