KI-Assistent für Transportausschreibungen und Frachtverhandlungen

Das echte Ausmaß des Problems

Transportausschreibungen sind das Kerninstrument, mit dem produzierende Unternehmen und Händler ihre Frachtkosten steuern, meist einmal jährlich, für alle relevanten Relationen und Transportmodi. Aber der Prozess, der dahintersteckt, ist in den meisten mittelständischen Betrieben erstaunlich analog geblieben.

Typisches Szenario für einen Verlader mit 20–50 Carriern und 10–20 Losen:

• Angebotsnormalisierung: 2–4 Wochen Vollzeitaufwand im Einkaufsteam, weil jede Spedition ihr eigenes Excel-Format schickt. Surcharges werden unterschiedlich ausgewiesen, Transit-Zeiten fehlen oder sind in verschiedenen Einheiten angegeben, Kapazitätszusagen stehen im Kommentarfeld statt in einer Zelle.
• Performance-Historien: In der Entscheidung spielen sie oft kaum eine Rolle, nicht weil niemand weiß, dass Carrier A letztes Jahr auf drei Losen systematisch zu spät war, sondern weil diese Daten im TMS stecken und niemand die Zeit hat, sie manuell zusammenzuführen.
• Losvergabe: Die Entscheidung fällt am Ende meistens nach Preis, weil das der einzige Faktor ist, der konsistent vorliegt. Kapazitätsrisiko, Ausfallwahrscheinlichkeit und Spotmarkt-Abhängigkeit fließen selten ein.

Laut einer Analyse des Beratungsunternehmens freightender.com, das Einkaufsteams bei internationalen Frachtausschreibungen begleitet, werden durch Automatisierung durchschnittlich 240 Stunden pro Ausschreibungsereignis eingespart, Aufwand, der bisher manuell auf die Einkäuferinnen und Einkäufer entfiel. Ein komplexer multimodaler Ausschreibungszyklus dauert mit manueller Auswertung 8–12 Wochen; mit KI-Unterstützung 4–6 Wochen.

Fraunhofer SCS hat in einer Fallstudie für einen Chemiekonzern das Optimierungsdilemma dokumentiert: Die reine Billigstbieter-Strategie hätte zu 25 verschiedenen Carriern in Europa geführt, mit einzelnen Losanteilen zwischen 0,1 % und 100 % der Tonnage. Der Verwaltungsaufwand hätte alle Frachteinsparungen aufgefressen. Das Ergebnis des modellierten Ansatzes: 4 % Frachtkosten-Reduktion bei gleichzeitiger Vereinfachung auf maximal sieben Carrier pro Land.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Ersparnisse bei den Frachtraten selbst hängen stark von der Ausgangssituation ab. 67 % der Verlader berichten in internationalen Befragungen, dass digitale Ausschreibungsplattformen zu günstigeren Preisen führen als E-Mail/Excel-basierte Verfahren, weil der Wettbewerb transparenter und vergleichbarer wird. Puma reduzierte laut freightender.com seinen Mitarbeiteraufwand bei Frachtausschreibungen um 50 %, Mars berichtete von einer 90-prozentigen Verkürzung der Zeit für das Aufsetzen von Ausschreibungsunterlagen.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5)
Die Einsparung ist klar und direkt messbar: Angebotsauswertung, die bisher 2–4 Wochen dauerte, dauert mit KI-Unterstützung 2–4 Tage. In absolutem Stundenaufwand entspricht das 120–200 eingesparter Vollzeitstunden pro Ausschreibungszyklus. Das ist in der Logistik einer der stärksten Zeithebel, vergleichbar mit der automatisierten Frachtdokumentenerkennung, aber mit größerem Gesamtvolumen pro Prozessschritt.

Kosteneinsparung, stark (4/5)
5–12 % Frachtrateneinsparung durch besseren Marktüberblick sind realistisch, allerdings nur dann, wenn die Ausgangssituation tatsächlich informationsasymmetrisch ist (d.h. die Verlader zahlen ohne belastbare Benchmarks). Wer bereits professionell ausschreibt, sieht kleinere Deltas. Der Haupthebel liegt nicht im Preis allein, sondern darin, Kapazitätsrisiken zu bepunkten: Ein Carrier, der 3 % teurer ist, aber nie ablehnt, spart im Jahresverlauf deutlich mehr als der Preisunterschied.

