Atoll

Kurzfazit

Atoll ist im europäischen Mobilfunk-Engineering das, was Microsoft Excel für Controller ist: alternativlos, gut beherrscht, ein bisschen in die Jahre gekommen. Es liefert die belastbarste verfügbare RF-Simulation für 2G bis 5G NR, von einfacher Outdoor-Abdeckung bis zu mmWave-Beamforming. KI steckt im Tool selbst kaum, die integrierten Optimierungsalgorithmen sind klassische Heuristiken, keine Lernmodelle. Genau deshalb ist Atoll für KI-Projekte trotzdem zentral: Es liefert die physikalisch korrekte Ausbreitungs- und Kapazitätsgrundlage, auf der ML-Modelle für Standort- und Nachfrageoptimierung erst sinnvoll aufsetzen können. Ohne Atoll (oder ein vergleichbares RF-Tool wie Cellular Expert oder Planet von Infovista) fehlt der ML-Pipeline der Boden.

Für wen ist Atoll?

Mobilfunk-Netzbetreiber: Pflichtwerkzeug für jeden MNO, der ernsthaft 5G ausrollt. Atoll ist der Industriestandard für Coverage-Prognose, Interferenzanalyse und Kapazitätsplanung. Deutsche Telekom, Vodafone und O2/Telefónica nutzen Atoll oder vergleichbare Tools, alle internen RF-Planungsprozesse sind darauf zugeschnitten.

Infrastrukturgesellschaften (TowerCos): Wer als Vantage Towers, Cellnex oder DFMG Standorte für mehrere Mieter plant, braucht Multi-Tenant-RF-Simulation mit präziser Interferenzanalyse. Atoll liefert das mit konfigurierbaren Sharing-Szenarien und Antennenparametrierung pro Mieter.

Ingenieurbüros und Beratungen mit Telekom-Fokus: Externe RF-Planungsdienstleister, die für Stadtwerke, regionale Carrier oder Behörden arbeiten, brauchen Atoll als Eintrittskarte ins Geschäft. Ohne zertifizierte Atoll-Erfahrung sind viele MNO-Ausschreibungen nicht zu gewinnen.

ML- und Data-Science-Teams in Telekom-Konzernen: Hier ist Atoll Zulieferer, nicht Hauptwerkzeug. Atoll-Simulationen werden über die Skripting-Schnittstelle in Python/Databricks-Pipelines exportiert und dort mit OSS-KPIs, Verkehrsprognosen und Crowdsource-Daten zu ML-Modellen für Standortpriorisierung verarbeitet.

Forschung und Lehre: Universitäten und Forschungseinrichtungen mit Schwerpunkt Mobilfunk (z. B. Fraunhofer HHI, TU München, TU Dresden) nutzen Atoll für 5G/6G-Forschungsprojekte. Forsk bietet vergünstigte Academic Licenses.

Weniger geeignet für: Campus-WLAN-Planer (Ekahau ist passender), Stadtwerke ohne eigenes RF-Team (Beratung outsourcen statt selbst lizenzieren), Start-ups in Private-5G-Nischen ohne fünfstelliges Lizenzbudget und alle, die eine moderne Web-Oberfläche mit Echtzeit-Kollaboration erwarten.

Preise im Detail

Plan	Preis	Was du bekommst
Base License	ca. 30.000 EUR/Arbeitsplatz/Jahr	RF-Planung für eine Technologie (z. B. nur LTE oder nur 5G NR), Standard-Propagationsmodelle
Multi-RAT	50.000–80.000 EUR/Arbeitsplatz/Jahr	Alle Technologien (2G bis 5G NR), erweiterte Module (In-Building, Microwave, Live)
Floating Licenses	individuell	Pool-Lizenzen für Teams mit wechselnden Nutzern
Academic License	vergünstigt auf Anfrage	Forschung und Lehre, eingeschränkte kommerzielle Nutzung

