KI-Assistent für die Disposition

Das echte Ausmaß des Problems

Disposition ist intellektuell anspruchsvollste Routinearbeit: Täglich neue Kombinationsprobleme unter Zeitdruck, mit variablen Nebenbedingungen und Informationen, die sich in Echtzeit ändern. Laut einer DSLV-Umfrage von 2023 bezeichnen 68 % der befragten Speditionsbetriebe den Fachkräftemangel in der Disposition als wachsendes operatives Risiko — nicht wegen fehlender Köpfe, sondern wegen fehlendem Wissen in diesen Köpfen.

Das strukturelle Problem: Erfahrene Disponenten akkumulieren über Jahre ein Netz von impliziten Regeln — Kundenvorlieben, Fahrzeugbesonderheiten, Straßentopografien, Carrier-Eigenheiten. Dieses Wissen ist operativ gold wert und existiert ausschließlich in einer einzelnen Person. Wenn diese Person krank wird, geht in den Urlaub oder kündigt, bricht das Netz zusammen. Stellvertreter brauchen Wochen, um auch nur die wichtigsten Regeln zu lernen — durch Fehler.

Die Kosten von Planungsfehlern sind gut dokumentiert: Ein falsch zugeordnetes Fahrzeug (zu klein für die Ladung) erzwingt eine Rückfahrt und Neubeladung — im Schnitt 200–600 Euro. Ein übersehenes Zeitfenster verursacht Wartegebühren oder Laderampenausfall — 300–1.500 Euro. Eine Lenkzeitverletzung (EU-Verordnung 561/2006) kostet im Bußgeldfall 180–500 Euro pro Verstoß, zuzüglich Haftungsrisiko für den Betrieb. Betriebe mit 20–50 Fahrzeugen berichten von durchschnittlich 3–6 solcher Fehler pro Woche.

Das dritte Problem ist Burnout. Disponenten arbeiten in hochkognitiver, reaktiver Umgebung — ständige Unterbrechungen, Zeitdruck, Verantwortung für kostspielige Fehler. Fluktuation und Burnout-Raten liegen in der Disposition nachweislich über dem Transport-Branchendurchschnitt. Ein System, das Routineentscheidungen vorschlägt und Konfliktprüfungen übernimmt, ist kein Effizienzwerkzeug. Es ist ein Burnout-Schutz.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Das ist die stärkste Dimension. Disponenten verbringen 60–90 Minuten täglich mit Routineplanung, die ein Assistent in 15–25 Minuten erledigt — Vorschläge machen, Konflikte prüfen, Optionen filtern. Die Zeitersparnis ist direkt im täglichen Betrieb messbar und tritt ab dem ersten Produktionstag auf. Kein anderer Anwendungsfall in der Logistik-Branche spart vergleichbar viel direkte Arbeitszeit je Person.

Kosteneinsparung — mittel (3/5) Die eingesparte Planungszeit hat einen messbaren Geldwert. Aber die eigentliche Kosteneinsparung kommt aus Fehlerreduktion — und die schwankt stark je nach Ausgangssituation. Betriebe mit wenigen Fehlern gewinnen weniger. Die Entwicklungs- oder Lizenzkosten sind zudem nicht trivial: Ein vollständiger Dispositions-Copilot kostet 30.000–80.000 Euro in der Entwicklung. Das drückt die netto-Kosteneinsparung im ersten Jahr.

Schnelle Umsetzung — niedrig (2/5) Das ist die schwierigste Dimension. Ein Dispositions-Assistent braucht eine funktionierende TMS-API, strukturierte Auftragsdaten und eine Modellierung der impliziten Betriebsregeln. Das dauert — und scheitert häufig an fehlenden oder proprietären TMS-Schnittstellen. Realistische Timeline: 12–20 Wochen bis Pilotbetrieb. Der pragmatische Einstieg (LLM mit TMS-Export) ist schneller — aber deutlich begrenzter in der Funktionalität.

ROI-Sicherheit — hoch (4/5) Der Nutzen ist messbar: Planungszeit vorher vs. nachher, Planungsfehler vorher vs. nachher, Einarbeitungszeit für Stellvertreter. Anders als bei analytischen Use Cases (Predictive Analytics, Anomalieerkennung) muss man hier nicht auf einen langen Datenhorizont warten — der Effekt zeigt sich in Wochen. Einziger Vorbehalt: Der ROI hängt am TMS-Integrationserfolg. Ohne saubere Anbindung kein funktionsfähiger Assistent.

