Arbeitssicherheitsvorfälle automatisch auswerten

Das echte Ausmaß des Problems

In Deutschland registrierte die DGUV im Jahr 2024 rund 712.257 meldepflichtige Arbeitsunfälle — ein Rückgang von 3,8 Prozent gegenüber dem Vorjahr, aber das Bild bleibt: rund alle 44 Sekunden ein meldepflichtiger Unfall, Ausgaben der Unfallversicherungsträger von 12,3 Milliarden Euro für Leistungen (2024). Für Unternehmen selbst schätzt die DGUV die durchschnittlichen direkten Kosten je meldepflichtigen Unfall auf ca. 2.300 Euro — die indirekten Kosten (Ersatzpersonal, Produktionsausfall, Mehrarbeit anderer, BG-Beitragserhöhung, mögliche Vertragsstrafen) können das Drei- bis Fünffache betragen.

Was diese Statistiken nicht zeigen: das Muster hinter den Zahlen.

Fachkräfte für Arbeitssicherheit in Maschinenbau-Betrieben berichten konsistent dasselbe Problem: Vorfälle werden nach Datum erfasst, aber Muster entstehen über Ort, Schicht, Wochentag und Workstation. Wer einen Stapel Unfallberichte nach Datum durchliest, sieht kein räumliches Clustering. Wer Beinahe-Vorfälle in einer Tabelle nach Datum sortiert hat, sieht nicht, dass Schicht B auf Linie 3 dreimal so viele Beinahe-Vorfälle erzeugt wie Schicht A auf derselben Linie.

Das zweite, größere Problem: die Dunkelziffer.

Der Sicherheitsforscher Frank E. Bird hat bereits 1969 untersucht, was statistisch hinter jedem Todesfall steckt — und ein Verhältnis von 1:10:30:600 gefunden: für jeden Todesfall 10 Schwerverletzungen, 30 Leichtverletzte, 600 Beinahe-Vorfälle ohne Verletzung. Was in deutschen Maschinenbaubetrieben tatsächlich gemeldet wird, bildet oft nur die Spitze dieser Pyramide ab. Studien zeigen, dass Mitarbeitende Beinahe-Vorfälle systematisch nicht melden, wenn sie negative Reaktionen vom Vorgesetzten fürchten — oder wenn der Melder zuletzt einen Vortrag geerntet hat, statt ein Dankeschön.

Für eine KI-gestützte Unfallanalyse ist das die wichtigste Einschränkung: Sie kann nur analysieren, was gemeldet wurde.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Auswertungszeit-Einsparung ist real und sofort spürbar. Der Qualitätssprung — von zufälliger zu systematischer Mustererkennung — ist der eigentliche Wert. ¹

¹ Angaben basieren auf Erfahrungswerten aus EHS-Projekten in Maschinenbau-KMU; keine repräsentative Studie.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Die manuelle Quartalsauswertung von Unfallberichten, Beinaheunfall-Meldungen und Begehungsprotokollen kostet erfahrungsgemäß 2–4 Tage Arbeitszeit. Mit einem strukturierten EHS-System und automatischer Aggregation reduziert sich das auf 3–6 Stunden — nicht wegen Abkürzungen, sondern weil das System das räumliche und zeitliche Clustering übernimmt, das manuell am fehleranfälligsten ist. Im Vergleich der Maschinenbau-Anwendungsfälle einer der stärkeren Hebel: Die Zeitersparnis ist vorhersagbar und messbar.

Kosteneinsparung — niedrig (2/5) Die Unfallprävention hat einen gut belegten Return on Prevention von 2,2:1 (DGUV-Studie). Aber: Welcher Anteil davon ist auf die KI-gestützte Auswertung zurückzuführen und welcher auf andere Maßnahmen? Diese kausale Zurechnung ist strukturell schwierig. Du kannst nicht experimentell testen, wie viele Unfälle ohne das System passiert wären. Die Kosteneinsparung ist real, aber nicht direkt zuschreibbar — deshalb ehrlich niedrig bewertet.

