Trainer-Matching nach Themengebiet

Das echte Ausmaß des Problems

Das Szenario ist kein Randfall. Es ist der Standardbetrieb in mittleren Weiterbildungsunternehmen. Der Trainer-Pool wächst über Jahre, aber die Verwaltung wächst nicht mit: Excel-Tabellen, persönliche Beziehungen, Erfahrungsgedächtnis der Koordinatorinnen und Koordinatoren. Wer gerade Zeit hat, wer nach Aufträgen sucht, wer auf welchen Themengebieten wirklich Erfahrung hat, das liegt in E-Mail-Archiven, in Köpfen, manchmal nirgendwo.

Das Ergebnis ist ein strukturelles Problem: Der Pool ist größer als das, was tatsächlich genutzt wird.

Erhebungen im Weiterbildungsmarkt zeigen, dass in Unternehmen mit 40–80 Freiberufler-Trainern regelmäßig nur 20–30 Prozent des Pools aktiv besetzt werden. Der Rest gilt als “bekannt, aber schwer einzuordnen.” Neue Trainer werden eingetragen und dann nicht gerufen, nicht weil sie schlechter sind, sondern weil niemand Zeit hat, alle 65 Profile im Kopf zu haben.

Das verursacht drei direkte Schäden:

• Verpasste Aufträge: Reaktionszeiten von drei bis fünf Tagen kosten Aufträge an Wettbewerber, die schneller antworten können
• Stammtrainer-Bias: Dieselben zehn bis fünfzehn Namen werden immer wieder angefragt, Überlastung bei einigen, Unterforderung bei anderen, Qualitätsstagnation insgesamt
• Koordinationsaufwand: Eine einzige komplexe Anfrage kann zwei bis fünf Stunden Recherchezeit kosten, E-Mails schreiben, warten, vergleichen, absagen

Für den deutschen Weiterbildungsmarkt, in dem Freiberufler-Trainerpools ein Standardmodell sind, ist das keine Ausnahme. Es ist der Status quo, den fast alle mittelgroßen Anbieter kennen.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Erfahrungswerte aus ähnlichen Matching-Implementierungen im Freiberufler-Umfeld (Textkernel, 2024); stark abhängig von Profildatenqualität und Pflegekonsistenz.

Der größte messbare Effekt ist nicht die Zeitersparnis, sondern die Angebotsgeschwindigkeit: Wenn eine Kundenanfrage am Vormittag eingeht und die Bildungsgesellschaft noch am selben Tag ein Trainer-Shortlist nennen kann, steigt die Abschlusswahrscheinlichkeit messbar. Der Koordinationsaufwand von zwei bis fünf Stunden je Anfrage sinkt auf unter eine Stunde, inklusive Rückfragen und Verfügbarkeitsprüfung.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5)
Zwei bis fünf Stunden Rechercheaufwand je Anfrage werden auf 15–30 Minuten reduziert. Das ist ein echter Hebel, aber nicht der stärkste in dieser Kategorie, Lernmaterialien automatisch erstellen oder E-Learning-Content automatisch erstellen greifen täglich in die Kernarbeit ein. Matching passiert dagegen episodisch, einige Mal pro Woche statt stündlich.

Kosteneinsparung, niedrig (2/5)
Die Einsparung ist real, aber indirekt: Mehr Aufträge, die nicht an Wettbewerber gehen, weil die Reaktionszeit kürzer ist. Bessere Auslastung des Trainer-Pools. Weniger Koordinatorenstunden je Besetzung. Diese Effekte lassen sich schwer direkt buchen, anders als bei einer automatisierten Zertifikatsausstellung, bei der man Stunden und Druckkosten direkt zählt.

Schnelle Umsetzung, niedrig (2/5)
Das ist der wichtigste Punkt zur Einschätzung: Die Einführung eines sinnvollen Matching-Systems setzt voraus, dass ein vollständiges, aktuelles Profil aller Trainer vorhanden ist, strukturiert nach Themengebieten, Erfahrungstiefe, Zielgruppen, Formaten, Verfügbarkeit und geografischer Bereitschaft. Dieses Schema muss entworfen, die Daten müssen erhoben und eingetragen werden, und zwar mit Träger-Kooperation der Trainer. Das dauert realistisch 8–14 Wochen, bevor das erste Matching sinnvoll ist. Wer hofft, in vier Wochen produktiv zu sein, wird enttäuscht.

