Berater-Staffing und Auslastungsplanung mit KI optimieren

Das echte Ausmaß des Problems

In der Unternehmensberatung ist Auslastung keine HR-Kennzahl — sie ist die Umsatzrechnung. Laut dem Deltek Professional Services Benchmark 2025 lag die fakturierbare Auslastung der Branche in 2024 bei durchschnittlich 68,9 Prozent — deutlich unter dem Optimum von 75 bis 80 Prozent. Das klingt abstrakt. Was es konkret bedeutet: Wenn eine Beratung mit 50 Beratern und einem durchschnittlichen Tagessatz von 1.500 Euro von 69 auf 76 Prozent Auslastung verbessert, sind das rund 15 zusätzliche Beratertage pro Person im Jahr — oder bei 50 Personen insgesamt 750 Tage, die zu fakturieren sind, es bisher aber nicht werden. Bei 1.500 Euro pro Tag: 1,12 Millionen Euro Umsatzpotenzial, das aktuell in der Koordinations-Ineffizienz verschwindet.

Der Benchmark bestätigt auch: Beratungen, die mit Predictive Analytics-gestützter Ressourcenplanung arbeiten, zeigen im Schnitt 11 Prozent höhere Auslastung und 25 Prozent bessere Projektmargen als Firmen ohne solche Systeme (SPI Research, zitiert nach Deltek 2025).

Das Bench-Zeit-Problem trifft Beratungen auf drei Ebenen:

• Direkte Umsatzlücke: Berater auf Bench verursachen laufende Kosten — Gehalt, Sozialleistungen, Overhead — ohne zugehörige Einnahmen. Laut Berechnungen von Projectworks kostet ein unbillbarer Consultant-Tag netto rund 770 Euro an Fixkosten; der Opportunitätsverlust liegt beim Tagessatz on top.
• Fluktuation durch Fehlplanung: Berater, die dauerhaft bei unter 60 Prozent ausgelastet sind, entwickeln Unzufriedenheit. Berater, die dauerhaft bei über 100 Prozent ausgelastet sind, brennen aus. Beides kostet: Eine Neubesetzung auf Senior-Level kostet erfahrungsgemäß sechs bis neun Monatsgehälter in Recruiting und Einarbeitungszeit.
• Qualitätsverlust durch falschen Projektfit: Wenn ein Berater auf ein Projekt gesetzt wird, das nicht zu seinem Skillset oder Entwicklungsziel passt, sieht es der Klient — in längeren Einarbeitungszeiten, in Qualitätsproblemen, in der Notwendigkeit, nachzukorrigieren.

Das strukturelle Problem liegt in der Informationsarchitektur. Das Wissen über Kapazitäten, Skills und Präferenzen liegt verteilt in HR-Systemen, Projektzeiterfassungen, E-Mails und in den Köpfen der Partner. Wer beim wöchentlichen Staffing-Meeting die meisten davon im Kopf hat, setzt sich durch — nicht wer die beste Entscheidung trifft.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen zur Auslastungsverbesserung stammen aus dem SPI Research-Benchmark, der in Delteks Jahresbericht zitiert wird. Die Praxiserfahrung zeigt: Die Verbesserung tritt nicht sofort auf — in den ersten sechs Monaten dominiert der Lernaufwand.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5)
Der direkte Effekt ist real, aber begrenzt: Das wöchentliche Staffing-Meeting schrumpft von 90 auf 15–20 Minuten, die Vorbereitung dafür von zwei bis drei Stunden auf eine kurze Dashboard-Durchsicht. Das ist signifikant — aber es ist kein täglicher Zeitgewinn wie bei der Projektdokumentation, die jeden Berater täglich entlastet. Staffing-Effizienz ist wöchentlich, nicht stündlich messbar.

Kosteneinsparung — sehr hoch (5/5)
Das ist der stärkste Hebel in dieser Kategorie. Jeder Prozentpunkt zusätzliche Auslastung ist direkte Umsatzwirkung, kein indirekter Effizienzgewinn. Eine mittelgroße Beratung mit 50 Beratern, die von 70 auf 77 Prozent Auslastung verbessert, generiert bei 1.500 Euro Tagessatz und 220 Arbeitstagen rund 1 Million Euro zusätzlichen fakturierbaren Umsatz pro Jahr — ohne neue Projekte, nur durch bessere Zuweisung der vorhandenen Kapazität. Kein anderes KI-Anwendungsfeld in der Beratung hat diesen direkten Umsatzhebel.

