Videoüberwachung Anomalie-Erkennung

Das echte Ausmaß des Problems

Belastbare öffentliche Zahlen zu Einbruchsschäden in deutschen Lagern gibt es kaum, entscheidend ist ohnehin deine eigene Schadenshistorie der letzten Jahre. Für kleine und mittlere Sicherheitsdienstleister bedeutet ein einziger Schaden bei einem Kunden oft: Haftung, Prozess, Ruf weg.

Das Kernproblem ist menschlich: Niemand behält 24 Monitore gleichzeitig im Blick. Fokussiert wird immer nur ein Teil, der Rest ist periphere Wahrnehmung. Eine Bewegung, die drei Sekunden dauert und am Bildrand passiert, wird leicht übersehen.

Hinzu kommt die klassische Schicht-Realität:

• Nachts und bei monotoner Bildschirmarbeit lässt die Aufmerksamkeit nach. Wie stark, hängt an Schichtlänge, Pausen und Monitorzahl, eine belastbare Prozentzahl dafür kennen wir nicht.
• Ein Zugriff kann sehr schnell gehen: Tür aufbrechen, rein, das Wertvollste schnappen, weg.
• Die Eskalationskette braucht Zeit: Bis der Einsatzleiter angerufen ist und Polizei oder Streife vor Ort sind, vergehen Minuten, keine Sekunden.

Daraus folgt der wichtigste Punkt dieser Seite: Schnellere Erkennung verhindert für sich genommen wenig. Sie verkürzt die Zeit bis zur Reaktion, die Anfahrt der Streife bleibt gleich lang. Wirksam wird sie erst mit einer Maßnahme, die sofort greift, etwa einer Lautsprecheransprache aus der Zentrale, und über die Beweissicherung.

Mit vs. ohne KI, ein ehrlicher Vergleich

Belastbare Vergleichszahlen zur Erkennungszeit oder zu einer Verhinderungsquote kennen wir nicht. Miss vor der Einführung selbst, wie lange es von einem Ereignis bis zur ersten Reaktion dauert, und nach der Einführung dasselbe.

Der ehrliche Punkt: Mit KI sinkt die False-Positive-Quote der Falschalarme nie auf null. Sie wird akzeptabel, nicht ideal.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5)

Die Zentrale bleibt besetzt wie vorher. Das System nimmt der Person am Pult die Dauerbeobachtung von Kameras ab, auf denen nichts passiert, dafür kommen Meldungen, die geprüft werden wollen. Die Arbeit fällt nicht weg, sie verschiebt sich: weniger Starren auf Monitore, mehr Validieren von Alarmen. Die Sicherheitszentrale wird nicht leerer, sie wird aufmerksamer an den richtigen Stellen.

Kosteneinsparung, niedrig (2/5)

Der Nutzen ist indirekt: Schadensprävention statt Kostenersparnis. Es ist schwer zu sagen, “wir sparen 50.000 Euro im Jahr, weil wir einen Einbruch verhindert haben”, das ist Kontrafaktisch-Logik, nicht Buchhaltung. Dazu kommt die Frage, wessen Geld das ist: Ist der Lagerbestand versichert, trägt einen Großteil des Schadens die Versicherung, bei dir landen Selbstbehalt, Prämienentwicklung und nicht versicherte Folgekosten. Die ROI-Rechnung bleibt hier spekulativ, bis ein Schaden tatsächlich vermieden wurde.

Schnelle Umsetzung, sehr niedrig (1/5)

Das ist das härteste Projekt in dieser Branche. 16–24 Wochen best case, wenn alles glattläuft: Hardware-Setup (3–4 Wochen), Kamera-Integration (2 Wochen), Datensammlung und Labeling (4–8 Wochen, du musst das System mit echten Anomalien trainieren, nicht synthetisch erzeugt), Datenschutz-Gutachten und Betriebsrat-Abstimmung (4–6 Wochen, parallel). Dann Pilotbetrieb, Tuning, Einführung. Kaum ein Enterprise-Softwareprojekt ist schwieriger zu trainieren als dieses System, und kaum eines dauert so lang bis zum ersten produktiven Einsatz.

