Techniker-Disposition Entstörung optimieren

Das echte Ausmaß des Problems

Telekommunikationsunternehmen mit eigenen Außendienstteams berichten übereinstimmend: 60 bis 70 Prozent der Wiederholungseinsätze entstehen durch falsche Qualifikationszuordnung (Schätzwert aus Praxisberichten), der zuerst entsandte Techniker hatte nicht die nötige Spezialisierung, das Problem blieb ungelöst, ein Termin muss neu vergeben werden.

Das klingt nach einem Trainings- oder Organisationsproblem. In Wahrheit ist es ein Dispositionsproblem. Jeder Techniker hat drei bis fünf Spezialisierungen: DSL, Glasfaser, Leitungsschutz, Installation, Repeater-Wartung. Ein Einsatz braucht oft genau zwei davon, nicht alle. Wenn die Disposition nur nach Verfügbarkeit und Nähe entscheidet, fährt regelmäßig die falsche Person raus.

Die Folgekosten sind erheblich:

• Wiederholungseinsätze: 45 Minuten plus Fahrtzeit pro Einsatz, zweimal im Durchschnitt. Also 1,5 bis 3 Stunden pro falsch zugewiesenem Vorgang, multipliziert mit hundert oder mehr Einsätzen pro Monat.
• Fahrtkosten: Ein Techniker ist durchschnittlich 45 Prozent der Zeit unterwegs. Unnötige Umwege, weil die Gesamtroute nicht optimiert ist, kosten 15 bis 25 Prozent zusätzliche Spritkosten.
• SLA-Verletzungen: Der Großkundenvertrag verspricht Reparatur innerhalb von 4 Stunden. Geht zuerst der falsche Techniker hin, ist die SLA weg, je nach Vertragsstrafe 500 bis 5.000 Euro.
• Kundensicht: Kunden merken, dass in der ersten Stunde zwei verschiedene Techniker vorbeikommen. Das wirkt chaotisch.

Feldstudien zeigen: Optimierte Disposition senkt Wiederholungseinsätze um 20 bis 35 Prozent und Fahrtkosten um 15 bis 25 Prozent, realistisch, nicht theoretisch.

Mit vs. ohne KI, ein ehrlicher Vergleich

Der Vergleich der Ersterledigungsquote stammt aus Feldtests bei Telekommunikationsunternehmen mittlerer Größe (50–200 Techniker). Die Fahrzeitreduktion wurde konsistent über vier implementierte Systeme gemessen. Die SLA-Zahlen basieren auf Vertragserfüllung großer B2B-Kunden mit 4–8 Stunden SLA.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) Der Gewinn liegt nicht in der täglichen Dispositionszeit, die sinkt nur um 30 bis 50 Prozent. Der größere Effekt sind eingesparte Stunden durch weniger Wiederholungseinsätze und kürzere Routen. Das summiert sich über einen Monat deutlich, erreicht aber nicht das Niveau, dass jeder Techniker zwei Stunden täglich einspart wie bei der Kundensupport-Automatisierung. Routenoptimierung spart Zeit, aber das ist nicht ihr primärer Hebel, es ist die Kostenreduktion.

Kosteneinsparung, hoch (4/5) Die Fahrkostenreduktion ist direkt messbar: weniger Kilometer, weniger Spritkosten, weniger Fahrzeugverschleiß. Ein Team mit 100 Technikern und durchschnittlich 4.000 Euro Monatsfahrtbudget spart 800 bis 1.000 Euro monatlich, schnell amortisiert. Dazu kommt: Weniger Wiederholungseinsätze bedeuten mehr freie Kapazität für neue Aufträge. Der Hebel ist größer als bei vielen anderen Anwendungsfällen in dieser Kategorie.

Schnelle Umsetzung, schwierig (2/5) Das System braucht Zugang zu vier Datenquellen: aktuelle Techniker-Position (GPS), Vorgangssystem mit Auftragstypen, Qualifikationen im Workforce-Management-System und Routenoptimierung auf Basis von Geodaten. Jede dieser Quellen muss angebunden, getestet und kalibriert werden. Bei einer Einführung auf grüner Wiese sind das 14 bis 18 Wochen. Nicht unmöglich, aber langwieriger als fertige SaaS-Einstiegslösungen.

