KI-gestützte Auslastungsprognose für Zeitarbeitsunternehmen

Das echte Ausmaß des Problems

Die Zeitarbeitsbranche in Deutschland beschäftigt rund 796.000 Arbeitnehmer (Bundesagentur für Arbeit, Statistik zum 30. Juni 2023). Der Sektor lebt von Flexibilität, und stirbt daran, wenn diese Flexibilität reaktiv statt vorausschauend gesteuert wird.

Das strukturelle Problem: Zeitarbeitsfirmen verkaufen Flexibilität an ihre Kundenbetriebe, tragen aber das Risiko der Leerzeiten selbst. Jede Stunde, in der ein Zeitarbeitnehmer beschäftigt ist, zahlt der Kundenbetrieb, jede Stunde Leerzeit zwischen zwei Einsätzen trägt das Zeitarbeitsunternehmen. Bei einem durchschnittlichen Bruttolohn von 14–18 Euro pro Stunde im gewerblichen Bereich (iGZ/GVP-Tarifwerk, Stand 2024–2025) plus Sozialabgaben entstehen Leerzeit-Kosten von 20–28 Euro pro Arbeitnehmer und Stunde, ohne Marge.

Die saisonalen Muster sind stabil und bekannt: In der Vorweihnachtszeit steigt die Zahl der Zeitarbeitenden in Deutschland um rund 50.000 zusätzliche Personen, in konjunkturell starken Jahren über 80.000 (laut Analyse von MM Logistik auf Basis von Bundesagentur-Daten). Logistik und Handel bilden dabei die zuverlässigsten Spitzen. Automotive-Zyklen folgen einem anderen Takt, Quartalswechsel, Modellwechsel, Werksstillstände.

Das Problem liegt nicht in fehlenden Daten, sondern darin, dass diese Daten nicht ausgewertet werden. Disponenten haben in ihren Systemen, oder in Excel-Tabellen, Monate bis Jahre an Einsatzhistorien. Welcher Kundenbetrieb reduziert typischerweise im ersten Quartal? Welche Qualifikationsprofile werden im Herbst knapp? Wann rücken die ersten AÜG-Fristen zusammen, die Mitarbeitende zwingen, den Einsatz zu wechseln? Dieses Wissen steckt in den Daten. Es wird nur selten systematisch abgefragt.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Erfahrungswerte aus Praxisberichten; tatsächliche Werte hängen stark von Datenqualität, Branchenmix und Kundenstabilität ab. Bei hoher Kundenfluktuation oder sehr kleinem Pool sinkt der Prognosevorteil messbar.

Wichtige Einschränkung: Das Modell kann nur Muster vorhersagen, keine Einzelentscheidungen von Kunden. Wenn ein Kundenbetrieb überraschend eine Produktionslinie stoppt, hilft keine Prognose. Aber sie hilft bei allem, was sich wiederholt: Jahreszyklen, Branchenmuster, Saisonverläufe.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Das Prognosemodell spart Disponenten keine direkten Arbeitsstunden. Die Disponierung selbst, Anrufe, Kandidatenabgleich, Vertragsorganisation, läuft weiter wie bisher. Was sich ändert: Der Disponent greift nicht mehr in akute Krisen ein, sondern handelt 2–3 Wochen früher. Das ist weniger stressig, aber nicht kürzer. Im Vergleich zur KI-gestützten Einsatzplanung und Disposition, die Disponenten täglich 30–90 Minuten Planungsaufwand abnimmt, ist der direkte Zeitgewinn hier deutlich kleiner.

Kosteneinsparung, hoch (4/5) Jede eingesparte Leerzeit ist direkter Deckungsbeitrag. Bei 100 aktiven Zeitarbeitnehmern und einer durchschnittlichen Leerzeit von 3 Prozent bedeutet eine Reduktion um ein Drittel: täglich etwa 1 Stunde eingesparte Leerzeit pro Mitarbeitenden im Durchschnitt, in der Hochrechnung schnell fünfstellige Jahresbeträge. Der Hebel ist real und direkt messbar. Der Kosteneinsparungseffekt skaliert mit der Poolgröße.

