Bewertung von Atoptima, Anbieter von Optimierungssoftware

Von Léon Levinas-Ménard

Zuletzt aktualisiert: 4. November 2026

Atoptima liefert Optimierungssoftware für Tourenplanung, Frachtbündelung, dreidimensionale Beladung, Kommissionierung und Produktionsablaufplanung. Die Anwendungssolver sind über APIs mit Transport-, Lager- und Unternehmenssystemen verbunden. Galia bietet eine Weboberfläche für Datenaufbereitung, Optimierung, Szenariovergleich und Plananalyse. Das Unternehmen wurde 2019 in Bordeaux gegründet. 1 2 20

Gesamtbewertung: 5,7/10.

Dimension	Bewertung
Supply-Chain-Tiefe	5,6/10
Substanz bei Entscheidungen und Optimierung	5,8/10
Integrität von Produkt und Architektur	5,4/10
Technische Transparenz	6,6/10
Seriosität des Anbieters	5,0/10

Atoptimas öffentlicher Code und technische Dokumentation belegen erhebliche Entwicklungsarbeit an Optimierungsverfahren. Die Fälle behandeln auch tatsächlich gekoppelte Entscheidungen: Der Palettenaufbau beeinflusst die Lkw-Beladung, diese wiederum die Touren und Fahrerzuordnung. Diese Kombination ist nützlicher, als jeden Schritt unabhängig zu optimieren. 3 7 8

Die Hauptschwäche liegt im Sprung vom Lösen eines mathematischen Modells zur Behauptung optimaler Supply-Chain-Entscheidungen. Kosten, künftige Aufträge, Fahrzeiten, operative Ausfälle und der Wert des Service müssen zunächst korrekt abgebildet werden. Atoptimas technische Forschung zeigt einige der Kompromisse, die nötig sind, um Unsicherheit rechnerisch beherrschbar zu machen. Die kommerziellen Seiten versprechen wesentlich umfassender die vollständige Abdeckung aller Restriktionen, Geschwindigkeit und Automatisierung. Die neue Agentenoberfläche beschleunigt die Arbeit mit diesen Modellen; sie behebt weder deren wirtschaftliche Auslassungen noch ersetzt sie die Planer, die sie pflegen und freigeben. 5 14 20

Atoptima im Vergleich zu Lokad

Atoptima ist besonders relevant, wenn ein Unternehmen bereits Aufgaben und Ressourcen zuzuordnen hat: auszuliefernde Bestellungen, zu beladende Fahrzeuge oder einzuplanende Produktionsschritte. Es modelliert die operativen Restriktionen und sucht eine gute Zuordnung. 12 Lokads Bestandsoptimierung setzt früher an: bei der wirtschaftlichen Auswahl der Handlungen, die angesichts unsicherer künftiger Nachfrage und Versorgung stattfinden sollten.

Dieser Unterschied verändert das Ziel. Eine kürzere Route kann sinnvoll sein, aber auch eine teurere Route, die einen kostspieligen Fehlbestand verhindert. Ein voll beladener Lkw kann Transportkosten sparen und zugleich Ware zu früh liefern. Die Entscheidung muss diese Folgen in Geld vergleichen, einschließlich Unsicherheit und verdrängter Alternativen. Dies ist die breitere Entwurfsperspektive aus Introduction to Supply Chain.

Atoptimas kombinierte Solver verbinden operative Stufen, sodass eine Beladungsentscheidung ihre Folgen für die Tourenplanung berücksichtigen kann. Auch der wirtschaftliche Wert der Waren, unsicherer Nachschubbedarf und künftige Verwendungsmöglichkeiten der Ressourcen müssen in dieses Modell eingehen, bevor ein Transportoptimum als Geschäftsoptimum gelten kann. 7

Der praktische Vergleich betrifft daher den vollständigen Entscheidungsprozess: die der Software vorgegebenen Annahmen, ihre Entscheidungen, die menschliche Arbeit zur Aufrechterhaltung ihrer Richtigkeit und die resultierende finanzielle Nettorendite. Ein leistungsfähiger Solver ist eine Komponente dieses Prozesses.

