Rezension von Atoptima, DeepTech Optimierungssoftware Anbieter

Von Léon Levinas-Ménard

Zuletzt aktualisiert: November, 2025

Atoptima ist ein in Bordeaux ansässiger Softwarehersteller, der 2019 als DeepTech-Spin-off des RealOpt-Forschungsteams von Inria, CNRS und der Universität Bordeaux gegründet wurde und sich auf fortschrittliche mathematische Optimierung für komplexe Planungsprobleme in den Bereichen Logistik, Lagerhaltung, Produktion und Netzwerkdesign spezialisiert hat.¹² Das Unternehmen entwickelt eine Suite von cloud-hosted Optimierungslösern—RouteSolver für Fahrzeugrouting, PackSolver für 3D-Palettierung und Beladung, PickSolver für Lagerplatzzuweisung und Kommissionierung, PlanSolver für Produktions- und Personalplanung sowie FlowSolver für Netzwerkfluss und Konsolidierung—, die als SaaS-Anwendungen und als asynchrone APIs über eine Orchestrierungsschicht namens Galia bereitgestellt werden.²³⁴⁵⁶ Technisch basiert Atoptimas Stack auf Julia: Die Open-Source-Frameworks Coluna.jl und BlockDecomposition.jl implementieren Branch-and-Price bzw. Branch-Cut-and-Price-Algorithmen für blockstrukturierte gemischt-ganzzahlige Programme, integriert mit JuMP und externen MIP-Solvern wie HiGHS, GLPK, Gurobi und CPLEX; die kommerziellen Solver bauen auf diesen Komponenten auf, um operative Entscheidungen wie optimierte Touren, Beladungsmuster und Zeitpläne zu berechnen.⁷⁸⁹¹⁰¹¹¹² Kommerziell bleibt Atoptima ein kleiner, aber aktiver Anbieter – mit etwa fünfzehn Mitarbeitern, einer bekannten Seed-Runde in Höhe von 1,2 Mio. € im Jahr 2021 plus einem i-Nov Innovationszuschuss im Jahr 2024 – mit einigen verifizierbaren Kundenreferenzen wie Logtran (für Carrefour-Gruppenmarken in den französischen Antillen), CMA CGM / CEVA Logistics (Planung der Flotten-Dekarbonisierung) und AppliColis (urbane Cycle-Logistik), neben zahlreichen anonymisierten Fallstudien in Logistik und Industrie.²¹³¹⁴¹⁵¹⁶¹⁷¹⁸¹⁹²⁰²¹²²²³²⁴²⁵²⁶ Die Technologie von Atoptima ist zweifellos auf dem neuesten Stand der klassischen mathematischen Optimierung, jedoch scheint sie keine Bedarfsprognose oder probabilistische Lagerbestandsoptimierung abzudecken; stattdessen bietet sie hochentwickelte, präskriptive Module, die vorgelagerte Nachfrage- und Kostenparameter voraussetzen und daraufhin optimierte Routing-, Beladungs- und Planungsergebnisse liefern.

Atoptima Überblick

Atoptima positioniert sich als Anbieter von Entscheidungsunterstützungs-Software, der mehr als zwei Jahrzehnte akademischer Forschung in der kombinatorischen Optimierung in operative Werkzeuge für Logistik und Produktionsplanung industrialisiert.¹²¹² Als Spin-off, das 2019 aus dem RealOpt-Team in Bordeaux hervorging, konzentriert es sich auf diskrete Planungsprobleme wie Fahrzeugrouting mit Zeitfenstern, Depotsstandortwahl, 3D-Palettierung, Lagerkommissionierung sowie Maschinen- oder Personalplanung, statt auf umfassende End-to-End supply chain Suites.¹²³⁴²⁷ Das Angebot besteht aus einer Reihe von Optimierungsmodulen—RouteSolver, PackSolver, PickSolver, PlanSolver und FlowSolver—, die entweder über eine SaaS-Weboberfläche bereitgestellt werden, über die Benutzer CSV/JSON-Daten hochladen, Optimierungen durchführen und Karten oder Gantt-Diagramme visualisieren, oder über eine asynchrone API-Schicht, Galia, die Optimierungsaufträge entgegennimmt und Ergebnisse über Webhooks und WebSockets zurückliefert.²³⁴⁵⁶²⁷ Unter der Haube stützen sich die Algorithmen des Unternehmens auf Julia-basierte Open-Source-Projekte wie Coluna.jl und BlockDecomposition.jl, die Dantzig-Wolfe- und Benders-Dekompositionen sowie Branch-Cut-and-Price-Strategien für blockstrukturierte gemischt-ganzzahlige Programme implementieren; diese werden mit kommerziellen oder Open-Source-MIP-Solvern über JuMP und MathOptInterface kombiniert.⁷⁸⁹¹⁰¹¹ Das Unternehmen ist klein und tieftechnologieorientiert, mit rund fünfzehn Mitarbeitern, einer bekannten Kapitalerhöhungsrunde von 1,2 Mio. € im Jahr 2021 und zusätzlicher öffentlicher Förderung durch Bpifrance, ADEME und den i-Nov Innovationswettbewerb; es bedient einen begrenzten, aber nicht unerheblichen Satz namentlich genannter Kunden, hauptsächlich in Frankreich und frankophonen Märkten, sowie viele anonymisierte Kunden in Logistik und Einzelhandel.²¹³¹⁴¹⁵¹⁶¹⁷¹⁸¹⁹²⁰²¹²²²³²⁴²⁵²⁶²⁷ Die Technologie ist fortschrittlich im Sinne der exakten und dekompositionsbasierten Optimierung, während die kommerzielle Reife der eines jungen, projektorientierten Anbieters entspricht.

