Bedarfsanalyse für Hilfsorganisationen

Das echte Ausmaß des Problems

Bei humanitären Krisen ist Ressourcenallokation eine Frage von Versorgung oder Versorgungslücke. Wenn Hilfe dort landet, wo sie weniger dringend gebraucht wird, liegt das fast nie an Böswilligkeit, sondern an unvollständigen oder veralteten Daten.

Für kleinere Hilfsorganisationen, die in Deutschland regional tätig sind, ist das Bedarfsanalyse-Problem genauso real, wenn auch anders gelagert. Ende Januar 2026 waren laut Statistischem Bundesamt rund 452.900 Menschen wegen Wohnungslosigkeit untergebracht, Menschen auf der Straße sind darin nicht enthalten. Die Fragen vor Ort: Welche Stadtteile haben heute Abend den höchsten Andrang? Welche Einrichtung ist überlastet? Wo fehlen Schlafplätze, Mahlzeiten, Beratungskapazitäten?

Das Datenproblem hat mehrere Ebenen:

• Dezentralität: Bedarfsdaten liegen bei verschiedenen Partnerorganisationen, in Behördendatenbanken, in Feldberichten der eigenen Mitarbeitenden. Kein Gesamtbild.
• Aktualität: Eine Bedarfserhebung von vor drei Monaten ist bei saisonalen Obdachlosigkeits-Mustern oder Flüchtlingsbewegungen oft wertlos.
• Vergleichbarkeit: Ein Feldbericht aus dem Flüchtlingsheim und ein Gemeinde-Sozialbericht sind im Format nicht kompatibel.

Rechtlicher Rahmen: In der Kinder- und Jugendhilfe ist Bedarfsermittlung gesetzlich vorgesehen: Die Jugendhilfeplanung nach § 80 Abs. 1 SGB VIII ist Pflicht der Träger der öffentlichen Jugendhilfe, also der Jugendämter, und nach Abs. 4 sind anerkannte freie Träger in allen Phasen frühzeitig zu beteiligen. Wer als freier Träger saubere Bedarfsdaten mitbringt, hat in diesem Verfahren mehr Gewicht. Eine eigene Planungspflicht für freie Träger folgt daraus nicht.

Mit vs. ohne KI, ein ehrlicher Vergleich

Richtwerte der Redaktion, keine Messung. Miss die Stunden bei deiner nächsten Bedarfsanalyse.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5)
Die Analysezeit sinkt spürbar, als Richtwert von 2–3 Tagen auf einen halben bis ganzen Tag. Aber Bedarfsanalyse ist nicht täglich, sondern wöchentlich bis monatlich. Der Gesamteffekt auf die Wochenarbeitszeit ist spürbar, aber nicht dramatisch.

Kosteneinsparung, niedrig (2/5)
Kein direktes Cost-Saving: Bessere Bedarfsanalyse führt zu besserer Ressourcenzuteilung, das spart langfristig Ressourcenverschwendung, aber es ist schwer in Euro zu messen. Verglichen mit Übersetzungen, wo ein externer Auftrag wegfällt, ist dieser Hebel schwächer.

Schnelle Umsetzung, sehr niedrig (1/5)
Einer der aufwendigsten Einstiege in dieser Branche: Datenquellen müssen identifiziert, zugänglich gemacht, harmonisiert und in einen Workflow integriert werden. Das dauert realistisch 4–8 Wochen, erfordert technisches Verständnis und oft externe Unterstützung. Nichts für Organisationen ohne IT-Kapazität oder Budget für Einrichtungsaufwand.

ROI-Sicherheit, mittel (3/5)
Der Nutzen, bessere Ressourcenallokation, weniger Versorgungslücken, ist real, aber schwer präzise zu messen. Wie viele Menschen wurden durch bessere Analyse besser versorgt? Das ist selten direkt quantifizierbar.

Skalierbarkeit, hoch (4/5)
Mehr Datenquellen, mehr Gebiete, mehr Partnerorganisationen, das System skaliert gut, weil zusätzliche Daten für die KI nicht proportional mehr Arbeit bedeuten. Mit wachsender Datenhistorie werden Prognosen zuverlässiger.