Schnelle Umsetzung, niedrig (2/5) Bis eine Predictive Analytics-Pipeline auf Zeitarbeitsdaten verlässliche Prognosen liefert, vergehen realistisch 12–18 Wochen: Datenaufbereitung, Modellauswahl, Training, Validierung, Integration ins bestehende Dispositionssystem. Das ist länger als bei vielen anderen KI-Anwendungen in dieser Branche. Der Einstieg über ein bestehendes Dispositionssystem mit eingebautem Analytics-Modul verkürzt das, aber nicht dramatisch.

ROI-Sicherheit, niedrig (2/5) Das ist die ehrlichste Bewertung dieses Anwendungsfalls: Weniger Leerzeiten nach der Modell-Einführung bedeuten nicht automatisch, dass das Modell die Ursache ist. Möglicherweise hat sich der Markt verbessert. Möglicherweise haben Disponenten aufgehört, reaktiv zu arbeiten, weil sie überhaupt mehr Daten sehen. Isolierte Vorher-Nachher-Vergleiche sind methodisch schwierig. Das ist kein Argument gegen die Investition, aber gegen die Erwartung, in drei Monaten sauber zu berechnen, was das Modell gebracht hat.

Skalierbarkeit, hoch (4/5) Mit jedem weiteren Jahr an Einsatzdaten wird das Modell besser. Mit jedem neuen Mitarbeitenden im Pool wächst die statistische Basis. Das ist einer der seltenen Anwendungsfälle, bei dem Datenwachstum direkt Prognosegüte bedeutet, ohne proportional wachsenden Konfigurationsaufwand.

Richtwerte, stark abhängig von Poolgröße, Branchenmix, Kundenstabilität und Datenhistorie.

Was das Prognosemodell konkret macht

Auslastungsprognose ist im Kern eine Machine Learning-Aufgabe auf Zeitreihen. Das Modell analysiert historische Einsatzdaten und lernt, wann welche Kapazitäten erfahrungsgemäß knapp werden. Die Eingangsdaten sind:

• Einsatzhistorie: Wer war wann wo eingesetzt, wie lange, in welcher Qualifikation?
• Kundenbedarfsmuster: Welcher Kundenbetrieb hat historisch zu welchen Zeitpunkten Bedarf angemeldet, und wieder reduziert?
• Offene Anfragen: Was liegt gerade im Pipeline, wie entwickelt sich die Auftragslage?
• Kalendarische Variablen: Feiertage, Schulferien, Quartalswechsel, Tarifverhandlungszeiträume
• Qualifikationsprofile: Welche Qualifikationen sind im Pool knapp, welche überrepräsentiert?

Das Modell verbindet diese Datenquellen und gibt Disponenten eine rollierende Kapazitätsvorschau: „In drei Wochen werden voraussichtlich 8–12 Schlosser-Positionen frei, gleichzeitig rechnen wir mit erhöhter Nachfrage aus dem Logistikbereich.” Die Disponenten nutzen diese Information, um jetzt schon Kandidaten anzusprechen, Anschlusseinsätze zu akquirieren oder Weiterbildungsmaßnahmen einzuplanen.

Die Prognose ist keine Garantie, es ist ein Wahrscheinlichkeitsfenster. Ein seriöses Modell gibt Konfidenzintervalle mit: nicht „in 3 Wochen werden es 10 Schlosser sein”, sondern „mit 70 % Wahrscheinlichkeit zwischen 7 und 13, Hauptunsicherheit liegt im Verhalten von Kundenbetrieb X”.

AÜG-Taktgeber: Wenn das Gesetz deinen Forecast mitschreibt

Ein Faktor, den generische Workforce-Forecasting-Ansätze ignorieren, ist in der deutschen Zeitarbeit unvermeidlich: das Arbeitnehmerüberlassungsgesetz (AÜG).

