Einsatzplanung optimieren

Das echte Ausmaß des Problems

Wer noch nie in einem Dispositionsbüro gearbeitet hat, unterschätzt systematisch, womit Disponenten ihre Zeit verbringen. Es ist nicht das Telefon, nicht das Absagen, es ist das simultane Lösen eines mathematischen Optimierungsproblems mit dutzenden Randbedingungen, die sich teilweise widersprechen.

Was ein Disponent für eine einzige Zuweisung gleichzeitig prüft:

• Ist der Kandidat qualifiziert (Schweißerpass, Staplerschein, Ersthelfer-Zertifikat)?
• Ist der Kandidat an diesem Tag verfügbar?
• Überschreitet die Zuweisung die tägliche oder wöchentliche Höchstarbeitszeit (ArbZG)?
• Hat der Kandidat genug Ruhezeit seit dem letzten Einsatz?
• Wie lang ist die Fahrtzeit zum Einsatzort, ist das zumutbar?
• Bevorzugt der Kunde diesen Kandidaten, oder gibt es eine gesperrte Konstellation?
• Wie lang ist der Kandidat bereits bei diesem Kunden im Einsatz (AÜG § 1 Abs. 1b)?
• Ist die Qualifikation bezahlt, und passt sie zum Tarifgruppen-Rahmen des Kunden?

Dieser Vorgang wiederholt sich für jeden einzelnen der 38 offenen Slots, bei 240 Mitarbeitenden und 9 Kunden ergibt das rechnerisch bis zu 2.160 mögliche Paarungen pro Planungszyklus. Menschen können das nicht vollständig abbilden. Sie kürzen ab, kennen den Pool intuitiv, und die Planung ist gut genug, aber nie optimal.

Das messbare Ergebnis: Typische Zeitarbeitsfirmen dieser Größenordnung haben laut Branchenberichten 10 bis 15 Prozent Auslastungslücken, Zeitarbeitnehmer, die verfügbar und qualifiziert wären, aber in der Planungswoche nicht platziert wurden, weil der Disponent sie im Bearbeitungsstress nicht identifiziert hat oder die optimale Kombination schlicht nicht gefunden wurde.

Bei einem Stundensatz von 22 Euro und 240 Mitarbeitenden macht eine 10-Prozent-Lücke über eine Vollzeitwoche: 240 × 0,1 × 40 h × 22 € = 21.120 Euro pro Woche. Das ist der Betrag, der auf dem Tisch liegt, nicht durch Kundenausfälle, nicht durch Krankheit, sondern durch manuelle Planungsgrenzen.

In Deutschland arbeiten laut Bundesagentur für Arbeit rund 622.000 Zeitarbeitnehmer (Stand Juni 2025). Die Branche generierte zuletzt über 21 Milliarden Euro Jahresumsatz. Kleine Effizienzgewinne in der Disposition wirken sich direkt auf die Marge aus.

Constraint-Optimierung ist nicht das Gleiche wie KI-Matching

Bevor du weiterliest: Dieser Ansatz ist ein anderer als der in der KI-gestützten Einsatzplanung und Disposition. Es lohnt sich, den Unterschied zu verstehen.

KI-Matching (UC 03): Ein Sprachmodell oder ein ML-Klassifikator schaut sich einen offenen Schichtbedarf an und schlägt den nächstbesten Kandidaten aus dem Pool vor. Das ist hilfreich für kurzfristige Einzelfälle, ein Ausfall um 6 Uhr früh, ein spontaner Zusatzbedarf. Das System lernt aus vergangenen Einsätzen und baut eine Scoring-Funktion auf.

Constraint-Optimierung (dieser Ansatz): Ein mathematischer Solver (typischerweise ein CP-SAT-Algorithmus oder ein Mixed Integer Program) löst gleichzeitig für alle offenen Schichten der Planungsperiode die optimale Zuweisung, unter vollständiger Berücksichtigung aller Randbedingungen. Das System sucht nicht den “besten nächsten”, sondern das globale Optimum unter 20+ simultanen Constraints. Es gibt keine Scoring-Funktion, die lernt, es gibt Gleichungen, die gelöst werden.

