Techniker-Routeneffizienz-Analyse

Das echte Ausmaß des Problems

Im deutschen Aufzugswartungsmarkt teilen sich rund 1.200 aktive Wartungsunternehmen — von den vier Großen (KONE, Schindler, Otis, TK Elevator) bis zu Hunderten regionaler Mittelständler — knapp 800.000 wartungspflichtige Aufzugsanlagen. Ein Wartungstechniker betreut im Schnitt 80 bis 150 Anlagen, abhängig von Vertragsstruktur und Region. Das bedeutet: Mehrmals täglich wechseln Routen, kommen Störmeldungen dazwischen, fallen Termine weg oder müssen kurzfristig vorgezogen werden.

Was Studien aus dem Field-Service-Bereich zeigen: Techniker ohne optimierte Routenplanung verbringen 25 bis 35 Prozent ihrer Arbeitszeit mit Fahrten, die bei besserer Reihenfolge vermeidbar wären. Für einen 8-Stunden-Tag bedeutet das bis zu 2,5 Stunden reine Fahrzeit — von der kaum ein Anteil produktiv ist. Die direkte Folge: weniger Einsätze pro Schicht, höhere Kraftstoffkosten und längere Wartezeiten für Kunden bei Störungen.

Besonders kritisch wird das Problem bei:

• Notfalleinsätzen mit Personeneinschlüssen: Reaktionszeiten sind vertraglich garantiert — wenn Techniker weit entfernt oder bereits tief in einer anderen Route gebunden sind, entstehen schnell Vertragsbrüche
• Qualifikationsengpässen: Nicht jeder Techniker kann jede Anlage warten — wer Anlagentyp X nicht kennt, muss von einem anderen Techniker abgelöst werden, was eine komplette Umplanung erzwingt
• Teileversorgung: Wenn ein Techniker vor Ort feststellt, dass das benötigte Ersatzteil nicht im Van ist, wird aus einem Einsatz zwei — mit allem, was das an Fahrtzeit kostet

KONE, der weltweit zweitgrößte Aufzughersteller, betreibt 40.000 Techniker, die täglich über 100.000 Kundenbesuche machen. Die Einführung von KI-Assistenz für diese Einsätze führte laut Plant Services / AWS-Fallstudie (2024) zu einer Reduktion von Störmeldungen um 40 Prozent und einer 70 Prozent besseren proaktiven Fehlererkennung — Zahlen, die ohne intelligente Dispatch-Logik im Hintergrund nicht erreichbar wären.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erfahrungswerte aus Field-Service-Implementierungen; branchenspezifische Daten für deutsche Aufzugswartungsunternehmen liegen kaum öffentlich vor. TK Elevator berichtete in einer Microsoft-Fallstudie (2025) von 20.000 vermiedenen Serviceeinsätzen in einem Jahr durch intelligente Dispatch-Logik — was die Größenordnung dieser Einsparungen stützt.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5)
Zwei Zeitblöcke werden gleichzeitig entlastet: die Disposition (statt 60–90 Minuten manueller Planung nur noch 5–15 Minuten Überprüfung und Freigabe) und die Techniker im Feld (weniger Leerkilometer, bessere Reihenfolge). Wenn fünf bis zehn Techniker täglich 20–40 Minuten weniger im Auto verbringen, macht das in der Summe täglich 2–4 produktive Stunden mehr — Kapazität, die direkt in Mehreinsätze umgemünzt werden kann. Damit liegt dieser Use Case klar über dem Branchenschnitt im Vergleich zu Anwendungen, die eher im Hintergrund wirken.

Kosteneinsparung — mittel (3/5)
Die Einsparung ist real, aber verteilt sich auf mehrere Posten: weniger Kraftstoff, weniger Überstunden, weniger Leerfahrten, mehr Einsätze pro Tag ohne zusätzliche Kapazität. Das ist kein einzelner großer Hebel, sondern mehrere kleine. Im Vergleich zu Wartungsvertrags-Profitabilitätsanalysen, die direkt an der Margenstruktur ansetzen, wirkt die Routenoptimierung indirekter — auch wenn die absoluten Zahlen bei 10+ Technikern durchaus fünfstellig im Jahr werden können.

Schnelle Umsetzung — hoch (4/5)
Ein einfaches Routing-Tool wie OptimoRoute ist in 1–2 Wochen einsatzbereit: Adressdaten importieren, Technikerliste anlegen, Zeitfenster konfigurieren, erste Routen testen. Kein ERP-Projekt, keine monatelange Implementierung. Volle Integration mit Fehlervorhersage-Systemen oder CAFM-Plattformen dauert länger — aber den messbaren Kernnutzen erreichst du schon mit dem einfachen Start. Das unterscheidet diesen Use Case von komplexeren KI-Projekten in der Branche.

