Reinigungsplan-Optimierung für Gebäude

Das echte Ausmaß des Problems

Hybride Arbeit hat die Bürobelegung fundamental verändert — aber die meisten Reinigungsverträge wurden vor dieser Veränderung geschlossen. Die Folge: ein struktureller Mismatch zwischen Reinigungsaufwand und tatsächlichem Bedarf, der täglich Geld kostet.

Laut dem GEFMA fm.benchmarking-Bericht liegen die durchschnittlichen Reinigungskosten für Bürogebäude in Deutschland bei 9–13 Euro pro m² und Jahr (BGF, inklusive Material und Personal). Für ein 10.000 m² großes Büroobjekt bedeutet das jährliche Reinigungskosten von 90.000 bis 130.000 Euro. In dieser Größenordnung bedeutet eine Einsparung von 15 Prozent — wie sie ein global agierendes Bankhaus in einer JLL-Fallstudie durch sensorgestützte dynamische Reinigungsplanung erzielte — konkret 13.500 bis 19.500 Euro im Jahr.

Das Kernproblem hat drei Dimensionen:

Dimension 1: Der Montag-Freitag-Effekt. Hybrides Arbeiten hat eine Belegungsverteilung erzeugt, die frühere Reinigungsverträge nicht kennen. Dienstag bis Donnerstag sind in den meisten deutschen Bürogebäuden mit 70–90 Prozent Belegung die eigentlichen Arbeitstage. Montag und Freitag liegen oft bei 20–40 Prozent. Ein statischer Plan behandelt alle Tage gleich.

Dimension 2: Der Ereignisblinde Fleck. Ein Meetingraum, der ganztags für ein Catering-Event genutzt wird, braucht am nächsten Morgen deutlich mehr Aufmerksamkeit als das Einzelbüro, das seit drei Tagen unbenutzt ist. Kein Standardplan erkennt das — er kennt nur den Zeitplan, nicht den Zustand.

Dimension 3: Der Vertragsanreiz funktioniert in die falsche Richtung. Reinigungsdienstleister, die pauschal abrechnen, haben keinen wirtschaftlichen Anreiz, Ressourcen zu sparen. Wer auf Stundenbasis abrechnet, könnte sogar Einnahmen verlieren, wenn das System effizienter wird. Das ist kein Vorwurf — es ist eine strukturelle Konsequenz, die bei der Vertragsgestaltung berücksichtigt werden muss.

Mit vs. ohne KI — ein ehrlicher Vergleich

Quellen: JLL, „Dynamic cleaning optimization leads to healthy and efficient spaces” (2022, Fallstudie globales Bankhaus); XY Sense, „Use Case: Reduce Workplace Cleaning Expenses” (2023).

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Der FM-Planer oder die Objektleiterin verbringen nach Einführung nicht wesentlich weniger Zeit mit der Planung — das System generiert Work Orders automatisch, aber Steuerung, Ausnahmen und Kommunikation mit dem Dienstleister bleiben. Der eigentliche Nutzen liegt bei den Reinigungsstunden selbst, also auf der Kostenseite. In dieser Kategorie gilt: Zeitersparnis für die eigene Planungstätigkeit ist gering — verglichen mit anderen Facility-Management-Anwendungsfällen, die Routinearbeit direkt automatisieren, ein unterdurchschnittlicher Wert.

Kosteneinsparung — hoch (4/5) Direkte, messbare Einsparung von 10–20 Prozent der Reinigungsstunden bei Gebäuden mit stark variierender Belegung. Bei einem 10.000-m²-Objekt mit 100.000 Euro Jahresreinigungskosten bedeutet das 10.000–20.000 Euro pro Jahr — ohne Qualitätsverschlechterung in stark genutzten Bereichen, teils sogar mit Verbesserung. Im Vergleich zu anderen Anwendungsfällen in dieser Branche ein klarer, direkt zurechenbarer Hebel.

Schnelle Umsetzung — niedrig (2/5) Hardware-Beschaffung, Installation, Integration ins CAFM, Pilotbetrieb, Dienstleisterdialog und Vertragsnachverhandlung — das alles zusammen realistisch 10–16 Wochen, bei mehreren Gebäuden länger. Schnellster Einstieg ohne neue Hardware: nur mit Raumbuchungs- und Zugangsdaten aus bestehenden Systemen, dann ist ein Pilotplan in 4–6 Wochen möglich. Aber das volle Bild entsteht erst mit Sensoren.