Schnelle Umsetzung — hoch (4/5) DGUV-konforme EHS-SaaS-Systeme wie Quentic haben standardisierte Importschemas für Unfalldaten. Wenn dein Betrieb bereits digital erfasst (auch Excel genügt als Ausgangspunkt), sind Datenimport und erste Auswertungen in 2–3 Wochen erreichbar. Der Haken: Der Betriebsrat muss nach BetrVG §87 einbezogen werden, bevor das System produktiv geht — dieser Prozess dauert in der Praxis 3–6 Wochen. Insgesamt 4–8 Wochen bis zum ersten produktiven Einsatz.

ROI-Sicherheit — niedrig (2/5) Was nicht passiert ist, lässt sich nicht buchen. Das ist die fundamentale Schwäche dieser Kategorie: Der Nutzen entsteht durch verhinderte Unfälle — ein kontrafaktisches Argument, das du gegenüber der Geschäftsführung schwer mit Zahlen untermauern kannst. Langfristige Trendmessung (Unfallquote pro Vollarbeiter sinkt über 3 Jahre) ist das stärkste Argument, aber kein kurzfristiger ROI-Nachweis.

Skalierbarkeit — hoch (4/5) Mit jedem zusätzlichen Standort wächst die Datenbasis — und damit die statistische Aussagekraft. Muster, die in einem 200-Personen-Werk mit 8 Vorfällen pro Jahr kaum erkennbar sind, werden in einem Verbund von drei Werken mit 25+ Vorfällen statistisch signifikant. Konzernweite Gefährdungsbeurteilungen nach ArbSchG §5 werden durch einheitliche Datenstruktur erheblich leichter.

Richtwerte — stark abhängig von Unternehmensgröße, vorhandener Datenqualität und Meldekultur im Betrieb.

Was das System konkret macht

Der technische Kern ist NLP — Natural Language Processing — kombiniert mit einfacher Datenanalyse auf strukturierten Feldern.

Unfallberichte nach DGUV Vorschrift 1 enthalten sowohl strukturierte Felder (Datum, Uhrzeit, Bereich, Verletzungsart, Schwere) als auch unstrukturierten Freitext (Unfallhergang, Zeugenbeschreibungen, Ursachenanalyse). EHS-Systeme mit KI-Funktionen greifen auf beides zu:

Strukturierte Datenanalyse: Das System aggregiert alle Vorfälle über Zeit, Ort, Schicht und Verletzungstyp. Statt Berichte nach Datum zu lesen, siehst du automatisch: Welche Werkzeugmaschine hat die höchste Vorfall-Häufung? In welcher Schicht passieren überproportional viele Beinahe-Vorfälle? An welchem Wochentag häufen sich Schleifrisse gegenüber dem Durchschnitt?

Freitextanalyse: NLP-Modelle extrahieren aus dem Unfalltext Entitäten wie Maschinen, Körperteile, Tätigkeiten und Umstände. Eine Serie von Berichten, die alle Begriffe wie “abgelenkt”, “Zeitdruck”, “Schichtende” enthalten, signalisiert einen anderen Handlungsbedarf als eine Serie mit “Schutzvorrichtung umgangen”, “fehlende Kennzeichnung”, “mangelhafter Zustand”. Das System gruppiert semantisch ähnliche Vorfälle — auch wenn die Texte unterschiedlich formuliert sind.

Beinaheunfall-Korrelation: Wenn Beinaheunfälle und Vollunfälle im selben System erfasst sind, kann das System Vorstufen-Muster erkennen. Ein Bereich, der dreimal im Quartal als Beinahe-Vorfall auftaucht, ohne dass noch ein Vollunfall passiert ist, verdient in der Gefährdungsbeurteilung nach ArbSchG §5 höhere Priorität — bevor es zu einem meldepflichtigen Unfall kommt.

Wichtige Einschränkung: Das System erkennt Muster in vorhandenen Daten. Es kann keine Ursachen beweisen — es kann Korrelationen aufzeigen, die dann menschlich bewertet werden müssen. “Schicht B hat 3x mehr Beinahe-Vorfälle als Schicht A” ist eine Hypothese, keine Diagnose. Die Fachkraft für Arbeitssicherheit bleibt die entscheidende Instanz.

Rechtliche Grundlage: Dreifache Pflicht

Wer KI-gestützte Unfallauswertung einführen will, bewegt sich im Kreuzfeuer dreier Rechtspflichten. Das ist keine Bürokratie — das ist der Rahmen, in dem ihr arbeitet.

