Mitarbeiter-Burnout-Frühwarnsystem

Das echte Ausmaß des Problems

Das Burnout-Risiko von Pflegekräften ist doppelt so hoch wie im Bevölkerungsdurchschnitt — und es steigt. Pflegekräfte haben laut DAK-Gesundheitsreport 28,2 Fehltage wegen Burnout im Jahr, während der Durchschnitt über alle Berufsgruppen bei 14,2 Tagen liegt. Intensivstationen und Notaufnahmen liegen sogar darüber.

Die finanziellen Konsequenzen sind konkret: Laut einer Analyse von Medi-Karriere kostet eine unbesetzte Stelle im Pflegebereich 66.528 Euro pro Jahr — fast das Doppelte des Jahresgehalts der zu besetzenden Stelle. In dieser Zahl stecken Leiharbeit, Überstundenzuschläge, Rekrutierung, Einarbeitung und die Qualitätseinbußen, die durch unterbesetzte Teams entstehen. Wer darüber hinaus auf Leihpersonal zurückgreift, zahlt laut Krankenhausvergleichsstudie im Schnitt 92 Prozent mehr als für Festangestellte.

Das strukturelle Problem dahinter: Die meisten Krankenhäuser haben keine systematische Früherkennung. Burnout wird sichtbar, wenn Mitarbeitende ausfallen — nicht Wochen vorher, wenn Gegensteuern noch möglich wäre. Die Signale liegen längst in den Systemen vor: Überstundenhäufung, fehlende Erholungszeiten zwischen langen Schichten, kein Urlaubsabstand seit Monaten, steigende Kurzerkrankungsrate. Sie werden nur nicht zusammengeführt.

Dabei existieren die Daten. ATOSS, das führende Workforce-Management-System im deutschen Klinikbetrieb, hat für die Charité Berlin, InnKlinikum und Dutzende weiterer Häuser vollständige Schichthistorien seit Jahren. Personio und vergleichbare HR-Plattformen halten Abwesenheitsverläufe vor. Was fehlt, ist der Blick, der diese Daten zusammenführt und ein Risikosignal daraus macht.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Die Messung ist dieselbe — der Unterschied liegt darin, dass du mit dem System überhaupt eine Chance bekommst, rechtzeitig zu handeln.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Stationsleiterinnen und HR-Verantwortliche sparen tatsächlich Zeit: Statt wöchentlich manuell Überstundenlisten zu prüfen, bekommt die Stationsleitung einmal pro Woche einen strukturierten Bericht. In der Praxis sind das 1–2 Stunden pro Woche je Person. Das ist real, aber nicht der Hauptgrund für diesen Use Case — der Haupthebel ist Prävention, nicht Zeitersparnis.

Kosteneinsparung — sehr hoch (5/5) Das ist der eigentliche ROI-Treiber. Eine einzige verhinderte Pflegestelle, die wegen Burnout-Ausfall mit Leihpersonal überbrückt werden muss, kostet 20.000–66.000 Euro — je nach Stelle, Dauer und Leiharbeitspremium. Das System amortisiert sich, wenn es im ersten Jahr einen einzigen Langzeitausfall verhindert. Kein anderer Use Case in der gesundheit-Kategorie hat ein vergleichbar günstiges Kosten-Nutzen-Verhältnis im absoluten Maßstab.

Schnelle Umsetzung — niedrig (2/5) Der kritische Pfad ist nicht die Technologie — er ist die Betriebsvereinbarung. Ohne schriftliche Einigung mit dem Betriebsrat oder Personalrat über Zweck, Umfang und Rechte des Systems darfst du es nach §87 BetrVG gar nicht einführen. Diese Verhandlung dauert Wochen. Danach kommen DSGVO-konforme Datenschutz-Folgenabschätzung, Anbindung an ATOSS oder Personio und der Pilotbetrieb. Realistisch: 10–14 Wochen bis zum ersten echten Betrieb.

