KI-Navigation
Warum Chatbots falsche Wegbeschreibungen liefern
»Finde das nächste vegane Restaurant am Sendlinger Tor.« Das klingt banal. Doch eine KI empfiehlt möglicherweise eine Adresse, die zwar in Münchner Innenstadt-Guides prominent auftaucht, aber nicht die nächstgelegene oder am besten erreichbare Option ist. Ein Lösungsansatz ist Location Reasoning.
Ein Sprachmodell erkennt, welche Orte oft gemeinsam genannt werden. Es berechnet nicht automatisch, welche Route dorthin führt, ob der Weg tatsächlich kurz ist oder ob das Restaurant gerade geöffnet hat.
Ein LLM kann auf eine Routenanfrage hin auch eine flüssige Schritt-für-Schritt-Beschreibung generieren. Im Abgleich mit dem Straßennetz zeigen sich jedoch falsche Abzweigungen, unmögliche Wege oder falsch eingeschätzte Entfernungen.
Entfernung ist keine Frage der Formulierung
Navigation bedeutet, einen gültigen Pfad durch ein Netz aus Millionen von Straßensegmenten zu berechnen. Ein Sprachmodell arbeitet anders: Es erkennt Muster in Texten und erzeugt auf Basis der nächsten sinnvollen Wortfolge Antworten, die plausibel klingen.
Auch räumliche Beziehungen lassen sich nicht aus Sprache allein ableiten. Benötigt werden die Positionen der Ausgangspunkte, ein berechneter Mittelpunkt und eine Bewertung der Optionen in Relation zu diesem Punkt.
Hinzu kommt, dass die Welt nicht statisch ist. Bei einer Frage wie »Wie lange dauert die Fahrt von München nach Nürnberg bei aktueller Verkehrslage?« entscheiden Verkehrsfluss, Vorfälle, Baustellen und andere temporäre Beschränkungen darüber, welche Route aktuell gültig und sinnvoll ist. Ohne aktuelle räumliche Signale und Routing-Engines bleibt dem Modell nur eine Näherung.
Zusätzliche Ortsdaten alleine reichen nicht
Ansätze wie geografische Ontologien, Knowledge Graphs, geospatiale Embeddings oder speziell trainierte GeoLLMs können helfen, Orte besser zu erkennen, räumliche Begriffe sauberer zu deuten und relevante Informationen zuverlässiger abzurufen. Doch sie ändern nicht die Grundlogik: Auch ein mit Kartendaten angereichertes LLM bleibt ein System, das Wahrscheinlichkeiten über Sprache berechnet.
Bei einem Restaurant mag eine ungenaue Antwort höchstens Zeit und Nerven kosten. In agentischen KI-Systemen jedoch geht es schnell um operative Kosten. Wenn KI Reisen plant, Flotten steuert, Techniker disponiert, Lieferketten unterstützt oder Fahrzeugsystemen assistiert, werden räumliche Fehler teuer. Eine falsche ETA verzögert Einsätze. Eine Route, die Fahrzeugbeschränkungen ignoriert, kann Compliance und Sicherheit gefährden.
Die Lösung liegt in der Ausführungsschicht
Robuste ortsbezogene KI braucht eine klare Arbeitsteilung. Das LLM versteht die Absicht des Users. Die räumliche Ausführung übernimmt eine spezialisierte Schicht, die mit Karten, Straßengraphen, Live-Daten und verbindlichen Attributen arbeitet. Diese berechnet Routen, prüft Einschränkungen, bewertet Entfernungen, verarbeitet Verkehrssignale und liefert ein strukturiertes Ergebnis zurück. Das Sprachmodell formuliert anschließend die Antwort, aber es erfindet die räumliche Logik nicht.
Location Reasoning als Lösungsansatz
Here Technologies beschreibt diesen Ansatz mit Here Location Reasoning. Die Lösung soll standortbezogene Anfragen in strukturierte Ausführungsabläufe übersetzen, automatisch die passenden Here-Kartendaten und Location Services auswählen und dynamische Informationen wie Verkehr, Straßenattribute und Netzbedingungen einbeziehen. Ziel sind deterministische, konsistente Ergebnisse für KI-Modelle, Agentensysteme und Unternehmenseinsätze in realen Umgebungen.
Beim klassischen Grounding bekommt ein Modell externe Quellen, um seine Antwort zu prüfen oder zu ergänzen. Location Reasoning setzt früher an: Das Sprachmodell erkennt die räumliche Absicht der Anfrage und übergibt sie direkt an eine Ausführungsschicht, die dafür gebaut wurde.
Zugleich ist die Lösung auf operative Nutzung ausgelegt: Sie soll Latenzen reduzieren, unnötige API-Aufrufe und Token-Nutzung vermeiden und keine personenbezogenen Daten, Nutzeridentitäten, Abfrageverläufe oder zurechenbaren Signale speichern oder weitergeben.
Damit wird die digitale Karte zur operativen Grundlage für KI in der physischen Welt. Sie bildet eine Referenzschicht für Bewegung, Erreichbarkeit, Beschränkungen und dynamische Bedingungen. LLMs machen komplexe Anliegen sprachlich zugänglich. Location Intelligence macht sie räumlich belastbar. Wenn beides zusammenkommt, kann KI Entscheidungen treffen, die in der realen Welt zum Ziel führen.
Der Autor
Damandeep Kochhar, Here Technologies.
Damandeep Kochhar
ist CTO und Chief Platform Officer bei HERE Technologies.
