Bunkeroptimierung: KI-gestützte Trimm- und Geschwindigkeitsstrategie

Das echte Ausmaß des Problems

Treibstoff ist der mit Abstand größte Kostenblock im Schiffsbetrieb — je nach Schiffstyp und Route zwischen 40 und 70 Prozent der gesamten Betriebskosten einer Voyage. Bei einem typischen Massengutfrachter der Capesize-Klasse entspricht das 8.000 bis 12.000 USD täglich allein für Bunker. Über ein Jahr und einen Schiffswert von 50 Millionen USD ergibt sich ein Bunkerbudget von 3 bis 4 Millionen USD pro Schiff — das ist das entscheidende Optimierungsfeld, nicht die Wartungskosten, nicht die Hafengebühren.

Das Problem ist nicht, dass Schiffsführungen keine Erfahrung haben. Es ist, dass die Optimierungsfunktion für Menschen schlicht nicht berechenbar ist.

Der optimale Trimm — also die Längslage des Schiffes zwischen Hecklast und Buglast — verändert sich mit jedem der folgenden Parameter gleichzeitig:

• Tiefgang vorne und achtern (verändert sich stündlich durch Verbrauch, Ballaststände, Trinkwasser)
• Schiffsgeschwindigkeit (die Kurve ist nicht linear — ein Schiff verhält sich hydrodynamisch bei 10 Knoten anders als bei 13)
• Wellen- und Windrichtung (Hecklasttrimm ist bei Gegenwind günstiger, bei Rückenwind oft nicht)
• Tiefgang absolut (Tiefwasser vs. Flachwasser ändert die Hydrodynamik fundamental)
• Bunkerpreis an der nächsten Bunkerstelle (der Zeitwert des Treibstoffs beeinflusst die Frage: schneller fahren und weniger Liegegebühren zahlen, oder langsamer und weniger Treibstoff verbrennen?)

Eine Trimm-Tabelle wie die an Bord der Baltic Stern bildet diese Funktion unter Annahme von Schönwetter und konstantem Tiefgang ab. In der Praxis liegen diese Voraussetzungen für vielleicht 20 Prozent der Fahrzeit vor.

Die Folge: Schiffe fahren im Durchschnitt 3–8 Prozent mehr Treibstoff als hydrodynamisch nötig wäre. Das ist keine Theorie. Hapag-Lloyd hat 2022 berichtet, dass allein durch systematische Trimmoptimierung eine Senkung der Emissionen um rund 1,5 Prozent je Schiff erreicht wurde — und das bei Schiffen, die bereits von erfahrenen Offizieren gefahren werden. DNV und Farstad Shipping haben in einem sechsmonatigen kontrollierten Vergleichsversuch mit zwei Schwesterschiffen 4,3 Prozent durchschnittliche Einsparung auf der Trimm-optimierten Einheit gemessen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Einsparungszahlen aus der Tabelle stammen aus dem DNV/Farstad-Vergleichsversuch (Schwesterschiff FAR SUN vs. FAR SYGNA, 6 Monate, Nordsee), der Wärtsilä-Eniram-VLCC-Studie und dem Hapag-Lloyd-Flottenbericht 2022.

Einschätzung auf einen Blick

Zeitersparnis — minimal (1/5) Dieser Use Case spart keine Zeit. Die Besatzung verbringt nach der Einführung nicht weniger Zeit auf der Brücke, nicht weniger Zeit mit Voyage-Planung. Die Optimierung läuft automatisch im Hintergrund — die Empfehlung erscheint auf dem Bridge-Display, und der Offizier entscheidet, ob er ihr folgt. Für Zeitersparnis gibt es bessere Hebel in dieser Branche, etwa automatisierte Klassifikationsdokumentation.

Kosteneinsparung — sehr hoch (5/5) Kein anderes digitales Werkzeug im maritimen Bereich hat ein vergleichbar direktes Verhältnis von Investition zu Kostensenkung. Treibstoff ist der größte Einzelkostenblock. Die Einsparung ist direkt messbar und nicht mit anderen Maßnahmen verwechselbar. Bei einem VLCC: 730 Tonnen Treibstoff weniger pro Jahr (Wärtsilä-Eniram-Studie), bei 550 USD/Tonne entspricht das rund 400.000 USD — bei Lizenzkosten von 30.000–60.000 USD/Jahr bleibt die Rechnung eindeutig.

Schnelle Umsetzung — mittel (3/5) SaaS-Lösungen wie Eniram by Wärtsilä oder NAPA Fleet Intelligence brauchen 4–8 Wochen bis zur ersten produktiven Empfehlung. Das schließt Datennormalisierung historischer Voyage-Reports, Kalibrierung des schiffsspezifischen Verbrauchsmodells und Crew-Training ein. Schneller als die meisten Hardware-Nachrüstlösungen, langsamer als reine Software-Tools.