ROI-Sicherheit — niedrig (2/5) Das ehrliche Problem: Du kannst messen, wie viele Alerts das System ausgelöst hat und wie viele davon zu Gesprächen geführt haben. Was du nicht beweisen kannst, ist, welcher Ausfall dadurch verhindert wurde. Abwesenheitsraten sinken — aber gleichzeitig beeinflussen Personalschlüssel, Schichtmodelle, Führungsqualität und externe Faktoren dieselben Zahlen. Wer einen wasserdichten ROI-Nachweis braucht, wird ihn hier nicht bekommen. Wer die Logik überzeugend findet und auf indirekte Evidenz vertraut, ist gut aufgehoben.

Skalierbarkeit — sehr hoch (5/5) Das Modell wird einmal auf den Daten eines Hauses oder Trägernetzwerks trainiert. Zusätzliche Stationen, weitere Standorte desselben Trägers, andere Berufsgruppen — das sind keine neuen Projekte, sondern Datenpunkte im bestehenden System. Für Krankenhausträger mit fünf oder zehn Häusern sieht das wirtschaftlich deutlich anders aus als für ein einzelnes Haus.

Richtwerte — stark abhängig von Hausgröße, vorhandener HR-Systemlandschaft und verfügbarer Datenhistorie.

Was das System konkret macht

Das System analysiert keine subjektiven Eindrücke — es wertet Muster in Zeitreihendaten aus. Predictive Analytics-Modelle auf Schicht- und HR-Daten berechnen je Mitarbeitenden einen Überlastungsscore, der mehrere Signale kombiniert:

Schichtbelastungssignale:

• Häufigkeit langer Schichten (≥12 Stunden) in einem Rollierendem 90-Tage-Fenster
• Kurze Ruhezeiten zwischen aufeinanderfolgenden Schichten (unter 11 Stunden)
• Anteil Wochenend- und Nachtschichten im Vergleich zum Teamdurchschnitt
• Häufigkeit spontaner Einspringdienste

Erholungsdefizit-Signale:

• Wochen ohne Urlaubstag seit dem letzten freien Wochenende
• Urlaubsabstand seit der letzten Abwesenheit über 5 Tage
• Nicht genommene Überstundenausgleiche im Saldo

Früherkennungssignale:

• Anstieg kurzer Krankmeldungen (1–3 Tage) in den vergangenen 60 Tagen
• Schichttauschrate — nimmt die Person immer mehr Schichten, die andere abgeben?
• Gegenüber der eigenen historischen Baseline: Wie verändert sich das Muster?

Das Ergebnis ist kein Diagnose-Tool. Es sagt nicht: “Jana hat Burnout.” Es sagt: “Jana zeigt seit 6 Wochen ein Muster, das in eurem Haus erfahrungsgemäß mit erhöhtem Ausfall-Risiko korreliert. Jetzt wäre ein gutes Zeitfenster für ein Gespräch.”

Die Stationsleitung bekommt einmal pro Woche einen Bericht mit Ampelfarben — grün, gelb, rot — und kann selbst entscheiden, wie sie reagiert. Das System empfiehlt keine Maßnahmen. Es öffnet ein Zeitfenster, das ohne es nicht existiert hätte.

Technisch basiert das auf Machine Learning-Modellen, die entweder innerhalb der bestehenden HR-Systemlandschaft (ATOSS-Analytics, Power BI-Anbindung) oder als separate Analyseebene betrieben werden. Der technische Aufwand ist überschaubar — sofern die Datenbasis stimmt. Der eigentliche Aufwand liegt im rechtlichen und organisatorischen Rahmen.

Betriebsvereinbarung zuerst: Der rechtliche Rahmen vor dem ersten Algorithmus

Das ist die Besonderheit dieses Use Cases, die kein anderes Burnout-Tool-Feature so klar macht: Du kannst das System nicht einführen, bevor du es darfst.