ArbSchG §5 — Gefährdungsbeurteilung Das Arbeitsschutzgesetz verpflichtet Arbeitgeber, Gefährdungen systematisch zu ermitteln und zu dokumentieren. Eine KI-gestützte Mustererkennung kann genau das unterstützen: strukturierte Evidenz für Gefährdungsbeurteilungen, die über individuelle Unfallberichte hinausgeht. Wichtig: Die Beurteilung selbst bleibt Aufgabe von Fachkräften und Betriebsarzt — das System liefert Input, keine Entscheidung.

DGUV Vorschrift 1 — Dokumentationspflicht Alle meldepflichtigen Arbeitsunfälle müssen dokumentiert und der zuständigen Berufsgenossenschaft gemeldet werden. DGUV-konforme EHS-Systeme bringen diese Formulare und Exportmöglichkeiten bereits mit — das ist ein Vorteil gegenüber reinen KI-Standalone-Lösungen.

BetrVG §87 Abs. 1 Nr. 6 — Mitbestimmung des Betriebsrats Das ist der entscheidende Punkt, den viele vergessen: Jedes technische System, das geeignet ist, das Verhalten oder die Leistung von Arbeitnehmerinnen und Arbeitnehmern zu überwachen, unterliegt der zwingenden Mitbestimmung des Betriebsrats. Das gilt auch dann, wenn die Überwachung nicht der Zweck, sondern nur eine mögliche Nebenfolge des Systems ist.

Ein EHS-System, das Unfallmeldungen mit Schichten, Bereichen und Arbeitsplätzen verknüpft, kann in der Praxis dazu genutzt werden, Muster im Verhalten einzelner Teams oder Schichtleiter sichtbar zu machen. Ob das so genutzt wird oder nicht — es ist objektiv geeignet dazu, und das reicht für den Mitbestimmungstatbestand.

Was das bedeutet: Holt den Betriebsrat vor der Einführung ins Boot. Nicht danach. Nicht als Formalie, sondern als Partner — denn der Betriebsrat kann das Projekt zum Erliegen bringen, wenn er erst nach dem Pilot involviert wird. In der Praxis empfiehlt sich eine Betriebsvereinbarung nach §87 BetrVG, die regelt: Welche Daten werden ausgewertet? Auf welcher Aggregationsebene? Wer hat Zugriff? Werden Rückschlüsse auf einzelne Personen oder kleine Gruppen ausgeschlossen?

Eine gut gestaltete Betriebsvereinbarung ist nicht das Gegenteil von Fortschritt — sie ist die Grundlage für langfristige Akzeptanz.

Das Meldeproblem: Wenn KI nur die Spitze des Eisbergs sieht

Das ist die wichtigste Einschränkung dieses Use Cases — und sie hat nichts mit der Technologie zu tun.

Frank E. Birds Unfallpyramide aus den 1960er Jahren (bestätigt durch neuere Studien) zeigt: Auf jeden meldepflichtigen Unfall kommen statistisch 600 Beinahe-Vorfälle. In deutschen Maschinenbaubetrieben werden davon ein Bruchteil tatsächlich gemeldet. Studien (u.a. Draeger, 2020) zeigen: Die Hauptgründe sind Angst vor negativer Reaktion des Vorgesetzten, das Empfinden, “dass ja nichts passiert ist”, und fehlende Meldesysteme.

Was das für KI-Analyse bedeutet:

Wenn dein EHS-System überwiegend meldepflichtige Vollunfälle enthält und kaum Beinahe-Vorfälle, analysiert die KI eine systematisch verzerrte Datenbasis. Sie findet Muster — aber in einer Population, die die Realität der Gefährdung nicht vollständig abbildet. Der Bereich, der keine Unfälle meldet, gilt im System als sicher. Er könnte schlicht eine schlechte Meldekultur haben.

Was das konkret heißt:

KI-gestützte Unfallanalyse ist kein Ersatz für Meldekultur — sie ist ein Werkzeug, das eine vorhandene gute Meldekultur produktiv macht. Wenn Mitarbeitende Beinahe-Vorfälle melden, weil sie wissen, dass ihre Meldungen zu Verbesserungen führen und nicht zu Konsequenzen, hat die KI-Analyse brauchbare Daten. Wenn die Meldekultur schlecht ist, wird die KI das Bild systematisch verzerrt zeigen — ohne dass das System selbst darauf hinweist.