Die 18-Monats-Grenze macht jede Langzeiteinsatz-Situation zu einem vordefinierten Datum, an dem eine Veränderung eintritt. Wenn ein Zeitarbeitnehmer seit 16 Monaten bei demselben Entleiher arbeitet, sind zwei Dinge planbar: In spätestens zwei Monaten muss er entweder wechseln, oder der Entleiher übernimmt ihn fest, oder der Einsatz endet. Das ist kein Risiko, das ist ein Ereignis mit exakt bekanntem Termin.

Equal Pay nach 9 Monaten verändert die Kosten für das Entleiherunternehmen. Viele Entleihbetriebe reagieren darauf, indem sie Einsätze vor diesem Schwellenwert beenden. Für Zeitarbeitsfirmen bedeutet das: Rund um den 9-Monats-Punkt steigt die Wahrscheinlichkeit, dass ein Einsatz endet. Wer diese Schwelle im Prognosemodell nicht explizit abbildet, hat systematisch blinde Flecken.

Ein gut konfiguriertes Modell für den deutschen Markt nutzt AÜG-Schwellenwerte als harte Prognose-Ereignisse: Jede aktive Überlassung hat ein bekanntes Datum, an dem das Risiko einer Unterbrechung steigt. Diese Termine sind in zvoove systemseitig hinterlegt, der Schritt ist, diese Compliance-Daten auch als Prognosefaktor zu nutzen, nicht nur als Warnmeldung.

Branchenzyklen kennen und modellieren

Zeitarbeitsfirmen bedienen selten eine Branche, meistens einen Mix. Der Vorteil: Verschiedene Branchen haben verschiedene Saisonalitäten, die sich gegenseitig ausgleichen können. Der Nachteil: Das Prognosemodell muss diese Zyklen kennen.

Automotive: Produktionsvolumen folgt Modellwechseln, Werksferien (typisch Sommer und zwischen den Jahren), Quartalsabschluss-Mustern und, seltener, aber mit hoher Auswirkung, strukturellen Kapazitätsanpassungen. KI-Produktion-Umstellungen (Verbrenner auf Elektro) haben 2023–2025 in Deutschland zu ungewöhnlichen Kapazitätsschwankungen geführt, die klassische Jahresmuster überlagert haben. Ein Prognosemodell auf reinen Historiedaten hat das nicht korrekt vorhergesagt.

Logistik und E-Commerce: Das Q4-Muster (Oktober bis Dezember) ist das verlässlichste in der deutschen Zeitarbeit. Die Nachfrage steigt in dieser Zeit um 20–40 %, Vorlaufzeit ist kurz. Wer Logistik-Kunden hat, braucht das Modell, um die Spitze früh genug zu besetzen, und muss nach Januar mit einer Rückgangswelle rechnen.

Pharma und Medizintechnik: Stabilerer Basisbedarf, aber Spitzen durch klinische Studien-Phasen, Zulassungsläufe und saisonale Produktionssteigerungen. Länger planbar, aber volatiler bei regulatorischen Ereignissen.

Bauwirtschaft: Wintermonate (November bis Februar) = systematischer Rückgang, Frühjahr = struktureller Anstieg. Stark wetterabhängig, mit hohem Planungsbedarf für das Übergangspersonal.

Das Prognosemodell sollte Branchenmerkmale auf Kundenbetriebe übertragen, damit Automotive-Muster nicht die Logistik-Prognose verfälschen und umgekehrt. Wer diesen Schritt überspringt, baut ein durchschnittliches Modell, das für keine der Branchen präzise ist.

Konkrete Werkzeuge, was wann passt

zvoove mit Analytics-Modul, Der naheliegendste Einstieg für Zeitarbeitsfirmen, die bereits zvoove als Dispositionssystem nutzen. Das Analytics-Modul zeigt Auslastungsdaten, AÜG-Fristen und Margenkennzahlen in Echtzeit. Es liefert keine echten ML-Prognosen, aber strukturierte historische Auswertungen, auf deren Basis Disponenten vorausschauend planen können. Das ist der Minimalschritt, der keinen Data Scientist braucht und für Firmen ab ~50 Mitarbeitenden funktioniert. EU-Datenhosting, AÜG-Compliance nativ eingebaut.