ROI-Sicherheit, niedrig (2/5)

Der Nutzen ist real, aber schwer zu isolieren. War der verhinderte Schaden das Ergebnis des KI-Systems oder der zusätzlichen Streife, die du parallel eingestellt hast? Und selbst ein Rückgang von drei Schäden im Jahr auf einen ist noch kein Beweis: Liegt der Mittelwert bei drei Schäden im Jahr, gibt es schon durch Zufall in rund jedem fünften Jahr höchstens einen. Erst über mehrere Jahre wird ein Rückgang belastbar. Im vorsichtigen Szenario (die Schäden wären ohnehin ausgeblieben oder hätten andere Gründe) ist der Nutzen nahe bei null. Wann sich das System im optimistischen Szenario trägt, steht in der Rechnung weiter unten.

Skalierbarkeit, mittel (3/5)

Zusätzliche Kameras und Standorte lassen sich einbinden, wenn das Modell steht, ohne dass das Projekt von vorn beginnt. Aber die Lizenzen der gängigen Anbieter werden je Kamera abgerechnet, und auch die Rechenleistung wächst mit jedem zusätzlichen Videostrom. Dazu wird die Wartung der Anomalie-Definitionen mit wachsender Komplexität schwieriger, irgendwann musst du das Modell für neue Szenarien nachtrainieren.

Richtwerte, stark abhängig von Lagergröße, Anomalie-Komplexität, technischer Infrastruktur und bisheriger Schadenshäufigkeit.

Was das System konkret macht

Ein Computer-Vision-System überwacht Live-Streams aller Kameras parallel. Es erkennt vier Anomalie-Klassen:

1. Personen in Sperrzone außerhalb Betriebszeiten, Das System kennt geofenced Areas (z. B. Lagerzone C, nur 6–18 Uhr zugänglich). Eine Person im Bereich zwischen 22 und 6 Uhr ist eine Anomalie. Konfidenzthreshold: 0,85+.

2. Verlassene Gegenstände länger als 120 Sekunden stationär, Ein Paket, das mehr als zwei Minuten im gleichen Pixel-Bereich liegt, ist verdächtig. Das System unterscheidet zwischen “jemand stellt was ab” (legitim, Bewegung danach) und “Gegenstand sitzt da, niemand berührt ihn” (Anomalie).

3. Ungewöhnliche Bewegungsrichtung entgegen normalem Verkehrsfluss, In einer Lagerhalle ist der normale Fluss: Eingang → Regale → Ausgang. Wenn eine Person in die Gegenrichtung läuft und mehrfach hin-und-her, ist das anomal. Das System lernt die “normalen” Pfade aus Trainings-Wochen.

4. Cluster-Bildung mit 5+ Personen dicht zusammen außerhalb geplanter Events, Nachts sollte eine Person auf dem Hof sein. Wenn plötzlich sechs Personen in enger Formation 30 Sekunden zusammenstehen, ist das verdächtig (potenzieller Diebstahl-Überfall).

Das System schickt einen Alert direkt ans Tablet des Einsatzleiters, nicht als Alarm-Sound (der wird ignoriert), sondern als strukturiertes Notification mit:

• 10-Sekunden-Video-Vorschau
• Bounding-Box (wo im Bild ist die Anomalie)
• Konfidenz-Score (wie sicher ist das System)
• Vorgeschlagene Aktion (“Streife anfahren”, “Polizei anrufen”, “Falschalarm”)

Vorsicht bei den Klassen 3 und 4. Die Datenschutzaufsicht hält Verhaltenserkennung in der Videoüberwachung in der Regel für unzulässig, ebenso biometrische Erkennung (Orientierungshilfe der Datenschutzkonferenz „Videoüberwachung durch nicht-öffentliche Stellen”, Stand 17.07.2020). Am ehesten vertretbar ist Klasse 1, Personen in Sperrzonen außerhalb der Betriebszeiten, wenn dort planmäßig niemand arbeitet. Alles, was Bewegungsmuster von Beschäftigten während der Arbeitszeit auswertet, gehört vor dem Kauf in die Datenschutz-Folgenabschätzung, und im Zweifel ganz weg.

Wichtig, KEINE biometrische Gesichtserkennung. Das System erkennt “eine Person” (ja/nein), nicht “wer diese Person ist”. Damit ist es nach der KI-Verordnung kein biometrisches Fernidentifizierungssystem. Das Verbot der biometrischen Echtzeit-Fernidentifizierung in Art. 5 Abs. 1 lit. h KI-VO gilt nur für Strafverfolgungszwecke in öffentlich zugänglichen Räumen, ein privater Lagerbetreiber fällt nicht darunter. Gesichtserkennung wäre für ihn trotzdem kaum machbar: Biometrische Fernidentifizierung ist nach Anhang III Nr. 1 KI-VO ein Hochrisiko-System, dessen Pflichten seit der Änderung durch die Verordnung (EU) 2026/1744 vom 8. Juli 2026 ab dem 2. Dezember 2027 gelten, und Art. 9 DSGVO untersagt schon heute die Verarbeitung biometrischer Daten zur eindeutigen Identifizierung, solange keine der engen Ausnahmen greift. Seit dem 02.02.2025 ist außerdem Emotionserkennung am Arbeitsplatz verboten (Art. 5 Abs. 1 lit. f KI-VO): Funktionen, die aus Gesichtern oder Körpersprache Stimmungen ableiten, dürfen gegenüber Beschäftigten nicht laufen.

