Montageplanung und Terminkoordination

Das echte Ausmaß des Problems

Der Disponent oder Meister plant den nächsten Tag: Wer fährt wohin, mit welchem Material, bei welchem Kunden? Was klingt wie eine Routineaufgabe, ist in Wirklichkeit ein tägliches Optimierungsproblem mit Dutzenden Variablen — und die Lösung entscheidet über Kosten und Ertrag des Betriebs.

Bei einem Betrieb mit sechs Monteuren und zwölf gleichzeitig laufenden Aufträgen entstehen durch suboptimale Planung schnell 20 bis 30 Kilometer Zusatzfahrtstrecke pro Tag. Das klingt gering, kostet aber bei 0,42 Euro/km tatsächlichen Fahrzeugbetriebskosten (ADAC Kostenrechner 2024, Kastenwagen mittelgroß) und 250 Arbeitstagen pro Jahr über 5.250 Euro extra an Fahrtkosten — ohne den Wert der verlorenen Monteurzeit einzurechnen. Hinzu kommen Leerfahrten, weil das benötigte Material nicht auf dem richtigen Fahrzeug war, Terminkollisionen weil zwei Monteure die gleiche Qualifikation für verschiedene Aufträge brauchen, und Überziehungen weil Auftragsdauer unterschätzt wurde.

Laut einer Untersuchung des Fraunhofer-Instituts für Arbeitswirtschaft und Organisation (IAO, 2022) verbringen Disponenten in Handwerksbetrieben täglich 60 bis 90 Minuten mit Tourenplanung — zu einem erheblichen Teil für Abstimmung, Korrekturen und kurzfristige Umplanungen. Die ZDH-Analyse „Digitalisierung im Handwerk” (2023) zeigt: Nur 12 Prozent der befragten Betriebe nutzen digitale Tools zur Tourenoptimierung.

Besonders teuer sind kurzfristige Umplanungen. Wenn ein Monteur am Morgen krank meldet, beginnt eine Kettenreaktion: Der Meister telefoniert 20–30 Minuten, um herauszufinden, wer die Aufträge übernehmen kann. Termine werden verschoben. Kunden müssen informiert werden. Stundensatz eines Meisters: 50–65 Euro — das sind 25 Euro allein für einen einzigen Krankheitsfall. Bei einem Betrieb mit 8 Krankheitstagen pro Monteur im Jahr summiert sich das auf mehrere Hundert Euro reine Planungskosten.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Bei ausreichender Auftragsdichte und kompaktem Einsatzgebiet. Nicht erreichbar bei bereits vollausgelasteten Teams.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) 30–60 Minuten täglich für Disponenten — real, aber begrenzt auf die Person, die plant. Monteure sparen Fahrzeit, aber deren Zeitersparnis ist schwerer zu isolieren. Verglichen mit der Angebotserstellung (5/5) oder der Rechnungsstellung (4/5) ist der Hebel auf die gesamte tägliche Arbeitszeit geringer, weil Planung nur einen Mitarbeiter betrifft.

Kosteneinsparung — hoch (4/5) Das ist der stärkste Hebel dieses Use Cases. Reduzierte Fahrtkosten (messbar), ein zusätzlicher Auftrag pro Woche durch dichtere Taktung (direkter Umsatzeffekt), weniger Leerfahrten durch Materialfehler — zusammen ergibt sich ein Kostenbild, das deutlich greifbarer ist als bei der Kundenkommunikation oder der Aufmaß-Dokumentation.

Schnelle Umsetzung — niedrig (2/5) Der Start klingt einfach — Aufträge und Mitarbeiter als Text in ChatGPT, Plan rausbekommen. Aber bis der Plan wirklich besser ist als die manuelle Planung, braucht es Iterationen: Qualifikationsdaten strukturieren, Auftragsdauern kalibrieren, Spezialfälle modellieren. Realistisch 4–8 Wochen bis stabile Planungsqualität. Der niedrigste Einstiegswert unter den Montageplanung-nahen Use Cases.

