Compensation, Benefits und Equal Pay
Bonus-/STI-Berechnungs-Plausibilisierung vor Auszahlung KI-gestützt
Pseudonymisierte Bonus-Berechnungs-Inputs (OKR-Achievement, Performance-Faktor, Pro-Rata, Pay-Mix) gegen Plan-Korridor, Vorjahr und Peer-Cohort plausibilisieren: Ausreißer-Liste mit Quellen-Verweis, statistische Bias-Markierung w/m-Verteilung (Welch-t-Test, p<0,05 = Eskalation), Begründungs-Drafts für MA-Kommunikation. KI rechnet NICHT, Authority bleibt beim Compensation-Tool (beqom, SAP SuccessFactors, Workday); Pflicht-Marker `[[BEGRÜNDUNG QUELLE]]`. EU-RL Art. 4 Abs. 4: variable Komponente fällt unter Pay-Begriff; Bias-Audit ab 07.06.2026 strukturell Pflicht.
Schwierigkeit: Spezialist · Datenklasse: Beschäftigtendaten · Letztes Review:
Zur Orientierung gedacht. Die personalrechtliche Würdigung im Einzelfall bleibt selbstverständlich bei Ihnen, KI-Outputs sind vor jeder Verwendung zu prüfen. Mehr dazu am Ende.
Anwendungsbereich
Worum geht es hier?
Vertical-Schärfung für die operativ kritische Plausibilisierungs-Stufe zwischen Bonus-Berechnung (Compensation-Tool) und Auszahlung (Lohnbuchhaltung). Anders als UC-V-HR-COM-003 (Plan-Design) fokussiert dieser UC auf den Cycle-Output-Check mit konkreten Datensätzen. Fehler-Erkennung + Bias-Audit + Audit-Trail. Bei STI-Cycle mit 800 Bonus-Empfängern: 130–530 Stunden CM/HR-Kapazität primär durch automatisierte Ausreißer-Markierung statt manuellem Listen-Scrolling.
Für wen passt das?
Zielgruppe und Kontext
- Rolle
- Compensation-/Reward-Manager (Primärnutzer Plausibilisierung), HR-Business-Partner (Cohort-Plausibilität pro Bereich), Lohnbuchhaltung (Schnittstelle vor Auszahlung), HR-Compliance (Bias-Audit). Sekundär: CHRO (Freigabe), interne Revision, BR-Vorsitz bei Auffälligkeiten.
- Seniorität
- Fortgeschritten, Bonus-Mechanik (Zielvereinbarung, OKR-Hebel, Multiplikatoren, Pro-Rata), statistische Verteilungs-Plausibilität, AGG-Diskriminierungs-Muster, BetrVG § 87 Abs. 1 Nr. 10.
- Unternehmensgröße
- Konzern (komplexe STI mit Multi-Hebel), großer Mittelstand, Mittelstand mit STI-Programm. Kleinstunternehmen ohne formalisiertes Bonus typischerweise nicht.
- Spezifische Kontexte
- Jährlicher STI-Cycle (Q1/Q2 für Vorjahres-Bonus), quartalsweise variable Vergütung (Sales-/Account-Programme), Sonder-Boni (Retention, Sign-on, Spot). Besonders vor Auszahlung in Endabnahme-Phase.
Die Situation in der Personalabteilung
So bringen Sie Tempo und Sorgfalt zusammen
Bonus-/STI-Berechnungen sind operativ komplex: Berechnung läuft in spezialisierten Tools (beqom, SAP SuccessFactors Compensation, Workday Compensation, Personio, DATEV), die Plausibilisierung vor Auszahlung ist ein eigener Schritt, oft unterbesetzt. Fehler-Quellen: falsche Ziel-Gewichtung, Performance-Faktor außerhalb Plan-Korridor (z.B. 1,8 in 0,7–1,5-Korridor), vergessene Pro-Rata bei Eintritt/Austritt, fehlende Sondertatbestände (Elternzeit-Anrechnung MuSchG/BEEG), inkonsistente Currency-Konvertierung, OKR-Achievement falsch importiert, Multiplikatoren nicht korrekt angewendet (Konzern-Faktor, Bereichs-Faktor, Individual-Faktor). Strukturelles Bias-Risiko: Performance-Faktor systematisch nach Geschlecht/Alter (z.B. Männer ⌀ 1,15, Frauen ⌀ 1,02) erzeugt verstecktes Pay-Gap über variable Vergütung. EU-RL 2023/970 Art. 4 Abs. 4 erweitert Pay-Begriff explizit um variable Komponenten, Bias-Audit ab 07.06.2026 strukturell Pflicht. BAG 8 AZR 74/25 (120 kEUR algorithmische Diskriminierung) zeigt: einklagbar. BetrVG § 87 Abs. 1 Nr. 10, § 75 (Diskriminierungsverbot), § 94 (Beurteilungsgrundsätze für Performance-Faktor) alle einschlägig. Daten Klasse A: Klarname, Personalnummer, Ziel-Bonus, Erreichungsgrad, Performance-Faktor, Auszahlung. § 26 BDSG, DSGVO Art. 9 bei OKR-Zielen mit Gesundheits-/Krankheitsbezug. Halluzinations-Risiko: LLM erfindet „Plausibilitätsketten” ohne Quellen-Grundlage. Mitigation: KI rechnet nicht; Plausibilitäts-Aussagen Quellen-Bindung Pflicht.
