Unterstützung der Ressourcenplanung

Künstliche Intelligenz (KI) kann in nahezu allen Bereichen des Facility Management (FM) bei der Ressourcen- und Personalplanung unterstützen.

Durch Datenanalyse lässt sich ermitteln, wie viele Hausmeister, Reinigungskräfte oder Techniker für den Betrieb von Gebäuden benötigt werden, basierend auf Faktoren wie Gebäudefläche, Nutzungsgrad und Service-Level. So befasst sich etwa Prof. Dr. Carolin Bahr – Vorständin der GEFMA und Expertin für Immobilienmanagement – mit der Prognose des notwendigen Personalbedarfs für das Instandhalten und Betreiben von Liegenschaften. KI-gestützte Modelle können hier Szenarien berechnen, wie sich der Personalbedarf entwickelt, wenn zusätzliche Gebäude hinzukommen oder der Automatisierungsgrad steigt.

• Infrastrukturelles FM (Reinigung & Gebäude-Service): KI kann Nutzungsdaten (z.B. Raumbelegung, Frequenzen) auswerten, um den Reinigungsaufwand gezielt zu planen. Etwa optimieren KI-gestützte Reinigungsroboter bereits heute Reinigungspläne je nach Nutzungsintensität der Räume. So wird z.B. erkannt, welche Bereiche häufiger gereinigt werden müssen, und das Reinigungspersonal wird bedarfsorientiert eingesetzt. Gleichzeitig können smarte Systeme mittels Sensordaten (z.B. Füllstand von Abfallbehältern) automatische Aufgaben generieren, was die Effizienz des Reinigungsteams steigert.

• Technisches FM (Wartung & Gebäudetechnik): KI-Systeme analysieren kontinuierlich Betriebs- und Sensordaten der technischen Anlagen. Durch Predictive Maintenance erkennt KI frühzeitig, wann z.B. eine Klimaanlage oder Aufzugsanlage Wartung benötigt, und kann Ausfallzeiten minimieren. Dadurch lassen sich Wartungspläne und Technikereinsätze vorausschauend planen – es wird genau die richtige Anzahl Servicetechniker zum richtigen Zeitpunkt eingeplant, um Störungen zu verhindern. KI kann z.B. Verbrauchsmuster lernen und vorhersagen, wann Komponenten ausfallen, sodass Instandhaltungspersonal proaktiv statt reaktiv tätig wird.

• Weitere Bereiche: Auch in Sicherheitsdiensten (z.B. optimale Schichtplanung für Wachdienst je nach Zugangsdaten), Flächenmanagement und Raumplanung kommt KI zum Einsatz. Durch Analyse von Gebäudedaten kann KI-Vorschläge zur optimalen Raumnutzung machen (etwa nicht genutzte Büros identifizieren und Belegungspläne anpassen). Im Energie- und Ressourcenmanagement lassen sich mit KI-Betriebsparameter so steuern, dass Personal z.B. für manuelle Kontrollen reduziert werden kann (bspw. automatisierte Zählerdatenerfassung statt Ableserunden). Insgesamt hilft KI also in allen FM-Bereichen, die notwendigen Personalressourcen datenbasiert zu planen und effizient einzusetzen.

Um solche Personalbedarfs-Szenarien zu berechnen, kommen verschiedene KI-Methoden und digitale Werkzeuge zum Einsatz. Wichtig ist dabei, dass moderne FM-Software und Analysesysteme ohne das explizite Nennen von Herstellern genutzt werden können, um die Planung zu optimieren:

Historische Daten zu Gebäudenutzung, Flächen, Störfällen und bisherigem Personalbedarf werden mittels maschinellen Lernens ausgewertet. KI-Modelle erkennen Zusammenhänge – z.B. wie stark der Personalbedarf in Abhängigkeit von der Fläche, der Nutzungsintensität oder der technischen Ausstattung steigt. Auf dieser Grundlage erstellen sie Bedarfsprognosen für die Zukunft. So kann z.B. ein lernendes System aus vergangenen Monaten ableiten, dass pro 1.000 m² Bürofläche und 100 Beschäftigten ein bestimmter Personalstamm nötig war, und diesen Wert auf zukünftige Entwicklungen hochrechnen. KI-gestützte Forecasting-Tools berechnen also auf Knopfdruck, wie viele Mitarbeiter mit welchen Qualifikationen in den kommenden Monaten oder Jahren benötigt werden. Diese Planung ist weit objektiver und faktenbasierter als Schätzungen aus dem Bauchgefühl. Das System bezieht diverse Einflussfaktoren ein (z.B. Öffnungszeiten, Service-Level-Agreements, erwartete Ausfälle) und liefert präzise Personalprognosen.