Konkrete Werkzeuge, was wann passt

NVIDIA Metropolis , Die Profi-Lösung für On-Premise und höchste Sicherheitsanforderungen. Das System läuft komplett lokal auf eigener NVIDIA-Hardware (Jetson-Module oder GPU-Server). Keine Daten verlassen dein Gebäude. Videos werden lokal verarbeitet, gespeichert, archiviert. Ideal für Rechenzentren, Regierungsgebäude, oder wenn dein Betriebsrat auf lokaler Verarbeitung besteht. Kosten: Die Entwicklungswerkzeuge sind kostenlos, der produktive Betrieb läuft über NVIDIA AI Enterprise, für das NVIDIA keinen Listenpreis veröffentlicht, unsere Toolseite nennt als branchenüblichen Richtwert rund 4.500 US-Dollar je GPU und Jahr. Dazu kommen Hardware und Entwicklungsarbeit. Braucht Entwicklerteam.

Briefcam , Spezialisiert auf genau deine Anforderung: Anomalieerkennung mit geringer False-Positive-Rate. Verlassene Gegenstände, Cluster, Intrusion, alles out-of-the-box. Integriert sich in bestehende Video-Management-Systeme (Milestone, Genetec). Kosten: kein öffentlicher Listenpreis, Lizenz je Kamera über Milestone-Reseller, unsere Toolseite schätzt Enterprise-Installationen auf einen fünf- bis sechsstelligen Betrag im Jahr. Beste Wahl für “wir wollen es schnell und zuverlässig”.

Genetec Security Center , Enterprise-Lösung mit nativer KI-Anomalieerkennung, zentrale Verwaltung für 100+ Kameras, Zentralleitstelle. Kosten: laut unserer Toolseite typisch 15.000–80.000 € Setup on-premise und rund 3.000–8.000 € Wartung im Jahr bei 50 bis 200 Kameras. Sinnvoll ab 50+ Kameras. Hohe Anfangskomplexität.

Milestone XProtect + KI-Plugins, Offene Architektur, du wählst die KI (z. B. Briefcam-Plugin, NVIDIA-Integration). Flexibel, aber braucht technische Integrations-Arbeit. Kosten: Lizenz je Kamera, laut unserer Toolseite je nach Edition 150 bis 1.200 Euro, jährliche Wartung 15 bis 20 Prozent der Lizenzsumme, KI-Module wie Briefcam kommen extra. Gut, wenn dein Team bereits XProtect nutzt.

AWS Rekognition + selbstgebauter Wrapper, cloud-basiert, läuft auch in EU-Regionen (Frankfurt, Irland), die Streaming-Label-Erkennung gibt es laut unserer Toolseite allerdings nur in Irland. Du brauchst den AVV mit AWS, eine sauber gesetzte EU-Region und, wie bei jeder Variante, die Betriebsvereinbarung. Kosten: Die Integration ist ein eigenes Entwicklungsprojekt, der Betrieb wird nach Verbrauch abgerechnet, Streaming-Video laut Toolseite 0,00817 US-Dollar je Minute. Im Dauerbetrieb wird das teuer: 15 Kameras mal 24 Stunden mal 60 Minuten mal 30 Tage mal 0,00817 US-Dollar = rund 5.300 US-Dollar im Monat. Gut für Tests und Pilot-Projekte mit wenigen Kameras. Nicht für sensible Lager.

YOLO (Open Source), Nur wenn dein Team Python-Developer hat. Open Source unter AGPL-3.0, wer es in ein eigenes, nicht quelloffenes Produkt einbaut, braucht die Enterprise-Lizenz (Preis auf Anfrage). YOLO erkennt Objekte, die Anomalie-Logik (Sperrzone, Verweildauer, Laufrichtung) baust du selbst. Kosten: GPU-Hardware laut unserer Toolseite 500–3.000 € einmalig, dazu die Entwicklungsarbeit und 6–8 Wochen Labeling-Phase für ein eigenes Modell. Höchster technischer Anspruch, niedrigste Lizenzkosten.

