Treibstoffoptimierung: ML-Routing und Steigprofile sparen 2–5% Kerosin

Das echte Ausmaß des Problems

Treibstoff ist der größte und unberechenbarste Kostenfaktor im Airline-Betrieb. Je nach Ölpreis und Airline-Struktur macht Kerosin 25–35% der Gesamtbetriebskosten aus — kein anderer Einzelposten kommt annähernd nah.

Die gute Nachricht: Ein erheblicher Teil dieses Verbrauchs ist nicht durch Flugphysik determiniert, sondern durch Planungsgrenzen. Traditionelle Flugplanungssysteme arbeiten mit generalisierten Flugzeugperformance-Modellen und oft veralteten Windkarten. Die tatsächliche Varianz ist erheblich:

• Jet-Stream-Nutzung vs. -Vermeidung: Der Unterschied zwischen einer Route, die den Jet Stream optimal nutzt, und einer, die ihn ignoriert, kann auf Nordatlantik-Strecken 3–8% Treibstoff ausmachen. Die Lage ändert sich täglich, teils stündlich.
• Steigprofile: Continuous Climb Operations (CCO) — also das stufenlose Steigen auf optimale Reiseflughöhe — sparen gegenüber dem klassischen ATC-diktierten Step-Climb bis zu 2% auf Kurz- und Mittelstrecken. Werden CCO-Freigaben nicht frühzeitig koordiniert oder passt das Startgewicht nicht zur angenommenen Steigperformance, bleibt das Potenzial ungehoben.
• Step-Climb-Timing: Auf Langstrecken entscheidet der Zeitpunkt des Höhenwechsels (z. B. von FL340 auf FL370) über hunderte Kilogramm. Zu früh: der Treibstoffvorrat ist noch zu hoch für die höhere Flugfläche. Zu spät: stundenlange suboptimale Strömungsbedingungen.

Airspace Intelligence hat mit Alaska Airlines demonstriert, was systematische ML-gestützte Dispatch-Unterstützung leisten kann: In sechs Monaten Pilotbetrieb wurden 480.000 Gallonen Kerosin eingespart — 4.600 Tonnen CO₂ weniger. Auf 64% aller Mainline-Flüge identifizierte das System eine Optimierungsmöglichkeit; Dispatcher akzeptierten 32% der Empfehlungen. Hochgerechnet ergibt das für Alaska Airlines 1,2 Millionen Gallonen Einsparung pro Jahr (laut World Aviation Festival, 2022).

OpenAirlines berichtet, dass die 80+ Airlines, die ihre SkyBreathe-Plattform nutzen, kumulativ über 325 Millionen Kilogramm Kerosin eingespart haben — mit typischen Einzelergebnissen von 2–5% pro Flug.

Dieser Abschnitt dient als Orientierung — alle operationellen KI-Integrationen erfordern Zertifizierungsprüfung durch EASA/LBA-zugelassene Organisationen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — sehr niedrig (1/5) Dieser Use Case spart keine menschliche Arbeitszeit — er steigert die Effizienz eines automatisierten Prozesses. Der Dispatcher verbringt nach der Einführung nicht weniger Zeit mit dem System; er trifft bessere Entscheidungen in derselben Zeit. Das ist der fundamentale Unterschied zu Use Cases wie Wartungsdokumentation oder der MRO-Ersatzteil-Bedarfsprognose, die direkt Stunden einsparen. Z:1 ist hier die ehrliche Einordnung.

Kosteneinsparung — maximal (5/5) Kerosin ist der größte Einzelkostenfaktor einer Airline. 2–5% Einsparung auf diesem Posten bedeutet bei einer mittelgroßen Airline mit 100 Flügen/Tag und durchschnittlich 10 Tonnen Treibstoff je Flug: 14–35 Millionen Euro jährlich. Kein anderer Use Case in dieser Kategorie adressiert direkt diesen Volumenhebel. K:5 ist gerechtfertigt.

