Lehrerarbeitsbelastungs-Ungleichgewicht

Das echte Ausmaß des Problems

Deutschlands Lehrkräfte gehören zu den am stärksten belasteten Berufsgruppen des Landes — das ist gut dokumentiert. Laut dem Schulbarometer der Robert Bosch Stiftung (2024) gaben 78 Prozent der befragten Lehrkräfte an, sich durch ihre Arbeit stark belastet zu fühlen. Eine Hamburger Studie der GEW (2025) kommt zu dem Ergebnis, dass bei knapp jeder fünften Lehrkraft ein hohes Risiko für Depression oder Burnout besteht. Bundesweit erreichten die Krankentage von Lehrkräften 2024 mit durchschnittlich 21,7 Tagen pro Jahr einen historischen Höchststand.

Was in diesen Zahlen weitgehend unsichtbar bleibt: Die Belastung ist innerhalb der Kollegien extrem ungleich verteilt. Eine von der Kooperationsstelle der Universität Göttingen ausgewertete Zeiterfassungsstudie zeigt: Die Streuung der tatsächlichen Arbeitszeit ist enorm — Lehrkräfte arbeiten im Einzelfall bis zu 15 Stunden über oder unter ihrem Soll pro Woche. Die Studie kommt zu dem Schluss, dass die geltenden Systeme zur Arbeitszeitzuteilung es „strukturell nicht ermöglichen, faire Verteilung und Vermeidung von Mehrarbeit zu gewährleisten”.

Eine Arbeitszeitstudie an Hamburger Sekundarschulen (2020, ausgewertet durch news4teachers) dokumentierte: Rund die Hälfte der Vollzeitlehrkräfte arbeitet über ihren Sollstunden, bei Teilzeit-Lehrkräften sogar 60 Prozent. In Ausnahmefällen beträgt die wöchentliche Mehrarbeit 15 Stunden oder mehr — ohne dass jemand im System diese Einzelfälle systematisch bemerkt.

Die kritischen Belastungstreiber sind dabei nicht einzeln sichtbar, sondern in ihrer Kombination:

• Vertretungsfrequenz — wer springt regelmäßig für andere ein?
• Klassenstärke — wer unterrichtet konsequent die größten Klassen?
• Fachkombination — wer hat die zeitintensivsten Korrekturfächer?
• Außerunterrichtliche Funktionen — wer hat Klassenleitungen, Arbeitsgruppen, Schulveranstaltungen kumuliert?

Keine dieser Dimensionen ist für sich allein das Problem. Ihre Kumulation auf einzelne Personen ist es.

Warum die Stundenplankommission das nicht sieht — und das System nicht schuld ist

Die meisten weiterführenden Schulen in Deutschland nutzen WebUntis oder ein vergleichbares System. In diesen Systemen liegen bereits weitgehend vollständige Daten vor: wer wann wen vertreten hat, welche Lehrkraft wie viele Unterrichtsstunden leistet, welche Klassen wie groß sind. WebUntis hat sogar eine eingebaute Statistikfunktion, die zeigt, wie viele Vertretungsstunden eine Lehrkraft in einem definierten Zeitraum absolviert hat.

Das Problem ist kein Datenproblem. Es ist ein Aggregationsproblem.

Die Stundenplankommission arbeitet in einer Rolle: Sie balanciert Fächerkombinationen, Raumverfügbarkeiten und Deputate zum Zeitpunkt der Planung. Das Vertretungssystem wird von der Schulleitung oder einer beauftragten Lehrkraft gepflegt — reaktiv und anlassgebunden. Das Sekretariat führt Abwesenheiten. Die Schulsozialarbeit beobachtet Erschöpfungszeichen im Kollegium.

Diese vier Rollen sehen jeweils einen Teil des Systems — aber niemand führt die Dimensionen zu einem Bild pro Lehrkraft zusammen. Die Stundenplankommission weiß zum Zeitpunkt ihrer nächsten Planung nicht, welche Lehrkraft im abgelaufenen Schuljahr überproportional oft eingesprungen ist. Das liegt nicht daran, dass niemand aufpasst. Es liegt daran, dass kein Prozess existiert, der diese Aggregation erzeugt.

