KI-gestützte Personalbedarfsprognose in der Pflege

Das echte Ausmaß des Problems

Der Pflegepersonalmangel ist strukturell und wird sich bis 2035 weiter verschärfen: Rund 115.000 unbesetzte Pflegestellen zählt die Bundesagentur für Arbeit (2024). In dieser Lage ist der effiziente Einsatz vorhandenen Personals existenziell — Verschwendung durch schlechte Planung ist nicht leistbar.

Das Problem: Pflegebedarf schwankt. Dezember ist anders als Juli. Station 2 nach einem Grippe-Ausbruch braucht plötzlich 20 % mehr Pflegekapazität. Drei neue Bewohner mit hohen Pflegegraden erhöhen den Gesamtbedarf. Diese Schwankungen sind nicht zufällig — sie sind vorhersehbar, wenn man die richtigen Daten hat.

Pflegedienstleitungen planen heute meistens auf Basis von Erfahrung und Bauchgefühl. Das funktioniert — bis es nicht mehr funktioniert. Und wenn es nicht funktioniert:

• Zeitarbeitskosten: Tagessatz 400–600 Euro für kurzfristige Agentur-Einstellungen — 4–6-mal teurer als reguläres Personal
• Überstundenzuschläge: 25–50 % Zuschlag auf Stunden, die eigentlich planbar gewesen wären
• Mitarbeiterunzufriedenheit: Kurzfristplanungen und chronische Unterbesetzung sind Top-Kündigungsgründe — und jede Kündigung kostet laut Schätzungen 8.000–15.000 Euro (Recruiting, Einarbeitung, Wissensverlust)

Die Lösung ist nicht mehr Personal (das gibt es nicht) — sondern präzisere Vorplanung. Wenn die PDL weiß, dass die zweite Dezember-Woche kritisch wird, kann sie 3 Wochen vorher handeln statt am selben Morgen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Die PDL reagiert schneller auf Ausfälle — weil das Frühwarnsystem Engpässe 2–3 Wochen vorher identifiziert. Das spart Krisenreaktionszeit. Aber der Dienstplan-Erstellungsaufwand selbst wird nicht durch diesen Use Case reduziert (das ist Use Case 02). Mittelfeldposition.

Kosteneinsparung — sehr hoch (5/5) Das stärkste finanzielle Profil des gesamten Pflege-Kapitels — wenn man Zeitarbeitskosten und Überstundenzuschläge zusammenzählt. 20.000–40.000 Euro jährliche Einsparung bei 60–80 Mitarbeitenden sind realistisch, wenn Kurzfristplanungen erheblich reduziert werden.

Schnelle Umsetzung — sehr niedrig (1/5) Der komplexeste Use Case der gesamten Pflege-Kategorie. Ein ML-Modell braucht historische Daten (mindestens 12 Monate Pflegezeitdaten), Training, Kalibrierung, Integration und Akzeptanzarbeit bei der PDL. 6–9 Monate bis zum vollständigen Echtbetrieb sind realistisch. Kein schneller Einstieg möglich.

ROI-Sicherheit — mittel (3/5) Der ROI ist nach 12 Monaten messbar. Aber die Kausalität ist nicht immer eindeutig isolierbar — wenn in diesem Jahr weniger Zeitarbeit eingesetzt wurde, liegt das am Modell, am milderen Winter, an stabilerem Bewohnermix? Eine saubere Kontrollgruppe ist im Pflegebetrieb schwer zu bilden. In der Praxis reicht ein vorher-nachher-Vergleich.

Skalierbarkeit — mittel (3/5) Das Modell muss je Einrichtung kalibriert werden — kein „One size fits all”. Trägerverbünde mit mehreren Standorten können Templates übertragen, aber jede Einrichtung hat ihren eigenen Bewohnermix, ihre eigene Saisonalität. Mittelfeldposition.

Richtwerte — stark abhängig von historischer Datenlage, Zeitarbeitskosten-Ausgangsniveau und IT-Infrastruktur.

Was das System konkret macht

Datengrundlage aufbauen Das Modell braucht historische Pflegezeiten je Schicht und Station: Wie viele Pflegestunden wurden tatsächlich je Bewohner aufgewendet? Welche Wochentage hatten höheren Bedarf? Welche Monate waren kritisch? Diese Daten liegen in der Pflegedokumentation — aber oft nicht in einer Form, die direkt für Zeitreihenanalysen verwendet werden kann.