Schnelle Umsetzung — niedrig (2/5) ACARS-Datenpipeline aufbauen, historische Flugdaten einlesen, ML-Modell pro Flugzeugtyp trainieren, Dispatch-System anbinden — das ist ein 12- bis 18-monatiges Integrationsprojekt. Die technische Komplexität ist hoch, die Datenbeschaffung und -aufbereitung aufwändig. E:2 ist realistisch; E:3 wäre schön gerechnet.

ROI-Sicherheit — hoch (4/5) Die Einsparung ist physikalisch messbar — Kerosin wird gewogen und abgerechnet. Der Vergleich mit dem Baseline-Verbrauch ist transparent. Allerdings limitiert die Dispatcher-Akzeptanzrate (Alaska Airlines: 32%) das tatsächlich realisierte Potenzial deutlich. Das System kann nicht mehr einsparen, als Dispatchers bereit sind umzusetzen. R:4 statt R:5, weil die menschliche Variable einen echten Unsicherheitsfaktor darstellt.

Skalierbarkeit — maximal (5/5) Jeder zusätzliche Flug, jede neue Route, jeder neue Flugzeugtyp spart proportional mit — ohne dass das System proportional teurer wird. Das ist die reinste Form von Skalierbarkeit. S:5 ist uneingeschränkt gerechtfertigt.

Richtwerte — stark abhängig von Flottenstruktur, Routennetz und Dispatcher-Akzeptanzrate.

Was das System konkret macht

Das technische Kernproblem ist: Flugzeugperformance-Modelle in Standardsystemen sind generisch. Sie nehmen an, dass ein A320neo mit 15 Jahren Betrieb dieselbe Steigrate und denselben Reiseflugverbrauch hat wie ein Neusystem. Das stimmt nicht. Triebwerksverschleiß, Strukturmasse, Oberflächenrauigkeit — all das bewirkt, dass jedes Flugzeug ein individuelles Performance-Fingerabdruck hat, der sich über die Betriebszeit verändert.

Ein ML-gestütztes Treibstoffoptimierungssystem löst dieses Problem in drei Schichten:

Schicht 1 — Individuelle Flugzeugkalibrierung via ACARS ACARS (Aircraft Communications Addressing and Reporting System) überträgt laufend Telemetriedaten vom Flugzeug zur Bodenstation: Schub, Kraftstoffdurchfluss, Fluggewicht, Außentemperatur, Flugfläche, Windkomponenten. Ein Machine Learning-Modell lernt daraus das individuelle Verbrauchsverhalten jedes Flugzeugs — nicht als Typparameter, sondern für diese konkrete Seriennummer und ihren aktuellen Zustand.

Schicht 2 — NWP-Integration für Windoptimierung Das ECMWF-Hochauflösungsmodell (HRES, früher: 9 km Gitterauflösung; aktuell 9 km global) liefert Windfelder im 3-stündigen Update-Rhythmus auf allen relevanten Flugflächen (300–600 hPa, entspricht FL240–FL500). Das ML-Routing-Modell bewertet alle Alternativrouten innerhalb des zulässigen Luftraums und berechnet, welche Kombination aus Windnutzung, Routenlänge und Treibstoffbedarf das Optimum ergibt. Anders als statische Windkorrektur-Tabellen geschieht das pro Flug und pro Abflugzeit.

Schicht 3 — Steigprofil-Empfehlung Basierend auf aktuellem Take-off-Gewicht, Flugzeugkalibrierung und vorhandener CCO-Freigabelage berechnet das System das optimale Steigprofil: Wann wechselt das Flugzeug auf welche Flugfläche, um das thermodynamische Optimum zu treffen? Für die Langstrecke: Wann genau ist der Treibstoffstand niedrig genug, um den Sprung auf FL370 effizient zu machen?

Die Ausgabe ist kein automatisches Kommando, sondern eine Dispatch-Empfehlung im Operational Flight Plan. Der Dispatcher überprüft, nimmt an oder lehnt ab — mit Begründung. Das System lernt aus abgelehnten Empfehlungen.

Dieser Abschnitt dient als Orientierung — alle operationellen KI-Integrationen erfordern Zertifizierungsprüfung durch EASA/LBA-zugelassene Organisationen.

