Adoptionsvermittlung mit KI-Matching im Tierheim verbessern

Das echte Ausmaß des Problems

Der Deutsche Tierschutzbund meldete 2023, dass 69 Prozent der deutschen Tierheime ihre Kapazitätsauslastung als sehr hoch einschätzen, 49 Prozent sind vollständig belegt oder sogar überfüllt. Nur 18 Prozent der Heime haben noch Platz für weitere Tiere. Gleichzeitig berichtet eine Mehrheit der Heime, dass die Zahl der aufgenommenen Tiere seit 2022 weiter gestiegen ist, nach dem pandemiebedingten Haustierboom kommen viele Tiere zurück.

Ein Platz, der durch eine Rückgabe wieder belegt wird, ist doppelt verloren: Das zurückgekehrte Tier muss neu eingewöhnt werden und blockiert einen Platz für ein anderes. Der Vermittlungsaufwand beginnt von vorne. Für kleine Tierheime mit fünf bis acht Mitarbeitenden bedeutet das, dass ein vermeidbarer Rückgabefall die Ressourcen für Wochen bindet.

Warum enden Adoptionen mit Rückgabe? Die häufigste Antwort in Befragungen lautet nicht “das Tier war krank” oder “es gab ein Unglück”, sondern: Über- und Unterforderung, Verhaltenserwartungen die sich als falsch herausstellen, unvereinbarer Alltag. Ein sportlicher Hund in einem Seniorenhaushalt ohne Garten. Eine scheue Katze in einem Haushalt mit Kleinkind. Ein Kaninchen, das sich als komplexes Sozialwesen herausstellt, obwohl der Käufer an ein pflegeleichtes Tier gedacht hatte.

Internationalen Studien zufolge liegt die Rückgabequote bei Hunden innerhalb von sechs Monaten nach der Adoption bei etwa 9 bis 16 Prozent in gut dokumentierten Tierheimen, mit erheblichen Unterschieden je nach Tierprofil, Rasse und Beratungsqualität. Terrier und große Hunderassen mit hohem Energielevel werden deutlich häufiger zurückgegeben als ältere Hunde oder kleine Rassen. Der Anpassungsaufwand für Bewerber war zu hoch, weil er im Vorfeld unterschätzt wurde, nicht weil der Bewerber bösen Willen hatte.

Dabei hat jede einzelne Rückgabe konkrete Folgen für das Tier: Stress, Eingewöhnungsverlust, manchmal eine zweite oder dritte Rückgabe. Für das Tierheim: Wiederaufnahme, Gesundheitscheck, Neubeurteilung, erneuter Vermittlungsaufwand. Für die Beratenden: emotionale Belastung, die sich über Jahre akkumuliert.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Zahlen für die Rückgabequote stammen aus einer 2023 veröffentlichten Pilotstudie über KI-gestütztes Adoptionsmatching in elf US-amerikanischen kommunalen Tierheimen. Die Vergleichbarkeit mit deutschen Verhältnissen ist eingeschränkt, Tierheimstruktur und Bewerberprofile unterscheiden sich. Die Größenordnung (14 Prozent Reduktion der Rückgabewahrscheinlichkeit innerhalb von 90 Tagen) gilt als erste Orientierung, nicht als garantiertes Ergebnis.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5)
Der Zeitgewinn pro Vermittlungsgespräch ist real, 1–2 Stunden weniger Aktenstudium und mentales Abwägen pro Gespräch. Für ein Tierheim mit 10–15 Vermittlungsgesprächen pro Woche summiert sich das auf 10–30 Stunden pro Woche. Geringer bewertet als Tagesberichte-Automatisierung oder Buchungsplanung, weil Adoptionsberatung kein täglicher Fließbetrieb ist, sondern an Terminen gebündelt stattfindet. Der Gewinn liegt weniger in täglicher Entlastung als in besserer Qualität je Gespräch.

Kosteneinsparung, mittel (3/5)
Tierheime haben keine klassischen Unternehmenskosten-Strukturen. Die “Einsparung” ist indirekt: Jede verhinderte Rückgabe spart Wiederaufnahme, Gesundheitscheck, neue Fotos, neue Profile, und die gebundene Kapazität für das Tier. Eine Rückgabe kostet ein städtisches Tierheim erfahrungsgemäß 200–600 Euro in direktem Aufwand, plus die Platzblockade. Bei 50 Vermittlungen pro Jahr und einer Reduktion der Rückgabequote um 20 Prozent sind das 2–3 weniger Rückgaben jährlich. Nicht spektakulär in Euro, aber für ein Heim an der Kapazitätsgrenze bedeutsam.

