KI in der Tourenplanung: Wege, Zeit, Kosten.

Tourenplanung ist eine dieser Aufgaben, die in vielen mittelständischen Unternehmen seit Jahrzehnten nach demselben Muster ablaufen: Eine Disponentin oder ein Disponent sitzt morgens vor dem Bildschirm, klickt Aufträge in eine Reihenfolge, fragt beim Fahrer nach, ob das so passt, ändert nochmal und druckt aus. Das funktioniert — aber es kostet. Studien aus dem deutschen Servicegewerbe gehen davon aus, dass manuell geplante Touren im Durchschnitt sieben bis zwölf Prozent ineffizienter sind als gut optimierte. Bei einer Flotte von zwanzig Fahrzeugen sind das schnell sechsstellige Beträge pro Jahr. KI verspricht hier viel, leistet aber nur dann etwas, wenn die Datengrundlage, die Zeitfenster und die operativen Realitäten sauber abgebildet sind. Dieser Artikel ordnet ein, was funktioniert, wo die Grenzen liegen und wie ein Einstieg ohne Großprojekt gelingt.

Warum Tourenplanung mehr ist als ein Routing-Problem.

Wer Tourenplanung als reines Wegeoptimierungs-Problem betrachtet, unterschätzt die Aufgabe. In der Praxis spielen mindestens sieben Dimensionen gleichzeitig zusammen: die Auftragslage des Tages, die Kapazität jedes Fahrzeugs, die Qualifikation des Fahrers, vereinbarte Zeitfenster mit dem Kunden, Lenk- und Ruhezeiten, Verkehrslage und Wetter — und nicht zuletzt die Sondersituationen, die jede Tour nach wenigen Stunden anders aussehen lassen.

Dieser Strauß an Anforderungen lässt sich mathematisch durchaus formalisieren, wird aber in vielen Mittelständlern dem Bauchgefühl der Disposition überlassen. Das ist nicht schlecht — eine erfahrene Disponentin weiß oft mehr über die örtlichen Gegebenheiten, als jedes Modell jemals lernen wird. Das Problem ist die Skalierung: Mit jeder zusätzlichen Tour, jedem zusätzlichen Fahrzeug, jedem zusätzlichen Auftrag wächst die Komplexität nicht linear, sondern überproportional. Ab einer gewissen Größe wird manuell schlicht nicht mehr optimal.

KI in der Tourenplanung ist deshalb kein Ersatz für Erfahrung, sondern eine Ergänzung. Sie macht die kombinatorische Schwerstarbeit, schlägt eine Reihenfolge vor, kalkuliert Zeitfenster — und überlässt der Disposition die Aufgabe, das Ergebnis zu prüfen, zu korrigieren und mit den operativen Realitäten abzugleichen.

Was klassische Algorithmen leisten — und wo KI darüber hinausgeht.

Tourenplanung gehört zu den am besten erforschten Optimierungsproblemen überhaupt. Klassische Verfahren wie Branch-and-Bound, Savings-Algorithmen oder genetische Algorithmen lösen das Vehicle Routing Problem seit Jahrzehnten und stecken in jedem ernsthaften Dispositionssystem. Für Standardfälle reichen sie aus.

Der Mehrwert von KI — und damit sind hier vor allem maschinelles Lernen und neuere Reinforcement-Learning-Ansätze gemeint — liegt nicht im Wegfinden selbst, sondern in dem, was klassische Verfahren schlecht abbilden: die Berücksichtigung historischer Erfahrungswerte. Wie lange dauert ein Stopp bei diesem Kunden wirklich, nicht laut Plan? Wie staut sich der Verkehr montags um sieben in diesem Stadtteil? Welche Tour wird typischerweise um zwanzig Minuten überzogen, weil der Fahrer einen Kaffee mit dem Kunden trinkt?

Diese weichen Faktoren in die Planung einzuziehen, ist die eigentliche Stärke moderner Systeme. Sie lernen aus Telematik-Daten, aus den realen Ankunfts- und Abfahrtszeiten, aus Wetterhistorien und aus der Frage, welche Touren am Ende des Tages pünktlich abgeschlossen wurden und welche nicht. Aus dieser Lernschleife ergeben sich Planungen, die in der Realität tragfähiger sind als rein algorithmische Lösungen.

Welche Daten Sie wirklich brauchen.