Azure Video Indexer , Cloud-basiert, eher für nachträgliche Analyse und Content-Indexierung als für Echtzeit-Anomalieerkennung. Gut, wenn du bereits in Azure investiert hast. Nicht erste Wahl für diesen Usecase.

Zusammenfassung: Wann welche Lösung?

• Höchste Sicherheit + keine Daten raus → NVIDIA Metropolis
• Beste False-Positive-Quote + schnelle Implementierung → Briefcam
• Mehr als 50 Kameras, zentrale Verwaltung → Genetec oder Milestone + Plugin
• Entwicklerteam vorhanden, Lizenzkosten niedrig halten → YOLO (Lizenz prüfen)
• Test mit wenigen Kameras in der Cloud → AWS Rekognition, im Dauerbetrieb teuer
• Bereits existierende VMS? → Plugin für Milestone oder Genetec

Datenschutz und Datenhaltung

Hier wird es ernst: Videoüberwachung mit KI unterliegt der DSGVO, nicht nur für die Videos selbst, sondern auch für die KI-Analyse und die generierten Alert-Daten.

Was die DSGVO verlangt:

1. Rechtsgrundlage: Für private Betreiber ist das Art. 6 Abs. 1 lit. f DSGVO, das berechtigte Interesse, mit einer Abwägung gegen die Interessen der Gefilmten. § 4 BDSG trägt die Videoüberwachung durch private Stellen nicht, das hat das Bundesverwaltungsgericht entschieden (Urteil vom 27.03.2019, 6 C 2.18). Dazu kommen Hinweisschilder nach Art. 13 DSGVO, gut sichtbar vor dem überwachten Bereich.

2. Datenschutz-Folgenabschätzung (DSFA) ist verpflichtend, wenn die Verarbeitung ein hohes Risiko für die Rechte und Freiheiten natürlicher Personen hat. KI-gestützte Verhaltensanalyse auf Video-Daten ist ein Klassiker für “hohes Risiko”. Die DSFA ist deine Pflicht als Betreiber; wer keinen erfahrenen Datenschutzbeauftragten hat, holt sich externe Hilfe, als Größenordnung 4.000–8.000 € für Gutachten und Beratung. Rechne mit 4–6 Wochen. Das ist nicht optional.

3. Auftragsverarbeitungsvertrag (AVV) mit jedem Anbieter, der deine Videodaten in seiner Cloud oder per Fernwartung verarbeitet, etwa Microsoft oder AWS. Reine On-Premise-Software ohne Fernzugriff braucht keinen. Das ist Standard, aber du musst es einfordern und unterschreiben, sonst ist es nicht rechtskonform. Art. 28 DSGVO.

4. Datenspeicherung: Videos darfst du nicht beliebig lange speichern. Die Aufsichtsbehörden halten 72 Stunden in der Regel für ausreichend, weil sich innerhalb von ein bis zwei Arbeitstagen klären lässt, ob Material gesichert werden muss (DSK-Orientierungshilfe Videoüberwachung, Stand 17.07.2020). Das ist Aufsichtspraxis, keine Norm: Wer länger speichert, braucht eine konkrete Begründung für genau diese Kamera. Das System muss die Löschung automatisch durchsetzen.

5. Betriebsrat: Sobald Beschäftigte ins Bild kommen können, hat der Betriebsrat mitzubestimmen, das ist keine “Info”, sondern Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG. Dafür reicht schon die Eignung zur Überwachung. Das System kann unter Umständen gestoppt werden, wenn der Betriebsrat nicht eingebunden wurde. Eine Verhaltens- oder Leistungskontrolle von Beschäftigten per Video halten die Aufsichtsbehörden für unzulässig. Wichtig: Der Betriebsrat muss ab Woche 1 dabei sein, nicht ab Woche 15.

6. Keine Gesichtserkennung: Dein System darf sagen “eine Person erkannt”, aber nicht “das ist Hans Müller”. Für einen privaten Betreiber scheitert Gesichtserkennung an Art. 9 DSGVO, und nach der KI-Verordnung wäre sie ein Hochrisiko-System (Einzelheiten oben im Abschnitt zum System).

7. Datensicherheit: Die Videos und die Anomalie-Alerts werden irgendwo gespeichert. Wenn sie in der Cloud sind (AWS, Azure), brauchst du Verschlüsselung in Transit und at-Rest. NVIDIA Metropolis (On-Premise) ist hier einfacher, die Daten verlassen das Gebäude nicht.