§87 Abs. 1 Nr. 6 Betriebsverfassungsgesetz (BetrVG) gibt dem Betriebsrat ein erzwingbares Mitbestimmungsrecht bei der Einführung technischer Einrichtungen, die das Verhalten oder die Leistung von Mitarbeitenden überwachen können. Ein System, das Schicht- und Abwesenheitsmuster von Einzelpersonen zu einem Risikoscore verdichtet, fällt eindeutig darunter.

Das bedeutet: Ohne Betriebsrat gibt es keine Einführung. Das Arbeitsgericht München hat 2024 in einem Grundsatzurteil (Bird & Bird, 2024) explizit festgestellt, dass KI-Systeme, die Mitarbeitendendaten auswerten, dem vollen Mitbestimmungsrecht unterliegen. Eine ohne Zustimmung eingeführte Lösung ist nicht nur anfechtbar — sie ist eine Rechtsverletzung, die zur Untersagung führen kann.

Was das für die Praxis bedeutet:

Schritt 1 ist immer das Gespräch mit dem Betriebsrat — nicht die Toolauswahl, nicht die Datenanalyse. In diesem Gespräch braucht es klare Antworten auf:

• Zweck: Wozu wird das System eingesetzt? Ausschließlich zur präventiven Mitarbeiterunterstützung, nicht zur Leistungsbewertung oder Personalentscheidungen.
• Zugang: Wer sieht welche Daten? Individuelle Scores nur für direkte Stationsleitung — keine aggregierten Ranglisten, kein HR-weiter Zugriff auf Individualebene.
• Transparenz: Werden die Mitarbeitenden informiert, dass ihr Muster ausgewertet wird? (Ja — das ist auch aus Vertrauensgründen richtig, nicht nur aus rechtlichen.)
• Konsequenzen: Darf ein Überlastungsscore allein zu einem Personalgespräch führen, das dokumentiert wird? Oder ist er nur ein interner Hinweis?
• Datenlöschung: Wie lange werden individuelle Scores gespeichert? Was passiert nach Austritt?

Eine gut ausgehandelte Betriebsvereinbarung zu diesem Thema ist kein bürokratisches Hindernis — sie ist der Schlüssel zur Akzeptanz. Mitarbeitende, die wissen, dass ihre Interessenvertretung die Spielregeln mitgestaltet hat, vertrauen dem System stärker als bei einem Top-down-Rollout. Wer diesen Schritt überspringt oder verkürzt, bekommt ein System, das zwar funktioniert, aber niemand nutzt — weil das Vertrauen fehlt.

Zusätzlich zur Betriebsvereinbarung ist vor Inbetriebnahme eine Datenschutz-Folgenabschätzung (DSFA) nach Art. 35 DSGVO Pflicht, da das System personenbezogene Daten in einer Weise verarbeitet, die voraussichtlich ein hohes Risiko für Betroffene darstellt. Diese Prüfung muss vor dem ersten echten Betrieb abgeschlossen und dokumentiert sein.

Konkrete Werkzeuge — was wann passt

Der Markt bietet drei realistische Ansätze, die sich je nach vorhandener Systemlandschaft und verfügbarer IT-Kapazität unterscheiden.

Ansatz 1: Analyse innerhalb von ATOSS — wenn ihr ATOSS schon nutzt

ATOSS hat für Kliniken wie InnKlinikum und die Charité Berlin dedizierte Analytics-Module, die Belastungsindikatoren auf Basis der Schichtdaten visualisieren. Wer ATOSS bereits im Einsatz hat, kann mit dem Anbieter klären, welche Analytics-Funktionen die vorhandene Lizenz einschließt. Der Vorteil: keine separate Datenintegration, keine neue Systemlandschaft. Der Nachteil: Die eingebauten Analytics zeigen Muster, aber keine ML-basierten Prognosemodelle — das ist Dashboarding, kein Frühwarnsystem im engeren Sinne.