Atoptima vs Lokad

Atoptima und Lokad befassen sich beide mit supply chain Planungsproblemen, jedoch aus deutlich unterschiedlichen Blickwinkeln. Atoptima ist ein Spezialist für präskriptive Optimierung: Es konzentriert sich darauf, große NP-schwere kombinatorische Probleme wie Fahrzeugrouting, Palettierung und Planung mittels exakter oder nahezu exakter mathematischer Programmierung zu lösen, implementiert in Julia auf Basis von Coluna und BlockDecomposition, und wird als branchenspezifischer Solver (RouteSolver, PackSolver, PickSolver, PlanSolver, FlowSolver) angeboten, der davon ausgeht, dass Nachfrage und weitere Eingaben bereits vorliegen.²³⁴⁷⁸⁹¹⁰¹¹²⁷ Lokad hingegen ist eine Prognostizieren+Optimieren Plattform, deren Kernprodukt eine maßgeschneiderte probabilistische Optimierungsanwendung darstellt, die Bedarfsprognose, Bestandsplanung, Produktionsplanung und teils Preisgestaltung in einer Envision-basierten Pipeline vereint; ihr Stack basiert auf .NET (F#/C#), einer benutzerdefinierten DSL, probabilistischen Prognose- und stochastischen Optimierungsalgorithmen wie Stochastic Discrete Descent und Latent Optimization anstelle generischer MIP-Solver.²⁸²⁹ Die Module von Atoptima nehmen üblicherweise konkrete Aufgaben und Ressourcen als Eingabe (Nachfrage bereits quantifiziert, Kapazitäten vorgegeben, Kosten definiert) und liefern optimierte Planungen – Routen, Beladungsmuster, Zeitpläne –, die in bestehende TMS/WMS/ERP-Systeme integriert werden können; basierend auf öffentlichen Belegen werden Nachfrageverteilungen oder Bestandsrichtlinien nicht automatisch ermittelt, und die mit “KI” beworbene Technik bezieht sich hauptsächlich auf mathematische Optimierung.²³⁴³⁰²³²⁷ Im Gegensatz dazu beginnt Lokad mit rohen Transaktions- und Stammdaten, erstellt probabilistische Nachfragemodelle und berechnet anschließend finanziell optimierte Entscheidungen (Nachschubmengen, Lagerzuweisungen, Reparaturpläne, teils Preise), die explizit Unsicherheiten und wirtschaftliche Einflussfaktoren wie Lagerhaltungskosten, Fehlmengestrafen und Warenkorbeffekte berücksichtigen.²⁸²⁹ Architektonisch stellt Atoptima eine Reihe von Microservices rund um Galia bereit, die für die asynchrone Übermittlung von Optimierungsaufträgen und die Integration in andere Systeme konzipiert sind, während Lokad einen Multi-Mandanten-SaaS-Arbeitsbereich bietet, in dem Kunden Envision-Skripte auf einem geteilten Compute-Cluster ausführen und Daten über SFTP und APIs ein- oder auslesen.³¹³⁴¹¹⁵⁶²⁹ Hinsichtlich des Aufwands ist Atoptima spezifischer und tiefer in einzelnen operativen Problemen wie Routing und 3D-Beladung, basierend auf jahrzehntelanger Forschung im Bereich Column Generation; Lokad hingegen deckt den gesamten supply chain ab, wobei ein gewisser Grad an algorithmischer Genauigkeit bei einzelnen kombinatorischen Problemen gegen Skalierbarkeit, probabilistische Modellierung und End-to-End-Entscheidungspipelines eingetauscht wird. Schließlich unterscheidet sich auch die kommerzielle Reife: Atoptima ist ein kleiner, junges Unternehmen mit einigen benannten Referenzen (Logtran, CMA CGM / CEVA, AppliColis) und projektbezogenen Einsätzen, während Lokad ein etablierteres, eigenfinanziertes Unternehmen ist, das seit 2008 besteht und eine breitere Palette großer Einzelhandels-, Fertigungs- und Luftfahrtkunden sowie eine langjährige Plattformentwicklung mit Fokus auf probabilistischer Prognose und quantitative supply chain vorweisen kann.¹²¹³¹⁵¹⁶¹⁷¹⁸¹⁹²⁰²¹²²²³²⁴²⁵²⁸²⁹