ROI-Sicherheit — hoch (4/5)
Das Besondere an der Routenoptimierung: Sie produziert Zahlen, die du vorher und nachher direkt ablesen kannst. Fahrkilometer pro Techniker pro Tag. Einsätze pro Schicht. Reaktionszeit bei Störmeldungen. Diese Metriken liegen bei den meisten Betrieben bereits vor — auch wenn sie nie systematisch analysiert wurden. Das macht den Nutzennachweis ungewöhnlich sauber: Du vergleichst Woche 1 gegen Woche 12 und hast einen klaren Befund.

Skalierbarkeit — mittel (3/5)
Mehr Techniker lassen sich problemlos hinzufügen — das ist kein Problem. Die Komplexität wächst allerdings, wenn Constraints komplexer werden: verschiedene Qualifikationsstufen, Teilebestand je Fahrzeug, Vorrecht-Kunden mit garantierten Reaktionszeiten. Ab 30+ Technikern reichen einfache Tools oft nicht mehr aus; es braucht dann ein vollständiges Field-Service-Management-System mit optimierter Dispatch-Engine. Das begrenzt die Skalierbarkeit nicht grundsätzlich, aber es erfordert nach dem ersten Schritt einen zweiten — und der ist aufwendiger als der erste.

Richtwerte — stark abhängig von Betriebsgröße, Anlagenbestand und vorhandener Datenlage.

Was das System konkret macht

Klassische Routenplanung löst ein Optimierungsproblem: Wie fahre ich N Ziele mit K Fahrern in möglichst kurzer Gesamtzeit an? Das ist das klassische Travelling-Salesman-Problem — und schon bei 20 Stopps für 5 Techniker gibt es mehr mögliche Kombinationen, als Menschen in einem Arbeitstag überblicken könnten.

KI-gestützte Routenoptimierung löst ein deutlich komplexeres Problem: Sie berücksichtigt nicht nur Fahrtzeiten, sondern gleichzeitig Qualifikationsanforderungen (Techniker A kann nur Anlagen bis 1.000 kg, Techniker B hat die Speziallizenz für hydraulische Systeme), Zeitfenster (Anlage C muss zwischen 8 und 10 Uhr gewartet werden, weil danach der Gebäudezugang gesperrt ist), Prioritätsstufen (Störmeldung trumpft präventive Wartung), Fahrzeugbeladung (welche Teile sind in welchem Van vorhanden) und Echtzeit-Ereignisse (Techniker ist fertig, neue Störmeldung kommt rein, wer ist am nächsten?).

Das Ergebnis ist keine statische Tagesroute, sondern ein dynamischer Plan, der sich selbst neu berechnet, wenn sich Eingaben ändern. Fällt ein Techniker krank: Das System verteilt seine Termine in Sekunden auf die verbleibenden. Kommt mittags eine dringende Störmeldung rein: Es findet den nächsten qualifizierten Techniker, der bereits einen Termin in der Nähe hat, und schiebt die weniger dringende Wartung auf Morgen.

Das ist kein KI-Mythos — das ist Predictive Analytics plus Constraint-Optimierung, eine Kombination, die im Field-Service-Bereich seit Jahren eingesetzt wird und in der Aufzugswartung noch deutlich unterrepräsentiert ist.

Ersatzteile im Servicefahrzeug — was vorgeladen sein muss

Das ist der blinde Fleck der meisten Routenoptimierungs-Diskussionen: Die Route kann perfekt sein und die Planung stimmt — aber wenn der Techniker vor Ort feststellt, dass das benötigte Bauteil nicht im Van ist, war alles umsonst. Der Einsatz wird abgebrochen, ein zweiter Besuch geplant, die Fahrtzeit verdoppelt sich.

Bei TK Elevator war genau das der Kern des Azure-Projekts: Das System erstellt nicht nur die Route, sondern bereitet für jeden Einsatz eine Teile- und Werkzeugempfehlung vor. Basierend auf dem Anlagentyp, der Wartungshistorie und den bekannten Fehlermuster wird entschieden: Was muss dieser Techniker heute im Van haben, bevor er losfährt?