Die häufigste Frage, die in Beratungsprojekten zur Tourenplanung gestellt wird, lautet: Brauchen wir eigentlich Telematik? Die ehrliche Antwort: nicht zwingend, aber sie hilft enorm. Ohne Telematik fehlt die Lernschleife — das System weiß nie, wie lange ein Stopp tatsächlich gedauert hat. Mit Telematik wird aus einer planungsorientierten Software ein lernendes System.

Vier Datenquellen sind die Grundlage:

• Auftragsdaten aus dem ERP oder Auftragssystem: Adresse, Volumen, Gewicht, gewünschtes Zeitfenster, Anforderungen an den Fahrer.
• Stammdaten der Kunden: Anfahrtsregelungen, durchschnittliche Stoppdauer, Besonderheiten — oft das größte Datenqualitätsproblem.
• Fahrzeugdaten: Kapazität, Sondermerkmale (Hebebühne, Kühlung), Lenkzeit-Reststände, Standort am Morgen.
• Bewegungsdaten aus Telematik oder GPS-Tracking: realisierte Ankunfts- und Abfahrtszeiten, gefahrene Strecken, Standzeiten.

Wer hier ehrlich hinschaut, stellt fast immer fest: Die Kundenstammdaten sind das größere Problem als die Bewegungsdaten. Was nutzt die schönste Optimierung, wenn das System nicht weiß, dass bei Kunde Müller die Anfahrt über die Hinterseite des Gebäudes nur zwischen zehn und elf Uhr möglich ist?

Konkrete Effekte: was sich realistisch einsparen lässt.

Die Bandbreite der Einsparungen ist groß und hängt stark vom Ausgangspunkt ab. Drei Größenordnungen sind typisch:

Wichtig ist die ehrliche Einordnung: Die spektakulären Einsparungen werden meist dort erzielt, wo bisher gar nichts optimiert wurde. Wer schon ein gutes System hat, bekommt durch KI keinen Faktor zwei, sondern fünf Prozent — was bei einer Flotte von dreißig Fahrzeugen aber immer noch dem Wert von ein bis zwei Vollzeitstellen entspricht.

Spannender als der reine Streckeneffekt sind oft die Sekundäreffekte: weniger Verspätungen, weniger Stress in der Disposition am Nachmittag, weniger nicht abgearbeitete Aufträge, höhere Termintreue bei Kunden. Diese Effekte sind schwerer zu quantifizieren, in der Wirkung aber häufig größer als die reinen Kilometereinsparungen.

Dynamische Anpassung: was passiert, wenn der Tag schiefläuft.

Eine Tour, die morgens optimal geplant wurde, ist um zehn Uhr bereits Makulatur. Ein Stau auf der A8, ein Kunde, der nicht da ist, eine Reklamation, die einen ungeplanten Stopp erzwingt. Genau hier zeigt sich, wie ernst ein Tourenplanungssystem zu nehmen ist: nicht im morgendlichen Idealfall, sondern in der Mittagsstörung.

Gute Systeme planen nicht einmal pro Tag, sondern reaktiv. Sie nehmen Echtzeit-Informationen aus Telematik und Verkehrslage entgegen, erkennen Abweichungen vom Plan und schlagen Anpassungen vor: einen Stopp tauschen, einen Auftrag auf ein anderes Fahrzeug umlegen, einen späten Termin verschieben. Die Entscheidung fällt in der Disposition oder direkt mit dem Fahrer — die KI liefert die Optionen.

Was dabei häufig unterschätzt wird, ist der Kommunikationsaufwand. Eine dynamische Umplanung muss dem Kunden mitgeteilt werden, dem Fahrer erklärt, im System dokumentiert. Wer hier nur die Mathematik sieht und die Kommunikation vergisst, baut ein System, das auf dem Papier funktioniert und in der Praxis Frust erzeugt. In den besten Implementierungen sind automatisierte Kundenbenachrichtigungen über neue Ankunftszeiten genauso wichtig wie die Optimierung selbst.

Was schiefgeht, wenn man es nicht ernst nimmt.

Die häufigsten Stolpersteine in Tourenplanungs-Projekten sind weder algorithmisch noch technisch — sie sind organisatorisch. Aus der Beratungspraxis ergeben sich vier wiederkehrende Muster, die zum Scheitern führen.

Erstens: Die Disposition wird übergangen. Wenn das System Touren plant, ohne dass die Disponentinnen den Plan ändern können, wird er unterlaufen. Erfahrene Disponenten wissen Dinge, die kein Modell weiß — und werden sich entweder eingebunden fühlen oder das System sabotieren. Es gibt keine dritte Möglichkeit.

