Guangrui Xie analysiert in seinem Beitrag, warum KI-Werkzeuge für mathematische Optimierung in der Praxis regelmäßig versagen, und stellt sein eigenes Projekt ORPilot als Lösung vor. Das Kernproblem: Bestehende LLM-basierte OR-Tools (wie die OptiMUS-Serie oder OR-LLM) setzen voraus, dass das Problem vollständig, eindeutig und mit eingebetteten Daten in einem einzigen Prompt vorliegt – eine Annahme, die in realen Supply-Chain- oder Produktionsplanungsszenarien nie erfüllt ist. Drei strukturelle Schwächen werden genannt: unvollständige Problemspezifikationen durch implizite Annahmen der Fachexperten, Datensätze die zu groß für den Kontextfenster sind (etwa Millionen von Nachfrageeinträgen), sowie Diskrepanzen zwischen verfügbaren Rohdaten (GPS-Koordinaten, Transaktionsprotokolle) und den für das Modell benötigten Parametern (Distanzmatrizen, aggregierte Nachfrage). ORPilot begegnet diesen Problemen mit einer fünfstufigen Pipeline, die mit einem Interview-Agenten beginnt: Dieser stellt pro Gesprächsrunde maximal eine klärende Frage und beginnt erst nach vollständiger Problemspezifikation mit der Modellierung. Ziel ist ein solver-agnostisches, reproduzierbares Artefakt, das unabhängig von Gurobi oder spezifischen Umgebungen eingesetzt werden kann.