KI-Analyse von Bewohnerfeedback und Angehörigenkommunikation

Das echte Ausmaß des Problems

Monikas Situation ist keine Ausnahme. Sie ist das Standardmodell.

In stationären Pflegeeinrichtungen fließen Rückmeldungen typischerweise über mindestens drei bis vier getrennte Kanäle: schriftliche Beschwerden per E-Mail oder Post, jährliche oder halbjährliche Bewohnerbefragungen auf Papier, Gesprächsnotizen aus Angehörigenterminen im Pflegedienstleiter-Ordner sowie mündliche Rückmeldungen beim Einzugsgespräch oder Telefon, die manchmal notiert werden und manchmal nicht. Zusätzlich kommt öffentliches Feedback auf Bewertungsportalen wie Pflegenavi oder Google Maps, das oft erst dann wahrgenommen wird, wenn der Schaden schon eingetreten ist.

Jeder dieser Kanäle wird separat bearbeitet. Die Jahresbefragung landet in einem Ordner. E-Mails werden beantwortet und archiviert. Protokolle bleiben im Stationszimmer. Niemand aggregiert. Niemand zählt. Niemand sieht das Muster, weil kein Instrument existiert, das alle Kanäle gleichzeitig betrachtet.

Laut einer Erhebung des Instituts für Menschenrechte im Auftrag des Bundesministeriums für Familie, Senioren, Frauen und Jugend verfügen rund 40 Prozent der stationären Pflegeeinrichtungen in Deutschland zwar über ein formales Beschwerdemanagementkonzept — aber die praktische Auswertung bleibt in der Mehrheit der Fälle auf Einzelbeschwerden beschränkt, ohne systematische Mustererkennung über Kanäle und Zeiträume hinweg.

Das hat direkte Konsequenzen: Der Medizinische Dienst (MD) führt bei Beschwerden anlassbezogene Prüfungen durch — unangekündigt, außerhalb des regulären Prüfrhythmus. Ein Muster, das die Einrichtung acht Monate nicht gesehen hat, ist für die Prüfer innerhalb von zwei Stunden sichtbar, wenn sie alle vorliegenden Quellen zusammenführen. Genau das ist Monikas Problem.

Hinzu kommt: In einem 120-Bett-Haus kommen erfahrungsgemäß 15–25 schriftliche Rückmeldungen von Angehörigen pro Monat zusammen, dazu acht bis zehn Papierbefragungen im Jahr. Bei manueller Auswertung bedeutet das: alle Quellen zusammenführen, Themen manuell kategorisieren, zählen, dokumentieren — ein Aufwand, der realistisch vier bis sechs Stunden pro Quartal kostet, wenn er konsequent gemacht wird. In der Praxis wird er deshalb nicht konsequent gemacht.

Hinweis: Die Qualitätsprüfungen des Medizinischen Dienstes sowie anlassbezogene Prüfungen durch die Heimaufsicht unterliegen SGB XI und dem jeweiligen Landesheimgesetz (LHeimG). Die Anforderungen an das Beschwerdemanagement sind landesspezifisch und werden im Kontext eurer MDK-Prüfvorbereitung mit der zuständigen Pflegekasse oder einem Fachberater konkretisiert.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen zur Auswertungszeit basieren auf Erfahrungswerten aus Qualitätsmanagementinitiativen in stationären Pflegeeinrichtungen; keine repräsentative Studie, aber konsistente Rückmeldungen aus der Praxis. Der entscheidende Unterschied ist nicht die Zeitersparnis, sondern die Mustererkennung: KI zählt, was Menschen nicht zählen, weil sie die Quellen nie gleichzeitig vor sich haben.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Vier bis sechs Stunden manuelle Quartalsauswertung werden auf 45–60 Minuten reduziert. Das ist real, aber kein Tagessparer. Im Vergleich zu anderen Anwendungsfällen in dieser Kategorie — etwa KI-gestützter Pflegedokumentation oder der Dienstplanoptimierung — greift die Bewohnerfeedback-Analyse seltener und ist damit insgesamt ein kleinerer Zeithebel. Wert nicht im täglichen Aufwand, sondern in der Erkenntnis, die ohne das System nicht entstünde.

