26. März 2026
Schichtoptimierung mit KI: Personalplanung nach prognostizierter Nachfrage
Schichtoptimierung mit KI ist eine Methode, die aus den vergangenen Bestell- und Umsatzdaten eines Restaurants die Nachfrage nach Tag und Uhrzeit prognostiziert und daraus einen Entwurf für die Personalplanung ableitet. Das Ziel ist, eine intuitive Planung, bei der etwa der Dienstagmittag mit derselben Besetzung wie der Samstagabend geöffnet wird, in einen datengestützten Entwurf zu verwandeln, der zeigt, wie viele Mitarbeitende zu welcher Uhrzeit gebraucht werden. Diesen Entwurf erstellt die KI; wer welche Schicht übernimmt, wer eingeteilt und wer freigegeben wird, entscheidet immer der Betreiber.
Im Restaurant sind die Personalkosten nach dem Wareneinsatz der größte Posten, und in den meisten Betrieben wird der Wochenplan noch immer mit Blick auf die Vorwoche aus dem Bauch heraus aufgestellt. Das Ergebnis fällt in zwei Richtungen aus: An einem vollen Abend kommt die Küche nicht hinterher, Bestellungen verspäten sich, Tische warten leer; an einem ruhigen Mittag dagegen sind mehr Leute im Dienst als nötig, und der gezahlte Lohn deckt sich nicht mit dem Aufkommen. In beiden Fällen bleibt Geld liegen. Genau hier setzt die von RestApp entwickelte Schichtoptimierung an.
In diesem Beitrag erklären wir, was KI-gestützte Schichtplanung ist, wie sie mit den Daten aus RestApp einen Entwurf erstellt, was sie an einem konkreten Restaurantbeispiel bringt und warum die Entscheidung dennoch beim Menschen bleibt. Sagen wir es gleich offen: Diese Funktion ist derzeit nicht live, sie wird im Early Access entwickelt und steht auf der Roadmap. Sie erfahren hier, wie sie funktionieren wird, wie sie sich mit den Berichten verbindet, die Sie heute schon haben, und wann Sie damit rechnen können.
Wo liegt der eigentliche Schmerz in der Schichtplanung?
Wer den Wochenplan eines Restaurants aufstellt, sucht meist die Antwort auf eine einzige Frage: Wer kommt diese Woche wann? Bei der Beantwortung liegt selten eine zahlenbasierte Grundlage vor. In den meisten Betrieben besteht der Plan darin, den Plan der Vorwoche mit kleinen Änderungen zu kopieren. Dabei ist die Nachfrage an jedem Tag und in jedem Zeitfenster anders; der Dienstag um 14 Uhr und der Freitag um 20 Uhr sind zwei verschiedene Welten desselben Restaurants.
Diese intuitive Planung hat einen Preis, der in beide Richtungen wirkt. In einem vollen Service mit zu wenig Personal kommt die Küche nicht hinterher, der Servicemitarbeiter schaut spät am Tisch vorbei, Online-Bestellungen stauen sich, und sowohl die Bewertungen als auch der Umsatz sinken. An einem ruhigen Mittag mit zu viel Personal teilen sich fünf Leute die Arbeit von dreien; der gezahlte Lohn rechnet sich nicht. Schon eine täglich zwei bis drei Stunden lange überflüssige Überbesetzung summiert sich am Monatsende zu einem ernsthaften Betrag.
Das Schwierige daran ist, dass dieses Gleichgewicht aus dem Kopf heraus kaum zu treffen ist. Ein Mensch erinnert sich an die Vorwoche, kann aber den Einfluss des Zahltags, der Schulferien, eines verregneten Samstags oder einer Veranstaltung in der Nachbarstraße auf die Nachfrage nicht im Gedächtnis behalten. Die Daten dagegen bewahren diese Muster auf. Genau das ist das Problem, das die KI-gestützte Schichtoptimierung lösen will: die Planung nicht auf Erinnerung zu stützen, sondern auf die Muster in den vergangenen Daten.
Wie prognostiziert die KI die Nachfrage?