Prognosemodell entwickeln Ein Zeitreihenmodell (z. B. Prophet, LSTM oder Gradient-Boosting) prognostiziert für die nächsten 2–4 Wochen: Wie viele Pflegestunden werden je Station benötigt? Das Modell berücksichtigt:

• Saisonalität: Winter = mehr Atemwegserkrankungen = mehr Aufwand
• Wochentag-Effekte: Wochenenden und Feiertage haben andere Anforderungen als Wochentage
• Bewohnermix: Neue Bewohner mit hohen Pflegegraden erhöhen den Grundbedarf
• Fehlzeiten-Historie: Vorhersage-Muster für Krankheitswellen beim Personal

Frühwarnsystem Wenn das Modell eine Bedarfsspitze identifiziert — zum Beispiel erste Dezemberwoche auf Station 2 — erscheint 2–3 Wochen vorher eine Warnung in der Pflegedienstleitung. Ingrid kann jetzt handeln: Springer anfragen, Urlaubsgenehmigungen überprüfen, Dienste tauschen. Ohne Zeitdruck.

Dienstplan-Integration Die Prognose wird in das Dienstplanungssystem eingespeist (Vivendi PD, Medifox, oder Excel). Das System schlägt Besetzungsvorschläge vor, die den prognostizierten Bedarf treffen — unter Berücksichtigung von Arbeitszeitgesetz, Qualifikationsanforderungen und Mitarbeiterwünschen.

Rechtliche Besonderheiten

Personalbedarfsprognose berührt mehrere Datenschutz-Ebenen:

Pflegedokumentation als Trainingsdaten: Die Nutzung historischer Pflegezeiten für ML-Training verarbeitet Gesundheitsdaten (wenn Pflegezeiten je Bewohner erfasst sind). Pseudonymisierung ist möglich und empfohlen — das Modell braucht aggregierte Pflegezeiten je Schicht, keine Bewohner-Identitäten.

Mitarbeiterdaten im Modell: Fehlzeiten-Historie, Qualifikationsprofile und Verfügbarkeiten sind Mitarbeiterdaten. Betriebsrat einbinden (falls vorhanden) und klären, dass das Modell keine individuellen Bewertungen erstellt — es prognostiziert aggregierten Bedarf.

DSGVO Art. 6: Personalbedarfsprognose auf aggregierter Basis (nicht individuelle Überwachung) ist als berechtigtes Interesse des Arbeitgebers rechtlich zulässig — wenn transparent kommuniziert.

EU AI Act: Personalbedarfsprognose für Pflegekräfte kann als KI-System eingestuft werden, das Entscheidungen über Arbeitsbedingungen beeinflusst. Transparenzpflichten und Dokumentation sind geboten.

Hinweis: Dieser Abschnitt gibt eine orientierende Einschätzung — keine Rechtsberatung. Für verbindliche Klärung empfehlen sich ein Datenschutzbeauftragter und ggf. arbeitsrechtliche Beratung.

Konkrete Werkzeuge — was wann passt

Medifox Dan Dienstplanung — das meistgenutzte Pflegedokumentationssystem in Deutschland plant KI-Erweiterungen für Bedarfsprognosen. Für bestehende Nutzer der natürlichste Einstieg, sobald das Modul verfügbar ist.

Vivendi PD — zweites großes System mit Dienstplan-Funktionalität. Integration von Drittanbieter-Prognose-Modulen möglich.

Nelly Solutions / Clario — deutsche Startups für KI-gestützte Pflegedienstplanung. Direkter SaaS-Zugang, schnellere Implementierung als große Systemhersteller, günstigere Preispunkte.

Microsoft 365 Copilot in Excel — für Einrichtungen ohne vollständige digitale Pflegedokumentation: Grundlegende Prognose auf Excel-Exportdaten. Kein vollständiges System, aber ein erster Schritt für Einrichtungen, die mit Excel-Daten der letzten 2–3 Jahre arbeiten.

Python / Prophet als Custom-Lösung — für Trägerverbünde mit IT-Kapazität: Das Open-Source-Forecasting-Framework von Meta ist speziell für Zeitreihen mit Saisonalität entwickelt und funktioniert gut für Pflegebedarfsprognosen. Erfordert Data-Science-Kenntnisse.

Datenschutz und Datenhaltung

Personalbedarfsprognose berührt zwei Datenschutzebenen: aggregierte Pflegedaten (Bewohner) und individuelle Mitarbeiterdaten — mit unterschiedlichen Anforderungen.