Der Unterschied in der Praxis: Ein Matching-System ersetzt dir schneller den ausgefallenen Mitarbeiter. Ein Constraint-Solver plant dir die ganze Woche systematisch besser. Beide haben ihren Platz. Für Betriebe mit 200+ Mitarbeitenden und mehreren Kunden ist der Solver der Hebel mit dem größeren Auslastungseffekt.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Vergleichswerte in der Spalte “Mit Constraint-Solver” basieren auf Praxisberichten aus dem Logistik- und Schichtplanungsbereich (McKinsey, Utility-Pilot 2023: Jobverzögerungen −67 %, Produktivität +20–30 %) sowie eigenen Einschätzungen aus Dispositionsprojekten. Genaue Zahlen für die Zeitarbeitsbranche sind in unabhängigen Studien dünn besät, die meisten Anbieterzahlen sind Marketingmaterial. Plane konservativ.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5)
Ein Disponent, der pro Woche 3–5 Stunden mit der Planung verbringt, kommt mit Solver-Unterstützung auf 1–1,5 Stunden reiner Prüf- und Anpassungszeit. Das ist ein realer Effekt von 30–40 %. Er fällt nicht bei jedem an, wer den Pool sehr gut kennt und kleine Zahlen hat, plant schon heute schnell. Bei 200+ Mitarbeitenden und mehreren Kunden ist der Hebel am größten.

Kosteneinsparung, hoch (4/5)
10–15 Prozent Auslastungsgewinn ist direkte Umsatzwirkung, keine weiche “Effizienz”, sondern mehr platzierte Stunden pro Woche. Bei einem Betrieb mit 240 aktiven Zeitarbeitnehmern und einem Stundensatz von 22 Euro entspricht das rechnerisch über 80.000 Euro Mehrmonatsumsatz im Optimalszenario. Der tatsächliche Effekt in den ersten 6 Monaten liegt erfahrungsgemäß bei 30–50 Prozent davon, aber das ist immer noch ein substanzieller Hebel.

Schnelle Umsetzung, niedrig (2/5)
Das ist der ehrlichste Score dieses Use Case. 12 bis 18 Wochen für einen produktiven Betrieb ist realistisch, und das setzt voraus, dass die Datengrundlage bereits sauber ist. Der eigentliche Aufwand liegt nicht im Solver selbst, sondern in der Datenintegration (zvoove, Bullhorn, ATOSS), der Qualifikationsdatenpflege und der Kalibrierung der Constraints mit echten Disponenten. Wer das unterschätzt, steht nach drei Monaten mit einem Solver, der falsche Empfehlungen gibt, und Disponenten, die das System nicht nutzen.

ROI-Sicherheit, hoch (4/5)
Die Auslastungsquote ist direkt messbar, Anzahl platzierter Stunden geteilt durch verfügbare Stunden, Woche für Woche. Der Kausalzusammenhang (Solver verbessert Auslastung) ist klarer als bei vielen anderen KI-Projekten, weil Planung ein gut definierbares, quantifizierbares Problem ist. Was bleibt: Die Datenbasis muss stimmen. Ein Solver mit schmutzigen Qualifikationsdaten gibt falsche Ergebnisse, und dann ist die Kausalität nicht mehr klar.

Skalierbarkeit, niedrig (2/5)
Das ist der entscheidende Punkt, und er wird in Produktpräsentationen regelmäßig übergangen. Die Optimierungslogik selbst skaliert gut, mehr Mitarbeitende, mehr Schichten, kein Problem für den Solver. Was nicht gut skaliert: die Datenpflege. Für jeden Zeitarbeitnehmer im Pool müssen Qualifikationen, Verfügbarkeiten, Präferenzen, und AÜG-Einsatzzähler pro Kundenbetrieb aktuell und korrekt gepflegt sein. Bei 200 Mitarbeitenden ist das handhabbar. Bei 400 Mitarbeitenden ist es ein halbe Stelle. Bei 800 Mitarbeitenden ist es ein eigenständiges Datenprojekt. Hinzu kommt: Der Solver kann nie die volle Planung übernehmen, die menschliche Übersteuerung durch Disponenten bleibt strukturell notwendig (Empathie, implizites Wissen, Sonderfälle). Das bedeutet: Du kannst Disponentenstellen nicht proportional reduzieren, auch wenn der Pool wächst.

Richtwerte, stark abhängig von Datenqualität, Systemlandschaft und Disponenten-Akzeptanz im Team.

Was der Optimierungsansatz konkret macht

Der Kern ist ein Constraint-Solver, ein Algorithmus, der ein mathematisches Optimierungsproblem löst. Das klingt nach Data Science; konkret ist es eher präzise definiertes Handwerk.

