Künstliche Intelligenz verspricht oft, komplexe mathematische Optimierungsprobleme für Unternehmen zu lösen. In der Praxis scheitern diese Systeme jedoch häufig, sobald echte Geschäftsdaten und unklare Problemstellungen ins Spiel kommen. Dieser Unterschied ist kein Zufall, sondern das Ergebnis eines fundamentalen Missverständnisses darüber, wie Operations Research in der realen Welt funktioniert. Aus diesem Grund wurde ORPilot entwickelt, eine Open-Source-KI-Agenten-Plattform, die speziell für die Bedingungen der industriellen Anwendung konzipiert ist. Traditionelle KI-Tools für Optimierungsprobleme basieren auf der Annahme, dass das Problem vollständig und eindeutig beschrieben ist und alle Daten direkt in den Promt integriert werden können. In der Realität ist dies selten der Fall. Unternehmensanalysen sind oft unvollständig, enthalten implizite Annahmen oder übergehen kritische Details wie Kapazitätsgrenzen oder Fixkosten. Zudem sind die benötigten Datensätze für reale Szenarien oft zu groß, um in einen Kontextfenster eines Sprachmodells zu passen. Noch problematischer ist die Diskrepanz zwischen den vorliegenden Rohdaten und den für das Modell benötigten Parametern, etwa wenn aus GPS-Koordinaten erst eine Entfernungsmatrix berechnet werden muss. Bestehende Tools scheitern oft an dieser Lücke oder produzieren Code, der zwar syntaktisch korrekt, aber fachlich falsch ist. ORPilot unterscheidet sich von diesen Ansätzen durch einen sequenziellen Fünf-Phasen-Prozess, der die Vorgehensweise eines menschlichen Experten imitiert. Anstatt sofort Code zu generieren, beginnt ORPilot mit einem Interview-Agenten. Dieser stellt gezielte Nachfragen, um Unklarheiten zu beseitigen und das Problem bis zur eindeutigen Definition aller Variablen, Ziele und Einschränkungen zu strukturieren. Erst wenn dieses Interview abgeschlossen ist, geht die Plattform zur nächsten Phase über. Im zweiten Schritt übernimmt ein Datenerfassungs-Agent die Aufgabe, die benötigten Daten zu identifizieren. Anstatt Daten in den Prompt zu packen, arbeitet ORPilot mit externen CSV-Dateien. Der Agent definiert das Datenformat, validiert die Vollständigkeit und passt sich flexibel an, falls bestimmte Daten noch nicht vorliegen, um diese im nächsten Schritt berechnen zu lassen. Der dritte Schritt, der Parametereingenerierung, wandelt Rohdaten in modellgerechte Parameter um. Ein Skript berechnet etwa Distanzmatrizen oder notwendige Hilfsvariablen (wie BigM-Werte) automatisch in einer isolierten Umgebung. Dies stellt sicher, dass der nachfolgende Modellierungsprozess mit sauberen und korrekten Daten arbeitet. Im vierten Schritt generiert ein Code-Agent den vollständigen Optimierungsskript-Code für verschiedene Backend-Lösungen wie Gurobi, CPLEX oder Open-Source-Lösungen. Wird bei der Ausführung ein Fehler festgestellt, analysiert das System die Fehlermeldung und versucht in einer Schleife, den Code automatisch zu korrigieren, ohne die gesamte Problemstruktur infrage zu stellen. Abschließend sorgt ein Reporter-Agent dafür, dass die numerischen Ergebnisse in eine für Geschäftsnutzer verständliche Sprache übersetzt werden. Dies macht die Lösung direkt umsetzbar. Die sequenzielle Struktur verhindert, dass sich frühe Missverständnisse durch den gesamten Prozess fortpflanzen. ORPilot wurde bereits erfolgreich für komplexe Supply-Chain-Netzwerkdesigns mit über neun Millionen Entscheidungsvariablen und fast einer Million Einschränkungen getestet. Die Plattform ist als Open-Source-Projekt auf GitHub verfügbar und unterstützt verschiedene KI-Modelle sowie Lösungsmechanismen. Sie markiert einen wichtigen Schritt hin zur praktischen Einsetzbarkeit von KI in der betrieblichen Optimierung, indem sie die Lücke zwischen theoretischen Modellen und realen Daten schließt. Weitere technische Details zur portablen Zwischensprache werden in zukünftigen Veröffentlichungen erwartet.