Ausgangslage: Der strukturelle Engpass im Mittelstands-Transport
Mittelständische Speditionen operieren unter Margen, die seit Jahren unter Druck stehen: steigende Dieselkosten, Maut-Erweiterungen, Fahrermangel, regulatorische Anforderungen aus Lenk- und Ruhezeiten. Gleichzeitig liegt das Optimierungs-Potenzial bei vielen mittelständischen Häusern noch immer in der manuellen Disposition — der menschlichen Fähigkeit, Aufträge auf Touren und Touren auf Fahrzeuge zu verteilen. Bei unserem Kunden, einer mittelständischen Spedition im nationalen Stückgut- und Teilladungsverkehr mit 80 Fahrzeugen, war diese Disposition zur Wachstumsgrenze geworden.
Die Symptome waren konkret: eine durchschnittliche Fahrzeugauslastung von 68 Prozent, regelmäßige Leerfahrten auf Rückwegen, suboptimale Tourenreihenfolgen mit unnötigen Wegen zwischen Be- und Entladestationen. Hinter diesen Zahlen stehen drei Disponenten, deren Erfahrung unschätzbar war, deren kognitive Kapazität aber an der kombinatorischen Komplexität eines 80-Fahrzeug-Tagesschnitts zwangsläufig scheitern musste.
Vorgehen: Vom Bauchgefühl zur algorithmischen Co-Disposition
Wir haben das Projekt nicht als Disponenten-Ersatz, sondern als Co-Pilot-Konzept aufgesetzt. In der ersten Woche haben wir mit den Disponenten die Schmerzpunkte priorisiert: An welchen Wochentagen ist die Auslastung am schlechtesten? Welche Touren führen systematisch zu Leerfahrten? Wo gehen Cross-Selling-Möglichkeiten verloren, weil das Matching zwischen Auftrag und Fahrzeug nicht passt?
Aus diesem Schmerzpunkt-Inventar ist ein Pilot mit zwei Niederlassungen entstanden. Nach acht Wochen lief das Tourvorschlags-System produktiv mit, nach zwölf Wochen wurden die Vorschläge an die Disponenten ausgespielt — mit voller Override-Hoheit. Erst nach drei Monaten Schatten-Betrieb und Vergleich mit der manuellen Disposition war klar, dass die KI-Vorschläge im Schnitt 15 Prozentpunkte bessere Auslastungen erreichten.
Lösungsdetails: Drei Schichten zwischen Auftrag und Tour
Technisch besteht das System aus drei Schichten. Die unterste Schicht ist eine Auftrags-Pipeline, die eingehende Aufträge aus der bestehenden Spedi-Software über REST-API einliest, mit Telematik-Daten (Fahrzeug-Standort, Restladezeit, Lenkzeit-Konto) anreichert und in Azure Maps zur Routen-Vorbereitung weiterleitet.
Die zweite Schicht ist die Optimierungs-Engine, gebaut auf Google OR-Tools. Sie löst eine Vehicle-Routing-Problem-Variante mit Zeitfenstern, Fahrzeugkapazitäten, Lenk- und Ruhezeiten sowie Cabotage-Beschränkungen. Rückfahrten werden durch ein paralleles Backhaul-Matching mit passenden Aufträgen aus dem Marktplatz und dem eigenen Bestand beladen. Eine typische Tagesoptimierung läuft in unter zwei Minuten — das ermöglicht die Echtzeit-Anpassung bei Ad-hoc-Aufträgen.
Die dritte Schicht ist die Disponenten-Oberfläche in Power BI. Sie zeigt pro Tour den Vorschlag, die zugrundeliegenden Kennzahlen (Auslastung, Leerkilometer, Deckungsbeitrag) und alternative Optionen. Disponenten können Touren splitten, Aufträge umhängen, Fahrer wechseln — die Änderungen fließen als Feedback ins System zurück.
Ergebnisse-Vertiefung: Was die KPIs nicht zeigen
Die Headline-Kennzahlen — 88 Prozent Fahrzeugauslastung, 52 Prozent weniger Leerfahrten, 120 Tonnen jährliche CO₂-Einsparung — sind harte Zahlen, aber sie unterschätzen den strategischen Effekt. Zwei Sekundärwirkungen sind erst nach einem vollen Geschäftsjahr sichtbar.
Erstens: Die Disponenten haben Kapazität für strategische Themen. Stunden, die früher in tagesoperative Detail-Disposition flossen, gehen heute in Kundenakquise, Tarif-Verhandlungen und Frachtraum-Optimierung im Spitzenmonat. Zweitens: Der Fachkräftemangel hat aufgehört, eine Wachstumsbremse zu sein. Neue Disponenten lernen das System schneller als die alte Bauchgefühl-Disposition — ein Junior wird mit dem Co-Piloten in drei Monaten produktiv, früher waren es zwölf.
Lessons Learned: Was wir beim nächsten Mal anders machen würden
Drei Erkenntnisse haben wir mitgenommen. Erstens: Telematik-Daten-Qualität ist die unterschätzte Voraussetzung. Lenkzeit-Konten, Restladezeit-Schätzungen und Fahrzeug-Status müssen sauber im System landen, sonst rechnet das beste Modell falsch. Wir haben in den ersten acht Wochen mehr Zeit in die Telematik-Integration als in die Algorithmik gesteckt.
Zweitens: Disponenten brauchen die Override-Hoheit. Hätten wir das System als „Auto-Dispatch" verkauft, wäre der Roll-out gescheitert. Die Erfahrung der Disponenten ist eine fachliche Ressource, kein Reibungsverlust. Drittens: Der ROI kommt nicht aus dem Algorithmus, sondern aus der Umsetzung im Alltag. Das System rechnet Touren um 15 Prozentpunkte besser — den tatsächlichen Lift im Geschäftsjahr realisiert man nur, wenn Disponenten, Fahrer und Kunden die Empfehlung akzeptieren.
Übertragbarkeit: Von der Tourenplanung zum Operating-Model
Was als Disposition-Hebel begann, hat sich zu einem Operating-Model-Baustein entwickelt. Die gleichen Bausteine — VRP-Optimierung, Backhaul-Matching, Telematik-Integration — sind heute für die Lager-Innendisposition und die Werkstattplanung im Einsatz.
Für mittelständische Speditionen ist das ein neuer Hebel im Wettbewerb mit Großspediteuren: Wer einmal in eine eigene Optimierungs-Plattform investiert, kann auch im Stückgut-Geschäft Auslastungen erreichen, die bislang nur Volumen-Logistikern vorbehalten waren — bei gleichzeitig persönlicherem Kundenkontakt.