Bedarfsorientierte Reinigung mit KI und IoT-Sensoren steuern

Das echte Ausmaß des Problems

Bedarfsorientierte Reinigung ist kein neues Konzept. Es ist jedoch eines, das sich bislang fast ausschließlich auf das Bauchgefühl der Disponentin verlassen hat — auf Erfahrungswerte, auf Rückmeldungen von Hausdienst und Reinigungskräften, auf Beschwerden, die immer zu spät kommen.

Das strukturelle Problem: Reinigungsverträge sind auf Zeitpläne ausgelegt. Sie beschreiben, wie oft ein Bereich pro Woche gereinigt wird — nicht, ab welchem Nutzungsgrad er gereinigt werden muss. Hybrides Arbeiten hat dieses Modell obsolet gemacht, ohne dass die Verträge nachgezogen hätten. Ein Bürogebäude mit 400 Mitarbeitenden hat heute Mittwoch vielleicht 350 Personen im Haus — und Freitag 80. Wenn der Vertrag fünfmal pro Woche die gleiche Frequenz vorsieht, werden 60 bis 70 Prozent der Freitags-Reinigungszeit für Flächen aufgewendet, die kaum benutzt wurden.

Zahlen aus der Praxis belegen das: Laut einer Fallstudie von Azolla Software (2024) lagen die Reinigungskosten vor der IoT-Umstellung bei etwa 15 bis 25 Prozent des gesamten FM-Budgets eines Gebäudes. Nach Einführung eines bedarfsorientierten Systems mit IoT-Belegungssensorik reduzierte ein irisches Unternehmen (Willis Tower, Dublin, 6.300 m², Kapazität 550 Mitarbeitende) seine Reinigungsstunden um 25 Prozent, den Chemikalienverbrauch um 25 Prozent und steigerte die Mitarbeiterzufriedenheit mit der Sauberkeit um 40 Prozent.

Soobr, ein Schweizer PropTech-Unternehmen mit Telekom-IoT-Partnerschaft, berichtet aus seinen Projekten von durchschnittlich 30 Prozent weniger Betriebsaufwand pro Woche in der Disposition und 15 Prozent weniger Kosten in der Ausführung pro Jahr — über Branchen und Länder hinweg.

Das bedeutet in Zahlen: Ein Reinigungsunternehmen mit 10 Vollzeitreinigungskräften, das im Jahr 250.000 Euro Personalkosten veranschlagt, könnte bei 20 bis 25 Prozent Effizienzgewinn 50.000 bis 63.000 Euro jährlich einsparen — bei gleichzeitig höherer Sauberkeit in tatsächlich frequentierten Bereichen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Einsparungen bei Reinigungsstunden entstehen nicht durch weniger Arbeit insgesamt, sondern durch gezieltere Arbeit: Weniger Wege dorthin, wo nichts passiert ist — mehr Kapazität dort, wo es nötig ist.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5)
Die direkte Zeitersparnis für Disponenten ist real — rund eine Stunde täglich weniger manuelle Planung, weil das System Prioritäten automatisch setzt. Der größere Effekt liegt jedoch woanders: Reinigungskräfte fahren weniger leere Touren und sind in Stoßzeiten effektiver eingesetzt. Dieser Kapazitätsgewinn ist schwerer in Stunden auszudrücken, aber real. Im Vergleich zu rein software-basierten Anwendungen wie der Tourenplanung — die sofort nach Einrichtung Zeit spart — braucht das IoT-System erst Wochen Daten, bevor die Zeitersparnis spürbar wird.

Kosteneinsparung — sehr hoch (5/5)
Der stärkste Hebel im Vergleich zu anderen Anwendungen dieser Branche. 20 bis 30 Prozent weniger Reinigungskapazität bedeutet bei einem typischen mittelständischen Gebäudedienstleister 30.000 bis 80.000 Euro pro Jahr — in Personalkosten, die tatsächlich eingespart werden, nicht nur theoretisch. Das ist eine andere Größenordnung als softwarebasierte Prozessoptimierungen und der Hauptgrund, warum sich das Investmentrisiko lohnt.

Schnelle Umsetzung — sehr niedrig (1/5)
Hardware-Installation ist keine Software-Einführung. Sensoren müssen beschafft, montiert, vernetzt und kalibriert werden. Die IT-Infrastruktur muss IoT-Konnektivität unterstützen. Die Software muss mit den Sensordaten verbunden und parametriert werden. Dazwischen liegt Baustellenkoordination, Datenschutzprüfung und Vertragsanpassung. Realistisch: 3 bis 6 Monate bis zum operativen Betrieb in einem Objekt. Kein anderer Anwendungsfall in dieser Branche braucht mehr Vorlauf.