Richtwerte, stark abhängig von der technischen Infrastruktur und den verfügbaren Datenquellen.

Was das System konkret macht

Ebene 1, Datenquellen-Aggregation: Für den deutschen Kontext: Sozialberichte der Kommunen, Statistiken der Bundesagentur für Arbeit, Daten des Statistischen Bundesamts, Partnerorganisations-Daten, eigene Erhebungen. Für internationale Einsätze: UNHCR-Datenbanken, ReliefWeb, ACLED-Konfliktdaten.

Ebene 2, KI-gestützte Synthese: Die aggregierten Daten werden von einem LLM analysiert und in eine kohärente Bedarfseinschätzung überführt. Das Modell erkennt Inkonsistenzen (“Quelle A berichtet 500 betroffene Haushalte, Quelle B 1.200, warum die Differenz?”), identifiziert Trends und schlägt Priorisierungen vor.

Ebene 3, Bedarfsprognosen: Auf Basis historischer Muster kann KI vorausschauende Bedarfseinschätzungen liefern: Wenn im Winter die Temperaturen tief unter null fallen, steigt der Bedarf an Notunterkünften deutlich. Wie stark, zeigt keine allgemeine Zahl, sondern eure eigene Belegungsstatistik der letzten Kältephasen, und genau die gehört in die Prognose. Wenn in einer Region eine Unterkunft schließt, verschiebt sich der Bedarf in Nachbarbezirke.

Konkrete Werkzeuge, was wann passt

Claude , 20 Euro/Monat (Pro)
Für die Analyse langer, komplexer Dokumente aus verschiedenen Quellen. Claude kann mehrere Berichte, Statistiken und Feldberichte gleichzeitig verarbeiten und eine synthetisierte Einschätzung erstellen.

Perplexity , kostenlos oder 20 US-Dollar/Monat (Pro)
Für aktuelle Datenrecherche: Durchsucht das Web in Echtzeit und gibt Quellenangaben. Besonders wichtig für aktuelle Ereignisse, die die Bedarfslage beeinflussen.

ChatGPT , 23 Euro/Monat (Plus)
Für die Erstellung strukturierter Bedarfsberichte auf Basis der analysierten Daten. Rohdaten-Synthese eingeben, formatierten Bericht für interne Entscheidungsprozesse ausgeben lassen.

Make.com , 9 US-Dollar/Monat (Core, jährliche Zahlung)
Für automatisierte Datenaggregation: Feldmitarbeitende tragen Daten über ein Formular ein → automatisch in Analyse-Datenbank → wöchentliches Aggregat für KI-Analyse bereit.

Microsoft 365 Copilot , 18,20 Euro je Nutzer und Monat im Jahresabo
Für Organisationen in der Microsoft-Welt: Excel-Daten mit Copilot auswerten, Word-Berichte generieren. Der Preis gilt zusätzlich zur Microsoft-365-Lizenz, Power BI ist ein eigenes Produkt mit eigener Lizenz. Ob Microsoft für gemeinnützige Organisationen einen Nachlass auf Copilot gibt, konnten wir nicht bestätigen.

Kostenlos starten: Claude Free + Perplexity Free, reicht für manuelle Pilot-Analysen ohne automatisierte Datenaggregation.

Datenschutz und Datenhaltung

Bedarfsanalyse für Hilfsorganisationen berührt oft besonders schutzbedürftige Daten nach Art. 9 DSGVO:

• Aggregatdaten vs. Personenbezug: Anzahl betroffener Haushalte, geografische Verteilung, Bedarfskategorien, das sind keine personenbezogenen Daten und können in Cloud-Diensten verarbeitet werden, solange die Gruppen nicht so klein sind, dass Einzelne erkennbar werden (“2 Personen, Unterkunft X, Herkunft Y”). Einzelfall-Daten von Hilfsempfängern mit Namen, Adressen oder Statusangaben hingegen nicht.
• Besonders schutzbedürftige Kategorien: Gesundheitsdaten, ethnische Herkunft und religiöse Überzeugungen von Hilfsempfängern sind nach Art. 9 DSGVO besonders geschützt. Der Aufenthaltsstatus gehört rechtlich nicht dazu, ist für die Betroffenen aber ähnlich heikel und verdient denselben Schutz. Diese Daten niemals in externe KI-Dienste ohne AVV und ohne eine Ausnahme nach Art. 9 Abs. 2 DSGVO.
• Internationale Einsätze: Für humanitäre Krisen außerhalb Europas gelten die DSGVO-Grundsätze bei EU-Organisationen weiterhin. OCHA und UNHCR haben eigene Datenschutzrichtlinien, die zusätzlich einzuhalten sind.
• On-Premise-Alternativen: Für hochsensible Feldberichte mit Personenbezug gibt es lokale LLM-Optionen (Ollama mit Llama-Modellen), die ohne Cloud-Übertragung funktionieren. Technisch anspruchsvoller, aber möglich.