Schnelle Umsetzung, niedrig (2/5)
Das ist der härteste Wert dieses Anwendungsfalls. Bevor KI-Matching sinnvoll arbeiten kann, müssen Tierprofile und Bewerberfragebögen standardisiert und digital erfasst sein, und das braucht Zeit. Wer heute mit Papierformularen und handschriftlichen Tierkarteikarten arbeitet, startet 8–16 Wochen Vorbereitung bevor das erste Matching funktioniert. Dieser Wert ist korrekt niedrig, vergleichbar mit anderen datengetriebenen Anwendungsfällen in dieser Kategorie, die Bestandsdaten erst aufbauen müssen.

ROI-Sicherheit, mittel (3/5)
Die Rückgabequote lässt sich messen, aber erst nach 6–12 Monaten, wenn genug Adoptionen stattgefunden haben und der Nachverfolgungszeitraum abgelaufen ist. Wer nach drei Monaten wissen will, ob das System “wirkt”, sieht noch keine statistisch belastbaren Daten. Der Effekt tritt ein, ist aber nicht unmittelbar belegbar.

Skalierbarkeit, sehr hoch (5/5)
Einmal aufgebaut, skaliert KI-Matching ohne proportionalen Mehraufwand. Jede neue Vermittlung füttert die Datenbasis, die Qualität der Vorschläge verbessert sich mit der Zeit. Ein Tierheim, das heute 100 Adoptionen pro Jahr hat, kann nach drei Jahren mit denselben Mitteln besser matchen, weil 300 Datenpunkte vorliegen statt 100. Das ist die stärkste Eigenschaft dieses Anwendungsfalls.

Richtwerte, stark abhängig von Vereinsgröße, Datenlage und verfügbarer Personalkapazität für die Einrichtungsphase.

Was das Matching-System konkret macht

Das Grundprinzip ist einfacher als der Begriff “KI-Matching” klingt: Zwei Profile werden systematisch verglichen, und ein Sprachmodell begründet schriftlich, welche Übereinstimmungen und welche Risiken es sieht.

Das Tierprofil enthält strukturierte Angaben: Energielevel (1–5), Sozialverhalten mit Kindern (problemlos / bedingt geeignet / ungeeignet), Sozialverhalten mit anderen Hunden, Katzen, Kleintieren, Platzbedarf (Wohnung / Haus ohne Garten / Haus mit Garten), Trainingsstand, Besonderheiten (Angstverhalten, medizinische Bedürfnisse, Erfahrung mit Leine). Diese Angaben kommen aus dem Verhaltensassessment, das Tierheimmitarbeitende durchführen, strukturiert, nicht aus dem Bauchgefühl.

Das Bewerberprofil enthält: Wohnsituation (Wohnung/Haus, Gartenzugang, Etage), Aktivitätslevel des Haushalts, Berufstätigkeit und Abwesenheitszeiten, Kinder im Haushalt (Alter), bereits vorhandene Haustiere, Vorerfahrung mit Hunden (keine / eigener Hund als Kind / eigener Hund als Erwachsene/r), finanzielle Bereitschaft für Tierarztkosten.

Ein LLM, zum Beispiel über die ChatGPT-API oder Claude, bekommt beide Profile als strukturierten Text und eine klare Anweisung: Bewerte die Passung, nenne die größten Stärken und Risiken dieser Kombination, und gib eine Empfehlung. Das System schlägt nicht automatisch Entscheidungen vor, es erstellt eine strukturierte Gesprächsgrundlage für die Beratungssitzung.

Das Ergebnis: Vermittlungsberatende gehen in das Gespräch nicht mit 38 möglichen Tieren im Kopf, sondern mit drei bis fünf vorsortierten Vorschlägen und schriftlichen Begründungen. Das Gespräch kann sich auf das Wesentliche konzentrieren: Fragen klären, das Tier zeigen, die Familie beobachten.