Kosteneinsparung — niedrig (2/5) Kein direkter Kosteneffekt im Sinne reduzierter Personalkosten oder Sachkosten. Der Nutzen ist indirekt: Wer Probleme früher erkennt und behebt, reduziert Bettenleerstand durch schlechten Ruf, vermeidet teure Anlassprüfungen und verbessert das Pflegenavi-Rating. Dieser Kausalpfad ist real, aber lang und schwer sauber zu isolieren. Daher ehrlich ein 2 — eine der niedrigsten Kostenbewertungen im Vergleich zur restlichen Branche.

Schnelle Umsetzung — hoch (4/5) Mit bestehenden Befragungsdaten und einem LLM-Tool ist ein erster Pilot in zwei bis vier Wochen realisierbar. Bestehende E-Mails exportieren, Befragungen einscannen oder abtippen, als Textdatei hochladen — das reicht für einen ersten Systemtest. Kein eigener Server, kein Entwickler, keine Systemintegration erforderlich. Damit einer der schnellsten Einstiege unter den Pflegedigitalisierungsthemen, sofern die Datenschutzfragen vorab geklärt sind.

ROI-Sicherheit — niedrig (2/5) Der Nutzen ist nachweisbar (Trend-Daten, Mustererkennung), die Kausalität zwischen “KI-Analyse eingeführt” und “Pflegenavi-Rating verbessert” ist aber schwer zu belegen. Andere Faktoren (Personal, Baumaßnahmen, Saisoneffekte) überlagern den Signal. Damit eine der niedrigsten ROI-Sicherheiten im Vergleich — ähnlich wie bei der Bewohnerkommunikation, wo der Nutzen ebenfalls qualitativ und vertrauensbasiert ist.

Skalierbarkeit — hoch (4/5) Eine LLM-basierte Lösung skaliert ohne proportionalen Mehraufwand: ob zehn oder hundert Textquellen pro Quartal — der Analyseaufwand bleibt konstant. Mehrere Standorte gleichzeitig zu analysieren oder neue Befragungskategorien hinzuzufügen kostet praktisch keine zusätzliche Zeit. Damit einer der stärkeren Skalierungswerte in der Pflege.

Richtwerte — stark abhängig von Einrichtungsgröße, vorhandenem Feedbackvolumen und der Konsequenz der Quellenpflege.

Was das System konkret macht

Das Grundprinzip ist ein sogenanntes NLP-Analyseworkflow: Die KI liest alle vorliegenden Texte — E-Mails, abgetippte Befragungsantworten, Gesprächsnotizen — und führt drei Aufgaben aus:

1. Themenklassifikation: Jeder Text wird einer oder mehreren Kategorien zugeordnet: Hygiene, Essen, Reaktionszeit, Kommunikation, Aktivitäten, Zuwendung, Sicherheit. Das geschieht nicht regelbasiert (kein Schlüsselwort-Abgleich), sondern semantisch — das System erkennt auch, dass “Die Nasszelle riecht komisch” und “Das Bad war wieder nicht sauber” dasselbe Thema meinen, auch wenn kein Schlüsselwort übereinstimmt.

2. Sentiment-Bewertung: Für jede Kategorie wird die Stimmung gemessen: positiv, neutral, negativ. Nicht als Schulnote, sondern als Einschätzung, ob der Ton der Formulierung Unzufriedenheit, Lob oder Neutralität ausdrückt.

3. Trenderkennung über Zeit: Wenn drei Quellen aus unterschiedlichen Monaten dasselbe Thema mit negativem Sentiment enthalten, markiert das System das als Muster — nicht als Einzelfall. Das ist der Schritt, den kein Mensch systematisch macht, wenn die Quellen in verschiedenen Ordnern liegen.

Das Ergebnis ist keine Statistik mit Balkendiagrammen. Es ist eine priorisierte Liste: “Hygiene OG 2 — 7 Nennungen in 4 Monaten, negativer Trend. Essen — 3 Nennungen, stabil. Reaktionszeiten — 2 Nennungen, kein Trend erkennbar.”