ROI-Sicherheit — mittel (3/5)
Die Einsparungen sind messbar — Reinigungsstunden werden gezählt, Fahrten dokumentiert, Beschwerden erfasst. Aber: Der Nachweis braucht 12 bis 18 Monate belastbarer Betriebsdaten, weil saisonale Belegungsmuster und Sensorqualität das Bild verzerren können. Sensordrift — graduelle Abweichung der Messwerte ohne offensichtlichen Ausfall — ist ein echter Risikofaktor. Wenn CO₂-Sensoren nach 18 Monaten um 15 Prozent zu niedrig messen, werden Bereiche systematisch zu selten gereinigt, ohne dass das System einen Alarm auslöst. Die Baseline für den ROI-Vergleich muss vor der Installation sauber dokumentiert werden, sonst fehlt später der Vergleichswert. Ehrlicher eingeordnet als manche Software-only-Lösung.

Skalierbarkeit — hoch (4/5)
Jedes neue Objekt braucht eigene Hardware (Sensor-Beschaffung, Installation) — das ist kein reines Plattform-Wachstum wie bei rein softwarebasierten Lösungen. Erfahrungsgemäß kostet jedes neue Objekt 5.000 bis 20.000 Euro Sensor-Invest, bevor die laufende Einsparung einsetzt. Das macht Wachstum planbar, aber nicht kostenlos. Die Software selbst skaliert linear mit weiteren Objekten ohne proportionalen Mehraufwand.

Richtwerte — stark abhängig von Gebäudetyp, Nutzungsintensität und vorhandener IT-Infrastruktur.

Was das System konkret macht

Das Prinzip ist einfacher als der Name nahelegt: Sensoren messen, wer wo ist. Die Software entscheidet, wann gereinigt werden muss. Reinigungskräfte bekommen diese Entscheidung auf ihr Smartphone.

In der konkreten Umsetzung sieht das so aus: In Sanitäranlagen, Besprechungsräumen und Eingangsbereichen werden Sensoren installiert — je nach Typ messen sie Bewegung, Personenanzahl, CO₂-Gehalt oder Füllstände von Seifenspendern und Papiertuchautomat. Diese Daten fließen in eine zentrale Plattform. Dort legt das Betriebsteam Schwellenwerte fest: Ab 50 Personen pro Stunde durch das WC soll ein Reinigungsauftrag ausgelöst werden. Bei unter 5 Personen täglich reicht einmal abends.

Die KI-Komponente macht daraus eine Tourenoptimierung: Welche Bereiche sind gerade dringend? Welche Reinigungskraft ist am nächsten? Wie lässt sich der heutige Tag mit dem kleinstmöglichen Wegeaufwand abarbeiten? Das Ergebnis landet auf der App der Reinigungskraft — nicht als statische Liste, sondern als dynamisch priorisierte Aufgabenfolge, die sich im Verlauf des Tages aktualisiert.

Disponenten sehen auf einem Dashboard, welche Bereiche gerade rot (dringend), gelb (bald fällig) oder grün (in Ordnung) sind. Wenn ein Sensor meldet, dass der Seifenspender leer ist, geht das direkt als Auftrag auf die nächste Reinigungskraft, die sowieso in der Nähe ist.

Was das System nicht macht: Es entscheidet nicht über Reinigungsstandards, Chemikalienwahl oder die Qualität der Arbeit. Es entscheidet nur, wann und in welcher Reihenfolge gereinigt wird — die Entscheidung wie bleibt beim Menschen.

Welche Sensoren wirklich passen

Die Wahl des Sensortyps ist keine technische Nebensache — sie bestimmt Genauigkeit, Kosten und Datenschutzprofil des gesamten Systems. Drei Technologien dominieren die Praxis:

PIR-Bewegungsmelder (Passive Infrarot)
Der einfachste und günstigste Ansatz. PIR-Sensoren registrieren Bewegung, aber keine Anwesenheit: Wer still sitzt, ist für den Sensor nicht da. Das macht sie für WC-Vorräume und Eingangsbereiche gut geeignet (dort bewegt man sich immer), aber unzuverlässig für Besprechungsräume mit ruhig sitzenden Teilnehmenden. Preis: 53 bis 70 Euro pro Sensor (LoRaWAN-fähige Modelle). Genauigkeit: bis zu 98 % bei Bewegungserkennung, aber kein Personenzählen.