Die Schichtprognose beginnt mit Daten, die ein Restaurant ohnehin erzeugt. Auf der Seite von Bestellungen am Tisch und Online-Bestellungen ist in RestApp jede Bestellung mit Datum, Tag, Uhrzeit, Produkt und Betrag erfasst. Die KI liest diese Vergangenheit und ermittelt, wie viele Rechnungen an welchem Tag in welchem Zeitfenster typischerweise geöffnet werden, wie lang die durchschnittliche Verweildauer am Tisch ist und zu welcher Uhrzeit die Küche den dichtesten Produktfluss erlebt.
Diese Prognose schaut nicht nur auf den Gesamtumsatz, sondern auf die tatsächliche Last des Service. In einem Restaurant, in dem pro Stunde 40 Rechnungen geöffnet werden, zählt nicht nur, wie viele Tische besetzt sind, sondern wie viele Teller von diesen Tischen in die Küche und wie viele Getränke an die Bar gehen. Sobald die Vorbereitungsdaten aus dem Küchendisplay KDS von RestApp einfließen, kann die Prognose die Auslastung des Gastraums zusammen mit der Arbeitslast der Küche bewerten. So unterscheidet sich ein voller, aber schnell drehender Mittag von einem Abend mit wenigen Tischen, aber schweren Gerichten.
Die Stärke der Prognose kommt aus wiederkehrenden Mustern. Regelmäßige Schwankungen wie die Zahltagswoche, das Wochenende, der Vorabend eines Feiertags oder saisonale Spitzen sind in den Daten klar erkennbar. Die KI erfasst sie und prognostiziert für die nächste Woche die erwartete Auslastung pro Zeitfenster. Wichtig ist, hier nicht mehr zu versprechen, als wir halten können: Das ist keine gesicherte Tatsache, sondern eine auf der Vergangenheit beruhende Prognose. Ein unerwartetes Wetter oder ein lokales Ereignis kann das Bild verändern; deshalb ist das Ergebnis kein Befehl, sondern ein Entwurf.
Von der Prognose zum Schichtentwurf: Wie läuft der Prozess ab?
Nachdem die KI die erwartete Auslastung berechnet hat, übersetzt sie diese in einen konkreten Personalvorschlag. Das Ergebnis sieht etwa so aus: Samstag zwischen 19 und 23 Uhr 4 Personen in der Küche, 3 im Gastraum, 1 an der Kasse; am Dienstagmittag zwischen 12 und 15 Uhr reichen 2 in der Küche und 2 im Gastraum. Das ist kein ausgefüllter Dienstplan, sondern ein Gerüst, das zeigt, wie viele Personen in welchem Zeitfenster gebraucht werden.
Wer dieses Gerüst in einen echten Dienstplan überführt, ist die Führungskraft. Die KI weiß nicht, wer an welchem Tag verfügbar ist, wer in Teilzeit arbeitet, wer erfahren ist oder welche zwei Mitarbeitenden in derselben Schicht nicht gut harmonieren. Der Betreiber schaut sich den Entwurf an und passt ihn mit seinem Teamwissen an: ändert einen Namen, verschiebt eine Schicht, fügt bei Bedarf eine Person hinzu oder nimmt eine heraus. Die KI liefert den Rahmen, der Mensch gibt ihm Substanz.
Dieser Ablauf macht aus der Planung von Grund auf eine Tätigkeit des Anpassens. Statt auf einen leeren Plan zu schauen und zu überlegen, wie viele Leute diese Woche gebraucht werden, geht die Führungskraft von einem fertigen Vorschlag aus. Hier liegt der Zeitgewinn; einen Plan aufzustellen dauert keinen halben Tag mehr, einen Entwurf durchzusehen sind ein paar Minuten. Die Entscheidung bleibt bei der Führungskraft, nur ist der Ausgangspunkt kein leeres Blatt, sondern ein datengestützter Entwurf.
Ein Restaurantbeispiel: Samstagabend im Schmaushaus
Nehmen wir an, es gibt ein Restaurant namens Schmaushaus mit 60 Plätzen. An Samstagabenden verstopft die Küche zu später Stunde, Online-Bestellungen erreichen 35 Minuten, und einige Tische brechen vor dem Warten auf. Dagegen stehen am Dienstag- und Mittwochmittag zwei Servicekräfte im Gastraum untätig herum, der Plan wird aber aus Gewohnheit stets voll besetzt aufgestellt. Die Führungskraft klagt auf der einen Seite über das Nichthinterherkommen, auf der anderen über zu hohe Lohnkosten.