In der strategischen Flächen- und Ressourcenplanung werden häufig digitale Gebäudezwillinge eingesetzt. Ein digitaler Zwilling ist ein virtuelles Abbild des Gebäudes und seiner Nutzung, in dem unterschiedliche Zukunftsszenarien durchgespielt werden können. Was-wäre-wenn-Analysen lassen sich so realistisch simulieren – beispielsweise kann man eingeben: „Das Unternehmen wächst in 2 Jahren um 20% Mitarbeiter“ oder „Neue Arbeitsmodelle (z.B. mehr Home-Office) reduzieren den Büro-Präsenzgrad um 30%“. Die KI durchläuft im virtuellen Gebäudemodell verschiedene Konfigurationen und berechnet die Auswirkungen auf benötigte Büroflächen, Arbeitsplatzanzahl, Parkplätze oder technische Kapazitäten. Moderne Szenario-Tools ermöglichen es, mehrere Optionen parallel zu vergleichen: Ein System kann z.B. Parameter wie maximale Belegungsquote oder Fläche pro Arbeitsplatz vorgeben und dann mithilfe von KI alle möglichen Layout- und Flächenbelegungs-Szenarien durchrechnen. Auf diese Weise identifiziert die KI automatisiert die optimale Lösung für die Flächennutzung, ohne dass Planer mühsam jede Variante manuell durchspielen müssen. So erhält man etwa Antworten auf Fragen wie „Wie viele Büroarbeitsplätze brauche ich bei Einführung von Desk-Sharing mit 50% Homeoffice-Quote?“ oder „Wie entwickelt sich der Reinigungsbedarf, wenn die Bürofläche um 1.000 m² erweitert wird?“. KI-gestützte Tools liefern quantitative Szenarien zu all diesen Fällen. Wichtig dabei: Solche Simulationen laufen meist in integrierten CAFM/IWMS-Plattformen oder speziellen Analysesystemen ab, ohne dass proprietäre Firmennamen genannt werden müssen.

Neben ML und Simulation kommen auch klassische Berechnungsmethoden zum Zuge, oft hinterlegt in KI-Systemen. Beispielsweise fließen in Personalplanungs-KI Regelwerke und Formeln ein, die aus Richtwerten oder Branchenstandards abgeleitet sind. Die GEFMA-Richtlinie 270 etwa definiert mehrere Verfahren zur Ressourcenbemessung im FM – von einfachen Kennzahlen bis zu komplexen Berechnungen. Ein KI-System kann diese hinterlegten Formeln nutzen, um je nach Eingabe der Parameter (Fläche, Nutzungsgrad, Automatisierungsgrad etc.) den Personalbedarf automatisiert zu kalkulieren. Auch Monte-Carlo-Simulationen oder Optimierungsalgorithmen werden verwendet, um Unsicherheiten zu berücksichtigen – etwa kann die KI 1000 zufällige Szenarien durchspielen (z.B. verschiedene Wachstumsraten oder Störfallszenarien) und so Spannbreiten angeben, zwischen x und y Mitarbeitern wird vermutlich benötigt. Zudem werden Abhängigkeiten modelliert: Wenn z.B. die Automatisierung steigt, hinterlegt die KI, welcher Anteil von Arbeiten wegfällt bzw. die Produktivität pro Mitarbeiter steigt, und berücksichtigt das in der Berechnung.

Zusammengefasst sorgen diese Methoden dafür, dass KI-Systeme sehr realistische und flexible Szenarien erstellen. Die Planung kann laufend angepasst werden: Kommt ein neues Gebäude hinzu, ändert man die Flächenzahl im Modell – die KI spuckt sofort einen aktualisierten Personalbedarf aus. Steigt die Automatisierung (z.B. Einführung von 5 autonomen Reinigungsrobotern), so passen die Algorithmen die benötigten Reinigungsstunden nach unten an. All dies geschieht in modernen Tools ohne manuelles Durchprobieren, sondern auf Basis von Daten und Algorithmen. Die Facility Manager können die Ergebnisse schließlich bewerten und im Dialog mit ihrer Erfahrung verfeinern – KI ersetzt die Planungshoheit nicht, liefert aber wertvolle Entscheidungshilfen.