Schnelle Umsetzung — niedrig (2/5)
Der ehrlichste Wert in dieser Bewertung. Vor dem ersten Zuordnungsvorschlag muss eine vollständige Skill-Taxonomie existieren, HR-Daten müssen sauber strukturiert sein, Zeiterfassung und Projektdaten müssen integriert werden. Realistisch dauert das 8 bis 16 Wochen. Beratungen, die von Excel-Staffing kommen, sind eher bei 12 bis 16 Wochen. Das ist keine Entscheidung, die sich mal schnell umsetzen lässt.

ROI-Sicherheit — mittel (3/5)
Die Bench-Zeit-Reduktion lässt sich direkt messen — das ist ein klarer Vorteil gegenüber vielen anderen KI-Anwendungen. Die zweite ROI-Komponente — Retention durch besseren Projektfit — braucht 12 bis 18 Monate, um sich in Zahlen zu zeigen. Und beide Effekte setzen voraus, dass das System konsequent genutzt wird und Staffing-Entscheidungen tatsächlich daran ausgerichtet werden. Wenn das Tool läuft aber die Partner weiterhin aus dem Bauch heraus entscheiden, ist der ROI nahe null.

Skalierbarkeit — sehr hoch (5/5)
Der Wert des Systems steigt linear mit der Teamgröße — mehr Berater bedeuten mehr Konflikte, mehr Kombinatorik, mehr Optimierungspotenzial. Gleichzeitig skaliert das System ohne proportional mehr Aufwand: 80 Berater zu koordinieren kostet nicht doppelt so viel wie 40. Wachstum, das ohne KI-Staffing zwingend ein weiteres Staffing-Komitee-Mitglied erfordern würde, wird mit dem System absorbiert.

Richtwerte — stark abhängig von Unternehmensgröße, vorhandener Datenbasis und Disziplin bei der Datenpflege.

Was das System konkret macht

Das System ist kein autonomer Staffing-Manager. Es ersetzt keine Entscheidungen — es verändert, wann und mit welchen Informationen Entscheidungen getroffen werden.

Der wichtigste Unterschied zum Status quo: Das System arbeitet kontinuierlich, nicht wöchentlich. Es sieht einen potenziellen Staffing-Konflikt nicht am Montagmorgen, wenn das Meeting beginnt — sondern drei bis vier Wochen früher, wenn noch Handlungsspielraum besteht.

Was konkret passiert: Das System aggregiert drei Datenquellen, die bisher in getrennten Systemen schlummern:

1. Skill-Profile (HR-System): Jeder Berater hat ein strukturiertes Profil mit Kompetenzen, Seniorisierungsstufen, Branchenerfahrungen, Sprachkenntnissen, Weiterbildungen und persönlichen Entwicklungszielen. Diese Profile müssen nicht manuell erstellt werden — das System extrahiert sie aus vorhandenen HR-Daten und gleicht sie gegen Projektberichte und Kundenfeedback ab.

2. Projektnachfrage (CRM und Projektdatenbank): Aus der Pipeline — Angebote, bestätigte Projekte, erwartete Verlängerungen — zieht das System den zukünftigen Kapazitätsbedarf, gegliedert nach Rolle, Skillprofil, Seniorisierung und Zeitraum. Ein Angebot in der Pipeline wird automatisch als Wahrscheinlichkeits-gewichteter Bedarf berücksichtigt.

3. Aktuelle Auslastung (Zeiterfassung): Live-Daten aus der Zeiterfassung zeigen, wer gerade wo und zu wie viel Prozent eingesetzt ist — inklusive geplanter Abwesenheiten, Elternzeiten und interner Projekte.

Das Machine Learning-Modell gleicht Nachfrage gegen Angebot unter gleichzeitiger Berücksichtigung aller Dimensionen ab: Passt das Skill-Profil? Ist die Person verfügbar? Hat der Klient eine Präferenz? Entspricht der Einsatz dem Karriereziel des Beraters? Wie entwickelt sich die Gesamtauslastung des Teams, wenn diese Person zugewiesen wird?

Das Ergebnis ist keine binäre „nimm diese Person”-Empfehlung. Es ist eine priorisierte Liste von Kandidaten mit Begründung — und eine Visualisierung, wie jede Entscheidung die Gesamtauslastungsverteilung beeinflusst. Das Staffing-Komitee entscheidet. Das System rechnet.