Für mittelständische Aufzugswartungsbetriebe bedeutet das in der Praxis:

• Teilebestand digital erfassen: Welche Ersatzteile liegen in welchem Fahrzeug? Das funktioniert nur, wenn der Bestand in einem System geführt wird — Papier oder Excel reicht hier nicht
• Verknüpfung mit Wartungshistorie: Welche Anlagen stehen heute auf dem Programm? Welche Teile wurden zuletzt getauscht, welche könnten fällig sein? Dieser Schritt erfordert strukturierte Anlagendaten — einer der häufigsten Schwachpunkte in der Praxis
• Van-Checkliste vor Routenstart: Das System erzeugt eine Liste der empfohlenen Teile für die heutige Route — der Techniker prüft sie beim Fahrzeugstart. Klingt banal, verhindert aber einen erheblichen Anteil der Mehrfachbesuche

Das erhöht die sogenannte First-Time-Fix-Rate (Anteil der Einsätze, bei denen das Problem beim ersten Besuch vollständig behoben wird). TK Elevator berichtete im Microsoft-Case (2025) von einer Verbesserung der First-Time-Fix-Rate um 15 Prozent durch vorbereitende KI-Analyse — ein Effekt, der bei einem reinen Routenoptimierungstool ohne Teileplanung nicht entstehen würde.

Erste-Besuch-Rate vs. Mehrfachbesuche — das richtige Gleichgewicht

Hier liegt ein echter Zielkonflikt, der in den meisten Routenoptimierungs-Pitches unter den Tisch fällt:

Ein reines Routenoptimierungssystem maximiert die Anzahl von Einsätzen pro Tag. Das klingt gut — ist es auch, solange die Einsätze erfolgreich abgeschlossen werden. Aber es gibt einen Anreiz, Besuche zu kurz zu halten: Wenn die Optimierungslogik auf “mehr Stopps” ausgelegt ist, entsteht Druck, Einsätze schnell abzuschließen. Reparaturen werden aufgeschoben, Folgearbeiten für morgen eingeplant, auch wenn sie heute lösbar wären.

Das Gegenteil ist die First-Time-Fix-Rate — der Anteil der Besuche, bei denen das Problem beim ersten Mal vollständig gelöst wird. Eine hohe First-Time-Fix-Rate:

• Reduziert die Gesamtzahl nötiger Einsätze langfristig
• Verbessert die Kundenzufriedenheit (kein zweites Warten)
• Senkt die Kosten pro gelöstem Problem

Die Spannung entsteht, weil ein einzelner langer Einsatz die tägliche Stoppanzahl senkt. Das System sieht das als schlechtere Performance — aber es kann die bessere Entscheidung sein.

Empfehlung: Kalibriere deine Optimierungsziele bewusst. Setze neben “Einsätze pro Tag” immer auch “First-Time-Fix-Rate” als messbaren KPI. Systeme wie COMP4 erlauben es, Einsatzdauer-Puffer gezielt zu konfigurieren — damit Techniker nicht gehetzte Abkürzungen nehmen müssen. Reine Routenoptimierungs-Tools ohne FSM-Kontext (z.B. OptimoRoute im Standardbetrieb) kennen diesen Puffer-Mechanismus nicht ohne manuelle Konfiguration.

Verknüpfung mit Fehlervorhersage-Systemen

Das ist der nächste Entwicklungsschritt für Betriebe, die bereits mit Fehlervorhersage (Predictive Maintenance) arbeiten oder damit beginnen wollen: Die Routenoptimierung und die Fehlervorhersage zusammenzuführen.

Die Logik ist simpel: Wenn das Fehlervorhersage-System meldet, dass Anlage 47 mit 80-prozentiger Wahrscheinlichkeit in den nächsten 14 Tagen eine Störung entwickeln wird — warum plant die Routenoptimierung dann nicht automatisch eine vorgezogene Inspektion ein, solange ein Techniker ohnehin in der Nähe ist?

In der Praxis sieht die Integration so aus:

1. Fehlervorhersage-System (z.B. aus Sensorik, Fahrstuhlzähler, Störungshistorie) erzeugt eine Risikoliste: Anlagen mit erhöhtem Wartungsbedarf in den nächsten 7–14 Tagen
2. Routenoptimierung nimmt diese Risikoliste als Zusatzprioritäten auf und integriert sie in die Tagesplanung — wenn ein Techniker sowieso in Gebäude A ist, fährt er auch die Risikoanlage im Keller kurz ab
3. Feedback-Loop: Ob der Vorbeugebesuch tatsächlich einen Defekt verhindert hat, fließt zurück ins Vorhersage-Modell

KONE hat diesen Loop mit ihrem 24/7 Connected Services-Programm gebaut: Die IoT-Sensoren in den Aufzügen senden Zustandsdaten, das Vorhersage-Modell erzeugt Wartungsempfehlungen, die Dispatch-Logik verteilt diese Empfehlungen auf die nächste verfügbare Schicht. Das Resultat laut AWS-Case (2024): 70 Prozent mehr proaktive Fehlererkennung, 40 Prozent weniger Störmeldungen — bei der gleichen Techniker-Kapazität.