CO₂-Sensoren
Messen den Kohlendioxidgehalt der Luft — als indirekten Indikator für Personenzahl. Gut geeignet für Räume, in denen Menschen sich aufhalten und nicht nur durchgehen: Großraumbüros, Konferenzräume, Kantinen. Reaktionszeit: CO₂ steigt und fällt langsamer als Bewegung — das System hinkt dem tatsächlichen Belegungsende um 15 bis 30 Minuten hinterher. Preis: ca. 186 Euro pro Sensor. Genauigkeit für Belegungserkennung: ca. 95 % — besser als PIR für statische Anwesenheit, aber CO₂ allein kann nicht zwischen einer Person und fünf unterscheiden. Kombination mit PIR verbessert die Genauigkeit deutlich.

Personenzähler (People-Counter)
Zählen Personen, die eine Linie überqueren — via Infrarot-Lichtschranke oder Thermalkamera. Geben exakte Ein-/Ausgangszahlen, aus denen sich Netto-Belegung errechnen lässt. Ideal für WC-Eingänge, Kantineneingänge und Flure zu dichten Besprechungszonen. Preis: ca. 249 Euro pro Sensor-Set. Genauigkeit: 95–98 %, je nach Montageposition (schräge Montage reduziert die Erkennungsrate). Datenschutzvorteil gegenüber Kameras: reine Zählung ohne Bilderfassung.

Füllstandsensoren
Ergänzende Kategorie: Ultraschall-Sensoren in Seifenspendern, Papiertuchautomaten und Hygienebehältern melden automatisch, wenn Verbrauchsmaterial nachgefüllt werden muss. Senken Leerstand-Beschwerden deutlich; amortisieren sich auch unabhängig vom Reinigungsrhythmus.

Empfehlung für die Praxis: WC-Bereiche → People-Counter am Eingang + Füllstandsensoren; Besprechungsräume → CO₂ + PIR kombiniert; Großraumbüros → CO₂-Sensor je 100 m²; Eingangsbereiche und Flure → PIR ausreichend. Reine Kameras — auch Wärmebildkameras — sollten ohne klare Betriebsratsabstimmung und DSGVO-Prüfung nicht eingesetzt werden.

Konkrete Werkzeuge — was wann passt

Soobr — Schweizer Smart-Cleaning-Plattform mit Telekom-IoT-Partnerschaft. Verbindet Sensordaten mit dynamischer Touren-Disposition und mobiler App für Reinigungskräfte. Deutschsprachig, EU-Hosting, Erfahrungen aus Bürogebäuden, Krankenhäusern und Hochschulen. Flächenbasierte Lizenzgebühr, Preise auf Anfrage. Gut geeignet, wenn du eine fertige Plattform ohne große IT-Eigenentwicklung willst. Implementierungszeit für kleine Objekte: wenige Tage bis Wochen. Für komplexe Umgebungen wie Krankenhäuser: ca. 3 Monate.

FacilityApps — Niederländische Plattform für Reinigungsmanagement mit IoT-Integration. Technologieagnostisch — integriert Sensoren verschiedener Hersteller (WiFi, Zigbee, LoRa, NFC). Beacon-basierter Anwesenheitsnachweis für lückenlose Leistungsdokumentation. Kein deutschsprachiger Support. Besonders geeignet für große Gebäudedienstleister mit internationaler Ausrichtung, Flughäfen, Krankenhäuser. Preise auf Anfrage.

Facilio — Cloud-natives Facility-Management-System mit KI-Layer. Nicht primär für Reinigungssteuerung gebaut, aber geeignet als übergeordnete FM-Plattform, in die Reinigungsdisposition und Sensorik integriert werden. REST-API für SAP und CAFM-Integration. Ab ca. 15.000 bis 40.000 Euro Jahresvertrag. Sinnvoll für Betreiber großer Immobilienportfolios, die mehrere FM-Disziplinen (Reinigung, Instandhaltung, Energie) in einem System zusammenführen wollen. Kein deutschsprachiges Interface.

Eigenentwicklung mit Standard-Sensorik + MQTT/API — Für Unternehmen mit IT-Kompetenz oder Entwicklerunterstützung: LoRaWAN-Sensoren (Milesight, Disruptive Technologies, ELSYS) an einen lokalen Gateway anschließen, Daten via MQTT in eine eigene oder bestehende FM-Software übertragen. Maximale Kontrolle, kein Vendor-Lock-in, aber Integrations- und Wartungsaufwand selbst tragen. Empfehlenswert wenn bestehende Systeme (CAFM, ERP) schon eine IoT-Schnittstelle haben.