ROI-Sicherheit, mittel (3/5)
Die Zeitersparnis je Anfrage ist messbar. Ob das Matching tatsächlich zu qualitativ besseren Trainer-Einsätzen führt, und damit zu besseren Kundenbewertungen, Wiederholungsaufträgen und Weiterempfehlungen, ist schwerer zu isolieren. Das macht den ROI solide, aber nicht eindeutig.

Skalierbarkeit, sehr hoch (5/5)
Das ist der stärkste Aspekt dieses Anwendungsfalls. Ein Matching-System skaliert nicht linear, sondern exponentiell mit der Poolgröße: Bei 30 Trainern ist der Gewinn überschaubar. Bei 80 Trainern werden Zusammenhänge und Qualifikationen sichtbar, die kein Mensch mehr im Kopf hat. Bei 150 Trainern ist manuelles Matching schlicht nicht mehr skalierbar, das System wird unverzichtbar. Kein anderer Anwendungsfall in dieser Kategorie profitiert so direkt vom Wachstum des Unternehmens.

Richtwerte, stark abhängig von Poolgröße, Profilqualität und Anfragehäufigkeit.

Das Profil-Problem: Warum die Datenbasis entscheidet

Es gibt einen Irrtum, der fast jede Implementierung zu früh scheitern lässt: die Annahme, das eigentliche Problem sei das fehlende Matching-Tool. In Wahrheit ist das eigentliche Problem die Datenlage.

Ein Matching-System kann nur so gut sein wie die Profile, die es durchsucht. Und die meisten Weiterbildungsunternehmen haben kein strukturiertes Trainer-Profil, sie haben eine Liste mit Namen, Telefonnummern und vielleicht einer Handvoll Stichworte, die der Trainer selbst vor zwei Jahren eingetragen hat.

Was ein brauchbares Matching-Profil enthält:

• Themengebiete mit Tiefe, nicht nur “Leadership”, sondern: für welche Branchen, für welche Hierarchieebene, in welchem Format (Workshop / Seminar / E-Learning-Coaching / Keynote), in welchen Sprachen
• Zielgruppen-Erfahrung, Berufsanfänger, Mittelmanagement, C-Level, technische Fachkräfte, Pflegepersonal? Ein guter Trainer in einem Kontext kann im falschen Kontext überfordern
• Reisebereitschaft und Logistik, wie weit, wie oft, mit oder ohne Übernachtung, nur DACH oder auch international
• Auslastungsmuster, typischerweise freie Kapazitäten in welchen Monaten, Mindestvorlaufzeit für Buchungen
• Referenzen mit Branchenkontext, nicht “war zufrieden”, sondern: bei welchem Unternehmen, welche Branche, was genau durchgeführt, mit welchem Feedback

Dieses Schema zu entwickeln und die Daten systematisch zu erheben, das ist die eigentliche Projektarbeit. Das Matching-Tool ist danach der einfachere Teil.

Der Textkernel-Bericht zu Skills-Based-Matching (2024) hält fest, was in der Praxis beobachtet wird: “Many companies don’t have a good picture of their own talent pool because their data is incomplete or outdated.” Der Unterschied zwischen einem Pool, den du kennst, und einem Pool, den du verwaltest, ist genau dieser Schritt.

Was das Matching-System konkret macht

Das technische Prinzip ist semantisches Matching: Das System vergleicht die Anfrage, formuliert als Freitext oder strukturiertes Formular, mit den Trainer-Profilen und berechnet eine Ähnlichkeit, die über reine Schlüsselwort-Suche hinausgeht.

Konkret bedeutet das: Wenn die Anfrage “Leadership-Entwicklung für Ingenieure in der Automobilindustrie” lautet, findet das System nicht nur Trainer, die das Wort “Leadership” in ihrem Profil haben, sondern auch solche, die “Führungskräfteentwicklung in der Fertigungsindustrie” oder “Technical Leadership in Manufacturing” eingetragen haben, weil die semantische Ähnlichkeit hoch ist, auch wenn die Worte nicht übereinstimmen.

