Die jüngsten Entwicklungen im Bereich der künstlichen Intelligenz wecken viele Erwartungen, komplexe Aufgaben zu automatisieren, einschliesslich der Erfüllung grundlegender operativer Bedürfnisse wie die Planungsverwaltung und die Tourenplanung. Doch die LLM, die im Zentrum der generativen KI stehen, wurden nicht dafür entwickelt, diese kombinatorischen Probleme zu lösen. Bis zum Sommer 2024 irrten sich LLM bei einer so einfachen Frage wie «wie viele R in strawberry?» (sie antworteten zwei statt drei). Der Bug wurde behoben, aber nicht gelöst: Wenn Sie den aktuellen Modellen diese Frage stellen, werden Sie sehen, dass sie das Problem umgehen, indem sie das Wort Buchstabe für Buchstabe buchstabieren, bevor sie zählen – die strukturelle Ursache ist immer noch vorhanden. Eine andere Familie von KI-Algorithmen, die Solver, löst genau diese Probleme seit Jahrzehnten, mit mathematischen Garantien und in der Produktion gemessenen Gewinnen. Diese Algorithmen zur Suche nach optimalen Lösungen basieren auf mathematischen Grundlagen, und um sie zu nutzen, muss man sein reales Problem in ihre Sprache übersetzen, die der mathematischen Sprache nahesteht. Dies machte die Solver in den vorherigen Jahrzehnten wenig zugänglich. Heute machen LLM die Solver zugänglicher denn je, indem sie uns ermöglichen, unsere natürliche Sprache als Vermittler zu verwenden.
1. Drei Probleme, drei Gewinnpotenziale
Die Zuweisung: Wer macht was?
Das einfachste Problem der Familie: Aufgaben auf Personen oder Maschinen verteilen, zum Beispiel Akten auf Sachbearbeiter, Einsätze auf Techniker, Missionen auf Agenten usw. Im grossen Massstab und angesichts einer Komplexität, die sich exponentiell in Abhängigkeit von der Anzahl der verfügbaren Agenten und der zuzuweisenden Aufgaben entwickelt, erreicht die manuelle Zuweisungsverwaltung viel schneller ihre Grenzen als mit Algorithmen, die intelligenter und automatisierter suchen.
Ohne Optimierung:
eine Verteilung per Tabellenkalkulation, aus Erfahrung, die «funktioniert», ohne zu wissen, ob sie gut ist;
einige Überstunden auf dieselben Personen konzentriert, andere unterlastet;
Personalvorschriften «im Prinzip» eingehalten, bis die Kontrolle das Gegenteil beweist;
eine Absage in letzter Minute = eine Stunde Neuplanung unter Druck.
Mit einem Solver:
weniger Überstunden : mathematisch ausgeglichene Belastung, nicht nach Gefühl
Personalvorschriften konstruktionsbedingt garantiert : eine nicht konforme Zuweisung kann den Algorithmus nicht verlassen
optimaler Ersatz in wenigen Sekunden, indem möglichst wenige Personen neu organisiert werden
Die Aufgabenplanung: Wie man Aufgaben optimal verteilt?
Dasselbe mit der Zeitdimension: Krankenhausdienst, 3×8-Schichtbetrieb, Produktionslinie, Zuweisung von Docks oder Räumen.
Ohne Optimierung:
Lücken und Dubletten zu spät entdeckt;
teure Ressourcen zu 70% genutzt mangels optimaler Sequenzierung;
Planungen zu spät veröffentlicht, angefochten, neu erstellt;
keine Möglichkeit, ein Szenario zu testen («und mit 4 Teams?») ohne tagelange Arbeit.
Mit einem Solver:
jeder gewonnene Punkt der Ressourcenauslastung ist in der Erfolgsrechnung ersichtlich ;
faire und vertretbare Planungen, jede Entscheidung wird durch eine explizite Einschränkung gerechtfertigt;
einige Simulationen in wenigen Minuten : eine Annahme ändern, neu starten, vergleichen.
Die Touren: Welche Besuchsreihenfolge, wie man die zurückgelegten Entfernungen minimiert?
Dutzende oder Hunderte von Punkten mit einer Flotte bedienen, unter Kapazitäts- und Zeitfensterbeschränkungen.
Ohne Optimierung:
aus Gewohnheit erstellte Touren, die sich kreuzen und wieder zurückführen;
verpasste Zeitfenster, Strafen;
ein Fahrzeug zu viel «zur Sicherheit» eingesetzt;
jede unvorhergesehene morgendliche Situation beschäftigt den Planer eine Stunde lang.
Mit einem Solver:
typischerweise 5 bis 15% weniger gefahrene Kilometer dank optimaler Routen;
einige Zeitfenster konstruktionsbedingt eingehalten, dank einer optimierten Strecke pro Fahrzeug gemäss allen Parametern;
eine Neuoptimierung in wenigen Sekunden bei jeder Unvorhersehbarkeit.
Branchenreferenz: ORION, das Optimierungssystem von UPS, spart laut den öffentlichen Zahlen der Gruppe jährlich rund 100 Millionen Meilen ein, was 300 bis 400 M$ pro Jahr entspricht.Die Gemeinsamkeit
Diese drei Probleme fallen unter dieKombinatorische Optimierung unter Restriktionen : nicht verhandelbare Regeln, ein quantifiziertes Ziel, und eine kombinatorische Explosion. 10 Stopps anordnen: 3,6 Millionen Möglichkeiten. 15 Stopps: 1 300 Milliarden. 20 Stopps: mehr als die Anzahl der seit dem Urknall verstrichenen Sekunden.
