Dynamische Angebotskalkulation und Preisgestaltung für Zeitarbeitstransaktionen

Das echte Ausmaß des Problems

Zeitarbeit ist ein Niedrigmargengeschäft. Wer das nicht ernst nimmt, verliert Geld, nicht einmal, sondern strukturell und still.

Der Verrechnungssatz (also der Stundensatz, den das Zeitarbeitsunternehmen dem Kundenunternehmen berechnet) muss mindestens folgende Positionen abdecken: den Tariflohn des Zeitarbeitnehmers, alle Arbeitgeberanteile zur Sozialversicherung, Urlaubs- und Feiertagsgeld, Lohnfortzahlung im Krankheitsfall, Verwaltungskosten der Niederlassung, Recruiting-Aufwand sowie die Zielmarge des Unternehmens. Laut Branchenexperte Jochen Garbers (compleet.com) kann jede einzelne vergessene Kostenposition, längere Zahlungsziele, nicht einkalkuliertes Schulungsgeld, Ausrüstungskosten, alleine rund einen Prozentpunkt Marge kosten. Sechs dieser Fehler addieren sich auf.

Die Marge selbst ist dünn. In der deutschen Zeitarbeitsbranche arbeiten mittelständische Personaldienstleister typischerweise mit Nettomargen zwischen drei und acht Prozent. Schon ein Kalkulationsfehler von einem Prozentpunkt bedeutet daher je nach Ausgangsniveau einen Gewinnrückgang von 15 bis 33 Prozent.

Was macht das Problem 2025 und 2026 noch größer: Die Tariferhöhungen. Der neue GVP/DGB-Tarifvertrag (der ab 1. Januar 2026 den bisherigen iGZ/DGB-Vertrag ablöst) sieht Lohnerhöhungen in drei Stufen vor:

Quelle: GVP/DGB-Tarifabschluss, Dezember 2024 (starke-jobs.com)

Dazu kommen die steigenden Sozialversicherungsbeiträge. Das Pricing-Analyseportal kalkool.de hat 2025 ausgerechnet: Wenn ein Zeitarbeitsunternehmen seinen Verrechnungssatz um exakt 3,8 Prozent erhöht (also den nominellen Tariflohnanstieg), aber die Gesamtkosten (inkl. Sozialversicherung, Schwerbehindertenabgabe, höhere Krankenstände) um 5,5 Prozent steigen, ergibt das eine Margeneinbuße von 1,3 Prozentpunkten. Aus einer Nettomarge von fünf Prozent werden 3,7 Prozent, ein Rückgang von 26 Prozent.

Das passiert nicht, weil jemand schlampt. Das passiert, weil manuell kalkuliert wird.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Erfahrungswerte aus Praxisberichten mit mittelständischen Personaldienstleistern. Keine repräsentative Erhebung.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) Ein gut eingerichtetes Kalkulationssystem spart pro Angebot 30–40 Minuten gegenüber Excel-basierter Handkalkulation. Das ist real, aber nicht spektakulär, vor allem, weil die Kalkulation selbst nur ein Bruchteil der Vertriebsarbeit ist. Der größere Hebel ist die Qualitätssteigerung, nicht die Zeitersparnis. Andere Anwendungsfälle in dieser Kategorie, etwa die Disposition oder Kandidatenvorauswahl, entlasten tägliche Kernprozesse stärker.

Kosteneinsparung, hoch (5/5) Das ist der Kernhebel dieses Anwendungsfalls: Margensteigerung von 0,5 bis 1,5 Prozentpunkten über alle Einsätze. Bei einem Zeitarbeitsunternehmen mit 500 aktiven Zeitarbeitnehmern und einem durchschnittlichen Verrechnungssatz von 22 Euro pro Stunde entspricht selbst 0,5 Prozentpunkt Mehrmarge, gerechnet auf 170 Stunden monatlich pro Person, einem Jahresbetrag von über 100.000 Euro. Damit ist dieser Anwendungsfall der absolute Margenhebel im Zeitarbeits-Portfolio.

Schnelle Umsetzung, niedrig (2/5) Das ist der ehrlichste Score in diesem Profil. Bevor ein KI-System sinnvolle Preisempfehlungen liefern kann, braucht es: saubere ERP-Daten aus mindestens 18 Monaten Angebotshistorie, korrekt strukturierte Tariftabellen (iGZ/DGB bzw. GVP/DGB + alle relevanten Branchenzuschlagstarifverträge), Kundensegmentierung nach Branche und Bonität sowie die Integration in zvoove oder ein vergleichbares ERP-System. Das ist ein Projekt, kein Plugin-Einstieg.

