Ob präzise Nachfrageprognosen oder proaktive Wartung: Künstliche Intelligenz (KI) spielt eine Schlüsselrolle in der Digitalisierungsstrategie des Fernverkehrs der Deutschen Bahn (DB). Mit Hilfe einer umsetzungsorientierten KI-Roadmap, der gezielten Auswahl relevanter Handlungsfelder und deren Umsetzung in den Fachbereichen schafft die DB Mehrwerte entlang der Wertschöpfungskette.

Historisch gesehen haben Eisenbahngesellschaften immer neue Technologien genutzt, um den Betrieb und die Leistung zu verbessern. Mit dem Aufkommen der Künstlichen Intelligenz (KI) setzt sich diese Entwicklung fort. Denn KI und insbesondere generative Künstliche Intelligenz (GenAI) helfen den Unternehmen, Planung und Leistung entlang der gesamten Wertschöpfungskette zu verbessern.

Wie sehr, zeigen Zahlen aus einer aktuellen Studie von UIC und McKinsey: Demnach können Bahnbetriebe weltweit zwischen 13 und 22 Milliarden US-Dollar pro Jahr durch den Einsatz von KI einsparen. Welches enorme Potenzial in KI steckt, zeigt auch eine die Studie „Navigating the AI Era“ von Sopra Steria Next. Die Experten schätzen, dass der globale KI-Markt bis 2028 zehn Prozent der weltweiten IT-Ausgaben ausmachen und dreimal schneller wachsen wird als der gesamte Technologiemarkt.

Ein Blick über den Tellerrand zeigt bereits wertschöpfende Beispiele für den KI-Einsatz im europäischen Schienenverkehr:

• Bei der SBB AG in der Schweiz werden beispielsweise Nachfrageprognosen mit Hilfe von KI erstellt. Das hilft dabei, die passende Menge an Waggons bereitzustellen. Ein KI-gestütztes Fahrprofil ermöglicht zudem präzise Zeit- und Geschwindigkeitsberechnungen der Bahn. 
• Bei der SCNF AG in Frankreich sorgt eine KI-Lösung dafür, dass die Auslastung und der Umsatz für die Hochgeschwindigkeitszüge (TGV) optimiert werden. Auch die kognitive Leistungsfähigkeit des Personals soll künftig mit Künstlicher Intelligenz überprüft werden. Durch die Messung von Augenbewegungen, Schweißbildung und Herzfrequenz sollen Stress und Ermüdung des Personals gemessen werden, um so Unfälle zu verringern. 
• Bei der Deutschen Bahn ist ebenfalls eine Reihe von KI-Use-Cases im Einsatz. Das Spektrum reicht hier von der Feedbackplattform Railmate über Peak Spotting, einer intelligenten Auslastungssteuerung, bis hin zu Verspätungsprognosen auf Basis von Künstlicher Intelligenz.  

Die Deutsche Bahn hat mit S3 ein Sanierungsprogramm aufgelegt, um pünktlicher, verlässlicher und wirtschaftlicher zu werden. Die Digitalisierung und der Einsatz von KI an den richtigen Stellen helfen dabei, diese Ziele zu erreichen. Darüber hinaus ergeben sich durch die Verbreitung von GenAI tagtäglich neue Potenzialfelder. Um diese systematisch zu nutzen, hat die DB Fernverkehr AG ein strukturiertes Vorgehen entwickelt, um KI-Handlungsfelder für die kommenden Jahre zu identifizieren. 

Verständnis von Markt und Wettbewerb schaffen

Im ersten Schritt ging es zunächst darum, den Markt und den Einsatz von KI besser zu verstehen. Dazu hat sich das Unternehmen genau angeschaut, welche KI-Use Cases andere Player von Rolls-Royce über die Deutsche Bank bis hin zu Unilever und Coca-Cola einsetzen. Parallel dazu wurde eine Einordnung vorgenommen, welchen potenziellen Nutzen dieser Anwendungsfälle für den DB Fernverkehr liefern kann, also ob die Use Cases zum Beispiel zu Pünktlichkeit, Effizienz und Kundenzufriedenheit beitragen. Gleichzeitig analysierte das Unternehmen auch zwölf Wettbewerber in der Mobilitätsbranche, um herauszufinden, welche Anwendungsfälle dort bereits wertschöpfend sind.  

Aus dieser Markt- und Wettbewerbsanalyse ergaben sich acht übergreifende Handlungsfelder für den Einsatz von KI mit den jeweils erfolgversprechendsten Anwendungsclustern, wie die folgende Grafik zeigt:  

Priorisierung der relevantesten Handlungsfelder für den Betrieb der Bahn

Obwohl die unterschiedlichsten Handlungsfelder aus der Marktanalyse große KI-Potenziale für unterschiedlichste Branchen versprechen, ist es relevant, die Bereiche zu bestimmen, die für Eisenbahnunternehmen realistisch umsetzbar und mit größtmöglichem Mehrwert versehen sind. 