ROI-Sicherheit — mittel (3/5) Die Einsparung ist real — aber sie materialisiert sich je nach Vertragsmodell unterschiedlich schnell. Bei Stundenverträgen sieht man den Effekt direkt in der nächsten Monatsabrechnung. Bei Pauschalverträgen (Reinigung aller Flächen zu Festpreis pro Monat) ist die Einsparung erst bei der nächsten Ausschreibung oder Vertragsnachverhandlung zu realisieren. Wer heute einen Pauschalvertrag hat, wird kurzfristig kaum Rechnungsreduktionen sehen.

Skalierbarkeit — hoch (4/5) Die Software- und Datenebene skaliert gut: Ein weiteres Gebäude bedeutet mehr Datenpunkte, aber keine grundsätzlich höhere Systemkomplexität. Die Hardware (Sensoren) skaliert linear mit der Fläche, aber die Kosten pro Sensor sinken bei Großbestellungen. Im Portfolio mit zehn ähnlichen Objekten lohnt sich der Aufwand für die Standardisierung deutlich mehr als bei einem Einzelgebäude.

Richtwerte — stark abhängig von Gebäudegröße, Belegungsvariation und Vertragsmodell mit dem Reinigungsdienstleister.

Was das System konkret macht

Die Grundidee ist einfach: Räume und Flächen werden nach tatsächlichem Bedarf gereinigt, nicht nach Kalender. Das setzt voraus, dass du zwei Fragen beantworten kannst: Welche Bereiche wurden heute genutzt — und wie intensiv?

Das System kombiniert dafür typischerweise drei Datenquellen:

1. Raumbuchungssystem. Outlook-Raumkalender, Microsoft Teams Rooms oder Systeme wie Robin oder Condeco erfassen, welche Meetingräume wann reserviert und tatsächlich genutzt wurden. Ein gebuchter, aber leerer Raum sieht anders aus als ein genutzter — manche Buchungssysteme erfassen das bereits (Check-in, Belegungsbestätigung), andere nicht.

2. Zugangskontrollprotokoll. Jedes Gebäude mit Zutrittskontrolle (RFID, Transponder, Ausweisleser) hat Logdaten, die zeigen, wer wann welche Etage betreten hat. Diese Daten sind für die Belegungseinschätzung wertvoll — sie zeigen Spitzen und Täler, ohne einzelne Personen identifizieren zu müssen (aggregierte Betrachtung, keine Personenverfolgung).

3. IoT-Sensoren (optional, aber deutlich präziser). Bewegungsmelder, CO₂-Sensoren, Wärmesensoren oder Desk-Occupancy-Sensoren messen Belegung auf Raum- oder sogar Schreibtischebene. Sie unterscheiden zwischen einem tatsächlich genutzten Arbeitsplatz und einem verlassenen Büro mit dem Mantel über dem Stuhl. Die Kombination aus Zugangsdaten (wer kommt rein) und Sensordaten (wo wird wirklich gearbeitet) ergibt das vollständigste Bild.

Aus diesen Daten generiert die Plattform täglich oder wöchentlich eine priorisierte Work-Order-Liste für das Reinigungsteam: Flächen mit hoher Belegungsintensität bekommen Priorität 1, schwach genutzte Bereiche werden auf übermorgen verschoben, und nach einem Catering-Event wird automatisch ein Sofortauftrag ausgelöst.

Die KI-Agent-Logik dahinter ist dabei verhältnismäßig einfach: keine komplexen Machine-Learning-Modelle, sondern regelbasierte Schwellenwerte kombiniert mit Mustererkennung (“diese Etage ist immer montags schwach belegt”). Das macht das System transparent und leicht erklärbar — ein Vorteil gegenüber Black-Box-Ansätzen, wenn der Dienstleister verstehen will, warum ein Auftrag verschoben wurde.

Was ihr hardware-seitig braucht

Nicht jedes Gebäude benötigt das gleiche Sensor-Setup. Diese Übersicht hilft, die richtige Kombination zu finden — nach Budgetrahmen und Genauigkeitsanspruch.