In der einfachsten Umsetzung läuft das auf einem LLM wie Claude oder ChatGPT mit einem strukturierten Analyse-Prompt. Die Heimleiterin lädt alle Texte als Sammeldatei hoch und erhält innerhalb von fünf Minuten eine kategorisierte Auswertung. Keine API, keine Integration, keine IT-Infrastruktur — nur die bestehenden Textdokumente und ein Sprachmodell.

Eine Stufe höher kommt Caplena ins Spiel: das Schweizer Analyse-Tool, das speziell für wiederholte Feedback-Wellen gebaut ist. Caplena merkt sich das Thema-Schema zwischen Quartalen, ermöglicht Wellenvergleiche (“Wie hat sich Hygiene von Q3 2024 zu Q1 2025 verändert?”) und hostet alles in EU-Rechenzentren — was für Pflegeeinrichtungen mit der DSGVO-Frage relevant ist.

Konkrete Werkzeuge — was wann passt

Claude oder ChatGPT — der schnelle Einstieg Für Einrichtungen, die jetzt starten wollen, ohne Lizenzbudget zu beantragen: bestehende Befragungsdaten als Textdatei zusammenstellen, in Claude oder ChatGPT hochladen, Analyse-Prompt ausführen. Der Aufwand für einen ersten Test liegt bei zwei bis drei Stunden. Einschränkung: Kein strukturierter Wellenvergleich, kein Dashboard, keine automatische Wiederholung. Für eine erste Erkenntnis und Proof-of-Concept reicht es vollständig aus.

Claude Pro (ca. 20 USD/Monat) ist gegenüber ChatGPT Plus für diesen Anwendungsfall etwas im Vorteil, weil es 200.000 Token Kontext verarbeitet — das ermöglicht, alle E-Mails eines Quartals in einem einzigen Analysedurchlauf zu übergeben, ohne die Quellen aufzuteilen.

Caplena — strukturierte Wellen, EU-Hosting Für Einrichtungen, die quartalsweise analysieren und Trends über mehrere Befragungswellen sehen wollen: Caplena ist das geeignete Werkzeug. Das System ist darauf ausgelegt, denselben Fragebogen mehrfach auszuwerten und Themenentwicklungen sichtbar zu machen. Kein öffentliches Pricing — nach Sales-Call; erfahrungsgemäß vierstellig im Jahr. Für einen einzelnen Standort lohnt das erst ab regelmäßigem Volumen (ca. 500+ Freitextantworten pro Jahr).

NotebookLM — dokumentenbasierte Analyse für kleine Mengen Als kostenloser Einstieg eignet sich NotebookLM: Alle Befragungsunterlagen als PDFs hochladen, dann Fragen stellen (“Welche Themen kommen am häufigsten vor?”). Schnell, kostenfrei, ohne Setup. Nachteil: US-Datenhosting — für Pflegeeinrichtungen, die Gesundheits- und Personendaten verarbeiten, ist das ein DSGVO-Problem. Nur geeignet für anonymisierte Texte, aus denen alle Personenbezüge entfernt wurden.

Make.com — für kontinuierliche E-Mail-Auswertung Wer den E-Mail-Eingang von Angehörigen automatisiert analysieren will — ohne manuelle Zusammenstellung pro Quartal — kann über Make.com einen Workflow bauen: eingehende E-Mails werden an eine LLM-API weitergeleitet, kategorisiert und in eine Tabelle oder ein Dashboard geschrieben. Aufwand für Einrichtung: einmalig 4–8 Stunden mit technischer Unterstützung. Danach läuft die Kategorisierung automatisch.

Wann welcher Ansatz:

• Jetzt anfangen, kein Budget, erste Erkenntnis: Claude oder ChatGPT mit Analyse-Prompt
• Anonymisierte Dokumente befragen, kostenlos: NotebookLM (nur bei strikter Anonymisierung)
• Regelmäßige Wellen, Vergleich über Zeit, DSGVO-konform: Caplena
• Automatische laufende E-Mail-Analyse: Make.com mit LLM-Integration

Datenschutz und Datenhaltung

Das ist die heikelste Seite dieses Anwendungsfalls — und sie verdient ehrliche Aufmerksamkeit.