Einordnung: Forsk veröffentlicht keine offiziellen Preise, jeder Kunde verhandelt individuell, und die tatsächlichen Kosten hängen stark von Modulen, Anzahl Sitze und Wartungsvertrag ab. Die genannten Spannen stammen aus Branchenangaben und Erfahrungswerten europäischer MNO-Ausschreibungen. Wer weniger als 500 aktive Standorte plant oder kein dediziertes RF-Team hat, sollte ernsthaft prüfen, ob ein externer Planungsdienstleister mit eigener Atoll-Lizenz die wirtschaftlichere Option ist. Für große MNOs ist die Lizenz im Vergleich zu den Standortinvestitionen (ein einzelner 5G-Standort kostet leicht 100.000–250.000 EUR Capex) ohnehin vernachlässigbar.

Stärken im Detail

Marktstandard mit Netzwerkeffekt. Über 10.000 aktive Lizenzen weltweit, 500+ Kunden in 140+ Ländern, Atoll ist im europäischen Mobilfunk faktisch alternativlos. Das bedeutet: Zertifizierte Planer sind verfügbar, Datenformate sind standardisiert, andere Tools (z. B. ML-Pipelines, OSS-Systeme) bringen Atoll-Schnittstellen ab Werk mit.

Vollständige Multi-RAT-Abdeckung. GSM, UMTS, LTE, 5G NR (Sub-6 und mmWave), NB-IoT, WLAN, alles in einem Tool, mit konsistenter Datenbasis. Wer früher mehrere Spezialwerkzeuge brauchte (eines für 4G, eines für 5G, eines für IoT), spart sich die Datenredundanz und Inkonsistenzen.

Live-Modul für datengetriebene Planung. Das Live-Modul integriert echte Netzdaten direkt in die Planung: OSS-KPIs aus Ericsson OSS-RC, Nokia NetAct oder Huawei U2020, UE-Traces, Drive-Test-Messungen und Crowdsource-Daten von Anbietern wie Tutela oder OpenSignal. Damit wird aus der theoretischen Simulation eine kalibrierte Vorhersage, die Basis jeder seriösen ML-Pipeline.

Massive MIMO und 3D-Beamforming nativ unterstützt. 5G NR ist nicht mehr nur ein Frequenz-Upgrade, sondern ein anderes Antennen-Paradigma. Atoll modelliert 3D-Strahlformung, beamspezifische Coverage und Interferenz zwischen Beams realistisch, das schaffen viele klassische Planungstools schlicht nicht.

Optimierungsalgorithmen ACP und AFP. Automatic Cell Planning optimiert Antennenparameter (Tilt, Azimut, Sendeleistung) gegen Coverage- und Kapazitätsziele. Automatic Frequency Planning minimiert Interferenz im verfügbaren Spektrum. Beides sind klassische Heuristiken, keine ML, aber für die Aufgabe absolut ausreichend und in der Praxis bewährt.

Skripting-Schnittstelle als ML-Brücke. Über die integrierte Task-Automation lassen sich Atoll-Berechnungen aus Python-Skripten heraus triggern und Ergebnisse als CSV oder direkt in Datenbanken exportieren. Damit wird Atoll zum Simulationsbackend für ML-Pipelines, die in Databricks oder Snowflake laufen.

Schwächen ehrlich betrachtet

Atoll ist keine KI-Software. Die im Tool integrierten Optimierungsalgorithmen sind klassische Heuristiken (genetische Algorithmen, Simulated Annealing), keine Lernmodelle. Wer von Vendor-Marketing erwartet, dass Atoll “KI-basierte Standortempfehlungen” liefert, wird enttäuscht. Für echte ML, Nachfrageprognosen, Abwanderungsmodelle, Crowdsource-Pattern-Recognition, muss man Atoll-Daten in eigene Pipelines exportieren.