Stufe 1 — Nur Softwareintegration (kein neues Hardware-Budget) Voraussetzung: Du hast bereits ein Raumbuchungssystem und eine Zutrittskontrolle mit Logdaten-Export. Was es kann: Belegungsanalyse auf Etagen- und Raumebene, basierend auf Buchungen und Zutritten. Keine Echtzeit-Belegung, aber ausreichend für die grobe Priorisierung. Kosten: Nur Softwareintegration und Datenverbindung. Typisch 2.000–5.000 Euro einmalig.

Stufe 2 — Passive Raumsensoren (Bewegungsmelder / PIR) Preis: 30–80 Euro pro Sensor (Hardware), plus Gateway ca. 200–400 Euro pro Etage. Was es kann: Erkennt, ob ein Raum in einem Zeitraum genutzt wurde. Unterscheidet nicht zwischen Person und Objekt (Mantel auf Stuhl → falsches Positiv möglich). Geeignet für: Meetingräume, Eingangsbereiche, Flure.

Stufe 3 — Desk-Occupancy-Sensoren (ToF-Technologie oder Wärmebildsensoren) Preis: 80–250 Euro pro Arbeitsplatz (z. B. Milesight VS341, Disruptive Technologies Desk Sensor). Keine Verkabelung nötig — Batteriebetrieb, Klebeanbringung. Was es kann: Unterscheidet zwischen “Mensch am Schreibtisch” und “Gegenstand auf Schreibtisch”. Wichtig, weil Studien zeigen, dass ein Drittel der gemeldeten Desk-Belegungszeit auf passive Objekte (Taschen, Laptops) entfällt — was ohne ToF-Sensorik zu Überreinigung führt. Geeignet für: Open-Space-Bereiche, Großraumbüros, Desk-Sharing-Etagen.

Stufe 4 — CO₂- und Luftqualitätssensoren Preis: 100–200 Euro pro Raum. Was es kann: Indirekter Belegungsindikator (CO₂ steigt bei menschlicher Anwesenheit). Gibt außerdem Hinweise auf intensive Nutzung (Meeting mit vielen Personen) vs. Einzelbelegung. Nützlicher Nebeneffekt: Lüftungssteuerung und Energieoptimierung. Geeignet für: Meetingräume, Besprechungszonen, Kantinen.

Praxisempfehlung für ein typisches 5.000-m²-Bürogebäude: Start mit Stufe 1 (Bestandsdaten) + Stufe 3 an 20–30 Pilotarbeitsplätzen einer Etage. Gesamtkosten Pilothardware: ca. 3.000–6.000 Euro, Implementierung: 2.000–4.000 Euro. Nach 8 Wochen Pilotbetrieb weißt du, ob sich der Roll-out auf das Gesamtgebäude rechnet — vor dem vollen Hardware-Investment.

Gateway-Infrastruktur: Für LoRaWAN-Sensoren (Milesight, Disruptive Technologies) benötigst du je Etage ca. ein Gateway (ca. 200–400 Euro). Viele moderne Gebäude haben bereits LoRaWAN-Infrastruktur aus der Energiezähler-Erfassung — prüfe das zuerst.

Konkrete Werkzeuge — was wann passt

Planon — für große FM-Dienstleister und Corporate-Real-Estate-Teams ab 20.000 m² Planon als CAFM/IWMS-Vollplattform hat ein dediziertes Reinigungsmanagementmodul, das Work Orders aus Belegungsdaten generieren kann. Die Integration mit Buchungssystemen (Microsoft 365, SAP) ist über vorkonfigurierte Konnektoren möglich. Wirtschaftlich erst ab mehreren Zehntausend Quadratmetern und eigenem CAFM-Kompetenzteam sinnvoll. Kosten: Enterprise-Lizenzmodell, auf Anfrage; Implementierungsprojekte typisch 50.000–300.000 Euro.

Spacewell — für IoT-Belegungsanalyse mit dynamischen Work Orders Spacewell ist speziell auf die Verknüpfung von IoT-Sensordaten und Facility-Management-Prozessen ausgelegt. Das Reinigungsmodul generiert Work Orders automatisch auf Basis gemessener Belegungsintensitäten und konfigurierter Schwellenwerte. Unterstützt Milesight, Disruptive Technologies und viele weitere Sensorfabrikate. Für FM-Teams ohne CAFM-Kompetenzteam einsteigerfreundlicher als Planon. Kosten: Enterprise-Lizenz auf Anfrage; Implementierung typisch ab 20.000 Euro.