Zusammenfassung: Wann welcher Ansatz

• Kleines bis mittleres Objekt, schneller Start → Soobr
• Großer Dienstleister, internationale Projekte, Nachweisanforderungen → FacilityApps
• Großes Immobilienportfolio, FM-Vollplattform benötigt → Facilio
• IT-Kompetenz vorhanden, maximale Kontrolle gewünscht → Eigenentwicklung mit Standard-LoRaWAN

Vertragsumstellung: Von Zeitplan zu Bedarfsabrechnung

Das ist die Stelle, die in der Praxis am häufigsten unterschätzt wird — und die den meisten juristischen Diskussionsstoff erzeugt.

Wenn du heute Reinigungsdienstleistungen als Auftragnehmer erbringst, steht im Vertrag in der Regel eine Frequenz: zweimal pro Woche, täglich, dreimal täglich. Das ist das Ergebnis jahrzehntelanger Kalkulation und schafft Planungssicherheit für beide Seiten. Wenn du auf bedarfsorientierte Reinigung umstellst, funktioniert dieses Abrechnungsmodell nicht mehr — weil du jetzt manche Bereiche montags dreimal anfahrst und freitags gar nicht.

Was das für bestehende Verträge bedeutet:

Einen laufenden Reinigungsvertrag einseitig auf Bedarfsabrechnung umzustellen ist nicht möglich — du brauchst die Zustimmung des Auftraggebers. Das klingt trivial, ist es aber nicht. Denn viele Auftraggeber profitieren vom aktuellen Modell: Sie zahlen einen Festpreis und bekommen eine garantierte Frequenz. Wenn du sagst “Wir reinigen jetzt weniger oft, weil der Sensor sagt, es ist nicht nötig”, entsteht für den Auftraggeber Unsicherheit — auch wenn das Ergebnis am Ende besser ist.

Drei Vertragsmodelle für die Praxis:

1. Hybrid-Modell: Fixfrequenz als Minimum bleibt erhalten, aber das System kann Einsätze hinzufügen (keine streichen). Einfachste Umstellung — braucht keine tiefe Vertragsänderung, schützt den Auftraggeber vor Qualitätsverlust. Bringt weniger Einsparung (nur Mehraufwand wird optimiert, nicht Basisfrequenz).

2. Leistungsbasiertes Modell: Abrechnung nach tatsächlich erbrachten Reinigungsvorgängen, dokumentiert durch das System. Transparenter, aber komplex für beide Seiten. Braucht klare Definition von “was ist ein Reinigungsvorgang” und verlässliche Sensor-Dokumentation.

3. Ergebnisbasiertes Modell: Der Auftraggeber bezahlt für einen definierten Sauberkeitszustand — gemessen durch regelmäßige Inspektionen oder Sensordaten. Das ist das Modell der Zukunft, aber derzeit in Deutschland noch selten und schwer zu implementieren ohne starkes gegenseitiges Vertrauen.

Für die Umstellungsgespräche: Zeig dem Auftraggeber zuerst die Daten — drei Monate Sensordaten, die belegen, wann sein Gebäude wirklich frequentiert ist und wann nicht. Das ist überzeugender als jedes theoretische Argument für Effizienz. Auftraggeber, die ihren eigenen Reinigungsaufwand schätzen und mitfinanzieren, sind in der Regel offener für die Umstellung als solche, die nur auf Vertragsfrequenzen schauen.

Datenschutz und Datenhaltung

Belegungssensorik ist in der DSGVO-Diskussion sensibler als man zunächst denkt. Die entscheidende Frage lautet: Werden personenbezogene Daten erhoben?

Wann keine personenbezogenen Daten entstehen: PIR-Sensoren (Bewegungserkennung ohne Bilderfassung), CO₂-Sensoren und einfache Personenzähler (infrarotbasiertes Zählen ohne Bildaufnahme) erheben aggregierte Daten — “30 Personen zwischen 9 und 10 Uhr” ist kein personenbezogenes Datum. Diese Sensortypen können ohne DSGVO-Einwilligung der Nutzer betrieben werden, sofern keine Rückschlüsse auf Einzelpersonen möglich sind.