Bullhorn mit Pipeline-Forecasting, Für Zeitarbeitsfirmen mit internationalem Fokus oder hohem Besetzungsvolumen. Bullhorn Analytics prognostiziert Placement-Zahlen und Margen auf Basis des ATS-Pipelines. Stärker auf den Sales-Funnel ausgerichtet als auf operative Kapazitätsplanung. Wichtiger Hinweis: US-Datenhosting, AÜG-spezifische Compliance muss manuell konfiguriert werden.

Microsoft Power BI + Dispositions-Export, Wer bereits Dispositionsdaten in einem exportierbaren Format hat (zvoove-Export, Excel, CSV), kann Power BI als Visualisierungsschicht nutzen. Mit Power BI Desktop (kostenlos) lassen sich rollierende Auslastungsberichte und Trend-Analysen aufbauen, ohne eine neue Plattform einzuführen. Das ist kein ML-Prognosemodell, aber strukturierte Datenvisualisierung, die eine enorme Verbesserung gegenüber dem manuellen Überblick ist. Power BI Pro kostet 12,10 Euro pro Nutzer und Monat.

Nixtla TimeGPT, Für Zeitarbeitsfirmen mit einem Datenteam oder einem IT-affinen Mitarbeitenden, der Python-Grundkenntnisse hat. TimeGPT ist eine API für Zeitreihenprognosen ohne eigenes Modelltraining, historische Einsatzdaten rein, Prognosen raus, mit Konfidenzintervallen. Ab 0,50 USD pro 1.000 Prognosen, Business-Tarif ab 500 USD/Monat. Technisch sauber, aber ohne Dashboard, Visualisierung muss separat aufgebaut werden (z.B. Power BI). US-Hosting; DSGVO-Bewertung nötig, wenn Personaldaten als Kovariaten einfließen.

Zusammenfassung: Wann welcher Ansatz

• Bereits zvoove im Einsatz: Analytics-Modul aktivieren, kein Extra-System nötig
• Kein dediziertes Dispositionssystem, aber Exporte verfügbar: Power BI als Einstieg
• Bullhorn-Nutzer mit internationalem Fokus: Pipeline-Forecasting aktivieren
• Eigenes Datenteam vorhanden: Nixtla TimeGPT für produktionsfähige ML-Prognosen

Datenschutz und Datenhaltung

Auslastungsprognose verarbeitet zwei Kategorien von Daten: operative Kundendaten (Auftragsvolumen, Bedarfsmuster, Branche) und personenbezogene Mitarbeiterdaten (Einsatzhistorie, Qualifikation, Verfügbarkeit). Letztere unterliegen der DSGVO.

Was das konkret bedeutet:

• Einsatzhistorien mit Personenbezug (Wer war wann wo?) dürfen nicht ohne Weiteres in externe ML-APIs fließen. Für Nixtla TimeGPT (US-Hosting) muss geprüft werden, ob aggregierte oder pseudonymisierte Daten ausreichen, oder ob ein EU-Hosting-Äquivalent genutzt werden kann. Für Planungszwecke reichen oft anonymisierte Kapazitätsmuster (Wie viele Schlosser waren in KW 38 aktiv?) statt personenscharfer Verläufe.
• zvoove und Microsoft Power BI (EU-Datenhostingoption verfügbar) sind in der Nutzung von EU-Servern absicherbar. Beide sind AVV-fähig.
• Bullhorn speichert Daten primär auf US-Servern. Standard Contractual Clauses sind vorhanden, aber kein EU-Rechenzentrum.