Kosten: Im Rahmen bestehender ATOSS-Lizenzen (auf Anfrage), oder als Erweiterungsmodul.

Ansatz 2: Personio + Power BI — wenn ihr Personio für HR und ein BI-Tool nutzt

Personio hält Abwesenheitsverläufe, Urlaubssalden und Krankheitstage in strukturierter Form vor. Kombiniert mit Schichtdaten aus einem Dienstplansystem lässt sich daraus ein Power-BI-Dashboard bauen, das Überlastungsmuster visualisiert und Schwellenwert-Alerts ausgibt. Technischer Aufwand: 2–4 Wochen für Datenbankanbindung und Dashboard-Konfiguration durch eine:n Data-Analyst oder BI-Entwickler:in. Keine neue Software nötig, wenn Power BI schon im M365-Abo enthalten ist.

Kosten: Power BI Pro ab 12,10 EUR/Nutzer/Monat; Entwicklungsaufwand für Dashboard und Datenanbindung: ca. 5.000–15.000 EUR extern.

Ansatz 3: Dediziertes ML-Modell auf historischen Daten — für Klinikverbünde mit Datenwissenschaft-Kapazität

Wer ausreichend Datenhistorie (mindestens 2–3 Jahre strukturierte Schicht- und Abwesenheitsdaten) und Zugang zu Data-Science-Ressourcen hat, kann ein eigenständiges ML-Modell trainieren. Random-Forest- oder Gradient-Boosting-Modelle auf Mitarbeitendenebene zeigen in Studien AUC-Werte von 0,72 — das bedeutet: Das Modell liegt in 72 Prozent der Fälle richtig, wenn es eine Risikoperson identifiziert. Kein perfektes Instrument, aber deutlich besser als kein Signal.

Kosten: 15.000–40.000 EUR für Modellentwicklung (extern) + laufende Betriebskosten für ML-Infrastruktur (Azure ML, AWS SageMaker: 200–800 EUR/Monat).

Zusammenfassung: Wann welcher Ansatz

• ATOSS bereits im Haus → erst ATOSS-Analyse-Module klären, bevor neue Software
• Personio + M365 vorhanden → Power BI-Dashboard ist der schnellste Weg
• Klinikverbund mit IT-Team und Datenhistorie → ML-Modell lohnt sich
• Kein strukturiertes HR-System → zuerst Grundlage schaffen, dann Frühwarnsystem

Datenschutz und Datenhaltung

Dieses System berührt besonders sensible Kategorien personenbezogener Daten. Arbeitszeit-, Abwesenheits- und Gesundheitsmuster von Mitarbeitenden sind nach DSGVO Art. 9 potenziell als Gesundheitsdaten einzustufen, wenn aus ihnen Rückschlüsse auf den Gesundheitszustand einer Person gezogen werden — was bei einem Burnout-Prädiktionssystem die Kernfunktion ist.

Was das konkret bedeutet:

• Datenschutz-Folgenabschätzung (DSFA) ist Pflicht — kein optionaler Schritt. Art. 35 DSGVO verlangt eine dokumentierte Risikoabwägung, bevor das System in Betrieb geht.
• Auftragsverarbeitungsvertrag (AVV) mit jedem Toolanbieter, der Zugriff auf die Daten hat — bei ATOSS (Datenhaltung Deutschland), Personio (EU/Frankfurt) und Power BI (EU-Region konfigurierbar) ist das möglich.
• Individuelle Scores dürfen nicht für Personalentscheidungen verwendet werden — das muss in der Betriebsvereinbarung explizit ausgeschlossen sein. Ein Risikoampelwert ist kein Abmahnungsgrund, kein Versetzungsgrund, kein Kündigungsgrund.
• Datenminimierung: Nur die Felder, die für das Modell notwendig sind, sollten verarbeitet werden. Keine Standortdaten, keine Kommunikationsprotokolle, kein Ausweiten auf Themen jenseits Schicht- und Abwesenheitsmuster.
• Transparenz gegenüber Mitarbeitenden: Art. 13 und 14 DSGVO verlangen eine aktive Information über die Verarbeitung. Die einfachste Umsetzung: ein klarer Abschnitt in der Betriebsvereinbarung, den alle Mitarbeitenden erhalten.