Genau das ist der Kern dieses Anwendungsfalls: keine KI, die etwas Neues erfindet, sondern ein System, das vorhandene Daten aus drei verschiedenen Blickwinkeln zur selben Lehrkraft zusammenzieht — und das Muster sichtbar macht, das bis dahin unsichtbar war.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Verbesserungen unter der Analyse-Spalte setzen voraus, dass die Erkenntnisse auch zu Entscheidungen führen — also dass Schulleitung oder Schulträger tatsächlich die Autorität haben und nutzen, Verteilungen anzupassen.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5)
Wer heute wissen will, welche Lehrkräfte in diesem Schuljahr überproportional Vertretungen übernommen haben, braucht ohne ein eingerichtetes System mehrere Stunden manuelle Auswertung — und kommt dann wahrscheinlich trotzdem zu einem unvollständigen Bild, weil nicht alle relevanten Dimensionen zusammengeführt wurden. Mit einem einmal eingerichteten Dashboard ist diese Auswertung wöchentlich in wenigen Minuten verfügbar. Das ist eine substantielle Zeitersparnis für Schulleitung und Stundenplankommission — besonders in der Planungsphase für das neue Schuljahr.

Kosteneinsparung — niedrig (2/5)
Die theoretische Rechnung klingt überzeugend: Eine Lehrkraft im Burnout verursacht Mehrkosten durch Krankheitsvertretung, ggf. externe Honorarkräfte und langfristige Ausfälle. In Berlin bezifferte die Senatsverwaltung die durchschnittlichen Kosten einer Lehrkraft-Dienstunfähigkeit auf weit über 100.000 Euro. Aber: Diese Ersparnisse sind kaum dem Dashboard zuzurechnen. Wir wissen nicht, ob die identifizierten Lehrkräfte ohne Analyse einen Burnout entwickelt hätten. Der Nutzen ist real, aber nicht buchbar.

Schnelle Umsetzung — hoch (4/5)
Wenn WebUntis oder ein vergleichbares System bereits im Einsatz ist und Daten digital vorliegen, ist ein erstes Dashboard realistisch in zwei bis vier Wochen aufzubauen. Power BI Desktop ist kostenlos, die CSV-Exporte aus WebUntis sind standardmäßig verfügbar. Der aufwändigste Schritt ist die Klärung mit dem Personalrat — nicht die Technik. Verglichen mit anderen Bildungs-KI-Projekten in dieser Kategorie gehört das zu den schnelleren Implementierungen.

ROI-Sicherheit — sehr niedrig (1/5)
Das ist die ehrlichste Einschätzung, die wir geben können: Der Return on Investment lässt sich hier kaum isoliert messen. Anders als bei der KI-gestützten Abwesenheits- und Lernrückstandsanalyse, wo Lernstandsveränderungen zumindest proximal messbar sind, ist die Frage “Hat das Dashboard diesen Burnout verhindert?” nicht beantwortbar. Die einzige nachweisbare Aussage ist: Die Verteilung war X, nach der Intervention ist sie Y. Ob und wie viele Burnouts damit verhindert wurden, bleibt eine plausible Annahme, kein Nachweis. Wer ROI-Sicherheit braucht, ist bei anderen Anwendungsfällen besser aufgehoben.

Skalierbarkeit — hoch (4/5)
Einmal aufgebaut, kostet das Dashboard pro neuem Schuljahr nur den Aufwand eines Datenupdates. Schulträger mit mehreren Schulen können dasselbe Modell auf alle Schulen anwenden und einen Träger-übergreifenden Vergleich erstellen. Das ist einer der seltenen Fälle im Bildungsbereich, wo ein Analyse-Tool ohne wesentlichen Mehraufwand mehr Schulen und mehr Schuljahre abdeckt.

Richtwerte — stark abhängig von vorhandener Systemlandschaft, Personalratsstruktur und Managementautorität der Schulleitung.

Was das Analyse-System konkret macht

Das technische Konzept ist einfacher als der politische Prozess dahinter. Es geht im Kern darum, drei Datensätze, die separat existieren, zur selben Lehrkraft zu verknüpfen:

Datensatz 1 — Vertretungsstatistik (aus WebUntis oder vergleichbarem System)
Wie viele Vertretungsstunden hat Lehrkraft X im Schuljahr übernommen? An wie vielen verschiedenen Tagen? Für welche Kollegen?

