Case Study: Wie eine Spedition Fahrerkommunikation und Belegerfassung mit KI-Agenten automatisiert

TL;DR — Die Kernfakten:

• Agenten: Fahrerkommunikation, Belegerfassung, Auftragsverteilung, Qualitätssicherung
• Kanäle: WhatsApp, Telefon, E-Mail, Fotos von Lieferscheinen und CMRs
• Kontrolle: Abweichungen und unklare Fälle gehen an die Disposition
• Einstieg: Belegerfassung als offensichtlichster Engpass

Case Study: KI-Agenten im Echtbetrieb einer Spedition

"Klingt zu gut, um wahr zu sein."

Das hören wir oft. Also zeigen wir, was im Echtbetrieb läuft.

Eine mittelständische Spedition in Deutschland. Mehrere spezialisierte KI-Agenten übernehmen Routinearbeit in Disposition und Backoffice.

Das ist keine Projektion. Das ist das, was gerade läuft.

Die Ausgangssituation

Die Spedition hatte ein klassisches Problem: Zu viel manuelle Arbeit, zu wenig Personal.

Vor der Automatisierung:

• 200+ Fahrer im Einsatz
• Tägliche Kommunikation über WhatsApp, Telefon, Email
• Lieferscheine und CMRs per Foto
• Disponenten tippen Daten manuell ins TMS
• Rückfragen kosten Zeit — auf beiden Seiten

Das Problem in Zahlen:

• 8-12 Minuten pro Belegerfassung
• 500+ Belege pro Tag
• 3 Disponenten nur für Dokumentenverarbeitung
• Fehlerquote: 3-4%
• Fahrer warten auf Bestätigungen

Die Spedition wuchs. Das Backoffice konnte nicht mithalten. Neue Mitarbeiter zu finden war schwer. Die vorhandenen waren überlastet.

Die Lösung: KI-Agenten-Fleet

Wir haben ein System von spezialisierten KI-Agenten implementiert:

Agent 1: Fahrerkommunikation

Der Agent überwacht die WhatsApp-Kommunikation mit Fahrern.

Was er macht:

• Beantwortet Standard-Fragen automatisch ("Wo ist mein nächster Auftrag?")
• Erkennt Probleme und eskaliert an Disponenten
• Sendet proaktive Updates ("Kunde X hat Zeitfenster geändert")
• Übersetzt bei Bedarf (polnische, rumänische Fahrer)

Ergebnis: Standardanfragen werden ohne menschliches Eingreifen beantwortet, alles andere geht an die Disposition.

Agent 2: Belegerfassung

Fahrer schickt Foto vom Lieferschein. Der Agent:

1. Empfängt das Bild
2. Extrahiert alle Daten (Empfänger, Datum, Mengen, Unterschrift)
3. Matched mit dem Auftrag im TMS
4. Bucht die Daten
5. Sendet Bestätigung an Fahrer

Ergebnis: Niemand tippt den Beleg mehr ab. Unklare Felder werden markiert und geprüft.

Agent 3: Auftragsverteilung

Neue Aufträge kommen rein. Der Agent:

1. Analysiert Anforderungen (Ort, Zeit, Fahrzeugtyp)
2. Prüft verfügbare Kapazitäten
3. Schlägt optimale Zuordnung vor
4. Sendet Auftrag an Fahrer (nach Disponent-Freigabe)

Ergebnis: Disponenten entscheiden statt zu recherchieren.

Agent 4: Qualitätssicherung

Prüft alle erfassten Daten auf Plausibilität:

• Stimmt die Menge mit dem Auftrag überein?
• Ist die Unterschrift vorhanden?
• Fehlen Pflichtfelder?

Bei Abweichungen: Automatische Rückfrage an Fahrer oder Eskalation an Disponenten.

Was die Fahrer sagen

"Am Anfang war ich skeptisch. Jetzt will ich nicht mehr ohne."

Der häufigste Kommentar: Die Geschwindigkeit. Früher haben Fahrer manchmal lange auf eine Bestätigung gewartet. Jetzt kommt sie sofort.

Wer nicht mitmacht? Meist ältere Fahrer, die WhatsApp generell nicht nutzen. Für sie läuft ein Parallelprozess.

Was die Disponenten sagen

"Ich disponiere wieder. Statt Daten einzutippen."

Die größte Veränderung: Die Arbeit ist interessanter geworden. Weniger Routine, mehr Entscheidungen. Die Disponenten berichten von weniger Stress und mehr Kontrolle.

Technische Details

Infrastruktur

• Cloud-basiert (AWS Frankfurt, DSGVO-konform)
• WhatsApp Business API für Fahrerkommunikation
• REST-API-Anbindung an TMS (CarLo)
• Redundante Systeme

Sicherheit

• Ende-zu-Ende-Verschlüsselung
• Keine dauerhafte Speicherung von Dokumenten
• Audit-Log für alle Aktionen
• Rollentrennung (Fahrer sehen nur eigene Daten)

Skalierung

Die Architektur skaliert automatisch und fängt Lastspitzen ab.

Der Weg zur Implementierung

Woche 1-2: Analyse

• Prozesse verstehen
• Schnittstellen dokumentieren
• Quick Wins identifizieren

Woche 3-4: Pilot

• 20 Fahrer im Testbetrieb
• Parallelbetrieb (alt + neu)
• Tägliches Finetuning

Woche 5-6: Rollout

• Schrittweise Erweiterung
• Schulung der Disponenten
• Monitoring etablieren

Woche 7+: Optimierung

• Kontinuierliche Verbesserung
• Neue Use Cases identifizieren
• Erweiterung auf andere Bereiche

Was wir gelernt haben

1. Klein anfangen

Nicht alle Prozesse gleichzeitig automatisieren. Die Belegerfassung war der Einstieg — der offensichtlichste Pain Point.

2. Fahrer einbeziehen

Die beste Technologie scheitert, wenn die Nutzer nicht mitmachen. Frühe Einbindung und Feedback waren entscheidend.

3. Eskalationspfade definieren

Die KI muss wissen, wann sie nicht weiterweiß. Klare Eskalationsregeln verhindern Frustration.

4. Messbar machen

Ohne Baseline keine Erfolgsmessung. Wir haben 2 Wochen lang den Ist-Zustand dokumentiert, bevor wir gestartet haben.

Nächste Schritte bei diesem Kunden

Die Spedition plant:

1. Rechnungsautomatisierung — Ausgangsrechnungen automatisch erstellen
2. Predictive Maintenance — Fahrzeugdaten auswerten
3. Kundenportal — Self-Service für Auftraggeber

Das System wächst mit den Anforderungen.

Ist das auf mein Unternehmen übertragbar?

Die Kernfrage: Haben Sie repetitive Prozesse mit hohem Volumen?

Gute Kandidaten:

• 100+ Transaktionen/Tag
• Mehrere Kommunikationskanäle
• Manuelle Dateneingabe
• Standardisierbare Prozesse

Weniger geeignet:

• Hochindividuelle Prozesse
• Geringe Volumina
• Keine digitalen Schnittstellen

Nächster Schritt

Sie wollen wissen, ob sich das auf Ihr Unternehmen übertragen lässt?

Kostenlose Analyse buchen →

30 Minuten. Wir schauen uns Ihre Prozesse an und rechnen gemeinsam:

• Wo liegt das Automatisierungspotenzial?
• Welche Zeitersparnis ist realistisch?
• Was würde die Implementierung kosten?

Keine Verpflichtung. Nur Klarheit.