Bewohnerfeedback in Pflegeeinrichtungen ist per Definition sensibel. Wenn eine Angehörige schreibt “Meine Mutter aus Zimmer 14 leidet unter der Hitze in ihrem Zimmer”, ist das ein Personenbezug. Wenn ein Bewohner in der Jahresbefragung schreibt “Seit meinem Sturz im Oktober habe ich das Gefühl, weniger Aufmerksamkeit zu bekommen”, enthält diese Aussage gesundheitliche Kontextinformationen. Beides kann unter Artikel 9 DSGVO fallen — besondere Kategorien personenbezogener Daten — auch wenn die Absicht der Befragung nicht medizinischer Natur war.

Disclaimer: Ob und inwieweit euer Beschwerdemanagement und eure Bewohnerbefragungsdaten unter Art. 9 DSGVO fallen, hängt vom konkreten Inhalt der Dokumente ab. Das ist eine rechtliche Einschätzung, die ihr mit eurem Datenschutzbeauftragten oder Datenschutzjuristen klären müsst — nicht etwas, das ein KI-Tool entscheidet. Die folgenden Hinweise sind praktische Orientierung, kein Rechtsrat.

Anonymisierung vor der Analyse ist der entscheidende Schritt. Vor dem Hochladen in ein KI-Tool werden alle Personenbezüge entfernt: Namen, Zimmernummern, Pflegegrade, spezifische Diagnosen, Datumsangaben, die auf einzelne Personen zurückführen. Das kann manuell geschehen (Suchen/Ersetzen in Word) oder durch einen kurzen Vorab-Prompt (“Ersetze in diesem Text alle Personenbezüge durch [NAME], [ZIMMER] und [DATUM]”). Erst danach wird der anonymisierte Text in die KI-Analyse gegeben.

Tool-Wahl nach Datenschutzanforderung:

• Caplena: EU-Hosting (Schweiz, ISO 27001), eigene LLM-Infrastruktur, keine Datenweitergabe an OpenAI/Google — die stärkste Option für personenbezogene Daten
• Claude und ChatGPT: US-Hosting bei Consumer-Plänen; kein Training auf Kundendaten ab Team/Business-Plan; AVV verfügbar — akzeptabel für vollständig anonymisierte Texte nach vorheriger Datenschutzprüfung
• NotebookLM: US-Hosting ohne EU-Option — nur für vollständig anonymisierte, nicht-sensitive Texte

AVV (Auftragsverarbeitungsvertrag): Sobald ihr Textdaten an ein Cloud-Tool übergebt, braucht ihr einen AVV nach Art. 28 DSGVO. Alle genannten Anbieter stellen AVV-Vorlagen bereit; Caplena standardmäßig, ChatGPT/Claude ab Business/Team-Plan über Self-Service-Portal.

Datenschutz-Folgenabschätzung (DSFA): Wenn ihr Bewohnerdaten mit Gesundheitsbezug verarbeitet, ist unter Umständen eine DSFA nach Art. 35 DSGVO erforderlich. Euer Datenschutzbeauftragter entscheidet, ob dieser Fall vorliegt — früh einbinden, nicht erst nach dem Pilot.

Was es kostet — realistisch gerechnet

Einstiegsszenario (LLM-Prompt, monatliche manuelle Analyse):

• Claude Pro oder ChatGPT Plus: ca. 20–25 EUR/Monat
• Einrichtungsaufwand: 2–4 Stunden intern (Prompt entwickeln, ersten Testlauf)
• Laufend: ca. 1–2 Stunden pro Monat für Vorbereitung, Prompt, Auswertung
• Gesamtkosten Jahr 1: ca. 300 EUR Software + 15–25 Stunden intern

Mittleres Szenario (Make.com-Automatisierung + LLM-API):

• Make.com Core: ca. 11 EUR/Monat (10.000 Operationen)
• LLM-API-Kosten (Claude API oder OpenAI API): ca. 5–15 EUR/Monat bei einem Pflegeheim-Volumen
• Einrichtungsaufwand: 8–15 Stunden intern oder mit technischer Unterstützung (externe Kosten ca. 500–1.500 EUR einmalig)
• Ergebnis: Eingehende E-Mails werden automatisch kategorisiert, ohne manuelle Zusammenstellung