Datensatz 2 — Stundenplanstruktur (ebenfalls aus dem Stundenplanprogramm)
Wie viele Unterrichtsstunden hat Lehrkraft X regulär? In wie vielen verschiedenen Klassen? Mit welchen Fächern (Korrekturfächer wie Deutsch, Englisch, Geschichte vs. “korrekturarme” Fächer)?

Datensatz 3 — Klassenstruktur (aus dem Schulsystem)
Wie groß sind die Klassen, die Lehrkraft X unterrichtet? Trägt sie eine Klassenleitung?

Diese drei Datensätze werden zusammengeführt und in einem Predictive Analytics-Dashboard visualisiert. Das Ergebnis: Pro Lehrkraft ein “Belastungsprofil” mit Vergleich zum Kollegiumsmittelwert. Wer liegt außerhalb der Standardabweichung? Wer kombiniert hohe Vertretungsfrequenz mit großen Klassen und einem Korrekturschwergewicht?

Das System erfindet keine Bewertung. Es macht eine Bewertung, die implizit schon im System steckte, zum ersten Mal sichtbar.

Ein einfaches Tool wie Power BI reicht für diese Aggregation vollständig aus — es braucht keinen Machine Learning-Algorithmus. Die “KI” in diesem Anwendungsfall ist buchstäblich das Zusammenzählen von Daten, die vorher niemand zusammengezählt hat.

Konkrete Werkzeuge — was wann passt

WebUntis — Datenquelle Nr. 1 (die meisten Schulen nutzen sie bereits)
WebUntis ist die browserbasierte Verwaltungsplattform für Stundenpläne und Vertretungen. Wichtig: WebUntis hat bereits eingebaute Substitutionsstatistiken — man kann direkt im System sehen, wie viele Vertretungsstunden jede Lehrkraft in einem Zeitraum hatte. Das reicht für eine erste manuelle Sichtung. Für systematische Auswertungen braucht es den CSV-Export oder API-Zugriff in ein Dashboard-Tool. WebUntis ist in weiterführenden Schulen in Deutschland Marktführer — wenn dieses System nicht vorhanden ist, funktioniert dieser Anwendungsfall nicht.

Power BI — Dashboard-Tool der Wahl für Microsoft-Umgebungen
Power BI Desktop ist kostenlos (Windows) und kann CSV-Exporte aus WebUntis direkt einlesen. Ein Dashboard, das Vertretungsstatistik, Deputat und Klassengröße pro Lehrkraft visualisiert, ist ohne Programmierkenntnisse in wenigen Stunden aufgebaut. Für das Teilen innerhalb der Schulleitung reichen 2–3 Power BI Pro-Lizenzen (12,10 EUR/Person/Monat). Diese Kombination — kostenloser Export aus WebUntis, kostenloser Power BI Desktop für die Erstellung, wenige Pro-Lizenzen für das Sharing — macht dies zur günstigsten Implementierungsoption.

Looker Studio — kostenlose Alternative für Google-Workspace-Schulen
Für Schulen, die mit Google Workspace arbeiten und keine Windows-Umgebung für Power BI haben: Looker Studio ist kostenlos und browser-basiert. Einschränkung: Datenhosting bei Google in den USA — für strenge Datenschutzbehörden ein Problem, wenn personenbezogene Lehrerdaten verarbeitet werden. Nur verwenden, wenn der Datenschutzbeauftragte explizit zugestimmt hat.

Python/Pandas mit WebUntis-API — für Schulen mit technischem Personal
Der WebUntis JSON-REST-API ermöglicht automatisierten Datenabruf ohne manuellen Export. Schulen mit einer IT-affinen Lehrkraft oder externem Dienstleister können damit vollautomatische wöchentliche Auswertungen erzeugen. Die Python-Bibliothek webuntis ist open source verfügbar. Für kleine Schulen ohne Technikpersonal nicht praktikabel.

Wann welcher Ansatz:

• WebUntis vorhanden + erste manuelle Sichtung → Eingebaute WebUntis-Statistik
• Regelmäßige Auswertung + Microsoft-Umgebung → Power BI Desktop + CSV-Export
• Google Workspace + kein Windows + Datenschutz geklärt → Looker Studio
• IT-Personal vorhanden + Automatisierung gewünscht → WebUntis-API + Python

Datenschutz und Datenhaltung

Dies ist der kritischste Abschnitt — und der häufigste Grund, warum Projekte dieser Art nie starten.

