Personaleinsatz- und Schichtplanung

Planer in Krankenhäusern, Geschäften, Restaurants, Logistikdrehkreuzen und Kontaktzentren erstellen Dienstpläne in Tabellen und wägen dabei Bedarf, Qualifikationen, Arbeitsrecht und persönliche Wünsche ab. Eine Pipeline aus Prognose und Solver erzeugt in Minuten einen regelkonformen, faireren Dienstplan, lässt Mitarbeitende Schichten per App tauschen und plant neu, wenn sich jemand krankmeldet. Der Solver optimiert; ML liefert den Bedarf; LLMs sind nur die Schnittstelle. Da das Ergebnis die Arbeit von Menschen steuert, sind Betriebsrat und KI-Verordnung (AI Act) wichtig.

Problem & Nutzen

• Heute: Eine Teamleitung oder ein Personalplaner stellt den Dienstplan von Hand oder in Excel zusammen, oft wöchentlich oder monatlich. Die Restriktionen sind zahlreich: Mindestruhezeiten, Höchstarbeitszeiten, Qualifikationsmix, Fairness bei Wochenenden, Tarifverträge (z. B. TVöD, TV-L, Einzelhandelstarife), Teilzeitverträge. Kurzfristige Ausfälle lösen eine Neuplanung per Telefonrunde aus.
• Nutzen durch KI/Optimierung: Besetzung passend zum prognostizierten Bedarf (weniger Über- und Unterbesetzung), weniger Regelverstöße, transparente Fairness (Verteilung von Wochenenden und Nächten), weniger Planungszeit, verlässlichere Pläne und höhere Zufriedenheit der Mitarbeitenden durch wunschorientierte Planung und Tausch in Selbstbedienung.
• Belege: Anbieter veröffentlichen Fallstudien zu geringerer Planungszeit und weniger Überstunden, doch die Zahlen schwanken stark je nach Branche und Ausgangslage und werden selten unabhängig geprüft; messen Sie zuerst Ihre eigene Ausgangslage. Die akademische Forschung zur Dienstplanung in der Pflege vergleicht Solver seit Jahrzehnten [1][2].

Varianten

• Einzelhandel & Gastgewerbe: bedarfsgesteuerte Pläne aus Frequenz-/Umsatzprognosen, kurze Schichten, hohe Fluktuation.
• Gesundheit & Pflege: Qualifikationsmix, Fairness bei Nächten/Wochenenden, strenge Ruhezeitregeln; siehe HLTH-008.
• Kontaktzentren & Service-Desks: Besetzung auf Intervallebene (15-30 Min.) aus Anrufprognosen (PRED-011), mit fähigkeitsbasiertem Routing (OPT-035).
• Logistik, Lager, Flughäfen: Schichtvorlagen für mehrere Qualifikationen, Leih-/Zeitarbeitskräfte, Hochlauf in der Saison.
• Öffentlicher Sektor: Behördendienste wie Feuerwehr, Krankenhäuser, Stadtwerke mit Tarifverträgen und Betriebs-/Personalräten.
• Privatnutzung: Haushalts- oder Betreuungspläne in der Familie bzw. Dienstpläne von Vereinsehrenamtlichen über einfache Apps; ohne regulatorisches Gewicht.

So funktioniert es

1. Bedarfsprognose (PRED-011) + Personaldaten + Regeln
2. Regelübersetzung (Gesetz, Tarifvertrag, Betriebsvereinbarung
3. Restriktionen)
4. Optimierungsmodell (CP-SAT / MIP; harte Restriktionen + gewichtete weiche Ziele)
5. Dienstplan-Kandidat(en) + Erklärung der Verstöße und der Fairness
6. Prüfung & Freigabe durch den Planer (Mensch-in-der-Schleife)
7. Veröffentlichung in der Mitarbeiter-App, Marktplatz für Tausch/offene Schichten
8. tägliche Neuplanung bei Ausfall (Neuoptimierung mit minimalen Änderungen)
9. Ist-Werte aus der Zeiterfassung
10. Rückmeldung an Prognose und Regeln