ROI-Sicherheit, hoch (4/5) Im Gegensatz zu weichen KI-Effekten ist Margenveränderung direkt messbar. Du kannst Angebotskohorten, “alle Angebote mit KI-Vorschlag ab Q1 2026” versus “Angebote davor”, direkt vergleichen: Abschlussrate, Marge beim Abschluss, Marge nach sechs Monaten Laufzeit. Kein Raten, kein Schätzen. Der einzige Vorbehalt: Externe Kostenschocks (unerwartete Tariferhöhungen, Sondergesetzgebung) können die Kalkulation kurzfristig entwerten.

Skalierbarkeit, hoch (4/5) Mehr Kundenunternehmen bedeuten reichere Trainingsdaten für das Preismodell. Mehr Einsatztypen, mehr Regionen, mehr abgeschlossene Kohorten, das Modell lernt mit jedem Angebot dazu und verfeinert seine Preisbandbreiten. Nicht ganz maximal bewertet, weil eine manuelle Tarifpflege-Aktualisierung nach jedem Tarifabschluss notwendig bleibt, das ist nicht automatisiert.

Richtwerte, stark abhängig von Unternehmensgröße, Vollständigkeit der historischen Kalkulationsdaten und ERP-Qualität.

Was ein KI-gestütztes Kalkulationssystem konkret macht

Das Herzstück ist eine Vollkostenrechnung, die alle relevanten Faktoren automatisch berücksichtigt, statt manuell ausgewählter. Das System zieht aus vier Quellen:

Quelle 1: ERP-Daten (zvoove, Bullhorn oder vergleichbar). Welche Verrechnungssätze wurden für ähnliche Profile in ähnlichen Branchen und Regionen historisch abgeschlossen? Welche dieser Angebote wurden angenommen, welche abgelehnt? Welche Abschlüsse erwiesen sich ex post als profitabel?

Quelle 2: Tariftabellen (iGZ/DGB, GVP/DGB, alle 19 Branchenzuschlagstarifverträge). Welcher Tariflohn gilt für dieses Profil? Greift ein Branchenzuschlag, und wenn ja, in welcher Stufe zum Zeitpunkt des Angebots und zu welchem Zeitpunkt in der voraussichtlichen Einsatzdauer?

Quelle 3: Sozialversicherungssätze und gesetzliche Nebenkosten. Welcher kombinierte Arbeitgeberkostenanteil ist aktuell? Das klingt trivial, ist es aber nicht, weil sich Beiträge zur Pflegeversicherung, Schwerbehindertenabgabe und Umlagesätze laufend ändern.

Quelle 4: Kundenstammdaten (optional, aber wertvoll). Welches Zahlungsziel hat dieser Kunde? Gibt es eine Rahmenvereinbarung mit Sonderkonditionen? Wie war die bisherige Bonität? Längere Zahlungsziele (90 Tage statt 14 Tage) kosten nach Zinsverlust-Rechnung einen weiteren Prozentpunkt Marge.

Das Ergebnis ist keine magische Zahl, sondern eine Preisbandbreite mit drei Szenarien: Preis bei Margenpriorität (für Kunden mit hoher Loyalität und sicherer Bonität), Preis bei Wettbewerbspriorität (für preissensible Ausschreibungen), und Untergrenze (darunter wird das Angebot zum Verlustgeschäft). Dazu kommt eine Textbegründung, die der Vertrieb im Kundengespräch nutzen kann.

Das Machine Learning dahinter ist vergleichsweise schlicht: Ein regressionsbasiertes Modell lernt, welche Kombination aus Kandidatenprofil, Branche, Region, Einsatzdauer und Kundensegment historisch welche Abschlussrate erzielt hat. Teure probabilistische Modelle braucht es hier nicht, entscheidend ist die Datenqualität, nicht die Modellkomplexität.

Equal Pay ab Monat 9 (oder 15): Die versteckte Margenklippe

Dies ist der am häufigsten unterschätzte Risikofaktor in der Zeitarbeitskalkulation, und gleichzeitig einer, den ein KI-System automatisch erkennen und einpreisen kann.