Die Skill-Taxonomie: Was vor dem ersten Match fertig sein muss

Das ist der Teil, den Softwareanbieter gerne überspringen. Deshalb steht er hier explizit.

Kein KI-Zuordnungssystem ist besser als die Qualität der Skill-Daten, auf die es zugreift. Und in den meisten Beratungen mit 30 bis 80 Beratern liegen diese Daten in einem von drei problematischen Zuständen:

Problem 1: Keine strukturierte Taxonomie. Die Berater haben Lebensläufe und Performance-Berichte, aber keine einheitliche Skill-Klassifikation. „SAP FI/CO” taucht in zehn verschiedenen Schreibweisen auf, „Restrukturierung” ist in einem Profil eine Hauptkompetenz, in einem anderen ein Stichpunkt unter sonstigen Erfahrungen. Das System kann nicht matchen, was nicht vergleichbar strukturiert ist.

Problem 2: Veraltete Profile. Das HR-System wurde beim Eintritt befüllt und seitdem nicht systematisch aktualisiert. Die letzten drei Projekte — mit neuen Klientenbranchen, neuen Tools, neuen Methodiken — tauchen in den Skill-Profilen nicht auf. Das System empfiehlt dann Berater auf Basis dessen, was sie vor zwei Jahren konnten.

Problem 3: Profile auf Anfrage, nicht systematisch. Profile existieren, aber jeder Berater hat sie selbst eingetragen — in verschiedenen Granularitätsstufen, mit verschiedenen Begriffen, mit verschiedenem Ehrgeiz beim Ausfüllen.

Die Lösung ist nicht technisch, sondern organisatorisch: Vor dem Systemstart muss eine Skill-Taxonomie entwickelt werden. Das bedeutet: Welche Kompetenzdimensionen sind für eure Staffing-Entscheidungen relevant? Welche Ausprägungen gibt es pro Dimension? Wie wird der Level bewertet (z. B. 1–4: Grundkenntnisse / Anwenderkenntnisse / eigenständiger Einsatz / Lehren/Führen)? Wer validiert die Profile — Selbsteinschätzung, Vorgesetzte, Kundenfeedback?

Diese Taxonomie-Arbeit dauert typischerweise vier bis acht Wochen und ist die kritischste Phase des gesamten Projekts. Eine schlecht definierte Taxonomie produziert zwei Jahre lang schlechte Matches — und keiner merkt es sofort, weil die Empfehlungen trotzdem irgendwie plausibel klingen.

Konkrete Werkzeuge — was wann passt

Die Entscheidung hängt vor allem von Teamgröße und Budget ab.

Kantata (ehemals Mavenlink + Kimble) — für Beratungen ab 50 Beratern
Kantata ist die leistungsfähigste Lösung in diesem Bereich. Der KI-gestützte Resourcing-Agent erkennt Überallokierungen und Skill-Engpässe Wochen im Voraus, schlägt Staffing-Kombinationen vor und liefert Auslastungs-Heatmaps über das gesamte Projektportfolio. Die Salesforce-native Version (Kantata SX) integriert Pipeline-Daten direkt, sodass Angebote in der Verkaufsphase bereits als wahrscheinlichkeitsgewichteter Kapazitätsbedarf auftauchen. Nachteil: Die Mindestabnahme liegt bei 50 Nutzern, die Jahreslizenz beginnt bei rund 35.000 Euro. Implementierungsprojekt inklusive: 3 bis 6 Monate, oft mit externem Integrationspartner.

Forecast.app — für Beratungen mit 20–80 Mitarbeitenden
Forecast ist auf Professional Services ausgelegt und kombiniert KI-gestützte Projektprognosen mit Ressourcenplanung. Stärken: Skill-basierter Abgleich mit historischen Performance-Daten, direkte Integration in Jira, GitHub und gängige Buchhaltungssysteme. Hinweis: Forecast wurde Mitte 2025 von Accelo übernommen — als eigenständiges Produkt aktuell in Integration, Roadmap-Klarheit erforderlich vor langfristiger Entscheidung.

Runn — Einstieg für 15–80 Berater, EU-Hosting-Option
Runn ist weniger tiefgehend im KI-Abgleich als Kantata, aber deutlich günstiger (10–14 USD pro Ressource und Monat) und mit EU-Hosting-Option. Für Beratungen, die von Excel-Staffing auf ein strukturiertes System wechseln wollen, ist Runn ein realistischer Einstiegspunkt. Die rollenbasierte Planung — erst Rollen planen, dann Personen zuweisen — zwingt zu Klarheit über Projektanforderungen, bevor Personen ins Gespräch kommen. DSGVO-konform, AVV verfügbar, SOC 2 Type II zertifiziert.