Geschichte: Optimierungsforschung, Entscheidungs-KI und Galia-Agenten

Atoptimas Interview vom Mai 2022 beschrieb ein Unternehmen, das mathematische Optimierung über maßgeschneiderte Cloudmodule vermarktete. Es betonte bereits gemeinsame Entscheidungen, darunter Tourenplanung mit Bestandsmanagement und Auftragsbündelung mit Kommissionierung. Außerdem räumte es die Schwierigkeiten ein, reale Abläufe zu modellieren und Lösungen schnell zu berechnen. Das heutige Produkt hat eine kohärente technische Herkunft. 12

Die Entwicklungsstelle vom November 2022 beschrieb Julia-Anwendungen, die als Cloud-Microservices bereitgestellt wurden; Mitarbeiter sollten Modelle entwickeln, ihre operative Relevanz bewerten und Algorithmen vergleichen. Zwar verwendete sie KI-Terminologie, doch die beschriebene Arbeit bestand aus konkreter Softwareentwicklung und Operations Research. Ihre technische Substanz war stärker als ein unbestimmtes Versprechen von Unternehmensintelligenz. 15

Der Artikel vom Mai 2024 stellte diese Methoden als Entscheidungs-KI dar. Er unterschied mathematische Optimierung von maschinellem Lernen, bezeichnete das Modell als digitalen Zwilling und erklärte, Solver benötigten keine historischen Daten, um gut zu funktionieren. Anschließend schlug er Implementierungsschritte vor, die bei etwa 30 % Produktivitätsgewinn endeten. Die technische Kontinuität blieb sichtbar, doch das versprochene Ergebnis ging über die Behandlung unsicherer Eingaben und fortlaufender Modellpflege hinaus. 13

Diese Unterscheidung ist bei strategischen Entscheidungen besonders wichtig. Bekannte Lieferaufträge können einen Großteil des heutigen Tourenbedarfs vorgeben. Künftige Flottengröße, Depotstandorte und Kapazitätsbedarfe hängen von künftiger Nachfrage und Betriebsbedingungen ab. Das Modell als präskriptiv zu bezeichnen, beseitigt diese Prognoseanforderungen nicht. Selbst eine aktuelle Eingabe zur Bedienzeit schätzt etwas, das noch nicht stattgefunden hat.

Am 2. November 2026 kündigte Atoptima einen in Galia integrierten Agenten an, einschließlich eines MCP-Konnektors für kundeneigene Agenten. Er kann Modellparameter ändern, Berechnungen starten und Ergebnisse erklären. Die Mitteilung nennt bei ersten Kunden eine zehnmal schnellere Lösungsanalyse, verlangt aber weiterhin die Freigabe jeder Änderung durch den Planer. Das sind Verbesserungen der Oberfläche und Analysearbeit; der behauptete Produktivitätsgewinn betrifft die Analyse, nicht die gesamte Planungsarbeit oder autonome Ausführung. 14

Die Abfolge ist aufschlussreich: Aus echter Optimierungsforschung wurde Entscheidungs-KI, und nun steuert ein Agent den bestehenden Solver. Die neue Oberfläche ist danach zu bewerten, wie viel Arbeit sie aus dem Gesamtbetrieb entfernt. Ihre Existenz stärkt weder die mathematische noch die wirtschaftliche Gültigkeit des darunterliegenden Modells.

Was die Optimierungsengine tatsächlich belegt

Prüfbare Entwicklungsarbeit mit einem festen mathematischen Problem

Coluna ist Atoptimas quelloffenes Branch-Cut-and-Price-Framework. Nutzer definieren ein gemischt-ganzzahliges Modell in JuMP, spezifizieren seine Zerlegung mit BlockDecomposition und wählen Algorithmen für das umformulierte Problem. Die Dokumentation erklärt, wie Master- und Teilprobleme an zugrunde liegende Solver der mathematischen Programmierung delegiert werden. Das ist prüfbare algorithmische Arbeit einschließlich eigener, vom Anbieter gepflegter Infrastruktur. 3 4

Die Methode ist zugleich ein Warnsignal für die allgemeinen Supply-Chain-Behauptungen des Produkts. Eine gemischt-ganzzahlige Formulierung benötigt einen festgelegten Satz von Variablen, Restriktionen und Zielfunktionskoeffizienten. Geschäftsbedingungen müssen vor Beginn der Berechnung in diese Darstellung gepresst werden. Unsichere Ankünfte, nichtlineare kommerzielle Folgen, wechselnde Prioritäten und künftige Möglichkeiten werden nicht allein dadurch angemessen abgebildet, dass das resultierende Problem präzise gelöst wird.

Diskrete Touren- und Beladungsplanung sind nützliche operative Aufgaben. Die Schwäche entsteht, wenn ihre Lösung zum Versprechen vollständiger Supply-Chain-Optimierung ausgeweitet wird. Mehr modellierte Details vergrößern ein ohnehin schwieriges Suchproblem. Eine Verkleinerung zugunsten der Geschwindigkeit kann wirtschaftlich wichtige Wechselwirkungen entfernen. Zu beurteilen ist, welche Annahmen und Beziehungen erhalten bleiben, nicht nur Laufzeit oder Optimalitätslücke der endgültigen Formulierung.

