cargo.one übernimmt Cargofive: Was das erste AI-native Betriebssystem für multimodale Fracht für Logistiker verändert

Kontext des Deals und Einordnung

Am 25. Februar 2026 hat cargo.one die Übernahme der in Lissabon ansässigen Ocean-Rate-Plattform Cargofive abgeschlossen und am 2. März 2026 parallel ein AI-natives Operating System für multimodale Fracht angekündigt. Die Transaktion wird von einem Investorenkreis um Bessemer Venture Partners mit rund 20 Mio. US‑Dollar (knapp 17 Mio. Euro) flankiert.

Kern der Ankündigung: Luft- und Seefrachtraten – inklusive Anbindungen an die Top‑10‑Reedereien und Millionen Trade Lanes – werden in einer einheitlichen Plattform konsolidiert. Auf dieser Datenbasis laufen nun AI‑Workflows („agentische Workflows“), die direkt in Pricing-, Angebots-, Buchungs- und Serviceprozesse eingebettet sind – nicht als externes Tool.

Für Entscheider in Spedition, Verlader-Organisationen und Carriern ist damit weniger die Frage, ob AI eingesetzt wird, sondern wo sich mit einem vertikal integrierten AI‑Stack sofort operativer und finanzieller Hebel ergibt.

Was an cargo.ones Ansatz tatsächlich neu ist

1. Einheitliche Rate-Datenbasis für Luft und See

Bisherige AI‑Ansätze in der Logistik scheitern häufig an Datenfragmentierung: Raten liegen in Excel-Dateien, in separaten TMS‑Modulen oder bei NVOCCs und Carriern in proprietären Portalen. Die Kombination aus cargo.one (Air) und Cargofive (Ocean) adressiert drei Punkte:

• Umfang der Daten: Vier Millionen+ Trade Lanes im Ocean-Bereich plus bestehende Luftfrachtinfrastruktur bilden eine der umfassendsten Rate-Datenbasen am Markt.

• Top‑10‑Carrier-Anbindungen: Direkte Integrationen zu den größten Reedereien reduzieren Aktualisierungsverzug und manuelle Pflege.

• Ein Plattform-Kontext: Air und Ocean werden in einem System geführt, wodurch Cross-Modal-Vergleiche (z.B. Luft vs. See-LCL) algorithmisch sauber möglich werden.

Für Unternehmen bedeutet das: AI‑gestützte Entscheidungen basieren nicht mehr auf Teilmengen der Realität, sondern auf einer konsistenten, multimodalen Sicht.

2. AI-natives Operating System statt „Bolt-on“-Tools

cargo.one positioniert das neue Produkt explizit als AI‑natives Betriebssystem, nicht als zusätzliches Modul. Praktisch heißt das:

• Workflows und Daten sind nativ gekoppelt: Angebots-, Buchungs- und Serviceprozesse laufen auf derselben Datenbasis, auf der auch die AI‑Agenten operieren.

• RAG-basierte Wissensschicht: Ein Retrieval-Augmented-Generation-Layer greift auf strukturierte Rate- und Prozessdaten zu; Antworten der Agenten speisen sich aus verifizierten Quellen.

• Supervision Layer: Ausgaben der AI werden überwacht, Abweichungen oder potenzielle Fehler werden flaggt und können durch Mitarbeitende korrigiert werden.

Für Unternehmen ist relevant: Statt eigenständig Large Language Models an TMS und Data Lakes anzuflanschen, steht eine fertige, domänenspezifische Infrastruktur zur Verfügung, inklusive Governance-Komponenten.

3. Offene Protokolle und Agenten-Ökosystem

Bemerkenswert ist die Ankündigung, dass Logistikunternehmen eigene Agenten auf Basis offener Protokolle wie MCP‑Server entwickeln können. In der Praxis ermöglicht das zwei Pfade:

• Out-of-the-box-Agenten: Fertige AI‑Agents für Standardprozesse wie Rate Management, Quotierung, Buchung oder Customer Support.

• Custom-Agenten: Unternehmen können eigene Agenten definieren, z.B. für Trade-Lane-spezifische Margenlogik, Compliance-Prüfungen oder SLA-basierte Carrier-Selektion.

Damit verschiebt sich der Fokus von „AI‑Use-Case definieren und integrieren“ hin zu „Agent auf bestehender Daten- und Workflow‑Infrastruktur konfigurieren“.

Konkrete Anwendungsfälle für Spediteure und Carrier

Pricing & Quotierung

• Dynamische Margensteuerung: Agenten berechnen auf Basis multimodaler Raten, historischer Conversion Rates und Kapazitätsauslastung ein optimales Margenniveau pro Anfrage.

• Sofortangebote über Kanäle hinweg: Ob per E‑Mail, Portal oder API – Eingaben von Kunden werden vom System interpretiert, quotiert und inklusive Alternativrouten (z.B. schnell vs. günstig) zurückgespielt.