Was das System nicht kann: Es ersetzt das direkte Beobachten. Die Reaktion des Hundes auf die Familie, die Körpersprache des Kindes auf das Tier, das bleibt Aufgabe der Beratenden, die das Tier kennen.

Verhaltensassessment als Datengrundlage

Das ist der Dreh- und Angelpunkt des gesamten Ansatzes, und der Punkt, an dem die meisten Projekte scheitern, bevor sie beginnen.

KI-Matching ist nur so gut wie die Daten, mit denen es arbeitet. Wenn Tierprofile handschriftlich auf Karteikarten vorliegen (“lieber Hund, mag Kinder”), helfen sie dem System nicht. Wenn Beurteilungen von Mitarbeitenden zu Mitarbeitenden schwanken (“Ich finde sie schüchtern, du findest sie ängstlich”), produziert das Matching inkonsistente Ergebnisse.

Für verlässliche Ergebnisse braucht ihr deshalb zuerst ein standardisiertes Verhaltensassessment, eine strukturierte Bewertungsroutine, die alle Mitarbeitenden gleich durchführen und die mit denselben Begriffen und derselben Skala erfasst. In den USA ist das SAFER-Protokoll (Safety Assessment for Evaluating Rehoming) der ASPCA weit verbreitet: Ein standardisierter Ablauf, der Reaktionen auf verschiedene Stimuli misst und in feste Kategorien überführt. Für deutsche Tierheime gibt es kein einheitliches Gegenstück, viele Heime haben eigene Protokolle, die sie an diese Anforderungen anpassen können.

Was ihr konkret standardisieren müsst:

• Energielevel auf einer festen Skala (z. B. 1 = schläft viel, 5 = braucht 2+ Stunden Auslauf täglich)
• Sozialverhalten gegenüber Kindern unter 10 Jahren: problemlos / nach Eingewöhnung / nicht empfohlen
• Sozialverhalten gegenüber anderen Hunden: problemlos / leinenaggression / hundefeindlich
• Sozialverhalten gegenüber Katzen und Kleintieren: jagen / ignorieren / verträglich
• Platzbedarf: Wohnung geeignet / Wohnung mit täglichem Auslauf / Haus mit Garten erforderlich
• Trainingsstand: 1–5 (keine Grundkommandos bis vollständig gehorcht)
• Besonderheiten als Freitext-Feld: Angstverhalten, Ressourcenverteidigung, medizinische Besonderheiten

Diese Daten werden einmal beim Einzug des Tieres erfasst und bei Bedarf aktualisiert. Die Erfassung dauert 20–30 Minuten pro Tier. Die Datenbank dieser Profile ist das Kapital, auf dem das Matching aufbaut.

Erst wenn ihr für 20–30 Tiere strukturierte Profile habt, und 20–30 Bewerbermatchings durchgeführt und dokumentiert habt, lohnt sich der Einstieg in KI-gestütztes Matching. Davor: strukturierte Profiles manuell nutzen, manuell matchen, Erfahrungen sammeln.

Konkrete Werkzeuge, was wann passt

Die Werkzeugwahl hängt davon ab, wie viel IT-Kapazität das Tierheim hat und wie viele Adoptionen es pro Jahr durchführt.

Shelterluv, wenn ihr die Datenbasis professionell aufbauen wollt
Shelterluv ist speziell für Tierheime gebaut: Tier-Aufnahme, Verhaltensakte, Adoptionspipeline und Bewerber-Fragebögen in einem System. Das Besondere: keine Monatsgebühr, nur 2 USD pro abgeschlossener Adoption. Für ein Heim mit 150 Adoptionen pro Jahr sind das 300 USD jährlich, verschwindend gering. Das System ist ausschließlich englischsprachig und hostet Daten in den USA. Das macht eine DSGVO-Prüfung vor dem Einsatz zwingend, ein Datenschutzbeauftragter sollte das AVV prüfen.

Airtable, wenn ihr eine flexible, selbstgebaute Lösung wollt
Airtable ist kein Tierheim-Tool, aber es lässt sich ohne Programmierkenntnisse zur strukturierten Tier- und Bewerberdatenbank ausbauen. Ihr definiert die Felder (Energielevel, Sozialverhalten, Wohnsituation) und ein Formular für Bewerber. Die ausgefüllten Formulare landen direkt in der Datenbank. Von dort aus könnt ihr einen LLM-Prompt mit den Profildaten befüttern. Preis: Starter-Plan kostenlos bis 5 Nutzer, dann ab 20 Euro/Nutzer/Monat. Daten werden in den USA gehostet, auch hier AVV erforderlich.

