Quantencomputer gehören zu den faszinierendsten Technologien unserer Zeit. In der Logistik werden sie oft als die Lösung für Probleme genannt, an denen klassische Computer scheitern. Tourenplanung mit Tausenden Stopps, globale Netzwerkplanung, Produktionsplanung mit unzähligen Varianten. Auf dem Österreichischen Logistik-Tag 2026 des Verein Netzwerk Logistik war Quantencomputing im Supply Chain Management ein eigener Themenschwerpunkt, unter anderem mit Beiträgen aus der Halbleiterindustrie.
Als Mathematikerinnen und Mathematiker, die täglich an großen Optimierungsproblemen arbeiten, verfolgen wir diese Entwicklung mit großem Interesse. Wir werden aber auch oft gefragt, ob ein Unternehmen jetzt in Quantencomputing investieren sollte, um bei der Planung nicht den Anschluss zu verlieren. Unsere Antwort ist differenziert. In diesem Beitrag ordnen wir ein, was Quantencomputer für Optimierung heute leisten, wo ihre Grenzen liegen und was Unternehmen in der Zwischenzeit tun können.
Warum Optimierung als Anwendungsfeld gilt
Viele Planungsprobleme in der Logistik gehören zur Klasse der kombinatorischen Optimierung. Man sucht unter einer riesigen Zahl möglicher Kombinationen die beste. Schon bei einer Tour mit zwanzig Stopps gibt es mehr mögliche Reihenfolgen, als ein Mensch je aufzählen könnte. Bei einer Flotte mit hundert Fahrzeugen und tausend Aufträgen wird die Zahl astronomisch.
Quantencomputer arbeiten mit Qubits, die sich in Überlagerungszuständen befinden können. Daraus entsteht die Hoffnung, dass sie bestimmte Suchprobleme schneller lösen als klassische Rechner. Für die Optimierung gibt es vor allem zwei Ansätze. Beim Quantum Annealing wird ein Problem so formuliert, dass seine beste Lösung dem energetisch günstigsten Zustand eines physikalischen Systems entspricht. Bei gatterbasierten Verfahren wie dem Quantum Approximate Optimization Algorithm wird die Lösung durch eine Folge von Quantenoperationen angenähert. Beide Ansätze verlangen, das Problem in eine spezielle Form zu bringen, meist als sogenanntes QUBO, ein quadratisches Optimierungsproblem mit binären Variablen.
Was heute tatsächlich möglich ist
Die heutigen Quantencomputer sind beeindruckende Forschungsgeräte, aber sie haben noch deutliche Grenzen. Die Zahl der verfügbaren Qubits ist begrenzt, und die Qubits sind anfällig für Störungen, die die Rechnung verfälschen. Viele reale Planungsprobleme lassen sich deshalb nur in stark vereinfachter oder verkleinerter Form auf einem Quantencomputer abbilden. Dazu kommt, dass die Übersetzung eines Logistikproblems in ein QUBO oft sehr viele zusätzliche Variablen erzeugt, weil Bedingungen wie Kapazitäten oder Zeitfenster als Strafterme eingebaut werden müssen.
In der Forschung gibt es zahlreiche Studien, in denen kleinere Tourenplanungs- oder Ablaufprobleme auf Quantenhardware gelöst wurden. Das ist wertvolle Grundlagenarbeit. Nach unserem Kenntnisstand gibt es bislang aber keinen belastbaren Nachweis, dass Quantencomputer industrielle Planungsprobleme in realistischer Größe schneller oder besser lösen als die besten klassischen Verfahren. Diese Einschätzung kann sich mit neuen Hardwaregenerationen ändern, und wir beobachten die Entwicklung genau.
Wie leistungsfähig klassische Optimierung heute ist
Was in der Diskussion oft untergeht, ist der enorme Fortschritt der klassischen Optimierung. Kommerzielle und freie Solver für gemischt ganzzahlige Optimierung sind in den letzten Jahrzehnten um viele Größenordnungen schneller geworden, durch bessere Algorithmen ebenso wie durch schnellere Hardware. Probleme, die vor zwanzig Jahren als unlösbar galten, werden heute in Minuten gelöst.