Schnelle Umsetzung, mittel (3/5)
Die Angebotsformat-Normalisierung ist lösbar, aber nicht trivial. Jede Spedition bringt ihre eigene Datenstruktur mit. Das NLP-Training dafür braucht echte Angebotsdaten aus vergangenen Zyklen, typisch 6–12 Wochen für Pilot plus TMS-Anbindung. Wer keine historischen Carrier-Daten im System hat, hat einen längeren Anlauf. Vergleichbar mit dem Einstieg beim Carrier-Performance-Monitoring.

ROI-Sicherheit, mittel (3/5)
Die Zeitersparnis ist gut messbar. Die Frachtrateneinsparung ist nachweisbar, aber stark von Marktlage und Verhandlungsgeschick abhängig. In einem Frachtmarkt mit Kapazitätsüberschuss verhandeln auch manuelle Teams gut, der KI-Vorteil ist dann vor allem der Prozess, nicht der Preis. In einem angespannten Markt ist die bessere Kapazitätsrisiko-Bewertung wertvoller als die Preisoptimierung.

Skalierbarkeit, mittel (3/5)
Mehr Ausschreibungsereignisse pro Jahr laufen durch die gleiche Infrastruktur ohne proportionalen Aufwand. Aber: Jeder neue Carrier, der noch nicht im System ist, erfordert initiale Anbindung und Daten-Historik. Das Modell skaliert gut in der Breite (mehr Lose, mehr Relationen), aber jede neue Carrier-Beziehung verlangt Integrationsarbeit. Im Vergleich mit anderen Logistik-Anwendungsfällen solide, aber nicht der stärkste Skalierungshebel.

Richtwerte, stark abhängig von Ausschreibungsvolumen, Carrier-Mix und vorhandener TMS-Infrastruktur.

Was der Assistent konkret macht

Der KI-Assistent für Transportausschreibungen arbeitet in drei Phasen:

Phase 1, Angebotsnormalisierung
Wenn Carrier-Angebote eingehen, als Excel, PDF, manchmal als gescanntes Dokument, extrahiert das System automatisch die relevanten Felder: Frachtraten pro Los und Relation, Treibstoff- und Mautzuschläge, Transitzeiten, Kapazitätszusagen und Laufzeitbindungen. NLP-Modelle erkennen, dass „Kraftstoffsurcharge”, „FSC” und „Treibstoffzuschlag” dasselbe meinen, auch wenn sie in verschiedenen Spalten verschiedener Carrier-Vorlagen stehen. Das Ergebnis ist eine normalisierte Vergleichstabelle, die in Minuten statt Wochen vorliegt.

Phase 2, Multi-Kriterien-Auswertung
Das System berechnet nicht nur den günstigsten Frachtpreis, sondern den gesamtwirtschaftlich besten Carrier pro Los. Einbezogen werden:

• Historische Pünktlichkeitsquoten aus dem TMS (wenn vorhanden)
• Kapazitätszusagen im Verhältnis zur beantragten Tonnage
• Performance-Abweichungen in vergleichbaren Vorperioden
• Benchmarks aus Marktdaten (z.B. Ratenvergleiche über Transporeon)

Das Ergebnis ist eine priorisierte Losvergabe-Empfehlung mit Begründung, nicht nur “Carrier X ist am günstigsten”, sondern “Carrier X bietet auf Los 3 den besten Gesamtwert, weil der Preisvorteil von 4 % die Pünktlichkeitsabweichung der letzten 12 Monate überkompensiert. Carrier Y empfiehlt sich für Los 7, da nur dort ausreichend Kapazitätszusage vorliegt.”

Phase 3, Nachverfolgung und Spotmarkt-Alert
Nach der Vergabe überwacht das System, ob Carrier die zugesagten Kapazitäten halten. Wenn ein Carrier systematisch ablehnt, schlägt das System frühzeitig vor, ob eine Mini-Ausschreibung für die betroffene Relation sinnvoll ist, bevor das Einkaufsteam reaktiv auf dem Spotmarkt landet.