Steile Lernkurve. Atoll ist kein Werkzeug, das man am Wochenende lernt. Eine Einarbeitung dauert für erfahrene RF-Ingenieure mehrere Wochen, für Quereinsteiger Monate. Forsk und einige Schulungsanbieter (z. B. INWIT Academy, externe Berater) bieten Zertifizierungen, die kosten extra und sind faktisch Voraussetzung für seriöse Arbeit.

Keine moderne UI, keine Cloud-native Architektur. Atoll fühlt sich an wie Software aus den 2000er Jahren: dichte Toolbars, modale Dialoge, Windows-zentrische Bedienung. Eine echte Web-Oberfläche, Echtzeit-Kollaboration mehrerer Planer am gleichen Projekt oder Cloud-native Skalierung fehlen. In Zeiten von Figma und Notion wirkt das alt.

Geodaten muss man selbst beschaffen. Atoll bringt keine integrierten Karten, Gelände- oder Gebäudedaten mit. Für jedes Projekt müssen DGM (Digitales Geländemodell, in Deutschland kostenfrei über die Landesvermessungsämter), 3D-Gebäudemodelle (z. B. LoD2 von BKG) und Clutter-Daten beschafft, aufbereitet und importiert werden. Das ist eigenes Engineering-Projekt.

Kein deutscher Support. Forsk ist ein französisches Unternehmen, der Support läuft auf Englisch (gelegentlich Französisch). Für deutsche RF-Teams unproblematisch, für gemischte Anwender (z. B. Vertrieb, Management) eine Hürde. Lokaler Support kommt typisch über Partner-Beratungen in Deutschland.

Lizenzmodell ist intransparent. Forsk veröffentlicht keine Preise, jede Verhandlung ist individuell. Kunden berichten von signifikanten Preisunterschieden für vergleichbare Konfigurationen, wer ohne externe Vergleichswerte verhandelt, zahlt im Zweifel zu viel. Mehrjährige Wartungsverträge und Modul-Bundling sind Standard, einzelne Module nachträglich teurer.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Eine GIS-zentrierte Planung mit ArcGIS-Integration brauchst	Cellular Expert
Indoor-WLAN für Büros, Hotels oder Industrie planst	Ekahau (kein eigener Eintrag)
Open-Source-Alternative für Forschung suchst	RDF Open Network Planner (kein eigener Eintrag)

Erwähnenswert ohne eigene Tool-Seite: Planet von Infovista ist im internationalen Markt der größte direkte Wettbewerber zu Atoll, mit ähnlichem Feature-Set und vergleichbarer Preisstellung, in Europa hat Atoll meist die Nase vorn, in Nordamerika und Asien ist Planet stärker verbreitet. iBwave dominiert die reine Indoor-Planung (Stadien, Flughäfen). MentumPlanet wurde 2010 von Infovista übernommen und in Planet integriert. Für reine ML-Modellierung ohne RF-Simulation reichen Python-Stacks (scikit-learn, TensorFlow, PyTorch), aber ohne Atoll-Output fehlt diesen Modellen die physikalische Erdung. Atoll ist nicht ablösbar, es ist Infrastruktur.

So steigst du ein

Schritt 1: Kontaktiere Forsk über die offizielle Website für eine Demo-Lizenz. Bereite einen konkreten Planungsbereich vor, ein städtisches Gebiet mit bekannten Versorgungslücken und vorhandenen Drive-Test-Messungen eignet sich für eine erste Validierung des Tools. Plane mindestens vier Wochen für den Demo-Prozess ein: Kontaktaufnahme, NDA, Lizenzbereitstellung, Einarbeitung.

Schritt 2: Importiere Geländemodell (DGM2 des Landes, kostenlos über die Landesvermessungsämter), Gebäudedaten (LoD2 vom BKG oder OpenStreetMap) und Bevölkerungsdaten (Zensus 2022, kostenfrei). Lade deine bestehenden Standortdaten (Koordinaten, Antennenparameter) als CSV oder über Datenbank-Schnittstelle. Rechne mit ein bis zwei Wochen für die Datenaufbereitung allein.