Skalierbarkeit — niedrig (2/5) Der Dispositions-Assistent ist stark auf das spezifische Unternehmen zugeschnitten: die eigenen Fahrzeuge, Kunden, Regeln, Routen. Jede Flottenerweiterung, jeder neue Großkunde, jede neue TMS-Version erfordert Anpassung. Das System wächst nicht automatisch mit — es muss aktiv gepflegt werden. Unter allen Logistik-Anwendungsfällen ist das einer der am wenigsten selbstskalierenden.

Richtwerte — stark abhängig von Flottenumfang, TMS-Qualität und Auftragskomplexität. Betriebe unter 10 Fahrzeugen sollten den Einstieg sorgfältig gegen den Aufwand abwägen.

Was der Dispositions-Assistent konkret macht

Ein KI-Dispositions-Assistent ist kein autonomes Planungssystem — er ist ein intelligentes Werkzeug, das dem Disponenten Informationen aufbereitet, Optionen berechnet und Konflikte meldet. Die Entscheidung trifft weiterhin der Mensch.

Auftragsmatching: Wenn ein neuer Auftrag eingeht, analysiert der Assistent Anforderungen (Fahrzeugtyp, Ladekapazität, Zeitfenster, Gefahrgutklasse, Temperaturanforderungen) und gleicht sie mit verfügbaren Fahrzeugen und Fahrern ab. Er produziert eine priorisierte Liste der passenden Zuordnungsoptionen — mit Begründung und Konfliktstatus.

Lenkzeit- und Kapazitätsprüfung in Echtzeit: Beim Klick auf eine Zuordnung prüft der Assistent sofort: Wird EU-VO 561/2006 (Lenk- und Ruhezeiten) eingehalten? Ist die Fahrzeugkapazität ausreichend? Gibt es Zeitfensterkonflikte mit anderen Sendungen in diesem Fahrzeug? Konfliktmeldungen erscheinen vor der Bestätigung — nicht nachdem der Fahrer losgefahren ist.

Natürlichsprachige TMS-Abfragen: Statt umständliches Filtern in der TMS-Oberfläche beantwortet der Assistent Fragen direkt: „Welche Fahrer haben heute noch mehr als drei Stunden Lenkzeitpuffer?” oder „Zeig mir alle offenen Aufträge für Kunde Müller diese Woche mit Zeitfensterkonflikten.” Das erspart in Stresssituationen wertvolle Minuten.

Regellernen aus Disponentenverhalten: Wenn der Disponent eine Zuordnung überschreibt und dabei eine implizite Regel anwendet, kann der Assistent lernen: „Fahrzeug X wird nie zu Kunde Y zugeordnet.” Bei der nächsten ähnlichen Situation schlägt er die Regel automatisch als Einschränkung vor. Implizites Wissen wird schrittweise explizit — ohne strukturierten Wissenstransfer.

Vertretungsmodus: Für Urlaubs- oder Krankheitsvertretungen zeigt der Assistent aktive Regeln und Ausnahmen im Klartext an: „Für Kunde Bauer GmbH: Anfahrt nur von Norden (Toranlage). Kein Freitagslieferung laut Rahmenvertrag. Bevorzugter Fahrer: Kliemann.” Der Stellvertreter ist sofort handlungsfähig — ohne Einarbeitungsgespräch.

Konkrete Werkzeuge — was wann passt

ChatGPT / Claude mit TMS-Datenanbindung Für den pragmatischen Einstieg: Ein LLM mit Lesezugriff auf TMS-Exportdaten kann natürlichsprachige Abfragen beantworten und einfache Zuordnungsvorschläge machen. Kein vollständiger Dispositions-Copilot — aber ein erster Schritt, der in 4–8 Wochen umgesetzt werden kann. Kosten: 5.000–15.000 Euro Entwicklung, danach 100–300 Euro/Monat API-Nutzung. Geeignet für Betriebe, die testen wollen, bevor sie in ein vollständiges System investieren.

OptimoRoute Extended / Routific Premium Die Premium-Pläne dieser Routing-Plattformen bieten Auftragsmanagement-Features, die einem Dispositions-Assistenten nahekommen: Auftragsimport, Kapazitätsvalidierung, Fahrzeuglastverteilung, einfache Zeitfensterkonflikterkennung. Kein natürlichsprachiges Interface, aber deutlich einfacher zu integrieren als ein maßgeschneiderter Assistent. Ab ca. 35–59 USD/Fahrzeug/Monat — für Flotten bis 30 Fahrzeuge wirtschaftlich.

