Wir verwenden den Begriff „Digital Twin" selbst, um zu beschreiben, was wir bauen. Deshalb halten wir es für angebracht, offenzulegen, was der Begriff in der Forschung eigentlich bedeutet – und wo unsere eigene Verwendung streng genommen ungenau ist.
Drei Stufen, ein Unterscheidungskriterium
Die in der Fachliteratur meistzitierte Abgrenzung stammt von Kritzinger und Kollegen (2018). Sie unterscheiden nach einem einzigen Kriterium: Wie fließen die Daten zwischen dem physischen und dem digitalen Objekt?
Digital Model: „A digital representation of an existing or a planned physical object that does not use any form of automated data exchange between the physical object and the digital object… A change in the state of the physical object has no direct effect on the digital object and vice versa."
Digital Shadow: „if there further exists an automated one-way data flow between the state of an existing physical object and a digital object, one might refer to such a combination as Digital Shadow. A change in state of the physical object leads to a change of state in the digital object, but not vice versa."
Digital Twin: „If further, the data flows between an existing physical object and a digital object are fully integrated into both directions… the digital object might also act as controlling instance of the physical object."
In einem Satz:
- Manuell in beide Richtungen → digitales Modell
- Automatisch nur physisch → digital → digitaler Schatten
- Automatisch in beide Richtungen, digital steuert physisch → digitaler Zwilling
Nach diesem Maßstab ist ein Planungssystem, das nachts Telematikdaten einliest und morgens einen Tourenvorschlag ausgibt, den ein Disponent freigibt, ein digitaler Schatten. Kein Zwilling. Denn die Rückrichtung ist nicht automatisiert – ein Mensch entscheidet.
Das gilt auch für unser Planungsmodul. Wir halten die Unterscheidung trotzdem für nützlich, weil sie eine sinnvolle Frage stellt: Wie eng ist die Rückkopplung wirklich?
Was die Reviews finden
Die Frage, wie viele echte Zwillinge es in Logistik und Lieferkette gibt, ist untersucht worden. Benhamou, Giard und Lamouri haben 51 empirische Fallstudien anhand der Kernfunktionen eines Digital Twin bewertet – Simulation, Erkennung, Antizipation, Korrektur. Aus dem Abstract:
„operational deployments in SCM remain rare. Numerous studies mislabel simulation models or Digital Shadows (DSs) as DTs, blurring essential distinctions." … „only 16% achieve closed-loop capabilities typical of fully functional DTs, mainly in closed systems. In contrast, open systems still depend on human intervention."
16 Prozent von 51 Fallstudien – also etwa acht – erreichen einen geschlossenen Regelkreis. Und diese fast ausschließlich in geschlossenen Systemen, etwa einem Lager. Offene Systeme wie der Straßengüterverkehr brauchen weiter menschliche Entscheidung.
Le und Fan haben in einer PRISMA-Übersicht aus fast 29.000 Treffern 48 Arbeiten im Detail ausgewertet. Ihr Befund:
„only a few papers employ actual data sets for validation whereas the majority of papers utilize generative data sets. This revealed a potential shortfall in the practical implementation of DTs for LSCS."
Die Mehrheit der Arbeiten rechnet also auf erzeugten Daten, nicht auf echten.
Eine dritte Übersicht mit 129 Arbeiten kommt zu dem Schluss, Digital Twins in der Lieferkette befänden sich weiterhin „in the pilot stages of deployment".
Warum das keine Wortklauberei ist
Man könnte einwenden, es sei gleichgültig, wie man ein funktionierendes System nennt. Für die Anbieterauswahl ist es das nicht, aus drei Gründen:
Der Datenrückfluss bestimmt die Aktualität. Ein Modell, das einmal aufgesetzt und dann nicht gepflegt wird, altert. Fahrzeiten ändern sich, Kunden kommen und gehen, Brücken werden gesperrt. Die Frage „woher weiß Ihr Modell, dass sich etwas geändert hat?" trennt Prospekt von Produkt.
Die Rückrichtung bestimmt die Verantwortung. Ein System, das automatisch in den Betrieb eingreift, braucht eine andere Absicherung als eines, das Vorschläge macht. Wer „Zwilling" sagt, aber „Schatten" liefert, verkauft weniger Risiko als angekündigt – was in diesem Fall gut ist, aber besprochen gehört.
Der Begriff verspricht Vollständigkeit. „Zwilling" suggeriert ein vollständiges Abbild. Real ist jedes Modell selektiv. Die interessante Frage lautet nicht, ob es ein Zwilling ist, sondern welche Restriktionen darin abgebildet sind – und welche nicht.
Ein Wort zur Herkunftsgeschichte
Der Vollständigkeit halber: Die überall wiederholte Erzählung, Michael Grieves habe das Konzept 2002 oder 2003 eingeführt, ist eine nachträgliche Selbstauskunft. Grieves' Weißbuch von 2014 nennt 2003, die Sekundärliteratur meist 2002. Im Literaturverzeichnis der Arbeit von 2017 findet sich nichts aus diesen Jahren; die frühesten Selbstzitate stammen von 2005 und 2006, wo das Konzept noch anders hieß.
Bemerkenswert ist außerdem, dass das Gründungsdokument des Begriffs – das Weißbuch von 2014 – keine einzige Zahl enthält. Keine Prozentangabe, keine Studie, keine Messung. Es ist zudem über die Website eines Softwareherstellers verbreitet worden.
Zhou, Zhang und Gu haben diese Herkunftsfrage untersucht und schreiben nüchtern, es gebe „no conclusive documentary or photographic evidence" für den behaupteten Ursprung. Sie führen die Angabe in ihrer Übersicht unter der Spaltenüberschrift „Misinformation or self-reporting".