Notion AI, für kleine Heime mit wenig technischer Infrastruktur
Notion lässt sich als einfache Tier- und Bewerberdatenbank nutzen, mit Notion AI als erstem Matching-Assistent. Ihr legt Tier-Seiten mit standardisierten Properties an und kopiert Profile in einen Notion AI-Prompt. Nicht so mächtig wie Shelterluv, aber in drei Tagen einsatzbereit, ohne Datenmigration und ohne Programmierkenntnisse. Preis: Notion Business ca. 20 Euro/Person/Monat (inklusive Notion AI).

ChatGPT oder Claude, der Matching-Motor
Unabhängig von eurer Datenbank-Wahl: Das eigentliche Matching übernimmt ein Sprachmodell. Ihr extrahiert das Tier- und Bewerberprofil als strukturierten Text und schickt ihn an ChatGPT oder Claude mit einem Matching-Prompt (siehe “Das kannst du heute noch tun”). ChatGPT Plus (20 USD/Monat) oder Claude Pro (20 USD/Monat) reichen für den Einstieg, ohne API-Integration, ohne technisches Know-how. Für höheres Volumen lohnt der Schritt zur API.

Zusammenfassung: Wann welcher Ansatz

• Heim mit 100+ Adoptionen/Jahr, klare DSGVO-Prüfung durchgeführt → Shelterluv als Datenbasis
• Flexibilität wichtiger als Spezialtiefe, Offenheit für eigenes Setup → Airtable
• Kleines Heim, schneller Start, wenig Budget → Notion + ChatGPT
• In jedem Fall: ChatGPT oder Claude für den Matching-Schritt selbst

Datenschutz und Datenhaltung

Adoptionsbewerber sind Privatpersonen. Ihre Daten, Wohnsituation, Familiensituation, Haushaltsstruktur, sind personenbezogene Daten im Sinne der DSGVO. Wer sie in einem digitalen System erfasst und verarbeitet, braucht:

Rechtliche Grundlage für die Datenerhebung: Die Verarbeitung ist zulässig im Rahmen eines (vor)vertraglichen Verhältnisses (Art. 6 Abs. 1 lit. b DSGVO), der Bewerber beantragt die Adoption, das Heim prüft die Eignung. Eine gesonderte Einwilligung ist daher typischerweise nicht erforderlich, aber die Bewerber müssen über die Verarbeitung informiert werden (Datenschutzerklärung).

Auftragsverarbeitungsvertrag (AVV): Sobald ihr Bewerberdaten an einen externen Anbieter wie Shelterluv, Airtable oder ChatGPT übergebt, greift Art. 28 DSGVO. Alle drei Anbieter stellen AVVs bereit, aber ihr müsst sie aktiv anfordern und unterzeichnen. Bei US-amerikanischen Anbietern (Shelterluv, Airtable, OpenAI) kommen Standardvertragsklauseln (SCC) hinzu.

Was an ChatGPT / Claude übergeben werden darf: Im Matching-Prompt sollten keine direkt identifizierenden Daten stehen (Name, Adresse, Telefon). Strukturierte Profildaten (Wohnsituation: Wohnung 60 qm, 3. OG, kein Garten; Haushalt: 2 Erwachsene, 1 Kind 8 Jahre; Vorerfahrung: Hund als Kind gehabt) sind ausreichend für das Matching und lassen sich bei Bedarf anonymisiert übergeben.

Tierheim als gemeinnütziger Verein: Viele Tierheime sind eingetragene Vereine. Das entbindet nicht von der DSGVO-Pflicht, vereinfacht aber die interne Legitimation, kein Betriebsrat, oft flache Strukturen. Der erste Ansprechpartner für Datenschutzfragen ist der Vorstand, ggf. mit externer Beratung.