Beispiel: Ein mittelgroßer Spediteur erhält täglich 500 Spot-Anfragen für Luft- und Seefracht. Statt manueller Bearbeitung priorisiert ein Agent Anfragen mit hohem Deckungsbeitrag, preist sie automatisiert und legt Fälle mit unklarer Datenbasis dem Pricing-Team vor.

Routen- & Kapazitätsplanung

• Modal-Split-Empfehlungen: Agenten schlagen automatisch Verlagerungen zwischen Luft und See vor, wenn Service-Level- und Kostenvorgaben dies erlauben.

• Carrier-Selektion auf Performance-Basis: Historische Pünktlichkeit, Ausfallraten und Stau an bestimmten Terminals fließen direkt in Routing-Vorschläge ein.

Operative Abwicklung & Customer Service

• Event-getriebene Workflows: Änderungen in Rates, Carrier-Schedules oder Buchungsstatus triggern automatisch Folgeaktionen (Rebooking-Vorschläge, Kunden-Updates, Exceptions).

• Agentischer Kundensupport: Auf Basis von Raten, Buchungsdaten und SLA-Informationen können Anfragen zu Transitzeiten, Zusatzkosten oder Umbuchungen durch AI vorqualifiziert oder vollständig beantwortet werden.

Auswirkungen auf bestehende TMS- und IT-Landschaften

Viele Unternehmen betreiben heterogene TMS-Landschaften mit hoher Integrationslast. cargo.ones OS adressiert dies nicht, indem es klassische TMS vollständig ersetzt, sondern indem es sich als AI- und Datenlayer positioniert:

• API-basierte Einbindung: Stammdaten, Auftragsdaten und Statusinformationen können aus bestehenden TMS/ERP-Systemen bezogen werden; Raten- und Entscheidungslogik liegen im OS.

• Reduktion von Medienbrüchen: Statt zwischen Carrier-Portalen, Excel und E‑Mails zu wechseln, können Teams und Agenten in einer Oberfläche arbeiten.

• Schrittweise Migration: Unternehmen können zunächst nur Rate Management und Quotierung in das OS verlagern und operative Abwicklung schrittweise folgen lassen.

Für IT‑Leiter ist entscheidend: Das Modell reduziert die Notwendigkeit, selbst AI‑fähige Datenpipelines und Orchestrierungsschichten für Agenten aufzubauen – ein Kosten- und Time-to-Market-Vorteil.

Governance, Kontrolle und Risikoaspekte

Ein wiederkehrendes Problem vieler AI‑Projekte in der Logistik ist der fehlende ROI aufgrund mangelnder Datenqualität, fehlender Kontrollmechanismen und Pilot-Projekt-Charakters. cargo.one adressiert dies mit:

• Supervision Layer: AI‑Entscheidungen werden überwacht, kritische Aktionen können unter Vier-Augen-Prinzip gestellt werden.

• Transparente Entscheidungsgrundlagen: Agenten müssen auf strukturierte, nachweisbare Daten zurückgreifen; „Halluzinationen“ werden so technisch erschwert.

• Schrittweisen Automatisierungsstufen: Von „Vorschlag durch AI, Entscheidung durch Mensch“ bis hin zu „vollautomatisiert mit Stichprobenkontrolle“.

Für Compliance- und Risk-Management-Teams entsteht ein Ansatz, AI‑Automatisierung nachvollziehbar zu dokumentieren und zu auditieren.

Strategische Implikationen für Unternehmen

1. Beschleunigung der AI-Industrialisierung: Statt individueller POCs je Trade Lane und System können Unternehmen auf eine standardisierte, skalierbare Plattform setzen.

2. Neuer Effizienz- und Service-Benchmark: Wer multimodale Raten in Echtzeit nutzt und agentische Workflows etabliert, wird strukturelle Kostenvorteile und kürzere Reaktionszeiten haben.

3. Make-or-Buy-Entscheidungen verschieben sich: Eigene AI‑Stacks bleiben sinnvoll für hochspezifische Use Cases, während Standard-Workflows zunehmend in vertikale Plattformen wandern.

Handlungsempfehlungen für Entscheider

• Kurzfristig (0–3 Monate)

- Bestehende Rate- und TMS-Landschaft kartieren: Wo liegen heute Daten- und Medienbrüche?

- Use-Case-Portfolio priorisieren: Wo entstehen die größten Kosten durch manuelle Quotierung, Buchung, Rebooking oder Customer Service?

- Pilot mit klaren KPIs definieren (z.B. Time-to-Quote, Conversion Rate, Deckungsbeitrag).

• Mittelfristig (3–12 Monate)

- Integration in Kernsysteme (TMS, ERP, CRM) planen und schrittweise umsetzen.