Betriebsrat einbeziehen: In Betrieben mit Betriebsrat muss der Betriebsrat bei der Einführung von Systemen beteiligt werden, die Arbeitsverhalten und Leistung von Mitarbeitenden auswerten könnten (§87 BetrVG). Eine Auslastungsprognose, die individuelle Mitarbeitereinsätze auswertet, fällt unter diese Mitbestimmungspflicht. Das ist kein Hindernis, aber eine Anforderung, die frühzeitig in der Projektplanung berücksichtigt werden sollte.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

• Aktivierung eines bestehenden Analytics-Moduls (zvoove): typisch 0–2.000 Euro, je nach Konfigurationsaufwand
• Power BI als Reporting-Layer auf vorhandenen Exporten: 1–3 Wochen interner Aufwand; externe Unterstützung 2.000–5.000 Euro
• Custom ML-Prognosemodell (Nixtla TimeGPT oder eigenes): Entwickleraufwand 15.000–40.000 Euro einmalig für Implementierung, Validierung und Dashboard-Integration
• Datenmigration und -bereinigung (oft unterschätzt): 20–40 Stunden interner Aufwand bei historischen Einsatzdaten in gemischten Formaten

Laufende Kosten (monatlich)

• Power BI Pro: ca. 12–21 Euro/Nutzer/Monat (je nach Plan und Nutzerzahl)
• Nixtla TimeGPT Business: ab 500 USD/Monat für unlimitierte Prognosen
• zvoove Analytics: im bestehenden Lizenzvertrag, kein Aufpreis bei Professional Plus und Premium

Wie der Nutzen entsteht und gemessen wird

Der sauberste ROI-Beweis ist ein Vorher-Nachher-Vergleich der Leerzeit-Quote über mindestens 6 Monate: Wie viele Stunden pro Mitarbeitendem und Woche entfielen auf unbesetzte Zeiten zwischen Einsätzen, vor und nach der Modell-Einführung? Diese Zahl multipliziert mit dem Stundenkostensatz ergibt den Bruttonutzen.

Zur Orientierung: Bei 100 aktiven Zeitarbeitnehmern, einer Leerzeit-Quote von 4 % und einem Kostensatz von 22 Euro/Stunde (Bruttokosten) entstehen rund 3.500 Euro Leerzeit-Kosten pro Woche. Eine Reduktion um 25 % spart knapp 900 Euro pro Woche oder ca. 46.000 Euro im Jahr. Das deckt in den meisten Szenarien den Einrichtungsaufwand eines Custom-Modells innerhalb von 12 Monaten, im konservativen Szenario (15 % Reduktion) innerhalb von 18–24 Monaten.

Ehrliche Einschränkung: Diese Rechnung funktioniert nur, wenn die Leerzeiten tatsächlich durch das frühzeitigere Agieren der Disponenten, und nicht durch günstigere Marktbedingungen, gesunken sind. Dieser Kausalnachweis ist schwer, und das sollte intern transparent kommuniziert werden, bevor das Projekt auf bestimmte ROI-Ziele verpflichtet wird.

Vier typische Einstiegsfehler

1. Modell trainieren, bevor die Datenbasis stimmt. Das häufigste Scheitermuster: Man importiert Einsatzdaten der letzten drei Jahre, baut ein Modell, und die Prognosen sind kaum besser als eine einfache Mittelwertlinie. Ursache fast immer: Die historischen Daten sind fragmentiert, unvollständig oder inkonsistent. Mitarbeitende wurden ohne Enddatum ausgetragen, Kunden ohne Branchenzuordnung angelegt, Einsatzstunden fehlen für bestimmte Monate. Lösung: Vor dem ersten Modellierungsschritt einen Datenaudit machen. Welche Datenfehler gibt es? Wie vollständig sind die letzten 24 Monate? Erst wenn die Datenqualität stimmt, lohnt sich der Modellierungsaufwand.

2. Branchenzyklen des Kundenmix ignorieren. Ein Modell, das für einen Automotive-lastigen Pool auf Logistik-Saisonalität trainiert wird, oder umgekehrt, lernt falsche Muster. Jedes Prognosemodell sollte Kundenbetriebe nach Branche kennzeichnen und branchenspezifische Muster separat modellieren. Wer diesen Schritt überspringt, bekommt ein gemitteltes Modell, das keine Branche richtig trifft.