Dazu kommen Filterkriterien: Verfügbarkeit im angefragten Zeitraum, Reisebereitschaft für den Veranstaltungsort, Erfahrung mit der angefragten Zielgruppenebene. Das Ergebnis ist eine priorisierte Shortlist, nicht ein einziger Name, sondern typischerweise drei bis fünf passende Kandidaten, sortiert nach Relevanz-Score, mit den ausschlaggebenden Profil-Merkmalen sichtbar.

Die Koordinatorin kann dann noch vor dem Mittagessen die drei besten Vorschläge prüfen, verfügbare Trainer direkt kontaktieren und in vielen Fällen noch am selben Nachmittag eine Antwort an den Kunden schicken.

Drei mögliche Technologieansätze:

Plattformlösung, Tools wie Dozentify sind speziell für diesen Anwendungsfall entwickelt. Bildungseinrichtungen stellen Anfragen ein und erhalten Matching-Vorschläge aus dem Plattform-Pool. Vorteil: kein Setup, Trainer bereits registriert. Nachteil: nur Trainer, die auf der Plattform sind, nicht die eigene gewachsene Trainer-Beziehung.

Datenbank mit KI-Suche, Trainer-Profile in Airtable oder Notion strukturiert erfassen, mit einem LLM-basierten Suchfeld (Airtable AI, Notion AI oder OpenAI-API via Make.com) auf semantische Suche ausweiten. Das ist der flexibelste Ansatz für Unternehmen mit einem gewachsenen Pool: Du bringst deine eigenen Daten mit, das System lernt aus deiner Anfrage-Geschichte. Setup-Aufwand: mittel bis hoch.

CRM mit Matching-Logik, Für Weiterbildungsunternehmen, die Trainer bereits in einem CRM wie Pipedrive oder HubSpot verwalten, lassen sich Matching-Funktionen per Make.com oder n8n ergänzen: Eingehende Anfragen lösen automatisch eine Suche im CRM aus, die Ergebnisse werden als Deal oder Aufgabe mit Shortlist zurückgespielt.

Konkrete Werkzeuge, was wann passt

Dozentify, wenn du keinen eigenen Pool pflegst
Spezialisierte deutsche Plattform für Dozenten- und Trainer-Vermittlung. Trainer erstellen Profile, Bildungseinrichtungen stellen Anfragen ein. KI-gestütztes Matching auf Basis von Themengebiet, Qualifikation und Verfügbarkeit. Kein eigener Setup-Aufwand, kein API. Geeignet für Unternehmen, die externe Trainer episodisch suchen, aber keinen systematisch gewarteten Pool haben. Trainer-Seite ab kostenlos; Organisationspreise auf Anfrage.

Airtable, flexible Datenbank mit eingebautem KI-Matching
Airtable ermöglicht eine strukturierte Trainer-Datenbank mit benutzerdefinierten Feldern: Themengebiete, Zielgruppen, Formate, Verfügbarkeit, Stundensatz, Referenzen. Seit 2024 gibt es KI-Felder, die Freitext-Anfragen automatisch mit Einträgen abgleichen. Matching-Logik: Eingehende Anfrage als Airtable-Formular, KI-Feld berechnet Relevanz-Score je Trainer-Profil, Ergebnis sortiert. Preis: Team-Plan ab ca. 20 USD/Nutzer/Monat. Geeignet für Pools mit 30–150 Trainern.

Notion mit Notion AI, für schlankere Strukturen
Notion-Datenbank als Trainer-Profil-Hub, Notion AI für semantische Suche über die Einträge. Weniger Automatisierung als Airtable, dafür niedrigere Einstiegshürde. Sinnvoll, wenn das Team Notion bereits nutzt und der Pool unter 50 Trainern liegt. Business-Plan inkl. Notion AI ab ca. 19,50 €/Nutzer/Monat.

Airtable + Make.com + OpenAI-Embeddings, wenn du maximale Kontrolle willst
Trainer-Profile in Airtable, Anfragen lösen automatisch via Make.com eine OpenAI-Embedding-Suche aus: Die Anfrage und alle Trainer-Profile werden in Vektoren umgewandelt, das System berechnet Kosinus-Ähnlichkeit und gibt die Top-5-Matches zurück. Hohe Präzision, vollständige Kontrolle über das Ranking-Modell. Technisch anspruchsvoll, aber mit Make.com und fertigen Templates ohne eigene Entwickler umsetzbar. Laufende Kosten: Make.com ab 9 USD/Monat + OpenAI-API ca. 20–80 €/Monat je nach Anfragevolumen.