Unternehmensgeschichte und Finanzierung

Gründung und akademische Wurzeln

Atoptima entstand 2019 als Spin-off des RealOpt-Forschungsteams, einer gemeinsamen Gruppe von CNRS/Inria/Universität Bordeaux/Bordeaux INP, die sich auf kombinatorische Optimierung und mathematische Programmierung spezialisiert hat.¹²¹² Inria beschreibt Atoptima als einen Anbieter von Entscheidungsunterstützungs-Software, der aus langjährigen Kooperationen mit industriellen Partnern im Bereich Fahrzeugrouting und verwandten Problemen hervorgegangen ist, mit dem Ziel, akademische Fortschritte in der Optimierung zu industrialisieren.¹ CNRS Innovation präsentiert Atoptima ähnlich als den Höhepunkt von über 25 Jahren Expertise in kombinatorischer Optimierung, die innerhalb von RealOpt aufgebaut wurde, mit der Mission, hochmoderne mathematische Modelle in anwendbare Softwaretools zu überführen.²¹² Das Gründerteam umfasst François Vanderbeck (wissenschaftlicher Direktor und langjähriger OR-Professor), Vitor Nesello und Adrien Duruisseau und vereint mathematische, ingenieurtechnische und betriebswirtschaftliche Hintergründe.²¹² Mit Hauptsitz in Bordeaux positioniert sich das Unternehmen bewusst als DeepTech-Akteur, der die Brücke zwischen akademischer Forschung und industrieller Umsetzung schlägt, anstatt als generischer Anbieter von Unternehmenssoftware.

Finanzierung und öffentliche Unterstützung

Öffentliche Quellen berichten durchweg von einer einzigen Eigenkapitalfinanzierungsrunde für Atoptima: einer Seed-Runde in Höhe von 1,2 Mio. € im Jahr 2021, angeführt von Epopée Gestion, Bpifrance, ADEME und der Région Nouvelle-Aquitaine.¹³¹⁴ Tracxn führt dies als die insgesamt offengelegte Finanzierung des Unternehmens auf, was ungefähr US$1,4 Mio. entspricht, mit der letzten Runde im September 2021.¹³ Societe.Tech und mehrere französische Wirtschaftspresseartikel (insbesondere zur Finanzierungsrunde) bestätigen den Betrag und das Investorenlineup und rahmen die Finanzierung als Mittel zur Beschleunigung der Produktindustrialisierung und internationalen Expansion ein.¹⁴ Zusätzlich zum Eigenkapital erhielt Atoptima öffentliche F&E-Unterstützung durch den i-Nov Innovationswettbewerb: CNRS Innovation berichtet, dass Atoptima 2024 i-Nov mit einem Projektbudget von 1.113.177 € gewann, von dem 500.929 € subventioniert wurden, um seine Optimierungslösungen und Marktreichweite zu verbessern.² Das Unternehmen profitierte außerdem von französischen Tech-Auswahlen (z. B. French Tech NA20) und von Inkubationsunterstützung durch Unitec in Bordeaux.¹² Umsatzschätzungen von Compworth (rund US$870k) sollten als indikativ und nicht als präzise betrachtet werden, sind jedoch konsistent mit einem kleinen, aber kommerziell aktiven DeepTech-Unternehmen.¹²

Akquisitionsaktivitäten

Recherchen in CB Insights, Tracxn und anderen Startup-Datenbanken zeigen keine Übernahmen von Atoptima – weder als Erwerber noch als Zielunternehmen.¹³³⁰¹⁵ Presseberichte, CNRS/Inria-Profile und Unternehmensmaterialien erwähnen ebenso keine Fusionen oder Übernahmen, sondern konzentrieren sich stattdessen auf organische Entwicklungen und öffentliche Fördermittel.¹² Nach verfügbaren Informationen bleibt Atoptima ein unabhängiges Startup ohne M&A-Historie bis Ende 2025.

