Luftfracht ULD-Packoptimierung per ML

Das echte Ausmaß des Problems

Luftfracht ist das präziseste und teuerste Transportmittel im globalen Handel — und bei der ULD-Beladung verlässt sich die Branche in weiten Teilen noch auf Erfahrungswissen und handgestrickte Tabellen.

Das Problem ist strukturell: Ein typisches Luftfrachtterminal verarbeitet täglich Hunderte von Sendungen mit stark variierenden Maßen, Gewichten und Einschränkungen. Für jede Sendung müssen mehrere Constraints gleichzeitig eingehalten werden: die maximale Nutzlast je ULD-Typ, die Stapelgrenzwerte, die Gefahrgutabstandsregeln nach IATA Dangerous Goods Regulations, die Konturengrenzen des jeweiligen Flugzeugtyps und — für Freighter-Flüge noch kritischer — die zulässige Schwerpunkt-Hüllkurve (Center of Gravity Envelope) des Flugzeugs.

Manuelle Planer erreichen bei gemischter Fracht typischerweise 65–75 % volumetrische Auslastung je ULD. Constraint-basierte Optimierungsalgorithmen schaffen unter denselben Bedingungen 82–88 % — eine Differenz von bis zu 15 Prozentpunkten, die direkt in zusätzlich transportierte Kilogramm übersetzt werden.

Was das finanziell bedeutet: Ein Luftfrachtcontainer (LD3/AKE) fasst bei optimaler Beladung rund 1.500 kg Nutzlast. Jeder Prozentpunkt schlechtere Auslastung bedeutet 15 kg verlorene Kapazität. Auf einem Freighter mit 20 ULD-Positionen und einem durchschnittlichen Luftfrachtpreis von 3,50 €/kg ergeben zehn Prozentpunkte bessere Auslastung rund 10.500 € Mehrertrag je Flug — bei einem Freighter, der dreimal täglich fährt, also bis zu 90.000 € täglich. In der Praxis ist der realisierbare Anteil kleiner — Frachtmix, saisonale Auslastung und vertragliche Constraints schränken ein — aber selbst bei einem Bruchteil dieser Summe rechnet sich die Investition schnell.

Die versteckten Kosten schlechter Packplanung kommen noch dazu:

• Nachladezyklen: Wenn ein ULD an der Rampe umgepackt werden muss, weil der Schwerpunkt nicht stimmt oder ein Gefahrgutstück an falscher Position liegt, kostet das 30–90 Minuten Bodenzeit pro Vorfall — plus das Risiko des Flugzeug-Abflugs ohne die Sendung.
• Weight-and-Balance-Korrekturen: Fehlerhafter Schwerpunkt erfordert manuelle Nachrechnung durch den Airline-Loadmaster. Jede Korrektur kostet Zeit und verursacht Flugverspätungen.
• Revenue-Verlust durch Underdeclaration: Eine Auswertung von CubiqNet (2024) zeigt, dass Cargo-Terminals bei 500 Tages-Sendungen mit einer 20%-Quote volumetrischer Fehldeklaration täglich rund 52.500 USD an nicht abgerechnetem Revenue verlieren — nicht durch Optimierungsmangel, sondern weil die Grunddaten (Dimensionen) nicht stimmen. Packoptimierung setzt saubere Dimensionsdaten voraus — und macht Ungenauigkeiten sofort sichtbar.

Mit vs. ohne KI — ein ehrlicher Vergleich

Eigene Einschätzung auf Basis von Branchenberichten und Pilot-Implementierungen (siehe Quellen). Tatsächliche Effekte stark abhängig von Frachtmix, Sendungsvolumen und Integrationstiefe.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5)
Der Planungsaufwand je ULD-Set sinkt von mehreren Stunden auf eine Viertelstunde — auch bei komplexen Sendungsmixen. Das entspricht dem, was die Echtzeit-Routenoptimierung für die Tourenplanung leistet: Die KI übernimmt den rechnerischen Teil, der Loadmaster überprüft und gibt frei. Den Spitzenwert (5) erreicht nur die Routenoptimierung, weil sie täglich mehrere Stunden je Disponenten einspart — ULD-Planung ist zeitintensiver, betrifft aber nicht jeden Mitarbeitenden täglich.