3. Prognosen ausgeben, aber keine Handlungslogik definieren. Das ist der Fehler, den INOP.ai in seiner Analyse von Workforce-Forecasting-Projekten als häufigste Einzelursache für stagnierende Nutzung beschreibt: Ein Modell gibt aus, dass in drei Wochen 12 Stellen für Gabelstaplerfahrer frei werden, und niemand hat definiert, was jetzt konkret zu tun ist. Wer ruft an? Wann? Mit welchem Angebot? Prognosen ohne definierte Handlungskonsequenzen landen als interessante Zahlen im Dashboard und verändern nichts. Die Handlungslogik muss vor dem Start schriftlich definiert sein: ab welchem Prognosewert handelt wer, auf welchem Kanal, mit welcher Botschaft.

Und der gefährlichste Fehler, weil er spät auffällt:

Das Modell wird nach dem Start nicht neu kalibriert. Workforce-Forecast-Modelle auf Zeitarbeitsdaten driften. Das liegt nicht an schlechter Technik, sondern an der Branche: Kundenbetriebe verändern ihre Produktionsweise, neue Tarifverträge verschieben Kostenstrukturen, strukturelle Wandel wie die Automotive-Elektrifizierung überlagern jahrzehntelange Saisonmuster. Ein Modell, das im Januar 2025 trainiert wurde und im Januar 2027 noch unverändert läuft, sieht diese Verschiebungen nicht. Faustregel: Quartalsweise Genauigkeitsprüfung (Prognose vs. tatsächliche Lücken), halbjährliches Neutraining auf erweiterten Daten.

Was mit der Einführung wirklich passiert, und was nicht

Die größte Überraschung: Disponenten arbeiten die ersten Wochen mehr, nicht weniger. Der Grund ist nicht das Modell, der Grund ist, dass das Modell zeigt, was bisher nicht sichtbar war. Plötzlich sehen Disponenten, dass in sechs Wochen ein Cluster aus AÜG-Fristenläufern und einem erwarteten Kundenbedarf-Rückgang zusammentrifft, der 15 Prozent des Pools betrifft. Diese Information ist wertvoll, aber sie erzeugt zunächst Handlungsdruck, nicht Entlastung.

Typische Widerstands-Muster:

Der erfahrene Disponent, der sein Gespür verteidigt. „Ich weiß aus Erfahrung, wann es bei dem Kunden klemmt, das kann mir kein System sagen.” Das ist oft teilweise richtig. Erfahrene Disponenten haben genuines Wissen, das kein Modell repliziert: Kunden-Beziehungen, implizite Signale, Informationen aus Telefonaten. Das Modell sollte als Ergänzung eingeführt werden, nicht als Ersatz des Disponenten-Urteils. In der Praxis hilft es, den erfahrensten Disponenten als Validierungs-Instanz einzusetzen: Er prüft, ob die Modell-Prognosen mit seiner Einschätzung übereinstimmen, und wenn nicht, warum.

Das „interessant, aber ich glaub’s nicht”-Phänomen. In den ersten Wochen werden Disponenten Prognosen generieren, die sich als falsch erweisen. Das ist normal, ein frisch kalibriertes Modell hat Ausreißer. Wer diese Phase nicht als Lernphase kommuniziert, verliert die Disponenten als Nutzer. Konkret helfen: Prognose-Protokolle führen (was hat das Modell gesagt, was ist eingetreten?), jeden Monat die Trefferquote zeigen, und klar sein, dass die Qualität erst nach 3–6 Monaten Betrieb stabil wird.

Die Frage, was mit den eingesparten Reaktionszeiten passiert. Disponenten, die früher planvoll agieren, haben in ruhigeren Wochen mehr Kapazität. Wenn diese Kapazität nicht in neue Aktivitäten (mehr Kundenakquise, bessere Kandidatenbetreuung) fließt, bleibt der Nutzen unsichtbar. Das ist keine Technik-Frage, sondern eine Führungsfrage: Was soll mit dem neuen Zeitpuffer passieren?