Produktportfolio und supply chain Umfang

Die Produktlinie von Atoptima lässt sich am besten als Suite domänenspezifischer Optimierungslöser für diskrete Planungsprobleme im operativen Bereich und supply chain beschreiben.²³⁴²⁷ Über CNRS Innovation, FAQ Logistique und die Atoptima-eigene Website hinweg tauchen dieselben Kernmodule auf:

RouteSolver – Fahrzeugrouting und Transportoptimierung (Multi-Depot-VRP, Abholung & Lieferung, Zeitfenster, mehrperiodiges Routing, multimodale Routen, Flotten- und Tourenplanung).²³⁴²⁷
FlowSolver – Optimierung von Strömen in einem Logistiknetzwerk, einschließlich Konsolidierung an Knoten, Cross-Docking und mehrstufigem Routing.²³⁴
PackSolver – 3D-Palettierung und Beladung (Beladung von LKW, Container oder ULD, Palettenbildung, Verpackung übergroßer Artikel) mit volumetrischen und Stabilitätsbeschränkungen.²³⁴²⁷
PickSolver – Lagerplatzzuweisung und Kommissionierung, einschließlich SKU-zu-Standort-Zuordnung, Stapelbildung und Strukturierung der Kommissionierwege.²³⁴²⁷
PlanSolver – Produktions- und Personalplanung, einschließlich Maschinenabfolge, Losgrößenbestimmung, Schichtplanung und Zeitplanerstellung.²³⁴

Diese Module sind in der Regel in bestehende Systeme integriert oder ergänzen diese, anstatt sie zu ersetzen. FAQ Logistique versteht das Angebot von Atoptima ausdrücklich als eine Möglichkeit, TMS, DMS, WMS, OMS oder APS mit fortgeschrittener Entscheidungsunterstützung anzureichern, statt als eine vollständige Planungssuite.²⁷ CNRS Innovation betont, dass die Werkzeuge auf mehreren Planungsebenen – strategisch, taktisch und operativ – für Probleme wie Depotsstandortwahl, Transportplanung, Produktions- und Personalplanung eingesetzt werden.² Bemerkenswerterweise gibt es keine Hinweise auf eine integrierte Bedarfsprognose oder Optimierung von Lagerbestandsrichtlinien; die Module von Atoptima setzen voraus, dass Nachfrage-, Kosten- und Einschränkungsparameter vorhanden sind, und konzentrieren sich darauf, präskriptive Entscheidungen (Routen, Beladungsmuster, Zeitpläne, Ressourcenallokationen) basierend auf diesen Eingaben zu berechnen.²³⁴²⁷

Technologie-Stack und Architektur

Optimierungs-Engine: Coluna und BlockDecomposition

Atoptimas markantestes technisches Asset ist sein Open-Source-Optimierungs-Stack, der auf Coluna.jl und BlockDecomposition.jl zentriert ist und in Zusammenarbeit mit akademischen Partnern entwickelt wurde.⁷⁸⁹¹⁰¹¹¹² Coluna ist ein Branch-and-Price-and-Cut-Framework, das in Julia implementiert wurde: Benutzer modellieren gemischt-ganzzahlige Probleme in JuMP, annotieren deren Blockstruktur mithilfe von BlockDecomposition und lassen Coluna diese über Dantzig-Wolfe- oder Benders-Dekomposition umformulieren, bevor Branch-Cut-and-Price-Algorithmen zum Einsatz kommen.⁷⁸⁹¹⁰ BlockDecomposition erweitert JuMP mit Makros, die Master- und Teilprobleme deklarieren, Achsensätze definieren und angeben, wie Variablen und Nebenbedingungen gruppiert werden, was eine generische Implementierung von Dekompositionsschemata ermöglicht.⁸⁹

Coluna integriert sich über MathOptInterface (HiGHS, GLPK, Gurobi, CPLEX unter anderem) mit verschiedenen LP/MIP-Solvern, sodass Atoptima Dekomposition mit den Stärken bestehender Solver kombinieren kann.⁷⁸⁵ Präsentationen bei Veranstaltungen wie der Column Generation Conference und MINOA-Workshops heben seinen Fokus auf blockstrukturierte MILPs hervor, die typisch für Logistik- und Industrieanwendungen sind – etwa Fahrzeugrouting, Zuschnittprobleme, Standort-Routing, Planung –, bei denen herkömmliche Flachformulierungen entweder zu langsam oder zu umfangreich sind.⁹¹⁰¹² Der Publikationsrekord von RealOpt unterstreicht dieses Bild: Jahrzehnte der Arbeit an Column Generation, primären Heuristiken, Diving-Strategien und Stabilisierungstechniken für praxisnahe Routing- und Zuschnittprobleme fließen direkt in das Design von Coluna ein.¹²

Obwohl Atoptima nicht explizit angibt, dass die kommerziellen Solver RouteSolver, PackSolver, PickSolver, PlanSolver und FlowSolver auf Coluna aufbauen, lässt die Überschneidung von Team, Technologie und Problemklassen stark vermuten, dass diese Solver im Wesentlichen domänenspezifische, verpackte Schichten oben auf Coluna/BlockDecomposition darstellen, die für bestimmte Branchen maßgeschneidert und in die SaaS-Plattform integriert sind.²³⁴⁷⁸⁹¹⁰¹¹¹²