Praktisch:

• Setz mit deinem Datenschutzbeauftragten einen Kick-off an, bevor du ein einziges Tool kaufst
• Fordere AVVs von allen Anbietern an, die Daten verarbeiten
• Plane die DSFA für die erste Woche (parallel zur Hardware-Planung)
• Sprich mit dem Betriebsrat, mach ihn zum Verbündeten, nicht zur Hürde
• Dokumentiere alles: Wer hat Zugriff auf Videos? Wie lange werden sie gespeichert? Wer löscht sie?

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

• Hardware (Kameras, Server, Netzwerk): 20.000–80.000 € (abhängig von bestehender Infrastruktur)
• Software-Lizenzen (Briefcam, Genetec, etc.): 10.000–50.000 €
• DSFA-Gutachten und Datenschutzberatung, extern: 4.000–8.000 €
• Integration, Labeling und Modelltraining: Aufwand für Einrichtung, intern oder extern, je nach Anbieter mehrere Wochen, kommt zu der Summe unten noch hinzu

Hardware, Lizenzen und Datenschutzberatung: 34.000–138.000 € (20.000 + 10.000 + 4.000 bis 80.000 + 50.000 + 8.000), dazu kommt noch der Aufwand für Integration, Labeling und Modelltraining. Kleine Projekte mit vorhandenen Kameras liegen am unteren Ende. Die Spannen sind unsere Größenordnung auf Basis der Toolseiten, kein Angebot.

Laufende monatliche Kosten

• Software-Lizenzen: 800–3.000 €/Monat
• Infrastruktur-Wartung und Support: 300–800 €/Monat
• Model-Retuning und Anomalie-Definition-Updates (interne Arbeit): ~40 Stunden/Quartal, bei 25 € je Stunde also 40 mal 25 € = 1.000 € im Quartal, rund 333 €/Monat

Total laufend: rund 1.430–4.130 €/Monat, also etwa 17.200–49.600 € im Jahr

Wie du den Nutzen wirklich misst

Der ehrliche Punkt: Bei zwei bis vier Schäden im Jahr kannst du einen Rückgang erst nach mehreren Jahren von Zufall unterscheiden. Der Standard-Ansatz ist trotzdem:

1. Baseline aufnehmen: In den 3 Monaten VOR der KI-Einführung dokumentierst du jeden verdächtigen Incident. Wie viele werden erfasst? Wie lange dauert die Erfassung? Was kostet ein Schaden durchschnittlich, und welcher Teil davon bleibt nach der Versicherung bei dir?

2. Nach der Einführung messen: Wie viele Incidents werden jetzt erfasst? Wie schnell? Bei wie vielen hat eine sofortige Maßnahme (Lautsprecheransprache, Streife) den Schaden tatsächlich verhindert?

3. Extrapolieren: Wenn Incidents von 4/Jahr auf 2/Jahr sinken und ein durchschnittlicher Schaden 40.000 € kostet, vermeidest du 80.000 € Schaden im Jahr, allerdings nur, wenn der Rückgang am System liegt und nicht am Zufall.

Optimistisches Szenario (das System verhindert einen bis zwei von drei Schäden):

• Vorher: 3 Incidents/Jahr mal 40.000 € = 120.000 €/Jahr Schaden
• Nachher: 1–2 Incidents/Jahr mal 40.000 € = 40.000–80.000 €/Jahr Schaden
• Vermiedener Schaden: 40.000–80.000 €/Jahr
• Laufende Kosten: 17.200–49.600 €/Jahr
• Hardware, Lizenzen und Datenschutzberatung über fünf Jahre verteilt: 34.000 bis 138.000 € geteilt durch 5 = 6.800–27.600 €/Jahr
• Integration, Labeling und Modelltraining über fünf Jahre verteilt: kommt noch hinzu, Betrag aus deinem Angebot oder deiner internen Aufwandsschätzung
• Netto vor Integration, Labeling und Training: zwischen rund minus 37.200 und plus 56.000 € im Jahr, je nachdem, ob ein großes Projekt einen Schaden verhindert oder ein kleines zwei. Der Einrichtungsaufwand senkt beide Grenzen noch, ein belastbares Netto hast du erst, wenn er eingerechnet ist.

Vorsichtiges Szenario: Die Schäden wären ohnehin ausgeblieben oder hatten andere Ursachen. Dann stehen Kosten von 24.000–77.200 € im Jahr, plus dem Einrichtungsaufwand für Integration, Labeling und Training, ohne messbaren Nutzen da.

