Routen planen mit KI: In der Logistik entscheidet zunehmend die Maschine

Das Schweizer Jungunternehmen Arqh optimiert mit Algorithmen und KI-Chatbots die Routen von LKW, zum Beispiel für Feldschlösschen. Es setzt darauf, dass Menschen immer mehr den Maschinen überlassen.

Antonia Unger öffnet eine Excel-Datei auf dem Computer. Auf dem Bildschirm vor ihr erscheinen unzählige Spalten in verschiedenen Farben, fette und kursive Schrift, Zahlen, Formeln. Es ist die Routenplanung für die LKW eines Logistikunternehmens oder auch: ein Chaos.

Unger will mit ihrem Unternehmen Arqh dieses Chaos beseitigen. Sie hat eine Technologie entwickelt, die ersetzt, was Menschen bisher händisch in Tabellen eintrugen: Routen, Artikelnummern, zeitliche Abfolgen für die Auslieferung. Ihre Maschinen lassen Algorithmen laufen und rechnen so den optimalen Plan aus.

Komplexe maschinelle Systeme treffen auf den Chatbot

Ihr Unternehmen Arqh haben sie diesen Sommer gegründet. Nach einer mehrmonatigen Vorlaufzeit, in der Unger und ihre Kollegen das System entwickelten. Im Oktober sammelten sie in einer ersten, sogenannten Pre-Seed-Finanzierungsrunde umgerechnet rund 3 Millionen Franken ein.

Das Team hinter Arqh hat sich in einer Industriesiedlung nahe der Limmat einquartiert. Sie sind zu siebt, jung, neben Unger alles Männer, die an PC sitzen, Codes schreiben, Daten auswerten. Anfang Jahr kommt eine KI-Daten-Ingenieurin dazu. Ihr Alltag ist Startup-typisch. Sie arbeiten viel. Dazwischen scherzen sie. Abends gibt’s ein Bier.

Zwei Schweizer Firmen benutzen derzeit das System von Arqh: der Getränkehändler Feldschlösschen, der es für einzelne Lieferrouten in der Region Dietikon bei 180 Kunden einsetzt. Und die Firma Conrad-Storz, die Benzin und Diesel an Tankstellen ausliefert und mit dem System von Arqh prognostiziert, wann die nächste Lieferung fällig wird.

In der Logistik ist Überblick das oberste Gebot. Es gilt zu wissen, wie viele Produkte im Inventar sind, wie viele Fahrer in den LKW unterwegs sind, welche Produkte wann bei welchen Kunden sein müssen. Jahrelang übernahmen Disponentinnen und Disponenten diese Koordinationsarbeit. Doch in den vergangenen Jahrzehnten hat sich zunehmend die maschinelle mathematische Optimierung etabliert. Der Paketversanddienst DHL etwa nutzt sie, um Routen zu optimieren oder das Inventar im Lager optimal zu platzieren.

Oliver Antons forscht am Fraunhofer-Institut in München im Bereich Produktionssysteme und Automatisierung. Er sagt, die Optimierungsmodelle müssten regelmässig von Mathematikerinnen oder Ingenieuren angepasst werden. Nicht umsonst sei DHL neben Banken und Versicherungen einer der grössten Arbeitgeber von Mathematikern.

Die Anpassungen brauchten Zeit und seien teuer. Gerade für kleinere und mittlere Unternehmen. Eine mögliche günstigere Lösung sieht er in Sprachmodellen wie Chat-GPT. Kundinnen oder Fahrer könnten dadurch ihre Aufträge oder Problemstellungen an das Optimierungssystem weitergeben. Genau eine solche kombinierte Lösung steckt in Ungers System.

Mehr als Sandkörner auf der Erde

Antonia Unger gründete die Firma Arqh zusammen mit Mert Erkul. Sie studierten beide an der ETH, sie Informatik, er Data Science. Nach dem Studium arbeiteten sie zusammen bei einem Beratungsunternehmen und sollten in dieser Zeit fünf Schweizer Transport- und Logistikfirmen dabei helfen, produktiver zu werden. Unger sagt, am Anfang seien sie schockiert gewesen, wie viel noch mit Papier und Stift geplant werde. Unger: «Manche kommunizierten noch per Fax!»

Unger und Erkul kamen auf die Idee, Optimierungsalgorithmen zu entwickeln und sie mit einem Chatbot zu verbinden, der sich einfach bedienen lässt. Im Januar 2025 verliessen sie die Beratungsfirma und bauten in den kommenden Monaten mit zwei Teammitgliedern das Optimierungssystem. Hierbei arbeiteten sie auch mit Professoren und Masterstudenten des Data Sciences Lab der ETH Zürich und der EPFL zusammen.

