Jeder Kilometer zählt: Wie aus Logistikdaten laufende Systeme werden.
Leerfahrten, Stehzeiten, Rampenstaus, Standgeld — in der Logistik entscheiden Auslastung und Takt über die Marge eines ganzen Jahres. Dieses Whitepaper zeigt, warum die Daten dafür in den meisten Netzwerken längst vorhanden sind, weshalb sie trotzdem selten wirken — und wie spezialisierte KI-Agenten den Weg vom Datensilo zum produktiven Steuerungssystem in vier bis sechs Wochen gehen: mit quantifizierten Potenzialen, nachrechenbaren KPIs und Dauerbetrieb inklusive.
Executive Summary
Speditionen, Kontraktlogistiker, Flottenbetreiber und Werkslogistiken sitzen auf einem Datenschatz, der selten gehoben wird: TMS, WMS, Telematik, Yard- und Torsysteme, Zeitwirtschaft und ERP liefern rund um die Uhr, was für eine systematische Optimierung nötig wäre. Was fehlt, ist nicht die Messung — sondern der Weg vom Messwert zur laufenden Entscheidung.
Der Kern dieses Whitepapers lässt sich in drei Aussagen zusammenfassen: Erstens entstehen die größten Logistikkosten dort, wo Kapazität ungenutzt bleibt — in Leerkilometern, Stehzeiten und Rampenstaus, die sich aus den vorhandenen Daten präzise lokalisieren lassen. Zweitens scheitert Optimierung selten am Modell, sondern am Betrieb: an Datensilos, fehlender Datenqualität und Projekten, die den Proof of Concept nie verlassen. Drittens lösen spezialisierte KI-Agenten genau dieses Betriebsproblem — sie integrieren, prüfen, prognostizieren und berichten im Dauerbetrieb, in Ihrer Cloud, ohne CapEx.
Richtwerte aus Projekten — jede Zahl ist ein KPI, den Ihr Controlling nachrechnen kann. Ihre eigenen Werte entstehen im Potenzial-Assessment aus Ihren echten Touren- und Telematikdaten.
Nicht mehr Dashboards entscheiden über die Marge — sondern Systeme, die mit jeder Tour, jedem Stopp und jeder Rampe mitlaufen.
Ausgangslage: Der Takt des Netzwerks sind Stopp, Slot und Schicht.
Kaum eine Branche arbeitet mit so dünnen Margen bei gleichzeitig so hoher Datendichte wie die Logistik. Fahrermangel und Frachtraumknappheit treffen auf steigende Maut-, Energie- und Personalkosten; Kunden verlangen engere Zeitfenster, Liefertreue-Nachweise und zunehmend CO₂-Transparenz je Sendung. Gleichzeitig entscheiden operative Details über das Ergebnis: ob ein Fahrzeug mit Rückladung fährt oder leer, ob eine Anlieferung um 9 Uhr in den Rampenstau gerät oder um 14 Uhr durchläuft, ob die geplante Tour der gefahrenen entspricht — oder systematisch zwanzig Minuten daneben liegt.
Die gute Nachricht: Die Daten, um genau diese Fragen zu beantworten, existieren bereits. Die typische Systemlandschaft eines Logistikdienstleisters oder einer Werkslogistik liefert heute alles, was ein Optimierungssystem braucht.
Abb. 1 — Sieben Quellsysteme, die in fast jedem Logistik-Setup vorhanden sind. Das Problem ist nicht die Verfügbarkeit der Daten, sondern ihre Trennung.
Was diese Systeme gemeinsam haben: Sie kennen einander nicht. Die Tour liegt im TMS, die tatsächlich gefahrene Route in der Telematik, die Palettenbewegung im WMS, die Rampenzeit im Yard-System, die Schicht in der Zeitwirtschaft. Die Zusammenhänge — welche Relationen produzieren strukturell Leerkilometer, welche Fahrzeuge stehen wann ungenutzt, welche Rampen stauen zu welchen Stunden — entstehen erst, wenn diese Quellen sendungs- und stoppgenau, historisiert und geprüft zusammenlaufen.
Der Hebel liegt nicht in neuer Hardware auf dem Fahrzeug, sondern in der Verbindung der Daten, die längst da sind.
