Google OR-Tools

Kurzfazit

Google OR-Tools ist die ernstzunehmendste Open-Source-Bibliothek für kombinatorische Optimierung — und für viele anspruchsvolle Vehicle-Routing-Probleme der technisch beste Solver am Markt. Wer Entwicklerressourcen hat und maximale Kontrolle über Modell, Daten und Hosting will, baut mit OR-Tools eine Routing-Engine, die jeden Spezialfall abbildet (Kaltketten, Zeitfenster, Mehrfach-Depots, Skill-Matching). Der Preis dieser Flexibilität: Es gibt keine fertige Oberfläche, keinen Support, keinen Einrichtungsassistenten. Wer einfach nur Touren planen will, ist mit einem SaaS wie OptimoRoute oder Route4Me schneller am Ziel — wer Tiefe und Datenhoheit braucht, kommt an OR-Tools kaum vorbei.

Für wen ist Google OR-Tools?

Logistik-Teams mit eigener IT: Wer bereits Python- oder Java-Entwickler im Haus hat und ein wiederkehrendes Routing-Problem lösen muss, baut mit OR-Tools eine maßgeschneiderte Lösung in 6–12 Wochen. Der Vorteil gegenüber SaaS: Du behältst die volle Kontrolle über Algorithmus, Datenfluss und Integration in dein Dispatching-System.

Produktentwickler und Startups: Wer eine eigene Logistik- oder Dispatching-Software baut, braucht eine Routing-Engine im Kern. OR-Tools ist Apache-2.0-lizensiert — du kannst es in kommerzielle Produkte einbauen, ohne Lizenzgebühren zahlen oder Quellcode offenlegen zu müssen. Das macht es zur Standardwahl für VRP-as-a-Service-Anbieter.

Operations-Research-Teams: Mathematische Optimierungsprobleme jenseits von Routing — Mitarbeiter-Schichtplanung, Ressourcenzuteilung, Lagerkommissionierung — lassen sich mit dem CP-SAT-Solver elegant modellieren. Für reine MIP-Probleme (Mixed Integer Programming) ist OR-Tools eine kostenlose Alternative zu Gurobi oder CPLEX, deren Lizenzen schnell fünfstellig werden.

Unternehmen mit DSGVO-Druck: Anwaltsfuhrparks, Gesundheitslogistik, kommunale Dienste — überall, wo Adress- und Tourendaten nicht in US-Clouds landen dürfen, ist OR-Tools attraktiv. Die Bibliothek läuft lokal oder auf einer EU-Cloud deiner Wahl. Keine Daten verlassen deine Infrastruktur.

Forschung und Lehre: Für Hochschulen und Forschungseinrichtungen, die Optimierungsalgorithmen lehren oder weiterentwickeln, ist OR-Tools die De-facto-Standardbibliothek. Beispiele und Tutorials sind ausgereift, der CP-SAT-Solver gehört zu den besten der Welt.

Weniger geeignet für: Dispatcher ohne IT-Hintergrund, KMU ohne Entwicklerteam, Projekte mit Zeitdruck unter 6 Wochen, und alle, die fertige Mobile-Apps für Fahrer mit GPS-Tracking und Live-Status erwarten — das alles musst du selbst bauen.

Preise im Detail

Plan	Preis	Was du bekommst
OR-Tools (Apache 2.0)	0 €	Vollständige Bibliothek, CP-SAT, VRP-Solver, MIP-Solver, alle Sprach-Bindings
Eigene Infrastruktur	Variable	Server, Container, Cloud-Compute — abhängig von Problemgröße
Entwicklungsaufwand	15–60k € einmalig	Typischer Initialaufwand für eine produktive VRP-Lösung mit Anbindung
Echtzeit-APIs (optional)	ab 100 €/Monat	HERE Routing, Google Maps Distance Matrix oder OpenRouteService für Fahrzeit-Matrizen

Einordnung: Die Bibliothek selbst ist gratis — aber „gratis” bedeutet hier nicht „kostenlos im Betrieb”. Du brauchst Entwicklerstunden für Integration, Server für Berechnung, und in den meisten Fällen eine kommerzielle Karten-API für realistische Fahrzeiten. Eine typische Catering-Flotte rechnet mit 20–40k € Initialinvestition plus laufende 200–500 €/Monat für API-Calls und Hosting. Im Vergleich zu einer SaaS-Lizenz (OptimoRoute ab ca. 35 USD/Fahrzeug/Monat) amortisiert sich OR-Tools ab etwa 15–20 Fahrzeugen — und gewinnt darüber hinaus überproportional, weil keine variablen Lizenzkosten pro Fahrer hinzukommen. Unterhalb dieser Schwelle ist ein SaaS-Werkzeug fast immer günstiger und schneller produktiv.