Kosteneinsparung — hoch (4/5)
Jeder Prozentpunkt bessere ULD-Auslastung ist direkt in gebuchter Kapazität sichtbar — keine Proxy-Metrik, kein Schätzwert. Freighter-Betreiber und große Spediteure mit eigenem Flugzeugzugang erzielen realistisch 50.000–200.000 € Mehrertrag pro Station und Jahr. Nicht ganz auf dem Niveau der stärksten Logistik-Use-Cases (Routenoptimierung, Kraftstoffprognose), weil der Effekt erst ab einem Mindest-Sendungsvolumen spürbar wird.

Schnelle Umsetzung — niedrig (2/5)
Die Integration in Airline Load-and-Trim-Systeme (z. B. CHAMP Cargospot, Lufthansa Cargo LIDS) ist ein 6–12-Monate-Projekt. Das allein ist schon komplex — aber hinzu kommt, dass die Qualität der Eingangsdaten (Stückdimensionen, Gewichte, IATA-Gefahrgutklassen) den Projekterfolg maßgeblich bestimmt. Wer noch keine strukturierte Dimensionsmessung am Annahme-Schalter hat, muss das parallel aufbauen. Nur Warehouse Slotting und Cross-Docking sind unter den verglichenen Logistik-Anwendungsfällen noch schwieriger umzusetzen.

ROI-Sicherheit — hoch (4/5)
Der Nachweis ist konkret: Du zählst ULD-Slots je Flug vor und nach Implementierung, multiplizierst die Differenz mit dem Frachtpreis. Das ist ein direkter, monatlich messbarer Effekt — anders als bei indirekten Efficiency-Use-Cases, wo der ROI erst nach vielen Monaten sichtbar wird. Nicht bei 5, weil der Nutzen bei niedrigem Auslastungsgrad oder sehr kleinem Sendungsvolumen kaum messbar wird.

Skalierbarkeit — mittel (3/5)
Das System skaliert innerhalb einer Station gut. Zwischen Stationen ist die Skalierung mühsamer: Jeder Flugzeugtyp braucht ein eigenes Constraint-Profil, jeder Airline-Partner hat eigene Regeln. Eine Globalausrollung über mehrere Hubs in mehreren Ländern ist technisch möglich, aber organisatorisch komplex. Kein freier Multiplikator wie bei SaaS-Tools, die mit jeder zusätzlichen Nutzerin einfach skalieren.

Richtwerte — stark abhängig von Sendungsvolumen, Flugzeugtyp-Mix und Integrationstiefe mit der Airline-IT.

Die Constraints: Was das System wirklich berücksichtigen muss

Das macht diesen Use Case fundamentell anders als allgemeine Laderaumoptimierung für LKW oder Seecontainer. Ein ULD-Packplan für ein Passagier- oder Frachtflugzeug muss gleichzeitig mehrere Regelwerke einhalten — und ein Fehler in jedem davon hat direkte Konsequenzen für die Flugsicherheit.

1. ULD-Typ-Constraints
Jede ULD-Variante hat eigene Außenmaße, Konturen und zulässige Nutzlasten. Ein LD3/AKE (typisch für Flugzeugbauch, B737/B757) hat andere Außenabmessungen als ein LD7 (A330 Lower Deck) oder ein PMC-Pallet (Freighter-Main-Deck). Die Kontur des Containers muss zum Laderaumquerschnitt des Flugzeugtyps passen — ein rechteckiger Container passt nicht in ein elliptisches Rumpfsegment. Das System muss die exakte 3D-Hülle je ULD-Typ kennen.

2. CG-Envelope (Schwerpunkthüllkurve)
Jedes Flugzeugmuster hat eine zulässige Lage des Gesamtschwerpunkts, die mit zunehmender Beladung variiert. Das Loadsheet muss nachweisen, dass der aktuelle Beladungsplan den Schwerpunkt innerhalb der Hüllkurve hält — bei Freightern kritischer als bei Passagierflugzeugen, weil hier Frachtgewichte dominieren. Ein Algorithmus, der nur volumetrisch optimiert, ohne das Gesamtgewicht der Flugzeugposition einzubeziehen, produziert aerodynamisch gefährliche Ladepläne.

3. IATA Dangerous Goods Regulations (DGR) — Gefahrgutabstände
Gefahrgut in der Luftfracht unterliegt strengen Segregationsregeln. Oxidationsmittel (Klasse 5.1) dürfen nicht neben entzündlichen Flüssigkeiten (Klasse 3) stehen. Lithium-Batterien (UN 3480/3481) haben eigene Stapelanforderungen. Infektiöse Stoffe brauchen Mindestabstände zu Lebensmitteln. Das System muss die IATA DGR-Segregationstabelle kennen und die Abstandsregeln auf ULD-Positions-Ebene verbindlich durchsetzen.