Wenn die KI auf die Daten der vergangenen 12 Wochen schaut, zeigt sich, dass der Samstag zwischen 20 und 22:30 Uhr hinsichtlich Rechnungs- und Küchenlast der Spitzenpunkt ist, während der Dienstagmittag das ruhigste Zeitfenster der Woche ist. Der vorgeschlagene Entwurf ist simpel: zur Spitzenstunde am Samstag eine Person mehr in die Küche, vom Dienstagmittag dagegen eine Servicekraft abziehen und auf den Abend verlegen. Die Führungskraft sieht den Entwurf, passt ihn an die Verfügbarkeit des Teams an und gibt ihn frei.
Das Ergebnis ist eine Schätzung, aber die Richtung ist klar. Sinkt am Samstagabend die Bestellzeit, erholen sich sowohl die Tischumschlagsrate als auch die Bewertungen; die eine vom Dienstagmittag abgezogene Überbesetzung, sagen wir 90 Euro Tageslohn, wird über den Monat zu einer spürbaren Einsparung. Diese Zahlen sind kein erfundenes Versprechen; sie sind das natürliche Ergebnis einer Anpassung, die aus den eigenen Daten des Betriebs entsteht und die Freigabe der Führungskraft durchläuft. Die KI hat hier nur gezeigt, wo man hinschauen muss.
Wie verbindet sie sich mit den bestehenden Funktionen von RestApp?
Die Schichtoptimierung ist keine in der Luft hängende Funktion; sie beruht auf den Daten, die die ohnehin vom Restaurant genutzten Module erzeugen. Im Herzen der Prognose liegt die Bestellhistorie, die sich auf der Seite der provisionsfreien Online-Bestellung und der Bestellung am Tisch sowie im Cloud-Kassensystem ansammelt. Je regelmäßiger und vollständiger die Daten erfasst werden, desto treffsicherer wird die Prognose; den Tagesbetrieb über RestApp abzuwickeln, bereitet die Grundlage für diese Funktion also ganz von selbst vor.
Um die Auslastung genauer zu messen, kommen zwei weitere Quellen hinzu. Die Cloud-Berichte zeigen die Verteilung von Umsatz und Rechnungen nach Zeitfenster und Tag bereits an; die Schichtprognose führt die Logik dieser Berichte einen Schritt weiter und verwandelt sie in einen zukunftsgerichteten Vorschlag. Das Küchendisplay KDS wiederum macht durch das Hinzufügen von Vorbereitungszeiten und Küchenlast den Unterschied zwischen der Auslastung des Gastraums und der tatsächlichen Arbeitslast der Küche sichtbar.
Auf der Kostenseite entsteht eine Verbindung zum Rezept- und Kostenmanagement. Um die Kosten einer Schicht richtig zu sehen, muss man nicht nur den Lohn, sondern auch wissen, welche Produkte in diesem Service verkauft wurden und welche Deckungsbeiträge sie tragen. Wenn diese Daten künftig zusammenkommen, lässt sich die Frage "Rechnet sich eine zusätzliche Person in diesem Zeitfenster über den Umsatz?" klarer beantworten. Kurz gesagt ist die Schichtoptimierung ein Vorschlagssystem, das auf den Berichts-, KDS- und Kostenebenen von RestApp aufsetzt.
Diese Funktion ist noch nicht live: Early Access und Roadmap
Hier muss man ehrlich sein: Die KI-gestützte Schichtoptimierung ist derzeit keine in RestApp aktive Funktion. Sie wird in der Early-Access-Phase entwickelt und steht auf der Produkt-Roadmap. Was in diesem Beitrag beschrieben wird, spiegelt das Design und die Logik der Funktion wider; Sie werden heute keinen Button finden, der nach dem Einloggen in Ihr Konto einen Schichtentwurf erzeugt.
Dass sie im Early Access ist, bedeutet praktisch Folgendes: Die Funktion wird zuerst mit einer begrenzten Zahl von Betrieben an echten Daten erprobt, die Prognosequalität wird gemessen und mit Rückmeldungen ausgereift. Themen wie Nachfrageprognose gewinnen erst mit ausreichenden und regelmäßigen historischen Daten Sinn; deshalb stärkt es Ihre Position, wenn Sie Ihre Bestell-, Menü- und Rechnungsdaten ab heute mit RestApp ordentlich pflegen, sobald die Funktion erscheint. Wir kündigen sie an, sobald sie da ist, und sagen nicht "verfügbar", bevor sie es ist.