Microsoft Teams als Datenquelle — für Gebäude mit Microsoft-365-Ökosystem Microsoft Teams Rooms generiert Nutzungsstatistiken (welcher Raum war gebucht, wurde check-in durchgeführt, wie lange) — diese Daten lassen sich über die Microsoft Graph API exportieren und als Eingabe für den Reinigungsplan nutzen. Kein separates Tool nötig, wenn Teams bereits im Einsatz ist. Geeignet für den schnellen Einstieg ohne Hardware. Kombination mit Microsoft Power BI für das FM-Dashboard möglich.

Microsoft Power BI — für das FM-Dashboard (Low-Budget-Einstieg) Wer keinen CAFM-Anbieter einschalten möchte, kann Buchungsdaten, Zutrittslogdaten und Sensordaten in Power BI zusammenführen und ein wöchentliches Prioritäten-Dashboard erstellen. Flexibel, günstiger Einstieg (Power BI Pro ca. 10 Euro/Nutzer/Monat), aber kein automatisierter Work-Order-Workflow — der FM-Planer muss daraus selbst die Anweisungen für den Dienstleister ableiten.

Zusammenfassung: Wann welcher Ansatz

• Microsoft 365 vorhanden, kein CAFM: Teams-Daten + Power BI — schnellster Einstieg ohne Hardware
• Eigenständiger CAFM-Betrieb ab 5.000 m²: Spacewell — IoT-Anbindung und automatische Work Orders
• Konzern-FM ab 20.000 m², SAP- oder Oracle-Integration nötig: Planon — vollintegriertes IWMS

Die Vertragsrealität: SLA und Dienstleistersteuerung

Das ist der Aspekt, der in Systemdemos und Vendor-Pitches regelmäßig ausgeblendet wird: Das technisch beste System nützt nichts, wenn der Reinigungsdienstleister vertraglich auf festen Frequenzen besteht.

Die meisten Reinigungsverträge in Deutschland sind auf einer von zwei Grundstrukturen aufgebaut:

Pauschalvertrag: Der Dienstleister reinigt alle definierten Flächen zu festgelegten Frequenzen (z. B. täglich, 3x pro Woche) für einen monatlichen Festbetrag. Dein Vorteil: Planungssicherheit. Nachteil bei dynamischer Optimierung: Selbst wenn das System sagt “Etage 3 heute nicht notwendig”, musst du vertraglich trotzdem zahlen. Die Einsparung materialisiert sich erst bei der nächsten Ausschreibung oder Nachtragsverhandlung.

Leistungsvertrag (Stunden- oder Mengenmodell): Du bezahlst für tatsächlich geleistete Stunden oder Reinigungseinheiten. Hier schlägt dynamische Optimierung direkt auf die Rechnung durch — weniger Arbeit, geringere Abrechnung.

Für den Einführungserfolg bedeutet das: Vor der Pilotphase das Gespräch mit dem Dienstleister suchen. Nicht nach, nicht parallel — davor. Die häufigsten Reaktionen von Dienstleistern auf dynamische Planungsvorschläge sind:

1. „Das stört unsere eigene Personalplanung.” Berechtigte Sorge. Ein Reinigungsunternehmen plant seine Trupps auf feste Reviere und Zeiten — kurzfristige Änderungen bedeuten für sie Schichtumstellungen oder Leerlauf. Lösung: Keine tagesaktuelle Spontansteuerung, sondern wöchentliche Vorausplanung mit zwei bis drei Tagen Vorlauf. Das gibt dem Dienstleister Planungssicherheit, ohne den Optimierungseffekt zu neutralisieren.

2. „Das macht unsere Kalkulation kaputt.” Auch berechtigt — wenn der Dienstleister pauschal kalkuliert hat, verliert er bei niedrigerem Aufwand trotzdem nicht, aber der Auftraggeber spart nichts. Hier ist eine Neustrukturierung des Vertrags bei der nächsten Ausschreibung der richtige Zeitpunkt: Performance-SLA statt Frequenz-SLA (“Reinigungsqualität messbar gemäß ÖNORM/RAL GZ 902” statt “3x pro Woche”).