4. Structural Floor Loading Limits
Der Boden jedes ULD hat eine maximale Punktlast (kg/cm²), die nicht überschritten werden darf. Schwere Maschinenteile auf kleiner Grundfläche können den ULD-Boden schädigen oder im Extremfall durch den Flugzeugboden drücken. Das System muss nicht nur Gesamtgewicht, sondern Gewichtsverteilung auf die Standfläche jedes Stückes berechnen.

5. Stacking Rules und Zerbrechlichkeit
Nicht jede Sendung darf übereinander gestapelt werden. Zerbrechliche Güter tragen keine Last. Pharmazeutika dürfen nicht umgedreht werden. Diese Eigenschaften müssen je Sendungsstück im System hinterlegt und vom Packplan-Algorithmus berücksichtigt werden — nicht als optionale Richtlinie, sondern als harte Bedingung.

Ein System, das diese fünf Constraint-Schichten gleichzeitig optimiert, ist deutlich komplexer als ein LKW-Ladeplan. Das ist kein Argument gegen die Einführung — aber ein Argument dafür, die technische Spezifikation ernst zu nehmen.

Was das System konkret macht

Der algorithmische Kern ist ein Machine Learning-gestütztes Constraint-Satisfaction-Problem. Vereinfacht: Der Algorithmus sucht die Belegung aller ULD-Positionen so, dass die volumetrische Auslastung maximiert wird — unter der Nebenbedingung, dass kein Constraint verletzt wird.

In der Praxis bedeutet das:

Schritt 1 — Dateneingabe: Das System empfängt die Sendungsdaten für einen Flug: Stückzahl, Außenmaße (Länge × Breite × Höhe), Gewicht je Stück, Gefahrgutklassen, Stapelbarkeit und spezielle Handhabungsanforderungen. Diese Daten kommen idealerweise automatisch aus dem Cargo-Management-System (CMS) des Spediteurs oder der Airline.

Schritt 2 — Constraint-Modellierung: Das System lädt das Constraint-Profil für den Flugzeugtyp des Fluges: verfügbare ULD-Positionen, zulässige ULD-Typen je Position, maximale Zuladungen pro Position und CG-Hüllkurve des Flugzeugs. Diese Profile stammen aus dem Load-and-Trim-System der Airline.

Schritt 3 — Optimierung: Ein Branch-and-Bound-Algorithmus oder ein heuristischer Ansatz (z. B. basierend auf Google OR-Tools) berechnet in Sekunden Tausende mögliche Belegungsmuster und wählt dasjenige mit der höchsten Volumennutzung, das alle Constraints erfüllt.

Schritt 4 — Visualisierung und Freigabe: Der Loadmaster sieht das Ergebnis als 3D-Darstellung. Er kann einzelne Positionen manuell anpassen, das System berechnet das neue Ergebnis sofort nach. Der freigegebene Plan wird automatisch ins Loadsheet übertragen.

Was das System nicht tut: Es ersetzt nicht die Entscheidungsverantwortung des Loadmasters. Der finale Loadsheet muss von einer qualifizierten Person freigegeben werden — das ist regulatorische Pflicht, keine Frage der Technik.

FIEGE Air Cargo Logistics hat gemeinsam mit der Deutschen Telekom MMS das System „Build Up Eye” am Frankfurter Lufthansa-Cargo-Hub entwickelt: LiDAR-Kameras messen die reale Kontur jedes ULDs während der Beladung in Echtzeit. Das System schlägt sofort Alarm, wenn ein Stück außerhalb der zulässigen Kontur liegt — bevor der ULD zur Rampe transportiert wird. Das ist ein konkreter, im Betrieb rollierender Einsatz von KI-gestützter ULD-Qualitätssicherung an einem der größten europäischen Cargo-Hubs (logistik-heute.de, 2023).

Sicherheitsrelevanz: Wenn falsche Packpläne gefährlich werden

Diese Seite würde einen wesentlichen Aspekt verschweigen, wenn sie nur von Effizienz spräche.

Am 7. August 1997 verunglückte Fine Air Flug 101, eine DC-8-Frachtmaschine, kurz nach dem Start in Miami. Das Flugzeug nickte beim Abheben stark nach oben, überschritt den Stallwinkel und stürzte ab. Fünf Menschen starben. Die NTSB-Untersuchung ergab: Die 16 Denim-Frachtpaletten an Bord waren falsch beladen worden. Der tatsächliche Schwerpunkt lag deutlich hinter der zulässigen CG-Grenze — die Piloten hatten ein fehlerhaftes Trimmblatt, weil die Beladungsdokumentation auf den falschen Flugzeugtyp ausgestellt worden war. Von 49 geborgenen Cargo-Latches befanden sich 48 in der offenen Position: Die Paletten waren nicht gesichert (NTSB-Untersuchung DCA97MA059).