Konkrete Werkzeuge, was wann passt

Für mittelständische Verlader gibt es drei verschiedene Architektur-Ansätze:

Transporeon, wenn du eine Plattform für Ausschreibung und operative Abwicklung suchst
Transporeon deckt als führende europäische Plattform den gesamten Transportbeschaffungszyklus ab: von der Ausschreibung über die Carrier-Auswahl bis zur Sendungsabwicklung und Abrechnung. Das Carrier-Netzwerk von 150.000+ registrierten Transporteuren ist für DACH-Verlader der größte Hebel, viele Carrier sind bereits angebunden, das Onboarding neuer Partner wird von der Plattform unterstützt. Sinnvoll ab ca. 10 Mio. EUR Jahresfrachtvolumen und 20+ eingeladenen Carriern. Seit der Übernahme durch Trimble (2023) wächst die KI-Funktionalität für automatische Angebotsbewertung. EU-Datenhaltung, deutschsprachiger Support.

TIMOCOM, wenn du schnell Spotmarkt-Preise als Benchmark brauchst
TIMOCOM ist keine Ausschreibungsplattform im klassischen Sinne, sondern Europas größte Frachtenbörse mit Tagespreisen für tausende Relationen. Als Benchmarking-Quelle neben der Jahresausschreibung ist es wertvoll: Wenn ein Carrier in der Jahresausschreibung 15 % über dem aktuellen TIMOCOM-Preis liegt, hat das Einkaufsteam ein belastbares Gegenargument in der Verhandlung. Kein Listenpreis, Flatrate nach Nutzerzahl.

SAP Ariba, wenn du eine integrierte Beschaffungsplattform im SAP-Ökosystem brauchst
SAP Ariba bietet als Teil der S/4HANA-Welt Sourcing-Funktionalität für Transportdienstleistungen, inklusive elektronischer Ausschreibungen, Vertragsverwaltung und Spend-Analyse. Für Unternehmen, die bereits SAP betreiben, ist die Integration von Frachtausgaben in den gesamten Beschaffungsprozess ein echter Vorteil. Aber: Die Transportspezifik (Carrier-Netzwerk, Sendungsabwicklung) ist deutlich schwächer als bei Transporeon. SAP Ariba lohnt sich, wenn Transport einer von vielen Beschaffungsströmen ist, nicht das Kernthema. Ab ca. 80.000–200.000 EUR/Jahr Lizenz.

Generative KI als Prozessbeschleuniger, wenn du keinen Plattformwechsel willst
ChatGPT, Claude oder ähnliche LLM-Dienste können heute schon einen erheblichen Teil der Normalisierungsarbeit übernehmen, ohne dass eine neue Plattform eingeführt wird: PDF-Angebote per Copy-Paste oder Datei-Upload einsenden, strukturierte Extraktion als Output erhalten, in die bestehende Excel-Vergleichstabelle übertragen. Kein TMS-Anschluss, kein Carrier-Netzwerk, aber ein sofortiger Einstieg, der die manuelle Übertragungsarbeit halbieren kann. Für Unternehmen mit weniger als 10 Carriern und einer Ausschreibung pro Jahr oft ausreichend.

Zusammenfassung: Wann welcher Ansatz

• Über 20 Mio. EUR Frachtvolumen, regelmäßige Ausschreibungen, EU-Netzwerk → Transporeon
• Spotmarkt-Benchmarks parallel zur Jahresausschreibung → TIMOCOM
• SAP-Landschaft, Transport als Teil des Gesamteinkaufs → SAP Ariba
• Unter 10 Carrier, eine Ausschreibung/Jahr, kein Plattformbudget → Generative KI als Hilfsmittel

Datenschutz und Datenhaltung

Transportausschreibungen enthalten betrieblich hochsensible Daten: Frachtpreise mit strategischen Lieferanten, Kapazitätszusagen, historische Pünktlichkeits- und Schadensdaten, und in manchen Fällen auch Kalkulationsgrundlagen des eigenen Unternehmens. Der Schutz dieser Daten ist keine DSGVO-Formalität, sondern ein echter Wettbewerbsschutz.

Die Einordnung nach DSGVO:

• Personenbezogene Daten: Ansprechpartner bei Carriern (Name, E-Mail, Telefon) sind personenbezogen und fallen unter Art. 28 DSGVO. Ein Auftragsverarbeitungsvertrag (AVV) mit der eingesetzten Plattform ist Pflicht.
• Geschäftliche Preisdaten: Keine Personenbezogenheit im strengen Sinne, aber strategisch hochsensibel. Klären, ob Plattformanbieter Daten für eigenes Benchmarking nutzen (einige Frachtenbörsen aggregieren Preisdaten, das ist ihr Geschäftsmodell, sollte aber im Vertrag transparent geregelt sein).