Warum Potenziale liegen bleiben — drei Muster.
In Gesprächen mit Dispositionsleitungen, Niederlassungsleitern und Logistik-Geschäftsführungen wiederholen sich drei Muster — unabhängig von Flottengröße und Reifegrad. Sie erklären, warum bekannte Hebel wie Rückladungs-Matching jahrelang „auf der Liste" stehen, ohne gehoben zu werden.
Muster 1 · Datensilos: Jedes System für sich
TMS, WMS, Telematik und Yard-System laufen nebeneinander her. Für einen simplen Monatsbericht werden Daten aus fünf Systemen in Excel exportiert und von Hand zusammengeführt — fehleranfällig, langsam und nie aktuell. Plan und Ist werden getrennt betrachtet, obwohl der wirtschaftliche Hebel genau in ihrer Kombination liegt: Eine Rückladung ist nur dann wertvoll, wenn man weiß, welches Fahrzeug wann auf welcher Relation leer zurückfährt.
Muster 2 · Bekannte Hebel, fehlende Kapazität
Leerkilometer auf der Relation Nord–West, Stehzeiten am Dienstagvormittag, der Rampenstau zwischen 8 und 11 Uhr — die Potenziale sind den Fachleuten meist bekannt. Was fehlt, sind Kapazität und Werkzeuge, sie zu quantifizieren, zu priorisieren und in den Betrieb zu bringen. Die Disposition ist mit dem Tagesgeschäft ausgelastet, das Aufkommen von morgen schlägt jede Analyse von gestern; für den systematischen Aufbau von Auslastungsbildern und Matching-Logiken bleibt keine Zeit.
Muster 3 · Der Pilot-Friedhof
Am tückischsten ist das dritte Muster: Projekte, die gut starten und im Proof of Concept enden. Ein Tourenoptimierer überzeugt in der Simulation — aber ohne saubere Fahr- und Standzeiten aus der Telematik rechnet er mit Planwerten, denen die Fahrer nicht trauen, und wird nach drei Monaten umfahren. Ein Auslastungs-Dashboard entsteht mit Beraterhilfe — und wird nach deren Abschied nicht mehr gepflegt. Die Analyse war richtig; gefehlt hat der Betrieb.
Rückladungen stehen seit Jahren auf der Liste. Nicht, weil unklar wäre, wo sie liegen — sondern weil niemand das Matching in den Dauerbetrieb bringt.
Das Nadelöhr ist nicht die Analyse, sondern der Dauerbetrieb: Anbindung, Datenqualität, Modelle und Berichtswesen — jeden Tag, für jede Tour.
Das Zielbild: Vier Agenten, ein laufendes System.
Die Antwort auf das Betriebsproblem ist kein weiteres Tool, sondern ein Daten-Team, das nicht müde wird: vier spezialisierte KI-Agenten, die in Ihrer Cloud und Ihrem Data Warehouse arbeiten — Azure, AWS oder Google Cloud; Snowflake, Databricks oder BigQuery. Ihre Systeme bleiben führend und werden lesend angebunden; jede Quelle ist in wenigen Tagen einsatzbereit.
Abb. 2 — Links Ihre Systeme, in der Mitte die vier Agenten in Ihrem Data Warehouse, rechts die Ergebnisse. Der Dauerbetrieb läuft im Hintergrund mit.
Was jeder Agent für die Logistik leistet
Data Engineer (DE) — bindet TMS, WMS, Telematik, Yard-, Tor- und Zeitwirtschaftsdaten lesend an und führt sie sendungs- und stoppgenau, historisiert und dokumentiert im Data Warehouse zusammen. Jede Pipeline läuft inkrementell weiter, mit Monitoring und Alarmierung.
Data Quality (DQ) — prüft rund um die Uhr Vollständigkeit, Frische und Plausibilität: GPS-Lücken, doppelte Stopps, fehlende Scans, widersprüchliche Stammdaten zu Fahrzeug, Relation und Kunde. Auffälligkeiten werden zu Tickets, Regeln lernen mit — etwa, dass eine Standzeit die Verkehrslage und den Wochentag kennt.