Das ist der Extremfall. Im Alltag sind die Konsequenzen weniger dramatisch, aber nicht irrelevant: Ein ULD mit falschem Schwerpunkt wird am Gate zurückgewiesen und muss umgepackt werden. Ein Stück an falscher Position verletzt Gefahrgutregeln und führt zu einer Compliance-Meldung. Ein überlasteter Flugzeugboden verursacht Strukturschäden.

Warum ein ML-System hier konkret hilft: Ein gut konfigurierter Packplan-Algorithmus kann CG-Violations algorithmisch ausschließen — nicht nur reduzieren. Das ist die entscheidende Qualitätssicherungsebene: nicht ein manueller Check am Ende, sondern ein System, das physisch unmögliche oder sicherheitskritische Konfigurationen erst gar nicht vorschlägt.

Das ersetzt nicht die Freigabe durch einen qualifizierten Loadmaster. Aber es macht menschliche Fehler seltener — und bei Fehlern, die einen Flugzeugabsturz verursachen können, zählt jede Fehlerrate.

Konkrete Werkzeuge — was wann passt

Die Werkzeuge auf diesem Markt unterscheiden sich fundamental darin, auf welche Ebene des Problems sie zielen: ULD-Beladungsplanung (Konsolidierung), Flugzeugbeladungsplanung (Airline-seitig) oder beides integriert.

Cargo-Planner — für Spediteure und Consolidatoren
Das spezialisierte Tool für ULD-Ladeplanung auf Spediteursseite. Cargo-Planner hat eine breite ULD-Bibliothek mit vordefinierten Konturprofilen für LD3/AKE, LD7, PMC und andere gängige Typen. Die Lösung eignet sich für Consolidatoren, die täglich 50–500 Sendungen auf mehrere ULDs verteilen und dem Airline-Bodenabfertiger fertige Pläne übergeben wollen. Ab rund 99 USD/Monat; 14-tägige Testphase verfügbar. Gefahrgutregeln und CG-Berechnung für das Flugzeug sind nicht im Umfang — das bleibt beim Airline-Loadmaster.

EasyCargo — für einfachere Fälle ohne Aviation-Spezifik
EasyCargo ist das günstigere Einstiegs-Tool (ab ca. 79 USD/Monat) und gut für Spediteure geeignet, die hauptsächlich Sammelcontainer oder Exportladungen ohne komplexe Gefahrgut-Constraints planen. Die Aviation-Spezifik (Konturprofile je ULD-Typ, IATA DGR-Segregation) fehlt. Geeignet als erster Schritt, wenn der Anspruch primär Volumenoptimierung ohne tiefer Integration ist. EU-Datenhaltung, deutsche Oberfläche, 14-tägige Testphase.

CHAMP Cargospot Weight & Balance — für Airlines und Frachtführer mit eigenem Flugzeug
Das Enterprise-System für Airline-seitige Beladungsplanung. CHAMP Cargospot berechnet den Loadsheet, integriert sich in das Departure Control System der Airline und deckt Weight-and-Balance-Berechnung inklusive CG-Hüllkurve für den jeweiligen Flugzeugtyp ab. Preis auf Anfrage (Enterprise-Lizenz, typisch fünfstellig p.a.). Relevant für Freighter-Betreiber, ACMI-Carrier und große Handling-Agents mit eigenem Load-and-Trim-Verantwortung.

Google OR-Tools (Open Source) — für Custom-Builds mit Entwicklungsressourcen
Wer eine Eigenentwicklung plant, greift auf Google OR-Tools zurück — die leistungsstärkste frei verfügbare Optimierungsbibliothek für Constraint-Satisfaction-Probleme. OR-Tools bildet den algorithmischen Kern vieler kommerzieller Lösungen. Einrichtungsaufwand: 3–6 Monate Entwicklungszeit, erfahrene Python/Java-Entwickler erforderlich. Geeignet, wenn Standard-Tools die Aviation-Spezifik eurer Airline nicht abdecken oder wenn eine tiefe Integration in proprietary Systeme nötig ist.