Die Mindestanforderung: Bevor ihr eine KI-gestützte Analyse einführt, prüft zwei Kennzahlen:

1. Wie viele Beinahe-Vorfälle werden pro meldepflichtigem Unfall gemeldet? (Orientierungswert: mindestens 5:1, besser 20:1)
2. Haben Mitarbeitende in der letzten Befragung Angst vor Konsequenzen bei Meldungen genannt?

Liegt die erste Kennzahl unter 3:1 oder ist die zweite Kennzahl positiv, lohnt sich die Investition in bessere Meldekultur mehr als die Investition in bessere Analyse.

Konkrete Werkzeuge — was wann passt

Quentic — wenn Vollständigkeit und DSGVO-Sicherheit erste Priorität sind Die führende deutschsprachige EHS-Plattform mit EU-Datenhosting und deutschsprachigem Support. Quentic deckt Unfallmeldungen nach DGUV Vorschrift 1, Gefährdungsbeurteilungen nach ArbSchG §5, Gefahrstoffe und Auditmanagement in einem modularen System ab. Die Auswertungsfunktionen zeigen automatisch Häufungen nach Bereich, Zeit und Verletzungsart. Preise auf Anfrage — erfahrungsgemäß 500–2.000 €/Monat für mittelständische Betriebe je nach Modul-Kombination. Für Maschinenbau-KMU mit Betriebsrat-Anforderungen und DSGVO-Pflichten die naheliegendste Wahl.

SafetyCulture (iAuditor) — wenn mobile Erfassung im Vordergrund steht Stark in der mobilen Vor-Ort-Erfassung: Beinaheunfall-Meldungen per Smartphone, Fotobelege direkt im Bericht, Offline-Fähigkeit in Bereichen ohne Netz. Der AI Template Builder erstellt Inspektions-Checklisten aus einer Texteingabe — nützlich für Gefährdungsbeurteilungen und Begehungsprotokolle. Kritischer Nachteil: Datenhosting in den USA, kein EU-Hosting. Für Betriebe mit Betriebsrat und strenger DSGVO-Anforderung eine schlechte Wahl — der Betriebsrat wird zurecht auf EU-Hosting bestehen. Für internationale Betriebe oder solche mit explizitem Datenschutzgutachten (Standardvertragsklauseln + DSFA): 19–29 USD/Sitz/Monat im Premium-Plan (je nach monatlicher oder jährlicher Abrechnung).

ChatGPT / Claude für unstrukturierte Textanalyse — wenn die Daten in Freitextberichten stecken Viele Betriebe haben Unfallberichte als Word-Dokumente oder PDF-Scans in einem Ordner liegen — keine strukturierten Felder, nur Freitext. Hier können LLM-basierte Werkzeuge wie ChatGPT oder Claude mit einem guten Prompt direkt einsteigen: Berichte hochladen, analysieren lassen, Muster extrahieren. Das ist kein EHS-System-Ersatz, aber ein pragmatischer Einstieg, der ohne Softwareeinführung funktioniert und die Methode validiert, bevor in ein Vollsystem investiert wird. Kosten: 20–25 $/Monat für den Pro-Plan.

NotebookLM — für den kostenlosen Einstiegstest Google NotebookLM ist kostenlos, benötigt nur ein Google-Konto und kann sofort mit internen Dokumenten befüllt werden. Lade 10–15 deiner aktuellen Unfallberichte und Beinaheunfall-Meldungen hoch und frage das System: “Welche Muster erkennst du bei Unfallorten, Uhrzeiten und Tätigkeiten?” Das dauert 20 Minuten und zeigt, ob das Konzept für euren Betrieb funktioniert — ohne Cent Ausgaben und ohne Betriebsrat-Prozess (kein produktiver Einsatz, nur interner Test).

