KI-Disposition — direkt in X-TMS
Schluss mit dem Bauchgefühl bei der Fahrerwahl. X-TMS bewertet jede Option, zeigt die Begründung und weist mit einem Klick zu.
Die Fahrerzuweisung ist Ihre folgenreichste Entscheidung — X-TMS macht sie präziser
Jede Disposition ist ein mehrdimensionales Problem: Wer ist am nächsten, wer hat das passende Equipment, wer fährt heute pünktlich, wer ist auf dieser Strecke am effizientesten, wem laufen die Lenkzeiten aus, wer wartet am längsten auf den nächsten Auftrag.
Die meisten Dispoentscheidungen fallen aus dem Bauch — und der Bauch liegt in 20 bis 30 % der Fälle daneben. Eine Fehlzuweisung kostet schnell Stunden Standzeit, ein gerissenes Kraftstoffbudget oder einen verärgerten Fahrer.
Die X-TMS-KI bewertet jeden verfügbaren Fahrer für jede offene Ladung anhand von sechs gewichteten Faktoren. Die Empfehlung ist transparent — Sie sehen genau, warum Fahrer A auf 87 Punkte kommt und Fahrer B auf 71, und übersteuern bei Bedarf mit einem Klick.
So funktioniert es
-
1
Zuweisungsstrategie festlegen
Drei voreingestellte Strategien — Effizienz zuerst (maximale Pünktlichkeit), Ausgewogen (Mehrfaktoren-Mittel) oder Kosten zuerst (Kraftstoff + Lohn minimieren). Gewichtungen lassen sich pro Geschäftsbereich anpassen.
-
2
KI bewertet jedes Fahrer-Ladungs-Paar
Sechs Faktoren: historische Fahrereffizienz, Pünktlichkeitsquote, Equipment-Match (Gefahrgut/ADR, Kühlung, Übergröße), Kostenoptimierung (Kraftstoff + Fahrerlohn), Ladungspriorität und Einhaltung der Lenk- und Ruhezeiten.
-
3
Top-Empfehlungen werden hervorgehoben
Die drei besten Kandidaten pro Ladung — mit numerischer Bewertung und voller Begründung. Sie sehen genau, welche Faktoren die Punktzahl getrieben haben.
-
4
Disponent bestätigt oder übersteuert
Die meisten Disponenten übernehmen die KI-Empfehlung in über 80 % der Fälle. Die übrigen 20 % werden protokolliert — und das Modell lernt mit.
-
5
Zuweisung mit vollständigem Audit-Trail
Jede Zuweisung speichert die KI-Bewertung, die berücksichtigten Alternativkandidaten und die Wahl des Disponenten. Durchsuchbar — ideal für die spätere Leistungsbewertung.
Zahlen, die zählen
Was enthalten ist
- Sechsfaktorielle Fahrerbewertung (Effizienz, Pünktlichkeit, Equipment, Kosten, Priorität, Lenk- und Ruhezeiten)
- Drei voreingestellte Strategien plus individuelle Gewichtungen
- Filterung nach Equipment-Fähigkeiten (Gefahrgut/ADR, Kühlung, Flüssigkeiten, Übergröße)
- Lenkzeiten-Check vor jedem Vorschlag
- Anzeige der Top-3-Kandidaten pro Ladung
- Nachvollziehbare Bewertung mit vollständiger Begründung
- Ein-Klick-Zuweisung aus dem Empfehlungspanel
- Protokollierung von Übersteuerungen für die Modellverbesserung
- Gewichtungen pro Geschäftsbereich anpassbar
- Echtzeit-Neubewertung, sobald Fahrer Ladungen abschließen
Am besten geeignet für
Die KI erledigt die 80 % Routine, der Disponent konzentriert sich auf Ausnahmen.
Die Empfehlungen sind die beste Schulung — neue Mitarbeiter sehen die Begründung live mit.
Die KI verhindert Vorschläge nicht zertifizierter Fahrer, bevor sie überhaupt entstehen.
Unterschiedliche Gewichtungen pro Bereich — Effizienz hier, Kosten dort.
Was Sie beim Rollout erwartet
Die meisten Teams unterschätzen den Aufwand rund um Menschen und Prozesse, der mit jeder neuen Technologie einhergeht. AI Driver Matching ist technisch unkompliziert zu aktivieren — ein reibungsloser Rollout profitiert dennoch von kurzer, abgestimmter Arbeit über Disposition, IT und Geschäftsleitung hinweg. Das sind die Schritte, die wir in erfolgreichen Einführungen typischerweise sehen.