System- und Integrationsarchitektur

Jobanzeigen und GitHub-Repositories enthüllen die umfassendere Systemarchitektur: Atoptima’s “Apps are developed in Julia and cloud-based as micro-services,” mit interner Softwareentwicklung und Open-Source-Kooperation mit akademischen Laboren.³¹³² Die GitHub-Organisation des Unternehmens listet mehrere Julia-Bibliotheken (Coluna.jl, BlockDecomposition.jl, DynamicSparseArrays.jl, Forks von Redis.jl und JSON3.jl) neben einem minimalen Galia JavaScript-Client auf, was auf ein dienstorientiertes Back-End und eine JavaScript-basierte Integrationsschicht hinweist.⁷⁸¹¹⁵

Die Galia Plattform steht im Mittelpunkt der Integration. Das minimal-galia-js-client Repository demonstriert, wie Optimierungsaufträge an Galia übermittelt und Ergebnisse asynchron über Webhooks und WebSockets empfangen werden – unter Verwendung von Umgebungsvariablen wie GALIA_HOST, APPLICATION_ID und ACCESS_TOKEN.⁵ Die Domain galia.atoptima.com bietet einen „GaliaFrontEnd“-Login, was auf eine Weboberfläche zur Überwachung oder Verwaltung von Aufträgen hindeutet.⁶ Aus diesen Artefakten lässt sich eine Architektur ableiten, in der:

Julia microservices wird als jeder Solver implementiert, wobei eine Interaktion mit Coluna und externen MIP-Solvern erfolgt.
Redis und verwandte Komponenten unterstützen Caching, Job-Warteschlangen oder Zustandsmanagement (wie der Fork von Redis.jl nahelegt).¹¹
Galia orchestriert die Auftragsübermittlung, das Einreihen und die Ergebnisauslieferung, wodurch rechenintensive Optimierungsläufe von Client-Anwendungen entkoppelt werden.⁵⁶
Webanwendungen (vermutlich Single-Page-Apps) bieten CSV/JSON-Uploads, Visualisierungen (Karten, Gantt-Diagramme, Listen) und Szenariomanagement für menschliche Planer, während externe Systeme über die Galia API integriert werden können.²³¹³⁴⁵⁶

Atoptima’s „Solutions / How it works“ Seiten beschreiben den Arbeitsablauf auf Nutzerebene: Aufgaben und Ressourcen als Daten hochladen, diese inspizieren und anpassen, Optimierung starten, Ergebnisse auf Karten oder Zeitachsen erkunden, Szenarien anpassen (z. B. manuelle Änderungen) und Lösungen exportieren.³⁴ Die Architektur ist eindeutig mehr als CRUD; die Komplexität liegt im Optimierungs-Back-End, während UI- und API-Schichten relativ konventionelle Webtechnologien verwenden.

Bereitstellung und Rollout

CNRS Innovation und Atoptima’s Fallmaterial beschreiben ein projektbasiertes Bereitstellungsmodell mit relativ kurzen Implementierungszyklen.²⁶ Lösungen werden im SaaS-Modus bereitgestellt, mit zwei primären Zugriffsmodi:

Eine vereinfachte Webanwendung für ein schnelleres Onboarding und standardisierte Problemklassen.
Ein weiter parametrisierbares Modul (über Galia und tiefere Konfiguration) für maßgeschneiderte, komplexe Anwendungsfälle.²³⁴⁵

CNRS gibt typische Bereitstellungszeiten von zwei bis sechs Wochen an, inklusive Problemanalyse, Datenintegration, Solver-Konfiguration und Validierung.² In einer Fallstudie mit mehreren Solvern für einen multinationalen Anbieter im Transportausrüstungssektor berichtet Atoptima von einer dreiwöchigen „Solver-Einrichtungszeit“ für eine Lösung, die RouteSolver, PlanSolver, PackSolver und FlowSolver kombiniert, um Ein- und Ausgangsflüsse, multimodale Routen und 3D-Ladungen zu optimieren.⁶

Inria und FAQ Logistique betonen, dass Atoptima’s Module dazu gedacht sind, in bestehende TMS/WMS/ERP-Systeme integriert zu werden, statt diese zu ersetzen, und dass der Integrationsaufwand dank des SaaS- und API-Modells relativ gering ist.¹²⁷ Detaillierte Informationen zu Hosting-Anbietern, SLAs, Mandantenfähigkeit, Datenresidenz und Sicherheitszertifizierungen (ISO 27001, SOC2 etc.) sind jedoch nicht öffentlich verfügbar, sodass die nicht-funktionalen Eigenschaften weitgehend undokumentiert bleiben.