Für unabhängige Wartungsbetriebe ohne eigene IoT-Infrastruktur ist der erste Schritt konservativer: Historische Störungsdaten (welche Anlagen haben in den letzten 3 Jahren welche Probleme gehabt?) als Grundlage für eine Priorisierungslogik in der Routenplanung. Das ist deutlich weniger aufwendig als ein vollständiges IoT-System und liefert trotzdem messbar bessere Ergebnisse als reine Zufallsplanung.

Konkrete Werkzeuge — was wann passt

Die richtige Wahl hängt davon ab, wie viele Techniker du planst und wie viel Integration du heute brauchst.

OptimoRoute — Wenn du schnell starten und vor allem die Fahrtzeit-Optimierung testen willst. Liegt bei 35–44 USD pro Fahrer und Monat (ca. 32–40 EUR, Stand April 2026). Keine deutschsprachige Oberfläche, kein EU-Hosting — für Betriebe mit DSGVO-Sensibilität ein Nachteil. Dafür ist der Pilot in einer Woche eingerichtet: Adressliste als CSV hochladen, Techniker anlegen, losfahren. Die Echtzeit-Umplanung ist die Stärke — wenn mittags eine Störmeldung reinkommt, wird die laufende Route sofort neu berechnet. Für 5 Techniker kostet das Pro-Paket ca. 220 USD im Monat.

Webfleet — Wenn du zusätzlich GPS-Tracking, Fahrzeugtelematik und eine DSGVO-konforme Lösung mit deutschem Support brauchst. Webfleet ist EU-gehostet und kennt den deutschen Markt seit Jahrzehnten. Die Routenplanung ist nicht so leistungsfähig wie bei OptimoRoute, aber ausreichend für einfachere Tourenstrukturen. Sinnvoll, wenn du Flottenmanagement und Einsatzplanung in einem System willst. Ab ca. 20–25 EUR/Fahrzeug/Monat für das Work-Paket mit Auftragsmanagement.

COMP4 Field Service — Wenn du ein vollständiges deutsches Field-Service-Management-System willst, das Einsatzplanung, Qualifikationsmatching, Kundenkommunikation und KI-Routing in einer Plattform kombiniert. Die RouteGenius-Funktion berücksichtigt Qualifikationen, Zeitfenster und Kundenpräferenzen — und das Hosting liegt in Deutschland. Keine öffentlichen Preise — Demo anfragen. Sinnvoll ab 8–10 Technikern, wenn du mehr als nur Fahrtzeit optimieren willst.

Microsoft Dynamics 365 mit Field Service-Modul — Enterprise-Option für Unternehmen, die Dynamics 365 bereits nutzen oder eine vollständige Plattformlösung wollen. Das ist das System, das TK Elevator für seine agentische KI-Dispatch-Logik einsetzt. Die Route-Optimization-Funktion in Dynamics 365 Field Service ist leistungsfähig, aber die Implementierung ist aufwendig (12–20 Wochen für ein funktionierendes Setup). Ab ca. 65–95 EUR pro Nutzer und Monat — ohne Implementierungskosten, die erheblich sein können.

OpenRouteService — Kostenlose EU-Routing-API für Entwicklerteams, die eine eigene Lösung bauen wollen. Selbst hosten auf eigener Infrastruktur möglich — maximale DSGVO-Kontrolle. Kein fertiges Dispositionssystem, sondern eine Routing-Engine, die in eine eigene Anwendung integriert wird. Sinnvoll als Baustein, wenn du eine maßgeschneiderte Lösung entwickeln lässt, die sich in dein ERP oder CAFM-System integriert.

Zusammenfassung — wann welcher Ansatz:

• Schneller Pilot, 5–15 Techniker, Fahrtzeit im Fokus → OptimoRoute
• Routing + Telematik + deutsches Hosting → Webfleet
• Deutsches FSM-Komplettsystem mit KI-Routing → COMP4
• Enterprise, bereits in Dynamics 365, langfristige Plattform → Microsoft Dynamics 365
• Eigenentwicklung, kein Budget für SaaS, DSGVO-maximiert → OpenRouteService

Datenschutz und Datenhaltung

Routenoptimierungs-Systeme verarbeiten mehrere datenschutzrechtlich relevante Kategorien gleichzeitig: Fahrtdaten von Mitarbeitenden (GPS-Ortung), Kundenadressen und Anlagenstandorte sowie im fortgeschrittenen Fall auch IoT-Daten aus den Aufzugsanlagen selbst.