- Governance-Framework für AI‑Entscheidungen etablieren (Freigaberegeln, Audit-Trails, Monitoring).

- Eigene Fachbereiche in der Konfiguration von Agenten schulen, um Abhängigkeit von IT zu reduzieren.

• Langfristig (12+ Monate)

- Multimodale Optimierung über Luft, See und perspektivisch Straße/Schiene aufbauen.

- Daten- und Modellstrategie regelmäßig überprüfen: Welche proprietären Daten können zusätzlichen Wettbewerbsvorteil liefern?

Fazit

Mit der Übernahme von Cargofive und dem Start eines AI-nativen Betriebssystems für multimodale Fracht setzt cargo.one ein Signal: Der Wettbewerb in der Logistik verschiebt sich von der reinen Prozessdigitalisierung hin zur Qualität der zugrunde liegenden Daten- und AI-Infrastruktur. Unternehmen, die jetzt ihre Rate- und TMS-Landschaft für agentische Workflows öffnen, werden mittelfristig nicht nur effizienter, sondern können Servicequalität und Margen zugleich steigern.

Häufig gestellte Fragen (FAQ)

Was ist das AI-native Operating System von cargo.one für multimodale Fracht?

Das AI-native Operating System von cargo.one ist eine Plattform, die Luft- und Seefrachtraten in einem System konsolidiert und darauf agentische AI-Workflows ausführt. Es bündelt Rate-, Prozess- und Buchungsdaten und ermöglicht dadurch automatisierte Pricing-, Angebots-, Buchungs- und Serviceprozesse auf einer einheitlichen Datenbasis.

Wie verändert die Übernahme von Cargofive durch cargo.one das Rate-Management in der Logistik?

Durch die Übernahme von Cargofive werden umfangreiche Seefrachtraten inklusive Top-10-Carrier-Anbindungen mit der bestehenden Luftfrachtinfrastruktur von cargo.one zusammengeführt. Spediteure und Carrier erhalten damit eine konsistente, multimodale Rate-Datenbasis, die AI-gestützte Entscheidungen über Luft- und Seetransporte hinweg ermöglicht.

Wie funktioniert die Automatisierung von Pricing und Quotierung mit cargo.ones AI-OS konkret?

AI-Agenten analysieren multimodale Raten, historische Conversion Rates und Kapazitätsauslastung, um automatisch Margen und Angebote pro Anfrage zu berechnen. Kundenanfragen über E-Mail, Portale oder APIs werden interpretiert, in Echtzeit quotiert und können inklusive Alternativrouten (schnell vs. günstig) automatisch beantwortet werden.

Welche Auswirkungen hat das AI-native OS auf bestehende TMS- und IT-Landschaften?

Das OS ersetzt bestehende TMS nicht vollständig, sondern fungiert als zusätzlicher AI- und Datenlayer, der per API an TMS-, ERP- und CRM-Systeme angebunden wird. Dadurch lassen sich Medienbrüche reduzieren, Rate-Logik und Entscheidungsfindung zentralisieren und eine schrittweise Migration von einzelnen Prozessen wie Rate Management und Quotierung ermöglichen.

Was ist der Unterschied zwischen klassischen AI-Tools und dem AI-nativen Betriebssystem von cargo.one?

Klassische AI-Tools werden oft als externe „Bolt-on“-Lösungen an bestehende Systeme geflanscht und arbeiten auf fragmentierten Daten. Das AI-native OS von cargo.one hingegen koppelt Daten, Workflows und AI-Agenten nativ, nutzt einen RAG-basierten Wissenslayer und einen Supervision Layer, um kontrollierte, nachvollziehbare Entscheidungen direkt im operativen Prozess zu treffen.

Wie unterstützt cargo.ones AI-OS Governance, Kontrolle und Compliance in AI-Projekten?

Das System bietet einen Supervision Layer, über den AI-Entscheidungen überwacht und kritische Aktionen mit Freigaberegeln wie dem Vier-Augen-Prinzip abgesichert werden können. Zudem greifen Agenten auf strukturierte, verifizierte Daten zu, was Halluzinationen reduziert, und alle Entscheidungen lassen sich über Audit-Trails dokumentieren und für Compliance-Zwecke nachverfolgen.

Was sollten Logistikunternehmen jetzt konkret tun, um von cargo.ones AI-OS zu profitieren?

Unternehmen sollten zunächst ihre bestehende Rate- und TMS-Landschaft kartieren und Use Cases mit hohem manuellem Aufwand identifizieren, etwa Quotierung, Buchung oder Rebooking. Auf dieser Basis können sie einen Pilot mit klaren KPIs starten, Integrationen zu Kernsystemen planen, ein Governance-Framework für AI-Entscheidungen aufsetzen und Fachbereiche in der Konfiguration eigener Agenten schulen.