In der Speditionsdisposition hält sich ein bekanntes Paradoxon: Ein Routenplan, der um 6 Uhr morgens erstellt wurde, übersteht selten die Realitäten des 9-Uhr-Verkehrs, Fahrerausfälle oder einen Spediteur, der nicht erreichbar ist. HERE Technologies begegnet dieser Herausforderung nicht durch die Erstellung eines besseren statischen Plans, sondern durch die Entwicklung eines Systems, das kontinuierlich aus dem lernt, was geschieht, nachdem der Plan das Büro des Disponenten verlassen hat.

Bart Coppelmans von HERE Technologies stellte in einem Interview mit FreightWaves auf der Home Delivery World die Produkt-Roadmap des Unternehmens vor. Das Gespräch behandelte Upgrades der HERE-Tour-Planungs-Engine, ein neu eingeführtes Fahrer-Feedback-Tool namens Last Meter Guidance sowie eine prototypische KI-Reasoning-Schicht zur Routenoptimierung, die darauf ausgelegt ist, ihre Entscheidungen zu erklären, anstatt sie einfach vorzugeben. Der Schwerpunkt spiegelt ein breiteres operatives Problem für Logistikteams wider: Routenoptimierung schafft nur dann Mehrwert, wenn Disponenten und Fahrer sich anpassen können, wenn die Bedingungen vor Ort vom Plan abweichen.

Die Planungs-Ausführung-Lücke

Die Tour-Planung gehört zu den am längsten etablierten Dienstleistungen von HERE und ist seit einem Jahrzehnt in Entwicklung. Jüngste Funktionserweiterungen sorgen für eine steigende Marktdurchdringung, so Coppelmans.

„Wir haben vor zehn Jahren mit der Entwicklung begonnen, aber jetzt gewinnt sie auf dem Markt wirklich an Dynamik als eine der am besten performenden Solver, insbesondere wegen dem, was wir im letzten Jahr hinzugefügt haben", sagte Coppelmans.

Die bedeutendste dieser Erweiterungen ist die zeitabhängige Optimierung, die berücksichtigt, wie schwankende Verkehrsbedingungen die Lieferkapazität im Laufe des Tages beeinflussen.

„Um neun Uhr morgens können Sie aufgrund von Staus weniger Bestellungen ausliefern als um eins Uhr nachmittags", sagte Coppelmans.

HERE führte außerdem fahrerfreundliche überlappende Touren ein, die die Gebietskonflikte reduzieren, die Fahrer auf ihren Routen frustriert. Zusätzlich erkennt eine Walk-Clustering-Funktion, wann ein Fahrer einmal parken und mehrere Zustellungen zu Fuß erledigen sollte, anstatt wiederholt ein- und auszusteigen.

„Von einem Parkplatz aus können Sie dann zu Fuß mehrere verschiedene Zustellungen in einem bestimmten Bereich durchführen, was effizienter sein kann, als ständig mit dem Fahrzeug ein- und auszufahren", sagte Coppelmans.

Last Meter Guidance schließt die Lücke

Diese Planungsverbesserungen lösen nicht das, was Coppelmans als zentrale Herausforderung identifizierte: die Diskrepanz zwischen dem, was die Disposition am Morgen plant, und dem, womit ein Fahrer vor Ort tatsächlich konfrontiert wird.

„Wenn Sie um sechs Uhr morgens einen perfekten Plan haben, kann dieser um neun Uhr bereits anders aussehen, weil unerwartete Ereignisse eintreten – ein Fahrer wird krank, ein Spediteur ist nicht erreichbar oder es gibt kurzfristige Änderungen bei den Bestellungen", sagte Coppelmans. „Man muss wirklich dynamisch und flexibel sein und das berücksichtigen."

HEREs Antwort darauf ist Last Meter Guidance, ein clientseitiger Dienst, der auf einem Handheld-Gerät oder einer Fahrer-App läuft und Sensor- und Positionsdaten aus dem Feld sammelt. In dichten Zustellungsumgebungen kann die finale Anfahrt an einen Stop erheblich von der einfachen Navigation zu einer Straßenadresse abweichen, insbesondere wenn Parkmöglichkeiten, Gebäudeeingänge und Fußwege bestimmen, wie lange eine Zustellung tatsächlich dauert.

„Wir sammeln automatisch Sensor- und Probe-Positionspunkte, wir haben unseren eigenen Positionierungs-Stack", sagte Coppelmans. „Dieser Dienst baut darauf auf und stellt sicher, dass wir aus dem Feld lernen. Wir sammeln Trace-Daten darüber, wo das Fahrzeug parkt, den Gehweg zum Gebäude, markieren den Gebäudeeingang und die endgültige Zustellendpunkt-Position."

Diese Daten fließen in beide Richtungen. Disponenten erhalten präzisere Lieferzeitfenster, während Fahrer Park- und Eingangshinweise erhalten, die auf den Standorten basieren, an denen vorherige Fahrer erfolgreich zugestellt haben, anstatt sich nur darauf zu verlassen, wo eine Karte den Eingang eines Gebäudes verortet.

„Es gibt keine Diskrepanz mehr", sagte Coppelmans. „Fahrer fühlen sich wohler dabei, dem zu vertrauen, was geplant wird, und können sagen: ‚Okay, das ergibt Sinn.'"