ROI-Sicherheit, hoch (4/5) Die Kennzahlen sind unmittelbar messbar: Ersterledigungsquote, Fahrtkosten pro Einsatz, SLA-Einhaltung, Leerlaufzeit pro Techniker pro Tag. Anders als bei indirekten Effekten gibt es hier wenig Interpretationsspielraum. Wenn das System läuft, siehst du sofort, ob es funktioniert.

Skalierbarkeit, gut (4/5) Die KI-Disposition skaliert ohne linear steigende Kosten: hundert Techniker oder tausend, das System trifft dieselbe Art Optimierungsentscheidung, nur mit mehr Daten. Die Rechenzeit steigt, aber nicht die Betriebskosten pro Techniker. Das ist ein echter Skalierungsvorteil.

Richtwerte, stark abhängig von Techniker-Teamgröße, geografischer Dichte und Vielfalt der Einsatztypen.

Was eine KI-Disposition konkret macht

Der technische Kern kombiniert zwei Optimierungsprobleme:

1. Zuweisungsproblem: Welcher Techniker passt am besten zu diesem Einsatz? Das ist nicht nur eine Frage der Nähe, sondern der Passung: Qualifikation, Verfügbarkeit, aktuelle Route, Zeitfenster.

2. Routenproblem: Wenn ich diese zehn Einsätze einem Techniker zuweise, welche Reihenfolge minimiert die Gesamtfahrtzeit? Das ist das klassische Vehicle Routing Problem (VRP), eines der schwierigsten Probleme der Informatik.

Ein KI-System löst beides gleichzeitig und rechnet iterativ nach, während der Tag läuft, alle fünf bis 15 Minuten. Kommt ein neuer Einsatz rein oder ändert sich die Verkehrslage, passt das System an.

Was das in der Praxis bedeutet

Es ist Freitag, 16:45 Uhr. Ein Glasfaserschaden im Hafen. Normalerweise würde Marco jetzt die einzige verfügbare Glasfaser-Spezialistin schicken, egal wie weit weg sie ist. Das KI-System sieht: „Die Hafen-Reparatur dauert 90 Minuten. In 45 Minuten ist Feierabend. Wenn die Spezialistin jetzt losfährt, kommen zwei Stunden Fahrtzeit dazu, die Reparatur läuft bis 19:00 Uhr. Die drei anderen offenen Vorgänge rutschen auf Montag.”

Alternative: „Der nächste Techniker ist 8 Minuten entfernt, hat 70 Prozent der benötigten Qualifikation und kann den Schaden provisorisch reparieren, die Spezialistin arbeitet am Montag vollständig nach. Die anderen drei Vorgänge sind bis 18:00 Uhr erledigt.”

Das System schlägt diese Variante vor. Marco klickt „Akzeptieren”. Vier Minuten später sitzt der Techniker im Auto, die Kunden wissen Bescheid, die SLA ist gerettet.

Das ist keine Magie, es ist Informationsvorteil. Ein Mensch hätte diese Abwägung nicht in drei Minuten treffen können.

Konkrete Werkzeuge, was wann passt

Salesforce Field Service Lightning, Der Standard für größere Telekommunikationsunternehmen. Salesforce integriert Vorgangsverwaltung, Technikerstammdaten, GPS-Ortung und bringt über Drittanbieter (z.B. Google Maps API oder Geofencing-Partner) die Routing-Engine mit. Wenn CRM und Vorgangssystem bereits auf Salesforce laufen, ist das der natürliche Einstieg. Kosten: ab 50 USD/Monat pro Außendienst-Lizenz, dazu kommen Einführungskosten. Sehr mächtig, setzt aber eine bestehende Salesforce-Landschaft voraus.

Google Maps Platform, Routing Engine und Distance APIs, Für die reine Routenoptimierung, unabhängig vom Vorgangssystem. Google Maps lässt sich in eigene Disposition-Systeme einbinden und liefert gut kalibrierte Fahrtzeitprognosen. Günstig, sehr zuverlässig, aber nur ein Baustein, Vorgangsverwaltung und Qualifikationszuordnung musst du selbst bauen. Einstiegspreis: ca. 1.000–2.000 Euro/Monat bei üblichen Einsatzvolumina.

Eigenentwicklung mit Cloud-ML-Plattformen, Azure Machine Learning oder Google Cloud AI Platform lassen sich für eine maßgeschneiderte Disposition einsetzen. Du trainierst ein Modell auf deinen historischen Daten (welche Techniker lösen welche Auftragstypen in welcher Zeit?), betreibst es als Microservice und bindest es an dein Vorgangssystem an. Vorteil: vollständige Kontrolle, auf deine Geschäftslogik zugeschnitten. Nachteil: erheblicher Aufwand für Einführung und Wartung.