Empfehlung: Wer die KI-Matching-Lösung einführt, holt sich vorher eine einmalige Rechtsberatung (500–800 Euro) zu den Datenschutzfragen, und legt die Bewerberdatenschutzerklärung entsprechend an. Das ist kein Blocker, aber es sollte vor dem Produktivbetrieb erledigt sein.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

• Standardisierung des Verhaltensassessments und der Bewerber-Fragebögen: 2–4 Wochen interner Aufwand (Veterinärin oder Tierheim-Leitung + Mitarbeitendentraining)
• Datenbankaufbau (Airtable oder Shelterluv): 1–2 Tage technische Einrichtung
• Rechtliche Beratung (DSGVO-Prüfung, AVV): einmalig 500–800 Euro
• Optionale externe Begleitung (KI-Implementierungsberatung): 1.000–3.000 Euro, wenn kein technisches Know-how intern vorhanden

Laufende Kosten (monatlich)

• Shelterluv: 2 USD pro Adoption (bei 150 Adoptionen/Jahr: 300 USD/Jahr = 25 USD/Monat)
• ChatGPT Plus für Matching-Prompts: 20 USD/Monat (reicht für bis zu 300–500 Matching-Anfragen)
• Notion Business (falls genutzt): ca. 20 Euro/Person/Monat
• Airtable Starter-Plan: kostenlos (bis 5 Nutzer, 1.200 Einträge)

Gesamtkosten erstes Jahr (kleines Heim mit ChatGPT + Airtable-Ansatz):
Einmalig: 0–3.000 Euro je nach Beratungsumfang. Laufend: ca. 240 Euro/Jahr (ChatGPT Plus). Das ist für die meisten Tierschutzvereine machbar.

Was ihr dagegen rechnen könnt
Eine verhinderte Rückgabe spart 200–600 Euro direkten Aufwand (Wiederaufnahme, Gesundheitscheck, neue Vermittlungsarbeit). Bei 100 Adoptionen pro Jahr und einer Rückgabequote von 12 Prozent: 12 Rückgaben. Eine Reduktion um 20 Prozent bedeutet: 2–3 weniger Rückgaben pro Jahr, also 400–1.800 Euro gespartem Aufwand. Wichtiger aber ist die Kapazitätsfrage: Jeder freie Platz kann einem Tier gegeben werden, das darauf wartet.

Verhaltensassessment kommt vor der KI: Vier typische Einstiegsfehler

1. Mit dem Matching anfangen, bevor die Profile stehen.
Der häufigste Fehler: Man liest von KI-gestütztem Matching, installiert ein Tool, und merkt erst dann, dass die Tierprofile als Freitext-Notizen vorliegen, die kein System sinnvoll auswerten kann. Die Vorbereitung der Datenbasis dauert länger als die eigentliche KI-Integration. Reihenfolge: erst Daten strukturieren, dann matchen.

2. Bewerberfragebögen zu lang oder zu kurz machen.
Zu lang: Bewerber brechen den Fragebogen ab, bevor sie fertig sind, ihr habt zu wenig Daten. Zu kurz: Die Antworten sind zu grob, um sinnvolle Unterschiede zu erkennen. Bewährt hat sich ein Fragebogen mit 8–12 konkreten Fragen (Wohnsituation, Kinder, andere Tiere, Aktivitätslevel, Abwesenheitszeiten, Budget für Tierarztkosten). Fragen wie “Beschreiben Sie Ihren idealen Hund” sind für das KI-Matching nutzlos, geschlossene Fragen mit vorgegebenen Antwortoptionen sind besser auswertbar.

3. Das Matching-Ergebnis als Entscheidung behandeln.
In einem frühen Pilotprojekt in Appalachien (USA, 2022) stiegen die Rückgabequoten nach dem KI-Matching um 11 Prozent, weil das Team die Algorithmus-Empfehlungen als Entscheidungen behandelte, statt als Gesprächsgrundlage. Das System war auf städtische Hochvolumen-Heime trainiert und kannte keine ländlichen Verhaltenserwartungen (was ein “aktiver Hund” in einer Bauernfamilie bedeutet, unterscheidet sich fundamental von einem Stadthaushalt). Algorithmusergebnisse sind immer Vorschlag, nie Beschluss. Die Beratenden entscheiden.

4. Das System einführen, aber die Datenpflege vernachlässigen.
Tierprofile verändern sich: Ein Hund, der nach drei Wochen im Heim entspannter geworden ist, hat ein anderes Energieprofil als bei der Aufnahme. Wer Profile einmalig anlegt und nie aktualisiert, bekommt Vorschläge auf Basis veralteter Verhaltensbilder. Das betrifft besonders Tiere mit langer Verweildauer. Faustregel: Verhaltensprofile bei Tieren mit mehr als 6 Wochen Aufenthalt alle 4 Wochen neu bewerten.