Welche Tools sind DSGVO-konform?

• ATOSS: Datenhaltung Deutschland, AVV standardmäßig, gerichtsfeste Compliance-Dokumentation. Beste Wahl für Kliniken mit hohen Datenschutzanforderungen.
• Personio: EU-Hosting (Frankfurt/AWS), ISO 27001, AVV inklusive. Für die HR-Datenhaltung geeignet.
• Power BI: Im M365-Ökosystem lässt sich EU-Datenhaltung konfigurieren (EU Data Boundary). Für Kliniken, die bereits M365 nutzen, eine sichere Option — Konfiguration muss explizit geprüft werden.

Was es kostet — realistisch gerechnet

Einmalige Kosten (Pilotprojekt)

Laufende Kosten (monatlich)

• ATOSS-Erweiterungsmodul: Auf Anfrage (im Rahmen bestehender Lizenz oft inkludiert)
• Personio + Power BI-Dashboard: 50–200 EUR/Monat für Lizenzen; fast null Laufzeitkosten, wenn M365 bereits vorhanden
• ML-Infrastruktur (Ansatz 3): 200–800 EUR/Monat

Der konservative ROI-Case

Ein Pflegelangzeitausfall durch Burnout (6 Monate) kostet das Haus erfahrungsgemäß 20.000–40.000 EUR in Leiharbeit, Mehrstunden der Kolleginnen und Rekrutierungsaufwand. In einem Haus mit 150 Pflegekräften und einer Burnout-Rate von 2 Prozent passieren das statistisch 3 Fälle pro Jahr.

Verhindert das System auch nur einen einzigen davon — was bei einem Vorlauf von 4–6 Wochen und aktivem Gespräch plausibel ist — sind die Einführungskosten gedeckt. Das ist kein Marketing-ROI-Versprechen: Es ist eine Kalkulation, die auch im konservativen Szenario aufgeht.

Wichtig: Dieses System spart kein Geld, wenn die Führungskultur fehlt. Wenn ein Alert ausgelöst wird und die Stationsleitung keine Zeit oder Bereitschaft hat, das Gespräch zu führen, hat das System seinen Job getan und das Ergebnis ist trotzdem dasselbe. Der ROI hängt zu 50 Prozent an der Technologie und zu 50 Prozent an der Bereitschaft zur Intervention (Schätzwert aus Praxisberichten).

Typische Einstiegsfehler

1. Das System einführen, bevor die Betriebsvereinbarung steht. Das ist der häufigste Fehler — und der teuerste. Einige Kliniken testen ein Dashboard “nur intern”, ohne den Betriebsrat einzubinden, weil “es ja noch kein fertiges System ist”. Für den §87-Tatbestand spielt es keine Rolle, ob das System im Pilotbetrieb oder im Vollbetrieb läuft. Sobald personenbezogene Daten zu einem Verhaltensmuster verdichtet werden, gilt das Mitbestimmungsrecht. Wer hier vorprescht, riskiert eine gerichtliche Untersagung und nachhaltigen Vertrauensschaden beim Betriebsrat.

2. Alerts ausgeben ohne Handlungsrahmen. Das System kann einen Amber-Alert auslösen — aber was dann? Wenn die Stationsleitung keinen klaren Handlungsrahmen hat (“Was sage ich in diesem Gespräch?”, “Welche Entlastungsoptionen kann ich anbieten?”, “Was passiert, wenn die Person das Gespräch ablehnt?”), passiert nichts. Oder schlimmer: Es passiert etwas Falsches. Ein schlecht geführtes Gespräch nach einem Systemalert kann das Vertrauen in das System dauerhaft beschädigen.