ROI-Sicherheit — sehr hoch (5/5) Wenige maritime Digitallösungen haben ein vergleichbar starkes Evidenzniveau: Schwesterschiff-Vergleichsstudien (DNV/Farstad), Profit-Sharing-Verträge (Brittany Ferries mit Wärtsilä: 4% Einsparung in 6 Monaten), und direkte Messbarkeit durch Treibstoffzähler. Der ROI-Eintritt bei realistischen Umsetzungsraten ist auf 2–12 Monate begrenzt. Auch das konservative Szenario (50% Crew-Compliance) zeigt Amortisation unter einem Jahr.

Skalierbarkeit — hoch (4/5) Per-Schiff-Abonnement bedeutet, dass Kosten mit der Flottengröße linear wachsen — kein Skalierungsbonus wie bei einer Software, die beliebig viele Nutzer hat. Positiver Gegeneffekt: Flottenbenchmarking wird mit jedem weiteren Schiff wertvoller; mit 20 Schiffen auf derselben Route hat man einen echten Vergleichspool für Effizienzausreißer. Flottenrabatte ab 10+ Schiffen sind bei allen Anbietern üblich (10–40% laut Marktrecherche).

Richtwerte — stark abhängig von Schiffstyp, Routenmuster, Beladungsprofil und Crew-Compliance-Rate.

Was das System konkret macht

Das Grundprinzip ist Machine Learning auf historischen Reisedaten — aber die Umsetzung hat maritime Besonderheiten, die es von generischen ML-Plattformen unterscheiden.

Schritt 1: Verbrauchsmodellaufbau. Das System lädt Voyage-Logs der letzten 12–24 Monate: Tiefgang vorne/achtern zu jedem Zeitpunkt, GPS-basierte Geschwindigkeit-über-Grund, Hauptmaschinen-Leistung, Treibstoffverbrauch aus Durchflusszählern und Wetterdaten von meteorologischen Diensten. Aus diesem Datensatz baut das System ein schiffsspezifisches Verbrauchsmodell — im Kern eine mehrdimensionale Funktion, die für jede Kombination aus Geschwindigkeit, Tiefgang und Trimm den zu erwartenden Verbrauch prognostiziert.

Bessere Systeme verwenden einen Hybrid: CFD-Basisdaten (hydrodynamische Berechnungen aus dem Schiffsbaumodell als physikalischer Prior) plus ML-Kalibrierung auf Echtbetriebsdaten. Das ist wichtig, weil rein datengetriebene Modelle extrapolieren müssen, wenn ein Schiff in Betriebspunkte fährt, die in den Trainingsdaten selten sind — und das passiert genau dann, wenn die Empfehlung am wichtigsten wäre.

Schritt 2: Echtzeit-Empfehlung. Auf Basis des aktuellen Betriebszustands (Tiefgang, Fahrt, Wetter, verbleibende Route) berechnet das System in jedem Wegpunkt: “Bei dieser Beladung, dieser Dünung und dieser Restdistanz ist ein Trimm von 0,8 m Hecklast bei 10,8 Knoten die Kombination mit dem niedrigsten Bunkerverbrauch für die Reise insgesamt.” Das ist entscheidend: nicht lokale Punktoptimierung, sondern Gesamtreiseoptimierung. Ein Schiff, das jetzt langsamer fährt und Tidenströmungen ausnutzt, kann beim nächsten Wegpunkt wieder aufholen.

Schritt 3: Bridge-Display und Crew-Interaktion. Die Empfehlung erscheint entweder als eigenständiges Display, als Overlay im ECDIS (Electronic Chart Display) oder per App auf Tablets. Die Besatzung sieht: “Empfehlung: Trimm +0,4 m Hecklast. Erwartete Einsparung: 3,1% auf diesem Abschnitt.” Ob der Offizier der Empfehlung folgt, bleibt seine Entscheidung — das ist regulatorisch und sicherheitstechnisch richtig so.

Schritt 4: Post-Voyage-Analyse und Modell-Feedback. Jede abgeschlossene Reise wird analysiert: Wie weit wich der tatsächliche Verbrauch vom Modell ab? Welche Empfehlungen wurden umgesetzt, welche nicht? Warum? Das Modell wird kontinuierlich nachkalibriert. Besonders wichtig nach Dockereignissen: Frische Unterwasserfarbe verändert die Hydrodynamik erheblich — das Modell braucht 2–3 Reisen, um sich auf den neuen Reibungswiderstand einzustellen.

Regulatorischer Kontext: CII, MARPOL und SEEMP

Bunkeroptimierung war früher ein rein wirtschaftliches Thema — heute ist sie regulatorisch verpflichtend geworden. Das verändert die Ausgangslage für jeden Schiffsbetreiber grundlegend.