Stärken im Detail

CP-SAT ist Weltklasse. Googles Constraint-Programming-Solver gewinnt seit 2013 jedes Jahr Goldmedaillen beim internationalen Constraint-Programming-Wettbewerb (MiniZinc Challenge). Das ist keine Marketing-Folie, sondern peer-reviewed Algorithmen-Forschung. Für komplexe Constraint-Probleme, bei denen klassische lineare Solver scheitern, ist CP-SAT oft die einzige praktikable Wahl — und sie ist gratis.

Apache-2.0 ohne Fallstricke. Im Gegensatz zu GPL-lizensierten Solvern (LP_solve, GLPK) erlaubt Apache 2.0 den freien Einsatz in proprietären Produkten. Du kannst OR-Tools in kommerzielle Software einbauen, weiterverkaufen, modifizieren — ohne deinen Quellcode offenlegen zu müssen. Das macht es zur ersten Wahl für Produktentwickler und SaaS-Anbieter.

Volle Datenhoheit. Anders als bei Cloud-VRP-APIs (z. B. Google Maps Route Optimization oder HERE Tour Planning) verlassen deine Daten nie deine Umgebung. Adressen, Kundennamen, Tourenpläne — alles bleibt lokal. Für Branchen unter Berufsgeheimnis (Anwälte, Ärzte, Apotheken-Logistik) oder unter strenger DSGVO-Kontrolle (öffentliche Hand, kritische Infrastruktur) ist das oft der einzig saubere Weg.

Hohe Modellflexibilität. Standard-SaaS-Tools decken die häufigsten Constraints ab — Zeitfenster, Kapazitäten, Skill-Matching. Wer aber Sonderfälle hat (zwei Fahrer pro Lieferung für schwere Möbel, Tageskühlhöchsttemperaturen für Pharma, Mautstraßenvermeidung in bestimmten Regionen, gestaffelte Ladezeiten), modelliert das mit OR-Tools in 50 Zeilen Python. SaaS-Anbieter sagen bei solchen Anfragen oft schlicht nein.

Ausgereifte Sprach-Bindings. Python ist die populärste Wahl und hat die beste Dokumentation, aber Java, C++ und C# sind ebenso vollwertig unterstützt. Wer in einer .NET-Umgebung oder in einer hochperformanten C++-Pipeline arbeitet, muss nicht auf eine externe Sprache wechseln. Das senkt Integrationshürden deutlich.

Community und Dokumentation. Stack Overflow hat tausende beantwortete OR-Tools-Fragen, GitHub Issues werden vom Google-Team aktiv gepflegt, und die offiziellen Code-Beispiele decken die häufigsten Probleme ab. Auch wenn es keinen kommerziellen Support gibt — die Community ersetzt ihn in den meisten Alltagsfällen.

Schwächen ehrlich betrachtet

Keine GUI, keine fertige Software. OR-Tools ist eine Bibliothek, kein Produkt. Es gibt kein Web-Interface, keine Mobile-App für Fahrer, kein Dashboard für Dispatcher. Alles, was dein Endnutzer sehen soll, musst du selbst bauen — und das ist meist mehr Aufwand als die eigentliche Optimierung. Für viele KMU ist das der Showstopper, der den Wechsel auf SaaS erzwingt.

Echtzeit-Verkehrsdaten fehlen. Die Bibliothek arbeitet mit Distanz- und Fahrzeit-Matrizen, die du selbst befüllen musst. Statische Geo-Distanzen sind selten praxistauglich — du brauchst eine externe API (Google Maps Distance Matrix, HERE Routing, OpenRouteService), und die kostet pro Anfrage. Bei 50 Stopps und täglicher Neuberechnung sind das schnell mehrere hundert Anfragen — ohne Caching wird das teuer.

Skalierung erfordert Tuning. Mittelgroße Probleme (10–30 Fahrzeuge, 100–300 Stopps) löst OR-Tools in Sekunden. Aber bei sehr großen Flotten (100+ Fahrzeuge, 1.000+ Stopps) brauchst du Erfahrung mit Search-Strategien, Cluster-First-Heuristiken und parallelen Workern, um in akzeptabler Zeit gute Lösungen zu bekommen. Diese Tuning-Arbeit kostet zusätzlich Entwicklerwochen.

Kein offizieller Support, kein SLA. Wenn dein Produktivsystem einen Solver-Bug trifft, gibt es keine Hotline. Du eröffnest ein GitHub-Issue und hoffst auf Reaktion — die meist kommt, aber nicht in Stunden, sondern in Tagen oder Wochen. Für unternehmenskritische Logistik ist das ein operatives Risiko, das man durch eigene Stand-by-Modi (Fallback auf manuelle Planung) abfangen muss.