Was Sie davon haben
Zeit, Wert, Vertraulichkeit
Zeit pro Bonus-Datensatz
10–40 Min
Bei STI-Cycle mit 800 Bonus-Empfängern: 130–530 h CM/HR-Kapazität primär durch automatisierte Ausreißer-Markierung.
Fehler-Reduktion
5–50k EUR direkt
Berechnungs-Fehler (5–10 % Abweichung) pro Person 0,5–5 kEUR; bei 5–10 Fehlern in 800er-Cycle: 5–50 kEUR direkt + Reputations-Schaden.
AGG-Klage-Risiko
5–6-stellig
AGG-Klage versteckter Bonus-Diskriminierung mit Beweislastumkehr nach EU-RL: 5–6-stellig + Beweislastumkehr in AGG-Verfahren.
Erkennungsrate
>95 %
Klarname, OKR-Drittbezug-Anonymisierung, Performance-Faktor erhalten für Bias-Check, dreifach geprüft.
So gehen Sie vor
Der Workflow Schritt für Schritt
Bonus-Berechnung durch Compensation-Tool (beqom / SAP / Workday / Personio / DATEV) abgeschlossen. Output: pro MA Berechnungs-Datensatz mit Ziel-Bonus, OKR-Achievement, Performance-Faktor, Pro-Rata, Multiplikatoren, Auszahlung.
System
Berechnungs-Layer = Tool-Authority · KI ist nicht Rechner
Daten-Klassifikation: Berechnungs-Datensatz mit Klarname, Personalnummer, exakten Beträgen, ggf. OKR-Texten mit Drittbezug → Klasse A.
Mensch
§ 26 BDSG · DSGVO Art. 9 bei Gesundheits-OKR
Pseudonymisierung mit anymize: Klarname/Personal-Nr. entfernen; OKR-Zielwerte mit Drittbezug anonymisieren; Performance-Faktor, Erreichungsgrad, Pro-Rata-Status, Geschlecht/Alter (für Bias-Check) BLEIBEN sichtbar.
anymize
DSGVO Art. 28 · Bias-Check braucht Geschlecht/Alter
KI-Plausibilitäts-Analyse: (a) Ausreißer-Liste mit Quellen-Verweis, (b) Konsistenz-Bewertung Performance-Faktor-Verteilung (Cohort-Statistik), (c) Bias-Markierung bei statistisch auffälliger Verteilung w/m, jung/alt, (d) Begründungs-Drafts für MA-Kommunikation.
Frontier-KI
Strukturierung · Ausreißer · Bias-Statistik
Halluzinations-Audit: jede Plausibilitäts-Aussage gegen Quellen-Datensatz; Aussagen ohne `[[BEGRÜNDUNG QUELLE]]`-Marker entfernen oder untermauern.
Mensch
Halluzinations-Risiko · Quellen-Bindung
OKR-Achievement-Cross-Reference: Tool-Output vs. OKR-System (Workboard, Quantive, Mooncamp) cross-checken, Stichprobe mind. 5 % der Datensätze.
Mensch
OKR-Konsistenz · falsche Achievement-Werte häufig
Ausreißer-Triage: identifizierte Ausreißer manuell prüfen (z.B. Performance-Faktor 1,8 außerhalb 0,7–1,5-Korridor) → mit Manager klären; Genehmigungs-Vier-Augen bei Sondertatbeständen.