Auch mathematische Zerlegung muss präzise verstanden werden. Coluna kann Teilprobleme über ein gemeinsames Masterproblem koordinieren; das unterscheidet sich von Abteilungen, die unverbundene Pläne unabhängig optimieren. Die wesentliche Frage ist, ob das kombinierte Modell die relevanten geschäftlichen Kopplungen erhält. Eine exakte Lösung eines vereinfachten Masterproblems bleibt nur innerhalb seiner Vereinfachungen exakt. 4

Die Forschung zu Unsicherheit zeigt die Kosten der Modellierung

Atoptimas aktuelle RouteSolver-Seite beansprucht ausdrücklich robuste Optimierung unter unsicheren Bedingungen. Die Forschungslinie umfasst einen Artikel zur robusten Tourenplanung, der unsichere Kundenmengen durch budgetierte Unsicherheitsmengen modelliert und spezialisierte Algorithmen entwickelt. Das bietet mehr Substanz als eine allgemeine Resilienzbehauptung. Sich gegen eine ausgewählte Unsicherheitsmenge abzusichern, ist jedoch etwas anderes, als Wahrscheinlichkeiten und finanzielle Folgen aller relevanten Ergebnisse zu bewerten. 21 6

Ein zweiter Artikel unter Mitautorschaft von François Vanderbeck untersucht die Gestaltung von Distributionsnetzen bei stochastischer Nachfrage. Das vollständige Modell ist mehrstufig; die rechnerische Beherrschbarkeit führt die Autoren zu zweistufigen Näherungen und Stichprobenszenarien. Produkte werden anhand durchschnittlicher Nachfrage- und Kostendaten zu einer Familie aggregiert. Der Artikel erörtert ausdrücklich die Grenzen der Lösung der größeren Formulierung. 5

Dies sind wesentliche Zugeständnisse. Aggregation kann den Unterschied zwischen einem rentablen, dringenden Artikel und einem sperrigen Artikel mit geringem Wert auslöschen. Entscheidungen in einer vereinfachten Szenariostruktur vorzuverlegen, verändert, wie Informationen spätere Handlungen beeinflussen können. Eine deterministische Formulierung auf Szenarien auszuweiten, verursacht daher sowohl Rechen- als auch Modellierungskosten; es ist keine allgemeine Lösung für reale Supply-Chain-Unsicherheit.

Die Forschung betrifft bestimmte mathematische Probleme. Kommerzielle Belege müssten das eingesetzte Modell mit kalibrierten Verteilungen seiner tatsächlich unsicheren Größen verbinden — etwa Aufträgen, Fahr- und Bedienzeiten sowie Ressourcenverfügbarkeit — und mit den wirtschaftlichen Folgen von Prognosefehlern. Die Bezeichnung als robustes Modell und reaktive Neuplanung stellen diese Verbindung nicht selbst her.

ADEMEs Berichtszusammenfassung vom Oktober 2025 liefert nützliche Gegenbelege zu dynamischen Abläufen. Das Projekt von Atoptima und AppliColis testete Tourenplanung auf realen Fahrradkaurierdaten und berichtete 26 % höhere Effizienz bei vorab bekannten Aufträgen sowie 50 % mehr bediente Aufträge mit einer Strategie zur Vorwegnahme der Nachfrage und Neupositionierung der Kuriere. Das sind experimentelle Ergebnisse für eine definierte Anwendung. Sie stützen den Wert der Antizipation künftiger Aufträge, während kommerzielle Einführung, Nettogewinn und laufende Betriebskosten in der öffentlichen Zusammenfassung ungemessen bleiben. 11

Gekoppelte Abläufe, Kundenergebnisse und ihre wirtschaftlichen Grenzen

Das Logtran-Projekt zeigt eine starke Anwendung von Atoptimas Technologie. Es kombiniert Auftragsvorbereitung, Palettierung, Beladung, Tourenplanung, Fahrzeugumläufe und Fahrerzuordnung mit Rückführungslogistik und temperaturgeführter Distribution. Der Kunde erklärt, weshalb Tourenplanung allein unzureichend gewesen war. Die Kopplung dieser Entscheidungen kann verhindern, dass eine lokal praktische Palette oder Route das letzte verfügbare Fahrzeug verschwendet. 8

Bei den genannten Einsparungen müssen die Zeitpunkte erhalten bleiben. Im Mai 2023 stellte die Überschrift des Artikels eine Transportkostensenkung von 20 % dar, während das Kundenzitat schätzte, das Projekt werde letztlich 15–20 % einsparen. Die aktuelle RouteSolver-Seite beschreibt 20 % weniger Kosten bei SAFO als erreicht. Die spätere Aussage ist stärker, doch die öffentlichen Unterlagen zeigen weder Messzeitraum noch vergleichbare Auslastung oder einen Abgleich von erwarteten und realisierten Einsparungen. 8 21