Wann es problematisch wird: Thermalkameras (auch ohne sichtbares Bild) und klassische Kameras fallen unter strengere Anforderungen, wenn sie Bildaufnahmen von Personen machen. WLAN-Geräteverfolgung (Geräte-MACs erfassen) ist ohne Einwilligung grundsätzlich problematisch, weil es potenziell einzelne Personen identifizierbar macht. Badge-Daten aus Zugangscontrolsystemen sind eindeutig personenbezogen.

Betriebsratsbeteiligung — ein unterschätzter Faktor:
Wenn das Gebäude, das du reinigst, Mitarbeitende des Auftraggebers beschäftigt und du Sensoren in deren Arbeitsbereich installierst, hat der Betriebsrat des Auftraggebers (nicht der Reinigungsfirma) ein Mitbestimmungsrecht nach § 87 Abs. 1 Nr. 6 BetrVG — bei technischen Einrichtungen, die das Verhalten oder die Leistung von Arbeitnehmenden überwachen können. PIR-Sensoren mit reiner Bewegungserkennung liegen in einer Grauzone; People-Counter an Arbeitsplätzen können als leistungsüberwachende Einrichtung eingestuft werden. Kläre das vor der Installation mit dem Betriebsrat des Auftraggebers — nicht danach.

Praktische Empfehlungen:

• Verwende anonym aggregierende Sensortechnologie (PIR, CO₂, People-Counter) statt Kameras oder WLAN-Geräteverfolgung
• Dokumentiere in einer Datenschutz-Folgenabschätzung, welche Daten auf welchen Systemen verarbeitet werden
• Hole einen Auftragsverarbeitungsvertrag (AVV) beim Softwareanbieter ein — sowohl für Soobr als auch für FacilityApps sind AVV erhältlich
• Binde den Datenschutzbeauftragten des Auftraggebers frühzeitig ein — das verhindert nachträgliche Rückbaupflichten
• Stelle sicher, dass Daten EU-gehostet werden (Soobr: EU, FacilityApps: EU)

Was es kostet — realistisch gerechnet

Einmalige Kosten: Sensor-Hardware
Die größte Investitionsposition. Für ein typisches Bürogebäude mit 50 Reinigungsbereichen (20 WC-Bereiche, 20 Besprechungsräume, 10 Gemeinschaftsbereiche) ergibt sich:

• 20 Personenzähler-Sets für WC-Eingänge: ca. 249 Euro × 20 = 4.980 Euro
• 20 CO₂/PIR-Kombisensoren für Besprechungsräume: ca. 186 Euro × 20 = 3.720 Euro
• 10 PIR-Sensoren für Flure/Gemeinschaftsbereiche: ca. 70 Euro × 10 = 700 Euro
• IoT-Gateway (LoRaWAN-Netzwerk-Zugangspunkt): 1–2 Gateways, je ca. 300–500 Euro = 600–1.000 Euro
• Sensor-Montage (Elektriker/Fachkraft, ca. 2 Stunden je Sensor-Cluster): 2.000–4.000 Euro

Sensor-Hardware gesamt: ca. 12.000–14.500 Euro für ein Objekt dieser Größe (Quelle: Zenner IoT-Shop, Preise Mai 2026; Montagekosten Schätzwert).

Einmalige Kosten: Software-Integration
Systemintegration, Parametrierung der Auslöseschwellen, Schulung: typisch 2.000–5.000 Euro je Objekt.

Laufende Kosten

• Software-Lizenz (Soobr oder vergleichbar): ca. 0,50–1,50 Euro/m²/Jahr je nach Objektgröße — für 5.000 m² also 2.500–7.500 Euro/Jahr
• Sensor-Wartung und Batterieaustausch (LoRaWAN-Sensoren haben 2–5 Jahre Batterielaufzeit): ca. 500–1.000 Euro/Jahr für 50 Sensoren

ROI-Kalkulation: konservatives Szenario

• 10 Reinigungskräfte à 25.000 Euro Jahreskosten = 250.000 Euro Gesamtpersonalkosten
• 20 % Effizienzgewinn (konservativ, unteres Ende der Studien) = 50.000 Euro/Jahr Einsparung
• Gesamtinvestition Jahr 1 (Hardware + Software + Integration): ca. 20.000–25.000 Euro
• Laufende Kosten ab Jahr 2: ca. 5.000–8.500 Euro/Jahr
• Amortisation: 6–8 Monate nach Inbetriebnahme

Der Haken: Diese Rechnung stimmt nur, wenn die Einsparung bei Reinigungskapazität tatsächlich realisiert wird — entweder durch weniger Stunden (Stundenmodell) oder durch Verlagerung auf neue Objekte (Wachstum ohne neue Mitarbeitende). Bei einem Festpreisvertrag ohne Stundenerfassung ist die Einsparung nicht direkt sichtbar; sie macht sich erst in der Kalkulation für Neuverträge bemerkbar.