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Kundenbetriebe sind zu individuell, da kann kein Algorithmus Muster erkennen.” Das stimmt für Kunden, die man nur einmal im Jahr hat, oder für Sonderaufträge ohne Wiederholcharakter. Für Stamm-Kundenbetriebe, die zwei oder mehr Jahre in der Einsatzhistorie auftauchen, gibt es in der Regel erkennbare Muster, Quartalsschwankungen, Urlaubszeiten, Modellwechsel. Das Modell muss nicht für jeden Kunden gleich gut sein, es reicht, wenn es für die Top-5-Kunden, die 60 % des Volumens ausmachen, präzise ist.

„Wir haben doch das gleiche Gefühl für die Lage wie ein Algorithmus.” Erfahrene Disponenten haben ein echtes Gespür, das ist keine Einbildung. Das Problem: Dieses Gespür deckt das ab, was man in letzter Zeit häufig erlebt hat. Es unterschätzt seltenere Ereignisse und überschätzt Einzelfälle, die sich stark eingeprägt haben (sog. Verfügbarkeitsheuristik). Ein Algorithmus auf drei Jahren Daten kennt den Winter 2021, den Automotive-Einbruch 2022 und die Sommer-Spitze 2023, und gewichtet alle gleich. Das ergänzt das Disponenten-Gespür, ersetzt es aber nicht.

„Das lohnt sich erst ab einer bestimmten Mitarbeiterzahl.” Richtig, und die liegt bei mindestens 80–100 aktiven Zeitarbeitnehmern. Darunter fehlt die statistische Basis für stabile Muster. Wer darunter liegt, ist mit strukturierten Power BI-Dashboards auf Excel-Basis besser bedient als mit einem ML-Modell.

Woran du merkst, dass das zu dir passt

• Dein Pool umfasst mindestens 80–100 aktive Zeitarbeitnehmer, genug Datenmasse für statistisch stabile Muster
• Du hast mindestens 18–24 Monate digitale Einsatzhistorie in einem System, das exportierbar ist (zvoove, Bullhorn, oder gut geführte Excel-Dateien)
• Du hast Stamm-Kundenbetriebe, die in jedem der letzten zwei bis drei Jahre mit ähnlichen Saisonmustern gearbeitet haben, Einmalaufträge helfen dem Modell nicht
• Deine Disponenten reagieren heute primär, d.h. Lücken werden bekannt, wenn sie drohen, nicht Wochen vorher
• Du hast AÜG-Fristenläufer, die manuell nachgepflegt werden, das ist exakt der Datenpunkt, den ein Modell als Prognose-Signal nutzen sollte
• Du willst nicht Planungen ersetzen, sondern besser vorbereitet sein, und bist bereit, Disponenten 3–6 Monate Zeit zu geben, um dem Modell zu vertrauen

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Unter 80 aktiven Zeitarbeitnehmern im Pool. Darunter sind die Muster zu klein und zu unregelmäßig, um statistisch stabile Forecasts zu erzeugen. Jede Kunden-Kündigung verschiebt die gesamte Datenbasis. Investiere stattdessen in strukturierte Power BI-Dashboards und Disponenten-Wochenmeetings mit Blick auf den 4-Wochen-Horizont.

2. Weniger als 18 Monate saubere, digitale Einsatzdaten. Ein Prognosemodell auf Zeitarbeitsdaten braucht mindestens zwei vollständige Jahreszyklen, sonst kann es keine Jahressaisonalität lernen. Wer gerade auf ein neues Dispositionssystem umgestellt hat oder in einem fragmentierten Datenzustand startet, braucht zuerst 12–18 Monate konsequente Datenpflege.