Der Solver bekommt als Eingabe:

• Alle offenen Einsatzslots für den Planungshorizont (typisch 5–14 Tage voraus)
• Alle aktiven Zeitarbeitnehmer mit ihren Eigenschaften (Qualifikationen, Vertragsmodell, Verfügbarkeit)
• Alle Constraints (Regeln, die zwingend eingehalten werden müssen oder deren Verletzung bewertet wird)

Der Solver berechnet dann die Zuweisung, die alle harten Regeln erfüllt und die Summe der weichen Regeln maximal erfüllt. Das Ergebnis: Eine Vorschlagsliste für alle offenen Slots, inklusive Ranking nach “wie gut passt das”. Die Disponentin prüft, übersteuert, ergänzt, und der Plan geht raus.

Was der Solver nicht tut: Er trifft keine endgültigen Entscheidungen. Er erzeugt keine Verträge. Er ruft niemanden an. Er ist ein Planungswerkzeug, der Disponent bleibt die verantwortliche Person, die den Plan genehmigt.

Die Constraint-Typen: was das System kennen muss

Ein Constraint-Solver ist nur so gut wie die Regeln, die ihm mitgegeben werden. Das hier ist keine theoretische Übung, es ist die Aufgabe, bevor du überhaupt einen Solver konfigurierst.

Harte Constraints (nicht verhandelbar, müssen immer erfüllt sein)

AÜG § 1 Abs. 1b, Höchstüberlassungsdauer: Ein Zeitarbeitnehmer darf demselben Entleiher maximal 18 aufeinanderfolgende Monate überlassen werden (Ausnahmen per Tarifvertrag möglich). Verstöße sind Ordnungswidrigkeiten mit Bußgeldern bis 30.000 Euro; bei vorsätzlichem Verstoß kann die Erlaubnis zur Arbeitnehmerüberlassung entzogen werden. Das ist ein harter Constraint, der Solver darf eine Zuweisung, die diese Grenze überschreiten würde, nie vorschlagen.

Arbeitszeitgesetz: Tägliche Höchstarbeitszeit 10 Stunden, Mindestruhezeit 11 Stunden zwischen zwei Einsätzen, wöchentliche Grenzen. Diese Regeln schließen bestimmte Kombinationen mathematisch aus.

Qualifikation: Kein Einsatz ohne die geforderte Qualifikation. Wenn der Kunde einen Gabelstaplerfahrer bestellt, darf nur jemand mit aktuellem Staplerschein zugewiesen werden. Das klingt trivial, wird aber zum Problem, wenn Qualifikationsdaten nicht gepflegt sind.

Nicht-Verfügbarkeit: Urlaub, Krankheit, bestätigte andere Einsätze. Harte Ausschlüsse.

Weiche Constraints (Zielfunktion, je mehr erfüllt, desto besser der Plan)

Kundenpräferenzen: Manche Kunden haben Präferenzkandidaten oder explizite Ablehnungen. Präferenzen erhöhen den Score einer Zuweisung; Ablehnungen reduzieren ihn stark (können aber im Ausnahmefall überstimmt werden, daher weich, nicht hart).

Fahrtzeit: Eine Zuweisung mit 20 Minuten Fahrtweg ist besser als eine mit 90 Minuten, ceteris paribus. Der Solver kann Fahrtzeiten als Kostenterm in der Zielfunktion berücksichtigen.

Kandidatenpräferenzen: Wer lieber Frühschicht arbeitet oder einen Heimatkunden bevorzugt, bekommt im Rahmen des Möglichen Berücksichtigung. Das ist sowohl ein Mitarbeiterzufriedenheits- als auch ein Fluktuationsthema.

Kontinuität: Langfristige Einsätze beim gleichen Kunden sind für alle Beteiligten besser als häufige Wechsel. Der Solver kann das als Bonus für Zuweisung mit Voreinsatz belohnen.

Auslastungsbalance: Gleichmäßige Auslastung über den gesamten Pool ist besser als hohe Auslastung für einige, Leerstand für andere.

Diese Unterscheidung, hart vs. weich, ist nicht akademisch. Sie bestimmt, wie du den Solver konfigurierst, wie du mit Disponenten diskutierst, und was passiert, wenn kein perfekter Plan existiert. (Spoiler: Er existiert fast nie. Der Solver findet das Beste unter realen Bedingungen.)