Microsoft Excel / Power BI mit strukturiertem Template — für den Sofortstart
Bevor kein System eingeführt ist: Ein gut strukturiertes Excel-Template mit definierten Auslastungs-Heatmaps, verknüpften Skill-Profilen und einer Pivot-Sicht auf Auslastungsverteilung löst 40 bis 60 Prozent des Problems ohne Lizenzkosten. Das ist keine dauerhafte Lösung — aber es ist oft der richtige erste Schritt, um die Datendisziplin aufzubauen, die ein KI-System später braucht.

Wann welcher Ansatz:

• 50+ Berater, komplexer Skill-Abgleich, Salesforce vorhanden → Kantata
• 20–60 Berater, PSA mit Projektprognosen → Forecast.app
• 15–80 Berater, Einstieg, EU-Hosting Pflicht → Runn
• Sofortstart ohne Lizenz, Datenbasis aufbauen → Excel mit Struktur, dann migrieren

Datenschutz und Datenhaltung

Staffing-Systeme verarbeiten besonders sensible Personaldaten: Auslastungsquoten einzelner Berater, Karriereziele, Performance-Bewertungen, Gehaltsdaten in Projektkostenrechnungen. Das macht die DSGVO-Einordnung kritischer als bei vielen anderen KI-Anwendungen.

Für die genannten Werkzeuge gilt:

• Kantata: Primär US-Hosting; EU-Datenresidenz auf Anfrage klärbar. AVV nach Art. 28 DSGVO verfügbar. Für Personalstammdaten und Karriereziele — die nach deutschem Arbeitsrecht als besonders schützenswert gelten — muss der Serverstandort explizit verhandelt und vertraglich fixiert werden.
• Runn: EU-Hosting-Option vorhanden (Salesforce Heroku EU), SOC 2 Type II zertifiziert, AVV verfügbar. Die Wahl des EU-Serverstandorts muss beim Onboarding aktiv ausgewählt werden.
• Forecast.app: US-Hosting; AVV mit Standardvertragsklauseln verfügbar. Bei sensiblen Berater-Profildaten klärungsbedürftig.

Mitbestimmung des Betriebsrats: In Unternehmen mit Betriebsrat unterliegen Systeme, die Auslastungsquoten und Leistungsdaten einzelner Mitarbeitender erfassen, in der Regel der Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG. Das gilt unabhängig davon, welches Tool eingesetzt wird. Wer das Thema ohne Betriebsratseinbindung aufsetzt, riskiert eine Untersagung des Systems nach dem Start — deutlich teurer als die frühe Einbindung.

Empfehlung: Betriebsrat und Datenschutzbeauftragten von Anfang an einbinden, Datenminimierung dokumentieren (welche Felder wirklich für den Abgleich gebraucht werden), und eine klare Policy für den Zugriff auf individuelle Auslastungsdaten definieren.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Skill-Taxonomie-Workshop und Datenstandardisierung: typisch 2 bis 6 Wochen interner Aufwand plus externe Begleitung
• System-Setup und HR-Integration: 5.000 bis 25.000 Euro je nach Komplexität und Tool
• Externer Implementierungspartner (bei Kantata nahezu obligatorisch): 10.000 bis 40.000 Euro
• Bei Runn oder Forecast mit Low-Code-Eigenimplementierung: 2.000 bis 8.000 Euro Eigenaufwand

Laufende Kosten (monatlich)

• Runn: 10–14 USD pro Berater/Monat; bei 50 Beratern ca. 500–700 USD/Monat
• Kantata: 45–110 USD pro Nutzer/Monat; Mindestjahresbudget ~35.000 USD (~32.000 Euro)
• Forecast.app: Preise nach Accelo-Übernahme auf Anfrage

ROI-Kalkulation (konservatives Szenario)
Ausgangspunkt: 50 Berater, aktuell 70 % Auslastung, Tagessatz 1.200 Euro, 220 Arbeitstage/Jahr.