CII-Rating (Carbon Intensity Indicator): Seit 2023 berechnet die IMO für jedes Schiff über 5.000 BRZ eine CII-Kennzahl — den CO2-Ausstoß je transportierter Tonne-Seemeile. Schiffe werden von A (effizient) bis E (ineffizient) bewertet. Ein D-Rating für drei Jahre in Folge verpflichtet zum korrigierten Aktionsplan; ein E-Rating löst unmittelbar regulatorische Maßnahmen aus. D- und E-bewertete Schiffe erzielen bei Charterverträgen Abschläge von typisch 5–15%.

Hinweis: Die CII-Anforderungen und ihre jährliche Verschärfung basieren auf MARPOL Annex VI, Regulation 28. Die konkrete Berechnung und Bewertung für ein spezifisches Schiff sollte mit einer Klassifikationsgesellschaft (DNV, Lloyd’s Register, Bureau Veritas) oder maritimem Rechtsberater abgestimmt werden — die Anforderungen entwickeln sich laufend.

EU ETS für Schifffahrt: Ab 2024 gilt der EU-Emissionshandel für Reisen zwischen europäischen Häfen sowie für 50% der Emissionen auf Reisen in und aus EU-Häfen. 2025 müssen Schiffsbetreiber für 70% ihrer Emissionen Zertifikate erwerben, ab 2026 für 100%. Bei einem aktuellen CO2-Zertifikatspreis von 60–80 EUR/Tonne CO2 und einem Massengutfrachter mit 15.000 Tonnen CO2-Ausstoß jährlich entstehen zusätzliche Kosten von 900.000 bis 1.200.000 EUR — die durch Treibstoffeinsparung direkt reduziert werden können.

Hinweis: Die EU ETS-Pflichten für Schifffahrt wurden durch die EU-Richtlinie 2023/959 eingeführt. Für die korrekte Berechnung der Berichts- und Kaufpflichten wende dich an einen spezialisierten maritimen Rechtsberater oder deine Klassifikationsgesellschaft.

SEEMP (Ship Energy Efficiency Management Plan): Seit 2023 sind alle Schiffe über 5.000 BRZ verpflichtet, einen SEEMP mit definierten CII-Zielen und Maßnahmenplänen vorzuhalten. Eine ML-basierte Trimmoptimierung ist eine der messbaren Maßnahmen, die im SEEMP als konkrete Effizienzmaßnahme dokumentiert werden kann.

Hinweis: Die SEEMP-Anforderungen (einschließlich SEEMP Part III für CII-Management) werden durch MARPOL Annex VI und die zugehörigen IMO-Richtlinien geregelt. Die Prüfung und Zertifizierung des SEEMP erfolgt durch die zuständige Klassifikationsgesellschaft.

ISO 19030: Diese Norm definiert, wie Schiffsleistungsänderungen — insbesondere durch Rumpfverschmutzung und Propellerkorrosion — gemessen und dokumentiert werden. Trimmoptimierungssysteme, die nach ISO 19030 kalibriert sind, liefern Daten, die als Grundlage für SEEMP-Berichterstattung und Klassifikationsprüfungen akzeptiert werden.

Hinweis: ISO 19030-Konformität der verwendeten Software und Messprozesse sollte vor Einsatz für regulatorische Berichterstattung von einer Klassifikationsgesellschaft bestätigt werden.

Sensor-Infrastruktur: Was das System wirklich braucht

Das ist die Stelle, an der Pilotprojekte in der Praxis oft scheitern — nicht an der Software, sondern an der Datengrundlage. Ein ML-Modell kann nur so gut sein wie die Eingangsdaten.

Was zwingend erforderlich ist:

• Treibstoff-Durchflusszähler (Fuel Flow Meters): Die wichtigste Messgröße. Ohne genaue Volumen- oder Massenmessung des Hauptmaschinen-Treibstoffverbrauchs ist das Modell auf Noon-Report-Schätzungen angewiesen — ungenau, zu selten, manuell. Hochwertige Coriolis-Durchflusszähler kosten 3.000–15.000 EUR; der Einbau an Bord ist ein 2–3-Tages-Werftaufenthalt.

• Tiefgangs-Sensor vorn und achtern: Genaue Tiefgangsmessung ist Voraussetzung für die Trimmberechnung. Manche Schiffe haben nur manuelle Peilmarken — Offiziere lesen per Fernglas vom Kai. Automatische Ultraschall- oder Drucksensoren kosten 2.000–8.000 EUR je Einheit.

• GPS-basierte Geschwindigkeit-über-Grund (SOG) und -durchs-Wasser (STW): Entscheidend für die Unterscheidung zwischen Eigengeschwindigkeit und Strömungseinfluss. AIS liefert SOG; für STW braucht es einen Loggen-Sensor.