3. „Ich glaube den Sensordaten nicht.” Lösbar durch transparentes Reporting: Der Dienstleister bekommt Zugriff auf das Dashboard und kann die Belegungsdaten selbst nachvollziehen. Vertrauen entsteht, wenn beide Seiten dieselben Daten sehen.

Wichtig für die Ausschreibungsstrategie: Wenn du in zwei Jahren neu ausschreibst, definiere die SLA auf Qualitätsmessung um — weg von Frequenzangaben, hin zu messbaren Qualitätsindikatoren (Reinigungsindex, Kundenzufriedenheit, Begehungsprotokoll-Score). Das ermöglicht dem Dienstleister Effizienzgewinn ohne Qualitätsverlust und macht dynamische Steuerung vertragskonform.

Datenschutz und Datenhaltung

Die Optimierung nutzt drei Datenkategorien, die unterschiedliche datenschutzrechtliche Anforderungen haben:

Raumbuchungsdaten: Buchungssysteme speichern, welche Person welchen Raum gebucht hat. Für die Reinigungsoptimierung brauchst du nur die aggregierte Raumauslastung — nicht die Buchenden. Technische Lösung: Datenexport nur der Auslastungsquote (“Raum 3.04: 6 Buchungen diese Woche, davon 4 mit Check-in-Bestätigung”), keine Personenreferenz. Das ist datenschutzrechtlich unkompliziert, weil keine personenbezogenen Daten verarbeitet werden.

Zugangskontrolldaten: Hier wird es komplexer. Zugangsprotokolle enthalten personenbezogene Daten (Transponder-ID = identifizierbare Person). Die DSGVO (Art. 6 Abs. 1 lit. f — berechtigtes Interesse) erlaubt die Verwendung zur Betriebsoptimierung, aber nur unter Voraussetzungen: Die Daten müssen aggregiert verwendet werden (Zutrittsanzahl pro Etage, nicht namentliche Einzelerfassung), die Zweckbeschränkung muss dokumentiert sein, und der Betriebsrat (falls vorhanden) muss einbezogen werden — Zugangskontrolldaten sind mitbestimmungspflichtig nach § 87 Abs. 1 Nr. 6 BetrVG.

Belegungssensoren: Anonyme Präsenzerfassung (Bewegungsmelder, CO₂, ToF-Sensoren ohne Kamerakomponente) ist datenschutzrechtlich am unkompliziertesten — es gibt keine personenbezogenen Daten, wenn das System nur “besetzt/frei” auf Raumebene misst. ToF-Tiefen-Sensoren ohne optischen Bildanteil gelten als datenschutzfreundlichste Variante. Kamerasysteme mit Personenerkennung hingegen sind eine völlig andere Kategorie und empfehlen sich für diesen Anwendungsfall ausdrücklich nicht.

Praktische Schritte:

• Datenschutzfolgenabschätzung (DSFA nach Art. 35 DSGVO) für die Zugangsdaten-Verwendung durchführen
• Auftragsverarbeitungsvertrag (AVV) mit dem Softwareanbieter abschließen
• Betriebsvereinbarung mit dem Betriebsrat über Zweck, Umfang und Auswertungsgrenzen der Daten

Alle in diesem Anwendungsfall genannten Plattformen (Planon, Spacewell) bieten EU-Datenhaltung und stellen AVV-Vorlagen bereit.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Stufe 1 (nur Softwareintegration bestehender Datenquellen):

• Datenexport-Anbindung (Raumbuchungssystem + Zutrittskontrolle): 2.000–5.000 Euro
• Konfiguration Reinigungslogik und Dashboard: 1.000–3.000 Euro
• Gesamt: 3.000–8.000 Euro

Stufe 2 (inkl. Sensoren für ein Pilotgeschoss, ca. 1.000 m², 30 Arbeitsplätze):

• Desk-Sensoren: 30 × 120–200 Euro = 3.600–6.000 Euro
• Raumsensoren Meetingräume: 8 × 100–180 Euro = 800–1.440 Euro
• LoRaWAN-Gateway (1 Etage): 200–400 Euro
• Plattformanbindung: 2.000–4.000 Euro
• Gesamt Pilot: 7.000–12.000 Euro