Konkrete Werkzeuge, was wann passt

Es gibt kein Tool, das man “kauft und dann optimiert”. Constraint-Optimierung für Zeitarbeit ist typischerweise eine Kombination aus Datenhaltungssystem und Optimierungsschicht.

zvoove als Datenbasis (Kernmarktführer)
zvoove One (mit dem Dispo-Modul) ist der dominante ATS/ERP-Standard im deutschen Markt. Was zvoove für diesen Use Case leistet: saubere Kandidatendaten, integrierte AÜG-Compliance-Überwachung, Qualifikationshinterlegung. Was zvoove nicht liefert: einen echten Constraint-Solver, der globale Wochenpläne optimiert. Die KI-Agenten in zvoove Cockpit X sind ML-basierte Matching-Assistenten (für Recruiting, nicht für Wochenplanung). Preis: auf Anfrage, vierstellig/Monat ab 200+ Zeitarbeitnehmern.

ATOSS für die Dienstplan-Optimierungsschicht
ATOSS Staff Efficiency Suite hat ein echtes Optimierungsmodul für Schichtplanung mit Constraint-Kapazitäten. ATOSS wird klassisch auf Seiten der Entleiher eingesetzt (z. B. Logistikzentren), kann aber auch als Planungsschicht für Personaldienstleister mit hohem Schichtvolumen konfiguriert werden. Vorteil: Tiefste Constraint-Abbildung im deutschen Markt, bewährt in Pflege, Logistik, Produktion. Nachteil: Einführungsprojekt dauert 3–9 Monate, Jahreslizenzen ab ca. 10.000–50.000 Euro. Empfehlenswert ab ca. 300+ aktiven Zeitarbeitnehmern mit komplexem Schichtbetrieb.

Quinyx für mittlere Komplexität mit KI-Forecasting
Quinyx bietet Workforce-Optimierung mit ML-basiertem Demand-Forecasting und einem Planungsalgorithmus. Keine volle CP-SAT-Constraint-Optimierung, aber deutlich stärker als manuelle Planung. Vorteil: EU-Datenhaltung, gute Mobile-App, modularer Einstieg. Preis: branchenüblich 4–8 Euro/Mitarbeiter/Monat für das Basismodul. Passend für Betriebe mit 100–300 Mitarbeitenden, die ohne riesiges ERP-Projekt starten wollen.

DispoMaster für den transparenten Einstieg
DispoMaster ist das einzige spezialisierte Zeitarbeit-Tool mit öffentlichen Preisen. 10 Euro/aktiver Mitarbeiter/Monat + 45 Euro Basisfee; Flatrate 1.000 Euro/Monat ab 100 Mitarbeitenden; Einrichtung 600 Euro einmalig. Kein echter Optimizer, aber ein strukturierter Dispositionsrahmen mit AÜG-Frühwarnung, der manuell gepflegte Excel-Landschaften ersetzt. Sinnvoller Schritt auf dem Weg zur echten Optimierung: Erst Daten sauber, dann Solver drauf.

Custom Optimizer (Python/Google OR-Tools)
Für Betriebe, die wirklich constraint-basiert optimieren wollen und eine IT-Abteilung oder einen Implementierungspartner haben: Google OR-Tools (CP-SAT-Solver) ist Open Source, kostenlos und für Schichtplanungsprobleme in Zeitarbeitsgröße gut geeignet. Der Solver selbst ist in Tagen einzurichten, die Arbeit liegt in der Datenintegration. Dieser Weg lohnt sich, wenn zvoove oder ein anderes System eine saubere API-Anbindung erlaubt.

Zusammenfassung: Was wann passt

• Unter 100 Mitarbeitende, Excel ersetzen → DispoMaster
• 100–300 Mitarbeitende, KI-Forecasting, schneller Start → Quinyx
• 200+ Mitarbeitende, tiefe Constraint-Optimierung, Bereit für ERP-Projekt → ATOSS
• zvoove bereits im Einsatz, Optimierung on top → Custom Optimizer via API oder ATOSS als Planungsschicht
• 300+ Mitarbeitende, Maximum Kontrolle, IT-Kapazität vorhanden → Custom CP-SAT auf Basis OR-Tools

Die Integrations-Realität: Wo die Arbeit wirklich stattfindet

Das ist der Abschnitt, den kein Softwareanbieter gerne zeigt, aber der wichtigste, bevor du ein Budget freigibst.

80 % des Projektaufwands ist Datenintegration, nicht Optimierung.