Neben der allgemeinen Marktperspektive folgte daher im zweiten Schritt der Blick auf die spezifischen Bedarfe von Eisenbahnunternehmen. Dazu wurden Interviews mit Experten aus Forschung und Wirtschaft sowie Diskussionsrunden mit internen und externen Partnern geführt, um spezifische Anwendungscluster zu identifizieren, die in den nächsten 24 bis 36 Monaten die größte Relevanz haben.  

Zu den in den Interviews identifizierten Handlungsfeldern gehören beispielsweise:  

• Automatisierte Disposition (Operational Efficiency). Bei diesem Anwendungscluster geht es vor allem darum, Pünktlichkeit und Effizienz der Entscheidungsprozesse KI-basiert zu steigern. 
• Predictive Maintenance (Predictive Analytics). Durch eine vorausschauende Wartung von Zügen, Gleisen, Weichen und Signalsystemen können Wartungsarbeiten genau geplant und dann durchgeführt werden, wenn sie notwendig sind. Eine Analyse auf Basis der so gewonnenen Daten führt zu einem effizienteren Ressourceneinsatz, geringeren Wartungskosten und weniger Ausfallzeiten. 
• Automatisierte Erstellung von Marketing-Content (Customer-Fokus). Auf Basis von Zielgruppendaten und Markttrends werden Marketinginhalte entwickelt. Mittels KI-Modellen können passgenaue Texte, Bilder und Videos generiert und optimal auf die Präferenzen der Zielgruppen abgestimmt werden. Der automatisierte Prozess ermöglicht es Marketingabteilungen, Inhalte schneller und in größerem Umfang zu produzieren oder bestehende Inhalte zu optimieren.  

Auf Basis der Marktanalyse sowie der Experteninterviews wurde eine Liste mit Empfehlungen der relevantesten KI-Handlungsfelder für die Bahn erstellt. Obwohl der Markt in unterschiedlichsten Feldern KI-Potenziale sieht und realisiert, können für Eisenbahnunternehmen klare Empfehlungen für Fokusbereiche gegeben werden, die auf relevante Kennzahlen wie Pünktlichkeit, Qualität, EBIT sowie Kundenzufriedenheit einzahlen. 

Vom Handlungsfeld zur unternehmensweiten Skalierung 

Auf Basis dieser Handlungsfelder werden aktuell durch das Programm KI im Fernverkehr gemeinsam mit den Fachbereichen konkrete und umsetzbare Use Cases ermittelt. Hierfür ist unserer Ansicht nach ein ganzheitlicher Ansatz entscheidend, der sowohl Realisierbarkeit und fachlichen Nutzen als auch regulatorische Aspekte im Blick behält. Ein übergreifendes fachliches Zielbild je Handlungsfeld wie z.B. im Bereich Predictive Maintance, welches unternehmensüberspannend viele Fachbereiche betrifft, schafft die Grundlage, um komplexere Anwendungen zu realisieren, Insellösungen zu vermeiden und Silos aufzubrechen. Es bietet dabei eine gemeinsame Orientierung, unter der sich die Fachbereiche, die IT und der KI-Bereich vereinen können und worauf sie zielgerichtet und koordiniert hinarbeiten können.  

Darüber hinaus müssen die passenden Rahmenbedingungen geschaffen werden, um eine nachhaltige und wirtschaftliche Skalierung zu gewährleisten. Dazu zählen: 

• Klare Verantwortlichkeiten und Prozesse 
• Effiziente Steuerung und Umsetzung 
• Einhaltung von Datenschutzbestimmungen 
• Effizienter Umgang mit fragmentierten Datenquellen 
• Kontinuierliche Verbesserung der Datenqualität 
• Implementierung von einheitlichen technischen Standards 
• Schulung der Mitarbeitenden 

Gelingt die Umsetzung, hilft KI, Prozesse zu optimieren, neue Geschäftsmodelle zu entwickeln und die Wettbewerbsfähigkeit zu stärken. 

Fazit: schrittweise zum Einsatz von KI bei der Deutschen Bahn

Eisenbahnunternehmen stehen durch den Einsatz von KI und GenAI vor einer neuen technologischen Ära, die Effizienz, Zuverlässigkeit und Kundenzufriedenheit entscheidend verbessern kann. Mit klar priorisierten Handlungsfeldern wie Predictive Maintenance, automatisierter Disposition und kundenorientierter Content-Erstellung können Unternehmen entlang der gesamten Wertschöpfungskette Mehrwerte schaffen. Entscheidend für den Erfolg ist dabei ein ganzheitlicher Ansatz, der Realisierbarkeit, Interdisziplinarität und Skalierbarkeit gewährleistet. Gelingt es, KI nachhaltig zu implementieren, stärken die Unternehmen nicht nur ihre betriebliche Effizienz, sondern auch ihre Wettbewerbsfähigkeit in einem zunehmend dynamischen Mobilitätsmarkt.