Mensch
Berechnungs-Fehler vs. legitimer Sondertatbestand
Bias-Check-Eskalation: bei statistisch signifikanter w/m-Differenz im Performance-Faktor (p<0,05) → HR-Compliance + BR-Information + Cross-Reference UC-V-HR-COM-001 Pay-Gap-Bericht.
Mensch
AGG · EU-RL Art. 4 Abs. 4
CM + HR-BP-Freigabe; Begründungs-Drafts für MA-Kommunikation finalisieren; Lohnbuchhaltungs-Übergabe.
Mensch
Verantwortlichkeit
Auszahlung durch Lohnbuchhaltung; revisionssichere Archivierung; Audit-Trail für ggf. AGG-Verteidigung Beweislastumkehr.
System
§ 257 HGB · AGG-Beweislastumkehr-Vorbereitung
Womit Sie arbeiten
So setzen Sie anymize konkret ein
Was anymize tut
- Erkennt Klarname, Personalnummer, OKR-Drittbezug (Kunden, Projekte) mit über 95 % Genauigkeit.
- Erhalten bleiben Geschlecht, Alter, Region, Bereich (pseudonymisiert) für Bias-Statistik-Check.
- Performance-Faktor, Erreichungsgrad, Pro-Rata-Status, Auszahlungs-Betrag in Klartext für Plausi-Analyse.
- Verarbeitung in deutschen Rechenzentren (Hetzner); AVV nach Art. 28 DSGVO.
Was Sie als Compensation-Manager tun
- Plan-Korridore kalibrieren: Performance-Faktor 0,7–1,5 (Standard) / 0,5–2,0 (Stretch); Achievement 0–150 %.
- Bias-Statistik-Schwellen setzen: w/m-Differenz p<0,05 (Welch-t-Test, n>=10) = Eskalations-Trigger.
- OKR-Cross-Reference Stichprobe 5 % der Datensätze gegen OKR-Tool (Workboard, Quantive, Mooncamp).
- Bei p<0,05-Bias-Befund: HR-Compliance + BR-Eskalation + Cross-Reference UC-V-HR-COM-001 Pay-Gap-Bericht.
Daten-Input
Klasse A: Klarname, Personalnummer, Ziel-Bonus, Erreichungsgrad, Performance-Faktor, Auszahlung, OKR-Text mit Drittbezug. Für Bias-Check sichtbar: Geschlecht, Alter, Region, Bereich (alle pseudonymisiert). OKR-System-Daten als Cross-Reference (Workboard, Quantive, Mooncamp).
Output-Kontrolle
Pseudonymisierter Bonus-Cycle geht an die KI. KI liefert: (1) Ausreißer-Tabelle mit Pseudonym-ID, Bereich, Feld, Wert, Korridor-Verletzung, Quelle. (2) Performance-Faktor-Verteilung pro Bereich mit Vorjahres-Vergleich. (3) Bias-Statistik w/m-Verteilung (Welch-t-Test, p-Wert, Eskalation). (4) Begründungs-Drafts (5 Standard-Vorlagen: > Ziel, solide, < Ziel, Pro-Rata Eintritt, Pro-Rata Elternzeit).
Freigabeprozess
Sie behalten die Hoheit: Pseudonymisierungs-Sichtung, Halluzinations-Audit jeder Begründungs-Aussage, OKR-Cross-Reference Stichprobe 5 %, Bias-Eskalation bei p<0,05, CM + HR-BP-Freigabe; bei CHRO-Bias-Befund Vorstand-Information.
Die KI-Anweisung
Prompt zum Kopieren
So nutzen Sie diesen Prompt:
1. Compensation-Tool (beqom/SAP/Workday) liefert Berechnungs-Datensatz.
2. anymize pseudonymisiert Klarname + OKR-Drittbezug; Geschlecht/Alter/Performance-Faktor bleiben für Bias-Check.
3. Plan-Korridore + Vorjahres-Verteilung beilegen.
4. Prompt anhängen, Reasoning „Thinking”, KI liefert Ausreißer + Bias-Statistik + Begründungs-Drafts.
5. CM-Letztprüfung: jede `[[BEGRÜNDUNG QUELLE]]` validiert; bei p<0,05 HR-Compliance-Eskalation.
# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt den Compensation-Manager bei
der Plausibilisierung pseudonymisierter Bonus-Berechnungs-Datensätze VOR
der Lohnbuchhaltungs-Übergabe. Du erhältst (a) eine Datensatz-Tabelle mit
Pseudonym-ID, Bereich, Geschlecht, Alter, Eintrittsdatum, Ziel-Bonus,
OKR-Achievement, Performance-Faktor, Pro-Rata, Multiplikatoren, Auszahlung;
(b) Plan-Korridore (Performance-Faktor 0,7–1,5; Achievement 0–150 %);
(c) Vorjahres-Verteilung der Performance-Faktoren je Cohort.