Kurzfassung:

• Salesforce-Kunde → Field Service Lightning mit Google Maps API
• Kein Salesforce, aber stabiles Vorgangssystem → Google Maps mit eigenem Backend
• Sehr spezielle Anforderungen (seltene Spezialisierungen, hochkomplexe Routen) → Eigenentwicklung mit ML-Plattform

Datenschutz und Datenhaltung

GPS-Daten von Technikern sind personenbezogene Daten, die DSGVO gilt hier explizit. Das System muss mehrere Anforderungen erfüllen:

Datenminimierung: Das System speichert nur die aktuelle Position und historische Routen zur Optimierung, nicht die Bewegungsprofile einzelner Techniker über Monate oder Jahre. Faustregel: Historische Daten nach 30–90 Tagen löschen, wenn sie für die Optimierung nicht mehr gebraucht werden.

Transparenz: Techniker müssen wissen, dass ihre Position erfasst wird, und warum. Das gehört in den Arbeitsvertrag oder eine Betriebsvereinbarung, nicht als Überraschung in den Nutzungsbedingungen einer neuen App.

Betriebsrat: In Betrieben mit Betriebsrat ist das ein Mitbestimmungsthema nach § 87 BetrVG (Überwachung der Leistung und des Verhaltens von Arbeitnehmenden). Der Betriebsrat muss zustimmen, sonst droht im schlimmsten Fall die Sperrung des Systems.

Für alle Cloud-Anbieter (Salesforce, Google Maps, Azure) ist ein Auftragsverarbeitungsvertrag (AVV) erforderlich. Alle genannten Anbieter stellen AVV-Vorlagen bereit.

Was es kostet, realistisch gerechnet

Einmalige Einführungskosten

• Anforderungsanalyse und Systemdesign: 15.000–25.000 Euro
• Anbindung an bestehende Systeme (Vorgangssystem, GPS, Qualifikationsdatenbank): 30.000–60.000 Euro
• Kalibrierung und Feldtests: 20.000–40.000 Euro
• Schulung und Dokumentation: 10.000–15.000 Euro
• Einführung gesamt: 75.000–140.000 Euro

Laufende monatliche Kosten

• Salesforce Field Service Lightning: 50–150 USD pro Techniker-Lizenz/Monat (für 100 Techniker: 5.000–15.000 Euro/Monat)
• Google Maps API: 1.000–3.000 Euro/Monat bei üblichen Volumina
• Systemwartung und erneutes Modelltraining: 5.000–10.000 Euro/Monat

Wie du den Nutzen misst Der einfachste Maßstab sind die Fahrtkosten pro Einsatz. Nimm die letzten drei Monate vor der Einführung, berechne die durchschnittlichen Fahrtkosten pro abgeschlossenem Einsatz (Spritkosten plus anteiliger Fahrzeugverschleiß plus Fahrerzeitkosten). Vergleiche das mit Monat 3 bis 6 nach der Einführung. Bei 100 Technikern und durchschnittlich 15 bis 25 Prozent Kostenreduktion sind das 3.000 bis 8.000 Euro monatlich, die Einführung amortisiert sich in 9 bis 20 Monaten.

Weitere Kennzahlen: Ersterledigungsquote (sollte um 15–25 Prozentpunkte steigen), SLA-Einhaltung (sollte 3–5 Prozentpunkte steigen), Techniker-Zufriedenheit (steigt durch weniger Leerfahrten und vorhersehbarere Routen häufig messbar).

Was mit der Einführung wirklich passiert, und was nicht

Erfahrungsgemäß zeigen sich bei der Einführung drei typische Muster:

Die Disposition nickt in Woche 2 und widerspricht erst in Woche 4. In den ersten Wochen akzeptieren die Dispatcher die Vorschläge fast reflexhaft, entweder aus Neugier oder weil niemand den Kopf hinhalten will. Die echten Einwände kommen, wenn das System zum ersten Mal einen Vorschlag macht, der dem jahrelangen Bauchgefühl widerspricht. Plane das ein: In Woche 3 und 4 gehört eine wöchentliche Prüfrunde dazu, in der die Disposition Vorschläge dokumentiert ablehnen darf. Aus diesen Ablehnungen lernt das System, und die Beteiligten merken, dass sie nicht entmachtet werden.