Tool-Einordnung:

• Transporeon: EU-Datenhaltung (Ulm/Deutschland), AVV standardmäßig im Vertrag. Seit Trimble-Übernahme gilt US-Mutterkonzern, prüfe, ob Standardvertragsklauseln für internationale Datentransfers im Vertrag enthalten sind.
• TIMOCOM: EU-Datenhaltung, deutschsprachiges Unternehmen, AVV verfügbar.
• SAP Ariba: EU-Datenhaltung wählbar (Frankfurt/Amsterdam), AVV Standardbestandteil.
• ChatGPT / Claude für LLM-basierte Normalisierung: Daten verlassen die EU standardmäßig. Für Preisverhandlungsdaten und strategische Carrier-Informationen empfiehlt sich entweder EU-konforme Verarbeitung über Azure OpenAI (Frankfurt) oder die Beschränkung auf öffentlich unproblematische Testdaten.

Was es kostet, realistisch gerechnet

Plattform-Lizenz

• Transporeon: Preise auf Anfrage. Marktüblich für mittelgroße Verlader (20–50 Carrier, eine Ausschreibung/Jahr): 15.000–60.000 EUR/Jahr, stark abhängig von Modultiefe und Sendungsvolumen.
• SAP Ariba Sourcing: ab ca. 80.000–200.000 EUR/Jahr (Enterprise-Lizenz). Implementierung zusätzlich 200.000–500.000 EUR für ein mittelgroßes Projekt.
• TIMOCOM: Flatrate nach Nutzerzahl, kein öffentlicher Listenpreis.
• Generative KI (ChatGPT Team, Claude Team): 20–30 EUR/Person/Monat.

Einmalige Einrichtungskosten

• Angebotsformat-Bibliothek aufbauen: 3–6 Wochen interne Arbeit (historische Angebote sichten, Felder mappen)
• TMS-Anbindung für Performance-Daten: je nach TMS 10.000–40.000 EUR Integrationsaufwand
• Training Einkaufsteam: 1–2 Tage

Was du dagegenrechnen kannst
Ein Verlader mit 30 Mio. EUR Jahresfrachtvolumen spart bei 5 % Frachtrateneinsparung 1,5 Mio. EUR pro Jahr. Selbst wenn nur die Hälfte auf die bessere Auswertung zurückzuführen ist: Das übersteigt die Plattformkosten im ersten Jahr deutlich. Die ehrlichere Rechnung: Der direkteste Effekt liegt in der Zeitersparnis. 150 Stunden Einkäufer-Zeit zu 60 EUR/Stunde sind 9.000 EUR, das ist messbar, auch wenn der Frachtpreis-Delta unsicher bleibt.

ROI-Messung in der Praxis
Vergleiche für die gleichen Relationen die Frachtraten vor und nach dem Einsatz. Verfolge zusätzlich die Spotmarkt-Quote: Wenn der Anteil der Sendungen, der nachträglich auf den Spotmarkt muss, sinkt, ist das ein klares Signal, Spotmarktpreise liegen typisch 30–50 % über vereinbarten Jahresfrachtraten.

Das Gegenteil von Optimierung: Der günstigste Carrier ist nicht immer der beste

Fraunhofer SCS hat in einer Studie für ein Chemieunternehmen das Extremszenario modelliert: reine Preisoptimierung, jede Relation zum besten Bieter. Das Ergebnis: 25 verschiedene Carrier in Europa, einzelne Losanteile zwischen 0,1 % und 100 % der Tonnage. Administrative Kosten, Qualitätsunterschiede, Carrier-Management-Aufwand, all das wurde im reinen Preismodell nicht berücksichtigt.

Der implementierte Ansatz war pragmatischer: maximal sieben Carrier pro Land, ausgewogen verteilte Tonnage, 4 % Frachtkostenersparnis. Das ist weniger als das theoretische Optimum, und wirtschaftlich trotzdem die bessere Lösung.

