Ein Fahrzeug, das leer zum nächsten Einsatz fährt, kostet genauso viel wie eines mit Passagier an Bord. Der Unterschied ist, dass die leere Fahrt in keiner Rechnung auftaucht, die ein Auftraggeber je zu sehen bekommt.
Genau diese unsichtbaren Kosten sind das eigentliche Ziel der KI-gestützten Disposition, mehr als das oft zitierte Versprechen kürzerer Wartezeiten. Wie Technologie die Flottensteuerung insgesamt verändert, haben wir im Beitrag zur KI-gestützten Flottensteuerung bereits im Überblick dargestellt. Was dort offenblieb, ist die eigentliche Mechanik: Was rechnet ein solches System tatsächlich, und wo hört seine Zuständigkeit auf.
Wie ein Echtzeit-Dispositionssystem tatsächlich rechnet
Im Kern löst ein Dispositionsalgorithmus ein Zuordnungsproblem, ständig neu. Für jede eingehende Anfrage prüft er, welches verfügbare Fahrzeug den geringsten Gesamtaufwand verursacht, gemessen nicht nur an der Distanz zum Kunden, sondern an der Anschlussfähigkeit an den nächsten wahrscheinlichen Auftrag.
Diese Anschlussfähigkeit ist der eigentliche Unterschied zu einer einfachen Distanzberechnung. Ein Fahrzeug, das dem Kunden am nächsten steht, ist nicht zwingend die beste Wahl, wenn es danach zwanzig Minuten leer zurückfahren muss, während ein etwas weiter entferntes Fahrzeug nahtlos in den nächsten Auftrag übergehen kann. Gute Systeme rechnen diese Kette mehrere Schritte voraus, nicht nur den nächsten.
Ein konkretes Beispiel verdeutlicht den Unterschied: Bei einer einfachen Distanzzuordnung würde ein System stets das nächstgelegene Fahrzeug wählen, selbst wenn dieses direkt danach zwanzig Minuten leer zurückfahren muss. Eine kettenfähige Zuordnung wählt stattdessen ein Fahrzeug, das drei Minuten weiter entfernt steht, dafür aber nahtlos in den nächsten bereits bekannten Auftrag übergeht, und legt unter dem Strich die kürzere Gesamtstrecke zurück.
Die Datenqualität entscheidet, nicht der Algorithmus
Der am meisten überschätzte Faktor ist der Algorithmus selbst. Der am meisten unterschätzte ist die Qualität der Daten, mit denen er arbeitet. Ein Modell, das auf ungenauen Ankunftszeiten oder veralteten Verkehrsdaten trainiert ist, produziert präzise wirkende, aber falsche Empfehlungen.
Drei Datenquellen entscheiden über die tatsächliche Ersparnis: historische Fahrtmuster über mindestens zwölf Monate, um saisonale Effekte abzubilden, Echtzeitverkehrsdaten mit ausreichender Aktualisierungsfrequenz, und, oft vernachlässigt, die tatsächliche Stornoquote nach Kalendertyp. Ein Anbieter, der nur mit den ersten beiden arbeitet, optimiert auf eine unvollständige Realität.
Ein Modell, das ausschliesslich auf den letzten drei Monaten trainiert wird, unterschätzt saisonale Spitzen wie das Jahresende oder grosse Kongresswochen systematisch, weil es sie in seiner kurzen Historie nie gesehen hat. Erst eine Datenbasis über mindestens einen vollständigen Jahreszyklus bildet solche wiederkehrenden Muster zuverlässig ab.
Ein weiterer, oft übersehener Datenpunkt betrifft die Qualität der Adressinformationen selbst. Ein Dispositionssystem, das mit ungenauen oder veralteten Zieladressen arbeitet, etwa einem Firmensitz, der in der Datenbank noch auf die alte Adresse verweist, produziert Routenempfehlungen, die auf dem Papier optimal wirken, in der Realität aber zu unnötigen Umwegen führen. Diese Fehlerquelle lässt sich technisch leicht beheben, wird in der Praxis aber häufig vernachlässigt, weil sie im laufenden Betrieb kaum auffällt, jede einzelne Fahrt für sich betrachtet nur wenige Minuten Mehraufwand verursacht.
Über eine grössere Flotte und einen längeren Zeitraum summiert sich dieser scheinbar kleine Effekt jedoch zu einem messbaren Anteil an unnötigen Kilometern. Ein regelmässiger, mindestens vierteljährlicher Abgleich der hinterlegten Zieladressen mit den tatsächlich angefahrenen Standorten gehört daher in jedes gut geführte Dispositionssystem, auch wenn er auf den ersten Blick wie eine reine Verwaltungsaufgabe wirkt und selten in der ursprünglichen Systemeinführung als eigener Arbeitsschritt vorgesehen ist.
Was die Umstellung für die Flottengrösse bedeutet
Eine spürbare Reduktion der Leerkilometer verändert nicht nur die Betriebskosten, sie verändert auch, wie viele Fahrzeuge ein Anbieter für dieselbe Auftragslast tatsächlich braucht. Wer weniger leer fährt, deckt mit derselben Flotte mehr echte Fahrten ab, ein Effekt, der direkt in die im Beitrag zur Flottenstrategie beschriebene Portfoliologik einfliesst.