Das Arbeitnehmerüberlassungsgesetz (AÜG) schreibt in § 8 vor: Zeitarbeitnehmer müssen spätestens nach neun Monaten den gleichen Lohn erhalten wie vergleichbare Stammarbeitnehmer des Kundenunternehmens (“Equal Pay”). Eine Ausnahme existiert: Wenn ein Branchenzuschlagstarifvertrag gilt (wie der iGZ/DGB-Stufentarifvertrag), kann Equal Pay auf bis zu 15 Monate aufgeschoben werden, weil der Zuschlag stufenweise eingeführt wird und das Lohnniveau schrittweise angehoben wird. Quelle: § 8 Abs. 4 AÜG; bestätigt durch Haufe-Kommentar, Stand 2024.

Was das in der Kalkulation bedeutet:

• Ein Einsatz, der mit EG 3 und 22 Euro Verrechnungssatz startet, kostet ab Equal Pay möglicherweise 18 Prozent mehr Lohn, weil die Stammbelegschaft des Kundenbetriebs nach einer anderen Gehaltsstruktur bezahlt wird
• Wenn dieser Mehrbetrag nicht im Angebot eingepreist ist, geht er vollständig von der Marge ab
• Wer im Angebot “bis zu 12 Monate” schreibt, ohne Equal Pay einzukalkulieren, macht ein Angebot auf Verlust für die letzten drei Monate

Ein KI-gestütztes Kalkulationssystem kann die Equal-Pay-Schwelle automatisch berechnen, sobald die voraussichtliche Einsatzdauer bekannt ist, und den Verrechnungssatz für die Nachphase entsprechend anpassen oder den Vertrieb auf das Risiko hinweisen.

Ein konkretes Beispiel:

Facharbeiter Metall, EG 4, voraussichtliche Einsatzdauer 14 Monate, Einsatzbetrieb mit Flächentarifvertrag IGM:

• Monate 1–3: EG 4 Tariflohn 17,14 € + Branchenzuschlag Stufe 1 (15 %)
• Monate 4–9: EG 4 + Branchenzuschlag Stufe 3 (30 %)
• Monate 10–14: Equal Pay, Flächentarifvertrag IGM für vergleichbare Funktion: ca. 22,80 €/Stunde (rund +33 % gegenüber EG 4 Ausgangslohn)

Wenn das nicht eingepreist wird, verliert die Niederlassung in Monat 10–14 rund 3–4 Euro pro Stunde je Zeitarbeitnehmer. Bei Vollzeit über fünf Monate: über 2.500 Euro Margenausfall pro Person.

Branchenzuschlag-Komplexität: 19 Industrietarifverträge, acht Zeitstufen

Das zweite strukturelle Kalkulationsproblem ist die Branchenzuschlagsmatrix. Zeitarbeitsunternehmen müssen nicht einen, sondern, je nach Einsatzbranche des Kundenunternehmens, bis zu 19 verschiedene Branchenzuschlagstarifverträge kennen und korrekt anwenden.

Jeder dieser Verträge hat:

• Seine eigene Prozentsatz-Tabelle (typisch 5 % bis 50 % Aufschlag auf den Basistarifentgelt)
• Seinen eigenen Zeitstufenplan (typisch Stufe 1 nach 6 Wochen, Stufe 2 nach 3 Monaten, bis zu Stufe 8 nach 15 Monaten)
• Seinen eigenen Geltungsbereich (welche Kundenunternehmen fallen darunter?)
• Seinen eigenen Aktualisierungsrhythmus (einige wurden zuletzt 2021 verhandelt, andere 2024)

Für die wichtigsten Branchen gelten diese Zuschläge:

Wer diese Tabellen händisch pflegt, oder sich auf eine Exceltabelle verlässt, die im Oktober ausgedruckt und an die Pinnwand geheftet wurde, kalkuliert falsch. Nicht aus Nachlässigkeit, sondern weil die Komplexität manuell nicht beherrschbar ist.

Eine KI-gestützte Lösung muss diese Tabellen in Echtzeit aus einer verlässlichen Datenquelle ziehen. Das setzt entweder ein Tool voraus, das diese Tarifwartung professionell betreibt (wie Kalkool oder zvoove), oder eine eigene Schnittstelle zu einer Tarifvertragsdatenbank.

ERP-Integrations-Realität: Wann Zvoove-Daten wirklich für KI taugen

Bevor eine KI sinnvolle Preisempfehlungen ableiten kann, braucht sie saubere, strukturierte historische Kalkulationsdaten. Das ist der Schritt, der in der Praxis am häufigsten unterschätzt wird.