Besonders überzeugend wird die KI-gestützte Personalplanung, wenn harte Zahlen und Formeln ins Spiel kommen. Solche Systeme beruhen häufig auf quantitativen Schlüsselkennzahlen (KPIs) pro Fläche oder Nutzer, kombiniert mit den spezifischen Anforderungen des Objekts. Es ist allerdings hierfür die Willenslage und Fähigkeit nötig, diese Schlüsselkennzahlen auch tatsächlich verfügbar zu haben. Auch KI kann durch den Blick in die Glaskugel nichts Konkretes erwirken.

Einige Beispiele für Kennzahlen aus Praxis und Richtlinien sind:

Ein gängiger Richtwert in der Branche ist etwa 1 Hausmeisterstelle pro 10.000 m² Gebäudefläche. Das heißt, pro 10 Tsd. Quadratmeter zu betreuender Fläche wird eine Vollzeitkraft für allgemeine Betreuung, kleinere Reparaturen und Koordination benötigt. (Zum Vergleich: Eine internationale Erhebung ergab im Median etwa 50.000 sqft/FTE für Instandhaltungspersonal – das entspricht ca. 4.600 m² pro technischem Mitarbeiter. Je nach Objektart liegt der tatsächliche Betreuungsumfang also zwischen ~5.000 und 10.000 m² pro Hausmeister.) Bei steigender Gebäudefläche oder zusätzlichem Gebäude kann man relativ linear hochskalieren: Kommen z.B. 5.000 m² hinzu, wäre nach dem Richtwert eine 0,5 Hausmeisterstelle zusätzlich einzuplanen. KI-Modelle nutzen solche Kennwerte als Basis und verfeinern sie ggf. anhand weiterer Faktoren (Gebäudekomplexität, Anzahl Nutzer pro Fläche, usw.).

Für technische Fachkräfte (Elektriker, HLK-Techniker, etc.) gibt es ebenfalls quantitative Ansätze. Ein Verfahren ist etwa wertorientiert: pro x Euro Anlagenwert oder Wartungsvolumen wird eine Technikerstelle eingeplant. Beispielsweise nennt GEFMA 270 als Richtwert, dass 1 Techniker etwa Instandhaltungsmaßnahmen im Umfang von 300.000 € pro Jahr betreuen kann. Alternativ kann man per Anlagenanzahl rechnen (z.B. ein Aufzugstechniker pro 20 Aufzüge) oder per Fläche (ein Techniker pro 5.000 m² hochinstallierte Fläche). KI-Systeme können solche Parameter kombinieren: Sie kennen den Wiederbeschaffungswert der technischen Anlagen und das erwartete Wartungsaufkommen und leiten daraus den Personalbedarf ab. Steigt der Automatisierungsgrad – etwa durch Gebäudeleittechnik, die viele Anlagenvorgänge automatisch steuert – berücksichtigt das Modell einen geringeren menschlichen Überwachungsaufwand. So könnte die KI etwa berechnen, dass bei Einführung eines selbstlernenden Gebäudeleitsystems 15% weniger Technikereinsätze nötig sind, was sich in einem entsprechend reduzierten Personalbedarf niederschlägt.

In der Reinigung lässt sich der Personalbedarf sehr klar über Flächenleistungen bestimmen. Es existieren anerkannte Produktivitätswerte, z.B. aus dem APPA-Standard (für Schulen/Büros), die angeben, wieviel Fläche eine Reinigungskraft pro Schicht sauber halten kann. Bei höchstem Sauberkeitsniveau (Level 1, etwa klinisch sauber) schafft eine Reinigungskraft ca. 10.000 sqft (≈930 m²) in 8 Stunden. Bei einem mittleren Standard (Level 3, „ordnungsgemäß sauber“) sind es etwa 19.000–25.000 sqft, also grob ~2.000 m² pro Kraft und Schicht. Diese Kennzahlen ermöglichen konkrete Berechnungen: Personalbedarf Reinigung = Reinigungsfläche (m²) ÷ m²-Leistung pro MA. Wichtig ist, das gewünschte Servicelevel (Reinigungsqualität/Frequenz) zu berücksichtigen – höherer Standard bedeutet geringere m²-Leistung pro Person und somit mehr Personalbedarf.