• Wetterdaten: Windgeschwindigkeit, -richtung und Wellenhöhe an der aktuellen Schiffsposition. Kann extern über Wetterdienste (z.B. StormGeo, MetOcean) bezogen werden oder über Bord-Wetterstation.

Was Ergebnisse verbessert, aber nicht zwingend ist:

• Hauptmaschinen-Betriebsdaten in Echtzeit (Leistung, Drehzahl, Ladeluftdruck): Ermöglicht Effizienzanalyse des Antriebs selbst, nicht nur des Treibstoffverbrauchs
• VDR-Daten (Voyage Data Recorder): Liefert historische Betriebsdaten mit hoher Zeitauflösung für das initiale Modelltraining
• Ballasttank-Füllstände: Für präzise Gewichtsverteilung und Stabilitätsmarge

Für Schiffe ohne diese Sensoren gilt: Der erste Schritt ist nicht die KI-Software, sondern die Sensor-Nachrüstung. Ohne Treibstoffzähler ist die Empfehlung des Systems nicht vertrauenswürdig genug für operativen Einsatz — das schiffsspezifische Modell basiert dann auf Schätzungen, nicht auf Messungen.

Konkrete Werkzeuge — was wann passt

Die Marktlandschaft für maritime Trimmoptimierung ist überschaubar: wenige spezialisierte Anbieter mit tiefer Domänenkompetenz.

Eniram by Wärtsilä — Die meistgenutzte Plattform für Verbrauchsoptimierung in der Schifffahrt. Stärke: breite Datenbasis aus Hunderten von Schiffen, Profit-Sharing-Modelle möglich. Preis: ab ca. 500–1.000 USD/Schiff/Monat für Trim & Speed, bis 60.000 USD/Schiff/Jahr für die vollständige Voyage-Management-Plattform. Bewährt bei Fähren, Tankern und Massengutfrachtern.

NAPA Fleet Intelligence — Besonderheit: physikalisch fundiertes Leistungsmodell, das auf NAPA-Schiffsbaumodellen basiert statt auf reiner Datenkorrelation. Vorteil für Neubauten, bei denen NAPA-Schiffsbaudaten vorhanden sind. Vollständige CII/EU-ETS-Compliance-Berichterstattung integriert. Preis: modular, auf Anfrage; vergleichbar mit Eniram.

DNV ECO Assistant — DNVs Eigenentwicklung auf Basis eines 7×7×7-Trimm-Modells (7 Geschwindigkeiten × 7 Tiefgänge × 7 Trimmpositionen). Seit über 10 Jahren im Einsatz, 750+ Schiffe weltweit. Vorteil: direkte Klassifikationsgesellschafts-Anbindung, einfach in SEEMP-Dokumentation integrierbar. Kein öffentlicher Preis; über DNV direkt beziehbar. Empfehlenswert, wenn ohnehin eine DNV-Klassifikationsbeziehung besteht.

Zusammenfassung: Wann welcher Ansatz

• Fähren, Tanker, Massengutfrachter mit Langstreckenrouten → Eniram by Wärtsilä
• Neubauten mit NAPA-Schiffsbaumodellen, starker Compliance-Fokus → NAPA Fleet Intelligence
• DNV-klassifizierte Flotte, einfacheres Modell ohne Routenplanung → DNV ECO Assistant
• Containerlinien mit bestehender Wärtsilä-Beziehung → Eniram als Einstieg

Es gibt keinen kostenlosen Einstieg für echten Bordbetrieb — der Aufwand für Datenintegration und Kalibrierung ist zu hoch. Für erste Einschätzungen ohne Verpflichtung bieten alle drei Anbieter Potenzialanalysen auf Basis historischer Voyage-Reports an.

Datenschutz und Datenhaltung

Maritime Betriebsdaten sind kein klassisches DSGVO-Thema — sie enthalten keine personenbezogenen Daten der Besatzung, sofern Voyage-Logs auf Schiffssystemebene (nicht personenbezogen) erhoben werden. Der relevante Rahmen ist industrieller Datenschutz.

Was die Cloud-Plattformen verarbeiten:

• Voyage-Logs (Tiefgang, Speed, Verbrauch, Route, Wetterbedingungen)
• Maschinentelemetrie (Drehzahl, Leistung, Temperaturen)
• Schiffsspezifische Konfigurationsdaten

Diese Daten sind keine personenbezogenen Daten nach DSGVO, aber sie sind hochsensible Betriebsdaten, die Rückschlüsse auf Routenmuster, Handelspartner und Charterverträge ermöglichen.

Datenhosting: Sowohl Eniram by Wärtsilä als auch NAPA Fleet Intelligence betreiben ihre Plattformen in Europa (EU-Datenzentren). Vertragliche Regelungen zur Datennichtnutzung für Dritte und Wettbewerber sind Standard in den Enterprise-Verträgen.