Ein Constraint-Solver braucht Daten in einer bestimmten Form:

• Qualifikationen je Kandidat (aktuell, vollständig, keine Duplikate)
• Verfügbarkeit je Kandidat je Tag (Echtzeit-Synchronisation mit dem ATS)
• AÜG-Einsatzzähler je Kandidat je Kundenbetrieb (kritisch und fehleranfällig)
• Schichtanforderungen je Kundenbetrieb (Qualifikationsprofil, Schichtmodell, Präferenzen)
• Fahrtzeit-Matrix (entweder Google Maps API oder statische Radius-Heuristik)

In einer typischen mittelgroßen Zeitarbeitsfirma sind diese Daten auf drei bis vier Systeme verteilt: Das ATS (zvoove, Bullhorn, oder eine ältere Lösung), die Zeiterfassung, die Lohnabrechnung, und Excel. Datenschnitt-Probleme, unterschiedliche Qualifikations-Taxonomien zwischen Systemen und inkonsistente Datenpflege sind die Regel, nicht die Ausnahme.

Was konkret passiert, wenn die Integration nicht stimmt:

Der Solver schlägt Kandidaten vor, die eigentlich nicht verfügbar sind, weil die Urlaubs-Daten 24 Stunden verzögert synchronisiert werden. Der Solver ignoriert AÜG-Näherungsfälle, weil die Einsatzzähler nicht pro Kundenbetrieb getrennt gespeichert sind. Der Solver findet keine optimale Lösung, weil 30 % der Qualifikationsdaten fehlen oder veraltet sind.

In allen drei Fällen verlieren Disponenten das Vertrauen in das System, und planen wieder manuell. Das ist der eigentliche Fehlermodus dieses Use Case.

Empfehlung: Plane zwei Phasen. Phase 1 (4–6 Wochen): Datenhygiene, AÜG-Zähler prüfen, Qualifikationsdatenbank bereinigen, Synchronisationsprozesse etablieren. Phase 2 (8–12 Wochen): Solver-Integration und Kalibrierung. Wer Phase 1 überspringt, zahlt den Preis in Phase 2 doppelt.

Datenschutz und Datenhaltung

Einsatzplanung verarbeitet sensible personenbezogene Daten: Arbeitsorte, Arbeitszeiten, Qualifikationen, teilweise Gesundheitsdaten (Arbeitsunfähigkeit, Einschränkungen). Das bedeutet:

• DSGVO Art. 88 (Beschäftigtendatenschutz) gilt, wenn Mitarbeiterdaten an externe Systeme übermittelt werden
• Für alle Cloud-Lösungen ist ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO erforderlich
• Betriebsrat: Wenn ihr einen Betriebsrat habt, muss die Einführung einer Planungssoftware mit ihm abgestimmt werden, § 87 BetrVG, Mitbestimmungsrecht bei Überwachungsmaßnahmen
• Standortdaten für Fahrtzeit-Optimierung: Wenn der Solver die genaue Wohnadresse der Zeitarbeitnehmer für Fahrtzeit-Berechnungen nutzt, muss das datenschutzrechtlich dokumentiert sein

EU-konforme Optionen je Tool:

• zvoove: EU-Hosting (Deutschland), AÜG-Compliance nativ, AVV selbstverständlich, klare Empfehlung für das Datenbankfundament
• ATOSS: Datenhaltung in Deutschland, deutschsprachiger Datenschutz-Ansprechpartner, bewährt in regulierten Branchen
• Quinyx: EU-Datenhaltung, eigenes Trust Center, DSGVO-konform ausstellbar, aber nicht ganz so tief wie ATOSS oder zvoove in der deutschen Compliance-Tiefe
• Custom Optimizer mit Google OR-Tools: Daten bleiben vollständig in deiner Infrastruktur, maximale Kontrolle, aber auch volle Eigenverantwortung für den Betrieb

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

• Datenhygiene-Projekt (intern oder begleitet): 2–6 Wochen interner Aufwand; falls externe Unterstützung: 3.000–10.000 Euro
• Solver-Integration und Konfiguration (bei ATOSS oder Custom): 10.000–30.000 Euro Implementierungskosten, je nach Systemkomplexität
• DispoMaster-Einstieg: 600 Euro einmalig (inkl. 15 h Schulung), Grenzfall zwischen “Einstieg” und “echter Optimierung”

Laufende Kosten (monatlich)