ROI-Sicherheit — mittel (3/5) Fahrtkosten lassen sich direkt messen. Ob der „eine zusätzliche Auftrag pro Woche” wirklich eintritt, hängt stark von der Auftragslage ab — kein Auftrag, kein Mehrertrag. Der ROI ist real, aber mit mehr Variablen als bei der Baudokumentation (ein vermiedener Streitfall = klarer Wert) oder der Rechnungsstellung (Zeitersparnis = direkt messbar).

Skalierbarkeit — hoch (5/5) Das ist der klare Ausreißer dieses Use Cases. Je mehr Monteure, je mehr Aufträge, je größer das Einsatzgebiet — desto größer der Optimierungsvorteil der KI. Ein Betrieb mit 3 Monteuren bemerkt den Unterschied kaum. Ein Betrieb mit 12 Monteuren in 50 km Radius gewinnt täglich mehrere Stunden und Tausende Euro Fahrtkosteneinsparung pro Jahr.

Richtwerte — stark abhängig von Betriebsgröße, Einsatzgebiet und Qualifikationsstruktur des Teams.

Was der Planungsassistent konkret macht

Der Ansatz verbindet zwei Technologien: Routenoptimierung (bekannt aus der Logistik) und LLM-basierte Kapazitätsplanung (Qualifikationen, Kundenpräferenzen, Materialverfügbarkeit). Für die meisten Handwerksbetriebe ist der praktische Einstieg über ein Sprachmodell sinnvoller als eine spezialisierte Dispositionssoftware.

Du gibst als Input ein:

• Offene Aufträge mit Adresse, Auftragsdauer und benötigten Qualifikationen
• Verfügbare Monteure mit Qualifikationen und aktuellem Standort
• Materialverfügbarkeit auf den Fahrzeugen
• Kundenvorgaben (Terminwünsche, bevorzugter Monteur)

Das Modell gibt zurück:

• Einen Tagesplan mit Monteur-Zuordnung und Reihenfolge
• Begründungen für kritische Entscheidungen (warum Monteur A und nicht B)
• Markierung von Konflikten oder Engpässen

Der entscheidende Unterschied zur manuellen Planung: Das Modell berücksichtigt alle Variablen gleichzeitig. Kein Mensch kann im Kopf behalten, dass Monteur 4 heute die Zertifizierung für Gewerbekunden hat, aber nur bis 16 Uhr, weil er danach einen Kurs hat, und dass der Auftrag in der Nordstadt besser mit Fahrzeug 3 erledigt wird, das noch Material geladen hat.

Konkrete Werkzeuge — was wann passt

ChatGPT — für die manuelle Tagesplanung: Auftragslist und Mitarbeiter als Text eingeben, optimierten Plan erhalten. Gut für den Einstieg ohne Software-Integration. Ab 0 Euro.

Claude — besonders stark wenn komplexe Einschränkungen berücksichtigt werden müssen (Qualifikationen, Materialverfügbarkeit, Kundenwünsche). Versteht mehrstufige Planungsprobleme verlässlicher. Ab 0 Euro.

Make.com — für automatisierte Workflows: Neuer Auftrag wird angelegt → automatisch in Planungsübersicht eingetragen → tägliche Planung per KI angestoßen. Ab 9 Euro/Monat.

Microsoft 365 Copilot — für Teams, die Planung in Excel oder Teams-Kalender führen: Copilot kann Planungsvorschläge generieren und Kalenderblöcke automatisch setzen. Ab 28,10 Euro/Nutzer/Monat.

Zapier — für die Verbindung mit spezifischer Handwerkersoftware wie Tarifold, Bouw7 oder MeinBüro: Automatische Übertragung von Auftragsänderungen in den Planungsassistenten. Ab 20 Euro/Monat.

Datenschutz und Datenhaltung

Montageplanung enthält personenbezogene Daten: Namen der Monteure, Einsatzorte, Kundenadressen. Wer diese Daten in ChatGPT oder Claude eingibt, überträgt sie auf US-Server. Für DSGVO-Konformität brauchst du einen AVV mit dem Anbieter — verfügbar bei ChatGPT Team/Enterprise und Claude for Work.