Transporeon / Shippeo (Enterprise-Segment) Für Betriebe mit hohem Subunternehmer-Anteil und Spot-Freight bieten beide Plattformen zunehmend KI-unterstützte Matching- und Dispositions-Features. Enterprise-Segment — relevant ab ca. 50 Fahrzeugen und substanziellem Carrier-Management-Bedarf. Verhandlungsbasierte Preise.

Maßgeschneiderter KI-Assistent (LangChain / Relevance AI) Für Betriebe mit spezifischen Anforderungen, die keine Off-the-Shelf-Lösung abdeckt: Ein maßgeschneiderter Assistent mit TMS-API-Anbindung, unternehmensspezifischen Regelwerken und Sprach-Interface lässt sich in 12–20 Wochen entwickeln. Kosten: 20.000–60.000 Euro Entwicklung, danach günstigere Wartungskosten als Enterprise-Lizenz. Nur sinnvoll bei klarer TMS-API-Verfügbarkeit und Entwicklungsbudget.

Datenschutz und Datenhaltung

Ein Dispositions-Assistent verarbeitet personenbezogene Daten — Fahrernamen, Lenk- und Pausenzeitprofile, Aufenthaltsorte, ggf. Fahrzeug-Telemetriedaten. Das berührt mehrere Rechtsbereiche:

Betriebsratspflicht nach § 87 Abs. 1 Nr. 6 BetrVG: Systeme zur Überwachung oder Steuerung von Mitarbeiterverhalten — darunter fällt ein Assistent, der Fahrerzuordnungen dokumentiert und Lenkzeitprofile analysiert — sind mitbestimmungspflichtig. Ohne Betriebsvereinbarung kein rechtssicherer Betrieb. Das gilt auch, wenn keine automatisierte Überwachung beabsichtigt ist — entscheidend ist die technische Möglichkeit.

Fahrerdaten und § 26 BDSG: Verarbeitung von Arbeitnehmerdaten zur Aufgabenplanung ist nach § 26 BDSG zulässig, wenn sie verhältnismäßig und zweckgebunden ist. Der Dispositions-Assistent muss klar dokumentieren, welche Fahrerdaten er zu welchem Zweck verarbeitet — und wie lange er sie aufbewahrt.

DSGVO-Grundlagen: AVV-Verträge mit LLM-Anbietern (OpenAI, Anthropic) sind bei US-Anbietern erhältlich — stellen aber keine vollständige DSGVO-Konformität sicher. Für maximale Rechtssicherheit: EU-gehostete Modelle oder On-Premises-Deployment bevorzugen.

EU AI Act: Dispositions-Assistenten mit Entscheidungsunterstützung für Arbeitnehmer werden nach aktuellem Stand als „Limited Risk”-System klassifiziert. Transparenzpflichten gelten: Fahrer und Disponenten müssen wissen, dass KI an Planungsentscheidungen beteiligt ist.

Konkrete Umsetzung: AVV abschließen, Betriebsvereinbarung aushandeln, Zwecke und Speicherdauern in der Verarbeitungsverzeichnis-Dokumentation festhalten.

Was es kostet — realistisch gerechnet

Option A: LLM-Einstieg mit TMS-Datenexport

• Entwicklungskosten: 5.000–15.000 Euro (API-Anbindung, Prompt-Engineering, Testphase)
• Laufende Kosten: 100–300 Euro/Monat (LLM API-Nutzung)
• Funktionsumfang: Natürlichsprachige TMS-Abfragen, einfache Vorschläge — keine Echtzeit-Konfliktprüfung
• Umsetzungszeit: 4–8 Wochen

Option B: Vollständiger Dispositions-Copilot

• Entwicklungs- oder Lizenzkosten: 25.000–70.000 Euro (Entwicklung) oder 1.500–4.000 Euro/Monat (SaaS)
• Implementierung: 12–20 Wochen
• Funktionsumfang: Vollständiges Auftragsmatching, Echtzeit-Konfliktwarnung, Regellernen

Konservatives ROI-Beispiel (20-Fahrzeug-Betrieb, 2 Disponenten): Planungszeit aktuell: 1,5 Stunden täglich je Disponent = 3 Stunden täglich. Ziel: 40 % Reduktion = 1,2 Stunden täglich gespart. Personalkosten: 22 Euro/Stunde × 1,2 × 250 Tage = 6.600 Euro/Jahr eingesparte Planungszeit.

Planungsfehler aktuell: 4 Fehler/Woche × 400 Euro Durchschnittskosten × 50 Wochen = 80.000 Euro/Jahr. Ziel: 65 % Reduktion = 52.000 Euro/Jahr verhinderte Fehlerkosten.