Wie du den ROI tatsächlich misst:
Drei Monate vor Inbetriebnahme mit der Baseline-Erfassung beginnen: tatsächliche Reinigungsstunden je Bereich, Beschwerderate und Verbrauchsmaterial-Kosten dokumentieren. Nach 12 Monaten Betrieb gegen die Baseline rechnen. Ohne diese Dokumentation fehlt der Vergleichswert.

Typische Einstiegsfehler

1. Sensoren ohne Validierung in Betrieb nehmen.
Der Reflex nach der Installation: Schwellenwerte aus dem Handbuch übernehmen und loslaufen. In der Praxis sind Standardparameter selten für dein Gebäude richtig. Ein CO₂-Schwellenwert, der in einem gut belüfteten Neubau “300 Personen” signalisiert, meldet im schlecht belüfteten Altbau schon bei 50 Personen Alarm. Die ersten vier Wochen nach Installation sind ein Kalibrierungszeitraum — lass das System laufen und prüfe wöchentlich, ob die ausgelösten Aufgaben dem tatsächlichen Bedarf entsprechen. Erst dann skalieren.

2. Sensoren installieren, aber niemanden für die Wartung benennen.
Das ist der schlimmste Langzeitfehler — weil er unsichtbar passiert.

LoRaWAN-Batteriesensoren halten 2 bis 5 Jahre. CO₂-Sensoren driften nach 12 bis 24 Monaten, wenn sie nicht neu kalibriert werden. Ein Sensor, der nach 18 Monaten um 20 Prozent zu wenige Personen meldet, löst zu selten Reinigungsaufträge aus — ohne Fehlermeldung, ohne Alarm, nur mit sinkender Qualität. Das System erscheint zu funktionieren, tut es aber nicht. Benenne vor dem Go-Live eine Person, die quartalsweise Sensordaten prüft und Abweichungen aufdeckt. Definiere, was “normaler Messwert” für jeden Bereich ist. Ohne diese Wartungsroutine hast du nach zwei Jahren ein System, das falsch rechnet.

3. Den Auftraggeber zu spät einbeziehen.
Du installierst Sensoren in einem Gebäude, das du reinigst, aber nicht besitzt. Wenn der Auftraggeber das erst aus einer Rechnung oder Beschwerde erfährt, ist der Vertrauensschaden schwer zu reparieren — unabhängig davon, ob die Sensoren DSGVO-konform sind oder nicht. Kommuniziere proaktiv: was wird gemessen, wo liegen die Daten, wer sieht was, welchen Nutzen hat der Auftraggeber. Die meisten Auftraggeber sind interessiert, wenn sie das System als Transparenz-Instrument für ihre eigene Gebäudeverwaltung verstehen.

4. Alle Bereiche gleichzeitig umstellen.
Auch wenn das Gebäude vollständig mit Sensoren ausgestattet ist: Starte bedarfsorientierte Disposition für einen Bereich — z.B. nur die WC-Bereiche — und behalte den Rest auf Zeitplan. Das reduziert das Risiko, dass frühe Systemfehler oder falsch parametrierte Schwellenwerte die gesamte Reinigungsplanung durcheinanderbringen.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik läuft oft schneller als die Menschen.

Reinigungskräfte und die App. Viele erfahrene Reinigungskräfte haben über Jahre eine feste Route im Kopf — sie wissen, dass sie um 10 Uhr immer im dritten Stock anfangen und dann systematisch vorgehen. Eine App, die ihnen sagt “Geh jetzt in den zweiten Stock, danach in die Kantine, danach wieder in den dritten”, fühlt sich chaotisch an, auch wenn der Algorithmus die bessere Entscheidung trifft. Der Widerstand ist kein Technik-Problem. Er ist ein Kontrollverlust-Problem. Was hilft: die Reinigungskräfte in die Kalibrierungsphase einbinden — “Stimmt das, was das System sagt? Hättest du das auch so entschieden?” Das macht sie zu Experten für das System, nicht zu Befehlsempfängerinnen.

Objektleiter und die neue Rolle. Wer früher mit Klemmbrett und Zeitplan kontrolliert hat, ob die Tour abgearbeitet ist, braucht jetzt ein Dashboard. Das ist einfacher — aber auch entlarvender. Das System zeigt, welche Bereiche immer übersprungen werden, welche Touren systematisch zu lang dauern, wo Reinigungskräfte Zeit verlieren. Diese Transparenz kann zu schwereren Gesprächen führen als vorher.

