Das fachliche Problem
Einen Außendiensteinsatz zuzuweisen bedeutet nicht einfach, den nächstgelegenen Techniker zu wählen. Kompetenzen, Einsatzgebiet, Arbeitszeiten, Abwesenheiten, Auslastung und betriebliche Vorgaben müssen berücksichtigt werden.
In Ginqel FieldFlow strukturiert und qualifiziert die KI zunächst die Anfrage. Die Zuweisung selbst steuert anschließend eine deterministische und erklärbare Fachlogik.
Diese Trennung ist wichtig: Ein generatives Modell versteht Freitext hervorragend, darf aber nicht zum alleinigen Entscheider über eine kritische betriebliche Wahl werden.
Architektur und Stand des Projekts entdecken: Ginqel FieldFlow
KI und fachliche Entscheidung trennen
Das LLM trägt nicht die endgültige Verantwortung für die Einsatzplanung. Es liefert eine strukturierte Qualifizierung mit Konfidenzwert, zentralen Signalen und nachvollziehbaren Begründungen.
Die Scoring-Engine vergleicht dann mehrere Techniker anhand kontrollierbarer Regeln: Kompetenzen, Entfernung, Auslastung, Verfügbarkeit, Historie, Einsatzgebiet und SLA-Vorgaben.
So lässt sich eine Entscheidung erneut durchspielen, man versteht, warum ein Techniker ausgewählt wurde, und das Verhalten bleibt vorhersehbar, auch wenn sich das KI-Modell ändert.
Einen erklärbaren Score entwerfen
Ein nützlicher Score ist mehr als eine Zahl. Er sollte eine Aufschlüsselung nach Kriterien zeigen, damit die operativen Teams die Empfehlung schnell verstehen.
Ein Techniker kann zum Beispiel 92/100 erreichen, mit einer Aufschlüsselung, die perfekte Kompetenzübereinstimmung, passendes Einsatzgebiet, geringe Auslastung, sofortige Verfügbarkeit und eine vertretbare Entfernung zeigt.
Dieser Detailgrad fördert die Akzeptanz im Fachbereich und erleichtert die Analyse von Auffälligkeiten erheblich.
Die automatische Zuweisung absichern
Eine zu einem bestimmten Zeitpunkt berechnete Empfehlung kann wenige Sekunden später ungültig sein. Ein Techniker kann anderweitig eingeplant werden, ausfallen oder ein zulässiges Gebiet verlassen.
Vor einer automatischen Zuweisung muss das Backend die kritischen Vorgaben daher in einer kurzen, gegen Nebenläufigkeitskonflikte geschützten Transaktion erneut prüfen.
Das System kann außerdem Mindestwerte für Konfidenz oder Score festlegen, unterhalb derer eine menschliche Freigabe verpflichtend bleibt.
Beobachtbarkeit und kontinuierliche Verbesserung
Entscheidungen sollten mit KI-Qualifizierung, finalem Score, verwendeten Kriterien, ausgewähltem Techniker und etwaigen menschlichen Korrekturen gespeichert werden.
Mit dieser Historie lassen sich die Qualität der Regeln, Qualifizierungsfehler, die Quote menschlicher Freigaben und Abweichungen zwischen Empfehlung und endgültiger Entscheidung messen.
Die KI wird so zu einem messbaren Bestandteil des Systems statt zu einer undurchsichtigen Blackbox.