Zusammenfassung: Wann welcher Ansatz

• Spediteursseite, bis zu 300 Sendungen/Tag → Cargo-Planner
• Einfache Volumenoptimierung ohne Aviation-Constraints → EasyCargo
• Airline/Freighter-Betreiber mit eigenem W&B-Verantwortung → CHAMP Cargospot
• Custom-Build mit voller Constraint-Kontrolle → OR-Tools + Eigenentwicklung

Datenschutz und Datenhaltung

Sendungsdaten in der Luftfracht enthalten regelmäßig personenbezogene Informationen: Absender- und Empfängernamen, Firmenadressen, Ansprechpartner — und im Rahmen von Gefahrgutdeklarationen auch Verantwortliche für den Transport. Ab dem Moment, wo diese Daten in ein KI-gestütztes Planungssystem fließen, gilt die DSGVO.

Die relevanten Punkte:

• Cargo-Planner hostet Daten in der EU (Unternehmen: Cargo-Planner AB, Schweden) — eine Auftragsverarbeitungsvereinbarung (AVV) nach Art. 28 DSGVO ist vor dem produktiven Betrieb mit dem Anbieter abzuschließen.
• EasyCargo ist ein tschechisches Unternehmen (EasyCargo s.r.o.) mit EU-Datenhaltung. AVV verfügbar.
• CHAMP Cargospot ist eine Enterprise-Lösung luxemburgischen Unternehmens — EU-Hosting, Datenschutzrahmen wird im Enterprise-Vertrag geregelt.
• Custom-Builds auf Google OR-Tools können on-premise oder in einer deutschen/europäischen Cloud betrieben werden — volle Datenkontrolle, aber auch volle Betriebsverantwortung.

Besondere Achtsamkeit ist bei Gefahrgutdaten geboten: Die IATA DGR-Klassifikation enthält keine personenbezogenen Daten, aber der Shipper-of-Record für Gefahrgut-Sendungen wird namentlich dokumentiert. Das muss beim AVV explizit berücksichtigt sein.

Für Hubs, die nach der EU AI Act-Definition als Hochrisiko-Anwendung klassifiziert werden könnten (automatisierte Systeme, die Sicherheitsentscheidungen beeinflussen), empfiehlt sich eine Risikoprüfung. Packoptimierungssysteme, die lediglich Vorschläge machen (Loadmaster gibt frei), fallen voraussichtlich nicht unter die strengsten Anforderungen. Systeme, die automatisch ein Loadsheet übermitteln, könnten hingegen dokumentationspflichtig werden.

Was es kostet — realistisch gerechnet

Die Kostenlage unterscheidet sich fundamental, je nachdem ob du einen Spediteursansatz (ULD-Packplanung) oder einen Airline-Ansatz (integriertes Load-and-Trim) verfolgst.

Spediteursansatz (Cargo-Planner, EasyCargo-Tier)

Einmalige Einrichtungskosten:

• Tool-Konfiguration und ULD-Profil-Setup: 2–5 Arbeitstage intern
• Dimensionsdaten-Qualitätsprüfung und Bereinigung: 2–4 Wochen intern
• Externe Beratung (optional): 5.000–20.000 €

Laufende Kosten:

• Cargo-Planner: 99–139 USD/Monat
• EasyCargo: ca. 79 USD/Monat
• Personalaufwand für Pflege und Prüfung: ca. 2–4 Stunden/Woche

Gegen was du das rechnest:
Bei 100 ULDs pro Monat und einer Verbesserung der Auslastung um 8 Prozentpunkte: 1.500 kg je LD3 × 8 % × 3,50 €/kg × 100 ULDs = 42.000 € Mehrertrag pro Monat — in diesem Szenario. Realistische Effekte oft 30–60 % davon, je nach Frachtmix.

Airline-/Freighter-Ansatz (CHAMP Cargospot, Custom-Build mit OR-Tools)

Einmalige Einrichtungskosten:

• Pilot mit einem Flugzeugtyp an einem Hub: 50.000–200.000 €
• Datenqualifizierung, DCS-Integration, W&B-Modellvalidierung durch Airline-Zulassung: inkl.
• Timeline: 6–12 Monate bis Zertifizierung

Laufende Kosten:

• CHAMP Enterprise: fünfstellig p.a., individuell
• Eigene Entwicklung + Betrieb: 2–4 VZÄ Softwareentwicklung, dauerhaft

Gegen was du das rechnest:
Ein Freighter mit 50 Tonnen Nutzlast, der dreimal wöchentlich fliegt: 10 Prozentpunkte bessere Auslastung = 5 Tonnen mehr je Flug × 3,50 €/kg × 156 Flüge pro Jahr = 2.730.000 € Mehrertrag — im Maximal-Szenario. Tatsächliche Effekte hängen stark davon ab, ob die Kapazität tatsächlich nachgefragt wird.