Das ist das wichtigste Kalibrierungsargument für jeden KI-Assistenten in der Transportausschreibung: Optimierung nach einem Kriterium allein ist keine Optimierung. Wer seinen Algorithmus auf Preis allein trainiert, optimiert auf Papier und nicht in der Realität.

Gute KI-Lösungen berücksichtigen deshalb immer mehrere Kriterien gleichzeitig, und lassen das Einkaufsteam die Gewichtung einstellen. Wer langfristige Carrier-Beziehungen als strategischen Vorteil sieht (z.B. reservierte Kapazitäten im Q4-Peak), muss diesen Faktor im Modell abbilden können.

Drei typische Einstiegsfehler

1. Mit der Optimierung anfangen, nicht mit der Normalisierung.
Der Reflex lautet: „Wir wollen die beste Losvergabe berechnen.” Aber das ist der dritte Schritt. Der erste Schritt ist, vergleichbare Daten zu haben. Wenn Carrier A seine Treibstoffzuschläge als Prozentsatz angibt und Carrier B als Festbetrag pro km, kann kein Algorithmus sinnvoll vergleichen, Preisabweichungen von bis zu 8–12 % je Los werden so systematisch übersehen. Starte mit der Angebotsnormalisierung: Plane dafür 2–3 Wochen ein, in denen historische Angebote aus 3–5 zurückliegenden Zyklen gesichtet und alle Feldvarianten inventarisiert werden. Erst wenn alle Angebote in der gleichen Struktur vorliegen, macht eine Optimierung Sinn.

2. Performance-Historien aus dem TMS ignorieren.
Die häufigste Begründung: „Unsere TMS-Daten sind nicht sauber genug.” Das ist oft wahr, aber kein Grund, sie wegzulassen. Selbst grobe Pünktlichkeitsquoten (pünktlich / verspätet) sind besser als nichts. Wer einen Carrier auswählt, ohne zu wissen, dass er letztes Jahr auf drei kritischen Relationen systematisch spät war, kauft ein Problem ein, und landet mit hoher Wahrscheinlichkeit im nächsten Quartal mit Spotmarkt-Aufschlägen von 30–50 % auf den Relationen, die er nicht deckt. Konkret: Plane 10–15 Stunden für einen manuellen TMS-Export und eine erste Pünktlichkeitsauswertung pro Carrier ein, das reicht als Basis, um grobe Ausreißer in der Losvergabe zu vermeiden. Saubere TMS-Daten sind das Ziel; unvollständige TMS-Daten als Indikator sind immer noch besser als keine.

3. Die Kapazitätszusage nicht vertraglich fixieren, und nicht nachverfolgen.
Das ist der kostspieligste Fehler. Ein Carrier gibt in der Ausschreibung an, 80 % der angebotenen Tonnage fix zuzusagen. Im Q4, wenn der Markt anzieht, lehnt er 40 % der Aufträge ab. Das Einkaufsteam kauft reaktiv auf dem Spotmarkt, zu 35 % Aufschlag. Das passiert nicht, weil die Ausschreibung schlecht war, sondern weil die Kapazitätszusagen nicht vertraglich abgesichert und nicht laufend überwacht wurden. Ein KI-System, das Kapazitätszusagen verfolgt und bei systematischem Unterschreiten Alarm schlägt, verhindert genau das. Aber nur, wenn die Zusagen von Anfang an strukturiert erfasst wurden, nicht als Freitextkommentar, sondern als definiertes Datenfeld.

Ein besonderer Wartungsfehler:
Angebotsformat-Bibliotheken veralten schnell. Wenn eine Spedition ihre Excel-Vorlage ändert, schlägt das NLP-Modell beim nächsten Zyklus fehl, und niemand merkt es, bis die Normalisierung beim zweiten Angebot Müll produziert. Pflege mindestens einmal im Quartal einen Test mit realen Carrier-Formaten durch. Und lege fest, wer nach jedem Ausschreibungszyklus neue oder geänderte Formate in die Bibliothek einpflegt.

Was mit der Einführung wirklich passiert, und was nicht

Die technische Einführung einer Ausschreibungsplattform oder eines NLP-basierten Normalisierungstools ist in den meisten Fällen handhabbar. Das Schwierigere ist das Organisatorische.