Praktische Empfehlung: Klare Trennung: aggregierte Daten in Cloud-KI, personenbezogene Daten nur in eigenen Systemen. Diese Trennung muss dokumentiert und als Prozess verankert sein.

Was es kostet, realistisch gerechnet

Einstieg (manuelle KI-Analyse ohne Automatisierung):

• Claude Pro: 20 Euro/Monat
• Perplexity Pro: 20 US-Dollar/Monat
• Zeitaufwand, Richtwert: statt 2–3 Tagen Recherchearbeit ein halber bis ein Tag. Miss es an deiner nächsten Analyse, eine belastbare Studie dazu kennen wir nicht.

Systematisierter Ansatz mit Datenaggregation:

• Obige Tools + Make.com : 9 US-Dollar/Monat bei jährlicher Zahlung
• Einrichtungsaufwand: 20–40 Stunden einmalig (oder externer Dienstleister: 2.000–5.000 Euro)

Rechenbeispiel:
Hilfsorganisation mit 3 Vollzeit-Mitarbeitenden, die wöchentlich je 6 Stunden für Bedarfsanalyse und Ressourcenplanung aufwenden. Mit KI-gestützter Analyse: 2 Stunden/Woche. Gewonnen: 4 Stunden mal 3 Personen, also 12 Stunden pro Woche. Toolkosten: 20 Euro plus 20 US-Dollar plus 9 US-Dollar, rund 45 bis 50 Euro im Monat.

Die 12 Stunden sind keine gesparten Personalkosten, die drei werden weiter bezahlt. Sie haben die Zeit für Beratung, Streetwork oder Partnerabstimmung. Der Wert, um den es eigentlich geht, steht in keiner Kasse: Plätze, die dort bereitstehen, wo sie gebraucht werden. Das ist kaum zu messen, am ehesten über die Zahl der Abweisungen je Winter.

Drei typische Einstiegsfehler

Fehler 1, Technische Komplexität unterschätzen
Wer denkt, “kurz Make.com einrichten und dann läuft es”, unterschätzt den Aufwand der Datenquellen-Integration erheblich. Verschiedene Systeme, verschiedene Formate, manchmal keine APIs, das ist echte technische Arbeit. Lieber 40 Stunden Einrichtungsaufwand einplanen und dann entspannt haben, als frustriert aufgeben.

Fehler 2, KI-Prognosen als Fakten behandeln
KI-Bedarfsprognosen sind wahrscheinlichkeitsbasiert, nicht deterministisch. Wenn das System sagt “nächste Woche steigt der Bedarf in Bezirk X um 20 Prozent”, ist das eine Einschätzung auf Basis von Mustern, keine Garantie, und nur so gut wie die Daten der letzten Winter. Menschliche Expertise und Felderfahrung müssen KI-Prognosen immer begleiten.

Fehler 3, Nur öffentliche Daten verwenden, interne Feldberichte ignorieren
Die wertvollsten Bedarfsdaten sitzen oft in den Köpfen der eigenen Mitarbeitenden und in internen Feldberichten. Wer nur öffentliche Statistiken analysiert, bekommt ein veraltetes, grobkörniges Bild. Einfache Strukturen für regelmäßige Felddaten-Eingabe (5 Minuten pro Woche pro Mitarbeitenden) verbessern die Analyse deutlich.

Was mit der Einführung wirklich passiert, und was nicht

Was passiert: Das erste systematische Daten-Inventar zeigt, wie fragmentiert die bisherige Informationsbasis ist. Das ist überraschend und motivierend zugleich: Es gibt mehr Daten als gedacht, aber sie liegen an zu vielen verschiedenen Orten.

