KI-optimierte Schichtplanung

Das echte Ausmaß des Problems

Ein typisches Produktionsunternehmen mit drei Schichten und 50 Mitarbeitern verbringt wöchentlich 8 bis 15 Stunden mit Schichtplanung — und das, obwohl der Plan kaum eine Woche unverändert bleibt. Krankheitsfälle, Sonderaufträge, Urlaubsanträge, Qualifikationsanforderungen, Arbeitszeitkonten: Jede Änderung zieht Folgeanpassungen nach sich.

Eine Studie des Fraunhofer IAO (2023) zeigt, dass Schichtkoordinatoren in der deutschen Fertigungsindustrie durchschnittlich 6,3 Stunden pro Woche mit Planungsaufgaben verbringen — das entspricht über 300 Stunden pro Jahr. Dabei werden laut derselben Studie in 40 % der Fälle Arbeitszeitvorschriften mindestens einmal monatlich unbeabsichtigt verletzt, was zu Nachzahlungen oder Bußgeldern führt.

Das Kernproblem: Manuelle Schichtplanung ist ein komplexes Optimierungsproblem. Produktionslast, Mitarbeiterqualifikationen, Urlaubskalender, Mindestbesetzungen, Ruhezeiten — all das gleichzeitig im Kopf zu behalten, überfordert jeden Planer. Die Folge: suboptimale Pläne, unzufriedene Mitarbeiter, und Planungsaufwand, der eigentlich Produktionszeit sein sollte.

So funktioniert es in der Praxis

Schritt 1 — Rahmenbedingungen erfassen Einmalig werden alle Constraints in das System eingespielt: Mitarbeiterqualifikationen, Arbeitszeitmodelle, Mindestbesetzungen pro Schicht, erlaubte Abfolgen (z.B. keine Nachtschicht nach Spätschicht), Urlaubsregelungen und Tarifverträge. Das dauert 2–3 Tage, zahlt sich danach dauerhaft aus.

Schritt 2 — Produktionsbedarf als Input Der wöchentliche Produktionsplan (Aufträge, Maschinenauslastung, Bedarfsschwankungen) wird als Input übergeben. Das System weiß, wann und wo wie viele qualifizierte Mitarbeiter gebraucht werden.

Schritt 3 — Automatischer Planvorschlag Der Optimierungsalgorithmus berechnet in Minuten einen regelkonformen Schichtplan, der alle Constraints erfüllt und dabei Mitarbeiterpräferenzen (wenn vorhanden) berücksichtigt. Der Planer sieht den Vorschlag, prüft und genehmigt — oder passt einzelne Positionen manuell an.

Schritt 4 — Automatisches Änderungsmanagement Meldet sich ein Mitarbeiter krank, schlägt das System sofort qualifizierte Ersatzkräfte vor — unter Berücksichtigung von Arbeitszeitkonto, Ruhezeiten und verfügbarer Qualifikation. Der Planer entscheidet, die Benachrichtigung läuft automatisch.

Welche Tools passen hierzu

Microsoft 365 Copilot — für einfache Schichtpläne in Excel mit KI-Unterstützung: nicht für komplexe Constraints, aber gut als Einstieg. Ab 26 Euro/Nutzer/Monat.

Make.com — für automatisierte Benachrichtigungsworkflows: Planänderung → SMS/E-Mail an Betroffene → Bestätigung zurück. Ab 9 Euro/Monat.

ChatGPT — für einfache Planungsanalysen und Optimierungsvorschläge bei überschaubaren Teams: manuellen Plan als CSV hochladen, Schwachstellen identifizieren lassen. Ab 0 Euro.

Notion AI — als zentrale Dokumentationsplattform für Qualifikationsmatrizen und Planungshistorien: KI hilft beim Auswerten von Ausfallmustern. Ab 10 Euro/Nutzer/Monat.

Für vollständig automatisierte Schichtplanung mit Integration in ERP-Systeme gibt es spezialisierte Lösungen wie ATOSS, Quinyx oder Reflexis — diese gehen über 50–200 Euro/Mitarbeiter/Jahr und sind für größere Betriebe ausgelegt.

Was es kostet — realistisch gerechnet

Einstieg (mit Standardtools)

• ChatGPT Plus oder Microsoft Copilot: 20–26 Euro/Monat
• Zeitersparnis: 2–3 Stunden/Woche bei der Planung
• Bei 100–120 Arbeitsstunden Ersparnis/Jahr × 40 Euro/Stunde: 4.000–4.800 Euro
• Umsetzungsaufwand: 1–2 Tage Einrichtung

Speziallösung (automatisiert)

• ATOSS/Quinyx: ab 3.000–8.000 Euro/Jahr je nach Unternehmensgröße
• Einmalige Implementierung: 5.000–15.000 Euro
• Einsparung: 300+ Stunden Planungsaufwand/Jahr + Compliance-Risiken minimiert
• Break-even: typischerweise 12–18 Monate

ROI-Beispiel: Metallbetrieb mit 60 Mitarbeitern in 3 Schichten. Vor KI: 12 Stunden Planungsaufwand/Woche, 4 Compliance-Verstöße/Jahr (je 500 Euro Nachzahlung). Nach KI-Schichtplanung: 3 Stunden/Woche Planungszeit, 0 Verstöße. Netto-Ersparnis erstes Jahr: ca. 18.000 Euro (Personalkosten + Bußgelder).

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Anforderungsanalyse	Woche 1–2	Alle Constraints dokumentieren: Tarifvertrag, Qualifikationen, Mindestbesetzungen	Unvollständige Dokumentation — Schichtplan erfüllt nicht alle Regeln
Tool-Auswahl und Einrichtung	Woche 2–4	Pilot mit kleiner Abteilung oder einfacherem Bereich starten	Datenmigration aus Excel/Papierplänen aufwändig
Parallelbetrieb	Monat 2–3	KI-Plan und manueller Plan parallel laufen, Abweichungen analysieren	Planer akzeptiert KI-Vorschläge nicht — Change-Management nötig
Produktiveinsatz	Ab Monat 3–4	KI-Plan ist Standard, manuelle Eingriffe bei Ausnahmen	Fehlende Datenbasis bei seltenen Ereignissen (z.B. unbekannte Qualifikationslücken)
Optimierung	Laufend	System lernt aus Mustern, Planqualität steigt	Abhängigkeit von Systemverfügbarkeit — Notfallprozess für Ausfall definieren

Häufige Einwände

„Schichtplanung ist bei uns zu komplex für KI — wir haben zu viele Sonderfälle.” Das Gegenteil ist oft richtig: Mehr Komplexität ist ein stärkeres Argument für KI, nicht dagegen. Sonderfälle werden als zusätzliche Constraints modelliert. Was für Menschen kognitiv überwältigend ist (viele Variablen gleichzeitig), ist für Optimierungsalgorithmen der Normalfall.

„Die Mitarbeiter wollen selbst mitbestimmen — ein Algorithmus kennt ihre Wünsche nicht.” KI-Schichtplanung kann Mitarbeiterpräferenzen als weiche Constraints einbeziehen — z.B. bevorzugte Schichtzeiten oder gewünschte freie Tage. Das führt oft zu faireren Plänen als manuelle Planung, weil kein Planer einem Lieblingsmitarbeiter unbewusst bevorzugt.

„Wir haben kein ERP-System — wie soll das integriert werden?” KI-Unterstützung beginnt auch ohne ERP: Ein strukturiertes Excel als Mitarbeiterdatenbank, ChatGPT für Optimierungsvorschläge und Make.com für Benachrichtigungen reichen für den Anfang. Die vollständige Integration kommt schrittweise.