Schritt 3: Führe eine erste Ausbreitungsberechnung mit dem Standard-Propagationsmodell (Okumura-Hata für makro-zelluläre LTE-Planung, Aster für 5G/mmWave) durch und vergleiche das Ergebnis mit den Rasterdaten aus dem Breitbandatlas der Bundesnetzagentur. Abweichungen zeigen Kalibrierungsbedarf, typischerweise musst du das Propagationsmodell mit Drive-Test-Daten anpassen, bevor die Simulation belastbar ist.

Schritt 4 (optional, für ML-Integration): Aktiviere die Skripting-Schnittstelle und richte einen Python-Wrapper ein, der Atoll-Berechnungen aus deiner Data-Pipeline triggert. Forsk dokumentiert die API in der Atoll Reference Guide; in der Praxis lohnt sich eine ein- bis zweitägige Beratung durch einen erfahrenen Integrator (z. B. Detecon, Accenture, Capgemini). So wird Atoll zum Simulationsbackend deines ML-Stacks.

Ein konkretes Beispiel

Ein Infrastrukturdienstleister in Köln plant 40 neue 5G-NR-Standorte in der Großstadtregion. Atoll importiert 1.200 bestehende Antennenstandorte (eigene und drittbetriebene), ein hochaufgelöstes LoD2-Gebäudemodell und Bevölkerungsdaten auf 100m-Gitterebene aus dem Zensus. Die Automatic-Cell-Planning-Funktion berechnet innerhalb von 4 Stunden optimale Kandidatenstandorte auf Basis von Abdeckungszielen (99 % der Fläche, 95 % der Bevölkerung mit 100 Mbit/s im DL), Verkehrslastprognosen und vorhandenen Mietverträgen. Die Atoll-Ergebnisse werden anschließend via Python in eine Databricks-Pipeline überführt, die ein ML-Modell auf historischen OSS-KPIs und Crowdsource-Daten von OpenSignal trainiert hat. Das ML-Modell priorisiert die Atoll-Kandidaten zusätzlich nach prognostizierter Nachfrage in 24 Monaten. Zeitersparnis gegenüber rein manueller Planung: 2 bis 3 Wochen pro Planungsrunde. Atoll allein hätte die Standortkandidaten geliefert; ohne das nachgelagerte ML hätte die Priorisierung weiter manuell erfolgen müssen. Lizenzkosten Atoll: rund 60.000 EUR/Jahr (Floating-Pool für drei Planer). Die ML-Pipeline läuft on top, vollständig in EU-Cloud.

DSGVO & Datenschutz

• Datenhosting: On-premise oder eigene Cloud, Atoll ist eine installierte Software, kein SaaS. Daten bleiben im Kontrollbereich des Kunden. Für DSGVO ein klarer Vorteil gegenüber Cloud-only-Lösungen.
• Anbieter: Forsk SAS, Blagnac (Frankreich). Hauptsitz in der EU, französisches Recht, DSGVO-Geltungsbereich.
• Datennutzung: Forsk verarbeitet im Lizenzbetrieb keine Kundendaten, die Software läuft lokal. Bei Support-Tickets können auf Anfrage Projektdateien übermittelt werden; das ist Sache der internen Datenschutzrichtlinie des Kunden.
• Auftragsverarbeitung (AVV): Nicht erforderlich bei On-Premise-Nutzung. Wenn Forsk Wartungsdienste mit Datenzugriff erbringt, sollte ein Auftragsverarbeitungsvertrag abgeschlossen werden.
• KRITIS-Relevanz: Mobilfunk-Netzbetreiber zählen zur kritischen Infrastruktur. Der EU AI Act klassifiziert KI-gestützte Standortoptimierung für KRITIS-Betreiber als hochriskant (Artikel 6): Dokumentationspflichten, menschliche Aufsicht, Konformitätsbewertung. Atoll selbst ist keine KI, fällt also nicht unter diese Regelung, wohl aber jede ML-Pipeline, die auf Atoll-Daten aufsetzt und automatisierte Standortempfehlungen produziert.
• Empfehlung für Unternehmen: Atoll ist datenschutzrechtlich unproblematisch, weil die Software on-premise läuft. Der DSGVO-Fokus muss sich auf die nachgelagerten ML-Pipelines und etwaige Cloud-Komponenten richten.