Wie die Dispatch-Integration in der Praxis aussieht

Das größte Missverständnis bei Projekten dieser Art: Man denkt, das Problem sei das ML-Modell. Das eigentliche Problem ist die Rohrleitung.

Konkret bedeutet das: Bevor das erste Modell trainiert werden kann, braucht ihr eine funktionierende Datenpipeline. ACARS-Daten liegen in Airlines in der Regel in proprietären Formaten vor (OOOI-Reports, QAR-Exporte, ARINC-Formate). Sie müssen normalisiert, dedupliziert, mit Wetterdaten zusammengeführt und mit dem Schedule-System (OFP-Nummern, Rotationskennung) verknüpft werden. Dieser Schritt dauert in typischen Projekten 4–8 Monate — allein die Datenqualitäts-Arbeit.

Dann kommt die Dispatch-System-Anbindung. Jeppesen Lido/FMS, Navtech, Sabre ADL — jedes System hat eigene APIs, eigene OFP-Formate, eigene Change-Management-Prozesse. Eine Empfehlung, die nicht im offiziellen OFP erscheint, wird von Dispatchers nicht systematisch berücksichtigt. Das bedeutet: Die Integration muss tief genug sein, dass das System die Empfehlung in das Dokument schreibt, das der Dispatcher ohnehin öffnet.

Die technische Kette in einem funktionierenden System sieht typischerweise so aus:

1. ACARS-Rohdaten → Normalizer → Performance-Datenbank (pro Flugzeug, pro Flug)
2. ECMWF HRES-Windfelder → Gitterdaten-Pipeline → Routing-Optimizer
3. Routing-Optimizer + Performance-DB + OFP-Gewicht → ML-Empfehlungsmodell
4. Empfehlung → Dispatch-System-API → OFP-Annotation (nicht als neue Seite, sondern inline)
5. Dispatcher-Entscheidung (angenommen/abgelehnt/modifiziert) → Feedback-Loop ins Modell

Ohne Punkt 4 und 5 bleibt das System ein Forschungsprojekt. Die Dispatcher-Akzeptanzrate von 32% bei Alaska Airlines ist deshalb kein Misserfolg — es ist das Minimum, das entsteht, wenn die Integration gut genug ist, dass Empfehlungen überhaupt erst systematisch bewertet werden.

Dieser Abschnitt dient als Orientierung — alle operationellen KI-Integrationen erfordern Zertifizierungsprüfung durch EASA/LBA-zugelassene Organisationen.

Modellpflege: Wenn das Flugzeug älter wird als das Modell

Es gibt einen Fehler, den Airlines bei diesem Use Case regelmäßig machen: Das ML-Modell wird auf den ersten Daten trainiert, geht in Betrieb — und wird nie nachkalibriert.

Das Problem: Flugzeuge altern. Ein Triebwerk verliert kontinuierlich an Effizienz — je nach Betriebsintensität und Wartungsinterval werden Turbinenblätter rauer, Dichtungen verschleißen, der spezifische Treibstoffverbrauch (SFC) steigt. Studien zeigen, dass ein gealtertes Triebwerk je nach Zustand 2–5% mehr Kerosin verbraucht als ein frisch gewartetes. Ein Modell, das auf den ersten 12 Monaten Betriebsdaten kalibriert wurde, wird für dieses Flugzeug systematisch zu niedrige Verbrauchswerte vorhersagen — und Empfehlungen abgeben, die unrealistisch optimistisch sind.

Das erzeugt konkrete Betriebsprobleme: Zu niedrig angesetzte Treibstoffmengen, die der Dispatcher korrigieren muss; Vertrauensverlust ins System; am Ende werden Empfehlungen pauschal abgelehnt.