Das Kernproblem: Wenn du analysierst, welche Lehrkraft wie viele Vertretungsstunden hatte oder welche Klassen sie unterrichtet, verarbeitest du personenbezogene Daten im Sinne der DSGVO — Beschäftigtendaten, die einem besonderen Schutz unterliegen.

Was das konkret bedeutet:

Erstens: Die Einführung eines Systems, das personenbezogene Beschäftigtendaten automatisiert auswertet, ist mitbestimmungspflichtig. Das gilt in allen Bundesländern. Der Personalrat muss einbezogen werden — nicht als Formalität, sondern weil er gesetzlich mitentscheidet. Ohne Personalratsbeteiligung ist das Projekt rechtlich angreifbar.

Zweitens: Das Instrument der Wahl ist eine Dienstvereinbarung zwischen Schulleitung und Personalrat. In der Dienstvereinbarung wird geregelt: Welche Daten werden ausgewertet? Wer hat Zugriff? Wird das Dashboard für individuelle Leistungsbewertungen genutzt? (Antwort: nein — das ist der entscheidende Punkt.) Eine Musterformulierung: „Die Auswertung dient ausschließlich der Kapazitätsplanung und der gleichmäßigen Verteilung von Arbeitsbelastung. Sie ist keine Leistungsbeurteilung und darf nicht als Grundlage für dienstrechtliche Maßnahmen verwendet werden.”

Drittens: Die verarbeiteten Daten — Vertretungsstatistiken, Deputate, Klassengrößen — sind objektive Planungsdaten, keine Leistungsbeurteilungen. Das ist ein wichtiger Unterschied: Du wertest nicht aus, wie gut jemand unterrichtet, sondern wie viel und unter welchen Rahmenbedingungen. Dieser Unterschied muss in der Dienstvereinbarung klar benannt sein.

Datenhaltung:
Wenn Power BI mit EU-Datenboundary betrieben wird, ist die Datenhaltung DSGVO-konform. Für maximale Sicherheit empfiehlt sich Power BI Desktop lokal (Daten verlassen die Schule nicht) oder ein selbst gehostetes BI-Tool auf schuleigenem Server. Looker Studio ist wegen US-Datenhaltung nur nach expliziter datenschutzrechtlicher Freigabe zu empfehlen.

Landesdatenschutzrecht:
Die Datenschutzgesetze der Bundesländer für Schulen variieren. Bayern, NRW und Baden-Württemberg haben eigene Schulgesetze mit spezifischen Datenschutzregelungen. Die Schulleitung sollte den zuständigen Schulträger und ggf. den Landesdatenschutzbeauftragten konsultieren, bevor das Projekt startet.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• WebUntis-Export einrichten und verstehen: 2–4 Stunden intern (keine Zusatzkosten, wenn WebUntis bereits vorhanden)
• Power BI Dashboard aufbauen: je nach Komplexität 8–20 Stunden intern oder 1.500–4.000 Euro externer Beratungsaufwand
• Personalrats-Abstimmung und Dienstvereinbarung: 4–12 Stunden Prozessaufwand, ggf. Rechtsberatung (500–1.500 Euro)
• Gesamteinrichtungskosten mit externer Unterstützung: 3.000–6.000 Euro

Laufende Kosten (monatlich)

• Power BI Desktop: kostenlos (Erstellung läuft auf Windows-PC der Schulleitung)
• Power BI Pro für 2–3 Nutzer (Schulleitung + Stundenplankommission): 24–37 Euro/Monat
• Daten-Update: 30–60 Minuten monatlich intern

ROI-Rechnung (sehr konservativ)
Eine Langzeitkrankschreibung einer Lehrkraft verursacht Mehrkosten durch Vertretung, Honorarlehrkräfte und Verwaltung. Diese Kosten variieren stark, sind aber im Einzelfall erheblich. Lässt sich durch frühzeitige Entlastung auch nur ein Langzeitausfall im Jahr verhindern, amortisiert sich das Dashboard schnell. Das Problem: Das lässt sich nicht belegen. Die realistische Erwartungshaltung ist daher: Das Dashboard rechtfertigt sich durch Zeitersparnis in der Planungsarbeit (mehrere Stunden pro Planungszyklus) und bessere Informationslage — nicht durch einen berechenbaren Burnout-ROI.