Data Scientist (DS) — baut und betreibt die Analyse- und Optimierungsmodelle: Auslastungsbild je Fahrzeug, Relation und Wochentag, Leerkilometer-Analyse mit Matching-Vorschlägen für Rückladungen, Slot-Empfehlungen für den Umschlag, realistische Fahr- und Standzeitprofile für die Tourenplanung. Tägliches Retraining und Drift-Überwachung inklusive.
Data Analyst (DA) — übersetzt in Berichte und Nachweise: von der Tagesübersicht für die Disposition über den Wochenbericht an die Niederlassungsleitung bis zum Liefertreue- und CO₂-Nachweis je Kunde und Sendung.
Entscheidend ist das Zusammenspiel: Die vier Agenten arbeiten sich gegenseitig zu und prüfen einander. Kritische Änderungen und Automationen durchlaufen Ihre Freigaben — jede Empfehlung ist nachvollziehbar begründet. Der Mensch disponiert; das System liefert die Grundlage, mit jeder Tour neu.
Keine generische KI: Jeder Agent bringt dedizierte Skills, Datenintegrationen und Qualitätssicherung mit — deshalb Wochen statt Jahre.
Fünf Hebel, die sich im ersten Jahr rechnen.
Jeder Use Case folgt demselben Muster: Ausgangslage verstehen, Ansatz implementieren, Ergebnis am KPI nachweisen — und dann im Dauerbetrieb halten. Die folgenden fünf Hebel decken das Spektrum von der Flotte über den Umschlag bis in die Halle ab.
Hebel 1 · Flottenauslastung steigern
In den meisten Netzwerken wird Auslastung je Tour geschätzt, nicht je Fahrzeug und Tag gemessen — Stehzeiten und Teilladungen bleiben unsichtbar. Die Verknüpfung von TMS und Telematik erzeugt ein laufendes Auslastungsbild je Fahrzeug, Relation und Wochentag; die Disposition erhält tägliche Hinweise, wo Kapazität frei wird — bevor Charterraum zugekauft wird.
Abb. 3 — Illustratives Beispiel: 32 Fahrzeuge, TMS + Telematik. Vor Go-Live schwankt die Auslastung um 66 %; danach steigt sie, weil Stehzeiten und Teilladungen täglich sichtbar werden.
Auslastung wird je Tour geschätzt, nicht je Fahrzeug und Tag gemessen — Stehzeiten und Teilladungen bleiben unsichtbar.
Verknüpfung von TMS und Telematik zu einem laufenden Auslastungsbild je Fahrzeug, Relation und Wochentag; die Disposition erhält tägliche Hinweise, wo Kapazität frei wird.
Mehr Ladung mit derselben Flotte — vorher/nachher messbar an km- und Ladungsdaten, ohne Fahrzeugzukauf.
Hebel 2 · Leerfahrten & Rückladungen
Leerfahrten entstehen strukturell auf denselben Relationen — aber niemand sieht das Muster über Wochen hinweg, weil jede Tour einzeln disponiert wird. Eine systematische Leerkilometer-Analyse je Relation macht die teuersten Rückwege sichtbar; Matching-Vorschläge für Rückladungen und Umplanungen laufen täglich in die Disposition, jede Maßnahme bekommt ihre eigene Erfolgsmessung.
Leerfahrten entstehen strukturell auf denselben Relationen — aber niemand sieht das Muster über Wochen hinweg.
Systematische Leerkilometer-Analyse je Relation, Matching-Vorschläge für Rückladungen und Umplanungen, Erfolgsmessung je Maßnahme.
Wirkung direkt bei Diesel, Maut und Fahrerzeit — je Relation nachvollziehbar.
Hebel 3 · Durchsatz & Engpässe im Umschlag
Rampen stauen zu Stoßzeiten, während andere Zeitfenster leer bleiben; Standzeiten kosten Vertragsstrafen, Standgeld und Fahrerzeit. Stundenprofile aus Tor-, Yard- und WMS-Daten zeigen Engpässe je Rampe und Schicht — Slot-Empfehlungen und Personaleinsatz werden datenbasiert geglättet, statt jeden Morgen improvisiert.