Die Wartezeit vergeht derweil nicht ungenutzt. Sie können Ihre Schichtentscheidungen schon heute verbessern, indem Sie auf die Auslastungsdaten nach Zeitfenster und Tag in den Cloud-Berichten schauen; was die KI nach ihrem Erscheinen tut, ist, diese Analysen für Sie vorzubereiten und in einen Entwurf zu verwandeln. Wenn die Funktion live geht, beginnt sie also nicht bei null, sondern setzt auf den Daten auf, die Sie ohnehin schon haben.
Wer trifft die Entscheidung? Wem gehören die Daten?
Der entscheidende Punkt ist: Die KI trifft keine Entscheidung, sie bereitet einen Vorschlag und einen Entwurf vor. Bei der Schichtoptimierung prognostiziert die KI, wie viele Personen zu welcher Uhrzeit gebraucht werden, und legt einen Entwurf vor; wer aber diese Schicht übernimmt, wer eingeteilt und wer als frei gilt, welche Person zu welcher Schicht passt, bestimmt der Betreiber. Wer den Plan freigibt und bei Bedarf mit einem Klick ablehnt und von Hand anpasst, ist der Mensch. Die KI teilt niemanden eigenständig zur Schicht ein, entlässt niemanden und schreibt keinem Mitarbeitenden eine Nachricht.
Diese beim Menschen verbleibende Kontrolle ist eine bewusste Entscheidung. Die Personalplanung gehört zu den heikelsten Themen eines Restaurants; die Verfügbarkeit der Mitarbeitenden, ihre persönlichen Umstände, die Teamdynamik und das Gerechtigkeitsempfinden passen in kein Prognosemodell vollständig hinein. Deshalb ist die Rolle der KI auf den Vorschlag beschränkt; das letzte Wort hat die Führungskraft, die ihr Team kennt. Das richtige Konzept ist kein automatischer Dienstplan, sondern ein Assistent, der die Arbeit der Führungskraft beschleunigt.
Auch auf der Datenseite ist die Linie klar. Die Bestell-, Menü- und Betriebsdaten Ihres Restaurants gehören dem Betrieb und werden DSGVO-konform verarbeitet. Diese Daten werden nicht verwendet, um gemeinsame, mit anderen Betrieben geteilte Modelle zu trainieren; Ihre Prognose entsteht aus Ihrer eigenen Vergangenheit. Die KI ist kein Überwachungswerkzeug, sondern ein Werkzeug, das es dem Betrieb ermöglicht, die eigenen Daten zum eigenen Vorteil zu lesen. Einen umfassenderen Blick auf das Thema finden Sie im Beitrag über den KI-Ansatz von RestApp.
Wichtigste Punkte
- Schichtoptimierung mit KI prognostiziert aus den vergangenen Bestell- und Umsatzdaten des Restaurants die Nachfrage pro Zeitfenster und schlägt dazu einen Entwurf für die Personalplanung vor; sie macht aus dem Aufstellen des Plans von Grund auf ein bloßes Anpassen.
- Die KI bereitet den Entwurf vor, die Entscheidung und Freigabe trifft immer der Betreiber; wer in welcher Schicht ist, wer eingeteilt und wer freigegeben wird, entscheidet die Führungskraft, die ihr Team kennt.
- Die Prognose beruht auf den vorhandenen Daten von RestApp: provisionsfreie Online-Bestellungen und Rechnungen am Tisch, die Auslastungsanalyse in den Cloud-Berichten und die Vorbereitungslast aus dem Küchendisplay KDS.
- Ein richtig aufgestellter Schichtplan zahlt sich auf beiden Seiten aus: Er verringert den Umsatzverlust durch Nichthinterherkommen in der Spitze und den unnötigen Lohn durch Überbesetzung in ruhigen Stunden.
- Die Funktion ist derzeit nicht live, sie wird im Early Access entwickelt und steht auf der Roadmap; ab heute mit RestApp regelmäßig Daten zu pflegen, stärkt die Prognosequalität, sobald die Funktion erscheint.