Empfehlungen für Vertragsprüfung:

• Klärung, ob Anonymisierungen von Flottenvergleichsdaten wirklich rückschlussfrei sind (Schiffstyp + Route ist oft eindeutig)
• Eigentumsrechte an schiffsspezifischen Modellen: Wenn ein Betreiber die Plattform verlässt, wer behält das kalibrierte Verbrauchsmodell?
• Datennutzungsrechte: Darf der Anbieter deine Schiffsdaten zur Verbesserung seiner Modelle für andere Kunden nutzen?

Für Schiffe unter Flagge mit strengen Datensouveränitätsanforderungen (bestimmte nationale Flotten, KRITIS-Relevanz) gibt es On-Premises-Installationen, die aber erheblich teurer und wartungsaufwändiger sind.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Sensor-Nachrüstung (Treibstoffzähler, Tiefgangsensoren): 15.000–70.000 EUR je Schiff (einmalig, inklusive Einbau)
• Software-Onboarding und Modellkalibrierung: typisch 5.000–15.000 EUR je Schiff (einmalig, durch Anbieter)
• Crew-Training (Brücke + Shore-side Fleet Manager): 1–2 Tage, meist im Onboarding enthalten

Laufende Kosten (monatlich je Schiff)

• Einstiegs-Trim-Modul (Eniram, NAPA, DNV): ca. 500–1.000 USD/Monat
• Vollständige Voyage-Optimierungsplattform (inkl. Compliance-Reporting): 1.500–5.000 USD/Monat
• Flottenrabatte ab 10 Schiffen: 10–40% (laut Branchenvergleich)

Konservative ROI-Rechnung: Massengutfrachter Supramax (50.000 DWT)

Annahmen: 300 Seetage/Jahr, 25 t/Tag Hauptmaschinen-Verbrauch, Bunkerpreis 550 USD/t.

Jahresbunkerkosten ohne Optimierung: ca. 4.125.000 USD
Einsparung bei 3% Verbrauchsreduktion: 123.750 USD/Jahr
Jährliche Softwarekosten: ca. 12.000–24.000 USD
Sensor-Nachrüstung annualisiert (5 Jahre): ca. 8.000–14.000 USD
Nettoeinsparung: 86.000–100.000 USD/Jahr — bei 50% Crew-Compliance halbiert sich dieser Wert auf 43.000–50.000 USD/Jahr. Immer noch ein klarer ROI innerhalb von 12 Monaten.

Für VLCCs (Very Large Crude Tankers) sind die absoluten Zahlen 3–4-fach höher — die Wärtsilä-Eniram-Studie zeigt 730 Tonnen/Jahr Einsparung, was bei 550 USD/t einer Nettoersparnis von ca. 400.000 USD/Jahr entspricht.

Wie du den ROI tatsächlich beweist: Der ehrlichste Beweis ist der Flottenbenchmark. Wenn du dieselbe Route mit zwei vergleichbaren Schiffen — eines mit Optimierung, eines ohne — fährst, ist die Differenz direkt messbar. Das ist das Prinzip der DNV/Farstad-Studie. Für Betreiber mit Einschiffsflotte: Vor-/Nachvergleich über mindestens 3 Monate, kontrolliert nach Wetterbedingungen und Beladungsprofilen.

Modellpflege und Kalibrierung im Betrieb

Das ist der Teil, der am häufigsten unterschätzt wird und der über langfristigen Nutzen entscheidet.

Warum das Modell veraltet: Schiffe verändern sich. Hauptursache: Rumpfverschmutzung durch Bewuchs (Biofilm, Muscheln, Algen) erhöht den Reibungswiderstand um 5–20% über einen typischen Docking-Zyklus (12–24 Monate). Ein Trimmoptimierungsmodell, das auf den Widerstandswerten eines frisch gedockten Schiffes basiert, überschätzt die realisierbaren Einsparungen nach 18 Monaten systematisch.

Wann Neukalibrierung erforderlich ist:

• Nach jedem Werftaufenthalt (neue Unterwasserfarbe verändert Hydrodynamik erheblich)
• Nach signifikanten Umbaumaßnahmen (z.B. Propeller-Polishing, Anbringung eines Bulbous Bow)
• Wenn der Modell-Fehler (Differenz zwischen vorhergesagtem und tatsächlichem Verbrauch) dauerhaft über 3% steigt
• Spätestens alle 6 Monate als Routineprozess

Wer die Kalibrierung verantwortet: Konkret läuft das als regelmäßiger Prüftermin zwischen Fleet Manager (shore side) und dem Software-Anbieter — nicht die Brückenbesatzung. Das Modell wird auf Basis der letzten 60–90 Reisen neu trainiert, Ausreißer werden herausgefiltert (Extremwetter, Notfälle, Tests), und das aktualisierte Modell wird eingespielt.