Wann welcher Ansatz

• Vollständige DSGVO-konforme EHS-Digitalisierung mit Betriebsrat-Einbindung → Quentic
• Schwerpunkt mobile Beinaheunfall-Erfassung, internationales Unternehmen → SafetyCulture (mit DSFA)
• Bestehende Freitextberichte schnell analysieren, ohne Systemeinführung → ChatGPT / Claude
• Ersttest ohne Kosten und ohne IT-Aufwand → NotebookLM

Datenschutz und Datenhaltung

Unfallberichte enthalten fast immer personenbezogene Daten: Name des Verletzten, Tätigkeit, Aufenthaltsort zum Unfallzeitpunkt, teils Gesundheitsinformationen. Das sind nach DSGVO besonders schutzbedürftige Daten gemäß Art. 9 — für sie gelten höhere Anforderungen als für normale Personaldaten.

Pflichten beim Systemwechsel:

• Mit jedem Cloud-Anbieter muss ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO geschlossen werden
• Für US-Anbieter (SafetyCulture, VelocityEHS) braucht es zusätzlich Standardvertragsklauseln (SCC) und in den meisten Fällen eine Datenschutz-Folgenabschätzung (DSFA nach Art. 35 DSGVO) — prüft das mit eurem Datenschutzbeauftragten
• Quentic (EU-Hosting, AVV verfügbar) ist der einfachere Pfad für den deutschen Mittelstand

Betriebsrat und Datenschutz: Die Betriebsvereinbarung nach §87 BetrVG sollte explizit regeln, auf welcher Aggregationsebene Auswertungen erstellt werden. Auswertungen, die Rückschlüsse auf einzelne Mitarbeitende oder kleine Schichtgruppen (< 5 Personen) erlauben, brauchen besondere Begründung — das ist nicht nur eine Datenschutzfrage, sondern auch eine Frage des Vertrauens.

On-Premise-Option: Für Betriebe, die EHS-Daten aus regulatorischen Gründen nicht in die Cloud geben können (z.B. Rüstungszulieferer, staatsnahe Betriebe), gibt es On-Premise-Varianten. Quentic bietet auf Anfrage eine Private-Cloud-Option. Alternativ: eine lokale Instanz mit ChatGPT-kompatiblem Open-Source-Modell (Ollama + Llama) für die Textanalyse — kein Datenaustritt, aber höherer Einrichtungsaufwand.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Datenmigration bestehender Unfallberichte: 1–3 Wochen interner Aufwand (Berichte strukturieren, Importformat anpassen)
• Externe Konfiguration eines EHS-Systems: 2.000–8.000 €, abhängig von Komplexität und vorhandenen Schnittstellen
• Betriebsvereinbarung: Rechtsbeistand für den Betriebsrat (vom Arbeitgeber zu tragen, §40 BetrVG) — typisch 500–2.000 €

Laufende Kosten (monatlich)

• Quentic: ca. 500–2.000 €/Monat (Basismodule Arbeitsschutz + Auswertung; Angebotspreis)
• SafetyCulture Premium: 19–29 USD/Sitz/Monat
• ChatGPT / Claude für Freitextanalyse: 20–25 €/Monat

Gegenrechnung DGUV-Daten: Pro meldepflichtigem Unfall ca. 2.300 € direkte Kosten für das Unternehmen — die indirekten Kosten (Ausfall, Ersatz, Produktionsunterbrechung) liegen erfahrungsgemäß beim 3–5-Fachen, also 7.000–11.500 € gesamt. Wenn die systematischere Auswertung über 2 Jahre dazu beiträgt, 5 Unfälle pro Jahr zu verhindern, wären das 35.000–57.500 € eingesparte Kosten — deutlich mehr als die Systemkosten.

Wichtiger Vorbehalt: Diese Rechnung funktioniert nur, wenn die KI-Analyse tatsächlich zu Gegenmaßnahmen führt, die wirksam sind. Allein das Erkennen eines Musters verhindert nichts — erst die Maßnahme danach zählt. Aus Erfahrung: Ohne explizite Zuständigkeit (“Wer priorisiert nach Auswertung die Maßnahmen? Wer setzt sie um? Mit welchem Budget?”) landen die Erkenntnisse in der Quartalsberichtspräsentation und nirgendwo sonst.

Wie du den Nutzen tatsächlich misst Die ehrlichste Kennzahl ist nicht die eingesparte Analysezeit — die ist zwar messbar, aber nicht der Hauptnutzen. Relevanter: Hat sich die Unfallquote je 1.000 Vollarbeiter in den betreffenden Bereichen innerhalb von 12 Monaten nach Einführung der priorisierten Maßnahmen verändert? Das ist die einzige Zahl, die wirklich zählt — und sie braucht Zeit.