Was dagegen hilft:

• Per-Aircraft-Rekalibrierung nach jedem Triebwerks-Shop-Visit (Maintenance-Event → Trigger für Modell-Update)
• Kontinuierliche Drift-Überwachung: Monatlicher Vergleich von Modell-Vorhersage vs. tatsächlichem ACARS-Verbrauch pro Flugzeug. Abweichung > 1,5% → Rekalibrierung
• Separates Performance-Degradationsmodell: Statt Degradation als Rauschen zu behandeln, explizit modellieren — Alter, Zyklenzahl, letzte Maintenance-Klasse als Features

Ohne diesen Pflegeprozess verliert das System typischerweise innerhalb von 18–24 Monaten seine Genauigkeit. Das ist kein theoretisches Risiko — es ist der häufigste Grund, warum gut gestartete Fuel-Optimization-Projekte still eingestellt werden.

Konkrete Werkzeuge — was wann passt

SkyBreathe (OpenAirlines) — Die meistgenutzte spezialisierte Fuel-Effizienz-Plattform weltweit (80+ Airlines). Enthält ACARS-Analyse, Piloten-Feedback-App, Benchmark-Modul und ein Advanced-Trajectory-Modul für Dispatch-seitige Routenoptimierung. Funktioniert auch ohne eigenes ML-Team — OpenAirlines bringt das Modell mit. Kein Self-Service-Einstieg; Implementierungsprojekt nötig. Für Airlines ab ca. 20 Flugzeugen wirtschaftlich sinnvoll.

Airspace Intelligence Flyways — Das System, das Alaska Airlines eingesetzt hat. Fokus auf Routing-Empfehlungen für Dispatchers, mit Erklärbarkeit als Kernmerkmal (Dispatcher sieht, warum eine Route empfohlen wird). Bewährt bei großen US-Carriern; in Europa weniger verbreitet. Kein Stub verfügbar — Enterprise-Vertrieb.

Thales FlytOptim — Französisches System für vertikale Trajektorienoptimierung mit Live-Wetterdaten. Corsair International hat nach Einführung bis zu 2% Einsparung je Flug gemeldet. Stärke: Echtzeit-Empfehlungen für Crew an Bord, nicht nur für Dispatcher am Boden. Regulatorische Einbettung in das Operations-Konzept ist aufwändig.

Jeppesen Ops Control — Primär ein OCC-Disruption-Management-System, enthält aber Lido/FMS-Integration. Für Airlines, die bereits auf dem Jeppesen-Stack aufgebaut haben, ist die Datenbasis vorhanden — ein Fuel-Optimierungsmodul kommt dann aus demselben Ökosystem.

DWD Open Data — Für Airlines, die primär Deutschland-Routen fliegen und kein ECMWF-Kommerziallizenz abschließen wollen: Der DWD liefert ICON-Modelldaten kostenlos in amtlicher Qualität. Einschränkung: Globale Routennetze benötigen ECMWF HRES für einheitliche Weltabdeckung.

ECMWF Open Data (AWS) — Seit 2023 stellt ECMWF Teilmengen seines Hochauflösungsmodells kostenfrei auf AWS bereit. Für prototypische Entwicklung geeignet; für operationellen Einsatz ist die kommerzielle Lizenz mit garantierter Latenz und Vollständigkeit erforderlich. Preis: 0,15 EUR/EPU (ECMWF Processing Unit) ab Juli 2024.

Wann welcher Ansatz

• Sofortige Lösung ohne eigenes ML-Team → SkyBreathe oder Flyways
• Thales-Stack vorhanden oder Fokus auf Crew-an-Bord-Optimierung → FlytOptim
• Bereits Jeppesen-Ökosystem im Einsatz → Lido/FMS als Datenbasis, Fuel-Modul ergänzen
• Forschungsprototyp oder eigene ML-Entwicklung → ECMWF Open Data + eigenes ACARS-Modell
• Deutschland-Routen, Kostenminimierung → DWD Open Data als Wetterquelle

Datenschutz und Datenhaltung

Treibstoffoptimierung in der Airline-Operations verarbeitet keine personenbezogenen Daten im DSGVO-Sinne — ACARS-Telemetrie, NWP-Wetterdaten und Operational Flight Plans sind technische Betriebsdaten ohne Personenbezug.

