Das Grundproblem der Tourenoptimierung ist älter als das Internet. Bereits 1959 beschrieben George Dantzig und John Ramser ein mathematisches Verfahren zur optimalen Einsatzplanung einer Flotte von Tankfahrzeugen. 1964 folgte mit dem Savings-Verfahren von Clarke und Wright eine Heuristik, deren Grundidee bis heute bekannt ist: Zunächst werden einfache Einzeltouren gebildet und anschließend dort zusammengeführt, wo sich die größten Einsparungen ergeben.
Tourenoptimierung war damit schon ein wissenschaftliches Thema, als Computer noch ganze Räume füllten. Seit Jahrzehnten unterstützt Software Unternehmen dabei, Aufträge Fahrzeugen zuzuordnen und Stopps sinnvoll anzuordnen. Bereits Anfang der 1990er-Jahre beschäftigte sich die Forschung intensiv mit computergestützten Routingmodellen sowie exakten und näherungsweisen Optimierungsverfahren.
Die Frage lautet daher: Wenn Tourenoptimierung seit Jahrzehnten existiert, was unterscheidet moderne KI in der Tourenplanung eigentlich von den klassischen Verfahren?
Die naheliegende Antwort: Früher waren es Algorithmen, heute ist es künstliche Intelligenz. Diese Einordnung greift jedoch zu kurz. Auch klassische Verfahren können hochkomplex sein. Umgekehrt wird ein Algorithmus nicht automatisch intelligent, nur weil er Zufallszahlen verwendet oder mit dem Etikett „KI“ beworben wird. Der eigentliche Unterschied liegt weniger im Alter eines Verfahrens als vielmehr darin, wie ein System zu einer Lösung gelangt.
Klassische Tourenplanung: Ein festgelegtes Verfahren berechnet einen Plan
Frühe Verfahren der Tourenplanung mussten vor allem mit begrenzter Rechenleistung auskommen. Deshalb folgten sie meist klar definierten Konstruktions- und Entscheidungsregeln. Ein typisches Verfahren konnte beispielsweise:
- mit Einzeltouren beginnen,
- mögliche Zusammenlegungen berechnen,
- die jeweils größte Einsparung auswählen,
- prüfen, ob die Kapazität noch ausreicht,
- den Vorgang wiederholen.
Solche Heuristiken waren und sind nützlich. Sie erzeugen schnell brauchbare Ergebnisse und sind häufig gut nachvollziehbar. Der Weg zur Lösung ist jedoch weitgehend durch den Entwickler vorgegeben. Das Verfahren prüft definierte Veränderungen nach einer festgelegten Logik und entscheidet anhand festgelegter Kriterien, welche davon übernommen werden.
Daneben entstanden exakte mathematische Verfahren und später leistungsfähige Constraint Solver. Sie bilden Variablen, Bedingungen und Zielsetzungen formal ab und versuchen, eine optimale oder zumindest nachweisbar gute Lösung zu finden. Auch das ist anspruchsvolle Optimierung. Die Frage, ob ein Planungssystem als KI einzuordnen ist, beantwortet jedoch weder das Alter noch die mathematische Präzision eines Verfahrens.
Moderne Tourenplanung: Wenn die Suche selbst intelligent wird
Mit Metaheuristiken, populationsbasierten Verfahren sowie später hybriden und adaptiven Suchstrategien begann in den 1990er- und 2000er-Jahren ein deutlicher Entwicklungsschritt. Fred Glover stellte 1989 mit Tabu Search eine Metaheuristik vor, die den Suchprozess mithilfe eines adaptiven Gedächtnisses steuert und bereits untersuchte Lösungsbereiche zeitweise ausschließt. Dadurch können lokale Optima gezielt verlassen und neue Suchräume erschlossen werden. 1994 zeigte TABUROUTE, wie sich dieses Verfahren auf das Vehicle Routing Problem anwenden lässt und dabei sogar zwischenzeitlich unzulässige Lösungen untersucht, um am Ende bessere Touren zu finden.