Dazu kommen Metaheuristiken, die für sehr große Probleme in kurzer Zeit sehr gute Lösungen finden, und Zerlegungsverfahren, die riesige Probleme in handliche Teilprobleme aufteilen. Für Tourenplanung mit Tausenden Stopps, für Dienstplanung mit Hunderten Mitarbeitenden oder für Netzwerkplanung über ganze Kontinente gibt es heute bewährte Methoden, die auf normaler Hardware laufen. Mehr dazu auf unseren Seiten zur MILP Modellierung, zu Metaheuristiken und zu Dekompositionsverfahren.
In unseren Projekten erleben wir immer wieder, dass der größte Hebel nicht in der Rechenleistung liegt, sondern in einem guten Modell. Wer ein Problem geschickt formuliert, die richtigen Vereinfachungen trifft und die Struktur des Problems ausnutzt, erreicht oft mehr als mit jeder neuen Hardware.
Wo der eigentliche Engpass liegt
Wenn Planungsprojekte in der Logistik scheitern, liegt es selten daran, dass ein Rechner zu langsam wäre. Viel häufiger fehlen saubere Daten, die Regeln der Planung sind nicht vollständig erfasst, oder die Lösung passt nicht in die bestehenden Prozesse und wird deshalb nicht genutzt. Diese Herausforderungen löst kein Quantencomputer. Sie verlangen gute Datenintegration, sorgfältige Modellierung und eine enge Zusammenarbeit mit den Menschen, die täglich planen.
Deshalb empfehlen wir Unternehmen, ihre Energie zuerst in diese Grundlagen zu stecken. Ein Unternehmen, das heute seine Planungsprobleme sauber als Optimierungsmodelle formuliert hat, ist auch für eine mögliche Quantenzukunft am besten vorbereitet. Denn das Modell ist der Teil, der bleibt. Der Solver, der es löst, lässt sich austauschen. Wie wir Daten aus verschiedenen Systemen zusammenführen, zeigt unsere Seite zur Datenintegration.
Wann sich ein Blick auf Quantenverfahren lohnt
Das heißt nicht, dass Quantencomputing für Unternehmen uninteressant wäre. Es gibt gute Gründe, sich schon heute damit zu beschäftigen. Unternehmen mit sehr großen, strukturell schwierigen Optimierungsproblemen, bei denen klassische Verfahren an ihre Grenzen kommen, können in Forschungskooperationen früh Erfahrungen sammeln. Wer bereits über ein sauberes Modell verfügt, kann dieses vergleichsweise einfach in eine Quantenformulierung übersetzen und testen. Und wer im Wettbewerb um Fachkräfte zeigen möchte, dass er an der technologischen Spitze steht, profitiert auch vom Know-how, das dabei entsteht.
Wichtig ist, solche Projekte als das zu sehen, was sie sind. Sie sind Forschung und Vorbereitung, keine kurzfristige Effizienzmaßnahme. Die kurzfristigen Einsparungen in der Planung holen Unternehmen heute mit klassischer Optimierung. Wer an Forschungsprojekten interessiert ist, findet auf unserer Seite zu FFG-Forschungsprojekten einen Überblick, wie wir solche Vorhaben aufsetzen.
Hybride Ansätze als Brücke
Ein vielversprechender Weg sind hybride Verfahren, in denen klassische und Quantenrechner zusammenarbeiten. Der klassische Teil übernimmt die Zerlegung des Problems, die Vorverarbeitung und die Prüfung der Lösungen, während einzelne besonders schwierige Teilprobleme an einen Quantenrechner übergeben werden. Solche Architekturen passen gut zu den Zerlegungsverfahren, die in der klassischen Optimierung ohnehin eingesetzt werden.