In einem gut gepflegten zvoove-System sind folgende Daten theoretisch vorhanden:

• Abgeschlossene Angebote mit Verrechnungssatz, Einsatzdauer und Kundenbranche
• Tatsächlich abgerechnete Stunden und damit realisierte Marge
• Ausfallzeiten (Krankenstand, Fehlzeiten) nach Einsatzkategorie
• Branchenzuschlag-Stufen, die für jeden Einsatz eingehalten wurden

Was in der Praxis oft fehlt oder falsch gepflegt ist:

• Stornierte oder nachverhandelte Angebote fehlen im System, das verzerrt das Trainingsset (Survivorship-Bias)
• Tarifwechsel mid-Einsatz wurden nicht immer korrekt nachgepflegt
• Equal-Pay-Mehrkosten wurden manchmal als “Sonstige Personalkosten” gebucht statt als separate Position
• Kundenbonität ist selten strukturiert erfasst, oft nur als Freitext in der Kundenakte

Vor der KI-Implementierung braucht es deshalb eine Datenqualitäts-Inventur: 6–8 Wochen, in denen Controlling und IT prüfen, ob die historischen Daten die nötige Struktur und Vollständigkeit haben. Wer das überspringt, trainiert das Modell auf Rauschen.

Zeitarbeitsunternehmen, die noch kein integriertes ERP-System nutzen oder deren Kalkulation ausschließlich in Excel läuft, sollten zuerst die ERP-Einführung abschließen, erst dann kann KI sinnvoll darauf aufsetzen.

Konkrete Werkzeuge, was wann passt

Die Werkzeuglandschaft für KI-gestützte Kalkulation ist in der deutschen Zeitarbeitsbranche noch jung. Es gibt keine einzige Lösung, die alles abdeckt, dafür unterschiedliche Ansätze je nach Unternehmensgröße und IT-Reifegrad.

zvoove, wenn du das Kernsystem integrieren willst zvoove bietet als Marktführer für Zeitarbeitssoftware in Deutschland ein integriertes Analytics-Modul (zvoove Analytics), das Margen-, Auslastungs- und Einsatzdaten über alle Niederlassungen hinweg aggregiert. Die KI-gestützte Preisvorschlagsfunktion ist (Stand Mai 2026) noch nicht als eigenständiges Modul verfügbar, aber die Reporting-Grundlage ist vorhanden. Unternehmen, die zvoove nutzen, haben die beste Datengrundlage für eigene ML-Modelle oder externe Kalkulationstools. Preis: auf Anfrage, vierstufiges Paketmodell.

Kalkool, wenn du von Excel wegwillst, aber keine große IT-Lösung brauchst Kalkool ist das spezialisierte Kalkulationstool für Zeitarbeitsfirmen in Deutschland. Es berechnet Verrechnungssätze auf Basis von Tarifgruppe, Branchenzuschlag und Einsatzdauer, automatisch aktuell mit den GVP/DGB-Tariftabellen. Kein ERP-Anschluss in der Basisversion, kein ML, aber ein strukturierter Ersatz für Faustformelkalkulation. Geeignet für Personaldienstleister mit 30–200 aktiven Zeitarbeitnehmern. Preis: auf Anfrage.

Julius AI, wenn du historische Kalkulationsdaten zuerst verstehen willst Julius AI lässt sich als Analysetool nutzen, um bestehende Excel-Exporte aus dem ERP in natürlicher Sprache zu befragen: “Welche meiner Einsatztypen haben in den letzten 18 Monaten durchschnittlich unter sechs Prozent Marge erzielt?”, ohne eine einzige SQL-Zeile schreiben zu müssen. Sinnvoll als erster Schritt zur Datenanalyse, bevor man in eine vollständige Kalkulations-KI investiert. Preis: Freemium (kostenlos bis 100 Credits/Monat), dann ab 20 USD/Monat. US-Datenhosting, keine sensiblen Personaldaten einspielen.

Microsoft Power BI, wenn du Margen-Dashboards aufbauen willst Für die Erfolgsmessung nach der KI-Einführung ist Power BI die naheliegende Wahl für Unternehmen im Microsoft-Ökosystem. Dashboard-Aufbau: Marge pro Niederlassung, pro Einsatzbranche, pro Kohorte (vor/nach KI-Kalkulation). Power BI Desktop ist kostenlos, Pro-Lizenz ab 12,10 Euro/Nutzer/Monat. Wichtig: Die Copilot-Funktion kann DAX-Formeln und Visualisierungen aus natürlichsprachigen Anfragen generieren, das beschleunigt den Dashboard-Aufbau erheblich.