Abb. 4 — Rot: Überbuchung zwischen 8 und 11 Uhr. Die Slot-Empfehlung verschiebt neun Anlieferungen in die leeren Nachmittagsfenster — Standzeiten und Standgeld sinken, ohne dass eine Rampe dazugebaut wird.
Rampen stauen zu Stoßzeiten, während andere Fenster leer bleiben; Standzeiten kosten Vertragsstrafen und Fahrerzeit.
Stundenprofile aus Tor-, Yard- und WMS-Daten zeigen Engpässe je Rampe und Schicht; Slot-Empfehlungen und Personaleinsatz werden datenbasiert geglättet.
Mehr Umschlag mit denselben Rampen und derselben Mannschaft — messbar je Standort und Schicht.
Hebel 4 · Touren- & Ressourcenplanung
Geplante und gefahrene Touren weichen systematisch ab — und die Planung lernt nicht aus der Realität auf der Straße. Der Soll-Ist-Vergleich je Tour und Stopp holt realistische Fahr- und Standzeiten aus der Telematik zurück in die Planungsparameter; die Liefertreue wird je Kunde laufend überwacht, statt erst in der Reklamation sichtbar zu werden.
Geplante und gefahrene Touren weichen systematisch ab; die Planung lernt nicht aus der Realität auf der Straße.
Soll-Ist-Vergleich je Tour und Stopp, realistische Fahr- und Standzeiten aus der Telematik zurück in die Planungsparameter, Liefertreue-Monitoring je Kunde.
Dichtere Touren und belastbare Zeitfenster — sichtbar in Kilometern, Liefertreue und Fahrerzufriedenheit.
Hebel 5 · Energie- & Flächenkosten im Lager
Kälte, Beleuchtung und Ladeinfrastruktur laufen in vielen Hallen unabhängig vom tatsächlichen Betrieb; Flächenkosten werden je Standort betrachtet, nicht je Kunde und Palette. Werden Energie- und Flächenverbrauch mit den WMS-Bewegungen verknüpft, entstehen Kosten je Palette und Kunde, ein Lastmanagement für Kälte und E-Flotte — und eine Grundlastüberwachung, die nachts und am Wochenende automatisch anschlägt.
Kälte, Beleuchtung und Ladeinfrastruktur laufen unabhängig vom tatsächlichen Betrieb; Flächenkosten werden je Standort, nicht je Kunde und Palette betrachtet.
Energie- und Flächenverbrauch verknüpft mit WMS-Bewegungen: Kosten je Palette und Kunde, Lastmanagement für Kälte und E-Flotte, Grundlastüberwachung nachts und am Wochenende.
Weniger Grundlast, geglättete Lastspitzen beim Laden — und erstmals Kosten je Palette statt je Standort.
Ihr Use Case fehlt? CO₂ je Sendung, Frachteinkauf, Behältermanagement, Retouren — wenn die Daten es hergeben, quantifizieren wir das Potenzial im Assessment.
Fünf Hebel, eine Datenbasis: Jede angebundene Quelle zahlt auf den nächsten Use Case ein — von der Flotte bis zur Rampe.
Wirtschaftlichkeit: Euro statt Dashboards.
Analyse ist erst der Anfang — bezahlt macht sich die Umsetzung. Deshalb folgt jeder Fund demselben Vier-Schritt: Finden (kontinuierliche Muster- und Abweichungsanalyse in den Touren-, Telematik- und Umschlagdaten), Bewerten (jeder Fund wird in Euro pro Jahr und KPI-Wirkung übersetzt und nach Hebel und Aufwand priorisiert), Heben (die wertvollsten Hebel werden operationalisiert — Matching-Vorschläge, Slot-Empfehlungen, Automationen mit Ihren Freigaben) und Sichern (jede Maßnahme erhält eine Vorher-Nachher-Messung; Monitoring und Retraining halten den Effekt stabil).
Das Ergebnis dieses Prozesses ist der Potenzial-Ledger: eine laufend gepflegte, priorisierte Liste aller identifizierten Potenziale — jeweils mit Befund, Kontext und Euro-Wert. So könnte er für ein regionales Netzwerk aussehen:
Abb. 5 — Illustratives Beispiel. Ihr Ledger entsteht im Potenzial-Assessment aus Ihren echten Touren-, Telematik- und Umschlagdaten.