Wie du den Nutzen tatsächlich nachweist:
Zähle ULD-Slots je Flug vor und nach Implementierung und multipliziere die Differenz mit dem durchschnittlichen Frachtpreis. Das ist ein direkter, monatlich messbarer Effekt ohne Umwege über Proxy-Metriken. Noch besser: Halte die Anzahl der Nachladezyklen am Gate fest — die sinken fast immer schneller als die Auslastung steigt, weil das System offensichtliche CG-Fehler von Anfang an ausschließt.

Typische Einstiegsfehler

1. Mit schlechten Dimensionsdaten starten
Die häufigste Enttäuschung: Das System liefert Packpläne, die am Gate nicht funktionieren, weil die Stückmaße im Manifest nicht mit der realen Ware übereinstimmen. Bei fehlender strukturierter Dimensionsmessung scheitern erfahrungsgemäß 20–30 % der ersten Systemvorschläge am Gate — was das Vertrauen des Loadmaster-Teams innerhalb weniger Wochen zerstört, lange bevor das System sein Potenzial zeigen kann. Das liegt nicht am Algorithmus — es liegt daran, dass viele Spediteure Sendungsmaße noch manuell erfassen, schätzen oder vom Kunden ungeprüft übernehmen. Lösung: Vor der Systemeinführung einen Messprozess am Annahme-Schalter einführen — Dimensionierer oder 3D-Scan-Systeme, die bei Annahme automatisch Länge, Breite, Höhe und Gewicht erfassen. Plane dafür mindestens 4 Wochen Datensäuberung der historischen Stammdaten ein, bevor der Pilot startet. Ohne diesen Schritt ist der beste Algorithmus wirkungslos.

2. Den Algorithmus ohne Aviation-Constraints konfigurieren
Es gibt Implementierungen, die allgemeine Ladeoptimierungs-Tools für ULD-Planung einsetzen — und dabei die Aviation-Constraints nur rudimentär abbilden. Ein Packplan, der Gefahrgutabstände ignoriert oder keine CG-Berechnung enthält, ist am Luftfrachtterminal nicht verwendbar. Er produziert schöne 3D-Bilder und unsichere Flugzeuge. Lösung: Vor der Beschaffung sicherstellen, dass das Tool IATA DGR-Segregation, ULD-Konturen für die tatsächlich genutzten Flugzeugtypen und (für Airline-Anwendungen) eine W&B-Schnittstelle abdeckt.

3. Den Loadmaster überspringen wollen
Der Wunsch nach vollautomatischer Planung ohne menschliche Überprüfung ist verständlich — und in der Luftfracht regulatorisch nicht zulässig. Ein Loadsheet, das automatisch ohne qualifizierte Freigabe übermittelt wird, verstößt gegen die EASA-Zulassungsanforderungen für Load Control. Das System ist ein Assistenzsystem, kein autonomes System. Wer das von Anfang an kommuniziert, vermeidet sowohl regulatorische Probleme als auch Widerstände im Team.

4. Die Wartung der Constraint-Profile vernachlässigen
Flugzeugflotten ändern sich. Airlines führen neue Typen ein, Freighter werden umgebaut, ULD-Standards werden aktualisiert. Ein Constraint-Profil, das vor 18 Monaten für einen B767 angelegt wurde, passt möglicherweise nicht mehr auf den Nachfolger. Das ist der „stille Fehler” dieser Systeme: Sie produzieren weiterhin Pläne — nur nicht mehr für den richtigen Flugzeugtyp. Lösung: Constraint-Profile als versionierte Dokumente führen, mit klaren Zuständigkeiten und einem Prozess für Änderungen nach Flottenänderungen.

Was mit der Einführung wirklich passiert — und was nicht

Die Erwartung ist meistens: System einführen, Auslastung steigt, fertig. Die Realität ist anders.

Widerstand der erfahrenen Loadmaster: Erfahrene Packer haben über Jahre gelernt, was wie reinpasst. Ein System, das einen anderen Plan vorschlägt als der, den sie selbst gemacht hätten, erzeugt zunächst Skepsis — auch dann, wenn das System objektiv mehr Volumen nutzt. Wichtig: Die besten Implementierungen binden Loadmaster frühzeitig in die Konfiguration der Constraint-Profile ein. Wer die Systemregeln mitgeschrieben hat, vertraut dem System deutlich mehr als wer einen fertigen Plan vorgesetzt bekommt.