Der entscheidende Perspektivwechsel lautet:
Die Software arbeitet nicht mehr nur eine festgelegte Folge vermeintlich guter Entscheidungen ab. Sie bewertet die Auswirkungen ihrer bisherigen Entscheidungen und steuert auf dieser Grundlage die weitere Suche.
Manche Veränderungen verbessern den Plan unmittelbar und werden übernommen. Andere gute Strukturen bleiben erhalten. Wieder andere werden bewusst aufgelöst, damit das System nicht in einer lediglich lokal guten Lösung stecken bleibt. In den 2000er-Jahren wurden diese Ansätze zunehmend miteinander kombiniert. Hybride genetische Verfahren verbanden populationsbasierte Suche mit lokaler Verbesserung. Adaptive Large Neighborhood Search setzte mehrere konkurrierende Veränderungsstrategien ein und passte deren Einsatz an ihren bisherigen Erfolg im Suchverlauf an. Stefan Ropke und David Pisinger zeigten 2006, dass die adaptive Auswahl mehrerer konkurrierender Teilheuristiken bessere Ergebnisse liefern kann als der Einsatz eines einzelnen Verfahrens.
Hier verläuft die sinnvollste Trennlinie zwischen klassischer Automatisierung und intelligenter Optimierung:
- Klassische Automatisierung:Der Entwickler legt fest, welchen Lösungsweg das System abarbeitet.
- Intelligente Optimierung:Der Entwickler definiert Regeln, Ziele und mögliche Suchoperationen. Das System entscheidet während der Optimierung selbst, welche Lösungswege erfolgversprechend sind.
Die Grenzen sind jedoch fließend. Moderne Planungssysteme kombinieren deterministische Regeln, mathematische Solver, klassische Heuristiken, stochastische Suche und adaptive Komponenten. Entscheidend ist das Verhalten des Gesamtsystems – nicht das Etikett eines einzelnen Algorithmus.
Wie intelligente Tourenplanung die Arbeitsweise von Disponenten nachbildet
Ein erfahrener Disponent berechnet nicht alle denkbaren Touren. Er entwickelt Hypothesen. Er beginnt mit einer plausiblen Aufteilung und verändert sie:
- Was passiert, wenn dieser Auftrag auf eine andere Tour kommt?
- Lässt sich die Reihenfolge verändern?
- Kann ein Fahrzeug eingespart werden?
- Entsteht dadurch an anderer Stelle eine Verspätung?
- Ist die Lösung rechnerisch günstiger, aber im Betrieb zu instabil?
Gute Strukturen bleiben bestehen, andere werden verworfen. Gelegentlich löst der Planer eine bereits brauchbare Lösung bewusst wieder teilweise auf, um eine bessere Gesamtstruktur zu finden. Intelligente Tourenplanung überträgt dieses Grundprinzip in einen systematischen Suchprozess: ausprobieren, bewerten, beibehalten, verwerfen und neu kombinieren.
Das System denkt nicht wie ein Mensch. Es besitzt weder Bauchgefühl noch Kenntnis von Kundenbeziehungen, solange diese nicht in Daten, Regeln oder Bewertungsfunktionen abgebildet sind. Es kann dieses planerische Vorgehen jedoch auf deutlich mehr Alternativen anwenden, als ein Mensch manuell untersuchen könnte. Genau darin unterscheidet sich intelligente Tourenplanung von einem bloßen Rechenautomatismus. Das Ergebnis entsteht aus einem Such- und Bewertungsprozess und ist nicht vollständig vorgegeben.