Woche 0 — Abstimmung mit den Stakeholdern
Benennen Sie eine zentrale verantwortliche Person für den Rollout. Legen Sie die Kennzahl fest, die Sie verbessern wollen — Anrufe pro Tag, eingesparte Stunden pro Disponent, Vorlaufzeit von Ladung zu Fahrer, Abrechnungszyklus, je nachdem, was zählt. Stimmen Sie Verantwortung, Dispo-Leitung und betroffene Fahrer darauf ab, was sich ändert und warum. Ein, zwei kurze Meetings reichen — keine Wochen.
Woche 1 — Pilot-Setup
Verbinden Sie AI Driver Matching zunächst mit einem schmalen Anwendungsbereich — ein Disponent, eine Route, eine ausgewählte Kundengruppe. Prüfen Sie, ob die Integration mit Ihren echten Daten so läuft, wie sie soll. Halten Sie Sonderfälle aus Ihrem Betrieb fest, die in der Standardkonfiguration nicht abgedeckt sind. Der X-TMS-Support steht in dieser Phase an Ihrer Seite.
Wochen 2–4 — Schrittweise skalieren
Weiten Sie auf mehr Disponenten, mehr Routen oder höheres Volumen aus. Die meisten Teams sind 2 bis 4 Wochen nach Pilotstart im vollen Produktivbetrieb. Verfolgen Sie die Kennzahl, auf die Sie sich in Woche 0 festgelegt haben — sie ist der ehrliche Indikator, ob die Einführung das leistet, wofür Sie sie eingekauft haben.
Laufend — Iterieren
Überprüfen Sie die AI Driver Matching Performance im ersten Quartal monatlich mit Ihrem Team. Justieren Sie die Konfiguration (Kriterien, Schwellwerte, Gewichtungen) an dem, was funktioniert — und an dem, was nicht. Das ist normal: Jeder KI-gestützte Workflow profitiert von ein paar Iterationen, während er Ihren konkreten Betrieb kennenlernt.
Klassische Stolperfallen
Den Pilotbetrieb überspringen. Teams, die am ersten Tag global den Schalter umlegen, entdecken Sonderfälle erfahrungsgemäß im ungünstigsten Moment — unter Volllast. Eine Woche Pilotbetrieb beugt dem zuverlässig vor.
Keine definierte Erfolgskennzahl. Wenn Sie nicht klar formulieren können, wie „gut" aussieht, werden Sie auch nicht wissen, ob die Einführung erfolgreich war. Wählen Sie eine Kennzahl — und verfolgen Sie sie konsequent.
Die KI wie eine Blackbox behandeln. AI Driver Matching liefert die Begründung hinter jeder Empfehlung mit. Nutzen Sie das in den ersten Wochen aktiv — Ihr Team lernt die Logik der KI kennen, und die KI lernt die Präferenzen Ihres Teams.
Häufig gestellte Fragen
Ist die KI eine Blackbox?
Nein. Jede Bewertung wird in ihre Einzelfaktoren aufgeschlüsselt — Sie sehen genau, warum Fahrer A höher bewertet wurde als Fahrer B. Jede Empfehlung lässt sich plausibilisieren.
Was, wenn die KI-Empfehlung mal danebenliegt?
Mit einem Klick übersteuern. Die Übersteuerung wird mit Ihrer Begründung protokolliert und fließt ins Modell zurück. Über die Zeit lernt die KI das Urteilsmuster Ihres Teams.
Funktioniert das mit unserem individuellen Fahrerlohn-Modell?
Ja. Das Lohnmodell (prozentual zur Ladung, Festbetrag oder pro Meile) ist pro Fahrer konfigurierbar und fließt direkt in den Kostenfaktor ein.
Wie funktioniert die Einbindung der Lenk- und Ruhezeiten?
X-TMS liest ELD-Daten aus Samsara — oder über die direkte ELD-API — und schließt Fahrer aus, die die Ladung in ihren Restlenkzeiten nicht legal zu Ende fahren können.
Kann ich die KI-Empfehlungen deaktivieren und manuell zuweisen?
Ja. Die Empfehlungen sind Vorschläge — die volle manuelle Kontrolle bleibt beim Disponenten.