Alternativ: Kunden-Adressen anonymisieren (nur Postleitzahl + grobe Lage), Mitarbeiternamen durch Kürzel ersetzen. Dann fallen die Daten nicht mehr unter Personenbezug und können unbedenklich in externe Modelle eingegeben werden. Diese Anonymisierung kostet 2 Minuten Vorbereitung pro Planung.

Was es kostet — realistisch gerechnet

Einstieg (manuelle KI-Planung)

• ChatGPT Plus: 20 Dollar/Monat
• Zeitaufwand Einrichtung: 4–8 Stunden (Mitarbeiterprofile, Qualifikations-Liste, Planungsvorlage)
• Dann: 20–30 Minuten für Tagesplan statt 60–90 Minuten

Halbautomatisiert (mit Softwareintegration)

• Make.com + ChatGPT API: 30–60 Euro/Monat
• Dispositionssoftware (z. B. Bouw7, PlanningPME): 50–150 Euro/Monat
• Einmalige Integration: 1.000–2.500 Euro

ROI-Beispiel: Betrieb mit 6 Monteuren, aktuell 30 km Mehrfahrtstrecke/Tag. KI-Optimierung reduziert auf 10 km Mehrfahrt. Fahrkosteneinsparung: 20 km × 0,42 €/km × 250 Tage = ca. 2.100 Euro/Jahr. Zusätzlich: Disponent spart 30 Minuten täglich = 125 Stunden/Jahr à 40 Euro Stundensatz = 5.000 Euro. Zusätzlich 1 Auftrag mehr pro Woche durch engere Taktung: bei 400 Euro Deckungsbeitrag = weitere 20.000 Euro/Jahr möglicher Mehrumsatz (nur erreichbar bei ausreichender Auftragslage). Gesamtnutzen konservativ: 7.100 Euro/Jahr bei Tool-Kosten von 600–1.500 Euro/Jahr.

Typische Einstiegsfehler

1. Auftragsdauern werden zu optimistisch geschätzt. Wenn der Input sagt „Auftrag dauert 2 Stunden”, plant die KI auch 2 Stunden. Wenn in Wirklichkeit 3 Stunden die Norm sind, ist jeder Tagesplan von Anfang an falsch. Historische Auftragsdaten auswerten und realistische Werte einpflegen — das lohnt sich vor dem ersten Einsatz.

2. Qualifikationsdaten fehlen oder sind veraltet. Wenn die KI nicht weiß, wer welche Zertifizierung hat, macht sie falsche Zuordnungen. Eine strukturierte Qualifikationsmatrix für jeden Monteur erstellen — einmalig 2–3 Stunden, danach nur bei Änderungen aktualisieren.

3. Der Plan wird nicht kommuniziert. KI erstellt einen optimierten Plan — aber wenn die Monteure ihn trotzdem über 10 Einzelanrufe morgens um 7 Uhr erhalten, hat sich an der Planungszeit nichts geändert. Lösung vor dem Go-live festlegen: Entweder tägliche WhatsApp-Gruppennachricht mit dem Plan als Screenshot, oder E-Mail-Versand über einen Make.com-Workflow. Wer das nicht klärt, bevor das System startet, kehrt nach zwei Wochen zum Telefonieren zurück.

4. Das System läuft — und wird dann nicht mehr gepflegt. Auftragsdauern, Qualifikationen, Stammkunden-Präferenzen und Fahrzeugausstattung ändern sich. Wer die Planungsbasis nach dem Go-live nicht aktualisiert, plant nach drei Monaten mit veralteten Daten — und wundert sich, warum die Vorschläge nicht mehr passen. Eine monatliche Überprüfung von 30 Minuten reicht: Neue Zertifizierungen einpflegen, veränderte Standarddauern korrigieren, neue Constraints ergänzen.