Typische Einstiegsfehler

1. Das System einführen, ohne die Meldekultur zu adressieren. Wenn Mitarbeitende Beinahe-Vorfälle nicht melden, weil sie Konsequenzen fürchten, hat die KI-Auswertung verzerrte Daten — und zeigt Bereiche als sicher, die nur als sicher gelten. Die erste Maßnahme vor dem Systemkauf: Anonym erfragen, ob Mitarbeitende Beinahe-Vorfälle melden würden, wenn es kein Formular gäbe. Die Antwort ist erhellender als jede Softwaredemonstration.

2. Den Betriebsrat nach dem Pilot informieren, nicht davor. Das passiert häufiger als man denkt: Pilotprojekt läuft, Ergebnisse sind positiv, dann erst wird der Betriebsrat einbezogen. Der Betriebsrat hat nach §87 BetrVG ein Vetorecht. Wenn er das System als Überwachungsinstrument interpretiert — und das kann er, auch bei guten Absichten — kann er die Einführung stoppen oder auf Kostenersatz klagen. Das kostet mehr als drei Monate Vorlauf für eine saubere Betriebsvereinbarung.

3. Das System kaufen, ohne zu klären, wer die Maßnahmen umsetzt. Das ist der häufigste Grund, warum EHS-Systeme nach zwei Jahren wieder abgeschafft werden: Die Analyse läuft, die Muster sind sichtbar — aber niemand hat Budget und Mandat, die erkannten Gefahrenquellen tatsächlich zu beseitigen. Das EHS-System ist dann ein aufwändiges Dokumentationswerkzeug, kein Präventionsinstrument. Regel: Kein System ohne Maßnahmenbudget und benannte Zuständigkeiten.

4. Alle Vorfälle auf einmal in das System laden, ohne Qualitätsprüfung. Unfallberichte aus vergangenen Jahren sind oft inkonsistent — unterschiedliche Formulare, unterschiedliche Kategorisierungen, fehlende Felder. Ein KI-System, das auf diesem Rohmaterial arbeitet, findet Muster in den Inkonsistenzen der Dateneingabe, nicht in echten Gefahrensituationen. Besser: Mit den letzten 12–24 Monaten starten, sauber strukturiert, und älteren Daten nachziehen, wenn das Format konsolidiert ist.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Einführung ist der einfache Teil. Schwieriger ist, was danach kommt.

Schichtleiter werden das System als Kontrollwerkzeug wahrnehmen — bis bewiesen ist, dass es das nicht ist. Wenn Auswertungen zeigen, dass Schicht B auffällig ist, ist die erste Reaktion nicht Verbesserungsbereitschaft, sondern Verteidigung. Das ist vorhersehbar und lösbar: Auswertungen nicht als Schuldzuweisung präsentieren (“Schicht B hat ein Problem”), sondern als gemeinsame Suchbewegung (“Was können wir in Bereich 4 strukturell verbessern?”). Das klingt trivial, macht aber den Unterschied zwischen Ablehnung und Mitgestaltung.

Mitarbeitende melden mehr Beinahe-Vorfälle, wenn sie merken, dass die Meldungen etwas bewirken. Das ist der positive Rückkopplungskreis, den ihr anstreben sollt: Meldung → sichtbares Muster → konkrete Maßnahme → spürbare Verbesserung → mehr Vertrauen → mehr Meldungen. Wenn dieser Kreislauf nicht funktioniert, sinkt die Melderate nach einem kurzen Anstieg wieder auf das Ausgangsniveau.

Die Fachkraft für Arbeitssicherheit muss die Auswertungen verstehen und vermitteln können. KI-Systeme produzieren teils Visualisierungen und Priorisierungen, die erklärungsbedürftig sind. Wenn die Fachkraft die Logik hinter einer “Risikopriorisierung” nicht selbst nachvollziehen kann, wird sie in der Betriebsratssitzung schwere Fragen nicht beantworten können. Einplanung: 1–2 Tage Schulung plus eigene Test-Auswertungen vor dem ersten produktiven Einsatz.