Die Dimension-Lücke als Projektstopper: Viele Teams unterschätzen, wie schlecht ihre Dimensionsdaten sind. Wenn in den ersten Wochen 20–30 % der vom System generierten Pläne am Gate korrigiert werden müssen, weil Stücke nicht passen, verliert das Team schnell das Vertrauen. Kommuniziere von Anfang an: Der erste Monat ist Kalibrierung. Abweichungen werden dokumentiert, Stammdaten werden korrigiert. Erst danach zeigt das System sein volles Potenzial.

Was konkret hilft:

• Zwei bis drei Pilotflüge pro Woche unter Begleitung eines erfahrenen Loadmasters — der Plan wird vorbereitet, dann mit dem Systemvorschlag verglichen und der Unterschied besprochen
• Eine 90-Tage-Pilot-Phase mit klarem Before-After-Vergleich auf ULD-Auslastung und Gate-Nachladevorgängen
• Transparente Kommunikation: Das System entscheidet nicht — es rechnet vor. Der Loadmaster entscheidet.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir haben zu viele Ausnahmen für einen Algorithmus”
Fast jeder Luftfrachthub sagt das. Und es stimmt, dass unregelmäßige Fracht (Kunstwerke, lebende Tiere, Fahrzeuge, Sperrgut über 3m Länge) Ausnahmen sind, die manuell behandelt werden müssen. Aber diese Ausnahmen machen selten mehr als 10–15 % des Volumens aus. Der Algorithmus übernimmt die restlichen 85–90 % — und das ist genug, um die Gesamtauslastung signifikant zu verbessern. Kein Werkzeug löst 100 % der Fälle. Wenn es 85 % verlässlich abdeckt, ist das ein Riesenfortschritt gegenüber 0 % mit dem Status quo.

„Unsere Airline akzeptiert nur Loadsheets aus ihrem eigenen System”
Das ist kein Einwand gegen die Packoptimierung — es ist ein Integrationsauftrag. Ein Spediteursystem wie Cargo-Planner ist nicht dafür gedacht, das Airline-Loadsheet zu ersetzen. Es optimiert die Konsolidierung auf der Spediteursseite und übergibt das Ergebnis als Beladungsempfehlung an den Airline-Bodenabfertiger. Die finale W&B-Berechnung und Loadsheet-Erstellung verbleibt beim Airline-System. Das ist die typische, regulatorisch saubere Aufteilung.

„Das lohnt sich erst ab einer bestimmten Größe”
Stimmt — aber die Schwelle ist niedriger als oft angenommen. Wenn du täglich mehr als 10–15 ULDs an einem Hub planst und dabei gemischte Fracht mit Gefahrgutanteilen hast, ist der Aufwand für manuelles Constraint-Checking schon heute erheblich. Ein Spediteursystem wie Cargo-Planner für 99 USD/Monat amortisiert sich bei dieser Größe bereits, wenn es pro Woche einen Nachladevorgang am Gate verhindert.

Woran du merkst, dass das zu dir passt

Du profitierst von ML-gestützter ULD-Packoptimierung, wenn mindestens drei dieser Aussagen auf dich zutreffen:

• Dein Hub verarbeitet täglich mehr als 50 ULDs mit gemischten Sendungen unterschiedlicher Dimensionen
• Du hast regelmäßig Gefahrgutanteile (auch nur Lithium-Akkus in Sendungen), die manuelle Segregationsprüfung erfordern
• Deine Loadmaster verbringen mehr als zwei Stunden täglich mit ULD-Packplanung — Zeit, die in der operativen Hektik an anderen Stellen fehlt
• Du hast in den letzten sechs Monaten mindestens einmal einen Nachladevorgang am Gate gehabt, weil ein Stück nicht passte oder ein Schwerpunkt-Problem auftrat
• Deine ULD-Auslastung liegt durchschnittlich unter 80 % — und du glaubst, dass es nicht am Frachtvolumen, sondern an der Verteilung liegt
• Die Airline oder Abfertiger hat dir schon einmal ein Loadsheet zurückgegeben, weil Constraints nicht eingehalten waren

Drei harte Ausschlusskriterien — wer jetzt noch nicht einsteigen sollte:

1. Kleines Volumen: Weniger als 30 ULDs täglich an einem Standort. Bei diesem Volumen ist der manuelle Planungsaufwand handhabbar und die Investitionskosten rechtfertigen sich noch nicht. Statt Software-Einführung: systematische Trainings für Loadmaster und eine strukturierte Constraint-Checkliste. Das kostet nichts und liefert einen Großteil des Nutzens.