ChatGPT oder Claude, für die LLM-Begründungsschicht Als Low-Cost-Einstieg können GPT-4o oder Claude Sonnet dazu genutzt werden, einen Kalkulationsassistenten via Prompt zu bauen: Du gibst Kandidatenprofil, EG-Stufe, Region und Einsatzdauer ein, das Modell liefert eine strukturierte Kalkulation mit Begründung. Kein Echtzeit-Tarifwissen (Stand: Trainingsschnitt), aber als Entscheidungsstütze für Standardfälle nutzbar. Keine personenbezogenen Daten (kein Name, keine Sozialversicherungsnummer) eingeben.

Wann welcher Ansatz:

• Unter 200 Zeitarbeitnehmer, von Excel weg → Kalkool
• 200–2.000 Zeitarbeitnehmer mit zvoove → zvoove Analytics + Power BI für Dashboards
• Eigene ML-Lösung bauen → Julius AI für Daten-Explorations phase, dann externer Data Scientist oder Python-basiertes Regressionsmodell auf zvoove-Exportdaten
• Schneller Einstieg ohne Budget → Claude/ChatGPT als Kalkulationsassistent (mit manuell eingepflegten Tariftabellen)

Datenschutz und Datenhaltung

Kalkulationsdaten für Zeitarbeitsangebote enthalten in der Regel keine personenbezogenen Daten von Zeitarbeitnehmern, sie beziehen sich auf Profile (EG-Stufe, Qualifikation, Region), nicht auf namentlich identifizierbare Personen. DSGVO-Risiken entstehen trotzdem in zwei Bereichen:

Kundendaten: Angaben zur Bonität, Zahlungshistorie oder zum Verhandlungsverhalten einzelner Kundenunternehmen sind geschäftliche Informationen, die unter Geheimhaltungspflichten liegen können. Diese Daten sollten nicht in öffentliche KI-Tools (ChatGPT, Claude via claude.ai) eingegeben werden.

ERP-Exporte: Wenn du Exportdateien aus zvoove oder Bullhorn für KI-Analysen nutzt, prüfe, ob diese Exporte versehentlich personenbezogene Daten enthalten (Kandidaten-IDs, Kundenkontakte). Vor der Übergabe an externe Tools anonymisieren oder aggregieren.

Für alle genannten Tools gilt:

• zvoove: EU-Rechenzentrum, DSGVO-konform, AVV standardmäßig verfügbar
• Kalkool: Deutsches Hosting, DSGVO-konform
• Microsoft Power BI: EU-Datenresidenz über M365 EU Data Boundary konfigurierbar; AVV als Teil des Microsoft-Vertrags
• Julius AI: US-Hosting. Nur für anonymisierte, aggregierte Kalkulationsdaten verwenden, keine Kundennamen, Kandidatennummern oder Gehaltsdaten
• ChatGPT / Claude: Via API mit EU-konformen Einstellungen nutzbar; Consumer-Accounts (chat.openai.com, claude.ai) nicht für geschäftliche Kalkulationsdaten empfohlen

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

• Datenqualitäts-Inventur (intern oder mit externer Unterstützung): 3–6 Wochen Aufwand
• ERP-Datenextraktion und -bereinigung: 5.000–15.000 Euro bei externer Beauftragung
• Aufbau des ML-Modells oder Tool-Integration: 8.000–30.000 Euro je nach Ansatz
• Gesamtprojekt bei mittelständischem Personaldienstleister (500 Zeitarbeitnehmer): typisch 15.000–40.000 Euro

Laufende Kosten (monatlich)

• Kalkool: auf Anfrage, Richtwert einige hundert Euro/Monat für Basisnutzung
• Power BI Pro: 12,10 Euro/Nutzer/Monat
• Julius AI (für Ad-hoc-Analysen): kostenlos bis 20 USD/Monat
• Wartung Tariftabellen: intern, 1–2 Stunden je Tarifabschluss (2–3 x jährlich)

Wie du den Nutzen tatsächlich misst Der einzig verlässliche Beweis ist die Kohorten-Margenanalyse: Teile alle Angebote der letzten 18 Monate in zwei Gruppen, “mit KI-Kalkulationsunterstützung” und “ohne”. Vergleiche für jede Gruppe: durchschnittliche Marge bei Abschluss, durchschnittliche Marge nach sechs Monaten Laufzeit (nach Equal Pay, Tarifanpassungen etc.), Abschlussrate. Das ist der einzig seriöse Beweis, Bauchgefühl und Einzelbeispiele reichen nicht.