Strikt: Du berechnest nichts. Du erfindest keine Begründungen. Jede
Plausibilitäts-Aussage bekommt `[[BEGRÜNDUNG QUELLE: Datensatz-Feld]]`
oder `[[FEHLT IN QUELLE]]`. Keine freien "Weil-Ketten".
# Role (R)
Compensation-Plausibilisierungs-Assistenz mit Kenntnis Bonus-Mechanik
(Zielvereinbarung, OKR-Hebel, Multiplikatoren, Pro-Rata, Pay-Mix), EU Pay
Transparency Directive 2023/970 Art. 4 Abs. 4 (variable Komponenten =
Pay), EntgTranspG (Bestand), AGG mit Beweislastumkehr, BetrVG § 87 Abs. 1
Nr. 10 + § 75 + § 94, § 26 BDSG, DSGVO Art. 9 bei Gesundheits-OKR.
# Action (A)
1. Ausreißer-Liste (Datensätze mit Werten außerhalb Plan-Korridor):
- Performance-Faktor außerhalb 0,7–1,5
- Achievement-Grad >150 % oder <50 %
- Pro-Rata inkonsistent mit Eintritts-/Austrittsmonat
- Auszahlung > 2× oder < 0,5× Ziel-Bonus
2. Konsistenz-Bewertung Performance-Faktor-Verteilung pro Bereich:
Mittelwert, Median, P25, P75, n, Vorjahres-Vergleich
3. Bias-Markierung bei statistisch signifikanter w/m- oder Alter-Differenz:
p-Wert pro Cohort (Welch-t-Test, falls n>=10); bei p<0,05 Eskalation
4. Begründungs-Drafts für MA-Kommunikation (3–5 Standardtexte)
5. Verifikations-Checkliste 10 Items.
# Format (F)
- Ausreißer-Tabelle | Pseudonym-ID | Bereich | Feld | Wert | Korridor | Quelle |
- Performance-Faktor-Verteilung pro Bereich
- Bias-Statistik (Tabelle | Cohort | n_w/m | Mean_w/m | p-Wert | Eskalation? |)
- 3–5 Begründungs-Draft-Vorlagen
- Verifikations-Checkliste
# Target Audience (T)
Compensation-Manager (Owner), HR-Business-Partner (Cohort-Check),
HR-Compliance (Bias-Eskalation), CHRO (Freigabe). Tonalität: präzise,
quellengebunden, keine freie Begründungs-Spekulation.So sieht der Input aus
Pseudonymisierter Eingabetext
Bonus-Cycle 2025 (Auszahlung 03/2026), Datensatz-Auszug
Datenstand: 2026-02-28 | n=812 MA | k-Anonymität für Bias-Stats n>=10
Plan-Korridore: Performance-Faktor 0,7–1,5; Achievement 0–150 %
## Datensätze (anonymisiert, Auszug)
| Pseudonym | Bereich | Geschlecht | Alter | Eintritt | Ziel-Bonus | Achievement | Perf-Faktor | Pro-Rata | Auszahlung |
| MA-a3f9 | Sales | m | 42 | 2018 | 18.000 | 142 % | 1,4 | 12/12 | 35.582 |
| MA-b2e7 | Sales | w | 38 | 2020 | 16.000 | 138 % | 1,1 | 12/12 | 24.301 |
| MA-c4d1 | Eng | m | 35 | 2019 | 12.000 | 95 % | 1,2 | 12/12 | 13.680 |
| MA-d8f2 | Eng | w | 31 | 2024-06 | 12.000 | 88 % | 1,0 | 6/12 | 5.280 |
| MA-e9a4 | Eng | m | 48 | 2010 | 14.000 | 105 % | 1,8 | 12/12 | 26.460 | <- AUSREISSER
| MA-f7g2 | Marketing | w | 29 | 2023 | 9.000 | 165 % | 1,5 | 12/12 | 22.275 | <- AUSREISSER
## w/m-Verteilung Performance-Faktor (Bias-Check)
| Bereich | n_w | n_m | Mean_w | Mean_m | Welch-t p-Wert |
| Sales | 42 | 96 | 1,12 | 1,26 | 0,021 |
| Engineering | 58 | 233 | 1,11 | 1,15 | 0,18 |
| Marketing | 41 | 17 | 1,06 | 1,11 | 0,42 |
| Finance | 32 | 54 | 1,18 | 1,17 | 0,89 |So liefert anymize zurück
Der KI-Entwurf
## 1. Ausreißer-Liste (Korridor-Verletzungen)
| Pseudonym | Bereich | Feld | Wert | Korridor | Quelle |
|---|---|---|---|---|---|
| MA-e9a4 | Engineering | Perf-Faktor | 1,8 | 0,7–1,5 | `[[BEGRÜNDUNG QUELLE: Datensatz-Feld Perf-Faktor]]` |
| MA-f7g2 | Marketing | Achievement | 165 % | 0–150 % | `[[BEGRÜNDUNG QUELLE: Datensatz-Feld Achievement]]` |
Empfehlung: Manager-Klärung für beide Ausreißer; Genehmigungs-Vier-Augen.