Pipedrive + Make.com, wenn Trainer bereits im CRM sind
Trainer-Kontakte und -Profile als Pipedrive-Kontaktdatensätze mit Custom Fields; eingehende Anfragen lösen via Make.com eine KI-basierte Suche aus. Das Matching-Ergebnis erscheint als Pipedrive-Deal mit Shortlist. Vorteil: Keine Datenmigration, wenn Trainer bereits im CRM stehen. Nachteil: CRM-Felder sind weniger flexibel als dedizierte Datenbanken.

Zusammenfassung: Wann welcher Ansatz

• Kein eigener Pool, episodischer Bedarf → Dozentify
• Eigener Pool, 30–80 Trainer, niedrige Einstiegshürde → Airtable mit KI-Feldern
• Eigener Pool, bereits Notion-Nutzer → Notion mit Notion AI
• Eigener Pool, hohe Matching-Präzision gewünscht → Airtable + Make.com + OpenAI
• Trainer bereits im CRM → CRM + Make.com-Integration

Datenschutz und Datenhaltung

Trainer-Profile enthalten personenbezogene Daten: Name, Kontaktdaten, Honorarsatz, Verfügbarkeit, Referenzprojekte, manchmal Bewertungen nach Einsätzen. Das macht die DSGVO relevant, und zwar nicht nur für das System, sondern für den gesamten Prozess, wie Trainer-Daten erhoben, gespeichert und für die Matching-Anfragen verarbeitet werden.

Zwei konkrete Punkte, die in der Praxis häufig übersehen werden:

Einwilligung der Trainer: Wenn du Trainer-Profile in einem KI-basierten System speicherst und für automatisiertes Matching verwendest, brauchst du eine Rechtsgrundlage nach Art. 6 DSGVO. Bei Freiberufler-Trainern, mit denen du eine Geschäftsbeziehung hast, ist das meist das berechtigte Interesse (Art. 6 Abs. 1 f) DSGVO), aber du solltest das transparent machen und in deinen Allgemeinen Geschäftsbedingungen oder einer separaten Datenschutzerklärung für Trainer dokumentieren.

Auftragsverarbeitung mit Cloud-Tools: Airtable (US-gehostet, Standard), Notion (US-gehostet, EU-Option nur Enterprise) und Pipedrive (EU-Hosting verfügbar) erfordern jeweils einen Auftragsverarbeitungsvertrag nach Art. 28 DSGVO. Bei Airtable und Notion ist der AVV im Business- oder Team-Plan enthalten, aber du musst ihn aktiv abrufen und unterzeichnen. Für sensible Trainerprofile empfiehlt sich die Nutzung europäischer Hosting-Optionen, wo diese angeboten werden.

Make.com (EU-Rechenzentrum verfügbar) ist DSGVO-konform betreibbar, wenn die EU-Region beim Konto-Setup ausgewählt wird, das passiert nicht automatisch.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

• Profil-Schema entwerfen: 1–2 Tage intern (Diskussion mit Koordinations-Team)
• Datenerhebung bei Trainern: typisch 4–8 Wochen (E-Mail-Kampagne, Erinnerungen, Nachfassen bei unvollständigen Profilen), das ist der aufwendigste Teil
• Technisches Setup (Airtable + Make.com-Integration): 3–5 Tage intern oder extern beauftragt, ca. 1.500–4.000 €
• Alternativ: Plattformlösung wie Dozentify, kein technisches Setup, aber kein Import des eigenen Pools

Laufende Kosten (monatlich)

• Airtable Team: ca. 20 USD/Nutzer/Monat (für 2–3 Koordinierende: ca. 40–60 USD/Monat)
• Make.com Core: ab 9 USD/Monat
• OpenAI API (für Embedding-Suche): ca. 20–80 €/Monat je nach Anfragevolumen
• Gesamtkosten Betrieb: typisch 150–400 €/Monat

Was du dagegenrechnen kannst
Drei bis fünf Stunden Koordinationsaufwand je Matching-Anfrage, zehn Anfragen pro Monat: 30–50 Stunden, bei einem Koordinations-Stundensatz von 25–40 € sind das 750–2.000 € monatlich nur in Personalkosten für die Trainer-Suche. Dazu kommen ein bis zwei verlorene Aufträge pro Monat, weil die Reaktionszeit zu lang war, bei durchschnittlichen Seminarmargen von 500–2.000 € je Auftrag eine erhebliche Zahl.

