Dienstplan mit KI erstellen: Was ChatGPT wirklich kann

Die Frage taucht seit Monaten in jeder zweiten Planungsrunde auf: Wenn ein Sprachmodell Verträge zusammenfasst und Software schreibt – warum dann nicht auch den Dienstplan für vierzehn Beschäftigte auf drei Schichten? Der Versuch ist schnell gemacht, das Ergebnis sieht auf den ersten Blick ordentlich aus. Interessant wird es beim zweiten Blick. Dort liegt auch der eigentliche Erkenntnisgewinn dieses Artikels: Was Anbieter von Dienstplan-Software „KI-Planung“ nennen, ist technisch etwas völlig anderes als ein Chatbot.

Was ChatGPT offiziell kann – und was nicht

In der Funktionsübersicht von OpenAI ist keine Dienstplan- oder Rostering-Funktion dokumentiert. Was es gibt, sind „Tasks“: zeitgesteuerte Erinnerungen und wiederkehrende Prompts für den eigenen Account, je nach Tarif drei bis fünfzehn davon gleichzeitig aktiv. Das ist ein Wecker für die eigene Arbeit, keine Zuordnung von Beschäftigten zu Schichten. Was ChatGPT tatsächlich tut, wenn man es darum bittet: Es gibt einen Planentwurf als Tabelle aus – ohne jede Zusage zu Korrektheit oder Regelkonformität.

Warum ein Sprachmodell keine Planungsinstanz ist

Die Aufgabe ist mathematisch schwer

Dienstplanung ist ein Constraint-Satisfaction- und Optimierungsproblem: Eine Menge Schichten muss so auf Personen verteilt werden, dass Besetzungsvorgaben, Qualifikationen, Arbeitszeitgrenzen, Verfügbarkeiten und Wünsche gleichzeitig zusammenpassen. Für das Nurse Rostering, die am besten untersuchte Variante dieses Problems, ist die NP-Härte nachgewiesen – und zwar auch für stark vereinfachte Fälle. Praktisch heißt das: Der Suchraum wächst so schnell, dass systematisches Ausprobieren aussichtslos ist. Es braucht Verfahren, die den Raum gezielt beschneiden.

In Planungs-Benchmarks schneiden Sprachmodelle schwach ab

Genau das leisten Sprachmodelle nicht. Der Benchmark PlanBench misst Planungsfähigkeit unter anderem an Blocksworld, einer Miniaturwelt aus gestapelten Klötzen – ungleich einfacher als ein Monatsdienstplan. GPT-4 löste dort rund 34,6 Prozent von 600 Instanzen; LLaMA 3 mit 405 Milliarden Parametern kam ohne Beispielvorgaben auf 62,6 Prozent. Ein klassischer Planer wie Fast Downward löst dieselben Instanzen zu 100 Prozent. Auch die auf Schlussfolgern trainierten Modelle schließen die Lücke nicht: Die Evaluation von o1 zeigt einen deutlichen Sprung, doch der Benchmark bleibt ungelöst, und Fragen nach Genauigkeit, Effizienz und Garantien bleiben offen. Für eine Aufgabe, deren Ergebnis das Arbeitszeitgesetz einhalten muss, ist ein Verfahren ohne Erfolgsgarantie keine Grundlage.

Kein reproduzierbares Ergebnis

Der zweite Einwand wiegt im Betriebsalltag noch schwerer: Derselbe Prompt liefert nicht zuverlässig dasselbe Ergebnis – selbst bei Temperatur null nicht, weil Batching und die Reihenfolge von Fließkommaoperationen auf Grafikprozessoren das Resultat beeinflussen. Für einen Dienstplan bedeutet das: Es gibt keine nachvollziehbare, auditierbare Planlogik. Wer erklären soll, warum genau diese Person genau diesen Sonntag zugeteilt bekommen hat, kann sich nicht auf einen Lauf berufen, der beim nächsten Mal anders ausgeht.

Keine formale Regelprüfung

Und schließlich prüft das Modell nichts. Es erzeugt Text, der wie ein korrekter Plan aussieht, weil korrekte Pläne in den Trainingsdaten so aussehen. Ob zwischen Spätdienst und Frühdienst tatsächlich elf Stunden Ruhezeit liegen, ist dagegen eine Rechenoperation über den gesamten Plan – kein sprachliches Muster. Bezeichnend ist, wie die Forschung selbst damit umgeht: In Planungs-Benchmarks wird die Gültigkeit erzeugter Pläne extern durch einen Validator geprüft, nicht vom Modell.