Dennoch gibt es datenschutz- und datensicherheitsrelevante Aspekte:

Betriebsdaten-Vertraulichkeit: Routenoptimierungsdaten können Rückschlüsse auf Airline-Strategien, Flottenperformance und Wartungszustand von Einzelflugzeugen erlauben. Anbieter wie OpenAirlines sollten vertraglich zugesagt bekommen, dass Daten einer Airline nicht für Benchmarking anderer Airlines ohne Anonymisierung genutzt werden.

Hosting: SkyBreathe hostet in der EU (OpenAirlines: Toulouse, Frankreich). ECMWF HRES-Daten werden von der Meteorological Operational Centre in Reading (UK) und über AWS-Infrastruktur bereitgestellt — für EU-Airlines in der Regel kein DSGVO-Problem, da keine Personendaten involviert.

ACARS-Übertragungssicherheit: ACARS selbst ist ein älteres, unverschlüsseltes Protokoll (VHF/Satellit). Für Dispatch-Systeme, die ACARS-Rohdaten aus einem Bord-Datenlink übernehmen, sollte die Authentizität der Daten durch Ground-Side-Validierung sichergestellt werden.

EU-ETS-Daten: Wenn Treibstoffverbrauchsdaten für die EU-Emissionsberichterstattung (Richtlinie 2023/958) genutzt werden, gelten die Anforderungen der MRV-Verordnung (EU 2018/2066). Die Systemdaten müssen verifizierbar und auditierbar sein.

Dieser Abschnitt dient als Orientierung — alle operationellen KI-Integrationen erfordern Zertifizierungsprüfung durch EASA/LBA-zugelassene Organisationen.

Was es kostet — realistisch gerechnet

Einmalige Projektkosten Der größte Kostenblock ist nicht die Software, sondern die Integration:

• ACARS-Dateninfrastruktur aufbauen/verbessern: 150.000–400.000 EUR (interne IT + externe Berater)
• Dispatch-System-API-Integration: 80.000–200.000 EUR
• Historische Datenmigration und -bereinigung: 3–6 Monate interner Aufwand
• Modellentwicklung (bei Eigenentwicklung): 200.000–600.000 EUR; bei Plattformanbietern (SkyBreathe, Flyways) im Lizenzpreis enthalten

Laufende Kosten

• SkyBreathe-Lizenz: ca. 5-stellig jährlich für Flotten unter 50 Flugzeuge; 6-stellig bei größeren Flotten (genaue Preise auf Anfrage)
• ECMWF HRES-Datenlizenz kommerziell: variabel nach Volumen, typisch 50.000–200.000 EUR/Jahr für Airline-Nutzung
• Modellpflege und Rekalibrierung: 0,5–1 FTE intern oder extern
• Dispatch-Schulung und Change Management: einmalig 20.000–40.000 EUR

Was du dagegen rechnen kannst Eine mittelgroße Airline mit 50 Flugzeugen à 10 Tonnen Treibstoff je Flug, 4 Flügen je Flugzeug und Tag:

• 50 × 4 × 10.000 kg × 365 Tage = 730.000 Tonnen Kerosin/Jahr
• Kerosinpreis ~0,80 EUR/kg (Stand 2025): 584 Mio. EUR Treibstoffkosten/Jahr
• 2% Einsparung: 11,7 Mio. EUR jährlich
• 3% Einsparung: 17,5 Mio. EUR jährlich

Selbst bei konservativem Szenario — 1,5% effektive Einsparung nach Dispatcher-Akzeptanzrate — amortisiert sich das Gesamtprojekt bei dieser Flottengröße in unter 18 Monaten.

Für Airlines unter 20 Flugzeugen sieht die Rechnung anders aus: Die Fixkosten der Integration lassen sich auf weniger Flüge verteilen, die Amortisation verlängert sich auf 3–5 Jahre.