Typische Einstiegsfehler

1. Das Dashboard bauen, bevor der Personalrat eingebunden ist.
Das ist der häufigste und folgenreichste Fehler. Ein Dashboard, das Beschäftigtendaten auswertet und ohne Personalratsbeteiligung eingeführt wird, ist angreifbar — und wird in der Regel auch angegriffen. Nicht weil der Personalrat prinzipiell gegen datenbasierte Personalplanung ist, sondern weil das Gesetz klare Mitbestimmungsrechte vorsieht und diese Rechte zu ignorieren Vertrauen zerstört. Reihenfolge: Zuerst Gespräch mit dem Personalrat, dann Technik.

2. Nur Vertretungsstunden zählen, ohne andere Faktoren.
Wer ausschließlich die Vertretungsfrequenz auswertet, bekommt ein einseitiges Bild. Eine Lehrkraft mit vielen Vertretungsstunden, aber kleinen Klassen und keiner Klassenleitung, ist möglicherweise weniger belastet als eine Kollegin mit wenigen Vertretungsstunden, aber vier Korrekturfächern und 30 Schülerinnen und Schülern je Klasse. Das Belastungsprofil muss mehrere Dimensionen abbilden — sonst führt das Dashboard zu falschen Schlüssen.

3. Das Dashboard als Druckmittel nutzen.
Wenn Lehrkräfte erfahren, dass ihre Arbeit in einem Dashboard erfasst wird, entsteht Misstrauen — berechtigt oder nicht. Das Dashboard erzeugt dann Abwehr, nicht Kooperation. Lösung: Das System im Kollegium transparent vorstellen. Erklären, was ausgewertet wird (objektive Planungsdaten) und was nicht (Unterrichtsqualität, Anwesenheit bei Nebenterminen, persönliche Situation). Und: Den Personalrat nicht nur formal einbinden, sondern kommunikativ als Teil des Prozesses präsentieren.

4. Die Analyse nicht aktuell halten.
Ein Dashboard, das auf Daten aus dem vorigen Schuljahr basiert und nicht regelmäßig aktualisiert wird, ist schlimmer als kein Dashboard — weil es falsche Sicherheit erzeugt. Die Reihenfolge der Belastung verändert sich innerhalb eines Schuljahres. Wer das Dashboard nur einmal jährlich aktualisiert, sieht zu spät, wenn sich die Situation einer Lehrkraft unterjährig kritisch entwickelt. Mindestens monatliche Datenupdates sind realistisch und notwendig.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Implementierung ist nicht das Schwierige. Das Schwierige ist die politische Dimension.

Widerstandsmuster 1: Die skeptischen Lehrkräfte.
Sobald bekannt wird, dass Daten über Arbeitsbelastung erfasst und ausgewertet werden, entsteht die Frage: “Wird das jetzt zur Leistungskontrolle?” Die Antwort muss klar und glaubwürdig sein. Was konkret hilft: Die Dienstvereinbarung öffentlich vorstellen und die Einschränkungen benennen — was das System nicht kann, nicht darf, nicht soll. Lehrkräfte, die das Dashboard als Belastungsnachweis nutzen können (“Ich sehe selbst, dass ich überdurchschnittlich viel vertreten habe”), werden eher Verbündete als Gegner.

Widerstandsmuster 2: Die Stundenplanverantwortlichen.
Wer jahrelang den Stundenplan gebaut hat, könnte das Dashboard als implizite Kritik lesen: “Ihr habt die Verteilung falsch gemacht.” Das ist eine verständliche Reaktion — und keine faire. Die Stundenplankommission hatte nie das Werkzeug, diese Dimension zu sehen. Das Dashboard ist kein Urteil über vergangene Arbeit, sondern ein Instrument für zukünftige Planung. Wenn das deutlich kommuniziert wird, ist die Chance auf Kooperation hoch.

Was konkret hilft:

• Das Dashboard gemeinsam mit der Stundenplankommission vorstellen, nicht über sie hinweg
• Einen klaren Verwendungszweck definieren und dokumentieren (Planungsgrundlage, keine Bewertung)
• Die ersten Auswertungsergebnisse in einer geschlossenen Runde besprechen, bevor Konsequenzen gezogen werden
• Datenhoheit transparent machen: Wer sieht was? Wer hat Zugriff auf die Individualauswertungen?