Was mit der Einführung wirklich passiert, und was nicht

Das Matching-System wird nicht alle Beratenden sofort überzeugen. Das ist normal, und gut.

Die Erfahrenen werden skeptisch sein. Wer seit zehn Jahren Hunde vermittelt, hat ein feines Gespür entwickelt. “Das System sagt Milo ist ideal, aber ich kenne Milo seit drei Monaten, und diese Familie wirkt zu unstrukturiert für ihn.” Das ist wertvolles Wissen. Macht deutlich, dass das System diese Intuition nicht ersetzen soll, sondern ergänzen. Der Algorithmus hat keinen Blick für die Körpersprache, das Nervosität-Lächeln des Kindes, die Art wie der Vater auf das Tier reagiert. Das bleibt beim Menschen.

Das erste Matching wird nicht perfekt sein. Die ersten 20–30 Bewerbungen werden euch zeigen, wo die Kategorien zu grob sind, welche Fragen Bewerber falsch verstehen, und welche Tierprofile so einzigartig sind, dass kein standardisiertes Profil sie abbildet. Das ist kein Fehler des Systems, es ist der Lernprozess. Plant explizit eine vierwöchige “Kalibrierungsphase” ein, in der ihr Matching-Vorschläge evaluiert, aber noch nicht vollständig auf sie stützt.

Was konkret hilft:

• Eine Person zur “Matching-Verantwortlichen” benennen, die Fragen sammelt und Feedback in die Profilstruktur zurückspielt
• Monatliche Auswertung der letzten Vermittlungen: Stimmen die Matches? Gibt es Kategorien, die nachgebessert werden müssen?
• Rückgaben dokumentieren mit Begründung, was hat das Matching nicht vorhergesagt? Das wird euer wichtigstes Lernmaterial

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

“Wir haben nicht genug Kapazität, um noch eine neue Struktur einzuführen.”
Das ist der häufigste und ehrlichste Einwand. Tierheime arbeiten oft mit minimalem Personal unter hohem emotionalem Druck. Die Einrichtungsphase kostet tatsächlich Zeit, 3–5 Wochen echter Aufwand nebenbei. Was hilft: Den Aufbau auf eine Person konzentrieren, die anderen bleiben im normalen Betrieb. Eine Praktikantin oder ein FSJ-Teilnehmer kann viele der Profilierungsarbeiten übernehmen, wenn die Struktur klar ist.

“Unser Bauchgefühl funktioniert doch gut, warum etwas ändern?”
Bauchgefühl ist Erfahrung, wertvoll und nicht ersetzbar. Aber es geht bei Personalwechsel verloren, variiert zwischen Beratenden, und lässt sich nicht auswerten. Das Ziel ist nicht, Bauchgefühl zu ersetzen, sondern es zu ergänzen: Wenn das System und das Bauchgefühl divergieren, ist das ein wertvolles Signal, nicht ein Fehler.

“KI-Matching ist unpersönlich. Adoption ist doch Menschensache.”
Richtig, und das bleibt so. Das Matching ist Vorbereitung, nicht Entscheidung. Das Gespräch, das Kennenlernen, die Begegnung zwischen Tier und Bewerber, das alles bleibt unverändert. Was sich ändert: Beratende gehen vorbereitet ins Gespräch statt unvorbereitet. Die Zeit, die sonst für mentales Abwägen draufgeht, können sie für das Gespräch selbst nutzen.

Woran du merkst, dass das zu dir passt

Gute Zeichen:

• Dein Heim führt 50 oder mehr Adoptionen pro Jahr durch, genug für eine aussagekräftige Datenbasis
• Du hast mindestens eine Person, die bereit ist, die Profilpflege als dauerhaftes Aufgabenfeld zu übernehmen
• Verhaltensauffälligkeiten und Rückgaben sind ein wiederkehrendes Thema in euren Teambesprechungen
• Du hast bereits erste strukturierte Bögen oder Formulare, auch wenn sie nicht digital sind

Harte Ausschlusskriterien, wann es (noch) nicht passt:

1. Weniger als 30–40 Adoptionen pro Jahr. Bei diesem Volumen fehlt die statistische Grundlage für aussagekräftige Muster. Ein KI-System, das mit 30 Datenpunkten arbeitet, trifft keine zuverlässigeren Vorschläge als eine erfahrene Beraterin. Erst ab ca. 100 dokumentierten Adoptionen beginnen die Muster zu greifen. Stattdessen: Strukturierte Profilformulare einführen und manuell nutzen, das ist der erste sinnvolle Schritt.