• Bedarfsprognose: Gradient Boosting oder Zeitreihenmodelle (hierarchisch, mit Kalender, Wetter, Aktionen) je Intervall und Qualifikation.
• Optimierungskern: Die Entscheidung trifft ein Solver, kein Sprachmodell. Harte Restriktionen (Ruhezeit, gesetzliche Höchstgrenzen, Qualifikationen) müssen gelten; weiche Restriktionen (Wünsche, Fairness, Kosten) werden im Ziel gewichtet. Constraint Programming (CP-SAT) ist der De-facto- offene Standard für die Dienstplanung; kommerzielle MIP-Solver sind eine Alternative.
• LLM-Schicht (optional): Regeln aus Tarifverträgen in normaler Sprache in Kandidaten für Restriktionen überführen, die ein Mensch prüft, erklären, warum eine Schicht zugewiesen wurde, und Fragen der Mitarbeitenden in der App beantworten. Lassen Sie ein LLM den Dienstplan nie ungeprüft ändern; validieren Sie immer erneut mit der Regel-Engine.
• Mensch-in-der-Schleife (Human-in-the-Loop): Der Planer genehmigt; Mitarbeitende können im Rahmen der Regeln ablehnen oder tauschen; der Betriebsrat bestimmt bei Regeln und Zielen mit.

Datenaufbereitung

Die Dienstplanung braucht Mitarbeiterstammdaten (Verträge, Stunden, Fähigkeiten, Qualifikationen), Verfügbarkeiten, Abwesenheiten, Bedarfsprognosen und die geltenden Regeln (Arbeitszeitrecht, Tarifverträge, Hausregeln). Quellen sind HR-/Lohnsysteme, Zeiterfassung, Excel-Dienstpläne, WhatsApp-Wünsche und Papierlisten.

Typische Lücken sind veraltete Qualifikationen, nicht erfasste Wünsche und informelle Absprachen, Regeln, die nur die Schichtleitung kennt, fehlende Bedarfshistorie und widersprüchliche Daten der Zeiterfassung.

Schritte der Aufbereitung: - HR- und Zeitdaten exportieren (PREP-005) und Verträge und Fähigkeiten gemeinsam mit der Personalabteilung als Datenverantwortlicher bereinigen (PREP-004). - Regeln aus Tarifvertrag und betrieblicher Praxis als ausdrückliche, testbare Regellisten formalisieren (PREP-016). - Eine Bedarfshistorie (Aufträge, Frequenz, Patienten) aus bestehenden Systemen aufbauen und Excel-Dienstpläne strukturieren (PREP-011). - Daten für Tests pseudonymisieren (PREP-022) und Zweck und Rechtsgrundlage prüfen (PREP-025).

Grober Anteil am Aufwand: etwa 30-40 Prozent. Da HR-Daten personenbezogen sind, zählen Zugriffsrechte ebenso wie Qualität. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A. Ausgereifte, in der EU gehostete SaaS für die Schichtplanung mit Regel-Engines für das Arbeitszeitrecht gibt es zu Preisen je Mitarbeitenden.
• Großunternehmen: Weg C. Mitarbeiterdaten sind sensibel und Dienstpläne sind betriebskritisch; ein Open-Source-Solver wie Timefold auf eigener Infrastruktur, angebunden an HR-/Zeitsysteme, vermeidet Lizenzkosten pro Nutzer und hält die Daten im Haus.
• Entwickler: Weg C. Timefold oder OR-Tools laufen auf HW1.
• Öffentlicher Sektor: Weg C. Selbst betriebene Solver auf souveräner Infrastruktur halten Personaldaten unter eigener Kontrolle (Krankenhäuser, kommunale Dienste) und erleichtern die Beschaffung.