Mit KI-Staffing Auslastungsverbesserung auf 75 %: 5 Prozentpunkte × 220 Tage × 50 Berater = 550 zusätzliche Beratertage. Bei 1.200 Euro/Tag: 660.000 Euro Brutto-Umsatzpotenzial aus dem verbesserten Auslastungs-Management — ein Teil davon wird nicht direkt realisierbar sein, weil die Projektnachfrage nicht immer vorhanden ist. Realistisch erzielbar: 20 bis 40 Prozent des Theoriewerts, also 130.000 bis 265.000 Euro.

Dem stehen Gesamtkosten von typisch 50.000 bis 150.000 Euro im ersten Jahr gegenüber (Implementierung + Lizenz). Im konservativen Szenario ist die Amortisierung im ersten Jahr knapp — ab dem zweiten Jahr bei weiter verbesserter Auslastung deutlich positiv.

Wie du den ROI tatsächlich misst
Nicht mit der Theorie-Rechnung oben — die ist zu abhängig von Annahmen. Die ehrlichste Messung: Vergleich der Auslastungsquoten sechs Monate vor und nach dem Systemstart, kontrolliert für saisonale Effekte und Marktentwicklung. Zusätzlich: Benchmark der Fluktuation bei Beratern, die ausdrücklich projektfit zugewiesen wurden, gegen die Gesamtfluktuation.

Drei typische Einstiegsfehler

1. Mit der Software starten, ohne die Datenbasis zu klären.
Der häufigste Fehler: Eine Entscheidung für Kantata oder Runn wird getroffen, das System wird eingerichtet — und dann stellt sich heraus, dass die Skill-Profile im HR-System veraltet, unvollständig oder nicht vergleichbar strukturiert sind. Das System macht dann Empfehlungen, die technisch korrekt, aber inhaltlich wertlos sind. Lösung: Erst Taxonomie, dann Tool. In dieser Reihenfolge, nicht gleichzeitig.

2. Die Skill-Profile einmal befüllen und vergessen.
Das ist der schleichende Fehler — er tritt nicht sofort auf und wird deswegen oft nicht als Systemfehler erkannt. Wenn Profile nicht aktiv nach jedem Projekt aktualisiert werden, wachsen Modell und Realität auseinander. Nach 18 Monaten empfiehlt das System Berater auf Basis dessen, was sie vor zwei Jahren konnten — und die Matches klingen plausibel, sind aber nicht optimal. Lösung: Profilaktualisierung als fester Schritt im Projekt-Abschluss-Prozess verankern, nicht als optionale HR-Aufgabe.

3. Das System als Entscheidungs-Automat statt als Entscheidungs-Unterstützung positionieren.
Wenn Partner oder Staffing-Manager das Gefühl haben, das System entscheide über ihre Teams, entsteht Widerstand — und der Widerstand äußert sich nicht als offene Ablehnung, sondern als stille Sabotage: Empfehlungen werden ignoriert, Daten werden nicht gepflegt, das Meeting läuft weiterhin nach dem alten Muster. Lösung: Von Anfang an kommunizieren, dass das System den Staffing-Prozess informiert, nicht ersetzt. Der Partner entscheidet. Das System rechnet. Diese Grenze ist nicht nur kommunikativ wichtig — sie ist auch die richtige Architektur.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist handhabbar. Das Schwierige ist das politische und kulturelle System, in das sie eingebettet wird.

Beratungsunternehmen haben eine ausgeprägte Hierarchie-Kultur. Partner-Netzwerke und informelle Beziehungen bestimmen, wer auf welche Projekte kommt — weit mehr als formale Kompetenz-Matches. Ein System, das auf Basis von Skill-Taxonomien empfiehlt, greift in diese informellen Strukturen ein. Das erzeugt Widerstände, die nie so benannt werden.

Muster 1: „Mein Berater gehört auf dieses Projekt.”
Partner sichern sich ihre besten Leute für ihre Projekte — unabhängig vom Gesamtsystem. Das ist aus Partnerperspektive rational, aus Firmensicht suboptimal. Das System kann dieses Verhalten sichtbar machen (Auslastungsverteilung nach Partnerportfolio), aber es kann es nicht verhindern. Lösung: Klare Spielregeln für den Staffing-Prozess, die das System als verbindliche Informationsgrundlage etablieren — nicht als Vorschlag, der übergangen werden kann, wenn jemand laut genug ist.