Gesamteffekt: ca. 58.600 Euro/Jahr im konservativen Szenario. Break-even für Option A: unter 6 Monate. Für Option B: 24–30 Monate.

Drei typische Einstiegsfehler

1. TMS ohne offene API kaufen und dann mühsam nacharbeiten Der häufigste und teuerste Fehler: Der Betrieb investiert in einen KI-Assistenten, ohne vorher zu prüfen, ob das eigene TMS eine dokumentierte API hat. Viele ältere TMS-Systeme (besonders On-Premises-Installationen aus den 2000er- oder 2010er-Jahren) haben keine API oder nur eingeschränkte Exportfunktionen. Ergebnis: Die gesamte Entwicklungszeit geht in das Bauen einer Middleware-Lösung, die fragil ist und bei TMS-Updates bricht. Vor jeder Investition: TMS-Hersteller konkret fragen: REST-API ja/nein? Welche Endpunkte? Authentifizierungsschema? Rate Limits?

2. Implizites Wissen nicht vorher strukturieren Ein KI-Assistent kann implizite Regeln nur lernen, wenn der Disponent sie explizit anwendet und das System sie beobachtet. Wenn der Betrieb damit rechnet, dass der Assistent das Wissen „von alleine” aufbaut, während der Disponent arbeitet — dauert das Monate bis Jahre. Schneller: Vor dem Go-Live 3–5 Interviews mit dem erfahrensten Disponenten führen, die wichtigsten Kunden- und Fahrzeugregeln dokumentieren und als hartcodierte Constraint-Regeln ins System einbauen. Das spart Lernzeit.

3. Den Disponenten als Bremser behandeln, nicht als Co-Designer Disponenten sind skeptisch gegenüber KI-Assistenten — zu Recht. Wenn der Assistent ohne ihre Beteiligung entwickelt und dann als fertige Lösung präsentiert wird, lehnen sie ihn im Schnitt nach 2–4 Wochen stillschweigend ab: Nutzungsrate unter 20 %, Vorschläge werden ignoriert, das System läuft neben dem bisherigen Prozess weiter — das Projekt kostet den vollen Preis und liefert keinen Nutzen. Disponenten von Tag 1 einbinden: Anforderungserhebung, Testphase, wöchentliches Feedback zu schlechten Vorschlägen. Erfahrungen zeigen, dass früh eingebundene Disponenten nach 6–8 Wochen die stärksten internen Fürsprecher werden.

Was mit der Einführung wirklich passiert — und was nicht

Was passiert: In den ersten Wochen macht der Assistent viele schlechte Vorschläge. Das ist normal — er kennt die Betriebsregeln noch nicht, und die Datenqualität im TMS offenbart sich erst jetzt als Problem. Disponenten werden frustriert sein. Das ist der kritische Moment, in dem viele Projekte abgebrochen werden.

Was nicht passiert: Der Assistent “übernimmt” die Disposition. Er macht Vorschläge, die der Disponent überschreiben kann und muss. Der Wert entsteht durch Entlastung — nicht durch Autonomie. Wer hofft, Disponenten durch KI zu ersetzen, wird enttäuscht.

Widerstandsmuster: Drei typische Reaktionen in der Einführungsphase:

• „Der Assistent versteht meine Branche nicht” — Richtig, noch nicht. Feedback konkret einfordern: Welche Vorschläge waren falsch, warum? Diese Fälle explizit ins Training aufnehmen.
• „Ich bin schneller ohne das System” — In den ersten zwei Wochen stimmt das. Bis das System kalibriert ist und der Disponent gelernt hat, wie er die Vorschläge nutzt, dauert es 3–5 Wochen. Diese Phase ist einzuplanen, nicht zu vermeiden.
• „Was passiert mit meiner Stelle?” — Ehrliche Antwort: Der Assistent entlastet, ersetzt nicht. Disponenten mit KI-Unterstützung können mehr Aufträge bei gleicher Stresslast bearbeiten — das ist Wachstum, kein Abbau.

Was tatsächlich zählt: Nach 8–12 Wochen im Produktivbetrieb sollten Disponenten von sich aus bestätigen, dass die Morgensituation ruhiger ist. Wenn das nicht der Fall ist, liegt das fast immer an Datenproblemen im TMS — nicht am KI-Assistenten.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Dispositionsentscheidungen sind zu komplex für einen Algorithmus.” Kein KI-Assistent trifft die Entscheidung. Er macht Vorschläge und warnt vor Konflikten. Der Disponent entscheidet — aber schneller, weil er die relevante Information nicht selbst zusammensuchen muss, und mit weniger Fehlern, weil Konflikte automatisch erkannt werden. Komplexität ist kein Argument gegen Assistenz. Im Gegenteil: Je komplexer die Entscheidung, desto wertvoller ist ein System, das die Grundrecherche übernimmt und Suchraum reduziert.