3. Personalmangel als Lösung im System einkalkulieren. Wenn das System zeigt, dass 40 Prozent des Teams im roten Bereich ist, aber der Personalschlüssel das nicht hergibt, wirkt das System wie eine Anklagschrift ohne Ausweg. In solchen Situationen kann das Frühwarnsystem die Frustration erhöhen statt Handlungsspielraum zu eröffnen. Vor der Einführung sollte klar sein: Welche konkreten Maßnahmen stehen zur Verfügung? (Schichttausch, temporäre Reduktion, externe Unterstützung, Teamgespräch, Therapeutenvermittlung.)

4. Kein Modell-Review nach 12 Monaten. Das ist der stille Fehler. Machine Learning-Modelle, die auf historischen Daten trainiert wurden, degradieren, wenn sich die Arbeitsbedingungen ändern. Neue Tarifverträge, veränderte Schichtmodelle, neue Stationen — das verschiebt die Muster, die das Modell als “normal” gelernt hat. Ein Modell ohne Review gibt nach 18 Monaten möglicherweise systematisch falsch kalibrierte Alerts aus. Mindestens einmal im Jahr: Prüfen, ob Precision und Recall noch stimmen.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Inbetriebnahme ist das Einfachste. Das Schwierige ist der Mensch.

Die informellen Wissensträger. In jeder Klinik gibt es Pflegedienstleitungen oder Stationsleitungen, die seit 20 Jahren ein Gespür dafür haben, wer wie belastet ist — ohne ein System. Diese Menschen empfinden ein automatisiertes Alert-System häufig als implizite Kritik an ihrer eigenen Wahrnehmungskompetenz. Wichtig: Das System ersetzt kein gutes Führungsurteil. Es gibt der Führungskraft ein früheres Zeitfenster und eine sachliche Grundlage für ein Gespräch, das ohnehin geplant war. Wer diese Botschaft kommuniziert, bevor das System läuft, verhindert Widerstand.

Die Überwachungsangst. Ein Teil der Mitarbeitenden wird das System als Kontrollinstrument wahrnehmen — unabhängig davon, was in der Betriebsvereinbarung steht. Diese Angst ist berechtigt genug, um sie aktiv zu adressieren. Was wirklich hilft: Das System so transparent machen, dass Mitarbeitende ihren eigenen Score auf Wunsch sehen können. Wer weiß, was das System über ihn sieht, fürchtet es weniger als wer nicht weiß.

Die strukturellen Erschöpften. In Einheiten mit dauerhaft zu wenig Personal ist das Burnout-Signal kein Frühwarnsystem mehr — es ist ein Dauerzustand. Wenn 30 Prozent der Belegschaft dauerhaft im Amber-Bereich ist, wird aus dem Alert ein Hintergrundrauschen. Das System ist für diese Situation nicht konstruiert. Es zeigt Abweichungen von einer Baseline. Wenn die Baseline selbst pathologisch ist, muss das auf einer anderen Ebene adressiert werden.

Was konkret hilft:

• Mitarbeitende aktiv in die Vorstellung des Systems einbinden — nicht nur per Aushang
• Betriebsrat als sichtbare Mitgestalter positionieren, nicht nur als Unterzeichner
• Erste Pilotstation bewusst auswählen: Eine Einheit, in der die Stationsleitung hinter dem Vorhaben steht
• Klaren Eskalationspfad definieren: Was passiert, wenn ein Alert ignoriert wird?