Was konkret hilft:

• Betriebsrat und Schichtleiter in die Pilotauswertung einbeziehen — nicht als Reviewer, sondern als aktive Beteiligte, die eigene Fragen stellen
• Erste Auswertungen auf einem nicht-sensiblen Bereich beginnen, der keine Schuldigen sondern nur Fakten zeigt
• Einen festen Rhythmus etablieren: “Wir schauen uns die Auswertung quartalsweise gemeinsam an” — mit Protokoll und Maßnahmenliste

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Der Betriebsrat-Prozess ist keine Formalität. Plant ihn als vollwertige Projektphase ein — mit eigenem Zeitpuffer.

Häufige Einwände — und was dahintersteckt

„Unsere Unfallzahlen sind schon gut — wir brauchen das nicht.” Das ist das gefährlichste Missverständnis. Niedrige Unfallzahlen können gute Sicherheit bedeuten — oder sie können schlechte Meldekultur widerspiegeln. Der Unterschied ist ohne strukturierte Analyse nicht sichtbar. Betriebe, die seit drei Jahren “unfallfrei” feiern, ohne eine realistische Beinahe-Unfall-Rate zu haben, sollten sich ernsthaft fragen, ob ihre Daten die Realität widerspiegeln.

„Der Betriebsrat wird das nie akzeptieren.” Das stimmt nur, wenn er zu spät einbezogen wird. Betriebsräte sind per Gesetz (§87 BetrVG) Mitgestalter, keine Vetoplayer. Wenn der Betriebsrat das Projekt von Anfang an mitprägt — Datenschutzregeln, Aggregationsniveaus, Auswertungszwecke — wird er es eher verteidigen als blockieren. Systeme, die mit dem Betriebsrat entwickelt wurden, haben eine höhere Akzeptanzrate bei Mitarbeitenden als Top-Down-Einführungen.

„Wir haben zu wenige Vorfälle für eine sinnvolle Analyse.” Das ist ein ehrlicher Einwand. Unter 8–10 meldepflichtigen Unfällen pro Jahr ist die statistische Basis für Mustererkennung tatsächlich dünn. Hier lohnt es sich eher, auf strukturierte manuelle Auswertung zu setzen und das System erst dann einzuführen, wenn Beinahe-Vorfälle konsequent gemeldet werden — dann wächst die Datenbasis schnell.

„Das kostet mehr, als es bringt.” Der Return on Prevention liegt laut DGUV bei 2,2:1 — jeder in Prävention investierte Euro spart langfristig 2,20 Euro. Das gilt für Arbeitsschutzmaßnahmen insgesamt, nicht spezifisch für KI-Analyse. Aber: Wenn das KI-System bessere Priorisierung der Maßnahmen ermöglicht, erhöht es den Return on Prevention der tatsächlichen Maßnahmen. Der Systempreis ist dann nicht das Investment — die Maßnahmen danach sind das Investment.

Woran du merkst, dass das zu dir passt

• Du hast mindestens 8–10 meldepflichtige Unfälle pro Jahr — genug für erste statistische Aussagen; bei deutlich weniger lohnt strukturierte manuelle Auswertung mehr
• Deine Fachkraft für Arbeitssicherheit verbringt mehr als einen Tag pro Monat mit manueller Berichtsauswertung — das ist die Zeit, die das System zurückgibt
• Ihr habt einen Betriebsrat, der bei einer frühzeitigen, transparenten Einbindung Mitgestalter werden kann — nicht Verhinderer
• Ihr habt mehrere Produktionsbereiche oder Schichten, bei denen Quervergleiche heute mühsam sind
• Eure Vorfallsdaten liegen schon digital vor — auch in Excel ist gut, solange die Felder konsistent sind

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

1. Unter 50 Mitarbeitende mit weniger als 5 meldepflichtigen Unfällen pro Jahr. Bei dieser Datenlage hat ein KI-System zu wenig Input für aussagekräftige Mustererkennung. Investiere die Zeit lieber in eine gute manuelle Auswertungsroutine und in die Verbesserung der Meldekultur für Beinahe-Vorfälle.

2. Keine strukturierte digitale Unfallerfassung vorhanden — nur Papierformulare oder Word-Dokumente ohne Standardfelder. Dann ist der erste Schritt nicht die KI-Analyse, sondern ein einheitliches Erfassungsformular (kann in einem Nachmittag gebaut werden) und 6–12 Monate konsequente Nutzung. KI-Analyse auf chaotischen Rohdaten ergibt chaotische Erkenntnisse.