Realistisch gespart: 50–70 Prozent des Koordinationsaufwands für Matching. Im konservativen Szenario (50 % Ersparnis bei 10 Anfragen/Monat) sind das 500–800 € monatliche Ersparnis, genug, um die laufenden Systemkosten mehrfach zu decken. Das Setup amortisiert sich typischerweise innerhalb von sechs bis zwölf Monaten.

Wie du den Nutzen tatsächlich misst
Führe vor dem Start eine Baseline-Messung durch: Zeit je Matching-Anfrage (Stoppuhr an drei bis fünf realen Fällen), Anteil des Pools, der tatsächlich angefragt wird, und Reaktionszeit auf Kundenanfragen. Drei Monate nach dem Start denselben Satz messen. Das ist der ehrlichste Nachweis.

Typische Einstiegsfehler

1. Mit dem Tool starten, bevor das Schema steht.
Der häufigste Fehler: Airtable aufsetzen, Trainer eintragen, dann merken, dass niemand weiß, in welche Felder was gehört. Welche Themengebiete-Taxonomie? Wie granular? Freitext oder vorgegebene Kategorien? Diese Entscheidungen müssen vor der ersten Dateneingabe getroffen werden, danach rückwirkend zu bereinigen ist aufwendig und demotivierend. Praxis-Tipp: Starte mit fünf bis acht repräsentativen Trainerprofilen als Probelauf, bevor du den kompletten Pool migrierst.

2. Trainer nicht in die Schema-Entwicklung einbeziehen.
Wenn das Matching-Schema ohne Rückkopplung mit den Trainern entworfen wird, passieren zwei Dinge: Die Kategorien passen nicht zu dem, was Trainer wirklich leisten, und die Trainer fühlen sich nicht verantwortlich für die Qualität ihrer Profile. Wer das Schema mitentwickelt hat, füllt es auch aus, und hält es aktuell.

3. Profile als einmalige Eingabe betrachten.
Trainer entwickeln sich. Neue Themengebiete kommen hinzu, alte fallen weg. Ein Trainer, der 2022 Agile-Transformationen gemacht hat, macht heute vielleicht KI-Einführung für Führungskräfte. Wenn niemand sicherstellt, dass Profile alle 12–18 Monate aktualisiert werden, führt das System nach zwei Jahren zu Matching-Ergebnissen, die nicht mehr zuverlässig sind. Der Textkernel-Bericht zu Skills-Based Matching (2024) nennt genau diesen Punkt als eine der häufigsten Ursachen für nachlassende Matching-Qualität.

4. Den Stammtrainer-Bias ins System übertragen.
Wenn die ersten Profile, die ins System eingepflegt werden, die der bekannten zehn bis fünfzehn Stammtrainer sind und der Rest des Pools folgt Monate später, gewöhnt sich das Koordinations-Team daran, diese ersten Ergebnisse als “die Richtigen” zu sehen, und schaut den Rest des Pools gar nicht mehr an. Das System löst dann das ursprüngliche Problem nicht, es digitalisiert es nur. Lösung: Alle Profile gleichzeitig erfassen oder die Pool-Abdeckung als Erfolgsmetrik definieren.

5. Kein Feedback-Loop aus den Einsätzen.
Das Matching verbessert sich, wenn Informationen aus abgeschlossenen Seminar-Einsätzen zurückfließen: Welche Trainer wurden gebucht? Wie war das Feedback? Welche Zuordnung war im Rückblick falsch? Wer diese Information nicht systematisch erhebt und im Profil vermerkt, lässt den wichtigsten Lernmechanismus des Systems brachliegen.

Was mit der Einführung wirklich passiert, und was nicht

Die größte Hürde ist weder technisch noch finanziell. Sie ist menschlich, und betrifft vor allem drei Gruppen.