Gut kombiniert mit

• Cellular Expert, wenn dein Planungsteam stark GIS-zentriert arbeitet (ArcGIS-Hauptumgebung), ergänzt Cellular Expert Atoll um nahtlose ArcGIS-Integration für die kartografischen Auswertungen. Manche Teams nutzen beide parallel.
• TensorFlow oder PyTorch, für ML-Modelle, die auf Atoll-Simulationen aufsetzen: Nachfrageprognosen, Abwanderungsvorhersagen, Anomalieerkennung in OSS-KPIs. Atoll liefert die physikalischen Features, das ML-Framework das Lernen.
• Databricks, als Plattform, um Atoll-Exports, OSS-KPIs, Crowdsource-Daten und externe Datenquellen (Demografie, Mobilitätsdaten) in einer Lakehouse-Architektur zu vereinen. Die meisten großen MNOs nutzen Databricks oder Snowflake als ML-Plattform.

Unser Testurteil

Atoll verdient 4 von 5 Sternen. Es ist im europäischen Mobilfunk-Engineering alternativlos und liefert bei dem, was es kann (RF-Simulation, Multi-RAT, Massive MIMO, ACP/AFP), Industriestandard-Qualität. Den fünften Stern verliert es aus drei Gründen: erstens fehlen native KI-/ML-Funktionen vollständig, wer “AI-powered Site Planning” erwartet, muss selbst bauen. Zweitens ist die UI veraltet und kollaborationsfeindlich, eine Cloud-native Plattform mit Web-Oberfläche fehlt. Drittens ist der Preis nicht transparent und macht den Einsatz für kleinere Anwender unwirtschaftlich. Für die Zielgruppe, große MNOs, TowerCos, ernste RF-Beratungen, bleibt Atoll trotzdem die richtige Wahl, einfach weil der Reifegrad nach 20+ Jahren Marktpräsenz und die Integration in die gesamte Toolchain nicht ersetzbar sind. Wer in einer KI-Standortoptimierung Atoll als Backend nutzt, baut auf solidem Fundament.

Was wir bemerkt haben

• 2024, Atoll hat im Live-Modul die Crowdsource-Integration deutlich ausgebaut (Tutela, OpenSignal, Speedtest Intelligence). Damit lassen sich Modelle nicht mehr nur auf Drive-Tests, sondern auf Millionen End-User-Messungen kalibrieren, ein qualitativer Sprung für die Vorhersagegenauigkeit.
• 2025, Forsk hat Aster mmWave als spezialisiertes Ray-Tracing-Modell für 26-GHz- und 39-GHz-Bänder veröffentlicht. Wer Private 5G in Industrieanlagen oder Stadion-Coverage plant, profitiert direkt, frühere Modelle waren für mmWave nicht präzise genug.
• Mai 2026, Native KI-/ML-Funktionen sind weiterhin nicht im Tool. Forsk positioniert sich bewusst als physikalische Simulation, nicht als ML-Plattform. Konkurrent Infovista (Planet) hat 2024 begonnen, ML-Komponenten zu integrieren, bisher ohne klaren Marktimpact, aber ein Trend, dem Atoll mittelfristig folgen dürfte.
• 2026, Im deutschen MNO-Markt bleiben die fünfstelligen Lizenzpreise pro Arbeitsplatz unverändert. Trotz mehrerer europäischer Open-Source-Initiativen (z. B. im Rahmen von 6G-Forschungsprogrammen) gibt es keine ernstzunehmende Open-Source-Alternative zu Atoll für produktive RF-Planung, die Markteintrittsbarriere bleibt hoch.