## 2. Performance-Faktor-Verteilung pro Bereich
| Bereich | n | Mean 2025 | Mean 2024 | Verschiebung |
|---|---|---|---|---|
| Sales | 138 | 1,22 | 1,18 | +0,04 (leicht positiv) |
| Engineering | 291 | 1,14 | 1,11 | +0,03 (unauffällig) |
| Marketing | 58 | 1,07 | 1,09 | -0,02 (unauffällig) |
| Finance | 86 | 1,17 | 1,15 | +0,02 (unauffällig) |
## 3. Bias-Statistik Performance-Faktor (w/m-Verteilung)
| Bereich | n_w | n_m | Mean_w | Mean_m | p-Wert | Eskalation? |
|---|---|---|---|---|---|---|
| **Sales** | 42 | 96 | **1,12** | **1,26** | **p=0,021** | **JA (p<0,05)** |
| Engineering | 58 | 233 | 1,11 | 1,15 | p=0,18 | nein (Trend) |
| Marketing | 41 | 17 | 1,06 | 1,11 | p=0,42 | nein |
| Finance | 32 | 54 | 1,18 | 1,17 | p=0,89 | nein |
**Pflicht-Eskalation für Sales**:
- Statistisch signifikante w/m-Differenz (p=0,021).
- Mittelwert-Differenz 0,14 = ~14 % variable Bonus-Differenz bei gleicher Ziel-Bonus-Höhe.
- Maßnahmen Pflicht:
1. HR-Compliance-Eskalation
2. BR-Information § 87 BetrVG
3. Cross-Reference UC-V-HR-COM-001 Pay-Gap-Bericht
4. Performance-Faktor-Bias-Audit (Manager-Vergabe-Verteilung, Territory-Allocation-Check)
5. Vor Auszahlungs-Freigabe Vorstand-Information
`[[BEGRÜNDUNG QUELLE: Datensatz-Bias-Statistik, Welch-t-Test]]`
## 4. Begründungs-Draft-Vorlagen
### Vorlage A, Erreichung > Ziel
"Liebe/r [Name], wir freuen uns, dass Sie Ihre Jahresziele 2025 mit [X %] übertroffen haben. Ihr Performance-Faktor von [Y] reflektiert Ihre starke Leistung. Der Bonus beträgt [Z EUR brutto]."
### Vorlage B, Solide Performance (Faktor 1,0)
"Liebe/r [Name], Sie haben Ihre Jahresziele 2025 mit [X %] solide erreicht."
### Vorlage E, Pro-Rata mit Elternzeit
"Liebe/r [Name], Ihre Elternzeit [Datum] ist nach MuSchG/BEEG für die Bonus-Berechnung berücksichtigt; der anteilige Bonus für [X Monate aktive Tätigkeit] beträgt [Y EUR brutto]."Was das HR-Recht verlangt
Pflichten und wie anymize sie abdeckt
EU 2023/970 Art. 4 Abs. 4 (SRC-0236)
Pay-Begriff umfasst variable Komponenten; Bias-Audit ab 07.06.2026 strukturell Pflicht. Beweislastumkehr in AGG-Klage gegen Performance-Faktor-Bias.
AGG §§ 1, 3, 7 + BAG 8 AZR 74/25 (SRC-0217, SRC-0256)
Variable Komponente höchstes Pay-Gap-Risiko. 120 kEUR algorithmische Diskriminierung direkt einschlägig.