Erweitertes Szenario (Caplena für strukturierte Wellen):

• Caplena: Einstieg typischerweise mehrere tausend EUR pro Jahr (kein öffentliches Pricing)
• Sinnvoll ab ca. 500 Freitextantworten pro Jahr und mehreren Befragungswellen
• Für ein einzelnes 120-Bett-Haus mit 8 Jahresbefragungen und ca. 200 E-Mails: der Einstieg mit LLM-Prompt ist vorzuziehen

Was du dagegenrechnen kannst: Eine anlassbezogene Prüfung durch den MD erzeugt internen Aufwand von erfahrungsgemäß mehreren Arbeitstagen (Vorbereitung, Prüftag, Nachbearbeitung, Maßnahmenplan). Eine rechtzeitig erkannte und behobene Qualitätslücke vermeidet nicht sicher eine solche Prüfung — aber reduziert die Wahrscheinlichkeit, dass eine Prüfung negativ ausgeht. Schon eine vermiedene Nachprüfung mit externem Berater zahlt die Software für mehrere Jahre.

Wie du den Nutzen tatsächlich misst: Nicht durch Stundenkalkulation, sondern durch Trendvergleich: Wie viele Beschwerden zum Thema X gab es in Q1, wie viele nach Einführung der Maßnahme in Q2? Das ist die einzige belastbare Messeinheit für diesen Anwendungsfall.

Drei typische Einstiegsfehler

1. Alle Quellen auf einmal hochladen, ohne zu anonymisieren. Der verbreitetste Fehler: Im Eifer des ersten Tests werden die E-Mails der letzten zwölf Monate unverändert in ChatGPT kopiert — inklusive Namen, Zimmernummern und Gesundheitshinweisen. Dann erst fällt auf, dass das ein DSGVO-Problem ist. Lösung: Erst Anonymisierungsschritt durchführen, dann analysieren. Klingt banal, wird aber konsequent übersprungen, wenn die Datenschutzfrage nicht vorab im Team besprochen wurde.

2. Das System einrichten und dann drei Monate nichts damit machen. Nach dem ersten Pilot ist die Begeisterung oft groß — bis zum nächsten Quartal, wenn niemand mehr weiß, wer die Analyse macht, welche Daten wo gesammelt werden und was mit dem letzten Ergebnis passiert ist. Der gefährlichste Fehler ist der stille Zerfall: Das System läuft technisch noch, aber niemand nutzt die Erkenntnisse mehr. Lösung: Vor dem Pilot eine namentlich benannte Person benennen (PDL oder Qualitätsbeauftragte), die die monatliche oder quartalsweise Analyse als feste Aufgabe in der Stellenbeschreibung hat — mit Zeitbudget und Berichtspflicht an die Einrichtungsleitung.

3. Die Erkenntnisse nicht in Maßnahmen überführen. Das System zeigt: “Hygiene OG 2 — 7 Nennungen.” Was passiert damit? Wenn keine Maßnahme folgt, ist die Analyse wertlos — und schlimmer: wenn die Heimaufsicht fragt, dokumentiert ihr, dass ihr das Muster gesehen habt, aber nichts getan habt. Das ist schlechter als das Muster nie gesehen zu haben. Lösung: Für jeden identifizierten Trend braucht es einen Minimalstandard: Wer ist zuständig? Bis wann? Was wird gemessen, um zu sehen, ob es besser wird? Auch wenn die Maßnahme nur lautet “Reinigungsprotokoll OG 2 intensiviert” — es muss aufgeschrieben sein.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist in zehn Minuten eingerichtet. Das Menschliche dauert länger.

Wer Daten besitzt, will sie nicht teilen. Das Protokollbuch liegt im Stationszimmer. Die E-Mails sind im Postfach der Einrichtungsleitung. Die Befragungsunterlagen liegen beim Qualitätsbeauftragten. Alle drei Personen sind gewohnt, ihre Kanäle eigenständig zu verwalten. Das Zusammenführen dieser Daten in eine gemeinsame Analyse bedeutet Transparenz — und Transparenz kann sich für die Person, die den Kanal verwaltet, wie Kontrolle anfühlen. Das ist ein kulturelles, kein technisches Problem.