Für die GPS-Ortung von Mitarbeitenden gilt in Deutschland § 87 BetrVG: Die Einführung technischer Einrichtungen, die das Verhalten oder die Leistung von Arbeitnehmern überwachen können, ist mitbestimmungspflichtig. Das bedeutet: Vor dem Launch einer Ortungslösung muss eine Betriebsvereinbarung abgeschlossen werden — bei Betrieben ohne Betriebsrat empfiehlt sich zumindest eine schriftliche Einverständniserklärung. Webfleet und COMP4 stellen Muster-Betriebsvereinbarungen bereit.

Für die DSGVO-konforme Datenverarbeitung gilt:

• Webfleet und COMP4: EU- bzw. DE-Datenhaltung, AVV standardmäßig erhältlich — DSGVO-konforme Wahl ohne Spezialprüfung
• OptimoRoute: US-Hosting, SCC-Rahmen verfügbar. Für Kundenadressen und Fahrtdaten datenschutzrechtlich prüfen lassen; für viele Betriebe akzeptabel, für Betriebe im öffentlichen Bereich oder mit besonderen Vertragsklauseln problematisch
• Microsoft Dynamics 365: EU Data Boundary verfügbar, aktiv konfigurieren — Standard ist nicht automatisch EU

Wer Fahrtdaten mit Kundendaten und Anlagendaten verknüpft, betreibt eine Auftragsverarbeitung im Sinne von Art. 28 DSGVO. Der AVV mit dem jeweiligen Tool-Anbieter muss aktiv angefordert und unterschrieben werden.

Was es kostet — realistisch gerechnet

Einstiegskosten (einfache Routenoptimierung)

• OptimoRoute Pro für 5 Techniker: ca. 220 USD/Monat (≈ 200 EUR), keine Einrichtungsgebühr, 30 Tage kostenlos testen
• Interne Einrichtungszeit: 1–2 Tage (Adressdaten aufbereiten, Techniker anlegen, erste Routen testen)

Mittelstufe (deutsches FSM mit KI-Routing)

• COMP4 oder vergleichbar: Keine öffentlichen Preise — ca. 80–150 EUR/Techniker/Monat als Marktrichtwert für vollständige FSM-Plattformen in dieser Größenklasse
• Einrichtungsaufwand: 3–6 Wochen intern + Anbieter-Onboarding

Enterprise (Microsoft Dynamics 365 mit Field Service-Modul)

• Lizenzkosten: ab ca. 95 EUR/Nutzer/Monat für Field Service Modul
• Implementierungskosten: 15.000–60.000 EUR (extern) + 10–20 Wochen Projektzeit
• Sinnvoll erst ab 30+ Technikern oder bestehender Dynamics-Umgebung

Was du dagegenrechnen kannst

Für einen Betrieb mit 8 Technikern, die täglich je 30 Minuten weniger fahren:

• 8 Techniker × 30 Min. × 220 Arbeitstage = 880 Stunden jährlich
• Bei einem Verrechnungssatz von 60–80 EUR/Stunde (interner Kostensatz, nicht Kundenpreis): 53.000–70.000 EUR jährlich in produktiv umgewandelte Zeit
• Kraftstoffeinsparung (bei Ø 25 % weniger km und 30.000 km/Jahr je Techniker): ca. 5.000–7.000 EUR pro Techniker oder 40.000–56.000 EUR für 8 Techniker
• Reduktion von Mehrfachbesuchen (Leerfahrten): je nach Ausgangslage weitere 10.000–25.000 EUR

Im konservativen Szenario (nur 15 Prozent der berechneten Einsparung materialisiert sich): liegt man immer noch klar über den Lizenzkosten eines einfachen Routing-Tools. Das ist der Grund, warum der ROI hier mit 4/5 bewertet wird — die Messbarkeit ist ungewöhnlich hoch.

Tatsächlicher ROI-Nachweis: Messe Fahrkilometer, Einsätze je Techniker pro Woche und Reaktionszeit bei Störmeldungen — jeweils vier Wochen vor und vier Wochen nach der Einführung. Damit ist der Nutzen nicht geschätzt, sondern dokumentiert.