3. Bekannte schlechte Meldekultur — Mitarbeitende haben Angst vor Konsequenzen bei Meldungen. Eine KI-gestützte Analyse auf systematisch unvollständigen Daten zeigt euch nicht, wo die echten Risiken liegen, sondern wo die schlechteste Meldebereitschaft herrscht. Das ist gefährlicher als keine Analyse. In diesem Fall: zuerst an der Meldekultur arbeiten — das ist die Voraussetzung für alles andere.

Das kannst du heute noch tun

Öffne NotebookLM — kostenlos, kein Setup, ein Google-Konto reicht. Lade die letzten 10–15 Unfallberichte und Beinahe-Vorfalls-Meldungen aus dem letzten Jahr hoch. Stelle dann die Frage: “Welche Muster erkennst du bei Unfallorten, Uhrzeiten, beschriebenen Tätigkeiten und Verletzungsarten?”

Das dauert 30 Minuten. Was du danach weißt: ob in euren Daten auswertbare Muster stecken — und ob das Konzept für euren Betrieb trägt. Das ist kein produktiver Einsatz (kein Betriebsrat-Prozess nötig, weil nur interne Recherche), aber ein echter Validierungstest.

Wenn das funktioniert, hier ist ein Prompt für eine strukturiertere Analyse:

Quellen & Methodik

• DGUV Statistik 2024 — Arbeitsunfallgeschehen: 712.257 meldepflichtige Arbeitsunfälle, Rückgang 3,8 Prozent gegenüber 2023, Ausgaben der Unfallversicherungsträger ca. 12,3 Milliarden Euro. DGUV, Pressemitteilung Jahresbilanz 2024
• Unfallkosten pro Betrieb: Direkte Kosten ca. 2.300 € je meldepflichtigem Unfall (DGUV-Studie, zitiert in Schulungstool.de); Return on Prevention 2,2:1 (DGUV-Studie, ebd.)
• Volkswirtschaftliche Kosten: 15 Milliarden Euro jährlich durch Arbeitsunfälle und Krankheitsausfälle (BAuA, Schätzwert, ebd.)
• BAuA Forschungsprojekt F2536 — KI in der Gefährdungsbeurteilung: Die Bundesanstalt für Arbeitsschutz und Arbeitsmedizin hat untersucht, inwieweit KI die Erstellung von Gefährdungsbeurteilungen unterstützen kann. Ergebnis: Fachleute akzeptieren KI als “Sparringspartner” zur Gefahrenidentifikation — unter der Bedingung, dass das System transparent agiert und die menschliche Entscheidungshoheit erhalten bleibt. BAuA Forschungsprojekt F2536
• Bird-Unfallpyramide und Meldeproblem: Frank E. Bird Jr. (1969/1996), Verhältnis Beinahe-Vorfälle zu Schwerverletzungen 600:10:1. Underreporting-Problematik: Draeger, Near-Miss-Management-Bericht (2020)
• Visionify Fall-Studie chemische Industrie: 48% Rückgang Beinahe-Vorfälle, 65% schnellere Reaktionszeiten nach Einführung KI-gestützter Sicherheitsanalyse (Visionify Case Studies)
• Voxel AI / Americold: 77% Unfallreduktion, 1,1 Mio. USD EBITDA-Einsparung, 2.000% ROI innerhalb 12 Monate (Voxel AI) — Hinweis: Computer-Vision-basierter Ansatz (Kameraüberwachung), nicht reine Berichtsanalyse
• BetrVG §87 Mitbestimmung: Gesetze im Internet, §87 BetrVG; praxisbezogene Kommentierung bei Haufe
• Preisangaben: Quentic auf Anfrage (laut Anbieterwebsite und Erfahrungswerten; Stand Mai 2026); SafetyCulture Premium 19–29 USD/Sitz/Monat je nach Abrechnungsmodell (Anbieterwebsite, Stand Mai 2026)

Möchtest du wissen, ob eure Datenbasis für eine systematische Auswertung ausreicht — und welches Vorgehen für euren Betrieb realistisch ist? Meld dich für ein kurzes Gespräch.