Was hilft: Framing ist entscheidend. “Wir schauen gemeinsam, was die Bewohner und Angehörigen bewegt” ist ein anderes Gespräch als “Wir prüfen, ob Beschwerden korrekt bearbeitet wurden.” Ersteres schafft Bereitschaft, letzteres Abwehrhaltung. Die Einrichtungsleitung führt dieses Gespräch — idealerweise bevor das erste Datum für die Analysesitzung steht.

Erste Ergebnisse sind unbequem. In der ersten Auswertung tauchen Themen auf, die alle schon ahnen, aber niemand ausgesprochen hat. “Kommunikation zwischen Schichten” als häufigstes Negativthema. “Zu lange Wartezeiten beim Klingeln” mit vier Monaten Häufung. Diese Erkenntnisse sind wertvoll — aber sie zeigen auch, dass jemand nicht gehandelt hat. Das erzeugt Defensivreaktionen. Plan dafür ein: Die erste Analysesitzung braucht eine Moderation, die Befunde von Schuldfragen trennt und direkt in Maßnahmen überleitet.

Angehörige bemerken die Veränderung. Wenn auf eine Beschwerde vier Wochen nach dem Eingang eine konkrete Rückmeldung kommt (“Wir haben das Thema aufgenommen und X veranlasst”), ändern sich Angehörigengespräche. Diese proaktive Kommunikation ist das, was auf Pflegenavi und in Mundpropaganda sichtbar wird — nicht das KI-System dahinter.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Das System liefert sofort erste Erkenntnisse — aber es liefert keine Überraschungen, die nicht in den Quellen stecken. Was es leistet, ist Aggregation und Häufungserkennung. Was es nicht leistet: Es bewertet nicht, ob eine Beschwerde berechtigt ist. Das ist Aufgabe der Pflegefachleute.

Wenn Angehörige überreagieren — wie das System helfen kann zu de-eskalieren

Nicht jede Beschwerde von Angehörigen spiegelt einen realen Qualitätsmangel. Manchmal ist die Frequenz der Kontaktaufnahme eines einzelnen Angehörigen ein Signal für persönliche Überlastung, Verlustangst oder unverarbeitete Schuldgefühle — nicht für ein strukturelles Problem in der Einrichtung. Das ist menschlich nachvollziehbar und trotzdem für das Pflegepersonal eine erhebliche emotionale Belastung.

Hier kann die KI-Analyse auf eine unerwartete Art helfen: durch Sichtbarkeit.

Muster trennen von Einzelphänomenen: Wenn das System zeigt, dass 85 Prozent der Beschwerden zu “Kommunikationsdefiziten” von einer einzigen Angehörigen-Kontaktperson stammen und die übrigen Kanäle dieses Thema nicht aufgreifen, hat die Einrichtungsleitung ein anderes Gespräch mit der Pflegedienstleiterin — und mit der Angehörigen selbst. Statt “Wir bekommen viele Beschwerden über Kommunikation” lautet das Gespräch: “Wir sehen, dass Sie sich sehr viel Sorgen machen. Können wir gemeinsam schauen, was genau fehlt?”

Reaktionsmuster dokumentieren: In emotional aufgeladenen Situationen hilft eine lückenlose Dokumentation, dass auf jede Kontaktaufnahme reagiert wurde, wann und wie. Das System kann dabei helfen, die eigene Reaktionsgeschwindigkeit und -konsistenz sichtbar zu machen — nicht als Beweismittel gegen die Angehörigen, sondern als Grundlage für ein sachliches Gespräch. “Wir haben auf alle 12 Kontaktaufnahmen in den letzten drei Monaten innerhalb von 48 Stunden geantwortet” ist eine andere Gesprächsbasis als das Gefühl, “die beschweren sich ständig”.

Frühzeitige Eskalation vermeiden: Wenn das System zeigt, dass eine Angehörige in kurzer Zeit stark an Beschwerdefrequenz zunimmt, ist das ein Signal für ein proaktives Gespräch — bevor die Situation in eine formale Beschwerde an die Heimaufsicht übergeht. Das kostet fünf Minuten Telefon; eine Anlassprüfung kostet Tage.