Die Koordinatorinnen und Koordinatoren, die ihr Trainer-Wissen über Jahre aufgebaut haben. Sie kennen Marcus Lindner nicht als “Eintrag in Zeile 34”, sondern als den, der beim Ingenieurkonzern vor zwei Jahren spontan eine schwierige Gruppe gerettet hat. Dieses implizite Erfahrungswissen ist real und wertvoll, und ein schematisiertes KI-System kann es nicht vollständig ersetzen. Was funktioniert: das System als erste Filterebene positionieren, nicht als endgültige Entscheidungsinstanz. Die Koordination trifft die finale Wahl; das Matching macht den Rechercheaufwand davor kleiner.

Die Trainer selbst, die ein weiteres Formular ausfüllen sollen. Freiberufler sind vorsichtig mit Plattformen, die ihre Daten erheben, zu Recht. Die Einführung eines Profil-Systems funktioniert nur, wenn du transparent kommunizierst: Was wird gespeichert? Für wen ist es sichtbar? Wie wirst du kontaktiert, wenn eine Anfrage passt? Und: Was bringt dir das konkret? (Mehr Sichtbarkeit im Pool, fairere Auftragsvergabe, schnellere Buchungsprozesse.) Ohne diese Kommunikation bleiben Profile unvollständig, und ein unvollständiges Profil ist schlimmer als kein Profil, weil es zu Fehlmatches führt.

Das Management, das einen schnellen ROI erwartet. Matching-Systeme brauchen drei bis sechs Monate, bis die Profilbasis stabil ist und erste aussagekräftige Vergleiche möglich sind. Wer nach vier Wochen erwartet, dass das System eine “messbare Qualitätssteigerung” liefert, wird enttäuscht sein, und das Projekt möglicherweise vorzeitig abbrechen.

Was konkret hilft:

• Drei Pilotkoordinatorinnen und -koordinatoren benennen, die das System als erste testen und Feedback liefern
• Eine Pool-Abdeckungsrate als Ziel setzen: in Monat 3 mindestens 60 % der Trainer mit vollständigem Profil
• Trainern nach dem ersten Einsatz über das neue System eine kurze Rückmeldung geben: “Du wurdest über unser neues Matching gefunden”, das stärkt die Akzeptanz für die Profilpflege

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Trainer kennen wir persönlich, das brauchen wir nicht.”
Stimmt, solange der Pool unter 25 Personen bleibt und die Anfragehäufigkeit niedrig ist. Ab etwa 40 Trainern weiß niemand mehr zuverlässig, wer was kann und wann verfügbar ist, auch wenn das Gefühl des persönlichen Kennens noch da ist. Das Matching ersetzt das persönliche Kennen nicht; es stellt sicher, dass das Kennen nicht selektiv für 15 Stammtrainer gilt und die anderen 45 effektiv unsichtbar sind.

„Das kostet zu viel Aufwand, bis die Profile vollständig sind.”
Das stimmt, und ist der ehrlichste Einwand. Die Profil-Erhebung ist der aufwendigste Teil des Projekts. Die richtige Antwort ist nicht, den Aufwand kleinzureden, sondern ihn zu quantifizieren: Was kostet die aktuelle Situation pro Monat in Koordinationszeit und verpassten Aufträgen? Wenn das mehr als die einmalige Investition in die Profil-Erhebung ist, gibt es ein klares Argument.

„Wenn ein KI-System einen falschen Trainer vorschlägt, vertraue ich ihm nicht mehr.”
Das ist ein berechtigter Einwand, und das richtige Framing dafür ist: Das Matching ist eine Shortlist, keine Entscheidung. Die Koordination wählt aus der Shortlist aus; das System macht den Rechercheaufwand kleiner, nicht die menschliche Beurteilung überflüssig. Wer erwartet, dass das System jeden Match perfekt löst, setzt es falsch ein.

Woran du merkst, dass das zu dir passt

Das spricht für euch:

• Ihr habt 40 oder mehr freiberufliche Trainer im Pool, aber es werden regelmäßig immer dieselben 10–15 gebucht
• Matching-Anfragen kosten eure Koordination aktuell mehrere Stunden pro Anfrage, inklusive E-Mail-Ping-Pong und Verfügbarkeitsprüfung
• Ihr verliert Aufträge, weil ihr nicht schnell genug reagieren konntet
• Es gibt keine strukturierte Übersicht über Themengebiete, Erfahrungstiefe und Zielgruppen, nur eine gewachsene Liste mit Stichworten
• Neue Trainer werden eingetragen, aber dann kaum gerufen, weil niemand Zeit hat, sich in ihre Profile einzulesen