3. Hohes Maß an Spontankunden und Einzelaufträgen (mehr als 40 % des Volumens). Wenn ein Großteil des Geschäfts aus nicht-wiederkehrenden Aufträgen besteht, Messebesetzungen, Einzelprojekte, einmalige Sonderbedarf, hat ein Prognosemodell zu wenig Wiederholmuster zum Lernen. Hier ist Vertriebspipeline-Management das wirksamere Instrument.

Das kannst du heute noch tun

Auch ohne KI-Modell kannst du sofort damit beginnen, vorausschauend zu disponieren. Exportiere die Einsatzdaten der letzten 12 Monate aus deinem Dispositionssystem und lade sie in Power BI Desktop (kostenlos) oder notfalls in eine übersichtliche Excel-Tabelle. Erstelle eine einfache Frage: Wann waren in den letzten drei Jahren die Beschäftigungslücken am größten? Bei welchen Kundengruppen? Das zeigt dir in 30 Minuten mehr als ein Gespür aus dem Gedächtnis.

Der nächste Schritt: Leg für jeden deiner Top-10-Kunden eine einfache Tabelle mit saisonalen Bedarfsprofilen an. Das ist noch kein KI-System, aber es ist die Datenbasis, auf der ein Prognosemodell später aufbaut. Wenn du das mit einem Prompt für ChatGPT oder Claude begleiten willst, hier ist einer:

Quellen & Methodik

• Zeitarbeitnehmer in Deutschland (796.000): Bundesagentur für Arbeit, Statistik „Leiharbeitnehmer und Verleihbetriebe”, Stichtag 30. Juni 2023 (statistik.arbeitsagentur.de). Saisonaler Anstieg Vorweihnachtszeit (+50.000 Personen): MM Logistik / Vogel Communications Group, auf Basis von Bundesagentur-Daten.
• Predictive Analytics in HR, Studienlage: AIHR (Academy to Innovate HR), „Predictive Analytics in Human Resources: Tutorial and 7 case studies” (aihr.com/blog, 2024): Unternehmen mit Predictive Analytics zeigen 39 % niedrigere Fluktuation und 70 % schnellere Time-to-Productivity bei Neueinstellungen. Diese Zahlen stammen aus HR-Studie-Kontext und sind nicht direkt auf Zeitarbeit übertragbar, sie dienen als Orientierungsrahmen für die Bandbreite möglicher Effekte.
• Workforce Forecasting Failure Modes: INOP.ai, „Workforce Forecasting Mistakes to Avoid in 2025” (inop.ai/workforce-forecasting-mistakes); Built In, „These Common Mistakes Lead to AI Implementation Failure” (builtin.com, 2024).
• AÜG-Regelungen (Überlassungshöchstdauer, Equal Pay): Arbeitnehmerüberlassungsgesetz in der Fassung der Reform April 2017 (in Kraft Oktober 2018), Haufe-Redaktion, „Arbeitnehmerüberlassung: Dauer auf 18 Monate begrenzt” (haufe.de).
• GVP-Tarifwerk (Lohnniveaus Zeitarbeit): Gesamtverband der Personaldienstleister (GVP), Basistarifwerk iGZ, Stand April 2024–2025 (personaldienstleister.de).
• Nixtla TimeGPT, Preisangaben: Anbieter-Dokumentation (nixtla.io), Stand Mai 2026.
• Bullhorn Pricing: Capterra-Nutzerbewertungen und pin.com, „Bullhorn Pricing in 2026: What Agencies Actually Pay” (Stand 2026).
• Power BI Pricing: Microsoft-Produktseite (powerbi.microsoft.com), Stand Mai 2026.
• Implementierungsaufwand und Erfahrungswerte: Eigene Einschätzung auf Basis öffentlich zugänglicher Praxisberichte aus dem Zeitarbeitsbereich und verwandter Workforce-Analytics-Projekte. Keine repräsentative Studie.

Du willst wissen, ob deine Datenbasis für ein Prognosemodell ausreicht und wo du anfangen solltest? Meld dich, das lässt sich in einem kurzen Gespräch meist schnell klären.