Weg A — Kaufen (Standardsoftware) (für die meisten empfohlen)

• Workforce-Management-Suiten: UKG (Kronos), Quinyx (SE), Planday (DK), Shiftbase (NL), Papershift (DE), Staffomatic (DE), Personio-Schichtpläne (DE, KMU-Grundfunktionen), Dienstplan-Werkzeuge wie Atoss Staff Efficiency Suite (DE, stark in Handel/Industrie/Gesundheit), Dienstplan- Spezialisten, Orbis/ P&I und SAP SuccessFactors / Workforce Scheduling für Großunternehmen. Gesundheitswesen: Deputy, generische Module von Krankenhausinformationssystemen.
• Prüfen: Datenhaltung in der EU, Unterstützung des deutschen Arbeitszeitgesetzes und lokaler Tarifverträge, Anbindung an die Zeiterfassung (verpflichtende Arbeitszeiterfassung), Lohnexport (DATEV), Dokumentation für den Betriebsrat, Erklärbarkeit, warum eine Schicht zugewiesen wurde.
• Weg A wählen, wenn: Standard-Schichtmodelle, 10-5.000 Mitarbeitende, ein Lohn-/Zeiterfassungssystem vorhanden ist.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Solver-Dienste: Google Cloud Optimization AI / OR-Tools auf einer eigenen VM, Gurobi Cloud, Timefold Platform (BE, Sitz in der EU; Modell Employee Scheduling), Entscheidungsplattform nextmv.
• Prognose: verwaltete Zeitreihendienste (Nachfolger von Amazon Forecast, Vertex AI, Azure ML) oder offene Bibliotheken im eigenen Mandanten.
• LLM-Schicht: Frontier-APIs in EU-Regionen (Claude, Gemini, GPT, Mistral) mit strukturierten Ausgaben, um Regeln zu übersetzen und Ergebnisse zu erklären; senden Sie keine identifizierbaren Personaldaten, wenn es nicht nötig ist.
• Weg B wählen, wenn: Sie ungewöhnliche Regeln haben oder die Dienstplanung in ein eigenes Produkt einbetten.

Weg C — Selbst betreiben (Open Source)

• Solver: Google OR-Tools CP-SAT (Apache-2.0; dokumentierte Beispiele für Mitarbeiter- und Pflege- einsatzplanung), Timefold Solver (Apache-2.0, Java/Python; Quickstart zur Mitarbeitereinsatzplanung), OptaPlanner- Linie, HiGHS, Pyomo/PuLP, MiniZinc.
• Prognose: LightGBM, Prophet, StatsForecast, offene Zeitreihen-Foundation-Modelle wie Chronos oder TimesFM als Ausgangsbasis.
• LLM (optional): ein kleines selbst betriebenes Modell mit offenen Gewichten (z. B. Qwen-, Llama-, Mistral-Familien, ca. 8B) über Ollama oder vLLM für Regelentwürfe und Erklärungen.
• Hardware: HW1 genügt - die Dienstplanung ist CPU-lastig; GPUs braucht nur ein optionales LLM. Betriebsaufwand: gering, aber die Regelmodellierung erfordert Kompetenz in Operations Research oder starke Entwicklerkenntnisse.

Weg D — Eigenes Training

Für den Dienstplan selbst selten nötig. Lohnt sich für eigene Bedarfsmodelle (viele Standorte, reiche Historie), gelernte Vorhersagen von Schichtwünschen oder Nichterscheinen oder für Reinforcement Learning/gelernte Heuristiken bei sehr großer oder Echtzeit-Neuplanung. Erfordert ein bis zwei Jahre Bedarfs- und Anwesenheitshistorie je Standort.

Stand der Technik (2026)