Ein weiterer Handelsfall nennt 20 % weniger Fahrzeuge und 65 % weniger extern vergebene Transporte bei mehr als 3.200 Vorgängen. Er benennt detaillierte Restriktionen: Temperaturen in Kammern, Rampenengpässe, Fahrerpausen, Rückführungslogistik und kombinierte Lieferantenabholungen und Filialbelieferungen. Das ist ein nützlicher Beleg operativer Tiefe. Ausgangsflotte, Kundenname, Beobachtungszeitraum und vollständige Kostenrechnung bleiben unveröffentlicht. 9

Der Produktions- und Distributionsfall geht noch weiter: Fertigungsaufträge, Behälterverfügbarkeit, Laderampen und Nachschubrouten werden gemeinsam geplant. Als Ziele nennt er weniger benötigte Behälter und ungenutzte Produktionsintervalle bei höherem Durchsatz. Diese Ziele können wirtschaftlich miteinander kollidieren. Mehr Durchsatz ist nicht automatisch mehr Gewinn, wenn er geringwertige Bestände erzeugt oder Ressourcen verbraucht, die für wertvollere künftige Arbeit benötigt werden. 10

Galias öffentliche Demonstration zeigt einstellbare Gewichte für Kosten, Entfernung und Zeit. Diese Größen überschneiden sich teilweise: Entfernung verbraucht Kraftstoff und Fahrerzeit, während Zeit Arbeitskosten oder Serviceverluste verursachen kann. Jeder Größe einen Prozentsatz zuzuweisen, begründet keine kohärente monetäre Bewertung. Manche Effekte können doppelt gezählt, andere ausgelassen werden. Das wirtschaftliche Modell muss den Zielkonflikt erklären, bevor der Solver ihn sinnvoll optimieren kann. 2

Dieselbe Disziplin gilt für Umweltvorteile. Geringerer Kraftstoffverbrauch und weniger Leerfahrten können reale Einsparungen schaffen. Ein CO₂-Ziel braucht dennoch einen festgelegten Preis, eine Restriktion oder eine Regel statt eines beliebigen Gewichts, dessen Geschäftsfolgen unklar bleiben. Das ist eine Verantwortung des Modellentwurfs, keine Frage eines überzeugenderen Dashboards.

Produktivität: Ein solvergestützter Prozess kann weiterhin viel Planerarbeit erfordern

Atoptimas Startseite verspricht die vollständige Automatisierung durchgängiger Supply-Chain-Entscheidungen. Die detaillierten RouteSolver-FAQ beschreiben dagegen Planer, die Ziele konfigurieren, Entscheidungen visuell prüfen, Routen bearbeiten und Neuberechnungen starten. Beide Seiten betreffen dasselbe operative Angebot. Die automatisierte Berechnung ist klar; der gesamte menschliche Aufwand ist es nicht. 1 21

Die Agentenankündigung vom November 2026 macht die Unterscheidung konkret. Ein Planer beschreibt ein ausgefallenes Fahrzeug; Galia kopiert den Plan, entfernt die Ressource, berechnet neu und legt die Änderung zur Freigabe vor. In einem weiteren Beispiel soll der Planer angeben, bei welchen Kunden Zeitfenster gelockert werden dürfen. Der Agent beschleunigt einen bestehenden Eingriff, während der Bediener weiterhin entscheiden muss, welche kommerziellen Zusagen geändert werden können. 14

Ein MCP-Konnektor bietet einem Agenten eine standardisierte Möglichkeit, Werkzeuge aufzurufen. Er ist keine neue Optimierungstechnologie. Ihn zusammen mit einem interaktiven Planungsprozess zu bewerben, ist hier ein Warnsignal: Der Anbieter kann die Agentensprache übernehmen und zugleich die menschliche Abfolge aus Szenariofragen, Abwägung und Freigabe jeder Revision erhalten. Der wesentliche Fortschritt wäre eine dauerhafte Verringerung der gesamten Arbeit, die zur Pflege und Ausführung wirtschaftlich fundierter Entscheidungen nötig ist.

Die behauptete zehnfache Analysegeschwindigkeit kann eine wertvolle lokale Verbesserung beschreiben. Ihr Nenner ist eng. Datenpflege, Modelländerungen, Dispositionsinteraktion, Kundenverhandlungen und Ausnahmebehebung bleiben außerhalb der veröffentlichten Messung. Im Vergleich nach 2022 reicht die einzelne Verbesserung dieser Tätigkeiten nicht als Beleg dafür, dass die Planungsfunktion selbst wesentlich produktiver geworden ist.