Typische Einstiegsfehler

1. Das Modell auf Flottendurchschnitt trainieren statt auf Einzelflugzeuge. Der Reflex: Ein Modell für alle A320. Das Ergebnis: systematische Über- oder Unterschätzung, weil jedes Flugzeug ein individuelles Performance-Profil hat. Ein Flugzeug mit frisch gewarteten Triebwerken und eines mit 8.000 Zyklen seitdem sind keine äquivalenten Objekte. Lösung: Per-Tail-Kalibrierung von Anfang an — auch wenn das bedeutet, dass für jüngere Flugzeuge im Bestand weniger Trainingsdaten vorhanden sind.

2. Die Dispatcher-Akzeptanzrate nicht messen. Viele Projekte messen Treibstoffeinsparung auf Systemebene — wie viel Einsparung das Modell theoretisch ermöglicht hätte. Was sie nicht messen: wie viele Empfehlungen tatsächlich angenommen wurden, und warum die anderen abgelehnt. Bei Alaska Airlines lag die Annahmerate bei 32 % — 68 % der Empfehlungen wurden ignoriert. Wer diese Ablehnungen nicht auswertet, verpasst den Hebel, der die reale Einsparung verdoppeln kann. Ohne dieses Feedback bleibt die tatsächliche Einsparung systematisch 2–3× unter dem Modellpotenzial. Lösung: Jede Dispatcher-Entscheidung (angenommen/abgelehnt mit Grund) als Trainings-Signal zurückführen und die Akzeptanzrate als monatliche KPI verfolgen.

3. Das System nach Go-live nicht rekalibrieren. Das ist der gefährlichste Fehler — weil er nicht als Fehler erkennbar ist, bis der Schaden eintritt. Ein Modell, das auf Daten von 2023 basiert und in 2025 operiert, hat die Triebwerksdegradation nicht gesehen. Es schlägt Treibstoffmengen vor, die zu niedrig sind. Dispatchers lernen das — und kompensieren pauschal. Am Ende zieht niemand mehr Empfehlungen des Systems heran. Lösung: Monatliches Monitoring der Vorhersagegenauigkeit, automatischer Trigger bei Abweichung > 1,5%, Rekalibrierung nach jedem Triebwerks-Shop-Visit.

4. NWP-Daten ohne Validierungsschicht direkt ins Modell speisen. ECMWF-Daten sind hochwertig, aber nicht unfehlbar. Numerische Wetter-Vorhersagen haben Fehlerraten, die besonders in der Nähe von Gebirgen, Küsten und starken Frontensystemen zunehmen. Ein System, das NWP-Daten ohne Plausibilitätsprüfung direkt verwertet, kann Empfehlungen abgeben, die auf falschen Windfeldern basieren. Lösung: Ensemble-Vorhersagen (ECMWF ENS) statt nur HRES nutzen — das liefert Unsicherheitsbandbreiten, die das Modell bei der Empfehlungsformulierung einbeziehen kann.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Einführung ist das Einfachste. Das Schwierigere ist die Akzeptanz im Dispatch.

Dispatchers sind erfahrene Fachleute, die jahrelang Routing-Entscheidungen getroffen haben und wissen, wie sich ein guter OFP anfühlt. Ein System, das ihnen Empfehlungen gibt, trifft auf drei typische Widerstands-Muster:

Die Erfahrungs-Verteidiger. “Ich kenne diese Route. Die Empfehlung ist zwar rechnerisch besser, aber ich weiß, dass der Sektor XY regelmäßig restriktiv ist und wir dann umgeplant werden. Das Modell weiß das nicht.” Diese Einwände sind oft berechtigt — in den ersten Wochen. Lösung: Diese Fälle dokumentieren und als Trainingsdaten nutzen. Wenn das Modell ein bestimmtes ATC-Muster systematisch nicht berücksichtigt, ist das kein Dispatcher-Problem, sondern ein Daten-Problem.

Die Vertrauens-Tester. Einige Dispatchers übernehmen zunächst bewusst nicht-optimale Empfehlungen, um zu sehen, ob das System “im richtigen Bereich liegt”. Das ist sinnvoll. Wenn das Modell konsistent 1–2% besser als die manuelle Planung liegt, kippt das Vertrauen innerhalb von Wochen. Wenn es einige Male deutlich daneben liegt, ohne dass das System erklärt warum, verliert es die Gruppe dauerhaft.