• Hybrid „erst vorhersagen, dann optimieren“: ML-Prognosen speisen exakte Solver; Solver der CP-SAT-Klasse lösen realistische Instanzen der Pflegedienstplanung gut und sind der praktische Standard. Reine End-to-End-Neuronale- Dienstplanung ist weiterhin Forschungsniveau [2].
• Übersetzung von LLM zu Modell: LLMs helfen, Restriktionsmodelle aus Text zu schreiben (siehe OPT-018), erzeugen aber subtile Regelfehler; gegen Testdienstpläne prüfen und die Regel-Engine maßgeblich lassen.
• Mitarbeiterzentrierte Planung: Wunschabgabe, Selbstplanung, Fairness-Ziele und Marktplätze für Schichttausch sind in modernen Suiten Standard.
• Neuoptimierung: stabilitätswahrende Neuplanung bei Ausfall, mit minimalen Änderungen an bereits veröffentlichten Schichten.
• Grenzen: schlechte Daten (falsche Verfügbarkeit, fehlende Qualifikationen), unterspezifizierte informelle Regeln, Prognosefehler auf Intervallebene und Fairness-Ziele, die Wünschen widersprechen. Rein auf Kosten zu optimieren kann ungesunde, unvorhersehbare Pläne hervorbringen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (optimization-solver + time-series): OPT-002 Produktionsfeinplanung, OPT-013 Stundenplanung, OPT-019 Außendiensteinsatz, OPT-035 Routing im Kontaktzentrum; eine CP-SAT-/Timefold- Wissensbasis bedient alle.
• Vorgelagert: PRED-011 Prognose von Arbeitslast und Personalbedarf; HLTH-008 Krankenhauskapazität.
• Schnittstelle: AGENT-012 Planungsagenten können Tauschwünsche per Chat bearbeiten; Workflow-Engine gemeinsam mit AGENT-002 Automatisierung der Verwaltung.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis 3 Monate inkl. Regelkonfiguration, Anbindung an Lohn/Zeiterfassung und Vereinbarung mit dem Betriebsrat; üblich ist SaaS-Preisgestaltung je Mitarbeitenden und Monat.
• Weg B/C: 3-6 Monate für ein produktives Modell mit Integration; die Kosten entstehen überwiegend durch Entwicklung und Regelmodellierung.
• Kennzahlen: Besetzung gegenüber Bedarf je Intervall, Personalkostenquote, Überstunden, Regelverstöße (Ziel: null harte), Planerstunden je Dienstplan, Anteil erfüllter Wünsche, Fairness-Streuung (Nächte/Wochenenden), kurzfristige Änderungen, Zeit bis zur Besetzung bei Krankmeldung, Fluktuation/Zufriedenheit der Mitarbeitenden.

Menschen & Veränderung

Beziehen Sie Geschäftsleitung, Personalabteilung, Schicht- bzw. Abteilungsleitungen, Mitarbeitende als Anwender und den Betriebsrat vom ersten Konzept an ein, dazu die IT und die/den Datenschutzbeauftragte(n).

Betriebsrat: ja, in Unternehmen, die einen haben. Dienstpläne berühren die Arbeitszeit (§87 Abs. 1 Nr. 2 und 3 BetrVG), und ein System, das Wünsche, Abwesenheiten und Fairnessdaten verarbeitet, ist objektiv geeignet, Verhalten zu überwachen (§87 Abs. 1 Nr. 6). §90 Abs. 1 Nr. 3 verlangt frühzeitige Information, §80 Abs. 3 erlaubt einen KI-Sachverständigen auf Kosten des Unternehmens, und wenn das Werkzeug Auswahl- oder Einsatzentscheidungen beeinflusst, gilt §95 Abs. 2a. Schließen Sie eine Betriebsvereinbarung (GUIDE-004). Öffentlicher Dienst: Personalrat.

Datenschutz: Beschäftigtendaten brauchen eine Rechtsgrundlage (§26 BDSG), einen AVV mit dem Anbieter und voraussichtlich eine DSFA, wenn Wünsche oder Abwesenheiten systematisch ausgewertet werden (GUIDE-005). Je nach Nutzung können Hochrisiko-Regeln berührt sein (Anhang III, Beschäftigung), siehe GUIDE-014.

KI-Kompetenz: Schulen Sie Planer und Mitarbeitende zu Fairnessregeln und zur Funktionsweise des Tauschs; das unterstützt die KI-Kompetenz nach Art. 4 der KI-Verordnung (AI Act) (GUIDE-006).