Die KI bewertet keine Angehörigen und diagnostiziert keine psychologischen Zustände. Was sie macht: Sie zählt, sortiert und macht Muster sichtbar — so dass die Einrichtungsleitung informierte Entscheidungen treffen kann, statt auf Bauchgefühl zu reagieren.

Häufige Einwände — und was dahintersteckt

“Wir haben kein Budget für ein KI-System.” Das versteht sich — aber der Einstieg kostet kein zusätzliches Budget, wenn bereits eine Claude-Pro- oder ChatGPT-Plus-Lizenz im Haus ist. Wer noch keine hat: 20–25 EUR pro Monat für ein LLM-Tool. Dagegen steht der Aufwand für eine anlassbezogene Prüfung oder eine Nachprüfung durch den MD — der liegt im Mehrtagesbereich. Das Kosten-Nutzen-Argument ist eindeutig; das Budget-Argument ist oft ein Stellvertreter für “wir wissen noch nicht genau, wie es funktioniert.”

“Unsere Befragungen sind zu klein für KI-Auswertung.” Bei acht Jahresbefragungen mit je 5–10 Freitextfeldern und 15–20 E-Mails pro Monat kommen im Quartal problemlos 80–120 Textstücke zusammen. Das ist genug für zuverlässige Themenerkennung, wenn die Quellen zusammengeführt werden. Der Punkt ist nicht das Volumen — es ist die Kanalübergreifung. Zwei E-Mails und eine Befragungsantwort zum selben Thema sind ein Muster, auch wenn das in absoluten Zahlen klein klingt.

“Das ist zu viel Aufwand für unser Team.” Der laufende Aufwand nach Einrichtung: ca. eine Stunde pro Monat für Datenvorbereitung und Prompt-Ausführung. Das ist weniger als eine Stabssitzung. Der einmalige Aufwand für Setup und Datenschutzklärung: zwei bis vier Wochen Abstimmung, ca. 10–20 Stunden intern. Ehrlicher Gegencheck: Wie viel Zeit kostet es aktuell, nach einer Heimaufsichts-Prüfung zu rekonstruieren, warum ein Muster nicht gesehen wurde?

“Wir vertrauen der KI nicht — sie kann falsch liegen.” Richtig. Ein LLM halluziniert gelegentlich. Deshalb lautet die richtige Frage nicht “Ist die KI-Auswertung fehlerfrei?” — sondern “Ist sie besser als unser aktuelles Nichts?” Wenn das System ein Thema als “5 Nennungen” zählt und es sind in Wirklichkeit 4 oder 6 — spielt das keine Rolle. Was eine Rolle spielt: Das Thema wird sichtbar. Die menschliche Einschätzung und die Maßnahmenentscheidung bleibt beim Team.

Woran du merkst, dass das zu dir passt

• Ihr führt Bewohnerbefragungen durch, aber die Freitextantworten werden nicht systematisch ausgewertet — nur der Durchschnittswert zählt
• Ihr erhaltet schriftliche Rückmeldungen von Angehörigen (E-Mail, Brief, Formulare), aber sie werden nur im Einzelfall bearbeitet, nicht aggregiert
• Ihr habt das Gefühl, dass Themen, die ihr heute hört, eigentlich schon früher gekommen sein müssen — ihr wisst nur nicht, wann und wie oft
• Die nächste MDK-Prüfung steht an und ihr würdet gerne wissen, was Angehörige und Bewohner in den letzten zwölf Monaten am häufigsten thematisiert haben
• Jemand in eurem Team (PDL, Qualitätsbeauftragte, Heimleiterin) hat ca. eine Stunde pro Monat, die regelmäßig dieser Aufgabe gewidmet werden kann

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

1. Einrichtungen unter ca. 40 Betten. Bei weniger als 40 Bewohnern und entsprechend geringem Angehörigenkontakt kommen im Jahr typischerweise unter 100 Feedback-Textstücke zusammen. Das ist für eine valide Mustererkennung zu wenig — hier reicht eine einfache manuelle Zählung in einer Excel-Tabelle. Das KI-System löst ein Problem, das in dieser Größe noch nicht existiert.