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Das Bauchgefühl der Führungskraft reicht.” Stimmt — für eine Führungskraft mit 10 direkten Berichten und genug Zeit, jeden Tag hinzuschauen. Für eine Stationsleitung mit 20–30 Mitarbeitenden, eigener Patientenarbeit und täglichen Koordinationsaufgaben stimmt es nicht. Das System ersetzt kein Führungsurteil — es stellt sicher, dass das Zeitfenster nicht verpasst wird, in dem Gegensteuern noch möglich ist.

“Das ist Überwachung.” Die Grenze zwischen Fürsorge und Überwachung liegt in der Frage: Wem nützt das System? Wenn ein Alert ausschließlich dazu führt, dass die betroffene Person früher ein Entlastungsangebot bekommt — und nie zu einer Sanktion, Umbesetzung oder Dokumentation gegen sie — ist es ein Fürsorge-Werkzeug. Die Betriebsvereinbarung muss diese Grenze explizit ziehen und absichern. Ein System ohne diese Garantie verdient den Einwand.

“Die Datenbasis ist nicht gut genug.” Das ist der ehrlichste Einwand — und manchmal stimmt er. Wenn Schichtdaten unvollständig erfasst werden, Krankmeldungen papierhaft vorliegen oder Urlaubsstände nicht digital abgelegt sind, hat das System keinen Rohstoff zum Arbeiten. In diesem Fall ist der erste Schritt nicht die KI, sondern die Digitalisierung der Grundprozesse. Wenn ATOSS oder Personio ordentlich gepflegt ist, ist die Datenbasis meist ausreichend — aber das sollte geprüft, nicht angenommen werden.

“Der Aufwand lohnt sich nicht für ein mittelgroßes Haus.” Das hängt an der Rechnung. Ein mittelgroßes Haus mit 100 Pflegekräften hat statistisch 2–4 Burnout-Langzeitausfälle pro Jahr. Bei Leiharbeit-Overheads von 20.000–30.000 EUR pro Fall: Das Kostenbudget für das System läuft schnell zusammen. Wer diese Rechnung nicht gemacht hat, sollte sie machen, bevor er den Aufwand als unverhältnismäßig einordnet.

Woran du merkst, dass das zu dir passt

• Ihr betreibt eine Einrichtung mit mindestens 50 Pflegekräften und ein Langzeitausfall hinterlässt eine spürbare Lücke in der Personaldecke
• Schicht- und Abwesenheitsdaten werden digital erfasst — in ATOSS, Personio oder einem vergleichbaren System, mit mindestens 12–18 Monaten Datenhistorie
• Ihr habt einen Betriebsrat oder Personalrat, der grundsätzlich bereit ist, das Thema Burnout-Prävention mitzugestalten — kein Betriebsrat, der sich gegen jede Digitalisierungsmaßnahme sperrt
• Die Stationsleitungen haben die Zeit und den Willen, auf Alerts zu reagieren — das System hat keinen Wert, wenn die Gespräche nicht geführt werden
• Ihr könnt konkrete Entlastungsoptionen anbieten: Schichttausch, Zusatzurlaub, Arbeitszeitreduktion, externe Beratungsangebote — wenigstens eines davon

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

1. Kein Betriebsrat oder grundsätzliche Ablehnung einer Betriebsvereinbarung. Ohne schriftliche Einigung nach §87 BetrVG ist die Einführung rechtswidrig. Das ist kein Prozessrisiko, das sich managen lässt — es ist ein Stopp-Kriterium.

2. Keine strukturierten digitalen HR-Daten. Wenn Schichtdaten auf Papierlisten liegen, Krankmeldungen per E-Mail erfasst werden und kein einheitliches System vorhanden ist, gibt es nichts zu analysieren. Der sinnvolle erste Schritt ist dann die Einführung von ATOSS oder Personio — nicht ein Frühwarnsystem darüber.