Drei Regeln, an denen ein Textentwurf scheitert

Ein typisches Planungsproblem sieht so aus – als konstruiertes Beispiel, nicht als durchgeführter Produkttest: ein Pflegewohnbereich mit vierzehn Beschäftigten, drei Schichten, Mindestbesetzung von zwei Fachkräften je Schicht, dazu Urlaub und zwei Krankmeldungen im Monat. Gibt man diese Angaben in ein Sprachmodell, kommt eine vollständig ausgefüllte Monatstabelle zurück. Bevor sie jemand aushängt, muss sie drei Prüfungen bestehen, die das Arbeitszeitgesetz vorgibt:

Gesetzliche Mindestanforderungen; Tarifverträge und Betriebsvereinbarungen können abweichende oder strengere Regeln vorsehen.

Alle drei sind harte Nebenbedingungen: Sie gelten oder sie gelten nicht, ein „fast eingehalten“ existiert nicht. Und zwei von ihnen lassen sich nicht an einer einzelnen Zelle prüfen. Die Ruhezeit verbindet zwei aufeinanderfolgende Tage, die Höchstarbeitszeit einen Ausgleichszeitraum von bis zu sechs Monaten. Ein Sprachmodell erzeugt Plan und Begründung im selben Durchgang; eine unabhängige Instanz, die anschließend nachrechnet, gibt es nicht. Genau diese Instanz ist der Kern echter Planungssoftware.

„KI-Planung“ in Dienstplan-Software ist kein Chatbot

Wenn Anbieter mit automatischer Planung oder mit „KI“ werben, steckt dahinter in aller Regel kein Sprachmodell, sondern mathematische Optimierung. Die Fachliteratur zum Nurse Rostering beschreibt den Werkzeugkasten: Constraint Programming, gemischt-ganzzahlige Optimierung sowie Metaheuristiken wie Branch-and-Price oder Scatter Search. Der Ablauf unterscheidet sich grundlegend von dem eines Chatbots.

Ein Solver bekommt keinen Prompt, sondern ein Modell: harte Nebenbedingungen, die erfüllt sein müssen – Ruhezeit, Mindestbesetzung, Qualifikation – und weiche Ziele, die gewichtet werden: Wunschdienste, gleichmäßige Wochenendverteilung, wenige Schichtwechsel. Daraus folgen drei Eigenschaften, die ein Sprachmodell nicht bieten kann. Das Ergebnis hält die harten Regeln nachweislich ein, oder das Verfahren meldet, dass es unter diesen Bedingungen keine zulässige Lösung gibt. Es ist bei gleicher Eingabe und gleicher Konfiguration reproduzierbar. Und es ist erklärbar, weil jede Regel explizit im Modell steht.

Deutsche Anbieter mit automatischer Planung sind unter anderem Papershift, Shyftplan und Aplano. Welches Verfahren sie im Einzelnen einsetzen, dokumentiert allerdings keiner öffentlich – belegbar ist deshalb nur die allgemeine Aussage: In dieser Produktkategorie arbeitet die Automatik mit Optimierung, nicht mit Textvorhersage. Für die Auswahl heißt das, nicht nach dem Etikett „KI“ zu fragen, sondern danach, welche Regeln das System hart prüft und was es tut, wenn keine zulässige Lösung existiert. Welche Programme automatisch planen, zeigt der Software-Vergleich.

Interessant ist die Kombination beider Welten. In der Forschung werden Sprachmodelle als Formalisierer eingesetzt: Sie übersetzen eine in Alltagssprache formulierte Anforderung in eine Planungssprache wie PDDL oder in ein Optimierungsmodell, gelöst wird anschließend vom Planer. Das Sprachmodell übernimmt damit die Schnittstelle zum Menschen – nicht die Planungsentscheidung.

Wofür ChatGPT im Planungsalltag wirklich taugt

Damit ist die eine Hälfte der Antwort gegeben. Die andere: Rund um den Plan gibt es reichlich Arbeit, die sprachlicher Natur ist – und dort ist ein Sprachmodell schnell und brauchbar.