Mitarbeiterdaten nach DSGVO Art. 6: Fehlzeiten-Historien, Qualifikationsprofile, Verfügbarkeiten und Arbeitszeitdaten sind personenbezogene Daten. Sie fallen nicht unter Art. 9 (keine besondere Kategorie), aber der Arbeitgeber braucht eine Rechtsgrundlage — in der Regel Art. 6 Abs. 1 lit. b (Erfüllung des Arbeitsvertrags) oder lit. f (berechtigtes Interesse). Das berechtigte Interesse muss dokumentiert sein.

Betriebsrat und Mitbestimmung: Wenn ein System individuelle Mitarbeiterdaten verarbeitet und daraus Planungsentscheidungen ableitet, besteht in mitbestimmungspflichtigen Einrichtungen eine Informations- oder Mitbestimmungspflicht des Betriebsrats. Frühzeitig einbinden — nicht nach der Einführung.

Pflegedaten als Trainingsbasis: Wenn historische Pflegezeiten je Bewohner in das Prognosemodell einfließen, berührt das Art. 9 DSGVO. Pseudonymisierung ist hier die richtige Strategie: Das Modell braucht aggregierte Schichtstunden, keine Bewohner-Identitäten. Bewohnerbezogene Zeitdaten sollten vor der Modell-Übergabe auf Station- und Schicht-Ebene aggregiert werden.

Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO: Für SaaS-Dienstleistungsanbieter (Nelly, Clario) ist ein AVV Pflicht. Microsoft 365 Copilot hat AVV standardmäßig im Enterprise-Vertrag. Für Python/Prophet als selbstbetriebene Lösung entfällt der AVV-Bedarf, wenn die Daten nicht an Drittanbieter weitergegeben werden.

Praktische Empfehlung: Trenne klar zwischen Bewohner-Aggregatdaten (für das Modell nutzbar nach Pseudonymisierung) und individuellen Mitarbeiterdaten (nur mit klarer Rechtsgrundlage und Betriebsrats-Information). US-Dienste ohne SCCs sind für diesen Use Case weniger kritisch als bei direkter Gesundheitsdaten-Verarbeitung — aber Vorsicht bei kombinierten Systemen.

Was es kostet — realistisch gerechnet

SaaS-Dienstplanoptimierung (Nelly, Clario o.ä.)

• Implementierung & Datenmigration: 5.000–15.000 Euro
• Monatliche Lizenz: 3–8 Euro/Mitarbeiter/Monat
• Für 60 Mitarbeiter: ca. 3.600–7.000 Euro/Jahr Lizenz

Integration in Medifox / Vivendi

• Entwicklungsaufwand (Drittanbieter): 20.000–50.000 Euro
• Laufende Wartung: 5.000–10.000 Euro/Jahr

ROI-Rechnung Einrichtung 80 Bewohner, 60 Mitarbeiter. Bisherige Zeitarbeitskosten durch Kurzfristausfälle: 80.000 Euro/Jahr. Reduktion durch bessere Vorplanung: 30 % → 24.000 Euro Einsparung/Jahr. Dazu: Überstundenreduktion 15 % → ca. 20.000 Euro/Jahr (Überstundenzuschläge). Einsparung gesamt: ca. 44.000 Euro/Jahr. Systemkosten: 10.000 Euro/Jahr. Netto: 34.000 Euro/Jahr. Amortisation: unter 1 Jahr.

Drei typische Einstiegsfehler

1. Mit zu wenig historischen Daten starten. Ein ML-Modell für Saisonalität braucht mindestens 12, besser 24 Monate historische Daten. Wer mit 3-Monats-Daten startet, trainiert ein Modell, das Saisonalität nicht kennt — und damit falsch prognostiziert. Diese Geduld muss aufgebracht werden, bevor das System sinnvoll ist.

2. Das Modell als Black Box einsetzen. Wenn die PDL nicht versteht, warum das Modell eine Bedarfsspitze für die erste Dezemberwoche prognostiziert, wird sie dem System nicht vertrauen. Das Modell muss erklärbar sein: „Die Prognose basiert auf den letzten drei Jahren, in denen in Woche 48–50 jedes Mal 15 % mehr Pflegestunden benötigt wurden als im Oktober.” Erklärbarkeit ist Voraussetzung für Akzeptanz.

3. Nicht mit der PDL, sondern für die PDL einführen. Ein Prognosemodell, das die PDL als lästige Technik empfindet, wird nicht genutzt. Die PDL muss in die Modell-Entwicklung eingebunden sein: Was sind die typischen Bedarfs-Treiber, die sie kennt? Welche Ereignisse veränderten früher den Bedarf? Dieses Wissen verbessert das Modell — und schafft Eigenverantwortung.