Beispielrechnung: regionales Netzwerk
Zur Einordnung eine vereinfachte Modellrechnung für ein Netzwerk mit rund 60 Fahrzeugen, zwei Umschlagstandorten und einem Lager. Die Prozentwerte entsprechen den KPI-Richtwerten aus Kapitel 5; die absoluten Beträge hängen von Ihren Relationen, Ihrer Sendungsstruktur und Ihren Verträgen ab — genau das klärt das Assessment.
| Hebel | Wirkmechanismus | KPI-Richtwert | Größenordnung p. a. |
|---|---|---|---|
| Flottenauslastung | Mehr Ladung je Fahrzeug, weniger Charter-Zukauf | +11 % Auslastung | 180–320 T€ |
| Leerfahrten | Rückladungs-Matching und Umplanung je Relation | −14 % Leerkilometer | 120–240 T€ |
| Umschlag & Standzeiten | Geglättete Slots, weniger Standgeld und Überstunden | +8 % Durchsatz | 80–160 T€ |
| Tourenplanung | Dichtere Touren aus realistischen Fahr- und Standzeiten | −7 % km je Stopp | 60–140 T€ |
| Energie & Fläche Lager | Grundlast, Lastmanagement, Kosten je Palette | −10 % Energiekosten | 40–90 T€ |
| Illustratives Gesamtpotenzial | 0,48–0,95 Mio. € | ||
Tab. 1 — Vereinfachte Modellrechnung, keine Zusage. Vereinbart wird je Use Case ein klar definierter KPI mit Baseline aus Ihren historischen Daten und Zielwert — bevor wir starten.
Zwei Eigenschaften unterscheiden diesen Business Case von klassischen Digitalisierungsprojekten: Ohne CapEx — es entsteht keine neue Hardware- oder Lizenzlandschaft; die Agenten arbeiten in Ihrer bestehenden Cloud. Und nachrechenbar — jede Maßnahme bekommt eine Vorher-Nachher-Messung am vereinbarten KPI, die Ihr Controlling eigenständig prüfen kann. Gemessen wird nicht an Dashboards, sondern an Auslastung, Leerkilometern und Durchsatz.
Ein Business Case, der sich am KPI messen lässt, braucht keine Vertrauensvorschüsse — nur eine Baseline und eine Nachher-Messung.
Umsetzung: In vier bis sechs Wochen vom Datensilo in Produktion.
Der häufigste Einwand gegen Datenprojekte in der Logistik lautet: „Dafür haben wir neben dem Tagesgeschäft keine Kapazität." Die Erfahrung zeigt: Genau deshalb funktioniert der Ansatz — weil die Betriebskomponenten von Anfang an mitgebaut werden und Ihr Team nicht zum Projektteam werden muss. Der typische Fahrplan für den ersten Use Case, etwa Flottenauslastung in einer Region:
Potenzial-Assessment mit echten Tourendaten
Wir rechnen mit Ihren Daten: Touren, Telematik, Sendungsstruktur. Ergebnis ist ein erster Potenzial-Ledger mit quantifizierten, priorisierten Hebeln — und die Entscheidung, welcher Use Case startet.
Anbindung & Datenmodell
Der Data Engineer bindet TMS, Telematik und Yard-Daten lesend an — sendungs- und stoppgenau, inkrementell, historisiert, dokumentiert. Der Data-Quality-Agent legt Prüfregeln und Alarme an. Jede Quelle ist in wenigen Tagen einsatzbereit.
Modelle & Steuerung produktiv
Auslastungsbild und Leerkilometer-Analyse gehen in Betrieb; Matching- und Slot-Empfehlungen laufen zunächst im Empfehlungsmodus über Ihre Disposition, dann schrittweise automatisiert. Die Baseline für den KPI-Nachweis steht.
Dauerbetrieb & Ausbau
Data Ops, ML Ops und Decision Ops laufen im Hintergrund: Monitoring, tägliches Retraining, Drift-Erkennung, Erfolgsmessung je Maßnahme. Weitere Use Cases — Umschlag, Tourenplanung, Lagerenergie — nutzen dieselbe Datenbasis.