2. Kein strukturierter Beschwerdeprozess vorhanden. Wenn Beschwerden bisher formlos per Telefon entgegengenommen, mündlich weitergegeben und nirgends dokumentiert werden, fehlt die Datenbasis für jede Analyse — manuell wie KI-gestützt. Der sinnvollste erste Schritt ist dann: einen Prozess einführen, der Beschwerden dokumentiert. Das KI-System kommt danach.

3. Keine namentlich benannte Person mit Zeitbudget für die laufende Analyse. Ein LLM-Tool, das quartalsweise genutzt werden soll, ohne dass jemand Verantwortung dafür hat, wird nach zwei Quartalen nicht mehr genutzt. Wenn im Team keine Person identifizierbar ist, die diese Aufgabe übernehmen kann — und auch soll — ist jetzt nicht der richtige Zeitpunkt. Nicht weil das Tool nicht funktioniert, sondern weil der Betrieb ohne Eigentümer stillsteht.

Das kannst du heute noch tun

Öffne Claude oder ChatGPT — kostenloser Account reicht für den ersten Test. Exportiere die letzten fünf bis zehn E-Mails von Angehörigen aus deinem Postfach. Entferne manuell alle Namen, Zimmernummern und spezifischen Datumsangaben. Kopiere die anonymisierten Texte in das Chat-Fenster und nutze den folgenden Prompt.

Das dauert 20 Minuten. Was du danach weißt: Welches Thema die Angehörigen in den letzten Monaten am häufigsten angesprochen haben — und ob du das vorher schon wusstest.

Quellen & Methodik

• evasys GmbH: “Angehörigenbefragung im Pflegeheim: Wie Sie Vertrauen stärken und Beschwerden früh abfangen” (2024). Praxisleitfaden mit Empfehlungen zu Befragungsfrequenz, Hybridformaten und Kommunikationsmustern in stationären Pflegeeinrichtungen. evasys.de

• Institut für Menschenrechte: “Wie können Beschwerdeverfahren den Schutz pflegebedürftiger älterer Menschen in der Lebenswelt Pflegeheim stärken?” — Forschungsbericht im Auftrag des Bundesministeriums für Familie, Senioren, Frauen und Jugend. Enthält Daten zur Verbreitung formaler Beschwerdemanagementkonzepte und deren praktischer Umsetzung in deutschen Einrichtungen. institut-fuer-menschenrechte.de

• Preisangaben ChatGPT Business: OpenAI, chatgpt-pricing (Stand Mai 2026). ChatGPT Business: ca. 30 USD/Nutzer/Monat (monatlich) bzw. 25 USD (Jahresabo), entspricht ca. 27–34 EUR inkl. MwSt.

• Caplena: Anbieter-Website caplena.com, Stand Mai 2026. Kein öffentliches Pricing; Einstieg nach Sales-Call, erfahrungsgemäß vierstellig im Jahr.

• Make.com: Anbieter-Website make.com, Core-Plan ca. 9 USD/Monat (10.000 Operationen), Stand Mai 2026.

• MDK-Qualitätsprüfung: Medizinischer Dienst Bund, “Qualitätsprüfungen stationäre Pflege” — rechtlicher Rahmen und Prüfkriterien, zuletzt revidiert August 2024. md-bund.de

• DSGVO Art. 9 (besondere Kategorien personenbezogener Daten): Datenschutz-Grundverordnung in der aktuell gültigen Fassung. Die Einschätzung, ob Bewohnerfeedback-Daten unter Art. 9 fallen, ist einrichtungsspezifisch und erfordert juristische Prüfung.

• Praxiswerte zu Auswerteaufwand: Erfahrungswerte aus Qualitätsmanagement-Initiativen in stationären Pflegeeinrichtungen (Stand 2024–2026); keine repräsentative Studie.

Du willst wissen, ob dein Feedbackvolumen für einen solchen Ansatz ausreicht und welche Datenschutzschritte in eurer spezifischen Situation nötig sind? Meld dich — das klären wir gemeinsam.