Was mit der Einführung wirklich passiert — und was nicht

Was passiert: In den ersten 4–6 Monaten weicht die PDL systematisch vom KI-Vorschlag ab — weil das Vertrauen noch nicht da ist. Das ist normal. In dieser Phase sollten Prognose und tatsächlicher Bedarf parallel dokumentiert werden, um zu zeigen, wo das Modell recht hatte und wo nicht.

Was nicht passiert: Das Modell löst keine Personalknappheit. Wenn 5 Stellen unbesetzt sind, prognostiziert das Modell den Bedarf mit 5 fehlenden Stellen. Die Prognose optimiert den Einsatz vorhandener Ressourcen — sie schafft keine neuen.

Typischer Widerstand: „Pflege ist zu individuell — kein Algorithmus kann das planen.” Das Modell plant nicht die individuelle Pflege. Es prognostiziert den aggregierten Gesamtbedarf je Schicht und Station. Das ist eine statistische Frage, die mit historischen Daten besser beantwortet werden kann als aus dem Bauchgefühl.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Pflege ist zu individuell — kein Algorithmus kann das planen.” Das Modell plant nicht die Pflege — es prognostiziert den Gesamtbedarf je Schicht. Individuelle Versorgungsentscheidungen trifft weiterhin die Pflegefachkraft. Das Modell beantwortet: Wie viele Stunden braucht Station 2 am nächsten Mittwoch insgesamt? Das ist eine Frage, die Daten besser beantworten als Intuition.

„Wir haben keine digitale Pflegedokumentation.” Ohne digitale Zeiterfassung der letzten 12+ Monate ist ein ML-Modell nicht realistisch. Aber: Excel-basierte Zeiterfassung der letzten 2–3 Jahre reicht für einfachere Prognosemodelle. Und die Einführung digitaler Dokumentation ist sowieso für viele Einrichtungen anstehend (MDK-Anforderungen, Digitalisierungsgesetz).

„Was passiert, wenn das Modell falsch liegt?” Dann entscheidet die PDL anders — wie bisher auch. Das Modell ist eine Entscheidungshilfe, kein Entscheidungsersatz. Wenn das Modell sagt „Dienstag unproblematisch” und die PDL ahnt durch direkte Beobachtung, dass Bewohnerin Y morgen mehr Unterstützung braucht — dann plant sie entsprechend.

Woran du merkst, dass das zu dir passt

Das passt zu dir, wenn:

• Zeitarbeitskosten durch Kurzfristausfälle sind monatlich über 3.000 Euro
• Überstunden sind strukturell, nicht Ausnahme
• Die PDL verbringt mehr Zeit mit Reaktion auf Ausfälle als mit proaktiver Planung
• Digitale Pflegedokumentation liegt für mindestens 12 Monate vor

Das passt noch nicht zu dir, wenn:

• Papierbasierte Pflegedokumentation ohne strukturierte Zeiterfassung — dann zuerst Digitalisierung
• Weniger als 30 Mitarbeitende — dann ist der Modellbau-Aufwand unverhältnismäßig
• Kein IT-Dienstleister oder Data-Science-Kapazität verfügbar — ohne technische Unterstützung ist das Modell nicht realisierbar

Das kannst du heute noch tun

Starte mit einer einfachen Saisonalitäts-Analyse: Exportiere die Überstunden- und Zeitarbeitskosten der letzten 12 Monate nach Monat und vergleiche sie. Gibt es Monate, die strukturell teurer sind? Das ist dein erster Hinweis auf Prognosepotenzial.

Dann prüfe mit folgendem Prompt, ob deine vorhandenen Daten für einen ersten Prognoseversuch reichen:

Quellen & Methodik

• Bundesagentur für Arbeit, 2024: Unbesetzte Stellen in Altenpflege und Krankenpflege
• Arbeitszeitgesetz (ArbZG): Überstunden- und Zuschlagsregelungen
• SGB XI: Personalschlüssel-Anforderungen in der vollstationären Pflege
• Fraunhofer IEM / Pflege-Digitalisierungsforschung: Muster in Pflegebedarfsschwankungen
• Nelly Solutions / Clario (2024): Produktdaten für KI-gestützte Pflegedienstplanung
• Meta Research (2023): Prophet-Framework für Zeitreihenprognosen mit Saisonalität
• DSGVO Art. 6: Rechtsgrundlage für Personalplanungsdaten