Und in beiden Fällen gilt: Ist der Bestand versichert, ist ein Großteil des vermiedenen Schadens Geld der Versicherung. Bei dir landen Selbstbehalt, Prämie und nicht versicherte Folgekosten, die Rechnung oben ist also die Obergrenze.

Das System zahlt sich aus, wenn die Schadenshäufigkeit hoch genug ist. Unter zwei bis drei Schadensfällen pro Jahr ist die Rechnung fragwürdig.

Drei typische Einstiegsfehler

Fehler 1: „Wir kaufen einfach Kameras mit KI-Chip”

Der Anbieter verspricht: “Diese 4K-IP-Kamera hat integrierte KI zur Anomalieerkennung, Plug-and-Play.” In der Praxis: Das Modell ist generisch trainiert, funktioniert für Büroumgebungen, nicht für deine Lagerhalle. Bewegender Schatten von einem Baum, reflektiertes Licht von vorbeifahrenden Autos, Katzenzug durch den Hof, alles wird als Anomalie gemeldet. Nach einer Woche ignorierst du die Alarme, weil fast alle Fehlalarme sind.

Lösung: Kaufe die Kamera und ein separates, für dein Szenario trainiertes System (Briefcam, NVIDIA, YOLO). Die KI im Kamera-Chip ist ein nettes Extra, aber nicht der Kern-Ansatz.

Fehler 2: Datenschutz und Betriebsrat werden erst kurz vor Go-Live kommuniziert

Das Team kümmert sich um Hardware und Software, alles läuft. Drei Wochen vor der geplanten Einführung erfährt der Betriebsrat vom Projekt. Er stoppt es. Plötzlich Diskussionen über Mitbestimmung, Datenschutz-Gutachten, Betriebsvereinbarungen. Das System wird auf Eis gelegt. Oder es läuft, ohne echte Genehmigung, und dann kommt eine Beschwerde bei der Datenschutzbehörde.

Lösung: Der Betriebsrat und der Datenschutzbeauftragte sind ab Woche 1 dabei. Sie sind nicht Hürden, sie sind Partner. Ein gut informierter Betriebsrat kann deinem Projekt Schutz geben und es beschleunigen, statt zu blockieren.

Fehler 3: False-Positive-Rate wird unterschätzt, und das System wird nicht gepflegt

Das System geht live. Angenommen, es meldet in Woche 1 achtzig Alarme pro Nacht, und fast alle sind Fehlalarme (Regentropfen, Schattenmuster, Vögel). Der Einsatzleiter sieht schnell: Dieses System ist nutzlos. Er ignoriert alle Alarme. Nach 8 Wochen ist das Projekt de facto tot, das System läuft, aber niemand schaut mehr hin.

Der Grund: Das Modell wurde nicht für deine spezifischen Umgebungsbedingungen trainiert. Es kennt dein Lagerhaus nicht, deine Lichtverhältnisse, deine normalen Bewegungsmuster.

Lösung: Trainingsphase einplanen, 6–10 Wochen nach Go-Live für Threshold-Tuning und Negativ-Beispiel-Labeling. Tägliche Nachbesserung: Die erste Person, die eine Anomalie validiert, protokolliert das Ergebnis zurück ins System (“Falschalarm: Schatten” oder “Echt: Eindringling”). Das System lernt kontinuierlich. Wöchentliche Auswertung in 30 Minuten: Wie viele Fehlalarme? Welche Muster? Was müssen wir tunen? Plus 40 Stunden/Quartal Wartungs-Budget reservieren, das ist nicht “Aufwand”, das ist “das System am Leben halten”.

Was mit der Einführung wirklich passiert

Die Technik ist gerade das einfache. Das schwere ist der Mensch und die Organisation.

Widerstands-Muster, die auftauchen werden:

Die Sicherheits-Skeptiker: “KI kann sowieso nicht sicher sein. Das ist hype.” Diese Menschen können lange Zeit nicht überzeugt werden. Was funktioniert: nicht argumentieren, sondern zeigen. Mach eine Live-Demo mit echten Szenarien aus eurem Lagerhaus. Eine Person stellt ein Paket ab und geht, nach zwei Minuten geht ein KI-Alarm ab: “Gegenstand länger als 120 Sekunden stationär, Anomalie erkannt.” Die Realität schlägt jedes Argument.

Die Techniker, die vorher nicht involviert waren: Das IT-Team erfährt zwei Wochen vor Go-Live, dass ein großes KI-System in ihre Infrastruktur kommt. Netzwerk-Anforderungen? Unklar. Datenfluss? Unklar. Support-Modell? Unklar. Diese Person wird zum Bremser. Lösung: IT ab Woche 2 in den Projektplan, nicht ab Woche 12.