Beispiel: Angenommen ein Bürogebäude mit 20.000 m² Nutzfläche soll täglich gereinigt werden. Bei sehr hohem Sauberkeitsanspruch (≈ 930 m² pro Reinigungskraft und Schicht) bräuchte man rund 22 Reinigungskräfte (20.000 m² ÷ 930 m² ≈ 21,5). Wird ein etwas geringerer Standard akzeptiert, z.B. ~2.200 m² pro Kraft (Level 3), genügen ca. 9–10 Reinigungskräfte für dieselbe Fläche.

• Szenario 1 – Erweiterung der Fläche: Steigt die Gebäudefläche um 50% (z.B. Zukauf eines weiteren Gebäudes auf 30.000 m² Gesamtfläche), so würde sich bei gleichbleibendem Reinigungsniveau der Bedarf nahezu proportional erhöhen. In unserem Beispiel (2.200 m²/Kraft) von ~10 auf ≈15 Reinigungskräfte. Die KI weist also darauf hin, dass zusätzliche Mitarbeiter eingestellt oder Dienstleister-Kapazitäten aufgestockt werden müssen, um die Mehrfläche abzudecken.

• Szenario 2 – Automatisierung steigt: Bleibt die Fläche bei 20.000 m², aber ein Teil der Aufgabe wird von autonomen Reinigungsmaschinen übernommen, reduziert sich der Personalbedarf. Übernimmt z.B. ein Reinigungsroboter 20% der Flächenreinigung (gleichbedeutend mit einer um 20% höheren Produktivität pro verbleibendem Mitarbeiter), so sinkt der Bedarf von 10 auf ≈8 Reinigungskräfte. Die KI berechnet diesen Effekt, indem sie die m²-Leistung pro Mitarbeiter entsprechend nach oben korrigiert.

• Szenario 3 – Fläche + Automation (kombiniert): Nun der realistische Kombinationsfall: Die Fläche wächst auf 30.000 m² und gleichzeitig werden 20% der Reinigungsarbeit automatisiert (z.B. große Flure von Robotern gereinigt). Ohne KI wäre anzunehmen, man bräuchte ~15 Kräfte (wie in Szenario 1). Die KI hingegen berücksichtigt die Automation und kommt auf einen Bedarf von rund 12 Reinigungskräften (30.000 m² effektive Menschen-Reinigungsfläche = 80% von 30k = 24.000 m²; geteilt durch ~2.200 m²/MA ≈ 10,9). Man sieht: Trotz Flächenerweiterung müsste dank Automatisierung deutlich weniger zusätzliches Personal eingeplant werden (12 statt 15).

Dieses Beispiel verdeutlicht, wie KI-gestützte Berechnungsmethoden in der Praxis angewendet werden. Anhand hinterlegter Leistungskennzahlen und Annahmen über Automation kann die KI sehr konkrete Personalprognosen liefern. Ähnliche Ansätze gelten für andere FM-Leistungen – etwa könnte eine KI berechnen, wie viele Sicherheitskräfte bei Erweiterung der Öffnungszeiten nötig sind, oder wie sich der Hausmeisterbedarf entwickelt, wenn gewisse Routineprüfungen (Brandschutzrundgänge, Zählerablesungen) digitalisiert werden.

Man kann sagen, quantitative KI-Modelle liefern recht gute Ergebnisse, da sie transparente Berechnungen (pro m², pro Nutzer, pro Anlage, etc.) mit “Was-wäre-wenn”-Analysen kombinieren.

Entscheider können an konkreten Zahlen ablesen, welche Auswirkungen verschiedene Zukunftsszenarien auf den Personalbedarf haben. KI macht die Personalplanung im Facility Management damit objektiver, skalierbarer und vorausschauender. Ressourcenengpässe oder -überschüsse lassen sich frühzeitig erkennen und Maßnahmen (Einstellung, Umschulung, Automatisierung) können gezielt eingeleitet werden. Dies steigert die Effizienz des Betriebs und hilft zugleich, den Fachkräftemangel im FM abzufedern.