Das Modell priorisiert anders als der alte Disponent, das führt zu Spannungen. Techniker, die früher „die guten Einsätze” bekommen haben, bekommen jetzt vielleicht die durchschnittlichen. Das ist objektiv fairer, fühlt sich aber wie ein Abstieg an. Wer das nicht vorher kommuniziert, bekommt innerhalb von sechs Wochen ein Stimmungsproblem im Team. Was hilft: Einmal pro Monat die Verteilung transparent machen, wer hat welche Einsatztypen bekommen, wie ist die Auslastung? Sobald die Zahlen offenliegen, verschwindet der Vorwurf der Willkür.

Die Ersterledigungsquote steigt früh, die Fahrtkosten sinken erst nach Monat 3. Die Qualifikationszuordnung wirkt fast sofort, die Wiederholungseinsätze gehen messbar zurück. Die Routenoptimierung braucht länger, weil das Modell erst genug gute Routen kennen muss, um wirklich bessere zu rechnen. Rechne den ROI nicht nach Woche 6 ab. Der echte Vergleich funktioniert ab Monat 3 bis 6.

Was konkret hilft:

• Einen wöchentlichen Disposition-Jour-fixe einrichten, in dem abgelehnte Vorschläge diskutiert werden
• Die Einsatzverteilung pro Techniker monatlich transparent machen, am besten im Teammeeting
• Techniker früh einbinden: Wer im Pilotteam mitwirkt, wird später selten zum Bremser

Drei typische Einstiegsfehler

1. Mit zu vielen Daten starten, oder mit zu wenigen. Das falsche Extrem in beide Richtungen: Entweder alle Qualifikationen und alle Einsatztypen gleichzeitig ins System packen, das wird zu komplex, die Kalibrierung schlägt fehl. Oder ohne historische Daten starten, dann hat das Modell nichts zum Lernen. Was hilft: Mit drei bis fünf häufigen Einsatztypen beginnen, reale Daten aus zwei bis drei Monaten sammeln, Modell trainieren, dann erweitern.

2. Das System optimiert Routen, aber nicht Qualifikationen. Ein häufiger Fehler: Die Routenplanung funktioniert, aber das System prüft nicht, ob der Techniker alle nötigen Qualifikationen mitbringt. Du sparst 15 Prozent Fahrtzeit, aber die Wiederholungsquote bleibt hoch. Was hilft: Die Zuordnung muss vor der Routenoptimierung passieren, erst die richtige Person wählen, dann die beste Route für diese Person.

3. Nach der Einführung wird das Modell nicht gepflegt. Die Geschäftslogik ändert sich, neue Einsatztypen, neue Qualifikationen, neue Fahrzeuge mit anderen Kapazitäten. Wenn das Modell nicht regelmäßig neu trainiert wird, ist es nach 12 bis 18 Monaten schlechter als am Anfang. Was hilft: Einen vierteljährlichen Prüfzyklus einplanen, in dem neue Daten einfließen und das Modell neu kalibriert wird.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Nach Woche 18 ist nicht Schluss, der Betrieb beginnt erst. Das Modell muss regelmäßig neu trainiert werden.

Häufige Einwände, und was dahintersteckt

„Wir fahren ohnehin schon sehr effizient, da gibt es nicht viel zu sparen.” Mag für einzelne Routen stimmen. Aber Studien zeigen: Selbst erfahrene Disponenten optimieren global nur in seltenen Fällen. Sie entscheiden lokal optimal, treffen im Moment gute Entscheidungen, sehen aber nicht die Verbesserung über 50 Einsätze hinweg. Wenn der Branchenwert bei 65 bis 70 Prozent Ersterledigungsquote liegt, lohnt sich das System, egal wie „effizient” es aktuell wirkt.

„Die Techniker werden das System sabotieren, wenn es ihnen sagt, was zu tun ist.” Das passiert, wenn nur Kontrolle kommuniziert wird, nicht Nutzen. Gute Veränderungsarbeit dreht die Botschaft um: Das System macht den Tag einfacher, nicht stärker überwacht. Aus der Praxis: Techniker akzeptieren eine KI-Disposition deutlich leichter, wenn sie merken, dass ihre Zeit besser genutzt wird. Ein Tag mit 4 statt 6 Einsätzen ist eine Gehaltserhöhung in Form von weniger Stress.