Eine bessere Grundlage für programmgesteuerten Betrieb besteht bereits: Der öffentliche Galia-Client erhält asynchrone Optimierungsergebnisse über Webhooks oder WebSockets, und das Produkt unterstützt API-Integration sowie strukturierte Exporte. Damit können Anwendungen Solverergebnisse verwenden, ohne die Oberflächeninteraktionen eines Planers nachzubilden. Es fehlen Belege für das daraus entstehende vollständige Betriebsmodell und seine Arbeitskosten. 19 2

Konfigurationspflege und Verantwortung für enttäuschende Ergebnisse

Die Stelle des Customer Delivery Manager vom Februar 2026 ist ungewöhnlich aufschlussreich. Mitarbeiter sollen Kundenanforderungen in Modelle übersetzen, Daten qualifizieren, Szenarien konfigurieren, Solververhalten analysieren und Probleme bei Nutzung, Daten, Konfiguration oder Interpretation beheben. Die Rolle reicht bis in Support und Einführung. Das ist die operative Arbeit hinter den kurzen versprochenen Einführungszeiten. 17

Die Erfassung der Restriktionen ist mit dem Produktivstart nicht abgeschlossen. Lieferfenster ändern sich, Rampen werden überlastet, Fahrzeuge fallen aus, Kunden verhandeln Service neu und Kostenannahmen verschieben sich. Das Modell aktuell zu halten, erfordert wiederkehrende Entwicklungsarbeit und operative Aufmerksamkeit. Galia selbst beschreibt wöchentliche Datenaktualisierungen und täglich, wöchentlich oder saisonal wechselnde Prioritäten. 2

RouteSolvers Preiserklärung räumt ein, dass Komplexität und Problemgröße den Modellierungsaufwand und die Rechenleistung und damit die Kosten beeinflussen. Das ist hilfreicher als das allgemeine Versprechen eines schnellen ROI. Eine Bewertung sollte Anfangsmodell, laufende Konfigurationsarbeit, Rechenressourcen, Schnittstellen und die verbleibende menschliche Arbeit rund um den Solver einschließen. 21

Atoptimas umfassendere Aussage, jede geschäftliche Restriktion abzudecken, schafft eine entsprechende Verantwortung. Wenn ein mathematisch gültiger Plan operativ scheitert, muss die Abhilfe auch Modell und Annahmen korrigieren. Sie darf nicht beim Erklären der Berechnung oder beim Schulen des Planers zu ihrer Akzeptanz enden. Die Holimization-Perspektive passt unmittelbar: Die eigentliche Aufgabe besteht darin, das numerische Problem wirtschaftlich zutreffend zu machen, nicht es nur zu lösen. 20

Die öffentlichen Unterlagen legen weder eine vertragliche Verteilung dieser laufenden Verantwortung noch eine an die finanzielle Nettoleistung gebundene Abhilfe offen. Die Fallprozentwerte bleiben deshalb Nutzenbehauptungen mit unvollständiger Gesamtbetriebskostenrechnung.

Softwarebestandteile

Die technische Landschaft hat eine erkennbare Struktur. Die Entwicklungsanzeige von 2022 nennt Julia-Optimierungsanwendungen als Microservices. Die Full-Stack-Rolle vom Januar 2026 nennt ausdrücklich Angular, NestJS und Postgres für die umgebende Anwendung, dazu Clouddienste und automatisierte Bereitstellungspipelines. Dies sind kompakte, verständliche Schichten, auch wenn jede Betrieb und Wartung benötigt. 15 16

Colunas versioniertes Paketmanifest nennt BlockDecomposition, MathOptInterface, DynamicSparseArrays und unterstützende Julia-Bibliotheken. Die Dokumentation verlangt ein kompatibles Backend für mathematische Programmierung. Das sind tatsächliche Abhängigkeiten des öffentlichen Frameworks; sie erklären sowohl seine Kombinierbarkeit als auch die Integrationsarbeit unterhalb einer Solveranwendung. Die Konfiguration der kommerziellen Solver ist nicht vollständig offengelegt. 18 4

Der öffentliche JavaScript-Client liefert Integrationsbeispiele. Coluna stellt wiederverwendbare Optimierungsinfrastruktur bereit; kundenspezifische Modelle und die gehostete Anwendung bleiben separate Abhängigkeiten. 19 3