Konservative Nutzenrechnung 500 aktive Zeitarbeitnehmer × 170 Stunden/Monat × 22 Euro durchschnittlicher Verrechnungssatz = ca. 1,87 Mio. Euro monatlicher Umsatz. Eine Margensteigerung von 0,5 Prozentpunkten bedeutet 9.350 Euro monatlich, 112.000 Euro jährlich. Selbst im konservativen Szenario amortisieren sich die Einrichtungskosten innerhalb von sechs bis neun Monaten.

Drei typische Einstiegsfehler

1. Das Tool kaufen, bevor die Daten sauber sind. Der häufigste Fehler: Ein Unternehmen kauft eine KI-Kalkulationslösung, ohne vorher zu prüfen, ob die historischen Kalkulationsdaten im ERP die nötige Qualität und Vollständigkeit haben. Ein ML-Modell, das auf falsch gebuchten Margen, fehlenden Branchenzuschlägen und nicht erfassten Equal-Pay-Korrekturen trainiert wurde, empfiehlt systematisch falsche Preise. Die Investition ist dann nicht nur nutzlos, sondern gefährlich.

Lösung: Sechs bis acht Wochen Datenqualitäts-Inventur vor jeder Tool-Entscheidung. Das Ergebnis der Inventur zeigt auch, ob ein vollständiges ML-Modell sinnvoll ist, oder ob ein strukturiertes Regelwerk (wie Kalkool) bereits ausreicht.

2. Den Vertrieb nicht einbeziehen. Kalkulationssysteme werden oft von Controlling oder IT eingeführt, ohne die Niederlassungsleiter und Disponenten, die täglich Angebote schreiben. Das Ergebnis: Das System wird umgangen. “Ich weiß, was der Kunde zahlt. Der braucht keinen KI-Vorschlag.” Disponenten weichen auf ihre eigene Excel-Lösung aus, das System sammelt Staub.

Lösung: Zwei bis drei Niederlassungsleiter in Woche 1 bitten, je fünf ihrer letzten Angebote ins System einzugeben und den KI-Vorschlag mit ihrem tatsächlichen Preis zu vergleichen. Wo der KI-Vorschlag höher liegt, fragt man: “Warum war dein Preis niedriger?” Meistens kommt dann: Equal Pay nicht eingerechnet, falscher Branchenzuschlag. Das eine echte Gespräch erzeugt mehr Vertrauen als jede Präsentation. Danach: Pflichtfeld “Begründung bei Preisabweichung” im System, kein Diktat, aber Transparenz.

3. Die Tariftabellen einmalig einrichten und dann nicht pflegen. Das ist der langsamste, aber folgenreichste Fehler: Ein Kalkulationssystem mit veralteten Tariftabellen ist schlechter als Excel. Es sieht präzise aus, ist aber systematisch falsch. Nach dem Tarifabschluss Januar 2026 (GVP/DGB, +2,99 %) müssen alle Verrechnungssatz-Vorlagen aktualisiert werden. Wer das vergisst, kalkuliert zwei Monate mit dem alten Tariflohn, und verliert Marge oder verliert den Kunden.

Lösung: Eine namentlich benannte Person im Controlling trägt die Verantwortung, nicht “die IT” oder “der Disponent”. Konkret: Innerhalb von 72 Stunden nach einem Tarifabschluss müssen alle Tariftabellen im System aktualisiert sein, danach prüft ein zweiter Mitarbeiter einen Testkalkulation für drei Standard-Einsatztypen gegen die neuen Tarifwerte. Diese Prüfung dauert 30 Minuten und verhindert, dass das System wochenlang falsche Kalkulationen liefert.

Was mit der Einführung wirklich passiert, und was nicht

Die Technik ist das Einfachste an dieser Einführung. Das Schwierigere ist das Vertrauen.

Widerstand aus dem Vertrieb: “Das passt nicht zu meinem Kunden.” Erfahrene Niederlassungsleiter und Disponenten haben über Jahre ein Preisgefühl für ihre Kundenunternehmen entwickelt. Sie wissen, was Müller Automotive zahlt und was bei Rader Logistik nicht funktioniert. Wenn das System einen Preis vorschlägt, der von der Intuition abweicht, entsteht sofort Skepsis, manchmal berechtigt, manchmal nicht.