Der neue Einsatzleiter: Im August übernimmt jemand Neues die Schicht. Er/Sie kennt das KI-System nicht, hat keine Kontexterfahrung mit den False-Positive-Mustern. Erste Woche: Zu viele Fehlalarme, zu viel Noise. Person denkt, das System ist kaputt. Lösung: Strukturierte Onboarding und Dokumentation “Häufige False Positives und wie man sie unterscheidet”.

Praktische Maßnahmen zur Akzeptanz:

1. Wahl eines Champions pro Schicht: Eine Person, die das System am liebsten mag, wird zum Ansprechpartner. Diese Person bekommt Extraschulung, wird zum Defender.

2. Tägliches Briefing in den ersten 4 Wochen: 15 Minuten Austausch über Anomalien von gestern. Was war real, was war Fehler, wie gut hat das System gelernt?

3. Alle zwei Wochen eine Kurzauswertung mit der Geschäftsführung: “Wie viele Alarme? Wie viele real? Trend?”, Transparenz baut Vertrauen.

4. Nach Woche 8 eine Auswertung mit den eigenen Zahlen, etwa so: “Unsere Zeit bis zur ersten Reaktion ist von X auf Y gefallen, so viele Vorfälle haben wir früher erfasst.” Dann sieht das Team den Wert, oder eben nicht.

Realistischer Zeitplan mit Risikohinweisen

Worst Case: 24+ Wochen (wenn Betriebsrat tiefer einsteigt, Datenschutz lange prüft, oder Labeling-Qualität schlecht ist).

Best Case: 16 Wochen (wenn alles parallel läuft und Entscheidungen schnell getroffen werden).

Häufige Einwände, und was dahintersteckt

„Ist das nicht extrem teuer für ein Lager?”

Ja, aber nur, wenn du die Basis klein rechnest. Ein Schaden von 40.000 Euro ist teuer. Vier Schäden pro Jahr sind 160.000 Euro. In diesem Kontext sind 34.000 bis 138.000 € für Hardware, Lizenzen und Datenschutzberatung, dazu Integration, Labeling und Training, plus 17.200 bis 49.600 € im Jahr eine Versicherung, allerdings eine, die nur wirkt, wenn jemand auf die Meldungen reagiert. Der Vergleich ist nicht “KI ja/nein”, sondern “KI vs. weitere Person in der Zentrale oder zusätzliche Streife”. Eine rund um die Uhr besetzte zusätzliche Position braucht rechnerisch vier bis fünf Vollzeitkräfte (8.760 Stunden im Jahr geteilt durch rund 1.700 bis 2.000 Arbeitsstunden je Kraft). Ob die Technik günstiger ist, hängt davon ab, ob sie eine solche Position wirklich ersetzt. Meist ergänzt sie sie.

„False Positives werden mein Team wahnsinnig machen.”

Stimmt, und zwar dauerhaft, nicht nur in den ersten Wochen. Selbst nach dem Tuning bleiben Fehlalarme die Regel, weil echte Ereignisse selten sind: Bei fünf Fehlalarmen pro Nacht und drei echten Vorfällen im Jahr sind von rund 1.800 Meldungen im Jahr drei echt. Das Ziel ist deshalb nicht, dass die meisten Alarme echt sind, sondern dass jeder in Sekunden geprüft ist: Zehn-Sekunden-Clip ansehen, verwerfen oder eskalieren. Wer das so plant, hält durch.

„Datenschutz wird das zu lange verzögern.”

Falsch. Mit guter Vorbereitung und Einbindung des Betriebsrats brauchst du 4–6 Wochen für DSGVO + Betriebsvereinbarung, nicht 16. Der Fehler ist, es nicht proaktiv zu regeln. Wer es ignoriert und dann erwischt wird, verliert 3–6 Monate.

„Was, wenn die KI-Hersteller ihre Preise erhöhen?”

Gute Frage. Mit proprietären Lösungen (Genetec, Briefcam) bist du gebunden. Mit Open-Source (YOLO) oder On-Premise (NVIDIA) hast du mehr Kontrolle. Dezentralisierung ist eine Strategie gegen Preisabhängigkeit.