Roll-out auf 10.000 m² (70–100 Sensoren, Gesamtgebäude): ca. 20.000–40.000 Euro Hardware + 5.000–15.000 Euro Integration

Laufende Kosten

• Sensor-Subskriptionen (LoRaWAN-Cloud-Dienst): ca. 5–15 Euro/Sensor/Jahr
• CAFM/Plattform-Lizenz: Spacewell, Planon — auf Anfrage; erfahrungsgemäß 8.000–25.000 Euro/Jahr für ein Gebäude dieser Größe
• Gesamtbetrieb (Software + Sensor-Cloud): ca. 10.000–30.000 Euro/Jahr für ein 10.000-m²-Objekt

Was du dagegen rechnen kannst

Ein 10.000-m²-Bürogebäude mit durchschnittlichen Reinigungskosten von 100.000 Euro/Jahr (GEFMA-Benchmark: 9–13 Euro/m²/Jahr) spart bei 15-prozentigem Effizienzgewinn:

• 15.000 Euro/Jahr bei Stundenvertrag (direkt, ab erster Jahresabrechnung)
• Bei Pauschalvertrag: Einsparung erst in der nächsten Ausschreibungsrunde realisierbar

Amortisationszeitraum bei Stundenvertrag: Pilotkosten (ca. 10.000 Euro) amortisieren sich innerhalb eines Jahres. Gesamtinstallation (25.000–40.000 Euro) in 2–3 Jahren.

Ehrlicher Hinweis: Diese Rechnung setzt voraus, dass der Reinigungsvertrag die Möglichkeit zur Stundenanpassung enthält. Bei einem Pauschalvertrag mit zwei Jahren Restlaufzeit hat das System zunächst keinen Abrechnungseffekt — sondern erst einen Dokumentationseffekt für die Nachverhandlung.

Typische Einstiegsfehler

1. Mit dem teuersten Sensor-Setup beginnen. Die Versuchung ist groß: Hersteller und Systemintegratoren zeigen immer das vollausgebaute System. In der Praxis rechtfertigt der ROI in den ersten Monaten selten eine vollständige Sensor-Ausstattung. Regel: Mit bestehenden Datenquellen (Buchungssystem, Zugangskontrolle) starten. Dann Pilotgeschoss mit 20–30 Sensoren evaluieren. Erst nach belegtem Pilotnutzen weiter investieren.

2. Den Reinigungsdienstleister als Letzten informieren. Wenn das System läuft und der Dienstleister plötzlich andere Einsatzorte bekommt, ohne dass das vertraglich vorbereitet ist, entsteht Misstrauen und Reibung — genau die Energie, die du für den Change brauchst, wird in Konflikte gelenkt. Dienstleister frühzeitig einbinden, Datentransparenz bieten, gemeinsam die neue Planungslogik erarbeiten. Die meisten professionellen Reinigungsunternehmen begrüßen datengestützte Planung, sobald sie den Workflow verstehen.

3. Passive Belegung als echte Belegung werten. Studien zeigen: Bei Standard-PIR-Bewegungsmeldern ohne ToF-Technologie gilt ein Mantel auf dem Stuhl oder ein Laptop als “Raum besetzt”. XY Sense berichtet, dass nahezu ein Drittel aller gemeldeten Desk-Belegungszeiten auf passive Objekte ohne menschliche Anwesenheit zurückgehen. Wer ohne Qualitäts-Sensor-Setup plant, optimiert auf einem Grundrauschen falscher Daten — der Effekt ist dann 10 statt 20 Prozent.

4. Das System einführen und vergessen, es zu kalibrieren. Schwellenwerte, die im Pilotmonat sinnvoll waren, passen nach einem Unternehmensumzug, einer Umstrukturierung oder veränderten Arbeitsmodellen nicht mehr. Quartalsweise Überprüfung der Belegungsmuster und Anpassung der Reinigungsregeln ist kein Aufwand, der sich von selbst erledigt. Wer das nicht einplant, hat nach 18 Monaten ein System, das “historische Muster” reinigt, keine aktuellen.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist das Einfachste. Das Schwierige ist das Dreiecksverhältnis: FM-Team, Reinigungsdienstleister und Gebäudenutzer.