2. Keine Person verfügbar, die Verhaltensprofile regelmäßig aktualisiert. KI-Matching auf Basis veralteter Tier-Profile ist gefährlicher als kein Matching, es gibt selbstbewusste Vorschläge auf falscher Grundlage. Wenn niemand Zeit hat, Profile bei Verhaltensveränderungen zu aktualisieren, ist der Ansatz nicht produktionsreif.

3. Bewerbungen laufen ausschließlich über Telefon und persönliche Gespräche ohne Dokumentation. Wenn Bewerberprofile nicht systematisch erfasst werden, gibt es keine Daten für das Matching. Wer nicht bereit ist, einen strukturierten Fragebogen einzuführen (auch als einfaches Formular auf der Website), kann KI-Matching nicht sinnvoll nutzen.

Das kannst du heute noch tun

Öffne ChatGPT oder Claude, ein kostenloses Konto reicht für den Einstieg. Erstelle ein strukturiertes Profil für drei Tiere, die aktuell im Heim leben (Energielevel, Sozialverhalten, Platzbedarf). Erstelle dann ein strukturiertes Profil für eine aktuelle Bewerbung. Schick beides mit dem untenstehenden Prompt an das Sprachmodell.

Wenn die Ausgabe besser ist als das, was ihr bisher als Vorbereitung hattet, wisst ihr: Das Konzept funktioniert für euch. Wenn nicht, wisst ihr, welche Profilfelder noch fehlen.

Quellen & Methodik

• Kapazitätsauslastung deutscher Tierheime (69 %, 18 % mit freier Kapazität): Deutscher Tierschutzbund e.V., Pressemitteilung „Tierheime sind überfüllt: Nur 18 Prozent haben noch Kapazitäten” (2023), tierschutzbund.de
• Rückgabequoten bei Hunden (9–16 %): Wüst, C. et al., „Do Behaviour Assessments in a Shelter Predict the Behaviour of Dogs Post-Adoption?”, PubMed Central / Animals (2020), PMC7401658; bestätigt durch mehrere Shelter-Studien aus den USA (Austin Animal Center, Best Friends Animal Society).
• 14 % Reduktion der Rückgabequote durch KI-Matching: Studienhinweis aus Alibaba Product Insights, gestützt auf eine mehrstädte Pilotstudie (2023) über 8.412 Adoptionen in 11 US-kommunalen Tierheimen. Veröffentlichte Primärstudie lag bei Redaktionsschluss nicht als vollständige Peer-Review-Publikation vor, als Orientierungswert verwendet, nicht als reprä­sentativer Beleg.
• Failure Mode, Appalachian Shelter Pilot (2022): Dokumentiert in Alibaba Product Insights, „AI-powered Pet Adoption Matching Tools, Do Behavioral Prediction Algorithms Reduce Shelter Returns” (2025). Rückgabequote stieg um 11 % nach KI-Einführung durch Training-Datenbias (urbane Hochvolumen-Heime, nicht repräsentativ für ländliche Strukturen).
• SAFER-Protokoll: ASPCA, „SAFER® & Other Behavioral Assessment Tools”, ASPCApro aspcapro.org. Emily Weiss, Ph.D., CAAB, 1999, Kansas Humane Society. Standardisiertes Aggression-Assessment-Protokoll.
• Shelterluv-Pricing ($2 pro Adoption): Capterra, Shelterluv Software Pricing (Stand Mai 2026), capterra.com.
• Kosten einer Rückgabe (200–600 Euro): Erfahrungswerte aus deutschen Tierschutzvereinen; keine repräsentative Erhebung, konsistente Größenordnung in Praxisberichten.

Du willst wissen, ob das für euer Heim machbar ist, welche Daten ihr schon habt und welche Schritte als erstes anstehen? Meld dich, das klären wir gemeinsam in einem kurzen Gespräch.