Muster 2: „Das System versteht meinen Klienten nicht.”
Soft Skills, Klientenchemie, spezifische Projektkontexte lassen sich nicht vollständig in Taxonomien abbilden. Das ist korrekt — und ein gutes Argument dafür, dass Menschen entscheiden. Es ist kein Argument dagegen, das System zu nutzen. Lösung: Explizit kommunizieren, dass Soft-Fit-Faktoren als Override-Grund dokumentiert werden können. Wenn eine Empfehlung aus gutem Grund übersteuert wird, ist das in Ordnung — solange es dokumentiert wird und nicht zur Regel wird.

Muster 3: Das System läuft, aber das Meeting ändert sich nicht.
Das Staffing-Komitee trifft sich weiterhin eine Stunde lang, schaut kurz auf das Dashboard und diskutiert dann wie bisher. Das ist das teuerste Szenario: Lizenzkosten ohne Verhaltensänderung. Lösung: Den Meeting-Prozess explizit redesignen. Wer führt die Runde? Welche Fragen beantwortet das System vor dem Meeting, welche bleiben für die Diskussion? Typischerweise braucht dieser Prozessumbau zwei bis drei Iterationen, bis er sitzt.

Was konkret hilft:

• Einen klaren Process Owner benennen, der nicht der Partner ist (typisch: ein Senior Manager oder ein dedizierter Staffing-Manager)
• Erste drei Staffing-Meetings mit dem neuen System explizit als Pilotbetrieb deklarieren, nicht als permanenten Wechsel
• Übersteuerungen explizit dokumentieren und monatlich auswerten — nicht zur Kontrolle, sondern zur Verbesserung der Taxonomie

Realistischer Zeitplan mit Risikohinweisen

Realistisches Minimum bis zum ersten produktiven Einsatz: 12 bis 16 Wochen. Beratungen, die von einem sauberen HR-System mit strukturierten Daten starten, können das auf 8 bis 10 Wochen verkürzen.

Häufige Einwände — und was dahintersteckt

„Wir machen das seit Jahren gut mit Excel.”
Ja — bis zu einem bestimmten Komplexitätspunkt. Excel skaliert nicht mit der Anzahl gleichzeitiger Projekte, der Anzahl gleichzeitiger Dimensionen oder der Anforderung, Konflikte Wochen im Voraus zu erkennen. Wer mit 20 Beratern und 8 Projekten mit Excel funktioniert, wird mit 50 Beratern und 20 Projekten damit an Grenzen stoßen. Der richtige Zeitpunkt für den Umstieg ist, bevor die Komplexität zur akuten Krise wird.

„Unsere Projekte sind zu individuell für ein System.”
Das ist ein häufiges Missverständnis. Das System versucht nicht, die Staffing-Entscheidung vollständig zu algorithmisieren — es aggregiert Informationen, die bisher verteilt und mühsam zugänglich sind, und rechnet Kombinatorik durch, die Menschen nicht im Kopf halten können. Die inhaltliche Entscheidung bleibt menschlich. Was automatisiert wird, ist die Vorbereitung dieser Entscheidung.

„Was ist mit dem Datenschutz bei Berater-Auslastungsdaten?”
Berechtigte Frage — und die einzige, die nicht mit einem Satz beantwortet wird. Berater-Auslastungsdaten sind Personaldaten, unterliegen DSGVO und ggf. Betriebsratsmitbestimmung. Das lässt sich lösen — aber nicht ignorieren. Der Abschnitt zum Datenschutz oben beschreibt die konkreten Schritte.

Woran du merkst, dass das zu dir passt

Du erkennst dich in diesen Punkten:

• Dein Staffing-Meeting dauert länger als 45 Minuten regelmäßig und endet mit Entscheidungen, die dir im Nachhinein nicht optimal erscheinen
• Du hast mehr als 5 Projekte parallel mit unterschiedlichen Skill-Anforderungen und regelmäßig Überlappungen bei den gefragten Profilen
• Deine Auslastungsverteilung hat regelmäßig Extrempunkte — einige Berater bei 95%+, andere bei 60% oder darunter
• Du hast aktiv Projektverluste oder Unzufriedenheit beim Klienten, weil der richtige Berater nicht verfügbar war oder ein schlechter Fit eingesetzt wurde
• Dein HR-System hat strukturierte Skill-Profile — oder du bist bereit, sie aufzubauen
• Dein Unternehmen hat eine Zeiterfassung mit Projektbezug, auf die historische Auslastungsdaten vorhanden sind

Drei harte Ausschlusskriterien — wann das (noch) nicht zu dir passt:

1. Unter 20 aktiven Beratern oder unter 6–8 parallelen Projekten: Die Koordinationskomplexität rechtfertigt den Implementierungsaufwand noch nicht. Ein gut gepflegtes Excel-Sheet mit klarer Struktur reicht, und du sparst die 8–16 Wochen Implementierungszeit für andere Prioritäten.