• Schichtmodelle entwerfen und vergleichen. Vorwärts- oder Rückwärtsrotation, Zwei- oder Dreischichtsystem, Blocklängen: Das Modell erklärt Varianten und liefert eine Diskussionsgrundlage für das Team. Die gängigen Systeme zeigt die Übersicht Schichtmodelle.
• Excel-Formeln und Makros. Wer den Plan in einer Tabelle führt, bekommt Formeln für Stundensummen, Wochenendzählungen oder bedingte Formatierung – nachprüfbar am eigenen Blatt. Passende Vorlagen sammelt die Seite Dienstplan mit Excel.
• Kommunikationstexte. Aushänge, Ankündigungen einer Planänderung, Entwürfe für Regelungen mit dem Betriebsrat – Formulierungsarbeit, die im Alltag oft liegen bleibt. Worauf es dabei rechtlich ankommt, behandelt der Beitrag Dienstplan und Betriebsrat.
• Begriffe und Regeln erläutern. Zuschlagsarten, Bereitschaftsdienst gegenüber Rufbereitschaft, Ausgleichszeiträume: als Erklärung brauchbar, als Rechtsauskunft nicht – gegenprüfen im Glossar oder direkt im Gesetzestext.
• Einen fertigen Plan gegenlesen lassen. Als Hinweisgeber taugt das Modell durchaus: Fünf Nachtschichten am Stück fallen ihm auf. Als Prüfinstanz taugt es nicht – ein übersehener Verstoß bleibt übersehen, und niemand erfährt davon.

Die Grenze verläuft also nicht zwischen guter und schlechter KI, sondern zwischen Text und Entscheidung. Wie ein belastbarer Planungsprozess insgesamt aussieht, beschreibt der Ratgeber Dienstplan erstellen.

Datenschutz: Echte Mitarbeiterdaten gehören nicht ungeprüft ins Chatfenster

Wer einen realen Dienstplan in ein öffentliches KI-Tool kopiert, verarbeitet personenbezogene Daten: Namen, Arbeitszeiten, Verfügbarkeiten, häufig auch Abwesenheitsgründe. Beschäftigtendaten brauchen eine Rechtsgrundlage nach Art. 6 DSGVO beziehungsweise § 26 BDSG; Angaben zu Erkrankungen sind Gesundheitsdaten nach Art. 9 DSGVO und besonders geschützt. Auf eine Einwilligung lässt sich das im Arbeitsverhältnis kaum stützen, weil deren Freiwilligkeit im Über- und Unterordnungsverhältnis regelmäßig fraglich ist.

Hinzu kommt die Auftragsverarbeitung: Wer einen externen Dienst Daten verarbeiten lässt, braucht einen Vertrag nach Art. 28 DSGVO. OpenAI bietet ein Data Processing Addendum für Business-, Enterprise- und API-Nutzung an; API-Daten werden dort höchstens 30 Tage gespeichert, und Geschäftsdaten aus Team-, Enterprise- und API-Zugängen fließen standardmäßig nicht in das Training. Für private, kostenlose oder Plus-Accounts gilt beides nicht – der schnelle Versuch am privaten Konto ist damit genau der Fall, der datenschutzrechtlich nicht trägt.

Die Datenschutzkonferenz der deutschen Aufsichtsbehörden empfiehlt in ihrer Orientierungshilfe zu Künstlicher Intelligenz und Datenschutz das naheliegende Vorgehen: interne Regeln für den KI-Einsatz festlegen, private Accounts und Geräte ausschließen, die Notwendigkeit einer Datenschutz-Folgenabschätzung prüfen und den Betriebsrat einbeziehen. Ob ein konkretes Werkzeug nach § 87 Abs. 1 Nr. 6 BetrVG mitbestimmungspflichtig ist, entscheidet sich im Einzelfall; die Vorschrift greift bei technischen Einrichtungen, die zur Überwachung von Verhalten oder Leistung bestimmt sind. Praktisch heißt das: Wer ein Sprachmodell für Planungsfragen nutzen möchte, arbeitet mit anonymisierten Beispielen – Person A, B, C statt Klarnamen. Dieser Text ersetzt keine Rechtsberatung.

Häufige Fragen

Kann ChatGPT einen Dienstplan erstellen?