Typische Einstiegsfehler

1. Mit der Adressliste statt dem Prozess beginnen.
Der erste Reflex: Kundenadressen exportieren, ins Tool laden, Routen generieren, fertig. Das Ergebnis sind Routen, die geografisch gut aussehen aber praktisch nicht funktionieren — weil Qualifikationsgrenzen nicht modelliert sind, Zeitfenster fehlen oder das System nicht weiß, dass Gebäude A nur morgens zugänglich ist. Lösung: Vor dem ersten Dateiimport eine Liste aller Constraints erstellen: Welche Techniker können welche Anlagentypen? Welche Anlagen haben feste Zeitfenster? Was muss ein Techniker für diese Anlage im Van haben?

2. Das System als Kritik an der Disposition verkaufen.
”Mit KI geht das alles automatisch” klingt gut in der Präsentation und wird von der Disposition als Angriff auf ihre Kompetenz verstanden. Ergebnis: Das System wird formal eingeführt, praktisch aber umgangen — Techniker bekommen Sonderregeln, Ausnahmen häufen sich, nach drei Monaten plant wieder die Erfahrung. Lösung: Die Disposition frühzeitig einbinden. Sie kennt die Besonderheiten besser als jedes System — welcher Kunde braucht 20 Minuten mehr wegen schlechtem Parken, welche Anlage ist Samstagmorgens nicht erreichbar. Dieses Wissen muss ins System, nicht gegen das System.

3. Datenpflege nicht planen.
Routen sind nur so gut wie die Daten dahinter. Adressen ändern sich, Zeitfenster werden angepasst, Techniker erwerben neue Qualifikationen oder scheiden aus. Ein Routing-System, das sechs Monate nach Einführung mit veralteten Stammdaten arbeitet, produziert zunehmend schlechte Empfehlungen — und verliert das Vertrauen der Techniker. Lösung: Monatliche Datenpflege-Routine festlegen. Wer ist verantwortlich? Was wird wann geprüft? Das sind 30 Minuten im Monat — die aber eingetragen, nicht vergessen sein müssen.

4. Den Fahrtzeitgewinn falsch einpreisen.
Optimismus-Fehler: “30 Minuten weniger Fahrt pro Techniker = 30 Minuten mehr Kapazität.” In der Praxis liegt der tatsächliche Gewinn deutlich darunter, weil Pufferzeiten, Kundengespräche und Dokumentationsarbeit ebenfalls Zeit brauchen. Realistischer Ansatz: Plane mit 40–60 Prozent des theoretischen Fahrtzeitgewinns als tatsächliche Kapazitätserweiterung. Das bleibt ein starker ROI — aber er entsteht über Monate, nicht über Nacht.

5. Keine Failsafe-Regel für Notfalleinsätze definieren.
Was passiert, wenn um 11 Uhr eine dringende Störmeldung mit Personeneinschluss eingeht? Das System plant um — aber wer entscheidet, ob diese Umplanung korrekt ist? Wenn das System einen Techniker mitten aus einem wichtigen Wartungseinsatz herausreißt, entsteht an anderer Stelle ein Problem. Lösung: Klare Priorisierungsregeln vor dem Go-Live festlegen. Personeneinschluss trumpft immer. Störung mit SLA-Frist trumpft präventive Wartung. Das sind Regeln, die ins System eingepflegt werden müssen — sie entstehen nicht automatisch.

Was mit der Einführung wirklich passiert — und was nicht

Die größte Überraschung in der Praxis: Die Techniker sind oft skeptischer als erwartet.

Das liegt an einem einfachen psychologischen Mechanismus. Routenplanung ist in vielen Serviceunternehmen ein Stück impliziter Autonomie: Ich fahre so, wie ich es für richtig halte. Ich kenne meine Kunden, ich kenne die Stadtteile, ich kenne die Parkplätze. Ein System, das mir sagt, wo ich als Nächstes hinfahren soll, greift in diesen Bereich ein.

Drei Widerstands-Muster tauchen regelmäßig auf:

Die Routen-Skeptiker: “Das System schickt mich da durch, das kenne ich — da ist immer Stau.” Manchmal haben sie recht: Echtzeitverkehr ist in einfacheren Tools nicht integriert, historische Muster werden unterschiedlich gut abgebildet. Lösung: Techniker einladen, Ausnahmen zu melden. Jede gemeldete Ausnahme wird geprüft und entweder ins System eingepflegt oder erklärt. Wenn die Techniker sehen, dass ihr Wissen in das System einfließt, wächst das Vertrauen.