• DispoMaster: 10 €/aktiver Mitarbeiter + 45 € Basisfee (Flatrate ab 100 MA: 1.000 €/Monat)
• Quinyx: ca. 4–8 €/Mitarbeiter/Monat für das Basismodul; KI-Module zusätzlich
• ATOSS: Jahreslizenzen ab ca. 10.000–50.000 € für mittelständische Betriebe; Implementierung separat
• Custom Optimizer auf OR-Tools: 0 € Lizenz, aber Hosting (~200–500 €/Monat) und Betriebsaufwand

Was du dagegenrechnen kannst
240 aktive Zeitarbeitnehmer, Stundensatz 22 Euro, aktuell 12 % Auslastungslücke:

• Verlorene Stunden/Woche: 240 × 0,12 × 40 h = 1.152 Stunden
• Verlorener Umsatz/Woche: 1.152 × 22 € = 25.344 €
• Erreichbare Verbesserung (konservativ: 40 % der Lücke geschlossen): ~10.000 €/Woche Mehrumsatz

Das sind 40.000 Euro pro Monat im konservativen Szenario, gegen Lizenz- und Betriebskosten von typisch 5.000–15.000 Euro/Monat. Der Break-even liegt rechnerisch in den ersten zwei Monaten nach Produktivstart. In der Praxis kommt der erste messbare Effekt nach 3–4 Monaten.

ROI tatsächlich messen: Der direkteste Beweis ist die Auslastungsquote Woche für Woche, platzierte Stunden / verfügbare Stunden. Führe eine Baseline-Messung über 4 Wochen vor der Einführung. Dann vergleiche nach 8, 12, 16 Wochen. Wenn der Solver funktioniert, siehst du die Kurve.

Typische Einstiegsfehler

1. Den Solver starten, bevor die Daten stimmen.
Das ist der häufigste und folgenreichste Fehler. Wenn Qualifikationsdaten fehlen, AÜG-Zähler nicht pro Kundenbetrieb getrennt sind oder Verfügbarkeiten mit 24-Stunden-Verzögerung synchronisiert werden, produziert der Solver falsche Vorschläge. Disponenten entdecken zwei, drei Fehler, und verlassen das System dauerhaft. Lösung: Datenqualitätsprojekt vor Solver-Integration, nicht danach.

2. Den Solver als Black Box einführen.
Ein Constraint-Solver ist für Disponenten zunächst eine Autorität, der sie nicht vertrauen. Wenn sie nicht verstehen, warum eine Zuweisung vorgeschlagen wird, werden sie jede ungewohnte Empfehlung ablehnen, selbst wenn sie optimal ist. Lösung: Transparente Constraint-Anzeige im Interface (“Diese Zuweisung wird empfohlen, weil: [Qualifikation passt, Fahrtzeit 18 min, Kandidat war zuletzt vor 4 Wochen beim Kunden]”). Die Begründung ist kein Nice-to-have, sie ist der Akzeptanzhebel.

3. Erwarten, dass der Solver alle harten Constraints automatisch kennt.
AÜG § 1 Abs. 1b ist im deutschen Zeitarbeitsmarkt Pflicht, aber kein internationaler Standardsoftwareanbieter kennt ihn ab Werk. Du musst diesen Constraint explizit konfigurieren, testen und laufend überwachen. Gleiches gilt für branchenspezifische Tarifverträge, die abweichende Überlassungsgrenzen erlauben. Niemand prüft das für dich. Das ist deine Compliance-Verantwortung.

4. Die menschliche Übersteuerung als Systemfehler behandeln.
Disponenten werden immer übersteuern, zu Recht. Der Solver kennt nicht, dass Sandra heute nicht zum Kunden in Düsseldorf möchte, weil ihr letzter Einsatz dort eskaliert ist. Er kennt nicht, dass der Betriebsleiter bei Kunde X explizit nach Mehmet gefragt hat. Diese Informationen sind nicht in der Datenbank. Die Übersteuerungsrate in den ersten Monaten liegt erfahrungsgemäß bei 20–40 %, sinkt danach auf 10–15 %, das ist ein gesunder Wert. Wer eine Übersteuerungsrate von nahe null anstrebt, will keinen Disponenten, sondern einen vollautomatischen Algorithmus, und das ist weder erreichbar noch wünschenswert.

5. Das System nach der Einführung nicht warten.
Constraints, die bei der Einführung konfiguriert wurden, veralten: Ein Tarifvertrag ändert sich, ein Kunde erweitert seine Anforderungsprofile, neue Qualifikationen kommen hinzu. Wer das System sechs Monate nicht anfasst, hat nach einem Jahr einen Solver, der mit veralteten Regeln plant. Plan: Vierteljährliche Constraint-Prüfung mit dem Dispositionsteam.