Kunden, Sektoren und Geografien

Benannte, überprüfbare Referenzen

Der Logtran-Einsatz ist Atoptima’s am besten dokumentierter Produktionsfall. Der Blog von Atoptima beschreibt, wie Logtran – ein Logistik- und Transportunternehmen in den französischen Antillen & Guyane (Teil der Safo-Gruppe) – die Software von Atoptima übernahm, um Palettierung, Lkw-Beladung und Distributionsrouten zu optimieren, mit dem Ziel, rund 20% Transportkosteneinsparungen zu erzielen.¹⁶¹⁷ Supply Chain Magazine bestätigt, dass Logtran sich für Atoptima’s SaaS-Lösung entschied, um Touren und Lkw-Beladung für Lieferungen in französischen Überseegebieten zu optimieren.¹⁸ Voxlog berichtet ähnlich von einer 20% Kostenreduktion und hebt den Einsatz von Atoptima’s Optimierung sowohl für Touren als auch für die Beladung hervor.¹⁹ Stratégies Logistique ergänzt, dass Logtran Carrefour, Proxi, 8 à Huit und Promocash Stores in den französischen Antillen bedient – wodurch Atoptima’s Engine Teil des logistischen Rückgrats wird, das diese Einzelhandelsmarken versorgt.²⁰

Im Rahmen des Smart Port Challenge wurde Atoptima von CMA CGM ausgewählt, um gemeinsam ein Entscheidungsunterstützungstool zur Dekarbonisierung des Straßentransports zu entwickeln, indem der Einsatz und die Zuteilung emissionsfreier Schwerlast-Lkws geplant wird.²¹ SITL Daily und CCI Marseille-Provence berichten, dass Atoptima als Preisträger ausgewählt wurde, um mit CMA CGM an Werkzeugen zur Beschleunigung des Übergangs zu elektrischen und Wasserstoff-Lkws zu arbeiten.²¹²² Der Atoptima Blog zu „decision-making AI“ erläutert zudem, dass in Zusammenarbeit mit CMA CGM und CEVA Logistics an der strategischen Positionierung neuer Ladestationen und der taktischen Zuteilung emissionsfreier Fahrzeuge über Lager und Flüsse gearbeitet wurde.²³

Atoptima hat außerdem zusammen mit AppliColis CycloCo entwickelt – eine urbane Last-Mile-Logistikplattform. Eine gemeinsame Pressemitteilung (AppliColis–Atoptima) beschreibt ein von ADEME unterstütztes Projekt zur Schaffung eines zentralisierten Systems für multimodale, nachhaltige Last-Mile-Logistik, wobei Atoptima die Optimierungssoftware beisteuert.²⁴ Ein Atoptima-Blog über „AI and green supply chain“ diskutiert CycloCo als ein zentralisiertes System für ökologische urbane Zustellungen, während eine ADEME-Publikation ein Projekt mit dem Titel „Plateforme de planification dynamique pour la cyclologistique urbaine“ dokumentiert, das gemeinsam von AppliColis und Atoptima verfasst wurde.²⁵²⁶

Während der COVID-19-Krise berichtet FAQ Logistique, dass Atoptima seine Expertise Gesundheitseinrichtungen zur Verfügung stellte, indem Optimierungsanwendungen für die Routenplanung von Rettungswagen- und Patiententransport zwischen Krankenhäusern kostenfrei bereitgestellt wurden, um die Effizienz der Notfalllogistik zu verbessern.³³

Anonymisierte Fälle und Sektorabdeckung

Die Website von Atoptima und FAQ Logistique listen mehrere anonymisierte oder ungenau beschriebene Kunden auf, etwa einen „Multinationalen im Transportausrüstungssektor“, einen „Weltmarktführer in der Logistik“, einen „europäischen Marktführer im Massen-Einzelhandel“ sowie Akteure im Bereich Expresslieferung und Wartungsrouting.²⁶²⁷ Diese Kundenberichte schildern Problemtypen (komplexe Ein- und Ausgangsflüsse, hohe Service-Level-Anforderungen, CO₂-Reduktionsziele) und Leistungsversprechen (z. B. 30% Kosteneinsparungen, 20% CO₂-Reduktion, 30% Produktivitätsgewinne), benennen jedoch die beteiligten Unternehmen nicht, was eine unabhängige Überprüfung unmöglich macht.²²⁷

Die überprüfbar benannten Kunden und Projekte verorten Atoptima vorwiegend in Frankreich und frankophonen Märkten (Metropolitan-Frankreich, Französische Antillen & Guyane) mit Aktivitäten in:

Transport und Logistik (Logtran, CMA CGM/CEVA, ungenannte LSPs).¹⁶¹⁷¹⁸¹⁹²⁰²¹²²²³
Einzelhandelsgüterverteilung (über Logtrans Betreuung von Carrefour-Gruppen-Marken).²⁰
Urbane Last-Mile- und Radlogistik (AppliColis / CycloCo).²⁴²⁵²⁶
Gesundheitslogistik (Disposition von Rettungswagen während COVID-19).³³

Angesichts der begrenzten Anzahl benannter Referenzen scheint Atoptima in diesen Segmenten früh, aber konkret Traktion erlangt zu haben, wobei weitere anonymisierte Projekte auf eine etwas breitere, jedoch weniger überprüfbare Kundenbasis hinweisen.