Was konkret hilft:

• Drei- bis vierwöchige Pilotphase mit einem Team und einem Gebäudebereich vor der Einführung
• Wöchentliche kurze Feedbackrunden in den ersten zwei Monaten
• Explizit kommunizieren: Das System ersetzt kein Urteil, es unterstützt — die Reinigungskraft hat immer das Recht, vom Vorschlag abzuweichen, wenn sie es für nötig hält
• Ersten drei Monate als Lernphase kommunizieren, nicht als Bewertungszeitraum

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Sensor-Kalibrierung ist kein einmaliges Ereignis. Sie ist ein dauerhafter Prozess. Plane dafür quartalsweise Zeit ein — 2 bis 4 Stunden je Objekt für Datendurchsicht und Schwellenwert-Anpassung.

Häufige Einwände — und was dahintersteckt

„Das ist doch viel zu teuer für ein mittelständisches Reinigungsunternehmen.”
Die Hardware-Investition von 12.000 bis 15.000 Euro für ein Objekt ist real und muss vorfinanziert werden. Aber der Vergleich ist nicht “Investition vs. nichts” — er ist “Investition vs. entgangene Einsparung von 50.000 Euro/Jahr”. Wer die Hardware über drei bis vier Jahre abschreibt, zahlt unter 5.000 Euro pro Jahr — bei 50.000 Euro Einsparung ist die Rechnung eindeutig. Das Problem ist das Vorfinanzierungsrisiko, nicht die Wirtschaftlichkeit. Für Unternehmen, die nicht selbst investieren wollen: Einige Systemanbieter bieten Leasing-Modelle an, bei denen Hardware und Software zusammen als monatliche Gebühr verrechnet werden.

„Unsere Reinigungskräfte nutzen kein Smartphone.”
Das ist seltener ein absolutes Hindernis als es klingt. Die meisten Smart-Cleaning-Systeme bieten neben der App auch einfache Tablet-Lösungen im Objekt (am Putzwagen befestigt) oder vereinfachte Anzeige-Panels in Lagerräumen. Es gibt auch Systeme, bei denen NFC-Chips an der Reinigungskraft-Einheit bestätigen, dass der Bereich besucht wurde — ohne dass jemand aktiv eine App bedienen muss. Klär das in der Systemauswahl — kein Anbieter kann es sich leisten, Reinigungskräfte ohne Smartphone zu ignorieren.

„Was, wenn der Sensor kaputt ist und wir es nicht merken?”
Das ist der berechtigenste Einwand — und einer, für den es keine technische Lösung gibt, sondern nur eine organisatorische. Gute Systeme haben Sensor-Heartbeat-Monitoring: Wenn ein Sensor seit 24 Stunden keine Daten mehr sendet, löst das einen Alarm aus. Aber auch das funktioniert nur, wenn jemand die Alarme liest. Die Antwort ist nicht “kauft ein besseres System”, sondern “benennt eine Person, die diese Alerts täglich prüft”. Das ist kein Vollzeitjob — es sind fünf Minuten am Morgen.

Woran du merkst, dass das zu dir passt

Du solltest diesen Ansatz ernsthaft in Betracht ziehen, wenn:

• Dein Hauptobjekt mehr als 2.000 m² hat und die Belegung über die Woche stark schwankt (Hybrid-Arbeit, Schulsaison vs. Ferien, Messe-Betrieb vs. Ruhephase)
• Du nach Stunden abrechnest — dann ist die Einsparung direkt sichtbar und messbar
• Du Qualitätsbeschwerden aus frequentierten Bereichen hast, während andere Bereiche zu wenig ausgelastet gereinigt werden — das ist das klassische Zeichen für einen ineffizienten Zeitplan
• Dein Auftraggeber bereit ist, den Vertrag auf Leistungs- oder Bedarfsbasis umzustellen, idealerweise mit einer gemeinsamen Pilotphase
• Du mehr als drei Objekte betreust — dann amortisiert sich die Plattform schneller, weil Systemkosten auf mehrere Objekte verteilt werden

Wann du es (noch) nicht tun solltest — drei harte Ausschlusskriterien:

1. Objekte unter 500–800 m² Reinigungsfläche. Der Sensor-Invest von 10.000 bis 15.000 Euro amortisiert sich bei kleineren Objekten nicht in realistischer Zeit. Der break-even liegt erst nach fünf bis sieben Jahren — zu lange angesichts der Technologieentwicklung. Für kleine Objekte ist optimierte Tourenplanung der bessere erste Schritt.