Was auch passiert: Die Einrichtung dauert länger als geplant. Wenn Datenquellen schlechter zugänglich sind als erwartet (nur auf Anfrage, veraltetes Format, fehlende API), wird aus 2 Wochen Setup schnell 6 Wochen.

Was nicht passiert: Eine vollautomatische Bedarfsanalyse, die sich selbst aktualisiert, ohne menschliche Eingabe und Pflege. Das System liefert bessere Entscheidungsgrundlagen, aber es trifft keine Entscheidungen.

Typischer Widerstand: “KI kann den lokalen Kontext nicht verstehen.” Richtig, aber KI kann überregionale Trends, historische Muster und Daten aus vielen Quellen so zusammenführen, dass Feldmitarbeitende bessere Entscheidungen treffen können. Das ist Unterstützung, nicht Ersatz.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Bedarfsdaten sind zu sensibel für Cloud-KI.”
Für anonymisierte Aggregatdaten ist Cloud-KI datenschutzrechtlich unproblematisch. Für personenbezogene Daten gibt es On-Premise-Lösungen. Die Trennung zwischen personenbezogenen und aggregierten Daten ist der erste Schritt.

„Wir haben keine IT-Kapazitäten.”
Der einfachste Einstieg braucht keine IT: Daten in ein Google Doc kopieren, Claude analysieren lassen. Das zeigt sofort den Mehrwert ohne technisches Setup. Automatisierung kommt erst, wenn der Prozess sich bewährt hat.

„KI kann den lokalen Kontext nicht verstehen.”
KI versteht keinen Kontext automatisch, sie analysiert die Daten, die du ihr gibst, und kombiniert sie mit Vorwissen. Den lokalen Kontext als Input mitgeben: Feldberichte, Partnerorganisations-Rückmeldungen, lokale Medienberichte.

Woran du merkst, dass das zu dir passt

• Du koordinierst Ressourcen an mehreren Standorten und hast selten ein gutes Gesamtbild
• Bedarfsdaten liegen verteilt bei verschiedenen Partnerorganisationen und Behörden
• Du musst Fördergeber regelmäßig erklären, wie du Ressourcen zugeteilt hast
• Saisonale Bedarfsschwankungen (Winter, Sommer, Schuljahresbeginn) überraschen dich immer wieder

Wer noch nicht anfangen sollte:
Wenn deine Organisation keine strukturierten internen Daten hat und keine Kapazität für einen 20–40-stündigen Einrichtungsaufwand, zuerst Datenbasis schaffen, dann Analyse-KI. Dieser Use Case setzt mehr technische und prozessuale Reife voraus als die meisten anderen in dieser Branche.

Das kannst du heute noch tun

Mach einen Probe-Durchlauf: Sammle alle Datenquellen, die du für die letzte Bedarfsanalyse genutzt hast, und füge sie (anonymisiert und aggregiert) in Claude ein. Frag: “Was sind die drei wichtigsten Muster in diesen Daten, die meine Ressourcenplanung beeinflussen sollten?”

Quellen & Methodik

• Statistisches Bundesamt, Statistik untergebrachter wohnungsloser Personen: jährliche Stichtagszählung zum 31. Januar seit 2022, Ende Januar 2026 rund 452.900 Personen. https://www.destatis.de/DE/Themen/Gesellschaft-Umwelt/Soziales/Wohnungslosigkeit/_inhalt.html
• § 80 SGB VIII, Jugendhilfeplanung: Planungspflicht der öffentlichen Träger (Abs. 1), frühzeitige Beteiligung anerkannter freier Träger (Abs. 4). https://www.gesetze-im-internet.de/sgb_8/__80.html
• Preise: Claude, Perplexity, ChatGPT, Make.com und Microsoft 365 Copilot laut unseren Toolseiten, Stand September 2026.
• Zeitangaben und Rechenbeispiel: Richtwerte der Redaktion, keine Erhebung. Für den Bedarfsanstieg bei Kälte und für den Anteil fehlgeleiteter Hilfe haben wir keine belastbare Zahl gefunden.