Von statischer Planung zu dynamischer Disposition — KI-gestützte Flottenoptimierung für RD Energy

RD Energy verteilt Kraftstoff von regionalen Depots an über 800 Tankstellen und gewerbliche Kunden — Bergwerke, Fertigungsbetriebe, landwirtschaftliche Betriebe — in ganz Südafrika. Disponenten erstellen täglich Lieferpläne für eine gemischte Tankerflotte und balancieren dabei Auftragsdringlichkeit, Fahrzeugkapazität, Fahrerzeitvorschriften, standortspezifische Lieferfenster und Gefahrgut-Constraints.

Das Unternehmen nutzt lineare Programmiermodelle für die Netzwerkplanung — Optimierung der Depotzuordnung und Transportkosten über das gesamte Distributionsnetz. Diese Modelle liefern mathematisch fundierte Ergebnisse, aber sie sitzen in der Planungsabteilung, nicht im operativen Betrieb. Wenn ein Plan die Disposition erreicht, hat sich die Realität bereits verändert.

Ein Bergwerkkunde meldet einen ungeplanten Notfall-Nachschub. Ein Tanker hat eine Panne auf der N1 mit 36.000 Litern an Bord. Eine Tankstelle in Gauteng verkauft ihr prognostiziertes Volumen zwei Tage zu früh während einer Kältewelle. Jedes Ereignis macht den Plan ungültig, und Disponenten reagieren mit Erfahrung und Telefonaten statt mit Mathematik.

McKinsey schätzt, dass 15–25 % der Flottenbetriebskosten in Distributionsnetzwerken durch dynamische Optimierung und Demand Sensing vermeidbar sind. Was RD Energy fehlt, ist nicht Optimierungskompetenz — sondern eine Intelligenzschicht, die Planung und Betrieb in Echtzeit verbindet.

Die Plattform verbindet RD Energys bestehende Planungsmodelle mit dem täglichen Betrieb über vier Schichten — jede mit einer klaren Rolle bei der Umwandlung statischer Pläne in kontinuierlich optimierte Ausführung. Für Organisationen ohne bestehende Optimierungsmodelle baut IJONIS den kompletten Stack End-to-End — von den mathematischen Solvern bis zur KI-Orchestrierungsschicht.

Datenintegrationsschicht

Die Plattform verbindet sich mit RD Energys bestehenden Systemen — TMS, ERP, Depot-Management und Fahrzeugtelematik — über standardisierte APIs in ein einheitliches operatives Datenmodell. Fahrzeugpositionen, Auftragsstatus, Depotbestandsniveaus und Lieferbestätigungen fließen in Echtzeit zusammen. Keine manuellen Exporte, keine Tabellenübergaben. Die Integrationsschicht nimmt auch externe Signale auf: Verkehrsbedingungen, Wettervorhersagen und Kraftstoffpreisindizes.

Demand-Forecasting-Engine

Eine Machine-Learning-Schicht analysiert historische Liefermuster, saisonale Trends, Aktionskalender und externe Variablen (Wetter, Feiertage, Rohstoffpreisverschiebungen), um die Nachfrage auf Einzelstandortebene zu prognostizieren. Für Tankstellen lernt das Modell Verbrauchskurven pro Produktsorte — und sagt voraus, wann ein Standort sich einem Stockout nähert, Tage bevor es passiert. Die Prognosegenauigkeit verbessert sich kontinuierlich, wodurch die ungeplanten Notfallbestellungen reduziert werden, die tägliche Routenpläne an ihrer Quelle stören.

Optimierungs-Engine (Deterministisch)

Im Kern sitzt eine mathematische Optimierungs-Engine, die das Vehicle Routing Problem with Time Windows (VRPTW) löst — eine etablierte Operations-Research-Formulierung. Der Solver verwendet gemischt-ganzzahlige lineare Programmierung (MILP), um Lieferpläne zu berechnen, die die Gesamtflottenkosten unter harten Constraints minimieren: Fahrzeugkapazität, Fahrerarbeitszeiten, Gefahrgut-Routingregeln, Depot-Betriebsfenster und Kunden-Lieferslots. Das ist keine KI — das ist Mathematik. Die Pläne sind nachweisbar optimal innerhalb der definierten Constraints — dieselbe Klasse von Solver, der RD Energy bereits in seinen Netzwerkplanungsmodellen vertraut.

KI-Reoptimierungsschicht (Agentische Orchestrierung)

Hier wird statisch zu dynamisch. Eine agentische KI-Schicht überwacht den Live-Betriebszustand gegen den aktuellen Plan. Wenn die Realität abweicht, erkennt das System die Abweichung, klassifiziert den Schweregrad und entscheidet über die Reaktion:

Die KI-Schicht ersetzt nicht die Optimierungs-Engine — sie triggert sie. Das Sprachmodell interpretiert unstrukturierte Eingaben (eine WhatsApp-Nachricht eines Fahrers über eine Straßensperrung, eine Kunden-E-Mail mit geändertem Lieferfenster) und übersetzt sie in Constraint-Updates, die der Solver verarbeiten kann. Die Optimierungs-Engine löst dann neu. Berechnete Pläne, KI-interpretierte Trigger — die Grenze ist immer klar.