2. Auftraggeber mit starren Festpreisverträgen ohne Bereitschaft zur Anpassung. Wenn dein Auftraggeber “dreimal täglich WC-Reinigung” im Vertrag festgeschrieben hat und keinerlei Interesse an einer Umstellung zeigt, verpufft der Effizienzgewinn: Du reinigst bedarfsorientiert, rechnest aber zeitplanbasiert ab. Die Einsparung landet beim Auftraggeber, nicht bei dir.

3. Fehlende IT-Basisinfrastruktur im Objekt. LoRaWAN-Sensoren brauchen einen Gateway mit Internetanbindung. Wenn das Objekt keine stabile Internetverbindung oder keine Erlaubnis zur Installation fremder Netzwerkinfrastruktur hat, funktioniert das System nicht — oder nur mit signifikantem Zusatzaufwand für alternative Konnektivität (NB-IoT, Mobilfunk).

Das kannst du heute noch tun

Du musst keine Sensoren kaufen und kein System einführen, um heute zu beginnen. Der erste Schritt ist eine ehrliche Analyse deines aktuellen Reinigungsbedarfs — mit den Daten, die du schon hast.

Öffne eine KI deiner Wahl (Claude, ChatGPT) und gib die Belegungsstruktur deines Hauptobjekts ein: wie viele Personen wann, welche Bereiche am stärksten frequentiert sind, wo die Beschwerden herkommen. Lass dir einen Analyse-Rahmen erstellen, bevor du in Hardware investierst.

Hier ist ein Prompt, den du direkt verwenden kannst — entweder um deine aktuelle Situation zu analysieren oder um später die tägliche Sensor-gestützte Disposition zu unterstützen:

Quellen & Methodik

• Azolla Software, Fallstudie Willis Tower Dublin (2024): On-Demand Cleaning mit IoT-Belegungssensorik. 6.300 m², 550 Mitarbeitende. Ergebnis: −25 % Reinigungsstunden, −25 % Chemikalienverbrauch, +40 % Mitarbeiterzufriedenheit. azollasoftware.com/on-demand-cleaning-case-study/ — unabhängige Fallstudie eines FM-Software-Anbieters; Zahlen aus Projektbericht, keine externe Revision.
• Soobr AG / Deutsche Telekom IoT (2022–2025): Smart-Cleaning-Plattform, Swiss PropTech. Berichtet durchschnittlich 30 % weniger Betriebsaufwand/Woche Disposition, 15 % weniger Ausführungskosten/Jahr. Quelle: Telekom IoT Blog, Smart Cleaning Artikel. Vendor-Angabe — konservative Einordnung empfohlen.
• Sensor-Preise: Zenner IoT-Shop (zenner.shop), Preise Mai 2026. PIR/Bewegungsmelder: 52–70 €; CO₂/Multi-Raumsensor: 186 €; Infrarot-Personenfluss-Sensor-Set: 249 €. Öffentliche Listenpreise, Stand Recherche.
• Sensorgenauigkeit: Butlr, “Occupancy Sensor vs Motion Sensor” (2025). PIR-Bewegungserkennung bis 98 %; CO₂-Belegungserkennung ca. 95 %. Kombinierter Einsatz verbessert Genauigkeit. Vendor-Studie; externe Validierung in akademischen Quellen konsistent.
• 22 % Arbeitszeitreduktion (Facility-Referenz): oxmaint.com, “Occupancy Sensor Space Utilization” (2025) — ein FM-Dienstleister reduzierte Reinigungsarbeit um 22 % im ersten Quartal durch Sensor-Schwellenwert-Trigger. Dritte-Quelle-Angabe; Betrieb nicht namentlich genannt.
• § 87 Abs. 1 Nr. 6 BetrVG (Betriebsrat-Mitbestimmung bei technischen Überwachungseinrichtungen): Betriebsverfassungsgesetz in aktuell gültiger Fassung.
• Art. 28 DSGVO (AVV-Pflicht): Datenschutz-Grundverordnung in aktuell gültiger Fassung.

Du willst wissen, ob sich der Hardware-Invest für dein Hauptobjekt rechnet und welche Sensortechnologie für deine Räumlichkeiten geeignet ist? Meld dich — das klären wir in einem kurzen Gespräch konkret durch.