2. Keine strukturierten Skill-Profile und kein HR-System mit Projekterfahrungs-Nachverfolgung: Ohne diese Datenbasis empfiehlt das System nur auf Basis von Verfügbarkeit — das kann auch Excel. Der wesentliche Mehrwert der KI-Zuordnung entsteht aus dem Skill-Abgleich. Wer von Null anfangen muss, plant 4 bis 6 Monate allein für den Datenbasisaufbau ein, bevor das System echten Mehrwert liefert.

3. Keine oder stark dezentralisierte Zeiterfassung: Das System lernt Auslastungsmuster aus historischen Zeiterfassungsdaten. Ohne projektbezogene Zeiterfassung — oder wenn nur ein Teil der Berater sie konsequent führt — fehlt die Grundlage für Auslastungsprognosen. Wer Zeiterfassung erst parallel einführen muss, hat ein Doppelprojekt, das realistisch 18 bis 24 Monate dauert.

Das kannst du heute noch tun

Starte nicht mit dem Tool. Starte mit der Frage: Wie weit ist eure Datenbasis?

Öffne eine leere Tabelle und beantworte in 30 Minuten folgende Fragen:

• Wie viele Berater hast du, und welche Skill-Dimensionen sind für eure Staffing-Entscheidungen tatsächlich relevant (nicht was im Lebenslauf steht, sondern was wirklich über Projektzuweisungen entscheidet)?
• Gibt es für jeden Berater ein aktuelles, vergleichbar strukturiertes Skill-Profil?
• Wie viele Arbeitstage im letzten Jahr waren nicht fakturierbar — und warum (Bench, interne Projekte, Fortbildung)?

Die Antworten zeigen dir, ob du in 8 oder in 16 Wochen produktiv wärst. Mit diesem Überblick kannst du dann eine konkrete Auslastungsanalyse vorbereiten — nutze dafür diesen Prompt:

Quellen & Methodik

• Deltek Professional Services Maturity™ Benchmark 2025: Billable-Utilization-Daten (68,9 % branchenweit 2024), Revenue per Consultant ($199K in 2024), EBITDA-Entwicklung. PSA-Uplift-Daten (11 % höhere Auslastung, 25 % bessere Margen) zitiert nach SPI Research. deltek.com/en/blog/professional-services-benchmarks
• Projectworks, „How Much Does Bench Time Cost Your Firm?” (2024): Bench-Kosten-Kalkulation ($773 pro unbillbarem Tag Fixkostenanteil; Opportunitätsverlust on top). Teamebene: +$600K Umsatz bei Auslastungsverbesserung von 73 % auf 80 % für 20 Personen. projectworks.com/blog/how-expensive-are-my-unassigned-consultants
• Kantata PSA-Plattform: Pricing-Angaben (45–110 USD/Nutzer/Monat, Mindestabnahme 50 Nutzer) nach Selecthub und Springman Consulting Review, verifiziert Mai 2026. kantata.com
• Runn.io: Pricing-Angaben und EU-Hosting-Verfügbarkeit aus der offiziellen Dokumentation. runn.io/pricing, runn.io/security
• BDU/Consulting-Life, KPI-Studie Unternehmensberatung: Hintergrund zu Auslastungsquoten in deutschsprachigen Managementberatungen. consulting-life.de/consulting-kpis
• § 87 Abs. 1 Nr. 6 BetrVG: Mitbestimmungsrecht des Betriebsrats bei technischen Systemen zur Überwachung von Mitarbeitenden — gilt für digitale Auslastungs-Erfassungssysteme. In der aktuell gültigen Fassung.
• Implementierungserfahrungen: Eigene Einschätzungen aus PSA-Projekten bei Professional-Services-Unternehmen mit 20–100 Mitarbeitenden, Stand Mai 2026.

Willst du wissen, welche Taxonomie-Dimensionen für eure Beratung wirklich relevant sind und wie ihr die Datenbasis aufbaut, ohne den normalen Betrieb zu unterbrechen? Meld dich — das besprechen wir in einem konkreten Gespräch.