Häufig gestellte Fragen
Ist die Schichtoptimierung mit KI in RestApp derzeit live, und wann erscheint sie?+
Nein, diese Funktion ist derzeit nicht live. Sie wird in der Early-Access-Phase entwickelt und steht auf der Roadmap von RestApp. Sie wird zuerst mit einer begrenzten Zahl von Betrieben an echten Daten erprobt und ausgereift, danach schrittweise freigeschaltet. Wir kündigen sie an, sobald sie da ist; wir sagen nicht, dass sie verfügbar ist, bevor sie es ist. In der Zwischenzeit können Sie Ihre Schichtentscheidungen schon heute mit den Auslastungsdaten in den Cloud-Berichten verbessern.
Bestimmt die KI den Dienstplan, oder wer trifft die Entscheidung?+
Die Entscheidung trifft immer der Betreiber. Die KI bereitet lediglich anhand der prognostizierten Nachfrage einen Entwurf vor: Sie schlägt vor, wie viele Personen in welchem Zeitfenster gebraucht werden. Wer in dieser Schicht ist, wer eingeteilt und wer als frei gilt, und ob der Entwurf freigegeben wird, bestimmt die Führungskraft. Die KI teilt niemanden eigenständig zur Schicht ein, schreibt Mitarbeitenden keine Nachrichten und wendet den Plan nicht automatisch an.
Sind die Personal- und Bestelldaten meines Restaurants sicher, werden sie anderswo verwendet?+
Ihre Daten gehören Ihrem Betrieb und werden DSGVO-konform verarbeitet. Ihre Bestell-, Menü- und Betriebsdaten werden ausschließlich verwendet, um Ihre eigenen Prognosen zu erstellen; sie werden nicht genutzt, um gemeinsame, mit anderen Betrieben geteilte Modelle zu trainieren. Die KI ist kein Überwachungswerkzeug, sondern ein Werkzeug, das es dem Betrieb ermöglicht, die eigenen historischen Daten zum eigenen Vorteil zu lesen.
Worauf stützt die KI ihre Schichtprognose?+
Die Prognose beruht auf den in RestApp angesammelten historischen Daten des Restaurants: nach Tag und Uhrzeit geöffnete Rechnungen, Online-Bestellungen, Umsatzverteilung und die Vorbereitungslast aus dem Küchendisplay KDS. Die KI leitet aus diesen Daten wiederkehrende Muster ab (wie Wochenende, Zahltagswoche oder saisonale Spitzen) und prognostiziert die Auslastung der nächsten Woche pro Zeitfenster. Das ist keine gesicherte Tatsache, sondern eine auf der Vergangenheit beruhende Prognose.
Funktioniert diese Funktion auch in einem kleinen Restaurant?+
Grundsätzlich ja, denn ihre Logik beruht nicht auf der Größe, sondern auf den Daten. Die einzige Voraussetzung sind ausreichende und regelmäßige historische Daten; je länger ein Restaurant seine Bestellungen regelmäßig über RestApp abwickelt, desto treffsicherer wird die Prognose. Selbst in einem kleinen Betrieb ist die Wirkung einer täglich ein bis zwei Stunden langen Über- oder Unterbesetzung am Monatsende spürbar, daher erzeugt sie auch in kleinen Teams Wert.
Wie verbindet sich die Schichtoptimierung mit den anderen Funktionen von RestApp?+
Die Grundlage der Prognose ist die Bestellhistorie, die sich bei der provisionsfreien Online-Bestellung und der Bestellung am Tisch sowie im Cloud-Kassensystem ansammelt. Die Cloud-Berichte zeigen die Auslastung pro Zeitfenster, das Küchendisplay KDS fügt die Arbeitslast der Küche hinzu, und das Rezept- und Kostenmanagement hilft, die tatsächlichen Kosten einer Schicht zu bewerten. Die Schichtoptimierung ist also ein Vorschlagssystem, das auf den bestehenden Berichts- und Kostenebenen von RestApp aufsetzt.
Zahlen Sie keine Provision mehr auf Ihre Bestellungen
Starten Sie Ihr eigenes provisionsfreies Online-Bestellsystem mit RestApp.