3. Dauerhafter struktureller Personalmangel ohne Handlungsspielraum. Wenn Alerts nicht zu Interventionen führen können, weil schlicht kein Personal für Entlastungsmaßnahmen verfügbar ist, schafft das System Sichtbarkeit ohne Handlungsoption. Das erzeugt Frustration, kein Präventionsergebnis. In dieser Situation ist das Frühwarnsystem das falsche Werkzeug — der Fokus muss auf Personalgewinnung und Strukturmaßnahmen liegen.

Das kannst du heute noch tun

Öffne Power BI Desktop — kostenlos, kein Setup. Lade die letzten 12 Monate Schichtdaten und Abwesenheitsdaten deiner Einheit als CSV-Export aus ATOSS oder Personio hoch. Erstelle eine einfache Visualisierung: Überstunden je Person über Zeit, Urlaubsabstände, Krankmeldungshäufigkeit in den letzten 60 Tagen.

Das ist kein ML-Modell. Aber es zeigt dir in 30 Minuten, ob die Muster da sind, die das System dann automatisiert erkennen würde — und gibt dir ein Gefühl dafür, ob deine Datenbasis ausreicht.

Für die systematische Analyse hier ein Prompt, den du in ChatGPT, Claude oder einem anderen LLM verwenden kannst:

Quellen & Methodik

• Burnout-Fehltage Pflege (28,2 Tage): DAK Gesundheitsreport 2023, Kapitel Berufsgruppen-Analyse. Pflegekräfte und Berufsgruppen mit körperlich und emotional belastenden Tätigkeiten liegen konsistent über dem Durchschnitt. Vergleichswert allgemeine Bevölkerung: 14,2 Tage.
• Kosten unbesetzte Pflegestelle (66.528 EUR/Jahr): Medi-Karriere, „Was kostet eine unbesetzte Stelle als Pflegekraft?” (2024). URL: https://www.medi-karriere.de/magazin/was-kostet-eine-unbesetzte-stelle-als-pflegekraft/ — enthält Leiharbeits-Overhead, Rekrutierungskosten und Produktivitätsverlust.
• Leiharbeit 92% teurer: Krankenhausvergleichsstudie (KU Gesundheitsmanagement, 2023): Leiharbeit verursacht durchschnittlich 92 Prozent höhere Personalkosten als Festanstellung im Klinikbetrieb.
• ML-Modellperformance AUC 0.72: PubMed-Metaanalyse zu Machine-Learning-Burnout-Prediction, 22 Studien (2025). „Machine learning for predicting burnout among healthcare workers: a systematic review and meta-analysis.” Fazit: Pooled AUC 0,72, Sensitivity 0,63 — moderates Modell mit methodischen Einschränkungen. URL: https://pubmed.ncbi.nlm.nih.gov/41296876/
• ATOSS + InnKlinikum-Partnerschaft: ATOSS Referenzkunde InnKlinikum; AI-driven scheduling mit Reinforcement Learning: Fraunhofer IKS + ATOSS Kooperation (Fraunhofer-Safe-Intelligence Blog, 2024).
• §87 BetrVG Mitbestimmung KI: Bird & Bird, „Erstes Urteil zu Rechten des Betriebsrats bei Einsatz von künstlicher Intelligenz” (2024) — Arbeitsgericht München bestätigte Mitbestimmungsrecht bei KI-Systemen zur Verhaltens-/Leistungskontrolle. URL: https://www.twobirds.com/de/insights/2024/germany/erstes-urteil-zu-rechten-des-betriebsrats-bei-einsatz-von-kuenstlicher-intelligenz
• Onboarding-Kosten 30% Jahresgehalt: Factorial / XING-Studie (2024): Neueinstellung kostet im Schnitt ca. 10.000 EUR; Richtwert 30% des Jahresgehalts der zu besetzenden Stelle. URL: https://factorialhr.de/blog/onboarding-kosten/

Du willst wissen, ob eure HR-Daten für ein solches System ausreichen und was der rechtlich sichere erste Schritt wäre? Meld dich — das klären wir gemeinsam, bevor ihr in die Technik investiert.