Die Carrier reagieren anders als erwartet. Wenn Carrier merken, dass die Ausschreibung digitalisiert ist und alle Preise direkt vergleichbar werden, verändert sich ihre Verhaltensstrategie. Manche werden die Plattform aktiv nutzen, um besser zu positionieren. Andere werden zurückhalten, besonders wenn sie befürchten, dass ihre historische Performance sichtbar wird. Plan ein, dass ein Teil der Carrier beim ersten digitalen Zyklus deutlich weniger kooperativ ist. Lösung: Frühzeitig kommunizieren, was sich für Carrier ändert, und was nicht.

Das Einkaufsteam muss die Empfehlung des Systems verstehen. Wenn der Algorithmus Los 5 an Carrier C vergibt, aber der erfahrene Einkäufer weiß, dass Carrier C zuverlässig im Sommer, aber unzuverlässig im Winter ist, und diese Saisonalität nicht im Datensatz liegt, dann muss die Empfehlung überschrieben werden können. Ein System, das nicht transparent macht, warum es was empfiehlt, wird von erfahrenen Einkäufern nicht akzeptiert. Transparenz der Bewertungslogik ist kein Nice-to-have, sondern Akzeptanzvoraussetzung.

Geschäftsführung und Controlling brauchen die Geschichte dahinter. Die Losvergabe-Entscheidung kostet manchmal Mio. EUR. Die Dokumentation, warum Carrier A bevorzugt wurde, obwohl er nicht der günstigste war, muss aus dem System heraus erklärbar sein. Das entlastet den Einkauf in Nachfragen und macht die Entscheidung revisionssicher.

Was konkret hilft:

• Erstes Pilotprojekt mit einer Ausschreibung mit weniger als zehn Carriern, damit das Einkaufsteam den Prozess versteht, bevor komplexere Fälle folgen
• Gemeinsamer Validierungsschritt: Das System schlägt vor, das Team entscheidet, erst nach zwei Zyklen kippt die Verantwortung um
• Klare Rollenzuordnung: Wer pflegt die Angebotsformat-Bibliothek? Wer validiert die TMS-Datenbasis vor jedem Zyklus? Ohne Antworten auf diese Fragen degradiert das System nach 12 Monaten

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Carrier schicken sowieso alle verschiedene Formate, das kann kein System normalisieren.”
Das ist der Einwand, der am häufigsten kommt, und genau das Problem, das NLP löst. Das System lernt an historischen Angebotsformaten, welche Felder aus welchem Carrier-Format extrahiert werden müssen. Nach 3–5 historischen Zyklen pro Carrier funktioniert die Extraktion zuverlässig. Für neue Carrier oder komplett unbekannte Formate gibt es einen manuellen Korridor, der Aufwand ist deutlich geringer als das komplette manuelle Übertragen.

„Wir haben gute persönliche Beziehungen zu unseren Carriern, das soll kein Algorithmus ersetzen.”
Soll er auch nicht. Langfristige Carrier-Beziehungen sind ein strategischer Vorteil, besonders bei Kapazitätsengpässen. Aber sie rechtfertigen keinen Preisvorteil von 20 % gegenüber einem gleich guten Carrier. Der Algorithmus macht die Preistransparenz sichtbar; die Entscheidung bleibt beim Einkaufsteam. Wenn die Beziehung zu Carrier A wirklich strategisch wertvoll ist, lässt sich das als Präferenz-Parameter im System abbilden, dann wird er bei sonst gleichem Score bevorzugt.

„Wir haben die Ausschreibung schon immer so gemacht und die Preise sind gut.”
Dann ist der Einwand berechtigt, für diesen Zyklus. Aber: Weißt du, ob dein bester Preis auch wirklich der beste Marktpreis ist? Und weißt du, welcher deiner Carrier im letzten Jahr wie oft pünktlich war? Wenn die Antwort auf beides „ja” ist und du es belegen kannst, brauchst du das System möglicherweise wirklich nicht. Wenn die Antwort „ich denke schon” ist, dann ist das genau die Lücke, die KI-Auswertung schließt.