Warum intelligente Tourenplanung überhaupt notwendig ist
Bei 50 Stopps und vier Fahrzeugen ergeben sich bereits in einem stark vereinfachten Modell rund 7,1 × 10⁶⁸ mögliche Zuordnungen und Reihenfolgen. Zeitfenster, Kapazitäten, Fahrzeugqualifikationen, Arbeitszeiten, Pausen, Kundenprioritäten und Kosten sind dabei noch nicht einmal berücksichtigt. Ein vollständiges Durchprobieren aller Möglichkeiten ist ausgeschlossen. Die Optimierung muss daher entscheiden, welche Bereiche dieses riesigen Lösungsraums überhaupt untersucht werden. Dabei darf sie sich nicht zu früh festlegen. Ein zunächst sinnvoller Schritt kann später in eine Sackgasse führen. Umgekehrt kann eine kurzfristig schlechter bewertete Veränderung den Weg zu einer deutlich besseren Gesamtlösung eröffnen.
Deshalb kombinieren moderne Optimierungssysteme verschiedene Suchstrategien:
- gezielte und weitgehend reproduzierbare Verbesserung,
- bewusste Variation von Lösungsstrukturen,
- parallele Untersuchung unterschiedlicher Lösungsansätze,
- teilweises Auflösen bestehender Touren,
- erneuter Aufbau mit anderen Zuordnungen,
- Bewertung anhand mehrerer logistischen Ziele.
Welche Verfahren dabei in welcher Phase zum Einsatz kommen, ist Teil der technologischen Umsetzung. Für den Anwender ist entscheidend, dass das System nicht lediglich eine starre Abfolge von Regeln abarbeitet, sondern unterschiedliche Lösungswege untersucht und bewertet.
Nichtdeterminismus: kein Mangel, sondern Absicht
Ein intelligenter Suchprozess kann bewusst stochastische Elemente enthalten. Das bedeutet: Derselbe Planungsfall muss bei zwei Optimierungsläufen nicht zwangsläufig dieselbe Tourenstruktur hervorbringen. Für klassische Unternehmenssoftware wirkt das zunächst ungewohnt. Dort gilt meist ein einfaches Prinzip: gleiche Eingabe, gleiche Ausgabe. Bei der Tourenplanung kann genau diese Erwartung jedoch problematisch sein. Oft gibt es nicht nur eine einzige gute Lösung. Mehrere Planungen können dieselben fachlichen Anforderungen erfüllen und wirtschaftlich nahezu gleichwertig sein, sich aber in ihren betrieblichen Eigenschaften unterscheiden:
- eine geringere Gesamtstrecke,
- ein Fahrzeug weniger,
- gleichmäßigere Arbeitszeiten,
- mehr Reserve bei kritischen Zeitfenstern,
- eine stabilere Tourenstruktur.
Unterschiedliche Suchläufe können solche Alternativen erschließen. Die Variation betrifft dabei den Lösungsweg – nicht die Verbindlichkeit der fachlichen Anforderungen.
Variabel ist der Weg zur Lösung, nicht die Gültigkeit der Regeln.
Nichtdeterminismus allein ist allerdings noch kein Beleg für Intelligenz. Auch ein zufälliger Würfelwurf wäre nicht intelligent. Entscheidend ist die systematische Bewertung: Das System erkennt, welche Veränderungen zielführend waren, welche Strukturen erfolgversprechend sind und an welchen Stellen sich eine weitere Suche lohnt.
Was heute KI in der Tourenplanung ist
Die KI-Leistung moderner Tourenplanung beginnt lange vor einem Chatbot. Sie zeigt sich darin, dass ein Planungssystem:
- aus Aufträgen, Ressourcen, Restriktionen und Zielen eigenständig Tourenvorschläge ableitet,
- alternative Planungsstrukturen erzeugt und untersucht,
- die Qualität von Veränderungen bewertet,
- seinen Suchprozess anhand bisheriger Ergebnisse steuert,
- gute Teillösungen beibehält und andere gezielt neu aufbaut,
- unterschiedliche Optimierungsstrategien für verschiedene Teilaufgaben kombiniert,
- mehrere hochwertige Lösungsvarianten erzeugt statt nur eines festgelegten Ergebnisses,
- bewährte Planungsergebnisse als Ausgangspunkt neuer Optimierungen nutzt.