KI-Routenoptimierung lernt, sich zu erklären

Auf beiden Diensten aufgesetzt ist, was HERE als kognitive Schicht zur Routenoptimierung beschreibt – eine prototypische Agenten-Fähigkeit, die das Unternehmen voraussichtlich 2026 in eine geschlossene Beta-Phase überführen wird. Während die zugrunde liegende Tour-Planungs-API Disponenten anweist, welche Maßnahmen zu ergreifen sind, ist die Reasoning-Schicht darauf ausgelegt, zu erklären, warum diese Entscheidungen getroffen wurden. Diese Unterscheidung ist im Dispositionsbetrieb von Bedeutung, da eine Empfehlung, die ineffizient erscheint, an Einschränkungen geknüpft sein kann, die der Nutzer nicht unmittelbar einsehen kann.

„Warum sind diese Bestellungen nicht zugewiesen? Warum fahren diese beiden Lkw am selben Tag dieselbe Straße entlang?", sagte Coppelmans. „Das kann an tatsächlichen Einschränkungen, Fahrfähigkeiten oder bestimmten Prioritäten liegen."

Die Schicht beschränkt sich nicht auf Erklärungen. Sie ist zudem darauf ausgelegt, Korrekturmaßnahmen vorzuschlagen – die Art von Anpassungen, die ein erfahrener Disponent intuitiv vornimmt.

„Vielleicht bestimmte Einschränkungen lockern, einige Bestellungen auf morgen verschieben oder zwei Fahrzeuge zur Kapazität hinzufügen", sagte Coppelmans. „Das ist die domänenspezifische Reasoning-Schicht."

Coppelmans zog eine Parallele zu Entwicklungen, die bereits im Bereich Telematik stattfinden, wo Flotten generative KI einsetzen, um zu untersuchen, warum ein Reifen Druck verliert oder warum ein Asset verschwunden ist. Auf die Disposition angewandt bedeutet derselbe Ansatz, dass ein Manager nicht mehr unabhängig jede nachgelagerte Ursache eines Serviceausfalls herleiten muss.

„Es gibt Ihnen proaktive Antworten darauf, was Sie tun können, um Ihren Plan weiter zu verbessern und noch besser zu machen", sagte Coppelmans.

KI fundieren, bevor sie halluziniert

Zusätzlich zur Reasoning-Schicht kündigte HERE eine separate Location-Reasoning-Schicht an, die verhindern soll, dass große Sprachmodelle bei geografischen Anfragen Informationen erfinden.

Wenn man ein generisches LLM bittet, ein Restaurant auf halber Strecke einer Lkw-Route zu finden, liefern diese häufig unzuverlässige Ergebnisse, so Coppelmans.

„Wenn Sie generische LLMs jetzt nach einer bestimmten Geoposition fragen, erhalten Sie wirklich zufällige Ergebnisse, völlig daneben, falsche Geometrie oder falscher Standort", sagte Coppelmans. „Sie erhalten einen falschen POI, der nicht in der Nähe des Flusses liegt, sondern woanders. Man lässt sich leicht täuschen, und diese LLMs halluzinieren bei Geoposition-Abfragen."

HERE Location Reasoning soll KI-Agenten das räumliche Fundament geben, das erforderlich ist, um solche Fragen korrekt zu beantworten – sei es das Verständnis der Position eines Fahrzeugs auf einer Straße, das Ziehen einer Grenze um einen Mittelpunkt oder das Filtern von Points of Interest, die tatsächlich entlang einer bestimmten Route liegen. Für Transportanwendungen ist dieses Fundament von zentraler Bedeutung, da geografische Fehler Routing, Stopp-Auswahl und die an Fahrer übergebenen Anweisungen beeinflussen können.

„Das ist der Weg, auf dem wir uns befinden, um verschiedene Agenten, die auf dem Markt entwickelt werden, weiter zu unterstützen", sagte Coppelmans. „Wir versorgen sie mit einer entsprechenden Schicht, damit sie den Kontext der Position wirklich verstehen und fundieren können."

Die Agent-zu-Agent-Zukunft

Coppelmans sieht die Reasoning-Schicht nicht als Ersatz für das eigene operative Urteilsvermögen eines Unternehmens. Die KPIs und Service-Level-Agreements der einzelnen Spediteure unterscheiden sich zu stark, als dass ein einziges gemeinsames Modell sie allein bewältigen könnte, so seine Einschätzung.

„Man muss einen eigenen operativen Agenten laufen haben, aber diesen mit den Erkenntnissen anderer zu speisen, ist entscheidend, sonst arbeitet man isoliert", sagte Coppelmans.

Die langfristige Perspektive gleiche weniger einem einzelnen Unternehmen, das ein KI-Modell besitzt, sondern eher einem Netzwerk von Agenten, die sich gegenseitig abfragen – der Dispositions-Agent eines Spediteurs konsultiert einen Routing-Agenten, so wie eine Person eine Zweitmeinung von einem Kollegen einholen könnte. Vorerst besteht der zu beobachtende kurzfristigere Meilenstein darin, ob die geschlossene Beta zeigen kann, dass erklärbare Route-Empfehlungen Disponenten dabei helfen, Ausnahmen zu verwalten, ohne die Kontrolle über die Betriebsregeln zu verlieren.

„Man könnte eher in Richtung von Agent-zu-Agent-Kommunikation denken, die bestimmte Dinge verbindet", sagte Coppelmans. „Es muss nicht zwingend vollständig in das eigene System integriert sein, man kann verschiedene Agenten aufrufen, um andere Datensätze abzurufen und zu verifizieren und zu qualifizieren. Aber da sind wir noch nicht, das ist noch ein Stück weiter die Straße hinunter."