Was erfahrungsgemäß passiert:

Reinigungsdienstleister reagieren in den ersten Wochen mit Skepsis. Nicht weil sie ineffizient arbeiten wollen, sondern weil dynamische Planung für sie echten Mehraufwand in der Schichtorganisation bedeutet. Der Widerstand löst sich auf, wenn der Dienstleister das Dashboard selbst nutzt — plötzlich hat seine Objektleiterin selbst ein Instrument, mit dem sie den Truppeinsatz optimieren kann. Das ist keine Verlust-Win-Situation, sondern eine echte Win-Win, wenn es richtig kommuniziert wird.

Beschäftigte im Gebäude bemerken die Veränderung kaum — es sei denn, schwach genutzte Bereiche werden subjektiv als “seltener gereinigt” wahrgenommen. Kommunikation hilft: “Die Reinigung folgt jetzt eurem Nutzungsverhalten” ist ein Argument, das verstanden wird.

Der FM-Planer selbst hat die erste Phase meist mit Mehraufwand: Daten integrieren, Schwellenwerte kalibrieren, Ausnahmen managen. Das legt sich nach zwei bis drei Monaten.

Was nicht passiert:

Ein vollautomatisches System, das selbstständig arbeitet, ohne dass jemand täglich reinschaut — das ist die Vendor-Demo-Version. In der Realität braucht das System Pflege: ungewöhnliche Belegungsmuster (Messen, Betriebsfeiern, temporäre Umzüge) müssen manuell eingesteuert werden.

Und: Der Reinigungsdienstleister wird kein vollflexibles Stundenkontingent anbieten, das täglich in Echtzeit abrufbar ist. Wöchentliche Anpassungen mit zwei bis drei Tagen Vorlauf — das ist realistisch. Tagesaktuelle Spontansteuerung bleibt die Ausnahme für Ereignisreinigung, nicht die Regel.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unser Reinigungsvertrag läuft noch zwei Jahre — wir können nichts ändern.” Der Zeitpunkt ist trotzdem jetzt. Nutze die Zeit bis zur nächsten Ausschreibung, um Belegungsdaten zu erheben und zu analysieren. Wenn du in zwei Jahren neu ausschreibst, hast du echte Daten, die die Ausschreibungsstrategie und die SLA-Definitionen verändern. Wer wartet, bis der Vertrag ausläuft, und dann erst anfängt Daten zu sammeln, verliert mehrere Monate.

„Die Reinigungsqualität sinkt, wenn wir seltener reinigen.” Der Punkt ist nicht, seltener zu reinigen, sondern anders. Stark frequentierte Bereiche bekommen mehr Aufmerksamkeit, nicht weniger. Schwach genutzte Bereiche bekommen weniger — und das merkt dort niemand, weil dort niemand ist. Die JLL-Fallstudie zeigt, dass Nutzerzufriedenheit in stark frequentierten Bereichen nach dynamischer Umstellung oft steigt, weil Reinigungsressourcen dorthin fließen, wo sie tatsächlich gebraucht werden.

„Sensoren sind zu teuer und zu aufwändig.” Stimmt für den Vollausbau, nicht für den Einstieg. Mit Buchungs- und Zugangsdaten, die bereits vorhanden sind, startest du ohne Hardwarekosten. Der erste Erkenntnisgewinn kostet nur die Integrationsarbeit. Sensoren kommen danach, wenn der ROI-Nachweis geleistet ist.

Woran du merkst, dass das zu dir passt

Du passt gut, wenn:

• Dein Gebäude hat mehr als 2.000 m² Bürofläche und die jährlichen Reinigungskosten liegen über 30.000 Euro — darunter lohnt sich der Systemaufbau wirtschaftlich kaum
• Du spürst deutliche Belegungsunterschiede zwischen Wochentagen — Montag/Freitag spürbar leerer als Dienstag bis Donnerstag
• Du hast ein Buchungssystem für Meetingräume (Outlook, Teams Rooms, Robin, Condeco) und eine Zutrittskontrolle mit auswertbaren Protokollen
• Dein Reinigungsvertrag ist auf Stundenbasis oder lässt Nachverhandlung zu, oder du bist in weniger als 18 Monaten bei der nächsten Ausschreibung

Drei harte Ausschlusskriterien — wann sich das nicht lohnt:

1. Unter 2.000 m² Bürofläche oder weniger als 25.000 Euro jährliche Reinigungskosten. Der Systemaufbau (Hardware + Integration + laufende Plattformlizenz) amortisiert sich bei kleinen Flächen nicht. Für kleine Objekte sind strukturierte manuelle Abstimmung (wöchentliches Check-in mit dem Reinigungsteam, digitale Checklisten) der effizientere Hebel.