Woran du merkst, dass das zu dir passt

• Du hast wiederkehrende Schäden (Einbrüche, Diebstähle), mindestens zwei bis drei pro Jahr, jeweils im fünfstelligen Bereich
• Dein Lagerbestand ist wertvoll, 20.000 € aufwärts in einer Nacht
• Du hast 15+ Kameras, unter dieser Zahl lohnt sich das System nicht
• Dein Team ist bereit, der Betriebsrat ist nicht grundsätzlich gegen neue Technologie
• Du hast die Investition verfügbar, 30.000–80.000 € für Hardware und Lizenzen eines kleinen Projekts, dazu 4.000–8.000 € Datenschutzberatung, der Aufwand für Integration, Labeling und Training und 17.200–49.600 € im Jahr laufend
• Jemand kann sofort reagieren, mit Lautsprecheransprache, Streife oder Polizeiruf, sonst bleibt es bei schnellerer Erkennung ohne Wirkung

Drei harte Ausschlusskriterien, wann du das NICHT machen solltest:

1. Weniger als 15 Kameras oder weniger als zwei Schadensfälle pro Jahr. Der Setup-Aufwand ist nicht gerechtfertigt. Eine bessere Alarm-Anlage oder eine zusätzliche Streife ist billiger.

2. Dein Betriebsrat lehnt KI-Videoüberwachung grundsätzlich ab. Du kannst ihn umschwingen, durch Transparenz und Mitgestaltung. Aber wenn er nach 4 Wochen Gesprächen immer noch “Nein” sagt, ist das Signal nicht zu ignorieren. Eine Einführung gegen Widerstand führt zu Sabotage und Desinformation.

3. Deine Infrastruktur ist hoffnungslos veraltet. Alte IP-Kameras, instabile Netzwerk-Verbindung, kein Platz für Server. Der technische Aufwand wird zum Blockers. Modernisier zuerst die Grundlagen, dann die KI.

Das kannst du heute noch tun

Frag bei Briefcam oder Genetec eine Demo mit dem Beispielmaterial des Anbieters an und schau dir an, welche Anomalien das System automatisch erkennt. Eigene Aufnahmen aus dem Lager, auf denen Beschäftigte oder Besucher zu sehen sind, gehören erst nach DSFA, Betriebsrat und AVV in ein fremdes System.

Was du danach weißt: Kann das Konzept für dein Szenario funktionieren?

Für die interne Vorbereitung: Dokumentier in zwei Wochen alle Incidents und Fehlalarme, die auftraten. Wie viele sind das? Wie lange hat die Erfassung gedauert? Das ist deine Baseline für die ROI-Rechnung später.

Für die Politik: Setz ein erstes Gespräch mit Betriebsrat und Datenschutzbeauftragtem an. Zeig ihnen diesen Use Case, erkläre, warum das Unternehmen das braucht, und höre ihnen zu. Das ist nicht eine Mitteilung, das ist ein Gespräch.

Hier ist ein Prompt, den du direkt für ein Kick-off-Konzept mit deinem Team nutzen kannst:

Quellen & Methodik

• Schadenshäufigkeit und -kosten: Keine öffentliche Statistik verwendet. Die Rechenbeispiele (drei Schäden à 40.000 € im Jahr) sind Annahmen, ersetze sie durch deine eigene Schadenshistorie.
• Statistische Einordnung: Bei im Mittel drei Schäden pro Jahr liegt die Wahrscheinlichkeit, rein zufällig höchstens einen zu haben, bei rund 20 Prozent (Poisson-Verteilung, eigene Rechnung).
• Speicherdauer, Verhaltenserkennung, Beschäftigte: Datenschutzkonferenz, „Orientierungshilfe Videoüberwachung durch nicht-öffentliche Stellen”, Stand 17.07.2020 (datenschutzkonferenz-online.de).
• Rechtsgrundlage privater Videoüberwachung: BVerwG, Urteil vom 27.03.2019, 6 C 2.18 (bverwg.de), Art. 6 Abs. 1 lit. f DSGVO statt § 4 BDSG.
• KI-Verordnung: Verordnung (EU) 2024/1689, Art. 5 Abs. 1 lit. f und h, Anhang III Nr. 1 (artificialintelligenceact.eu).
• Mitbestimmung: § 87 Abs. 1 Nr. 6 BetrVG.
• Tool-Preise und Spezifikationen: unsere Toolseiten zu Briefcam, Genetec, Milestone XProtect, NVIDIA Metropolis, AWS Rekognition und YOLO, dort jeweils mit den Quellen der Anbieter.

Brauchst du eine Analyse, ob dieses System speziell für deine Objekte Sinn macht? Lass dich beraten, in einem kurzen Gespräch.