Die Effizienz-Skeptiker: “Mehr Einsätze pro Tag heißt mehr Druck.” Diese Befürchtung ist berechtigt — wenn die Unternehmensführung die freiwerdende Zeit nicht in bessere Qualität, sondern nur in mehr Quantität steckt. Kommuniziere klar: Ziel ist nicht, dass jeder Techniker täglich drei Einsätze mehr macht. Ziel ist, dass unnötige Fahrten wegfallen — und dieser Puffer in bessere Dokumentation, mehr Zeit pro Einsatz oder frühere Feierabende fließt.

Die Datenschutz-Bedenker: GPS-Ortung in Arbeitsfahrzeugen ist technisch unproblematisch, rechtlich aber klar geregelt. Betriebsvereinbarung vor Start abschließen und transparent kommunizieren: Was wird gespeichert, wer kann es sehen, wann werden Daten gelöscht?

Was konkret hilft:

• Zwei Wochen Parallelbetrieb: Das System macht Vorschläge, die Techniker entscheiden noch selbst. Erkenntnisse aus dieser Phase fließen als Constraints ins System
• Öffentliches Dashboard mit Fahrtkennzahlen für alle Techniker — kein Kontrollwerkzeug, sondern ein Transparenzangebot
• First-Time-Fix-Rate und Kundenzufriedenheit als Gegenpol zu reinen Effizienz-KPIs

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Disponentin kennt die Routen besser als jedes System.”
Das stimmt — für die Feinheiten. Für die kombinatorische Gesamtlösung mit 30+ Einsätzen und 8 Technikern stimmt es nicht mehr. Ein System schlägt nicht vor, Erfahrung zu ersetzen — es schlägt vor, Erfahrung als Constraints zu formalisieren. Was die Disponentin weiß, soll ins System fließen, nicht verschwinden. Danach plant das System schneller als sie — und sie prüft und korrigiert, statt von Null zu beginnen.

„Wir haben zu viele Sonderfälle für ein standardisiertes System.”
Sonderfälle sind Constraints. Jeder Sonderfall, der heute im Kopf der Disponentin lebt — “Anlage 17 braucht immer einen Schlüssel vom Hauswart, der nur bis 9 Uhr da ist” — ist ein Zeitfenster-Constraint, der sich ins System einpflegen lässt. Der Aufwand, Sonderfälle zu erfassen, ist Einmalaufwand. Der Gewinn ist, dass das Wissen nicht mehr an einer Person hängt.

„Wir können uns das nicht leisten.”
OptimoRoute für 5 Techniker kostet ca. 200 EUR im Monat. Wenn diese 5 Techniker zusammen täglich 1 Stunde weniger fahren — was der untere Rand der realistischen Erwartung ist — entspricht das bei einem Bruttostundensatz von 35 EUR bereits täglich 35 EUR gespartem Aufwand. Nach einer Woche hat sich der Monatsbeitrag amortisiert. Das Kostenargument gilt für Enterprise-Systeme, nicht für einen einfachen Routing-Pilot.

Woran du merkst, dass das zu dir passt

• Du planst täglich Einsätze für drei oder mehr Techniker, und der Planungsaufwand frisst 30–60 Minuten, die anderswo nützlicher wären
• Störmeldungen reißen die Tagesplanung regelmäßig auseinander, und das Umplanen kostet jedes Mal 15–20 Minuten Telefonieren und Nachdenken
• Du hast das Gefühl, dass Techniker unterschiedlich ausgelastet sind — einer schafft sieben Einsätze, einer fünf, ohne erkennbaren Grund
• Leerfahrten wegen fehlender Teile oder falscher Anlagentyp-Zuordnung passieren mehr als einmal pro Woche
• Du nutzt bereits ein Auftragsmanagement- oder CAFM-System mit strukturierten Adressdaten — das ist die Mindestvoraussetzung für jedes Routing-Tool

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Weniger als drei aktive Techniker im Außendienst. Unterhalb dieser Schwelle ist die Routenkomplexität so gering, dass manuelle Planung schneller und präziser ist als jedes System. Der ROI entsteht durch die Kombination mehrerer Techniker-Routen, nicht durch die Optimierung einer einzelnen.

2. Auftragserfassung läuft noch auf Papier oder in nicht-strukturierten Formaten. Routing-Systeme brauchen saubere Adressdaten, Zeitfenster und Constraints als Inputs. Wer noch kein digitales Auftragsmanagement hat, sollte dort zuerst investieren — ein KI-Routing auf Basis von Papierlisten ist nicht möglich. Dieser Schritt muss vor dem Routing kommen, nicht danach.