Bewertung der technischen Aussagen

„KI“ und maschinelles Lernen

Atoptima verwendet häufig die Sprache der „KI“ und „entscheidungsfindenden Intelligenz“, doch deuten die technischen Artefakte überwiegend auf deterministische mathematische Optimierung und nicht auf maschinelles Lernen hin. Der wissenschaftliche Hintergrund, wie er von CNRS, Inria und RealOpt präsentiert wird, konzentriert sich auf Column Generation, Branch-and-Price, Cutting Stock, Routing, Scheduling und verwandte OR-Techniken; es gibt keine öffentlichen Publikationen oder Code-Artefakte, die einen produktiven Einsatz von Regressionsmodellen, Deep Learning oder Reinforcement Learning belegen.¹²⁷⁸⁹¹⁰¹¹¹² Der Open-Source-Stack (Coluna, BlockDecomposition, DynamicSparseArrays) implementiert dekompositionsbasierte MILP-Algorithmen und niedrigstufige numerische Datenstrukturen – nicht ML-Infrastruktur.⁷⁸¹¹

FAQ Logistique und CNRS beschreiben Atoptima’s Tools als „Entscheidungs-KI“ oder „Künstliche Intelligenz-Software“, doch die angeführten Beispiele – Routenoptimierung, 3D-Ladung, Netzwerkdesign, Scheduling – konzentrieren sich auf Optimierungsaufgaben.²²⁷ Atoptima’s eigene Blogbeiträge zu „decision-making AI“ und „AI for a green supply chain“ rahmen KI als automatisierte Optimierung von Transportnetzen und Einsatzplänen, anstatt als prädiktives Modellierungswerkzeug.²³²⁵ Den verfügbaren Belegen zufolge steht das „KI“-Label von Atoptima im Wesentlichen für fortschrittliche, OR-basierte Entscheidungs-Engines und nicht für maschinelle Lernsysteme. Jegliche weitergehende Interpretation (z. B. ML-basierte Nachfrageprognosen oder lernbasierte Heuristiken) wäre spekulativ.

Leistung, Skalierbarkeit und Robustheit

CNRS Innovation und FAQ Logistique berichten von Leistungsversprechen wie 30% Kosteneinsparungen, 20% CO₂-Reduktion und Solver, die „40-mal schneller als marktübliche Tools“ seien, sowie von Produktivitätssteigerungen von rund 30% in bestimmten Anwendungsfällen.²²⁷ Fallmaterial zu Logtran und anonymisierten Kunden weist auf erhebliche Verbesserungen bei der zurückgelegten Strecke, den Kosten und der Auslastung hin.¹⁶¹⁷¹⁸¹⁹²⁰ Diese Zahlen stammen jedoch aus vom Anbieter bereitgestellten Fallstudien und Fachpresseartikeln – unabhängige Benchmark-Tests oder peer-reviewte Vergleiche fehlen. Öffentliche, standardisierte Benchmarks gegenüber alternativen kommerziellen Solvern oder Open-Source-Bibliotheken (z. B. VRP-Solver, Packungsheuristiken) gibt es nicht, und methodische Details (Testsets, Basiswerte, Hardware) sind meist nicht angegeben.

Andererseits legt das Design von Coluna und der Forschungserfolg von RealOpt stark nahe, dass Atoptima’s Engines in der Lage sind, großskalige realweltliche Instanzen zu bewältigen, die mit naiven MILP-Formulierungen unlösbar wären – insbesondere im Routing und beim Cutting Stock.⁷⁸⁹¹⁰¹² Der Einsatz von Dekomposition, dynamischer Column-Generierung und Stabilisierung entspricht dem Stand der Technik für diese Problembereiche, und die Integration von Coluna mit mehreren leistungsstarken MIP-Solvern unterstützt zusätzlich die Skalierbarkeitsaussagen auf Engine-Ebene.⁷⁸⁹¹⁰ Es bleibt allerdings unklar, inwieweit dieses Potenzial im täglichen kommerziellen Einsatz ausgeschöpft wird, wo Zeitlimits, Hardwarebeschränkungen und wechselnde Datenqualitäten heuristische Abkürzungen erfordern könnten.

Die Robustheit im Hinblick auf Unsicherheiten ist ebenfalls eine offene Frage. Inria weist darauf hin, dass der Umgang mit mehrstufigen Entscheidungen und Unsicherheiten ein fortlaufendes Forschungsthema für Atoptima und seine akademischen Partner darstellt.¹ Es existiert kein öffentlich dokumentierter Rahmen für stochastische oder robuste Optimierung über das hinaus, was in deterministischen Modellen kodiert werden kann (z. B. in Form von in die Nebenbedingungen eingebetteten Sicherheitsmargen). Dies steht im Gegensatz zu Anbietern, die explizit Nachfrage- und Lieferzeitenunsicherheiten modellieren; Atoptima’s Stärke liegt in der deterministischen kombinatorischen Optimierung, wobei Unsicherheiten – sofern überhaupt – außerhalb des Solvers behandelt werden.