Woran du merkst, dass das zu dir passt

Positiv-Signale:

• Du schreibst mindestens einmal jährlich Transportdienstleistungen aus, mit mehr als zehn eingeladenen Carriern
• Dein Einkaufsteam verbringt mehr als vier Wochen mit der Auswertung der Angebote
• Carrier schicken Angebote in verschiedenen Formaten, die manuelle Normalisierung kostet spürbar Zeit
• Du weißt nicht aus dem Stehgreif, welche deiner Carrier im letzten Jahr die schlechteste Pünktlichkeitsquote hatten
• Du hast in den letzten zwei Jahren mindestens zweimal Ware auf dem Spotmarkt kaufen müssen, weil ein Carrier seine Kapazitätszusage nicht eingehalten hat

Harte Ausschlusskriterien, wann es sich (noch) nicht lohnt:

1. Unter fünf aktiven Carrier-Beziehungen und weniger als 3 Mio. EUR Jahresfrachtvolumen. Der Normalisierungsaufwand und die Plattformkosten amortisieren sich erst ab einer gewissen Ausschreibungsgröße. Darunter reicht eine gut gepflegte Excel-Vorlage mit einheitlichem Template, das alle Carrier ausfüllen müssen.

2. Kein TMS oder keine historischen Carrier-Leistungsdaten vorhanden. Wenn Performance-Historien fehlen, kann das System nur den Preis optimieren, und das kann ein Excel-SVERWEIS auch. Der echte Mehrwert entsteht erst, wenn Performance-Daten in die Auswertung einfließen. Wer ohne TMS startet, sollte erst die Datenbasis aufbauen.

3. Einkaufsentscheidung liegt faktisch beim Geschäftsführer und wird nicht delegiert. In manchen mittelständischen Unternehmen entscheidet die Geschäftsführung bei Frachtverträgen persönlich aufgrund von Beziehungen. Ein Empfehlungssystem, das systematisch nicht umgesetzt wird, bringt nichts, und frustriert das Einkaufsteam, das die Arbeit macht.

Das kannst du heute noch tun

Mach einen Schnelltest: Nimm die drei letzten Angebote aus deiner vergangenen Transportausschreibung, von drei verschiedenen Carriern, in drei verschiedenen Formaten. Schick sie als PDF oder Excel an ein LLM wie ChatGPT oder Claude und bitte es, für jeden Carrier eine normalisierte Tabelle zu erstellen mit: Frachtrate je Los, Treibstoffzuschlag, Transitzeit und Kapazitätszusage.

Das dauert 20 Minuten. Was du danach weißt: ob das Konzept funktioniert, und wie groß die Format-Unterschiede wirklich sind. Der nächste Schritt wäre, diesen Test mit allen Carrier-Angeboten des letzten Zyklus zu wiederholen und die Zeitersparnis zu dokumentieren.

Für den produktiven Einsatz kannst du diesen Prompt als Ausgangspunkt nutzen:

Quellen & Methodik

• Fraunhofer SCS (2015): „Ist der günstigste Transportdienstleister immer die beste Wahl?”, Fallstudie für ein Chemieunternehmen; zeigt die Grenzen reiner Preisoptimierung bei Frachtausschreibungen. URL: scs.fraunhofer.de
• freightender.com (2024): „Freight Tender Automation” und „Why AI Freight Procurement”, Praxisdaten zu Zeitersparnissen bei digitalisierten Ausschreibungsverfahren, inkl. Puma (50 % Zeitersparnis Einkäufer), Mars (90 % Zeitersparnis RFP-Aufbau). URL: freightender.com
• Transporeon (2024/2026): Netzwerk-Angaben (150.000+ Carrier, 1.400 Verlader) aus Unternehmensangaben von Transporeon/Trimble. URL: transporeon.com
• TIMOCOM (April 2026): Plattform-Daten (58.000+ verifizierte Unternehmen, 46 Länder, bis zu 1 Mio. tägliche Angebote) aus veröffentlichten Unternehmensangaben.
• SAP Ariba Preise: Veröffentlichte Marktrichtwerte und Produktdokumentation SAP SE, Stand April 2026.
• Frachtmarkt-Statistiken: Spotmarkt-Aufschläge von 30–50 % über Jahresfrachtraten: eigene Erfahrungswerte und Marktbeobachtungen aus Praxisberichten von Transportmanagern.
• Ausschreibungsaufwand (240 h): freightender.com, operatives Erfahrungswissen aus Kundenprojekten.

Du willst wissen, welche Tools für euren Carrier-Mix und euer Ausschreibungsvolumen konkret passen, und wie der erste Pilotlauf strukturiert werden sollte? Meld dich für ein kurzes Gespräch.