3. Keine Person verfügbar, die das System dauerhaft pflegt. Routing-Systeme veralten: Adressen ändern sich, Qualifikationen entwickeln sich, neue Anlagen kommen hinzu. Ein System, das sechs Monate nach Einführung mit alten Daten läuft, plant schlechter als manuelle Erfahrung. Mindestens zwei Stunden pro Monat für Datenpflege müssen eingeplant sein — von einer konkreten Person, nicht “irgendwie”.

Das kannst du heute noch tun

Mach eine einfache Benchmark-Analyse deiner letzten vier Wochen. Du brauchst dazu nur drei Zahlen pro Techniker pro Woche:

1. Wie viele Kilometer wurde gefahren?
2. Wie viele Einsätze wurden abgeschlossen?
3. Wie oft wurde ein zweiter Besuch gebraucht, weil etwas beim ersten Mal nicht gelöst wurde?

Diese drei Zahlen geben dir eine Baseline — und wenn du in vier Wochen dieselbe Messung machst, weißt du, ob das System einen Unterschied macht. Ohne diese Baseline lässt sich kein ROI berechnen und kein Nutzen nachweisen.

Danach: Starte eine kostenlose 30-Tage-Testphase bei OptimoRoute. Keine Kreditkarte nötig, kein langfristiger Vertrag. Lade drei Techniker, ihre Tagesziele der letzten Woche und die bekannten Zeitfenster hoch. Lass das System eine Route berechnen und vergleiche sie mit dem, was tatsächlich gefahren wurde. Die Differenz ist dein Diskussionsstoff für die Einführungsentscheidung.

Für die Disposition: Hier ist ein Prompt, mit dem du die tägliche Einsatzplanung mit einem KI-Assistenten vorbereiten kannst, solange du noch kein dediziertes Routing-Tool einsetzt:

Quellen & Methodik

• TK Elevator / Microsoft Azure (2025): Microsoft Customer Stories — „TK Elevator advances global field service with agentic AI on Azure.” Dokumentiert: 20.000 vermiedene Serviceeinsätze in einem Jahr (USA), 40 % weniger Callbacks, 15 % bessere First-Time-Fix-Rate durch KI-gestützte Dispatch-Logik. URL: microsoft.com/en/customers/story/26403-tk-elevator-azure
• KONE Corporation / AWS (2024): Plant Services / AWS Case Study — „Advanced IoT and AI solidify KONE’s elevator and escalator predictive maintenance services.” Dokumentiert: 70 % mehr proaktive Fehlererkennung, 40 % weniger Störmeldungen bei 40.000 Technikern und über 100.000 täglichen Einsätzen. URL: plantservices.com/predictive-maintenance (2024)
• Fahrtzeitanteil in Servicebetrieben: Branchenstudien Field Service Management zeigen konsistent 25–35 % Fahrtzeitanteil bei nicht-optimierten Routen; bestätigt durch OptimoRoute- und Webfleet-Implementierungserfahrungen (Stand April 2026)
• OptimoRoute-Preise: Veröffentlichtes Pricing optimoroute.com, Stand April 2026 — Lite 35 USD/Fahrer/Monat, Pro 44 USD/Fahrer/Monat
• l-mobile.com (2024): „Tourenplanungssoftware im Field Service Management: Sinnvoll für kleine Unternehmen?” — Schwellenwert-Analyse: Optimierungssoftware rechnet sich erst ab mehreren Einsätzen täglich pro Techniker
• § 87 BetrVG: Mitbestimmungspflicht bei technischen Überwachungseinrichtungen — gilt für GPS-Ortung im Arbeitsverhältnis. Aktuelle Fassung Betriebsverfassungsgesetz.
• Constraint-Failure-Systematik: fieldservicely.com, „Route Optimization Constraints: Types, Examples & Use Cases” — Dokumentiert Kaskadeneffekte bei falsch modellierten Zeitfenstern im Field Service
• Implementierungskosten Field-Service-Systeme: Eigene Marktrichtwerte basierend auf öffentlich verfügbaren Angaben (Webfleet, Dynamics 365 Field Service, ServiceTitan), Stand April 2026

Du willst wissen, welche Datenbasis für euren Betrieb ausreicht und wie schnell ein Pilot aussehen könnte? Meld dich — wir schauen gemeinsam, welcher Ansatz zu eurer Unternehmensgröße und eurem Anlagenbestand passt.