Dabei bedeutet „Lernen“ nicht zwangsläufig das Training eines neuronalen Netzes. Gemeint ist vielmehr, dass das System seinen Suchprozess adaptiv an den Ergebnissen der laufenden Optimierung ausrichtet und erfolgversprechende Suchstrategien gezielt weiterverfolgt. Dieses Verständnis deckt sich mit der Definition der OECD. Sie beschreibt ein KI-System als maschinenbasiertes System, das aus seinen Eingaben für explizite oder implizite Ziele Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen ableitet. Die Definition ist ausdrücklich nicht auf Sprachmodelle oder neuronale Netze beschränkt, sondern umfasst wissensbasierte Ansätze und intelligente Entscheidungsunterstützung. Evolutionäre Verfahren und populationsbasierte Optimierungsverfahren werden seit vielen Jahren der Computational Intelligence zugeordnet. Viele adaptive Metaheuristiken bauen auf denselben Grundprinzipien adaptiver Suche und intelligenter Optimierung auf. Der Begriff Künstliche Intelligenz umfasst damit deutlich mehr als neuronale Netze oder Sprachmodelle.
Jedes KI-System besteht letztlich aus Algorithmen. Die eigentliche Frage ist daher nicht, ob ein System Algorithmen verwendet, sondern wie es ein komplexes Entscheidungsproblem löst. Erzeugt und bewertet es eigenständig Lösungsalternativen oder arbeitet es lediglich einen vorgegebenen Rechenweg ab?
Die zweite KI-Ebene: Warum wirkt ein guter Tourenplan manchmal falsch?
Selbst ein fachlich guter Tourenplan kann auf den ersten Blick unplausibel wirken. Ein Fahrzeug fährt scheinbar an einem Kunden vorbei. Zwei nahe beieinanderliegende Aufträge werden unterschiedlichen Touren zugeordnet. Eine Variante weist mehr Kilometer auf und wird dennoch besser bewertet. Eine Tour hat noch freie Kapazität, während ein anderes Fahrzeug stark ausgelastet ist. Die naheliegende Reaktion lautet: Das kann nicht optimal sein.
Doch die Karte zeigt immer nur einen Ausschnitt der Gesamtentscheidung. Die Ursache kann in einem späteren Zeitfenster, einer Fahrzeugqualifikation, einer Pausenregel, der Beladungsreihenfolge oder den Auswirkungen auf alle übrigen Touren liegen. Bisher mussten erfahrene Disponenten solche Zusammenhänge selbst rekonstruieren. Klassische Planungssysteme zeigten Kennzahlen und Restriktionen, erklärten jedoch nicht, warum eine bestimmte Entscheidung getroffen wurde. Hier eröffnet generative KI eine zweite Form der Intelligenz: die interpretative KI.
Sie kann auf Grundlage strukturierter Planungsergebnisse erklären,
- welche Restriktionen eine ungewöhnliche Zuordnung verursacht haben,
- warum eine räumlich naheliegende Alternative insgesamt schlechter wäre,
- welche Aufträge den Einsatz eines zusätzlichen Fahrzeugs auslösen,
- warum eine Tour trotz längerer Strecke wirtschaftlicher bewertet wird,
- ob eine Auffälligkeit tatsächlich auf einen Planungsfehler oder lediglich auf eine unvollständige Betrachtung hindeutet.
Das ist mehr als eine verständlich formulierte Kennzahlentabelle. Die KI hilft, lokale Beobachtungen mit ihren Auswirkungen auf den Gesamtplan zu verknüpfen. Voraussetzung ist allerdings, dass diese Erklärungen auf den tatsächlichen Planungsdaten, Restriktionen, Varianten und Bewertungen basieren. Die spezialisierte Optimierung erzeugt das Ergebnis, das Sprachmodell macht dessen Zusammenhänge verständlicher.