Was hilft: Das System soll Vorschläge machen, keine Vorgaben. Wenn ein Disponent den Preis anpasst, muss er einen Grund eingeben (Dropdown: “Stammkunde”, “Wettbewerbssituation”, “Rahmenvertrag”). Das schafft Transparenz ohne Bevormundung, und liefert wertvolle Daten dafür, in welchen Fällen das Modell systematisch von der Praxis abweicht.

Geschäftsführung erwartet sofortige Margenverbesserung. Realistische Erwartung: In den ersten drei bis sechs Monaten werden vor allem Fehler sichtbar, Angebote, die bisher zu günstig waren. Kurzfristig führt das zu mehr abgelehnten Angeboten, wenn der Vertrieb die höheren Preise nicht durchsetzen kann. Die Margenverbesserung zeigt sich erst nach sechs bis zwölf Monaten in den Abrechnungsdaten.

Was konkret hilft:

• Ein gemeinsames “Kick-off-Kalkulations-Audit”: Alle Niederlassungsleiter bringen die fünf Angebote aus den letzten drei Monaten mit dem niedrigsten Abschlusspreis. Das System berechnet, was korrekt hätte lauten müssen. In fast jeder Gruppe gibt es einen Fall, der alle überzeugt.
• Pilotbetrieb mit einer Niederlassung: Sechs Wochen lang läuft das System parallel zur alten Kalkulation. Dann Vergleich der Ergebnisse, ohne sofortige Konsequenzen.
• Transparenz über Fehlerquellen, nicht Schuldzuweisungen: “Unser ERP-Datenstand war unvollständig” ist eine bessere Kommunikation als “ihr habt falsch kalkuliert”.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

“Wir kalkulieren seit zwanzig Jahren mit Faktor 2,1, das reicht.” Ein pauschaler Faktor ignoriert drei entscheidende Variablen: die Einsatzdauer (Equal Pay), die Einsatzbranche (Branchenzuschlag) und die Zahlungskonditionen des Kunden. Ein Faktor, der für eine sechsmonatige EG-2-Stelle in der Verwaltung stimmt, kann für eine zwölfmonatige EG-5-Stelle in der Metallindustrie fünf Prozentpunkte zu niedrig sein. Akademie der Zeitarbeit-Experten empfehlen in ihrem Seminar “Faktor 2.0? Warum nicht 2.4!” (September 2024) für viele Einsatztypen höhere Faktoren, nicht als Willkür, sondern als Vollkostenrechnung.

“Unsere Kunden wollen keinen höheren Preis.” Dieses Argument ist oft richtig, für Preissenkungen. Selten richtig für: korrekte Einpreisung von Equal Pay, stufenweise wachsende Branchenzuschläge und Kostensteigerungen. Wenn du deinem Kunden erklärst, warum der Stundensatz ab Monat 10 steigt (weil Equal Pay greift und das im AÜG verankert ist), ist das eine sachliche Begründung, keine Preiserhöhung aus dem Blauen heraus. Kunden, die das auch dann ablehnen, sind keine profitablen Kunden.

“Dafür haben wir keine IT-Kapazität.” Das stimmt für vollständige ML-Modelle auf eigener Infrastruktur. Für Kalkool oder eine Excel-Lösung, die durch systematische Tariftabellen und eine klare Vollkosten-Checkliste ersetzt wird, braucht es keine IT. Der Aufwand für eine saubere, strukturierte Kalkulation liegt im Vertriebsprozess, nicht in der IT.

Woran du merkst, dass das zu dir passt

Du profitierst von KI-gestützter Angebotskalkulation, wenn:

• Dein Unternehmen mehr als 200 aktive Zeitarbeitnehmer betreibt und mindestens 50 Kundenunternehmen gleichzeitig bedient, genug Datenpunkte für ein Modell
• Deine Angebote umfassen mehr als drei verschiedene Tarifgruppen und mehr als zwei Branchenzuschlagsbereiche, die Komplexität rechtfertigt Automatisierung
• Du kein dediziertes Controlling-Team hast, das jeden Angebotsverrechnungssatz manuell prüft
• Deine Niederlassungen regional unterschiedliche Kundenstrukturen haben, ein Modell lernt regionale Preisunterschiede
• Du verwendest zvoove oder Bullhorn mit mindestens 18 Monaten sauber gebuchter Angebotshistorie

Drei harte Ausschlusskriterien, wann dieser Ansatz nicht passt:

1. Weniger als 200 aktive Zeitarbeitnehmer. Unter dieser Schwelle fehlen genug Datenpunkte für ein ML-Modell, das regionale und branchenspezifische Muster erkennen kann. Ein gut strukturiertes Regelwerk (Kalkool oder eigene Excel-Vollkostenrechnung) ist dann die bessere Investition.

