Wirkungsmessung und Reporting

Das echte Ausmaß des Problems

Eine mittelgroße NGO oder gemeinnützige Organisation in Deutschland mit vier bis acht Hauptamtlichen erstellt im Jahr oft fünf bis fünfzehn Wirkungsberichte — für Projektförderer, institutionelle Geldgeber, Stiftungen, das Finanzamt und die eigene Öffentlichkeitsarbeit. Jeder Bericht hat andere Anforderungen, andere Zielgruppen, andere Kennzahlen.

Das Ergebnis ist, dass Mitarbeitende erhebliche Anteile ihrer Arbeitszeit mit Berichterstattung verbringen, die nicht direkt der Kernmission zugute kommt. Studien des Bundesverbands Deutscher Stiftungen zeigen, dass NGO-Mitarbeitende im Schnitt 15 bis 25 Prozent ihrer Arbeitszeit mit administrativen Aufgaben verbringen — und Wirkungsberichterstattung macht davon einen erheblichen Teil aus.

Dabei ist das inhaltliche Problem oft genauso gravierend wie der Zeitaufwand: Viele Wirkungsberichte sind nicht überzeugend. Sie listen Aktivitäten auf (“Wir haben 3 Workshops durchgeführt”), statt Wirkungen zu belegen (“In den 3 Workshops haben 47 Teilnehmende spezifische Kompetenzen erworben, von denen X ihr Verhalten geändert haben”). Diese Lücke zwischen Aktivitätsdokumentation und Wirkungsnachweis führt dazu, dass Förderer nicht verlängern — nicht weil die Arbeit schlecht ist, sondern weil sie nicht überzeugend kommuniziert wird.

So funktioniert es in der Praxis

Schritt 1 — Datenquellen strukturieren: Bevor KI berichten kann, müssen Daten gesammelt und strukturiert sein. Für die meisten NGOs heißt das: Projektberichte der Mitarbeitenden, Teilnehmerzahlen aus dem Verwaltungssystem, Feedback-Formulare, Fotos und Geschichten aus dem Feld. Die KI braucht diese Rohdaten als Input — je strukturierter, desto bessere Ergebnisse.

Schritt 2 — Wirkungsindikatoren definieren: Was muss in jedem Bericht nachgewiesen werden? Für jeden Förderer gibt es andere Erwartungen. Ein guter KI-Workflow beginnt mit einer Vorlage pro Förderer-Typ: Welche Kennzahlen, welche Narrative, welche Belege werden erwartet? Diese Vorlage wird einmal erstellt und dann durch KI für jeden Berichtszeitraum befüllt.

Schritt 3 — KI-gestützte Berichterstellung: Die strukturierten Daten werden zusammen mit der Vorlage und dem Förderkontext in ein LLM eingegeben. Das Ergebnis ist ein Bericht-Entwurf, der die relevanten Zahlen, Narrativen und Belege enthält. Der Entwurf braucht menschliches Review und Anpassung — aber die Zeitersparnis gegenüber einem kompletten Erstellen von Null liegt bei 60 bis 75 Prozent.

Schritt 4 — Review und Qualitätssicherung: Ein menschlicher Review-Schritt bleibt unersetzlich: Stimmen die Zahlen? Ist der Ton angemessen? Spiegelt der Bericht die tatsächliche Wirkung wider und nicht nur eine KI-generierte Idealvorstellung? Dieser Schritt dauert bei einem gut vorbereiteten Entwurf 30 bis 90 Minuten statt 6 bis 12 Stunden bei einem Bericht von Null.

Welche Tools passen hierzu

Claude — ist für lange, strukturierte Dokumente wie Wirkungsberichte besonders gut geeignet. Du kannst alle Rohdaten (Tabellen, Notizen, Feedback) hochladen und Claude anweisen: “Erstelle einen Wirkungsbericht für unseren Geldgeber X, der folgende Anforderungen hat…” Claude hält Konsistenz über längere Dokumente besser als kürzere Kontextfenster. 18 Euro/Monat.

ChatGPT — für die schnelle Erstellung kürzerer Berichte und Zusammenfassungen. Besonders nützlich für Social-Media-Berichte, kurze Projektupdate-E-Mails an Spender und Jahres-Newsletterabschnitte. 20 Euro/Monat.

microsoft-365-copilot — wenn die NGO bereits in der Microsoft-Welt arbeitet (Word, Excel, Teams): Copilot kann direkt aus bestehenden Word-Dokumenten und Excel-Tabellen Berichte generieren. Kein zusätzliches Tool-Switching, kein Copy-Paste. Ab 30 Euro/Nutzer/Monat — sinnvoll, wenn Copilot ohnehin im Einsatz ist.

make.com — für die Automatisierung der Datenaggregation vor der Berichterstellung. Wenn Teilnehmerdaten aus einem Google Form kommen, Feedback-Daten in einem anderen System liegen und Finanzdaten in Excel sind, kann make.com diese Quellen automatisch zusammenführen und für die KI-Berichterstellung vorbereiten. Ab 9 Euro/Monat.