Die Zahlen, die kursieren – und was von ihnen bleibt
Zwei Angaben begegnen einem ständig:
„13 Prozent der Unternehmen nutzen bereits Digital Twins." Die Zahl ist echt und stammt von Gartner (2019). Sie ist nur anders zu lesen, als sie zitiert wird: Befragt wurden 599 Organisationen, die bereits IoT-Projekte umsetzen und über 50 Millionen Dollar Jahresumsatz haben. Die 13 Prozent beziehen sich also auf große IoT-Anwender, nicht auf Unternehmen allgemein. Gartner selbst merkt an, das Wachstum sei „due to extensive marketing and education by technology vendors".
„Digital Twins bringen 10 Prozent mehr Effektivität." Für diesen Zusatz haben wir keine Primärquelle gefunden. Er taucht nur in Blognacherzählungen auf.
Auch bei den Fallstudien mit Zahlen ist Vorsicht geboten. In der Recherche fanden sich zahlreiche Arbeiten mit beeindruckenden Prozentangaben – bei genauem Hinsehen sind es fast durchweg simulierte Szenarien, nicht gemessene Betriebsergebnisse. Eine Arbeit etwa nennt 8,6 bis 15,5 Prozent weniger Lebensmittelverluste; im Abstract steht davor das Wort „Simulations".
Eine Untersuchung, die wir hervorheben, weil sie ehrlich ist: Physikbasierte Zwillinge von 331 realen Obstsendungen von Spanien in die Schweiz zeigten, dass die Früchte 43 bis 85 Prozent ihrer Qualität verloren, bevor sie im Laden ankamen – „This quality loss remains invisible to the retailer." Das ist eine Messung an echten Sendungen. Sie misst allerdings ein Problem, keine erzielte Verbesserung.
Was wir daraus für uns ableiten
Wir bauen ein rechenbares Abbild Ihrer Disposition: Aufträge, Fahrzeuge, Depots, Zeitfenster, Restriktionen, echtes Wegenetz. Nach Kritzinger ist das ein digitaler Schatten mit einem Menschen in der Rückkopplung – und wir halten das für die richtige Bauform, solange Disponenten Verantwortung für den Plan tragen.
Was den praktischen Wert ausmacht, ist nicht der Begriff, sondern die Fähigkeit, Fragen zu beantworten, bevor sie teuer werden: Was passiert, wenn ein Fahrzeug ausfällt? Wenn wir einen Kunden dazunehmen? Wenn wir das Zeitfenster verhandeln? Jede dieser Fragen ist ein Rechenlauf.
Am nüchternsten hat es das britische National Physical Laboratory formuliert:
„The danger of this variety and vagueness is that a poor or inconsistent definition and explanation of a digital twin may lead people to reject it as just hype."
Dem ist wenig hinzuzufügen. Was ein solches Modell im Vergleich zu einer manuellen Planung tatsächlich anders rechnet, steht in unserem Beitrag dazu.
Was ein solcher Zwilling auf echten Dispositionsdaten rechnet und welche Größenordnungen dabei realistisch sind, steht im Leitfaden zur Tourenoptimierung. Wie eviit den Digital Twin in Projekten aufbaut, beschreibt die Seite Tourenplanung und Logistikplanung.
Quellen
- Kritzinger, W.; Karner, M.; Traar, G.; Henjes, J.; Sihn, W. (2018): Digital Twin in manufacturing: A categorical literature review and classification. IFAC-PapersOnLine 51(11), S. 1016–1022. doi.org/10.1016/j.ifacol.2018.08.474 — Definitionen hier zitiert nach Fuller u. a. (2020), die sie wörtlich wiedergeben
- Fuller, A.; Fan, Z.; Day, C.; Barlow, C. (2020): Digital Twin: Enabling Technologies, Challenges and Open Research. IEEE Access 8, S. 108952–108971. doi.org/10.1109/ACCESS.2020.2998358
- Benhamou, L.; Giard, V.; Lamouri, S. (2026): Digital twins in supply chain management: Scope and methodological issues. International Journal of Production Economics 291, 109842. doi.org/10.1016/j.ijpe.2025.109842
- Le, T. V.; Fan, R. (2024): Digital twins for logistics and supply chain systems. Computers & Industrial Engineering 187, 109768. doi.org/10.1016/j.cie.2023.109768
- Zaidi, S. A. H.; Khan, S. A.; Chaabane, A. (2024): Unlocking the potential of digital twins in supply chains: A systematic review. Supply Chain Analytics 7, 100075. doi.org/10.1016/j.sca.2024.100075
- Wright, L.; Davidson, S. (2020): How to tell the difference between a model and a digital twin. Advanced Modeling and Simulation in Engineering Sciences 7(1), 13. doi.org/10.1186/s40323-020-00147-4
- Zhou, J.; Zhang, S.; Gu, M. (2022): Revisiting digital twins: Origins, fundamentals, and practices. Frontiers of Engineering Management 9(4), S. 668–676. doi.org/10.1007/s42524-022-0216-2
- Sharma, A.; Kosasih, E.; Zhang, J.; Brintrup, A.; Calinescu, A. (2022): Digital Twins: State of the art theory and practice, challenges, and open research questions. Journal of Industrial Information Integration 30, 100383. doi.org/10.1016/j.jii.2022.100383
- Shoji, K.; Schudel, S.; Onwude, D.; Shrivastava, C.; Defraeye, T. (2022): Mapping the postharvest life of imported fruits from packhouse to retail stores using physics-based digital twins. Resources, Conservation and Recycling 176, 105914. doi.org/10.1016/j.resconrec.2021.105914
- Gartner (2019): Pressemitteilung Digital Twins Are Entering Mainstream Use — Befragung von 599 Organisationen mit laufenden IoT-Projekten