Nicht in einsatzfähiger Form. ChatGPT gibt auf Anfrage eine Schichttabelle aus, eine Dienstplan- oder Rostering-Funktion ist in der Funktionsübersicht von OpenAI jedoch nicht dokumentiert, und für die Korrektheit oder Regelkonformität des Entwurfs gibt es keine Zusage. Ruhezeiten, Höchstarbeitszeiten und Qualifikationen prüft das Modell nicht.

Warum scheitern Sprachmodelle an der Dienstplanung?

Aus vier Gründen: Die Aufgabe ist als Constraint- und Optimierungsproblem nachweislich NP-hart. Sprachmodelle schneiden in Planungs-Benchmarks schwach ab – GPT-4 löste in PlanBench rund 34,6 Prozent von 600 Blocksworld-Instanzen, ein klassischer Planer 100 Prozent. Die Ausgabe ist nicht reproduzierbar, selbst bei Temperatur null nicht. Und das Modell führt keine formale Regelprüfung durch.

Ist die automatische Planung in Dienstplan-Software dasselbe wie ChatGPT?

Nein. Automatische Planung in Dienstplan-Software beruht nach dem Stand der Fachliteratur auf mathematischer Optimierung – Constraint Programming, gemischt-ganzzahliger Optimierung oder Metaheuristiken. Ein solches Verfahren rechnet mit explizit formulierten harten und weichen Regeln, liefert reproduzierbare Ergebnisse und meldet, wenn keine zulässige Lösung existiert. Welches Verfahren einzelne Anbieter verwenden, ist öffentlich nicht dokumentiert.

Darf ich Mitarbeiterdaten in ChatGPT eingeben?

Nur unter Voraussetzungen, die bei privaten oder kostenlosen Accounts nicht erfüllt sind. Beschäftigtendaten brauchen eine Rechtsgrundlage nach Art. 6 DSGVO beziehungsweise § 26 BDSG, Krankheitsdaten sind Gesundheitsdaten nach Art. 9 DSGVO, und für die Verarbeitung durch einen externen Dienst ist ein Vertrag zur Auftragsverarbeitung nach Art. 28 DSGVO erforderlich. OpenAI bietet ein Data Processing Addendum für Business-, Enterprise- und API-Nutzung an, nicht für private Konten. Praktikabel ist der Weg über anonymisierte Beispiele.

Wofür lässt sich ChatGPT bei der Dienstplanung sinnvoll nutzen?

Für die sprachliche Zuarbeit rund um den Plan: Schichtmodelle entwerfen und erklären, Excel-Formeln für Planvorlagen, Aushang- und Ankündigungstexte, das Erläutern von Begriffen und Regeln sowie das Gegenlesen eines fertigen Plans als Hinweisgeber. Die Planungsentscheidung selbst und jede Regelprüfung gehören dagegen in ein System, das die Regeln formal prüft.

Quellen

1. OpenAI: ChatGPT Capabilities Overview: help.openai.com · Tasks in ChatGPT: help.openai.com
2. Valmeekam et al., PlanBench – On the Planning Abilities of Large Language Models: arxiv.org/abs/2206.10498 · LLMs still can't plan (o1-Evaluation): arxiv.org/abs/2409.13373
3. Zur NP-Härte des Nurse-Rostering-Problems: sciencedirect.com · Überblick zu Lösungsverfahren (Constraint Programming, MILP, Metaheuristiken): arxiv.org · mdpi.com
4. Zur fehlenden Reproduzierbarkeit von LLM-Ausgaben: thinkingmachines.ai · arxiv.org/abs/2408.04667 · Sprachmodelle als Formalisierer für Solver: arxiv.org
5. Arbeitszeitgesetz (§ 3 Höchstarbeitszeit, § 4 Ruhepausen, § 5 Ruhezeit): gesetze-im-internet.de · Betriebsverfassungsgesetz (§ 87 BetrVG): gesetze-im-internet.de
6. OpenAI Data Processing Addendum: openai.com · OpenAI Enterprise Privacy: openai.com · Datenschutzkonferenz, Orientierungshilfen: datenschutzkonferenz-online.de
7. Aplano – Funktionen und Tarife: aplano.de/preise

← Alle Blog-Artikel · Zum Software-Vergleich