„Wir haben nur einen Disponenten gleichzeitig — das lohnt sich nicht.” Ein Dispositions-Assistent lohnt sich gerade bei einzelnen Disponenten besonders: Er kompensiert Ausfall durch Krankheit oder Urlaub, macht Stellvertreter sofort handlungsfähig und verhindert, dass gesamtes Betriebswissen in einer einzigen Person steckt. Der Single-Point-of-Failure ist beim einzelnen Disponenten mit starkem implizitem Wissen genau das Szenario, das einen Assistenten am wertvollsten macht.

„Unser TMS hat schon eine Planungsfunktion.” Ja — aber die meisten TMS-Planungsfunktionen sind regelbasiert, nicht lernend, und beantworten keine natürlichsprachigen Fragen. Ein KI-Assistent ergänzt die bestehende Planungsfunktion: Er hilft beim schnellen Finden von Optionen, warnt situativ bei Konflikten und lernt aus Disponenten-Verhalten. Die Frage ist nicht, ob das TMS gut ist — sondern ob der Disponent effizienter arbeiten könnte.

Woran du merkst, dass das zu dir passt

Das sind gute Zeichen:

• Ihr habt 10–100 Fahrzeuge und 1–4 Disponenten — das ist der wirtschaftliche Sweet Spot
• Morgenplanung bei Ausfällen kostet euch regelmäßig über 30 Minuten
• Ihr hattet in den letzten 12 Monaten mindestens einen Fall, bei dem Disponenten-Wissen gefehlt hat (Urlaub, Kündigung, Krankheit)
• Euer TMS hat eine dokumentierte REST-API oder strukturierte Exportfunktionen
• Ihr könnt 12–20 Wochen Entwicklungszeit und 20.000–70.000 Euro Budget aufbringen

Das spricht gegen eine Einführung — jetzt:

• Dein TMS hat keine API und der Hersteller plant keine — dann wird das Projekt teurer als der Nutzen
• Ihr habt weniger als 8 Fahrzeuge — dann ist der manuelle Aufwand noch beherrschbar und der ROI-Zeitraum zu lang
• Euer TMS wird in den nächsten 18 Monaten gewechselt — dann lieber nach der Migration starten
• Ihr habt keinen Betriebsrat, plant aber, die Disponenten-Daten zur Leistungsbewertung zu nutzen — das ist rechtlich heikel und schadet dem Vertrauensaufbau

Das kannst du heute noch tun

Der sinnvollste erste Schritt kostet nichts und zeigt dir in einer Stunde, ob das Projekt realistisch ist:

Schreib dem Support deines TMS-Herstellers eine E-Mail: „Wir planen eine API-Anbindung für einen KI-Assistenten. Gibt es eine REST-API? Welche Endpunkte sind für Auftrags- und Ressourcendaten verfügbar?” Die Antwort entscheidet über 80 % des Projekterfolgs.

Als zweiten Schritt: Lass dir von deinem erfahrensten Disponenten die fünf häufigsten Entscheidungen im Alltag beschreiben — und warum er sie so trifft, wie er es tut. Diese Regeln sind die Grundlage für alles, was danach kommt.

Und wenn du konkret einschätzen willst, ob sich das für dich lohnt — nutze den Prompt:

Quellen & Methodik

• DSLV Branchenbericht 2023 — Umfrage unter 300+ Speditionsbetrieben: 68% bezeichnen Disponenten-Fachkräftemangel als wachsendes operatives Risiko. dslv.org
• EU-Verordnung 561/2006 — Mindestanforderungen für Lenk- und Ruhezeiten im Straßentransport. eur-lex.europa.eu
• Eigene Auswertungen — Planungsfehlerkosten (200–2.000 €/Vorfall) basieren auf Angaben aus Betriebsbefragungen mit 12 Speditionsbetrieben zwischen 15 und 80 Fahrzeugen, 2023–2024.
• § 87 Abs. 1 Nr. 6 BetrVG — Mitbestimmungspflicht bei technischen Kontrolleinrichtungen. Bundesarbeitsgericht, ständige Rechtsprechung.
• EU AI Act (2024/1689) — Klassifikation von KI-Assistenzsystemen im Arbeitskontext als Limited-Risk-Systeme mit Transparenzpflichten.