Was nicht passiert:
Das Dashboard verteilt die Arbeit nicht automatisch um. Es erstellt keine Vorschläge. Es reduziert keine Vertretungsstunden von selbst. Es ist ein Analyse-Werkzeug — was damit gemacht wird, entscheiden Menschen. Ohne Bereitschaft der Schulleitung oder des Schulträgers, auf Basis der Daten auch zu handeln, ist das Dashboard wertlos.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Das ist Mitarbeiterdaten — das darf die KI nicht.”
Dieser Einwand ist berechtigt — und löst sich auf, wenn man ihn präzise beantwortet. Das Analyse-System wertet keine Leistungsdaten aus, keine Krankmeldungsdiagnosen, keine Beurteilungen. Es aggregiert objektive Planungsdaten: wer hat wie viele Stunden unterrichtet, wie viele Klassen, wie viele Vertretungen. Diese Daten liegen in der Schulverwaltung ohnehin bereits digital vor — das System führt sie nur zusammen. Was datenschutzrechtlich notwendig ist: Personalratsbeteiligung, eine Dienstvereinbarung, die den Verwendungszweck klar begrenzt, und EU-konforme Datenhaltung. Das sind machbare Anforderungen — keine Verbote.

“Wir haben das doch schon immer im Blick.”
Das stimmt häufig für die direkte Beobachtung — die Schulleitung kennt ihre Schlüsselpersonen. Es stimmt selten für die systematische Erfassung über das gesamte Kollegium. Die Studie der Universität Göttingen zeigt, dass Belastungsungleichgewichte in der Selbstwahrnehmung von Schulleitungen deutlich geringer erscheinen als in der tatsächlichen Messung. Wer sagt „Ich kenne mein Kollegium”, hat wahrscheinlich die offensichtlichen Fälle im Blick — aber nicht die stillen, die erst nach Jahren als Burnout sichtbar werden.

“Das ändert doch nichts — wir können die Verteilung trotzdem nicht fair machen.”
Das ist die ehrlichste Gegenfrage, und sie hat einen wahren Kern. Wenn die Personalressourcen so knapp sind, dass keine faire Verteilung möglich ist, macht das Dashboard die Not sichtbar — aber löst sie nicht. Was es ermöglicht: eine informierte Diskussion über Prioritäten. Wenn drei Lehrkräfte strukturell überlastet sind und das System es dokumentiert, ist das eine andere Verhandlungsgrundlage mit dem Schulträger oder dem Kultusministerium, als wenn es nur als Bauchgefühl in der Konferenz steht.

Woran du merkst, dass das zu dir passt

Das System ist sinnvoll für dich, wenn:

• Eure Schule hat 20 oder mehr Lehrkräfte, die im Stundenplan und Vertretungssystem digital erfasst sind — darunter ist die Verteilung für eine Schulleitung meist noch durch direkte Beobachtung zu überblicken.
• Ihr nutzt WebUntis, DaVinci, EduPage oder eine vergleichbare digitale Stundenplan- und Vertretungssoftware — ohne digitale Ausgangsdaten gibt es nichts zu aggregieren.
• Eure Schulleitung hat die Autorität, Verteilungsentscheidungen zu beeinflussen — sei es bei der Stundenplanerstellung, der Zuweisung von Klassen oder der Vergabe außerunterrichtlicher Aufgaben.
• Der Personalrat eurer Schule ist grundsätzlich offen für datenbasierte Personalplanung — oder ihr seid bereit, den Dialog zu führen und eine Dienstvereinbarung zu erarbeiten.
• Ihr habt konkrete Hinweise, dass die Belastung im Kollegium stark ungleich verteilt ist — z. B. durch gehäufte Krankmeldungen bestimmter Personen oder durch Beobachtungen in der Schulleitung.

Wann es sich (noch) nicht lohnt — vier harte Ausschlusskriterien:

1. Unter 20 Lehrkräften. In kleinen Kollegien ist die Verteilungsungleichheit für eine aufmerksame Schulleitung durch direkte Beobachtung erkennbar — ein Dashboard erzeugt mehr Aufwand als Erkenntnis.

2. Kein digitales Stundenplan- und Vertretungssystem. Wenn Stundenpläne auf Papier oder in nicht exportierbaren Formaten geführt werden, existiert keine belastbare Datenbasis. In diesem Fall kommt dieser Anwendungsfall erst nach der Digitalisierung der Schulverwaltung.