„Wir haben kein CRM, in das das System integriert werden kann.” Brauchst du auch nicht. Du brauchst ein Vorgangssystem, GPS-Daten und eine Qualifikationsdatenbank, die dürfen in getrennten Systemen leben. Eine spezielle Disposition-Lösung oder ein eigenes System kann diese Quellen orchestrieren, ohne dass das CRM beteiligt ist. Aufwändiger, aber machbar.

„Was passiert, wenn das System im Katastrophenfall versagt?” Gute Frage. Bei massiven Ausfällen (Sturm, Erdbeben, großflächiger Stromausfall) brauchst du eine Rückfallebene. Das System sollte einen manuellen Modus haben, in dem die Disposition weiter klassisch arbeiten kann. Das gehört in das Systemdesign, nicht in die K.-o.-Kriterien.

Woran du merkst, dass das zu dir passt

• Du hast 30+ Techniker im Außendienst, unterhalb dieser Größe lohnt sich der Aufwand meist nicht
• Deine Einsatztypen sind vielfältig, nicht nur Standardinstallationen, sondern unterschiedliche Qualifikationen nötig
• Falsche Qualifikationszuordnung ist ein echtes Problem, du weißt, dass Techniker regelmäßig falsch zugewiesen werden
• Fahrtkosten sind ein spürbarer Kostenfaktor, mehr als 10 Prozent des Außendienstbudgets
• Du hast bereits ein Vorgangssystem und GPS-Ortung, kein Start auf der grünen Wiese
• Deine Großkunden haben strikte SLAs, 4 bis 8 Stunden repariert, oder es kostet dich

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Unter 20 bis 30 Techniker oder sehr ähnliche Einsätze. Dann ist Disposition nicht kompliziert, ein guter Mensch schafft das. Der ROI rechtfertigt die Einführung nicht.

2. Fragmentierte Systeme, Vorgangssystem, GPS, CRM alle getrennt, keine echten Schnittstellen. Dann ist das erste Problem nicht KI, sondern Datenintegration. Erst das lösen, dann KI.

3. Keine technische Unterstützung oder IT-Kapazität für Einführung und Betrieb. Das ist kein Werkzeug, das du nebenbei ausrollst. Es braucht Entwicklungsressourcen. Ohne die geht es nicht.

Das kannst du heute noch tun

Nimm eine typische Woche deiner Dispositionsdaten, Einsatztypen, Techniker, Ergebnisse, und lade sie in eine Tabelle. Markiere für jeden Einsatz: „War das der beste verfügbare Techniker?” und „Hätte eine andere Route die Gesamtzeit reduziert?”

Beantwortest du 8 bis 12 von 20 Einsätzen mit „Nein”, lohnt sich ein Gespräch mit einem Systemanbieter.

Für einen ersten Machbarkeitstest kannst du auch mit Claude oder ChatGPT experimentieren. Ein Prompt, der deine Techniker-Qualifikationen und aktuellen Einsätze analysiert:

Das dauert 10 Minuten, und zeigt dir, ob das Prinzip bei deinen Daten funktioniert.

Quellen & Methodik

• Field Service Routing Optimization Benchmarks: Timefold, „Field Service Routing Optimization Guide” (2025), detaillierte Erklärung VRP und praktische Metriken
• First-Time Fix Rate Industry Standards: Arrivy, „Guide to Efficient Route Planning for Field Services” (2025), FTFR-Benchmarks bei 65–70 % Standard, 85–92 % High-Performing
• Kostenreduktion durch Routenoptimierung: ServicePower und AEX Software case studies zeigen durchschnittlich 15–25 % Fahrkostenreduktion und 25–35 % weniger Fahrtzeit
• Wiederholungseinsatz-Ursachen: Branchenerfahrung, basierend auf Field Service Management Implementierungen
• DSGVO GPS-Ortung: Datenschutz-Grundverordnung, Art. 6 (Rechtmäßigkeit), Art. 32 (Sicherheit); § 87 BetrVG (Betriebsrat-Mitbestimmung bei Leistungsüberwachung)
• Preisangaben Salesforce, Google Maps: aktuell veröffentlichte Tarife (Stand April 2026)

Hast du Außendienstteams und merkst, dass die Disposition eine Dauerbaustelle ist? Melde dich, wir klären gemeinsam, ob ein System für euch passt.