Wichtig ist die Reihenfolge: Nicht erst zwei Jahre „Datenplattform bauen" und dann Use Cases suchen — sondern mit einem wirtschaftlich klaren Hebel starten und die Plattform daran wachsen lassen. Jede angebundene Quelle, jedes Datenmodell und jede Prüfregel zahlt auf die nächsten Use Cases ein.
Use Case zuerst, Plattform als Nebenprodukt — nicht umgekehrt. So entsteht Wirkung ab den ersten Wochen.
Souveränität & Governance: Ihre Cloud, Ihre Regeln.
Touren-, Kunden- und Fahrerdaten sind sensibel — betriebswirtschaftlich wie datenschutzrechtlich. Deshalb ist die Architekturentscheidung keine Nebensache, sondern Teil des Business Case:
- Alles in Ihrer Umgebung. Azure, AWS oder Google Cloud; Snowflake, Databricks oder BigQuery. Ihr Berechtigungsmodell gilt, DSGVO-konform — und Ihr Team kann jederzeit übernehmen: Pipelines, Modelle und Dokumentation gehören Ihnen.
- Ihre Systeme bleiben führend. TMS, WMS, Telematik und Yard-System werden lesend angebunden. Es entsteht kein Parallelsystem, das gepflegt werden müsste — und keine zweite Disposition.
- Der Mensch disponiert. Kritische Änderungen und Automationen — etwa das Umplanen einer Tour oder das Verschieben eines Anlieferslots — durchlaufen Ihre Freigaben. Jede Empfehlung ist nachvollziehbar begründet.
- Fahrerdaten geschützt. Telematikdaten werden für Auslastung und Planung ausgewertet, nicht für Verhaltensüberwachung — Auswertungsregeln werden mit Ihnen und, wo vorhanden, Ihrem Betriebsrat definiert.
- LLM frei wählbar. OpenAI, Anthropic, Mistral oder Open Source — auch EU-gehostet oder on-prem, wenn Ihre Compliance es verlangt.
- Prüffähigkeit eingebaut. Historisierte, geprüfte Daten und dokumentierte Maßnahmen liefern die Nachweise für Liefertreue-SLAs, Standgeld-Klärfälle und CO₂-Berichterstattung je Sendung nebenbei mit.
Wir haben immer über zu wenig Fahrzeuge diskutiert. Die Daten zeigten: Es waren genug — sie standen nur zur falschen Zeit am falschen Ort.
Fazit & Checkliste für den Einstieg.
Die Logistik braucht keine weiteren Pilotprojekte — sie braucht Systeme, die laufen. Die Daten dafür sind vorhanden; die Hebel sind bekannt; die Technologie, sie im Dauerbetrieb zu halten, ist da. Was den Unterschied macht, ist der Ansatz: Use Case zuerst, Euro-Bewertung je Fund, Betrieb von Tag eins mitgedacht, und jeder Effekt am KPI nachgewiesen.
Ob sich der Einstieg für Ihr Unternehmen lohnt, lässt sich in wenigen Minuten prüfen:
- Kennen Sie die Auslastung je Fahrzeug und Tag — gemessen, nicht geschätzt?
- Wissen Sie, auf welchen Relationen im letzten Monat die meisten Leerkilometer entstanden sind?
- Werden Plan- und Ist-Touren systematisch verglichen — und fließen die Abweichungen zurück in die Planung?
- Kennen Sie Ihre Standzeiten je Rampe und Stunde — inklusive der Kosten aus Standgeld und Fahrerzeit?
- Können Sie Kosten je Sendung, Palette und Kunde ausweisen — inklusive Lagerenergie und Fläche?
Wenn Sie bei zwei oder mehr Fragen zögern, liegt mit hoher Wahrscheinlichkeit quantifizierbares Potenzial in Ihren Daten. Der nächste Schritt ist bewusst klein gehalten: ein 30-minütiger Potenzial-Check an einem Logistik-Beispiel, gefolgt von einem 2-Wochen-Assessment mit Ihren echten TMS- und Telematikdaten — mit dem Potenzial-Ledger als greifbarem Ergebnis.
Die Diskussion hat sich verändert: Wir reden nicht mehr über Bauchgefühl in der Dispo — sondern darüber, welcher Hebel als Nächstes in den Ledger kommt.