Optimierungsalgorithmen gehören zu den schwierigsten mathematischen Problemen. Entwickler speisen in die Systeme Unternehmensdaten ein. Sie definieren Faktoren, die eingehalten werden müssen: Ladegewicht. Anzahl Fahrerinnen und Fahrer. Zeitfenster, in denen man beim Kunden hinfahren darf. Und sie geben ein Ziel vor, das erreicht werden soll. Beispielsweise, die Kosten zu minimieren.

Muss ein LKW bei mehr Kunden halten, nimmt die Anzahl möglicher Routen exponentiell, also um ein Vielfaches, zu. Unger erklärt: Hat eine Firma einen LKW, der fünf Stopps bei Kunden machen muss, ergeben sich 120 mögliche Routen für die Auslieferung. Erhöht man die Zahl der Kundenstopps auf fünfundzwanzig, landet man bei über 15 Quadrillionen möglicher Routen. «Das ist mehr als es Sandkörner auf der Erde gibt.»

Die Optimierungsalgorithmen sind so aufgesetzt, dass sie in dieser Unmenge an Möglichkeiten nach den besten suchen. Je länger man sie rechnen lässt, desto besser wird die Lösung sein, die sie finden. Theoretisch könne man sie unendlich lange suchen lassen, sagt Unger. Doch das bringe irgendwann nicht mehr viel. Nach vier Stunden ist die Lösung nicht mehr viel besser als nach zehn Minuten.

Mit Ungers System könnten Logistikfirmen zehn bis fünfzehn Prozent der Kosten einsparen. So hat ihr Team es berechnet. Ein Mensch würde für die Routen- und Ressourcenplanung des nächsten Tages über vier Stunden brauchen. Das System schafft es in wenigen Minuten – und plant für die nächsten sieben Tage.

Skeptische Kunden und die Gefahr von Fehlern

Unger und ihr Team experimentieren gerade mit Preismodellen. Beim einen Kunden rechnen sie per Lieferwagen ab. Dem anderen verrechnen sie ein «relativ günstiges» Basismodell und beteiligen sich an der erwarteten Kostenersparnis.

Doch was, wenn plötzlich das Kind des Fahrers krank wird und er nach Hause muss? Oder ein Kunde eine spontane Retoure zurückschickt? Solchen Faktoren könne die Datengrundlage im maschinellen System zu wenig Rechnung tragen, sagt Unger. Hier kommt der Chatbot ins Spiel: Der Fahrer meldet den Ausfall, der Chatbot schlägt mit dem veränderten Faktor eine neue optimierte Route vor. Diese muss von einem Menschen bestätigt werden. Noch.

Unger sagt, das Ziel sei, dass die Sprachmodelle Parameter in den Optimierungssystemen irgendwann autonom änderten und sie neu laufen liessen. Und es den Menschen irgendwann gar nicht mehr brauche – oder zumindest nur noch für die gefährlichen Entscheidungen. Zu diesen gehört etwa die Anpassung, wie viel Gewicht im LKW maximal verladen werden darf. Oder in welcher Abfolge die Kammern beim Transport von Flüssigkeiten entladen werden, um zu verhindern, dass der LKW auf der Autobahn ins Schlingern gerät.

Unger sagt, ihre Kunden seien meist nicht technikaffin. Das Schwierigste sei, das Vertrauen der Disponentinnen und Disponenten zu gewinnen. Diese seien sehr skeptisch. Es sei nicht einfach, zu hören, dass ein maschinelles System etwas besser können solle als sie, die sie ja seit Jahren rechneten und planten und sich die nötige Erfahrung erarbeitet hätten.

Sprachmodelle basieren auf langen Wahrscheinlichkeitsrechnungen. Egal, wie gut sie noch werden: Eine kleine Wahrscheinlichkeit besteht immer, dass sie einen Fehler machen. Unger ist sich dessen bewusst. Man werde testen müssen, wie hoch die Fehlerrate sei, wenn man Sprachmodelle einsetze. Und entscheiden, wann das Risiko für einen Fehler dieser Wahrscheinlichkeit vertretbar wäre. Und wann nicht. Das Thema sorge auch im Team für Diskussionen. Unger sagt: «Ich glaube, dass man bald viel, sehr viel machen kann. Aber das heisst nicht, dass man es machen sollte.»

Unger und ihr Team gehen Schritt für Schritt vor. Sie nehmen historische Daten der Partnerfirma und lassen sie durch die Algorithmen laufen. Dann stellen sie die mathematisch errechneten Pläne den manuell geplanten Routen gegenüber und lassen sie die Mitarbeitenden vergleichen. Die Kostenersparnis überzeuge dann oft auch die Skeptischen unter ihren Kunden.

Malin Hunziker, «Neue Zürcher Zeitung»