Notion AI — wenn die NGO Notion als Wissensdatenbank nutzt: Notion AI kann direkt auf gespeicherte Projektdaten zugreifen und Berichte aus dem internen Wissensstand generieren. Gute Integration, kein Tool-Switching. Ab 10 Euro/Nutzer/Monat als Add-on.

Was es kostet — realistisch gerechnet

Einstieg (manuelle KI-Unterstützung)

• Claude Pro: 18 Euro/Monat
• Zeitersparnis: 60–70% pro Bericht → statt 8 Stunden ca. 2,5–3 Stunden
• Bei 10 Berichten/Jahr: ca. 55 Stunden gespart

Teilautomatisierter Workflow

• Claude Pro: 18 Euro/Monat
• make.com: 9 Euro/Monat für Datenaggregation
• Einrichtungsaufwand: 5–10 Stunden einmalig pro Förderer-Berichtsvorlage
• Zeitersparnis: bis zu 80% pro Bericht

ROI-Beispiel: NGO mit 6 Hauptamtlichen, 12 Wirkungsberichte/Jahr. Bisher je 8 Stunden = 96 Stunden/Jahr für Berichterstattung. Nach KI-Workflow: je 2,5 Stunden = 30 Stunden/Jahr. Ersparnis: 66 Stunden. Bei durchschnittlichen Personalkosten von 25 Euro/Stunde (NGO-Sektor): 1.650 Euro jährliche Einsparung — bei Tool-Kosten von unter 330 Euro/Jahr. Und: Bessere Berichte erhöhen Verlängerungswahrscheinlichkeit.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Berichtvorlagen erstellen	Woche 1–2	Für jeden Hauptförderer eine klare Vorlage mit Anforderungen dokumentieren	Zu vage Vorlagen — je spezifischer, desto bessere KI-Ergebnisse
Pilot mit einem Förderer	Woche 2–3	Einen Wirkungsbericht mit KI-Unterstützung erstellen, Zeit messen	KI-Entwurf klingt zu formell oder zu allgemein — Review-Schritt nicht unterschätzen
Datenaggregations-Workflow	Woche 3–5	Datenquellen strukturieren, ggf. make.com-Automatisierung einrichten	Daten schlechter strukturiert als erwartet — Vorarbeit für Datenqualität einplanen
Rollout auf alle Förderberichte	Monat 2–3	Alle Förderer-Berichte im neuen Workflow	Widerstand von Mitarbeitenden, die “ihren” Bericht selbst schreiben wollen — Kommunikation über Effizienzgewinn
Jährliche Optimierung	Ab Monat 6	Vorlagen und KI-Prompts nach Förderer-Feedback anpassen	Zu seltene Überprüfung — jährlich kurz überarbeiten

Häufige Einwände

„Unsere Förderer wollen persönliche, authentische Berichte — keine KI-Texte.” KI generiert einen strukturierten Entwurf — die persönliche Stimme der Organisation, konkrete Fallbeispiele und die emotionale Aufladung kommen durch den menschlichen Review-Schritt. Der Unterschied zu einem vollständig manuell geschriebenen Bericht ist, dass KI die Datenstruktur und den formalen Rahmen liefert, während du die Persönlichkeit und die Geschichte beisteuern. Das ist eine sinnvolle Arbeitsteilung.

„Wir haben keine strukturierten Daten — alles liegt in E-Mails und Notizen.” Das ist ein häufiger Ausgangszustand. Der erste Schritt ist dann nicht KI-Berichterstattung, sondern Datenhygiene: Wo werden Projektergebnisse festgehalten? Wie können Mitarbeitende strukturiertere Kurzdokumentation machen? Eine einfache Google Form oder ein Notion-Template für monatliche Projektupdates löst dieses Problem schrittweise — und macht dann KI-gestützte Berichterstattung möglich.

„KI kann doch nicht verstehen, was die echte Wirkung unserer Arbeit ist.” Nein — und das soll sie auch nicht. Die KI strukturiert und formuliert, was du ihr gibst. Wenn du Wirkungsbelege (Zitate von Betroffenen, Verhaltensänderungen, Nachfolgebefragungen) als Input lieferst, kann die KI sie überzeugend aufbereiten. Wenn du nur Aktivitäten-Listen gibst, gibt sie dir Aktivitäts-Berichte zurück. Die inhaltliche Qualität hängt von der Qualität des Inputs ab — nicht von der KI.