Daraus folgt eine strukturelle Feststellung: «Handarbeit» bedeutet fast immer «weit vom Optimum entfernt». Nicht aus Inkompetenz, sondern weil das Problem das übersteigt, was ein Gehirn oder eine Tabellenkalkulation erkunden kann.
Bei 20 Stopps, mehr Kombinationen als Sekunden seit dem Urknall.
2. Warum ein LLM allein nicht ausreicht
Die Idee wurde streng getestet, einschliesslich von den Entwicklern dieser Modelle. Vier Grenzen, alle strukturell:
Plausibles, nicht Optimales. Ein LLM sagt plausiblen Text voraus; es berechnet keine Entfernungen, vergleicht keine Lösungen. Google DeepMind hat es gemessen: ab 50 Punkten versagen die LLM, mit Abweichungen vom Optimum, die bis zu 20-mal höher sind. In realen Fällen sind es Hunderte.
Large Language Models as Optimizers, 2023Keine Qualitätsmessung. Ein Solver zertifiziert « zu höchstens 2 % vom Optimum », also das, was noch ungenutzt bleibt. Ein LLM kann diese Information nicht produzieren.
Weder reproduzierbar noch an permanente Korrekturen angepasst. Zweimal dieselbe Frage, zwei verschiedene Planungen. Aber eine Planung lebt: Abwesenheiten, Stornierungen, Verspätungen, es muss in Sekunden, mehrmals täglich, neu optimiert werden.
Das LLM ist eine KI der SpracheDie Planung ist ein Problem der Kombinatorik.
3. Die spezialisierte KI: die Solver
Optimierung und Operations Research bilden einen der ältesten Zweige der KI. Ihre Tools, die Solver, laufen seit Jahrzehnten in der Produktion: UPS-Touren, Besatzungen von Fluggesellschaften, industrielle Ablaufplanung.
Das Prinzip kehrt die übliche Logik um: man programmiert die Lösung nicht, man deklariert das Problem : Einschränkungen und Ziel. Der Solver erkundet den Lösungsraum, indem er Milliarden von Kombinationen eliminiert, und liefert eine Lösung konstruktionsbedingt gültig : Eine deklarierte Regel kann nicht verletzt werden.
Drei Ebenen von Tools, je nach Grösse des Problems:
OR-Tools / CP-SAT : die kostenlose Open-Source-Toolbox von Google. Seine CP-SAT-Engine dominiert seit 2018 die MiniZinc Challenge, einen internationalen Referenzwettbewerb. Für die reine Zuweisung finden klassische Algorithmen (ungarische Methode) das exakte Optimum in einem Bruchteil einer Sekunde. Effizient für einen Grossteil der Optimierungsprobleme (Planung, Zuweisung) mittlerer Grösse.
Das Routing-Modul von OR-Tools = der spezialisierte Baustein für Touren: Multi-Fahrzeuge, Kapazitäten, Zeitfenster, Multi-Depots. Von einigen Dutzend bis zu einigen Hundert Punkten liefert es in Sekunden sehr gute, reproduzierbare Lösungen. Um die Reife des Bereichs einzuordnen: der akademische Solver Concorde hat das exakte Optimum auf 85 900 points, verglichen mit den 50 Punkten, wo die LLM versagen.
SCIP - Branch and Price : Schwieriger zu implementieren, aber ermöglicht die Lösung bestimmter grosser Probleme (mehrere Hundert bis Tausende von Agenten, Fahrzeugen und Teams). Prinzip: zerlegen. Man zerlegt in beherrschbare Unterprobleme (« eine gute Tour für ein Fahrzeug », « eine gute Woche für einen Agenten ») und ein Master-Algorithmus rekombiniert diese Bausteine mit der Garantie, sich dem globalen Optimum zu nähern. Das ist die Methode, die seit den 1990er-Jahren die Besatzungen grosser Fluggesellschaften plant.
Ein durch OR-Tools gelöstes Tourenproblem: garantierte Einschränkungen, reproduzierbares Ergebnis.
Teilen, um zu optimieren: das Prinzip von Branch and Price.
4. Die Rolle von LLM: Solver zugänglich machen
Wenn Solver schon so lange funktionieren, warum werden sie dann so selten eingesetzt? Weil sie schwer zugänglich waren: es brauchte einen Experten, um das Geschäft in ein mathematisches Modell zu übersetzen, und das Tool wurde mit Dateien und Parametern gesteuert.
Das ist genau das, was LLM ändern. Die sich durchsetzende Architektur verbindet beides: das LLM als Sprachschicht, den Solver als Lösungsschicht.
« Planen Sie morgen neu ohne Lastwagen 7, indem Sie verspätete Kunden priorisieren » → das LLM übersetzt in Parameter, der Solver berechnet, die Lösung kommt garantiert zurück.
Eine neue Geschäftsregel (« nie mehr als zwei aufeinanderfolgende Nächte für neue Mitarbeiter ») drückt sich in natürlicher Sprache aus und wird zu einer formalen Einschränkung.
Das LLM liefert die Planung zurück und erklärt sie den Teams, basierend auf den formalen Begründungen des Solvers.
Die ursprüngliche Intuition war also zweimal richtig: die KI löst diese Probleme gut, und das LLM ist ein Teil davon. Einfach ausgedrückt ist das LLM die Schnittstelle, der Motor ist eine spezialisierte KI, die das Ergebnis garantiert.