Die Null-Adaptierer. Eine Minderheit lehnt systematisch ab. Diese Gruppe nicht überreden — herausfinden, welche Empfehlungsarten sie ablehnen und warum. Oft steckt ein systematisches Modellproblem dahinter, das die anderen Dispatchers tolerieren, obwohl es sie ebenfalls stört.

Was konkret hilft:

• Wöchentliches gemeinsames Review der abgelehnten Empfehlungen mit Dispatch-Führung (nicht als Kontrolle, sondern als gemeinsame Modellfeedback-Runde)
• Transparenz über Empfehlungslogik: “Die Route empfehle ich wegen des 50-Knoten Rückenwinds auf FL380 im Segment Lyon–Marseille” — nicht nur das Ergebnis, auch die Begründung
• 90-Tage-Pilotbetrieb mit explizit definierten KPIs: Akzeptanzrate und tatsächliche Einsparung werden separat gemessen

Realistischer Zeitplan mit Risikohinweisen

Dieser Abschnitt dient als Orientierung — alle operationellen KI-Integrationen erfordern Zertifizierungsprüfung durch EASA/LBA-zugelassene Organisationen.

Häufige Einwände — und was dahintersteckt

“Unsere Dispatcher machen das schon gut genug.” Das stimmt — sie machen es gut. Aber sie können es nicht für jeden Flug gleich gut machen. Bei 80 Rotationen am Tag und 10 Minuten pro OFP-Review bleibt keine Zeit, für jeden Flug die aktuellen 30-Schichten ECMWF-Windfelder zu durchdenken. Das System konkurriert nicht mit dem guten Dispatcher — es hebt das Niveau der schlechteren Tage und Randflüge, die sonst nach Standardroute gehen.

“Wir haben das schon mit LIDO/OFP.” LIDO ist ein exzellentes Flugplanungssystem. Es löst Wind-optimiertes Routing mit den Bordmitteln, die es hat. Was LIDO nicht macht: individuelle ACARS-Kalibrierung pro Tail-Nummer, Ensemble-Unsicherheitsmodellierung, kontinuierliches Lernen aus Dispatcher-Feedback. ML-Optimierung ergänzt LIDO — ersetzt es nicht.

“Was ist, wenn das Modell einen Fehler macht und wir zu wenig Treibstoff laden?” Das Modell gibt Empfehlungen. Die Entscheidung liegt beim Dispatcher und wird durch den Captain final bestätigt. Die regulatorischen Mindesttreibstoffmengen (EU OPS, ICAO Annex 6, EU-Verordnung 965/2012) sind nicht verhandelbar — kein System darf diese unterschreiten, und kein seriöser Anbieter würde das vorschlagen. Die Empfehlung bezieht sich auf die optimierbare Marge oberhalb der regulatorischen Minima. Dennoch gilt: Jede operative Änderung an Kraftstoffpolitik und Flugplanung erfordert die Einbettung in das zugelassene Operations Manual der Airline — das ist EASA-Part-OPS-Pflicht.

Dieser Abschnitt dient als Orientierung — alle operationellen KI-Integrationen erfordern Zertifizierungsprüfung durch EASA/LBA-zugelassene Organisationen.

Woran du merkst, dass das zu dir passt

Das sollte zutreffen:

• Ihr betreibt mindestens 20 Flugzeuge auf einem kohärenten Routennetz
• Ihr habt ACARS-Bodenstationen und einen laufenden Telemetrie-Feed — oder könnt ihn aufbauen
• Eure Flight Operations haben mindestens 2–3 FTE im Bereich Performance und Effizienz
• Kerosin macht mehr als 25% eurer Betriebskosten aus
• Ihr habt eine IT-Abteilung mit API-Integrationserfahrung — oder kauft externe Kapazität zu
• Das Management ist bereit, 12–18 Monate Projektlaufzeit vor dem ersten messbaren ROI zu akzeptieren

Drei harte Ausschlusskriterien — wer das noch nicht tun sollte:

1. Flotten unter 15–20 Flugzeugen: Die Fixkosten für ACARS-Datenpipeline, NWP-Lizenz und Dispatch-Integration lassen sich auf diese Flottengröße nicht amortisieren. Bei weniger als 50 Rotationen täglich übersteigen die Projektkosten die realistisch erzielbaren Einsparungen über einen 3-Jahres-Horizont. Ausnahme: Spezialisierte Charter-Airlines mit langen Strecken und hohem Kerosinanteil pro Rotation.