3. Lehrkräfte bestimmen ihre Klassenzuweisungen kollektiv selbst. In Schulen, wo Klassen und Vertretungen im Konsens des Kollegiums verteilt werden, hat die Schulleitung keine Autorität, auf Basis von Analyseergebnissen Anpassungen vorzunehmen. Die Erkenntnisse des Dashboards sind dann politisch inert — sie erzeugen kein Handeln, nur Diskussion.

4. Kein Einvernehmen mit dem Personalrat möglich. Wenn die Personalvertretung Belastungsanalysen grundsätzlich ablehnt oder die nötige Dienstvereinbarung nicht zustande kommt, ist das Projekt nicht rechtskonform durchführbar. Erzwingen führt zu Misstrauen und gefährdet andere Digitalisierungsvorhaben an der Schule.

Das kannst du heute noch tun

Bevor du über Tools oder Dashboards nachdenken musst, gibt es einen Schritt, der nichts kostet und sofort Klarheit schafft: Schau in WebUntis (oder dein Vertretungssystem) und ruf die eingebaute Substitutionsstatistik für das laufende Schuljahr auf. Sortiere nach Anzahl der Vertretungsstunden. Wer steht oben?

Das dauert fünf Minuten. Was du danach weißt: Ob es überhaupt ein Muster gibt, das es sich lohnt tiefer zu analysieren — und ob das Problem, das du vermutest, in den Daten tatsächlich sichtbar ist.

Falls du keine Vertretungssoftware hast, oder falls die eingebaute Statistik nicht ausreicht, um mehrere Dimensionen (Vertretung + Klassengröße + Deputat) zusammenzuführen, ist folgender Prompt ein guter Ausgangspunkt für eine erste Analyse:

Quellen & Methodik

• Robert Bosch Stiftung, Schulbarometer 2024: 78 % der befragten Lehrkräfte fühlen sich stark belastet. Veröffentlicht als “German Schoolbarometer Teacher Survey 2024” (bosch-stiftung.de/en/publication/german-schoolbarometer-teacher-survey-2024).

• GEW Hamburg / Studie Lehrergesundheit 2025: Knapp jede fünfte Lehrkraft mit hohem Risiko für Depression oder Burnout. Berichtet in: News4teachers, Februar 2025 (news4teachers.de/2025/02/arbeitsstudie-bei-fast-jeder-fuenften-lehrkraft-besteht-ein-hohes-risiko-fuer-depression-oder-burnout/).

• Zeiterfassungsstudie Göttingen: Hardwig/Mussmann, “Zeiterfassungsstudien zur Arbeitszeit von Lehrkräften in Deutschland”, Expertise für die Kooperationsstelle der Universität Göttingen. Belegt extreme Streuung der tatsächlichen Arbeitszeit und strukturelle Unfähigkeit geltender Zuteilungssysteme zur fairen Verteilung (kooperationsstelle.uni-goettingen.de).

• Hamburger Arbeitszeitstudie 2020: Dokumentiert ungleiche Verteilung der Belastung mit Abweichungen von bis zu 15 Stunden pro Woche. Berichtet durch: News4teachers, September 2020 (news4teachers.de/2020/09/arbeitszeitstudie-sieben-tage-woche-ist-fuer-lehrer-obligatorisch-allerdings-ist-die-belastung-im-kollegium-stark-ungleich-verteilt/).

• Krankenstandsstatistik 2024: 21,7 durchschnittliche Krankheitstage pro Lehrkraft (historischer Höchststand). Quelle: albert-sibert.de/ratgeber/lehrer/lehrer-krankheiten-statistik-in-deutschland.

• Mitbestimmungsrecht Personalrat: BUND-Verlag, “Basiswissen Mitbestimmung und Datenschutz” (bund-verlag.de). Für Schulen spezifisch: datenschutz-schule.info.

• WebUntis Substitutionsstatistiken: Untis GmbH, “Digitale Dokumentation und umfangreiche Auswertungen” (untis.at/en/solutions/use-untis-for/teaching-content-absence-times-teacher-deployments).

• Power BI Preise: Microsoft (Stand April 2026). Power BI Desktop kostenlos; Pro 12,10 EUR/Nutzer/Monat.

Du willst wissen, welche Daten in eurem Schulsystem bereits vorliegen und wie ein erster Dashboard-Prototyp aussehen könnte? Meld dich — das klären wir in einem kurzen Gespräch.