Auch hier gilt, dass der Nutzen im Einzelfall nachgewiesen werden muss. Ein seriöser Vergleich stellt die hybride Lösung den besten klassischen Verfahren gegenüber, nicht einer einfachen Heuristik. Nur so lässt sich beurteilen, ob der Quantenanteil tatsächlich einen Mehrwert bringt. Mehr zu hybriden Ansätzen in der Optimierung auf unserer Seite zu hybriden Ansätzen.
Was wir Logistikverantwortlichen raten
Unsere Empfehlung lässt sich in drei Schritten zusammenfassen. Erstens die eigenen Planungsprobleme identifizieren, die heute viel Zeit kosten oder zu teuren Entscheidungen führen. Zweitens diese Probleme sauber als Optimierungsmodelle formulieren und mit klassischen Verfahren lösen. Das bringt sofort messbaren Nutzen. Drittens die Entwicklung im Quantencomputing verfolgen und bei passender Gelegenheit in einem abgegrenzten Pilot testen, ob ein Quantenverfahren für ein bestimmtes Teilproblem einen Vorteil bringt.
Wer so vorgeht, verliert keinen Anschluss, sondern baut genau die Fähigkeiten auf, die er in jeder technologischen Zukunft braucht. Einen Überblick, wo Optimierung in der Lieferkette ansetzt, gibt unser Beitrag zur Supply Chain Optimierung. Und wie KI-Agenten und Optimierung zusammenwirken, beschreibt der Beitrag zu KI-Agenten in der Supply Chain.
Wer hinter dieser Einschätzung steht
Hex ist das Team für mathematische Optimierung in der Anexia Digital Engineering Group. Unsere Mathematikerinnen und Mathematiker arbeiten täglich an großen Planungsproblemen in Verkehr, Logistik, Industrie und Gesundheitswesen. Wir sind technologieoffen und setzen das Verfahren ein, das für ein Problem am besten funktioniert. Mehr über uns auf den Seiten Team und Prinzipien.
Ein Rechenbeispiel aus der Tourenplanung
Wie groß die Lücke heute noch ist, zeigt ein einfaches Beispiel. Ein regionaler Logistikdienstleister plant täglich Touren für vierzig Fahrzeuge mit fünfhundert Stopps. Mit einer klassischen Metaheuristik lässt sich ein sehr guter Plan auf einem normalen Server in wenigen Minuten berechnen, inklusive Zeitfenstern, Kapazitäten und Arbeitszeiten.
Um dasselbe Problem als QUBO zu formulieren, bräuchte man in einer typischen Formulierung eine binäre Variable für jede Kombination aus Stopp, Fahrzeug und Position in der Tour. Schon ohne Zeitfenster kommen so Hunderttausende Variablen zusammen, dazu Strafterme für alle Bedingungen. Das ist weit mehr, als heutige Quantenrechner direkt verarbeiten können. Man kann das Problem zerlegen und nur Teile auf dem Quantenrechner lösen, aber dann muss sich erst zeigen, dass diese Teile besser gelöst werden als mit klassischen Verfahren. Genau diese Nachweise stehen für industrielle Größenordnungen noch aus.
Sie möchten wissen, welches Verfahren Ihre Planungsprobleme heute am besten löst? Sprechen Sie mit unserem Mathematikteam. Wir beraten technologieoffen und zeigen Ihnen, was mit Ihren Daten möglich ist.
Häufige Fragen
Löst ein Quantencomputer unsere Tourenplanung besser?
Nach heutigem Stand nicht. Für Tourenplanung in realistischer Größe liefern klassische Verfahren auf normaler Hardware sehr gute Ergebnisse in kurzer Zeit.
Sollten wir trotzdem in Quantencomputing investieren?
Als Forschung und Vorbereitung kann das sinnvoll sein, vor allem bei sehr großen und schwierigen Problemen. Die kurzfristigen Einsparungen erzielen Sie heute mit klassischer Optimierung.
Was ist ein QUBO?
Ein quadratisches Optimierungsproblem mit binären Variablen. Es ist die Form, in die ein Problem gebracht werden muss, um es auf vielen Quantenrechnern zu lösen.