Fahrgastzahlen, Wetterdaten, Bewegungsprofile, Eventkalender – all das existiert bereits. Das Problem: Es wird selten zusammengeführt. Genau hier setzt das KI.M Projekt an.

Wer heute durch eine Großstadt fährt, hinterlässt digitale Spuren: Ticketbuchungen, Echtzeit-Ortungsdaten von Bussen und Bahnen, Bewegungsprofile aus Mobilitäts-Apps. Gleichzeitig erfassen Wetterstationen Niederschlag und Temperatur, Stadtplanungstools speichern Eventkalender und Baustellen, und Verkehrszählstellen messen die Fahrzeugdichte an Knotenpunkten. Die Frage ist längst nicht mehr, ob diese Daten existieren. Die Frage ist, ob sie genutzt werden – und wenn ja, von wem und wie.

Die ehrliche Antwort: In den meisten Fällen kaum. Verkehrsunternehmen, Städte und Mobilitätsanbieter agieren in Datensilos. Jede Organisation erhebt ihre eigenen Zahlen, pflegt ihre eigenen Systeme – und teilt selten etwas davon. Das Ergebnis sind Entscheidungen, die reaktiv getroffen werden, nicht vorausschauend. Überlastung wird erkannt, wenn sie bereits da ist. Kapazitäten werden angepasst, wenn der Stau schon steht.

„Datenpunkte verbinden, um Mobilitätsnachfrage frühzeitig zu prognostizieren – bevor Überlastung entsteht.“

Warum Datensilos ein strukturelles Problem sind

Das Problem ist nicht technischer Natur – es ist organisatorischer und kultureller Natur. Daten werden als Eigentum betrachtet, nicht als gemeinsame Ressource. Dabei wäre der Mehrwert einer gemeinsamen Dateninfrastruktur enorm: Ein Verkehrsbetrieb, der weiß, dass morgen ein Großkonzert stattfindet, gleichzeitig schlechtes Wetter erwartet wird und eine Streckensperrung geplant ist, kann proaktiv handeln – zusätzliche Züge einsetzen, Ausweichrouten kommunizieren, Fahrgäste früh informieren. All das setzt voraus, dass diese drei Informationen – Eventkalender, Wetterdaten, Netzinformation – zusammengeführt werden. Heute passiert das kaum automatisch.

Hinzu kommt die Komplexität der Mobilitätsnachfrage selbst. Sie ist multifaktoriell: Ein Regentag allein verändert das Verhalten von Pendlern. In Kombination mit einem Fußballspiel und einem ausgefallenen Regionalzug entsteht eine Situation, deren Auswirkungen für menschliche Planer kaum in Echtzeit zu überblicken sind. Klassische Planungsmodelle – oft auf historischen Durchschnittswerten basierend – scheitern an solchen Konstellationen.

Was KI leisten kann – und was nicht

Genau hier setzt künstliche Intelligenz an. KI-Modelle können heterogene Datenquellen in Echtzeit verarbeiten, Muster erkennen und Prognosen zur Mobilitätsnachfrage erstellen – nicht als Reaktion auf eine Krise, sondern als Frühwarnung davor. Ein gut trainiertes Modell erkennt, dass die Kombination aus Wetterlage, Eventkalender und aktuellem Fahrgastaufkommen auf eine Überlastsituation in zwei Stunden hindeutet – und gibt Handlungsempfehlungen, bevor es zu spät ist.

Es ist wichtig, das richtig einzuordnen: KI ersetzt keine menschliche Entscheidung. Sie liefert Informationen, die ein Mensch allein nicht erfassen könnte – zu viele Quellen, zu viel Datenmenge, zu wenig Zeit. Das Ziel ist nicht Automatisierung um jeden Preis, sondern bessere Entscheidungsgrundlagen für die Menschen, die im Mobilitätssystem Verantwortung tragen.

Das KI.M Projekt: Forschung mit Praxisbezug

Das KI.M Projekt erforscht genau diese Schnittstelle. Im Mittelpunkt stehen konkrete Use Cases – reale Szenarien, in denen KI-gestützte Datenauswertung einen messbaren Unterschied machen kann. Dabei geht es nicht um abstrakte Modellvorstellungen, sondern um die Frage: Was funktioniert in der Praxis? Welche Datenquellen lassen sich sinnvoll verknüpfen? Welche Prognosen sind zuverlässig genug, um darauf zu handeln?

Ein Teil dieser Arbeit ist der Austausch mit der Community – mit Verkehrsbetrieben, Städten, Planungsbüros und Technologieanbietern, die täglich mit diesen Fragen konfrontiert sind. Denn die beste KI-Lösung nützt wenig, wenn sie an der Realität der Organisationen vorbei entwickelt wird. Wie gehen Unternehmen heute mit Mobilitätsdaten um? Wo liegen die größten Hürden? Was würde die tägliche Arbeit wirklich erleichtern? Das sind die Fragen, die das Projekt antreiben.

Was wir von unserer Community wissen wollen

In unserer LinkedIn-Community haben wir kürzlich gefragt, wie Organisationen heute mit Daten für Mobilitätsentscheidungen umgehen. Manche Unternehmen nutzen Daten bereits aktiv und strukturiert, andere sammeln zwar Daten, nutzen sie aber kaum systematisch. Wieder andere stehen noch am Anfang – bauen Datenkompetenz erst auf oder haben das Thema bisher noch nicht priorisiert.

Genau diese Vielfalt ist wertvoll. Sie zeigt, dass es nicht die eine Lösung gibt – sondern unterschiedliche Ausgangspunkte, die unterschiedliche Ansätze brauchen. Das KI.M Projekt versucht, diesen verschiedenen Realitäten gerecht zu werden. Wer Fragen hat, Ideen einbringen möchte oder an einer Zusammenarbeit interessiert ist: Wir freuen uns auf den Austausch.

Wir halten euch weiter auf dem Laufenden – über neue Erkenntnisse, Use Cases und Ergebnisse aus dem Projekt. Mobilität kann effizienter und nachhaltiger werden. Die Daten dafür sind bereits da.