Steile Lernkurve bei VRP. Wer noch nie ein Vehicle Routing Problem modelliert hat, braucht 2–4 Wochen Einarbeitung, bis er die Konzepte (Indexmanager, RoutingModel, Dimensions, Constraints) sauber verstanden hat. Die Beispiele sind gut, aber das Sprung von „Toy-Problem” zu „realer Constraint-Mix” ist groß. Externe Beratung mit OR-Tools-Erfahrung lohnt sich für Erstprojekte.

Englisch dominiert. Dokumentation, Community-Diskussionen, Beispiele und Konferenzbeiträge sind fast vollständig englisch. Deutsche Tutorials gibt es nur vereinzelt, und auch der deutsche Operations-Research-Markt ist klein. Für Teams ohne sicheres technisches Englisch ist das eine echte Hürde.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Eine fertige SaaS-Lösung ohne Entwicklung willst
Mobile-Apps für Fahrer mit GPS-Tracking brauchst
Eine kommerzielle Routing-API mit Echtzeit-Verkehr willst
Eine andere Open-Source-Routing-Engine vergleichen willst

Erwähnenswert ohne eigene Tool-Seite: Gurobi und CPLEX (kommerzielle MIP-Solver mit Top-Performance, aber Lizenzkosten ab fünfstellig), jsprit (Java-VRP-Bibliothek, einfacher als OR-Tools, aber langsamer), Routific (SaaS mit guter API), und Workwave Route Manager (etabliert in Nordamerika). OR-Tools ist die Wahl, wenn Datenhoheit, Lizenzfreiheit und maximale Flexibilität wichtiger sind als Bedienkomfort. Für alles andere ist ein SaaS-Tool fast immer schneller produktiv.

So steigst du ein

Schritt 1: Installiere OR-Tools via pip (pip install ortools) und lies das offizielle VRPTW-Beispiel in der Google-Dokumentation. Es löst ein 16-Stopp-Problem mit Zeitfenstern in unter 100 Zeilen Python — ein guter Startpunkt für das Grundverständnis. Reserviere dafür einen halben Tag und arbeite das Beispiel Zeile für Zeile durch, bis du die Begriffe RoutingIndexManager, RoutingModel und Dimensions sicher zuordnen kannst.

Schritt 2: Modelliere dein reales Problem mit echten Daten aus zwei bis drei vergangenen Einsatztagen. Definiere Fahrzeuganzahl, Startdepot, Stopp-Adressen und Zeitfenster. Füge Kapazitätsbeschränkungen hinzu (Liefergewicht, Kühlvolumen) und vergleiche die OR-Tools-Routen mit den damals manuell geplanten — typisch 10–20 % kürzere Gesamtdistanz. Wenn das Ergebnis nicht deutlich besser ist, fehlt meist ein Constraint im Modell.

Schritt 3: Integriere Echtzeit-Verkehrsdaten über HERE Routing API, OpenRouteService oder Google Maps Distance Matrix API. Cache die Fahrzeit-Matrix für stabile Tagespläne — neu berechnen lohnt sich nur bei größeren Auftragsänderungen. Plane Budget für API-Calls ein: 200–1.000 €/Monat sind bei mittleren Flotten realistisch.

Schritt 4: Baue ein Dispatcher-Frontend und Fahrer-Apps oder integriere die Routing-Engine in dein bestehendes System. Das ist meist der größte Aufwandsblock — die reine Optimierung ist nach 3–4 Wochen produktiv, das Frontend braucht 6–8 weitere Wochen. Plane mit externem Web/Mobile-Know-how, wenn du das im Team nicht abbilden kannst.

Ein konkretes Beispiel

Ein Hamburger Catering-Unternehmen mit 6 Lieferwagen und täglich 40–60 Stops nutzt Google OR-Tools als Kern seiner Routenplanung. Initialaufwand: 8 Wochen Entwicklung durch einen Inhouse-Python-Entwickler, plus 2 Wochen externe Beratung für das CP-SAT-Modell mit Kühlketten-Constraints (warm und kalt müssen in unterschiedlichen Boxen mit unterschiedlichen Mindesttemperaturen ausgeliefert werden). Heute läuft die Optimierung vollautomatisch — neue Aufträge werden per CSV hochgeladen, fünf Minuten später erhalten alle Fahrer ihre aktualisierten Routen auf eine selbst gebaute Web-App. Kraftstoffkosten gesunken um 14 %, ungeplante Überstunden durch schlechte Tourenplanung eliminiert, und ein zusätzlicher Wagen entfällt durch bessere Auslastung. Laufende Kosten: 280 €/Monat für HERE Routing API plus 50 €/Monat Hosting. Amortisation der Initialinvestition: unter 10 Monate.