Drei harte Ausschlusskriterien, wann es sich (noch) nicht lohnt:

1. Pool unter 30 aktiven Trainern. Bei dieser Poolgröße ist eine gut gepflegte, strukturierte Tabelle ausreichend, mit einer klaren Kategorisierung nach Themengebieten und einer konsequenten Verfügbarkeits-Kennzeichnung. Der Setup- und Pflegeaufwand eines KI-Matching-Systems ist in diesem Größenbereich nicht durch den Nutzen gedeckt. Investiere die Zeit lieber in die Tabellenstruktur und die Profilqualität.

2. Keine strukturierten Trainer-Profile vorhanden, nur Namen, Telefonnummern und eine informelle Vorstellung davon, wer was macht. Ohne eine strukturierte Datenbasis gibt es nichts, das sinnvoll durchsucht werden kann. Das Matching-Tool kommt nach der Profil-Erhebung, nicht davor. Wer diesen Schritt überspringt, baut ein System, das zuverlässig schlechte Ergebnisse liefert.

3. Trainer-Pool ist hauptsächlich angestellt, nicht freiberuflich. Bei fest angestellten Trainern sind Verfügbarkeit und Kapazität über HR-Systeme und Kalender planbar, kein KI-Matching-Problem, sondern ein Ressourcen-Planungsproblem. Dafür gibt es andere Tools.

Das kannst du heute noch tun

Öffne eine leere Tabelle, Airtable, Notion, Excel, egal, und wähle fünf Trainer aus deinem Pool aus. Trag für jeden ein:

• Themengebiete (konkret, nicht pauschal)
• Zielgruppen (wen hat er oder sie zuletzt wirklich geschult?)
• Formate (Workshop, Seminar, Online-Session, Keynote)
• Maximale Reisetätigkeit (Region / DACH / Europa)
• Letzter Einsatz (wann, bei welchem Kunden, welches Thema)

Dann nimm eine echte Anfrage aus der letzten Woche und schau, ob du anhand dieser fünf Profile schneller zu einem passenden Trainer kommst als mit dem bisherigen Prozess. Das dauert 30 Minuten und zeigt dir, ob und wie viel das Schema-Denken allein schon hilft, bevor du ein KI-System baust.

Für den nächsten Schritt, die eigentliche Matching-Anfrage, kannst du direkt diesen Prompt verwenden:

Quellen & Methodik

• Textkernel, Skills-Based Matching with AI: Opportunities & Pitfalls (2024): Analyse zu Chancen und Risiken KI-basierter Skill-Matching-Systeme, inkl. Datenbasis-Problemen und Bias-Risiken. textkernel.com
• Dozentify (dozentify.com, Mai 2026): Deutschsprachige KI-Plattform für Dozenten- und Trainer-Vermittlung; Primärquelle für Marktpreise und Plattform-Funktionsweise.
• Pool-Nutzungsrate 20–30 %: Erfahrungswert aus strukturierten Trainer-Pool-Projekten im deutschsprachigen Weiterbildungsmarkt. Keine repräsentative Studie; konsistente Beobachtung in mehreren Implementierungen.
• Koordinationsaufwand 2–5 Stunden je Anfrage: Eigene Erhebungen und Praxisberichte aus Weiterbildungsunternehmen mit 40–100 freiberuflichen Trainern.
• Airtable-Preise: Airtable Pricing-Seite (Stand Mai 2026). Team-Plan ca. 20 USD/Nutzer/Monat bei jährlicher Abrechnung.
• Make.com-Preise: Make.com Pricing-Seite (Stand Mai 2026). Core-Plan ab 9 USD/Monat.
• Art. 28 DSGVO (AVV): Datenschutz-Grundverordnung in der aktuell gültigen Fassung.
• Stammtrainer-Bias und Fehlmatches in historisch trainierten Systemen: IBM Institute for Business Value, “AI and Bias in Hiring” (2024), 42 % der KI-Adopter priorisierten Speed über Fairness, was historische Verzerrungen verstärkt.

Du willst herausfinden, welcher Technologieansatz für euren Trainer-Pool am besten passt? Meld dich, das klären wir gemeinsam in einem kurzen Gespräch.