Was mit der Einführung wirklich passiert — und was nicht

Was passiert: Die Planungszeit sinkt, aber langsamer als erwartet — weil die ersten Wochen auch Datenpflege und Prompt-Optimierung bedeuten. Monteure profitieren von pünktlicheren Plänen und weniger Morgentelefonaten.

Was nicht passiert: Die KI plant autonom — du prüfst und entscheidest immer noch. Kurzfristige Sonderfälle (Kundenwunsch, Stau, technische Überraschung auf der Baustelle) kann kein System vollständig vorwegnehmen.

Typischer Widerstand: Erfahrene Disponenten oder Meister sehen die KI als Infragestellung ihrer Kompetenz. Das Gegenteil stimmt: Ein KI-Vorschlag als Ausgangspunkt spart Zeit und Nerven — die endgültige Entscheidung trifft immer noch ein Mensch.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Planung ist zu komplex für einen Algorithmus.” Echte Komplexität — viele Aufträge, viele Einschränkungen, kurzfristige Änderungen — ist genau der Bereich, in dem KI gegenüber manuellem Planen am stärksten überlegt. Kein Mensch kann gleichzeitig alle Qualifikationen, Fahrtzeiten, Materialverfügbarkeiten und Kundenfenster im Kopf behalten. KI kann — und tut das konsistent.

„Die Monteure wollen nicht, dass ein Computer sagt, wo sie hinfahren.” Die KI macht einen Vorschlag, du entscheidest. Kein Monteur muss blind einem Algorithmus folgen. Wenn der erste Entwurf schon gut ist, sparst du jeden Morgen Zeit — und Monteure bekommen pünktlichere, fairere Pläne.

„Was wenn ein Auftrag länger dauert als geplant?” Dann passt du den Plan an und gibst der KI die neue Situation. Neuplanung in 5 Minuten statt 20 Minuten Telefonate — gerade bei häufigen Abweichungen der größte Vorteil.

Woran du merkst, dass das zu dir passt

• Du hast 5 oder mehr Monteure im Außeneinsatz, die täglich neu disponiert werden müssen
• Dein Einsatzgebiet erstreckt sich über mehr als 20 km und Fahrtzeiten spielen eine Rolle
• Kurzfristige Umplanungen durch Krankheit oder Terminverschiebungen kosten dich regelmäßig mehr als 30 Minuten täglich

Wann du es noch nicht brauchst:

• Wenn du weniger als 4 Monteure hast und alle im gleichen Stadtgebiet fahren — der manuelle Plan ist bei dieser Größe in 15 Minuten gemacht
• Wenn deine Aufträge über mehrere Tage laufen und täglich fix geplant sind — kein Optimierungspotenzial ohne Variabilität
• Wenn du zuerst die Kundenkommunikation oder Rechnungsstellung lösen willst — die bringen schnellere Resultate mit weniger Einrichtungsaufwand

Das kannst du heute noch tun

Nimm die Auftragsliste von morgen und gib sie strukturiert in ChatGPT ein — mit Adressen (anonymisiert als Stadtteile reicht), Auftragsdauer und benötigten Qualifikationen je Monteur. Lass ChatGPT einen optimierten Tagesplan vorschlagen und vergleiche ihn mit deiner eigenen Planung. Das zeigt dir in 30 Minuten, ob der Ansatz für dein Betriebsmodell brauchbar ist.

Quellen & Methodik

• Fraunhofer IAO, 2022: Dispositionszeiten in Handwerksbetrieben, Tourenplanung und Effizienzpotenziale.
• ZDH (Zentralverband des Deutschen Handwerks), 2023: „Digitalisierung im Handwerk” — Nutzungsrate digitaler Planungstools.
• ADAC Kostenrechner 2024: Fahrzeugbetriebskosten Kastenwagen mittelgroß — Grundlage für Fahrkostenberechnungen.
• Eigene Beobachtungen: Planungsaufwand und Umplanungsszenarien in Handwerksbetrieben, 2022–2024. Keine repräsentative Studie.