Kommerzielle Reife

Unter Berücksichtigung von Mitarbeiterzahl, Finanzierung, Referenzen und Fallstudien kann Atoptima als ein frühphasiger Deeptech-Anbieter charakterisiert werden, der bedeutende, aber noch begrenzte Marktdurchdringung vorweist. Anfang 2025 nennt CNRS ein Team von „etwa fünfzehn Mitarbeitern“; Seedtable gibt die Unternehmensgröße mit 11–51 Mitarbeitern an, und Atoptima’s Jobseiten zeigen eine andauernde Rekrutierung.²³⁴³²¹⁵ Die Finanzierung besteht aus einer einzelnen bekannten Seed-Runde sowie öffentlichen Fördermitteln – spätere VC-Runden oder Exits sind nicht bekannt.¹³¹⁴³⁰¹⁵² Zu den Kundenreferenzen zählen einige bekannte Namen (über Logtran und CMA CGM/CEVA), jedoch ist der Großteil der Fallstudien anonymisiert, und der geografische Fußabdruck scheint sich vor allem auf Frankreich und angrenzende Märkte zu beschränken.¹⁶¹⁷¹⁸¹⁹²⁰²¹²²²³²⁴²⁵²⁷³³

CNRS beschreibt die Verkaufszyklen als lang, aber vielversprechend, wobei jedes Projekt stark auf den Kontext und die Rahmenbedingungen des Kunden zugeschnitten ist – typisch für den B2B-Deeptech-Vertrieb fortschrittlicher OR-Lösungen im operativen Management. Insgesamt ist Atoptima technisch anspruchsvoll, aber kommerziell bescheiden – eine passende Wahl für Organisationen mit komplexen, wertvollen Routing-, Packing- und Scheduling-Problemen und der Bereitschaft, kollaborative Projekte mit OR-Experten anzugehen, statt eine Plug-and-Play-Lösung für das umfassende supply chain Planning bereitzustellen.

Fazit

Atoptima ist ein technisch starker, akademisch fundierter Optimierungsanbieter, der jahrzehntelange Column-Generation-Forschung in eine Reihe praxisorientierter Solver für Routing, Packing, Lagerhaltung und Scheduling übertragen hat. Die Kernkompetenz liegt in Julia-basierten Dekompositionsframeworks (Coluna, BlockDecomposition) und der Fähigkeit, große, blockstrukturierte gemischt-ganzzahlige Programme zu formulieren und zu lösen, die für Logistik und industrielle Abläufe relevant sind. Über SaaS-Anwendungen und eine asynchrone Orchestrierungsschicht (Galia) eingesetzt, liefern diese Engines vorschreibende Entscheidungen – Routen, Ladepläne, Zeitpläne –, die in bestehende TMS/WMS/ERP-Landschaften eingebettet werden können. Öffentlich überprüfbare Kundenreferenzen wie Logtran (zur Versorgung von Carrefour-Gruppen-Marken), CMA CGM/CEVA und AppliColis belegen den realen Einsatz, wenn auch vorwiegend in französischen und frankophonen Märkten sowie in zahlreichen anonymisierten Fällen.

Gleichzeitig ist Atoptima’s Angebot eng und tief: Es umfasst weder Nachfrageschätzungen, probabilistische Bestandsoptimierung noch eine End-to-End supply chain Planung, und die „KI“-Ansprüche sind am besten als Hinweis auf fortschrittliche Optimierungsalgorithmen zu verstehen – nicht als maschinelles Lernen. Kommerziell bleibt Atoptima ein frühphasiges Deeptech-Unternehmen mit begrenzter Mitarbeiterzahl, einer einzigen bekannten Finanzierungsrunde und einer bescheidenen, aber wachsenden Kundenbasis. Für Organisationen mit herausfordernden kombinatorischen Problemen – insbesondere im Routing und 3D-Laden – bietet die Technologie von Atoptima womöglich state-of-the-art Fähigkeiten in ihrer Nische. Für eine breitere die Quantitative Supply Chain Transformation müsste Atoptima jedoch mit ergänzenden Tools oder Plattformen (wie probabilistischen Forecasting Engines) kombiniert werden, um Forecasting, Bestandsrichtliniendesign und mehrstufiges Risikomanagement abzudecken. Die zukünftige Entwicklung des Unternehmens wird davon abhängen, ob es weiterhin ein spezialisierter Solver-Anbieter bleibt oder seinen Fokus zu einem umfassenderen supply chain Optimierungs-Stack erweitert.