Der Disponent wird nicht ersetzt – aber seine Rolle verändert sich
Intelligente Optimierung übernimmt die systematische Suche. Interpretative KI unterstützt dabei, die Ergebnisse zu verstehen. Die operative Entscheidung bleibt Aufgabe des Menschen. Der Disponent bringt Informationen ein, die sich nicht immer vollständig modellieren lassen:
- Erfahrungen mit einzelnen Kunden,
- aktuelle betriebliche Prioritäten,
- informelle Absprachen,
- erwartbare Probleme an bestimmten Standorten,
- bewusst akzeptierte Abweichungen vom rechnerischen Optimum.
Die Entwicklung lautet daher nicht „Mensch oder KI“, sondern: Die Software untersucht mehr Lösungsalternativen. Der Mensch kann sich stärker auf deren Bewertung konzentrieren.
Je besser das System seine Vorschläge erläutert, desto weniger muss der Disponent die Berechnung blind akzeptieren. Stattdessen kann er schneller erkennen, ob eine ungewöhnliche Lösung fachlich sinnvoll oder tatsächlich problematisch ist.
LLM-Agenten sind der nächste Schritt – nicht der Beginn der KI
Sprachmodelle erweitern die Tourenplanung künftig um eine dritte Ebene: die Orchestrierung.
Ein Disponent könnte beispielsweise formulieren: Erkläre, warum heute ein zusätzliches Fahrzeug benötigt wird. Erzeuge anschließend eine Alternative mit maximal 30 Minuten zusätzlicher Fahrzeit und zeige mir die betroffenen Lieferzeitfenster.
Ein Softwareagent kann daraufhin kontrolliert auf spezialisierte Funktionen zugreifen: Planung abrufen, Optimierung starten, Routing berechnen, Varianten vergleichen und Ergebnisse erläutern. Bevor eine operative Änderung erfolgt, fordert er eine Freigabe an. Der Agent optimiert die Touren nicht selbst. Er verbindet spezialisierte Fachfunktionen zu einem durchgängigen Ablauf.
Dieser Ausblick ist wichtig, sollte den Blick auf die Gegenwart jedoch nicht verstellen. Die intelligente Leistung beginnt bereits beim Erzeugen, Bewerten und Weiterentwickeln von Touren. Das LLM macht diese Fähigkeiten dialogfähig und perspektivisch steuerbar.
Der wirkliche Unterschied zwischen früher und heute
Tourenplanungssoftware berechnet seit Jahrzehnten sinnvolle Touren. Die damaligen Verfahren waren weder primitiv noch überholt. Viele ihrer Prinzipien finden sich bis heute in modernen Planungssystemen. Neu ist, wie tief die Systeme heute in den Lösungsprozess eingreifen.
Früher lautete die zentrale Frage: Welches festgelegte Verfahren liefert schnell eine brauchbare Tour
Heute lautet sie: Wie kombiniert ein System verschiedene Suchstrategien, bewertet deren Ergebnisse, verlässt wenig erfolgversprechende Lösungswege, nutzt Planungserfahrung und macht seine Entscheidungen nachvollziehbar?
Darin liegt der eigentliche Entwicklungssprung. KI in der Tourenplanung beginnt nicht dort, wo ein Chatfenster erscheint. Sie beginnt dort, wo Software innerhalb klar definierter logistischer Regeln selbstständig Lösungsalternativen entwickelt, bewertet, verwirft, verbessert und daraus Empfehlungen ableitet. Generative KI ergänzt diese Optimierungsintelligenz um eine Fähigkeit, die lange gefehlt hat: Sie erklärt, warum ein Tourenplan anders aussieht, als ein Mensch zunächst erwartet.
Tourenplanungssoftware für die Logistik
Bilder: Shutterstock, ChatGPT