2. Keine auswertbaren Buchungs- oder Zugangsprotokolle vorhanden und kein Budget für Sensoren. Wer keine Datenbasis hat, plant auf Basis von Vermutungen — das ist der Status quo, den man überwinden will, nicht der Ausgangspunkt für ein Optimierungssystem. Mindestvoraussetzung: entweder ein digitales Raumreservierungssystem oder die Bereitschaft, Sensoren für wenigstens ein Pilotgeschoss zu installieren.

3. Langfristiger Pauschalvertrag mit mehr als 18 Monaten Restlaufzeit und kein Nachtragsrecht. Die Einsparung lässt sich dann erst realisieren, wenn der Vertrag ausläuft. Das System kann trotzdem gestartet werden — als Datenbasis für die nächste Ausschreibung — aber eine Amortisation innerhalb des aktuellen Vertragszeitraums ist unrealistisch.

Das kannst du heute noch tun

Starte mit einer einfachen Belegungsanalyse auf Basis eurer vorhandenen Daten. Du brauchst dafür keine Software-Investition:

Exportiere aus eurem Raumbuchungssystem (Outlook/Microsoft 365, Teams Rooms, oder deiner Zugangskontrolle) die Nutzungsstatistik der letzten acht Wochen — aufgeschlüsselt nach Etage oder Raumgruppe und Wochentag. Dann gib diese Daten in den folgenden Prompt:

Das dauert 20 Minuten und zeigt dir das Einsparpotenzial — bevor du einen Euro in Sensoren oder Software investierst.

Quellen & Methodik

• JLL Case Study: „Dynamic cleaning optimization leads to healthy and efficient spaces” (JLL, 2022). Globales Bankhaus, Sensorgestützte dynamische Reinigungsplanung, 15 % Reduktion Reinigungsaufwand in wenig genutzten Bereichen. jll.com
• XY Sense: „Use Case: Reduce Workplace Cleaning Expenses” (XY Sense, 2023). Branchenübergreifende Analyse, 15–25 % Einsparung bei Reinigungskosten durch belegungsbasierte Steuerung. xysense.com
• GEFMA fm.benchmarking-Bericht 2022: Durchschnittliche Reinigungskosten Bürogebäude in Deutschland: 9–13 Euro/m²/Jahr (BGF). Veröffentlicht durch GEFMA e. V. und rotermund.ingenieure. Historischer Referenzwert (fm.benchmarking 2018): 9,08 Euro/m² BGF/Jahr. gefma.de
• Disruptive Technologies / AB Sensor: Informationen zum Desk Occupancy Sensor, LoRaWAN-Betrieb, Abo-Modell ohne öffentliche Einzelpreise. disruptive-technologies.com/de
• Milesight VS341 Desk-Sensor: Preisreferenz 80–250 Euro je Sensor (Händlerangaben, Mai 2026). milesight.com
• Passive Belegung (XY Sense): „AI optical sensors reveal that nearly one-third of all desk time is passive occupancy — a bag or laptop, not a person”. xysense.com/use-cases-for-workplace-analytics
• Reinigungskosten Deutschland allgemein: cleanfrog.de, blink.de (Marktübersicht, Stand 2025/2026) — bestätigen die GEFMA-Größenordnung für gewerbliche Bürogebäude.
• Vertragliche Grundlagen Reinigungsausschreibung: fm-connect.com, Reinigungsmanagement (Vergabeverfahren Ausschreibung). reinigungsmanagement.fm-connect.com
• BetrVG § 87 Abs. 1 Nr. 6: Mitbestimmungsrecht des Betriebsrats bei technischen Einrichtungen, die das Verhalten oder die Leistung der Arbeitnehmer überwachen können. Aktuelle Fassung.

Du willst wissen, ob dein Gebäude ein geeignetes erstes Objekt ist — und mit welchem Vertragsmodell die Einsparung tatsächlich auf der Rechnung landet? Meld dich — das klären wir in einem kurzen Gespräch.