Was mit der Einführung wirklich passiert, und was nicht

Die technische Einführung ist nicht das schwierigste an diesem Projekt. Das schwierigste ist das Gespräch mit Disponenten, die seit Jahren gut planen, und nun einem System vertrauen sollen.

Muster 1: Die erfahrene Disponentin.
Sie kennt den Pool besser als das System. Sie weiß, dass der Solver Thomas einem Kunden zuordnet, mit dem Thomas sich nicht gut versteht, und das System kann diese Information nicht wissen. Sie wird zu Recht übersteuern und anfangs das Gefühl haben, das System macht mehr Arbeit als es spart (Überprüfungsaufwand addiert sich zum Planungsaufwand). Dieser Effekt ist real und dauert 4–8 Wochen. Er löst sich auf, wenn der Solver genug kalibriert ist und die Disponentin gelernt hat, welche Vorschläge er zuverlässig gut macht und wo sie immer gegenlesen muss.

Muster 2: Neue Disponenten ohne Poolkenntnis.
Wer erst seit wenigen Monaten disponiert, neigt eher dazu, dem System zu folgen, was gut ist, bis sie auf einen Fehler stoßen. Ein einziger offensichtlicher Fehler (Kandidat ohne aktuelle Qualifikation zugeordnet) reicht, um dauerhaftes Misstrauen zu erzeugen. Lösungsansatz: Pilotbereich mit kleiner Kandidatengruppe, deren Daten 100 % bereinigt sind.

Was konkret hilft:

• Disponenten in die Constraint-Definition einbeziehen, bevor der Solver konfiguriert wird, sie kennen die Praxis, die Daten und die Kundenpräferenzen besser als jedes Datenbankschema
• Erste drei Monate: Solver als “zweite Meinung”, nicht als primärer Plan. Disponenten erstellen den Plan normal, Solver schlägt danach Verbesserungen vor, so lernt das Team, wie der Solver denkt
• Wöchentliche kurze Rückschau-Runde: Was hat der Solver diese Woche gut gemacht, wo hat er danebengegriffen? Dieses Gespräch ist gleichzeitig Kalibrierungssignal für den Constraint-Verantwortlichen

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Disponenten kennen den Pool besser als jeder Algorithmus.”
Stimmt für Einzelentscheidungen, und stimmt nicht für die simultane Optimierung aller 38 Slots gleichzeitig. Ein erfahrener Disponent ist exzellent darin, den besten Kandidaten für diesen Bedarf zu finden. Ein Solver ist besser darin, den besten Gesamtplan zu finden, bei dem keine Auslastungslücken entstehen, weil der “beste Kandidat” für Stelle A später auch für die dringende Stelle B benötigt wird. Die Fähigkeiten ergänzen sich, sie konkurrieren nicht.

„Das klappt nicht, weil unsere Daten ein Chaos sind.”
Das ist das ehrlichste Eingeständnis, und das häufigste echte Hindernis. Aber es ist kein Argument gegen den Solver, es ist ein Argument für Phase 1 (Datenhygiene). Die Datenpflege-Investition zahlt sich ohnehin aus, unabhängig vom Solver: Saubere Qualifikationsdaten, korrekte AÜG-Zähler und aktuelle Verfügbarkeiten sind Grundlagen für jeden seriösen Dispositionsprozess.

„Das ist zu teuer für unser Volumen.”
Für Betriebe unter 100 Mitarbeitenden: wahrscheinlich richtig. Ein strukturierter Planungsprozess mit DispoMaster und sauberen Daten ist der sinnvollere erste Schritt. Für Betriebe ab 150–200 Mitarbeitenden: Rechne die Auslastungslücke konkret durch. 10 Prozent Lücke bei 200 Mitarbeitenden und 22 Euro Stundensatz sind über 80.000 Euro Wochenumsatz-Potenzial. Die Software ist nicht das Problem.