Was fehlt, wenn das nicht passiert: Das System empfiehlt weiterhin Trim-Einstellungen, die für ein frisches Schiff optimal waren — aber bei einem mit 15% mehr Rumpfwiderstand sind sie es nicht mehr. Die Besatzung merkt es daran, dass die “Einsparung” im Dashboard weiterhin grün ist, aber der tatsächliche Verbrauch von Voyage zu Voyage steigt. Dieser stille Qualitätsverlust ist der häufigste Fehler im Betrieb nach dem ersten Jahr.

Drei typische Einstiegsfehler

1. Mit Noon-Report-Daten starten, obwohl Treibstoffzähler möglich wären. Noon-Reports sind tägliche Schätzwerte, manuell eingetragen, gerundet auf den nächsten halben Knoten und nächste Tonne Treibstoff. Für die Modellkalibrierung ist das zu ungenau — das Verbrauchsmodell wird auf Basis von Daten gebaut, die einen Fehler von 5–10% haben. Die Empfehlungen des Systems sind dann entsprechend unscharf, und die Besatzung wird die Empfehlungen nach einigen Wochen ignorieren, weil sie erfahrungsgemäß nicht stimmen.

Die Lösung: Vor der Software-Einführung sicherstellen, dass Treibstoff-Durchflusszähler vorhanden sind und kalibriert werden. Das ist ein Vorlaufinvestment, aber ohne es ist das ML-Modell nicht belastbar.

2. Crew-Akzeptanz als selbstverständlich voraussetzen. Der Betriebserfahrungseffekt ist real: Ein Erster Offizier, der seit 20 Jahren Massengutfrachter fährt und weiß, wie seine Schiffe reagieren, wird einem Algorithmus-Vorschlag nicht reflexartig folgen. Das ist kein Fehler des Offiziers — es ist eine rationale Reaktion auf ein System, das er nicht versteht und das vielleicht am Anfang falsch lag (weil das Modell noch kalibriert wurde).

Was hilft: Offiziere in die Modell-Validierungsphase einbeziehen. Lass den Kapitän oder Ersten Offizier aktiv dabei sein, wenn historische Voyage-Daten ausgewertet und das Modell gebaut wird. Erkläre, welche Daten eingehen und warum das Modell die Empfehlung macht, die es macht. Transparenz ist die Voraussetzung für Vertrauen. Wer das überspringt, hat nach 6 Monaten ein System, das technisch läuft, aber niemand nutzt.

3. In schwerem Gegenwind und Gegendünung dem Modell blind vertrauen. Das ist der sicherheitsrelevante Fehler. Ein Trimmoptimierungsmodell ist auf Verbrauchsminimierung optimiert. In schwerer See kann die verbrauchsoptimale Trimmposition eine sein, die die Schiffsbewegungen in Wellen verschlechtert — mehr Schlingern, schlechtere Steuereigenschaften, höhere Belastung für Besatzung und Ladung. Die meisten Systeme haben Sicherheitsgrenzen eingebaut, aber in Grenzbereichen (2–3 Meter Wellen, Kurswinkel zwischen 15 und 45 Grad) kann die Empfehlung kommerziell optimal, aber operativ unangemessen sein.

Die richtige Haltung: Das System ist Empfehlung, nicht Befehl. Die Brücke entscheidet. In schweren Seebedingungen hat Sicherheit absolute Priorität vor Verbrauchsoptimierung. Systeme, die das nicht klar in ihrer Benutzeroberfläche kommunizieren, sind mit Vorsicht zu nutzen.

Was mit der Einführung wirklich passiert — und was nicht

Die erste Reaktion an Bord ist fast überall dieselbe: skeptische Neugier, gefolgt von einer Testphase, in der die Empfehlung mit dem verglichen wird, was der Offizier ohnehin getan hätte.

Das funktioniert gut, wenn: Die Empfehlungen in den ersten Wochen konsistent in die erwartete Richtung zeigen — leicht abweichend von der Trimm-Tabelle, aber nachvollziehbar. Der Offizier, der der Empfehlung folgt und beim nächsten Bunkerstop sieht, dass tatsächlich 2,8% weniger verbraucht wurde, wird zum internen Fürsprecher.

Das stockt, wenn: Die Empfehlungen in den ersten Wochen manchmal falsch liegen — weil das Modell noch kalibriert wird, weil Sensordaten ausfallen oder weil die initiale Datenbasis dünn ist. Ein Modell, das fünfmal hintereinander eine Empfehlung gibt, die der Offizier als falsch beurteilt, verliert seine Akzeptanz auf Monate.