DSGVO & Datenschutz

• Datenhosting: Vollständig in deiner eigenen Infrastruktur — keine Daten verlassen dein Netz. Du wählst Hoster (EU-Cloud, lokal, on-prem) frei.
• Datennutzung durch Google: Keine. OR-Tools ist eine Bibliothek, die offline läuft. Google sieht weder deine Daten noch deine Anfragen.
• Externe APIs (Karten, Routing): Wenn du Google Maps Distance Matrix oder HERE Routing als Fahrzeit-Quelle nutzt, gelten dort die jeweiligen Datenschutzbedingungen. Adressen werden für die Matrix-Abfrage übertragen — ggf. Alternativen wie OpenRouteService prüfen, die EU-gehostet sind.
• Lizenz: Apache 2.0 — kommerzielle Nutzung erlaubt, keine Copyleft-Pflicht, keine Lizenzgebühren.
• Auftragsverarbeitung (AVV): Nicht relevant — OR-Tools selbst ist keine Auftragsverarbeitung. Für deine eigene Anwendung musst du als Verantwortlicher die DSGVO-Pflichten selbst umsetzen.
• Empfehlung für Unternehmen: OR-Tools ist die DSGVO-freundlichste Routing-Option am Markt, vorausgesetzt du wählst auch eine EU-konforme Karten-API. Für Branchen unter Berufsgeheimnis (Anwälte, Ärzte, Apotheken-Logistik) der empfohlene Pfad.

Gut kombiniert mit

• — als DSGVO-freundliche Fahrzeit- und Distanz-Matrix-Quelle. EU-gehostet, kostenlos für moderate Volumina. Das saubere Gegenstück zu Google Maps Distance Matrix für sensible Daten.
• — wenn du kommerzielle Qualität bei Echtzeit-Verkehr und Truck-Routing brauchst. HERE liefert die Matrix, OR-Tools optimiert die Touren. Häufige Kombination in der Logistik-Branche.
• — für die Orchestrierung der täglichen Optimierungsläufe (Datenimport, Matrix-Abruf, OR-Tools-Run, Export an Fahrer-App). Wer mehr als einen Optimierungsjob pro Tag hat, profitiert von Airflow als zuverlässiges Scheduling.

Unser Testurteil

Google OR-Tools verdient 4 von 5 Sternen. Es ist technisch eine der besten Optimierungsbibliotheken weltweit — kostenlos, Open Source, weltklasse CP-SAT-Solver, volle Datenhoheit. Den fünften Stern verliert es durch den hohen Initialaufwand, die fehlende GUI und das Fehlen kommerziellen Supports. Für Teams ohne Entwicklerkapazität ist OR-Tools schlicht das falsche Werkzeug — sie sind mit OptimoRoute oder Route4Me in zwei Tagen produktiv, während ein OR-Tools-Projekt zwei Monate braucht. Wer aber die Ressourcen hat und Datenhoheit, Lizenzfreiheit und Constraint-Flexibilität braucht, baut mit OR-Tools eine Routing-Lösung, die jeder kommerziellen SaaS-Variante überlegen ist — und das dauerhaft ohne variable Kosten.

Was wir bemerkt haben

• 2024–2025 — Google hat den CP-SAT-Solver in OR-Tools weiterhin als Open-Source-Bibliothek kostenlos verfügbar gehalten, parallel aber unter Google Maps Platform eine kommerzielle „Route Optimization API” lanciert. Wer wenig Entwicklerkapazität hat, kann dort einen Pay-per-Use-Pfad wählen — mit dem Nachteil, dass Daten in der Google Cloud verarbeitet werden. OR-Tools bleibt die DSGVO-freundliche Variante.
• 2025 — Die jährliche MiniZinc Challenge wurde wieder von CP-SAT dominiert, womit OR-Tools seine Spitzenposition unter den Constraint-Solvern weiter ausgebaut hat. Praktisch heißt das: Wer komplexe Constraint-Probleme jenseits klassischem MIP lösen will, hat mit OR-Tools weiterhin das stärkste verfügbare Open-Source-Werkzeug.
• Mai 2026 — Keine Anzeichen, dass Google das Projekt zurückstutzt — im Gegenteil: Das Operations-Research-Team in Paris bleibt aktiv, Releases erscheinen mehrmals pro Jahr, und die Sprach-Bindings für Python und Java werden gepflegt. Für ein Google-Projekt ist diese Stabilität bemerkenswert.