Woran du merkst, dass das zu dir passt

Du bist im richtigen Bereich, wenn:

• Dein Dispositionsteam betreut mehr als 150 aktive Zeitarbeitnehmer, darunter ist der Solver kein echter Hebel
• Ihr habt messbare, nicht-zufällige Auslastungslücken (prüfe: Verfügbarkeitsquote vs. Auslastungsquote)
• Disponenten verbringen mehr als zwei Stunden täglich mit reiner Planungsarbeit (Schichten zuweisen, Verfügbarkeit prüfen, Fristen kontrollieren)
• AÜG-Fristenüberwachung läuft aktuell manuell oder in Excel, das ist ein klares Risikosignal
• Das Dispositionsteam kann auf kurzfristige Planänderungen nicht innerhalb von 30 Minuten reagieren, weil die Abhängigkeiten zu komplex sind

Drei harte Ausschlusskriterien, hier bringt der Solver jetzt nichts:

1. Unter 100 aktiven Zeitarbeitnehmern. Bei dieser Größe ist manuell informierte Planung mit einem guten System wie DispoMaster oder Quinyx effizienter als ein Optimierungsprojekt mit 12–18 Wochen Implementierungszeit. Der Aufwand steht in keinem Verhältnis zum Ergebnis.

2. Qualifikationsdaten sind nicht systematisch gepflegt. Wenn für mehr als 20 Prozent des aktiven Pools keine vollständigen, aktuellen Qualifikationsinformationen vorhanden sind, wird der Solver schlechter planen als erfahrene Disponenten, weil er schlicht die nötige Information nicht hat. Das Datenprojekt muss vor dem Solver kommen.

3. Kein System, das via API Daten exportieren kann. Ein Constraint-Solver braucht Echtzeit-Daten. Wenn das bestehende ATS oder ERP keinen strukturierten Datenexport erlaubt (API, CSV-Sync, Webhook), ist die Integration nicht machbar ohne Eigenentwicklung, und das verdoppelt das Projektbudget.

Das kannst du heute noch tun

Bevor du irgendetwas kaufst oder konfigurierst: Miss deine aktuelle Auslastungslücke.

Nimm die letzten vier Wochen. Zähle: Wie viele Stunden waren deine aktiven Zeitarbeitnehmer insgesamt verfügbar? Wie viele wurden tatsächlich platziert? Die Differenz ist deine Lücke. Wenn die Zahl über 8–10 Prozent liegt, ist dieses Thema für dich relevant.

Wenn du zvoove nutzt, ist dieser Report aus der Auslastungsübersicht zu ziehen. Wenn du noch in Excel planst, brauchst du etwa eine Stunde für eine Annäherungsrechnung.

Danach: Verwende diesen Prompt, um die Lücke zu strukturieren und erste Constraint-Kategorien zu identifizieren.

Quellen & Methodik

• Bundesagentur für Arbeit, Statistik Zeitarbeit, Juni 2025: 622.000 sozialversicherungspflichtig beschäftigte Leiharbeitnehmer in Deutschland; Branchenumsatz 21,7 Mrd. Euro (2022). statistik.arbeitsagentur.de
• McKinsey Global Institute, “Smart scheduling: How to solve workforce-planning challenges with AI” (2023): Utility-Pilot: Break-ins −75 %, Jobverzögerungen −67 %, Feld-Produktivität +20–30 % durch AI-Scheduling. mckinsey.com
• AÜG § 1 Abs. 1b: Höchstüberlassungsdauer 18 Monate, in Kraft seit 01.04.2017. Bußgelder bis 30.000 Euro bei Verstoß. Haufe.de, Arbeitnehmerüberlassung: Dauer auf 18 Monate begrenzt
• DispoMaster Preisseite (Mai 2026): 10 €/aktiver Mitarbeiter/Monat + 45 € Basisfee; Flatrate 1.000 €/Monat ab 100 Mitarbeitenden; Einrichtung 600 € einmalig. dispomaster.com/preise
• Auslastungslücken-Schätzung (10–15 %): Eigene Einschätzung aus Dispositionsprojekten und Branchenberichten; keine gesicherte repräsentative Erhebung verfügbar. Konservativ rechnen.
• Implementierungskosten und ROI-Szenarien: Erfahrungswerte aus Workforce-Management-Projekten in Logistik und Zeitarbeit (Stand Mai 2026); Vendor-Zahlen (zvoove, ATOSS, Quinyx) wo angegeben als Anbieterdaten gekennzeichnet.
• ERP-Datenintegrationsprobleme: User Solutions Blog, “ERP Data Integration for Scheduling: Best Practices” (2024): Echte Laufzeiten weichen 30–50 % vom Routing-Standard ab, strukturelle Datenqualitätsprobleme. usersolutions.com

Du willst verstehen, ob dein Betrieb reif für eine Solver-Integration ist, und was das konkret bedeutet? Meld dich, das klären wir gemeinsam in einem kurzen Gespräch.