Pilotieren Sie mit einem aufgeschlossenen Team, veröffentlichen Sie die Fairnessregeln und lassen Sie der Schichtleitung die manuelle Übersteuerung. Typische Sorgen sind intransparente Fairness, übergangene Wünsche und Überwachung; begegnen Sie ihnen mit Transparenz und einem Vetorecht. Siehe GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): abhängig vom Einzelfall. Reine regelbasierte oder Solver-gestützte Dienstplanung aus Verfügbarkeiten ist in der Regel nicht hochriskant. Anhang III Nr. 4 Buchst. b nennt KI-Systeme, die dazu dienen, Aufgaben auf Grundlage von individuellem Verhalten oder persönlichen Eigenschaften oder Merkmalen zuzuweisen oder Leistung und Verhalten in Arbeitsverhältnissen zu überwachen und zu bewerten; ein Dienstplan, der Beschäftigte nach vorhergesagter Zuverlässigkeit oder Leistung einstuft oder Aufgaben nach Verhaltensprofilen zuweist, kann in die Hochrisiko-Klasse fallen (Pflichten von Anbieter und Betreiber: Risikomanagement, Protokollierung, menschliche Aufsicht, Information der Beschäftigten). Emotionserkennung am Arbeitsplatz ist verboten (Art. 5 Abs. 1 Buchst. f); schließen Sie nie auf Stimmungen oder Emotionen, um zu planen. KI-Kompetenz (Art. 4) gilt [3].
• DSGVO: Personaldaten (gesundheitsbezogene Abwesenheit, Verfügbarkeit, Gewerkschaftszugehörigkeit über Wünsche) sind personenbezogene Daten und teils besondere Kategorien; Beschäftigungskontext (Art. 88 DSGVO, §26 BDSG in Deutschland), Datenminimierung, keine Nutzung von Krankheitsgründen, DSFA bei Profiling, Art. 22: Grenzen für ausschließlich automatisierte Entscheidungen mit erheblichen Auswirkungen [4].
• Arbeitsrecht: deutsches Arbeitszeitgesetz (Ruhezeit 11 Std., tägliche Höchstarbeitszeit), Jugendarbeitsschutzgesetz, Mutterschutzgesetz, EU-Arbeitszeitrichtlinie 2003/88/EG, Tarifverträge; EuGH-Urteil zur systematischen Arbeitszeiterfassung. Mitbestimmung des Betriebsrats bei Arbeitszeit und technischer Überwachung (BetrVG §87 Abs. 1 Nr. 2, 6); Ankündigungsfristen bei Planänderungen. Die Plattformarbeitsrichtlinie (EU) 2024/2831 ergänzt Regeln zum algorithmischen Management für Plattformbeschäftigte [5].
• Risiken und Gegenmaßnahmen: unfaire Muster und mittelbare Diskriminierung (Fairnesskennzahlen nach Gruppen prüfen), unvorhersehbare Pläne (früh veröffentlichen, Änderungen begrenzen), verdeckte Überwachung (Dienstplanung von Leistungsbewertung trennen), Modellfehler (vom Solver unabhängige Prüfung der harten Restriktionen), übermäßiges Vertrauen (Freigabe durch den Planer, Protokoll der Übersteuerungen).

Erste Schritte

1. Ihre Regeln dokumentieren (Gesetz, Vereinbarungen, informelle Praxis) und die Ausgangslage messen: Planerstunden, Überstunden, Verstöße.
2. Den Betriebsrat früh einbinden; Ziele, genutzte Daten und untersagte Nutzungen vereinbaren.
3. Ein Team pilotieren, mit einem Werkzeug aus Weg A oder einem OR-Tools-/Timefold-Prototyp auf vergangenen Dienstplänen, und vergleichen.
4. Eine Bedarfsprognose ergänzen (mit einer einfachen saisonalen Basis beginnen) und gegen die Ist-Werte testen.
5. Mit Funktionen für Tausch/offene Schichten ausrollen und Fairness und Kennzahlen monatlich prüfen.

Quellen

1. Google OR-Tools — Employee scheduling (CP-SAT) — https://developers.google.com/optimization/scheduling/employee_scheduling
2. Ernst et al. 2004, "Staff scheduling and rostering: A review of applications, methods and models", European Journal of Operational Research — https://doi.org/10.1016/S0377-2217(03)00095-X
3. Regulation (EU) 2024/1689 (AI Act), Art. 4, Art. 5, Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
4. Regulation (EU) 2016/679 (GDPR), Art. 22 and Art. 88 — https://eur-lex.europa.eu/eli/reg/2016/679/oj
5. Directive (EU) 2024/2831 on improving working conditions in platform work — https://eur-lex.europa.eu/eli/dir/2024/2831/oj
6. Timefold — Employee scheduling documentation — https://docs.timefold.ai/employee-scheduling/latest/introduction
7. Directive 2003/88/EC (Working Time Directive) — https://eur-lex.europa.eu/eli/dir/2003/88/oj