Diese Belege stützen eigene Entwicklungsleistung. Atoptima entwickelt Optimierungsinfrastruktur, statt nur seine Marke mit einem Benchmark eines fremden Solvers zu verbinden. Die kommerziellen Leistungsaussagen müssen dennoch unabhängig geprüft werden: RouteSolvers Seite wechselt zwischen 30-mal und 40-mal schneller als marktübliche Solver, ohne einen gemeinsamen Datensatz, konkurrierende Versionen oder vergleichbare Lösungsanforderungen zu nennen. Solche Multiplikatoren belegen keinen allgemeinen technischen Vorsprung. 21

Sicherheitsmechanismen bleiben unzureichend dokumentiert

Das Unternehmen erklärt, in Frankreich zu hosten, Datensouveränität zu schützen und Cybersicherheit im Entwurf zu verankern. Die Entwicklungsstelle umfasst Sicherheitsverantwortung. Keine der Quellen spezifiziert Mandantenisolation, eingeschränkten administrativen Zugriff, Wiederherstellung nach destruktiven Änderungen oder Befugnisse automatisierter Agenten. Geografie und Entwurfsslogans belegen diese Mechanismen nicht. 20 16

Die neue Agentenoption führt eine konkrete Grenze ein: Galia kann den KI-Schlüssel des Kunden und den übergebenen Geschäftskontext speichern. Die untersuchte Ankündigung erklärt weder Speicherung der Zugangsdaten, Anbieterzugriff, Werkzeugautorisierung noch die Trennung von Modelländerungen und Ausführungsbefugnissen. Diese Kontrollen sind wichtig, wenn ein Agent die Restriktionen zur Erzeugung eines operativen Plans verändern kann. 14

Der relevante Maßstab ist die Fähigkeit, Fehler und Kompromittierungen einzugrenzen. Eine Planerfreigabe kann verhindern, dass ein schlechter Plan veröffentlicht wird. Sie beschreibt aber keinen Schutz gegen Zugangsdaten-Diebstahl, übermäßigen Datenzugriff oder Änderungen außerhalb der vorgesehenen Projektgrenze.

Supply-Chain-Bewertung

Die Gesamtbewertung ist der gleich gewichtete Mittelwert von 25 Teilbewertungen.

Supply-Chain-Tiefe

Kriterium	Bewertung
Wirtschaftliche Problemformulierung	6/10
Konkrete Entscheidungen als Endergebnis	8/10
Konzeptionelle Klarheit zur Supply Chain	7/10
Unabhängigkeit von überholten Leitsätzen	4/10
Widerstandsfähigkeit gegen KPI-Schönfärberei	3/10

Durchschnitt: 5,6/10.

Wirtschaftliche Problemformulierung — 6/10. Transport- und Ressourcenkosten sind konkrete Ziele. Gewichtete operative Größen und Durchsatzziele benötigen weiterhin eine kohärente Bewertung der umfassenderen kommerziellen Folgen. 2 10

Konkrete Entscheidungen als Endergebnis — 8/10. Routen, Beladungspläne und Ablaufpläne sind ausführbare Ergebnisse mit klarem operativem Nutzen. Ihr Geschäftswert hängt von den Annahmen ab, aus denen sie entstehen. 8 9

Konzeptionelle Klarheit zur Supply Chain — 7/10. Der Anbieter erkennt klar die Bedeutung der Kopplung von Vorbereitung, Beladung und Transport. Das ist ein wesentlicher Unterschied zur getrennten Optimierung jedes Vorgangs. 7 8

Unabhängigkeit von überholten Leitsätzen — 4/10. Das solverzentrierte Modell bleibt von vorbereiteten Zielen und Restriktionen abhängig. Behauptungen vollständiger Automatisierung verdecken die fortlaufende Planerarbeit, die diese Eingaben nutzbar hält. 13 21

Widerstandsfähigkeit gegen KPI-Schönfärberei — 3/10. Geschwindigkeits- und Einsparungsbehauptungen lassen Vergleichsmethoden und vollständige Kosten häufig aus. Der Übergang von erwarteten zu erreichten Logtran-Einsparungen wird öffentlich nicht abgeglichen. 8 21

Substanz bei Entscheidungen und Optimierung

Kriterium	Bewertung
Tiefe der probabilistischen Modellierung	4/10
Eigenständige Substanz bei Optimierung oder maschinellem Lernen	7/10
Berücksichtigung realer Restriktionen	8/10
Entscheidungsautomatisierung und Arbeitsproduktivität	5/10
Belastbarkeit bei realer operativer Komplexität	5/10

Durchschnitt: 5,8/10.