Zweitens: Die Fahrer werden nicht mitgenommen. Wer mit der KI plant und den Fahrern die Touren nur noch zuteilt, erntet Widerstand. Eine Tour ist immer auch eine Erfahrungssache, und Fahrer haben gute Gründe, eine Reihenfolge zu ändern. Gute Systeme erlauben Anpassungen vor Ort und lernen aus diesen Anpassungen.

Drittens: Die Datenqualität wird unterschätzt. Falsche Adressen, veraltete Anfahrtsregelungen, unrealistische Stoppdauern — eine schlecht gepflegte Kundenstammdatenbasis erzeugt schlechte Touren, egal wie gut der Algorithmus ist. Viertens: Es wird zu schnell ausgerollt. Eine erfolgreiche Pilotphase mit einem Standort sagt wenig darüber aus, ob das System in einer komplexen Mehrstandort-Logistik funktioniert. Wer hier die Stufen überspringt, riskiert teure Korrekturen.

Kosten, Make-or-Buy und realistische Einführungszeiten.

Der Markt für Tourenplanungssoftware ist groß und ausdifferenziert. Für mittelständische Unternehmen sind drei Optionen relevant: Standardsoftware mit konfigurierbaren Modellen (PTV, ORTEC, Tobit und einige spezialisierte Anbieter), Cloud-Lösungen mit ML-Komponenten (etwa Quentic, Mapon, Logistar) oder maßgeschneiderte Eigenentwicklungen auf Basis offener Optimierungsbibliotheken.

Für die meisten Mittelständler ist die Antwort klar: Standardsoftware. Eigenentwicklungen lohnen sich nur, wenn der Tourenplanungsprozess das Kerngeschäft betrifft und so spezifisch ist, dass kein Standardprodukt passt. Die Kosten für eine ordentliche Einführung liegen typischerweise zwischen 40.000 und 150.000 Euro Investitionskosten plus laufende Lizenzkosten von 80 bis 200 Euro pro Fahrzeug und Monat. Der Return on Investment stellt sich meist innerhalb von zwölf bis achtzehn Monaten ein — wenn die Datengrundlage stimmt.

Die ehrliche Einführungszeit ist länger, als die Anbieter versprechen. Vier bis sechs Monate von der Auswahl bis zum produktiven Echtbetrieb sind realistisch, bei größeren Flotten oder komplexen Auftragsstrukturen auch acht bis zwölf Monate. Wer hier mit drei Monaten plant, plant unrealistisch — und wird in der Hochlaufphase böse überrascht.

Wie ein realistischer Einstieg aussieht.

Ein vernünftiger Einstieg beginnt mit einer ehrlichen Bestandsaufnahme: Wie viele Touren werden täglich geplant, wie viele Aufträge, welche Software ist vorhanden, wie sieht die Datenqualität aus, welche Telematik-Infrastruktur existiert? Diese Diagnose lässt sich in vier bis sechs Wochen erstellen und ist die Grundlage für jede sinnvolle Entscheidung.

Im Anschluss sollte ein klar abgegrenzter Pilot stehen — ein Standort, ein Geschäftsfeld, eine Region. Acht bis sechzehn Wochen, klare Kennzahlen, regelmäßige Reviews. Der Pilot beweist nicht, dass es funktioniert, sondern zeigt, wo die organisatorischen Hürden liegen. Erst danach folgt der Rollout in weitere Standorte oder Geschäftsfelder.

Wer in diese Richtung denkt, sollte sich vor dem Tool-Vergleich zwei Fragen ehrlich beantworten: Wo stehen wir bei der Datenqualität, und wie eng arbeitet die Disposition tatsächlich mit den Fahrern zusammen? Beides ist wichtiger als die Algorithmenwahl. Wer hier Klarheit hat, findet auch das passende System — und vermeidet die typischen Stolperfallen, an denen Projekte scheitern. Ein strukturierter Audit der Anwendungsfälle kann hier helfen, die richtige Priorität zu finden, bevor Tool-Entscheidungen fallen.

Sie wollen prüfen, was sich in Ihrer Tourenplanung realistisch durch KI verbessern lässt? Unverbindlich anfragen — wir schauen gemeinsam auf Aufträge, Datenqualität und die Rolle der Disposition und priorisieren einen sinnvollen ersten Schritt.