2. Keine zentralisierte ACARS-Datenerfassung: Wer keine strukturierte Telemetrie-Datenbasis hat — oder bei dem ACARS-Daten dezentral, unvollständig oder nur in Papierform vorliegen — muss zuerst die Dateninfrastruktur aufbauen. Ein ML-System, das ohne valide Baseline-Daten startet, liefert keine zuverlässigen Empfehlungen. Dieser Schritt kann allein 6–12 Monate dauern und sollte unabhängig von der Fuel-Optimization-Entscheidung angegangen werden.

3. Mehr als fünf Flugzeugtypen im Bestand ohne Konsolidierungsplan: Für jeden Typ benötigt das Modell separate Kalibrierung und ausreichend Trainingsdaten. Bei sehr heterogenen Flotten (fünf Typen, jeweils drei Flugzeuge) ist die Datenbasis pro Typ zu schmal. Entweder auf Typen mit ausreichend Daten fokussieren oder warten, bis die Flotte konsolidierter ist.

Das kannst du heute noch tun

Auch ohne laufendes Projekt gibt es einen konkreten ersten Schritt: Analysiere mit öffentlich zugänglichen NWP-Daten, wie stark das Windfeld auf euren meistgeflogenen Routen variiert.

Quellen & Methodik

• Alaska Airlines + Airspace Intelligence (Flyways), 480.000 Gallonen in 6 Monaten: Simple Flying, „Alaska Airlines Saves 480,000 Gallons Of Fuel With AI Assisted Flight Planning” (2021); World Aviation Festival, „Alaska Airlines saves 1.2 million gallons of fuel” (2022). Dispatcher-Akzeptanzrate 32% aus den veröffentlichten Projekt-Berichten.
• SkyBreathe/OpenAirlines, 325 Mio. kg Kerosin kumulativ, 2–5% Einzelflug-Einsparung, SAS-Implementierung: OpenAirlines, Blog „SAS Ireland implements SkyBreathe® to save fuel” (openairlines.com); OpenAirlines, „A decade of CO2 savings with SkyBreathe” (2024).
• Thales FlytOptim, Corsair International, bis zu 2% Einsparung: Aerospaceglobalnews.com, „How airlines are using tech to cut fuel burn and flight times” (2024).
• ECMWF HRES, Datenzugang, Preis 0,15 EUR/EPU ab Juli 2024: ECMWF, „Service Agreement Pricing” (ecmwf.int/en/forecasts/accessing-forecasts/payment-rules-and-options/tariffs, Stand Mai 2026).
• Modellalterung und Triebwerksdegradation, systematische Unterschätzung: arxiv.org, „Aircraft Fuel Flow Modelling with Ageing Effects: From Parametric Corrections to Neural Networks” (2024, arxiv:2509.15736). Studie zeigt, dass konventionelle Modelle für ältere Triebwerke den Verbrauch systematisch unterschätzen.
• Physikalische Grundlagen CCO/CDO, Step-Climb-Optimierung: ICAO Environmental Report 2019, Kapitel 2 (Continuous Climb and Descent Operations); EUROCONTROL Performance Review Commission.
• EU-ETS-Anforderungen Treibstoffverbrauch-Reporting: EU-Verordnung 2018/2066 (MRV), Richtlinie 2023/958 (CORSIA-Anpassung).
• Scorekalibrierung: Innerhalb des luft-raumfahrt-Branch relativ zu 22 verglichenen Use Cases; Z:1 reflektiert, dass kein direkter Arbeitszeit-Effekt eintritt (Optimierung im Hintergrund); K:5 reflektiert den volumenmäßig größten Kostenhebel im Branch.