Tiefe der probabilistischen Modellierung — 4/10. Robuste und stochastische Forschung sowie Experimente mit dynamischen Aufträgen belegen relevante Fähigkeiten. Öffentliche Produktbelege verbinden gemeinsame operative Unsicherheit nicht mit einer kalibrierten wirtschaftlichen Entscheidungsauswahl. 5 6 11

Eigenständige Substanz bei Optimierung oder maschinellem Lernen — 7/10. Das offene Framework enthält eigene algorithmische Entwicklungsarbeit. Die Bewertung wird durch die Schwierigkeit begrenzt, veränderliche, unsichere Supply-Chain-Ökonomie in seinen mathematischen Formulierungen darzustellen. 3 4

Berücksichtigung realer Restriktionen — 8/10. Die Fälle beschreiben gekoppelte physische und zeitliche Restriktionen ungewöhnlich detailliert. Entscheidend bleibt die Unterscheidung zwischen ihrer Erfüllung und der Maximierung des gesamten wirtschaftlichen Werts. 8 9 10

Entscheidungsautomatisierung und Arbeitsproduktivität — 5/10. Solverergebnisse und asynchrone Integration nehmen Rechenarbeit ab. Die neueste gemessene Agentenbehauptung betrifft die Analysegeschwindigkeit in einem vom Planer überwachten Prozess; die gesamte verbleibende Arbeit wird nicht angegeben. 14 19

Belastbarkeit bei realer operativer Komplexität — 5/10. Dynamische Neuoptimierung und relevante Experimente sind nützlich. Die veröffentlichten Belege messen weder die vollständige Wiederherstellungsleistung noch die wirtschaftlichen Folgen korrelierter Störungen. 11 21

Integrität von Produkt und Architektur

Kriterium	Bewertung
Architektonische Kohärenz	6/10
Klarheit der Systemgrenzen	7/10
Ernsthaftigkeit des Sicherheitsansatzes	2/10
Software-Sparsamkeit und Gesamtbetriebskosten	5/10
Eignung für programmgesteuerte und agentengestützte Abläufe	7/10

Durchschnitt: 5,4/10.

Architektonische Kohärenz — 6/10. Verwandte Solveranwendungen, eine Orchestrierungsoberfläche und ein erkennbarer Implementierungsstack bilden ein kohärentes Produkt. Das zu pflegende wirtschaftliche Modell bleibt kundenspezifisch. 15 16 17

Klarheit der Systemgrenzen — 7/10. Die Beziehung zwischen Optimierungsdiensten und bestehenden Verwaltungssystemen ist ausdrücklich beschrieben. Öffentlicher Code verdeutlicht zudem den Unterschied zwischen Framework, Integrationsclient und kommerzieller Anwendung. 12 3 19

Ernsthaftigkeit des Sicherheitsansatzes — 2/10. Produktaussagen belegen keine Mechanismen zur Schadensbegrenzung und Wiederherstellung. Die Grenzen für Zugangsdaten und Werkzeugzugriffe des Agenten schaffen zusätzliche Verantwortung, die die Ankündigung offenlässt. 20 14

Software-Sparsamkeit und Gesamtbetriebskosten — 5/10. Die offengelegten Softwareschichten sind relativ fokussiert. Modellierung, Konfiguration, Integration und Rechenkosten verlangen weiterhin eine vollständige Rechnung der laufenden Kosten. 16 17 21

Eignung für programmgesteuerte und agentengestützte Abläufe — 7/10. APIs, asynchrone Ergebnisse und strukturierte Exporte bieten nützliche Maschinenschnittstellen. Ihre Verfügbarkeit ist ein stärkerer Beleg als die MCP-Bezeichnung selbst. 19 2

Technische Transparenz

Kriterium	Bewertung
Öffentliche technische Dokumentation	8/10
Prüfbarkeit ohne Vermittlung des Anbieters	8/10
Transparenz zu Portabilität und Anbieterbindung	6/10
Transparenz der Implementierungsmethode	6/10
Belegdichte hinter technischen Aussagen	5/10

Durchschnitt: 6,6/10.

Öffentliche technische Dokumentation — 8/10. Quellcode, Algorithmendokumentation und Forschungspapiere legen erhebliche technische Inhalte offen. Kommerzielle Betriebs- und Sicherheitsspezifikationen sind weniger vollständig. 3 4 5

Prüfbarkeit ohne Vermittlung des Anbieters — 8/10. Außenstehende können das öffentliche Framework untersuchen und ausführen sowie seine Modellannahmen prüfen. Das ist ein wesentlicher Vorteil gegenüber nicht prüfbaren Optimierungsbehauptungen. 3 4

Transparenz zu Portabilität und Anbieterbindung — 6/10. Offene Komponenten und strukturierte Schnittstellen verringern manche Abhängigkeiten. Konfigurierte Modelle, Integrationswissen und gehostete kommerzielle Solver verursachen dennoch Wechselaufwand. 3 19 17