2. Keine strukturierte Dimensionsmessung bei Annahme. Wenn Paketmaße noch geschätzt oder ungeprüft vom Kunden übernommen werden, produziert das Optimierungssystem Pläne auf Basis falscher Eingangsdaten — und die scheitern am Gate. Voraussetzung ist ein verlässlicher Messprozess (Dimensionier-Scanner oder zumindest manuelle Messung mit Protokollpflicht) vor der Systemeinführung.

3. Kein Loadmaster mit W&B-Qualifikation im Team. ML-Systeme für ULD-Packoptimierung sind Assistenzsysteme — die Freigabe des Plans muss durch eine qualifizierte Person erfolgen. Ein Betrieb ohne jemanden mit EASA-anerkannter Load-Control-Qualifikation kann das System nicht regulatorisch korrekt einsetzen. Ausnahme: reine Spediteursseite ohne eigene Loadsheet-Verantwortung, bei der die Freigabe vollständig beim Airline-Handling liegt.

Das kannst du heute noch tun

Starte mit einer Auslastungsanalyse deiner letzten 30 Tage: Wie hoch war die durchschnittliche volumetrische Auslastung deiner ULDs? Wie viele Nachladezyklen gab es? Wie oft wurde ein Loadsheet korrigiert?

Das dauert zwei bis drei Stunden — und gibt dir eine belastbare Baseline, gegen die du jeden nächsten Schritt messen kannst. Ohne diese Baseline wirst du nach sechs Monaten nicht wissen, ob das System etwas gebracht hat.

Danach: Starte eine kostenlose Testphase bei Cargo-Planner und nimm die Daten einer typischen Woche — die 50 oder 100 Sendungen, die du normalerweise auf drei oder vier ULDs verteilst. Lass das System einen Plan berechnen und vergleich ihn mit dem, was dein Loadmaster gemacht hätte. Das gibt dir in wenigen Stunden ein realistisches Bild von der Potenzial-Lücke.

Für die Analyse deines aktuellen Sendungsmixes kannst du diesen Prompt nutzen:

Quellen & Methodik

• FIEGE Air Cargo Logistics / Deutsche Telekom MMS, „Build Up Eye” (2023): KI-gestützte ULD-Konturprüfung am Frankfurter Hub von Lufthansa Cargo. LiDAR-Kamerabasiertes System, entwickelt von Telekom MMS gemeinsam mit FIEGE. Quellen: logistik-heute.de (2023), telekom-mms.com (2023).
• NTSB-Untersuchung Fine Air Flug 101, DCA97MA059 (1997): Absturz einer DC-8-Frachtmaschine in Miami durch fehlerhafte CG-Berechnung infolge falscher Beladung. Dokumentiert: Probables Cause und technische Details. Quelle: ntsb.gov.
• CubiqNet, „Air Cargo Dimensioning and ULD Optimization” (2024): Berechnung des täglichen Revenue-Verlustes durch volumetrische Fehldeklaration ($52.500/Tag bei 500 Sendungen und 20% Underdeclaration-Quote bei 3,50 USD/kg). Quelle: cubiqnet.com.
• Cargo-Planner, Schiphol-Fallstudie (o.J.): Implementierung bei einem der fünf größten globalen Spediteure am Amsterdam-Flughafen; erhöhter Load Factor und verbesserte „Flown as Booked”-Quote berichtet. Quelle: cargo-planner.com.
• IATA ULD Regulations (ULD Reg) und Dangerous Goods Regulations (DGR): Regelwerke für ULD-Typen, Maximaltonnagen, Konturen und Gefahrgut-Segregation. Maßgeblich für alle Constraint-Anforderungen in diesem Use Case.
• Utilization-Benchmarks (65–75 % manuell, 82–88 % algorithmengestützt): Synthetisiert aus Branchenberichten und Tool-Anbieter-Angaben; kein unabhängiger Primärbericht mit dieser spezifischen Vergleichszahl verfügbar. Als Orientierungswert zu verstehen, nicht als gesicherte Studie.

Willst du wissen, wie sich dein Sendungsmix auf die Auslastungserwartung auswirkt — oder ob euer Volumen und eure IT-Infrastruktur eine Systemeinführung realistisch machen? Meld dich, das klären wir in einem kurzen Gespräch.