Der wichtigste Hebel: Nicht das Tool auf zehn Schiffe gleichzeitig ausrollen. Mit einem Schiff starten, sechs Monate geduldig sein, das Modell sorgfältig kalibrieren, die Crew einbeziehen. Erst wenn das Pilotschiff konsistent gute Ergebnisse zeigt und die Besatzung das bestätigt, auf die restliche Flotte erweitern. Der Zeitverlust gegenüber einer sofortigen Flotteneinführung ist minimal; die Qualität der Einführung ist erheblich besser.

Was nicht passiert: Das System ersetzt nicht die nautische Führung. Es gibt keine Situation, in der die KI entscheidet — die Empfehlung ist immer Advisory. Das gilt regulatorisch (die verantwortliche Person an Bord bleibt der Kapitän), sicherheitstechnisch und auch für die Akzeptanz: Eine erzwungene Empfehlung würde die Besatzung sofort auf Distanz bringen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Offiziere wissen nach 20 Jahren, wie das Schiff fährt.” Das stimmt — und das ist auch der Grund, warum manuelle Tabellen funktionieren. Aber das Argument übersieht, was ein ML-Modell anders macht: Es optimiert über den gesamten Reiseverlauf statt nach Faustregeln für den aktuellen Moment. Ein erfahrener Offizier optimiert lokal; das System optimiert global. Und es kennt Tausende historische Reisen dieses Schiffes in vergleichbaren Beladungszuständen — das kann kein Mensch im Kopf haben.

Die wichtigste Antwort: Das System konkurriert nicht mit der Erfahrung des Offiziers. Es ist ein Werkzeug, das ihm hilft, seine Erfahrung besser zu nutzen. Wer die Empfehlung versteht und ihr zustimmt, setzt sie um; wer gute Gründe hat, sie nicht umzusetzen, tut es nicht. Diese Kontrolle bleibt beim Menschen.

„Die paar Prozent lohnen sich nicht für den Aufwand der Einführung.” Bei einem Supramax-Frachter mit 4 Millionen USD Jahresbunkerkosten sind 3% Einsparung 120.000 USD. Bei zehn solchen Schiffen sind das 1,2 Millionen USD — bei Softwarekosten von 200.000–240.000 USD/Jahr für alle zehn Schiffe. Wenn der Einwand lautet, der Aufwand sei zu groß, ist die Frage: Welcher Aufwand konkret? Die Sensor-Nachrüstung ist einmalig. Das Onboarding dauert 6–8 Wochen. Was danach bleibt, ist ein Abonnement-Service.

„Wir sind zu klein für sowas.” Das klassische Einschiffsreederei-Problem ist berechtigt: Der relative Overhead ist höher, und es gibt keinen Flottenvergleich. Aber auch für Einzelschiffbetreiber gilt: CII-Rating und EU-ETS gelten für jedes Schiff über 5.000 BRZ, unabhängig von Flottengröße. Die regulatorische Drucklage ist dieselbe, die Compliance-Kosten sind dieselben. Wer keine Trimmoptimierung nutzt, zahlt ab 2026 höhere ETS-Preise und erzielt schlechtere Charterkonditionen — beides unabhängig von Flottengröße.

Woran du merkst, dass das zu dir passt

Trimmoptimierung mit ML ist sinnvoll, wenn folgendes auf dein Schiff zutrifft:

• Das Schiff hat Reisedauern von typisch mehr als 6–8 Stunden zwischen Häfen — kurze Transitfahrten geben dem System nicht genug Zeit, um den optimalen Betriebspunkt zu finden und zu stabilisieren
• Das Schiff hat variable Beladungszustände über das Jahr — wer immer denselben Tiefgang hat, braucht keine dynamische Anpassung
• Treibstoffzähler oder Einbaumöglichkeit besteht — ohne Messdaten kein belastbares Modell
• Bunkerkosten machen über 30% der Betriebskosten aus — unter dieser Schwelle sind andere Optimierungsfelder wirtschaftlich attraktiver
• Es gibt Bereitschaft im Shore-side Team, das Modell regelmäßig zu warten und mit der Brücke in Dialog zu treten

Drei harte Ausschlusskriterien:

1. Gastanker (LNG, LPG, chemische Tanker mit spezifischen Stabilitätsanforderungen): Der Trimm ist bei diesen Schiffstypen oft durch Stabilitätsgrenzen für die Ladung (Freie-Oberflächen-Effekt, Sloshingschutz) und Sicherheitsvorschriften gebunden, nicht nur durch Hydrodynamik. ML-Empfehlungen, die gegen Stabilitätsgrenzen verstoßen, sind hier besonders gefährlich. Spezifische Klassifikationsregeln für Gastanker müssen vor jeder Softwareimplementierung konsultiert werden.