Transparenz der Implementierungsmethode — 6/10. Die Implementierungsrolle und technische Beispiele zeigen große Teile des Modellierungsprozesses. Laufender Aufwand und Verantwortung für Änderungen bleiben kommerziell weniger klar. 17 12

Belegdichte hinter technischen Aussagen — 5/10. Detaillierte Fälle und prüfbare Algorithmen belegen reale Fähigkeiten. Universelle Leistungsmultiplikatoren und unvollständige Nutzenmessungen schwächen umfassendere Behauptungen. 9 3 21

Seriosität des Anbieters

Kriterium	Bewertung
Technische Seriosität der öffentlichen Kommunikation	5/10
Integrität der Technologie-Roadmap	6/10
Konzeptionelle Klarheit	6/10
Wirtschaftliche Verantwortlichkeit	3/10
Verteidigbarkeit in einer Welt agentischer Software	5/10

Durchschnitt: 5,0/10.

Technische Seriosität der öffentlichen Kommunikation — 5/10. Die Forschung ist konkret und offen hinsichtlich mathematischer Grenzen. Das kommerzielle Versprechen vollständiger Restriktionsabdeckung und optimaler Entscheidungen ist wesentlich weniger diszipliniert. 5 20

Integrität der Technologie-Roadmap — 6/10. Optimierungsentwicklung blieb trotz wechselnder KI-Etiketten zentral. Die neue Agentenerzählung benötigt gemessene operative Ergebnisse jenseits schnellerer Interaktion mit demselben Kern. 12 15 14

Konzeptionelle Klarheit — 6/10. Systemische operative Modellierung ist eine echte Stärke. Prognoseanforderungen und Unsicherheit verschwimmen, wenn das Modell als digitaler Zwilling dargestellt wird, der kaum historische Informationen benötigt. 7 13

Wirtschaftliche Verantwortlichkeit — 3/10. Nutzenbehauptungen werden weder durch eine vollständige Gesamtbetriebskostenrechnung noch durch eine öffentliche Verpflichtung zur Korrektur wirtschaftlich falscher Modellannahmen ergänzt. 8 17 21

Verteidigbarkeit in einer Welt agentischer Software — 5/10. Eigene Optimierungssoftware und gekoppelte operative Modelle bieten eine verteidigbare Grundlage. Ein Agent, der vor allem überwachte Planung erleichtert, lässt die größere Produktivitätschance offen. 3 7 14

Quellen

[1] Produktübersicht

Atoptimas Optimierungsanwendungen. Undatiert; abgerufen am 4. November 2026.

[2] Galia: Abläufe und Schnittstellen

Galia Transport Optimization System. Undatiert; abgerufen am 4. November 2026.

[3] Coluna-Algorithmus und Quellcode

Coluna-Beschreibung an einem festen Quellcodestand. Stand vom 16. September 2026.

[4] Technische Dokumentation von Coluna

Coluna-Einführung und Zerlegungsarchitektur. Erstellt am 18. Juli 2025; abgerufen am 4. November 2026.

[5] Stochastischer Netzentwurf und rechnerische Beherrschbarkeit

Entwurf eines zweistufigen Distributionsnetzes unter Nachfrageunsicherheit. Imen Ben Mohamed, Walid Klibi und François Vanderbeck; Manuskript hinterlegt am 27. Juni 2019, Zeitschriftenveröffentlichung 2020.

[6] Forschung zu robuster Tourenplanung

Branch-and-Cut-and-Price für robuste kapazitierte Tourenplanung mit Rucksackunsicherheit. Artur Pessoa, Michael Poss, Ruslan Sadykov und François Vanderbeck; Manuskript von 2018, später 2021 in Operations Research veröffentlicht.

[7] Kopplung operativer Entscheidungen

Kombinierte Solver. Undatiert; abgerufen am 4. November 2026.

[8] Logtran-Implementierung und erwartete Einsparungen

Logtran-Logistik- und Transportprojekt. 22. Mai 2023.

[9] Transportfall im Einzelhandel

Nachschubtourenplanung im Einzelhandel. Undatiert; abgerufen am 4. November 2026.

[10] Gekoppelte Produktion und Distribution

Produktionsablaufplanung und Distributionsplanung. Undatiert; abgerufen am 4. November 2026.

[11] Forschung zur dynamischen Fahrradlogistik

ADEME-Zusammenfassung des Projekts von Atoptima und AppliColis. 24. Oktober 2025.

[12] Historischer Implementierungsansatz

Atoptima-Interview mit SCM Startups. 16. Mai 2022.