2. Kein integriertes ERP-System mit strukturierter Angebotshistorie. Wenn eure Kalkulationen ausschließlich in Excel oder auf Papier existieren, ist die erste Aufgabe die ERP-Einführung, nicht KI. Ohne strukturierte historische Daten gibt es keine Trainingsbasis für ein Preismodell.

3. Reine Preisführer-Strategie ohne Margin Governance. Wenn dein Unternehmen bewusst auf Margenoptimierung verzichtet und ausschließlich mit Niedrigpreisen Marktanteile gewinnt (Preis-Dumping-Strategie), liefert das System keine nützlichen Erkenntnisse, es zeigt nur, wie weit unter Vollkosten die aktuellen Angebote liegen.

Das kannst du heute noch tun

Ohne Budget und ohne IT-Aufwand kannst du dir heute einen Eindruck verschaffen, wie groß die Kalkulations-Lücken in deiner Niederlassung sind.

Öffne ChatGPT oder Claude, kein Setup nötig. Gib die Eckdaten eines Angebots ein, das du in den letzten zwei Monaten abgeschlossen hast: EG-Stufe, Region, Einsatzdauer, Branche des Kundenunternehmens. Frag das Modell, welche Kostenpositionen in der Vollkostenrechnung enthalten sein müssten, und vergleiche das mit deiner tatsächlichen Kalkulation.

Das dauert zehn Minuten und zeigt dir, ob ein Unterschied besteht. Achtung: Kein Name, keine Sozialversicherungsnummer, keine identifizierenden Kundendaten eingeben, nur die anonymisierten Eckdaten.

Für eine strukturiertere Analyse nutze diesen Prompt:

Quellen & Methodik

• GVP/DGB-Tarifabschluss 2025–2027: Entgelttabelle EG1–EG9 mit Stufenerhöhungen Januar 2026, September 2026 und April 2027. Quelle: starke-jobs.com, Dezember 2024.
• Preismanagement in der Zeitarbeit (Jochen Garbers, compleet.com): Sechs spezifische Kalkulationsfehler, jeder mit ca. 1 % Margeneinfluss. compleet.com/wissen/preismanagement-in-der-zeitarbeit.
• Kalkool.de, Preiserhöhungsjahr 2025: Konkrete Rechnung: 5,5 % Gesamtkostensteigerung vs. 3,8 % Tariferhöhung = 1,3 Prozentpunkte Margeneinbuße; bei 5 % Nettomarge = 26 % Ergebnisrückgang. kalkool.de/post/preiserhöhungsjahr-2025-in-der-zeitarbeit.
• Equal Pay AÜG § 8 Abs. 4: Neun-Monats-Frist mit Verlängerung auf 15 Monate bei Stufentarifverträgen. Haufe-Kommentar, Stand 2024. haufe.de.
• Verrechnungssatz-Methodik: Üblicher Multiplikator 1,8x–2,2x auf Tariflohn für Vollkostenkalkulation. Quelle: pactos.ai/post/wie-werden-verrechnungssatze-in-der-zeitarbeit-angewendet.
• Bruttomarge Zeitarbeit: 14–41 % Spanne im Staffing-Sektor laut Advance Partners Branchenreport 2024. advancepartners.com.
• Akademie der Zeitarbeit: Seminar “Faktor 2.0? Warum nicht 2.4!”, September 2024, Praxisdaten zu typischen Kalkulationsfehlern in mittelständischen Personaldienstleistern. akademie-der-zeitarbeit.de.
• Implementierungskosten und ROI-Schätzungen: Eigene Hochrechnung auf Basis von Branchendaten (Durchschnittssatz, Arbeitsstunden, Margensteigerung); keine repräsentative Studie.

Du willst wissen, wie gut eure aktuelle Kalkulation gegen die iGZ/DGB-Vollkostenrechnung abschneidet, und wo die größten Lücken liegen? Meld dich, wir schauen uns das gemeinsam an.