Für einen Auftraggeber mit eigenem Fahrzeugbestand bedeutet das konkret: Eine bessere Disposition kann eine geplante Flottenerweiterung teilweise oder vollständig ersetzen. Dieser Effekt lässt sich allerdings erst nach sechs bis zwölf Betriebsmonaten zuverlässig messen, weil sich saisonale Nutzungsmuster erst über diesen Zeitraum stabilisieren und ein verfrühter Rückschluss in beide Richtungen in die Irre führen kann.
Grenzen: was Software nicht lösen kann
Ein Algorithmus kennt keine Müdigkeit. Er kennt keine gesetzlichen Ruhezeiten, ausser sie werden ihm explizit als harte Nebenbedingung einprogrammiert. Genau hier liegt das grösste operative Risiko einer zu aggressiv optimierten Disposition: Ein System, das ausschliesslich auf Auslastung trainiert ist, schlägt im Zweifel eine Zuteilung vor, die einen Fahrer über die zulässige Lenkzeit hinaus einsetzt.
Seriöse Systeme bauen die Vorschriften der Arbeits- und Ruhezeitverordnung als unverhandelbare Grenze ein, nicht als Optimierungsvariable. Ein Auftraggeber sollte sich das explizit bestätigen lassen, nicht als Marketingaussage, sondern als technische Spezifikation im Vertrag.
Die Einführungsphase: warum die ersten drei Monate über den Erfolg entscheiden
Ein Dispositionssystem, das theoretisch alle richtigen Berechnungen durchführt, liefert in der Praxis oft schlechtere Ergebnisse als erwartet, wenn die Einführungsphase unterschätzt wird. Der Grund liegt selten am Algorithmus selbst, sondern an der Diskrepanz zwischen den historischen Daten, mit denen das Modell trainiert wurde, und der tatsächlichen operativen Realität eines neuen Betreibers.
In den ersten Wochen nach der Einführung produziert ein System typischerweise noch spürbar suboptimale Zuordnungen, weil es die spezifischen Muster der jeweiligen Flotte, etwa die tatsächliche Reaktionszeit einzelner Fahrer oder lokale Verkehrsbesonderheiten an bestimmten Wochentagen, noch nicht ausreichend gelernt hat. Anbieter, die diese Übergangsphase transparent kommunizieren, statt von Tag eins an maximale Effizienz zu versprechen, schaffen realistischere Erwartungen auf beiden Seiten.
Eine bewährte Praxis besteht darin, in den ersten acht bis zwölf Wochen einen erfahrenen Disponenten parallel zum System mitlaufen zu lassen, mit der ausdrücklichen Befugnis, algorithmische Vorschläge zu korrigieren. Jede manuelle Korrektur liefert dem System zusätzliche Trainingsdaten und beschleunigt die Anpassung an die konkrete Betriebsrealität erheblich, verglichen mit einem rein automatisierten Rollout ohne menschliche Kontrollinstanz in dieser sensiblen Anfangsphase.
Ein Auftraggeber sollte diese Einführungsphase explizit im Vertrag verankern, inklusive eines definierten Zeitpunkts, ab dem die volle vertraglich zugesicherte Effizienzsteigerung tatsächlich eingefordert werden kann. Ein Anbieter, der sich weigert, eine solche Übergangsfrist einzuräumen, signalisiert damit häufig, dass sein System weniger ausgereift ist, als es in der Verkaufspräsentation den Anschein hatte.
Was ein Auftraggeber von seinem Anbieter verlangen sollte
Vier Fragen trennen ein System, das tatsächlich spart, von einem, das nur so aussieht.
Wie viele Schritte plant das System voraus. Ein reiner Einzelzuordnungsalgorithmus ohne Kettenlogik lässt einen relevanten Teil des Sparpotenzials liegen.
Welche Datenhistorie liegt dem Modell zugrunde, und wie oft wird sie aktualisiert. Ein statisches Modell verliert innerhalb weniger Monate an Präzision.
Sind gesetzliche Ruhezeiten hart programmiert oder nur als Empfehlung hinterlegt. Diese Frage entscheidet über ein reales Haftungsrisiko, nicht nur über Effizienz.
Wird die Entscheidung, ob eine solche Investition intern aufgebaut oder extern bezogen wird, überhaupt sauber gerechnet. Diese Abwägung folgt derselben Logik, die wir in der Make-or-Buy-Analyse für Fahrdienste für die Flotte insgesamt hergeleitet haben, angewendet auf die Dispositionssoftware selbst.
Der Effekt einer gut kalibrierten Echtzeitdisposition liegt nach Erfahrungswerten vergleichbarer europäischer Flotten bei 10 bis 20 Prozent weniger Leerkilometern. Das ist kein technologisches Wunder. Es ist das Ergebnis, wenn ein Optimierungsproblem tatsächlich vollständig und mit sauberen Daten gerechnet wird, statt nur teilweise.