2. Schiffe mit sehr kurzen Reisedauern (Ferry-Verkehr unter 2–4 Stunden): Die Kombination aus variablen Beladungszuständen und extrem kurzen Passagen (Fähren auf kurzen Linien, Hafenschlepper, Küstenversorgungsschiffe) gibt dem Optimierungsmodell keine ausreichend lange stationäre Betriebsphase. Die hydrodynamischen Verhältnisse ändern sich schneller, als das System sinnvoll reagieren kann.

3. Schiffe ohne funktionierende Fuel-Metering-Infrastruktur, bei denen eine Nachrüstung nicht geplant ist: Ohne präzise Treibstoffmessung basiert das Modell auf Schätzwerten. Empfehlungen, die auf ungenauen Eingangsdaten beruhen, können falsch sein — und wenn eine Besatzung einer falschen Empfehlung folgt und dadurch Mehrverbrauch entsteht, ist das Vertrauen in das System dauerhaft beschädigt.

Das kannst du heute noch tun

Bevor du mit einem Anbieter sprichst, ist die sinnvollste erste Aktion: eine eigene Potenzialanalyse auf Basis deiner historischen Voyage-Reports.

Lade drei bis fünf abgeschlossene Reisen aus deinem Flottenmanagementsystem in ein KI-Tool und stelle folgende Fragen — das gibt dir eine erste Einschätzung, ob systematische Optimierungspotenziale vorhanden sind:

Quellen & Methodik

• DNV/Farstad/Statoil-Vergleichsstudie: DNV GL, „Trim optimization – Saving fuel on offshore supply vessels” (2016). Schwesterschiff-Vergleich FAR SUN vs. FAR SYGNA über 6 Monate, Nordseeoperationen: 4,3% durchschnittliche Verbrauchseinsparung, >5% bei Geschwindigkeiten über 7 kn; €21.000 Jahresbunkerersparnis je Offshore-Versorgungsschiff. Quelle: dnv.com/news/trim-optimization-saving-fuel-on-offshore-supply-vessels

• Hapag-Lloyd Trim-Flottenbericht (2022): Hapag-Lloyd, „Optimising trim for fuel savings and a smaller carbon footprint” (November 2022). 1,5% Emissionsreduktion je Schiff durch systematische Trimmoptimierung; 173 von 253 betriebenen Schiffen mit Trimmoptimierungswerkzeugen ausgestattet. Quelle: hapag-lloyd.com/newsletter/2022/11/best-practise-trim-optimisation

• Wärtsilä Eniram VLCC-Studie: Wärtsilä/Eniram, VLCC-Tanker-Studie (publiziert über maritime Fachmedien). 730 Tonnen Treibstoffeinsparung/Jahr je VLCC durch dynamische Trimmoptimierung (entspricht US$474.500 bei damaligem Bunkerpreis von US$650/t). Quelle: Wärtsilä Maritime Executive

• Brittany Ferries / Wärtsilä Profit-Sharing-Ergebnis: 4% Treibstoffreduktion in den ersten 6 Monaten nach Installation (Cap Finistere, abgeschlossen März 2019). Basis für die Wärtsilä-Profit-Sharing-Vertragsform. Quelle: VesselFinder/Wärtsilä

• Software-Preisstruktur: Shipuniverse.com, „Voyage Optimization Software Pricing Benchmarks” (2024). Grundlage für die genannten Preisspannen ($500–$150.000/Schiff/Jahr je Ausstattungsgrad). Quelle: shipuniverse.com/tech/voyage-optimization-software-pricing-benchmarks

• IMO GreenVoyage2050 Trim-Analyse: IMO GreenVoyage2050 Projektbeschreibung Trim and Draft Optimization (2023). Grundlage für die Aussagen zur Verbrauchssenkung bei suboptimalem Trimm im realen Betrieb. Quelle: greenvoyage2050.imo.org

• CII-Anforderungen: MARPOL Annex VI, Regulation 28 (Beschluss MEPC.328(76), in Kraft seit 1. Januar 2023). EU ETS für Schifffahrt: EU-Richtlinie 2023/959. SEEMP Part III: IMO-Richtlinien unter MARPOL Annex VI (MEPC 80/2023). ISO 19030: Schiffsleistungsmessung und -monitoring.

• Preisangaben Sensornachrüstung: Erfahrungswerte aus maritimen Integrationsprojekten (Stand Mai 2026). Coriolis-Durchflusszähler: 3.000–15.000 EUR; Einbaukosten: 2–3 Werftarbeitstage.

Du willst wissen, ob der Investitionsaufwand für Sensor-Nachrüstung und Software-Lizenz bei deiner konkreten Flotte sinnvoll ist? Ein kurzes Gespräch auf Basis deiner aktuellen Voyage-Daten gibt dir eine ehrliche Einschätzung — ohne Verkaufsinteresse.