BetrVG § 87 Abs. 1 Nr. 10 + § 75 + § 94
Lohngestaltung-Mitbestimmung; Diskriminierungsverbot; Beurteilungsgrundsätze für Performance-Faktor-Logik. BAG 1 ABR 20/21 + ArbG Hamburg 24 BVGa 1/24: KI-Tool-Mitbestimmung.
DSGVO Art. 9 bei Gesundheits-OKR (SRC-0241)
OKR-Zielwerte mit Drittbezug oder Gesundheits-/Krankheitsbezug → besondere Kategorie. anymize anonymisiert OKR-Drittbezug.
MuSchG / BEEG (SRC-0222, SRC-0223), Pro-Rata
Bei Mutterschutz/Elternzeit Pro-Rata-Berechnung Pflicht; KI darf Sondertatbestand nicht übersehen.
EU AI Act Annex III Nr. 4 (SRC-0231)
KI im Bonus-System Hochrisiko bei entscheidungsrelevanter Anwendung. DPIA Pflicht.
Datenschutz und Vertraulichkeit
So funktioniert das mit anymize
Die datenschutzrechtlich entscheidende Frage: Sieht der KI-Anbieter Klarnamen, OKR-Drittbezug (Kunden-Namen) oder exakte Auszahlungs-Beträge? Antwort mit anymize: nein bei Klarname + OKR-Drittbezug; ja bei Performance-Faktor, Achievement, Auszahlung, weil diese für Plausibilitäts-Check und Bias-Statistik gebraucht werden. Pseudonym-ID erlaubt Cross-Reference intern. Geschlecht/Alter bleiben für Bias-Statistik (auf Cohort-Ebene n>=10). Rechtsgrundlage Art. 6 Abs. 1 lit. b/c DSGVO + § 26 BDSG. Bei Gesundheits-OKR zusätzlich DSGVO Art. 9. Verarbeitung in deutschen Rechenzentren (Hetzner).
Was anymize konkret leistet
- Erkennt Klarname, Personalnummer, OKR-Drittbezug (Kunden, Projekte) mit über 95 % Genauigkeit.
- Erhalten bleiben Pseudonym-ID (für Cross-Reference), Geschlecht, Alter, Bereich für Bias-Statistik.
- Performance-Faktor, Achievement, Auszahlung in Klartext für Plausi-Analyse, KI rechnet NICHT.
- Verarbeitung in deutschen Rechenzentren (Hetzner); AVV nach Art. 28 DSGVO.
- Alternative: beqom/SAP Joule/Workday Compensation-eigene Plausibilitäts-Module bei integrierter Suite.
Sicherheitscheck vor der Veröffentlichung
Was anymize liefert, was Sie souverän entscheiden
Vor dem KI-Aufruf
- Bonus-Datensatz aus Compensation-Tool vollständig (kein KI-Berechnung)?
- Klasse-A-Klassifikation; OKR-Drittbezug für DSGVO Art. 9 geprüft?
- Plan-Korridore explizit gesetzt (Performance-Faktor 0,7–1,5; Achievement 0–150 %)?
- Vorjahres-Verteilung pro Cohort verfügbar für Konsistenz-Check?
Nach der KI-Antwort
- Jede Plausibilitäts-Aussage mit `[[BEGRÜNDUNG QUELLE]]`-Marker?
- Freie „Weil-Ketten” zurückgewiesen oder mit Quellen untermauert?
- OKR-Achievement-Cross-Reference Stichprobe 5 % gegen OKR-Tool?
- Ausreißer mit Manager-Klärung dokumentiert?
Bei Bias-Eskalation
- Bei p<0,05 Bias-Differenz: HR-Compliance + BR-Information § 87 BetrVG?
- Cross-Reference UC-V-HR-COM-001 Pay-Gap-Bericht für signifikante Cohorts?
- Performance-Faktor-Bias-Audit (Manager-Vergabe / Territory-Bias) eingeleitet?
- Pro-Rata bei Eintritt/Austritt/Elternzeit MuSchG/BEEG korrekt?
Typische Fehlermuster und wie anymize gegensteuert
- →Halluzinierte „weil-Begründungen” für Ausreißer ohne Quellen-Bindung.
- →Bias-Eskalation versäumt (p<0,05 nicht eskaliert) → AGG-Klage-Risiko nach BAG 8 AZR 74/25.
- →Pro-Rata bei Elternzeit falsch (MuSchG/BEEG-Sondertatbestände nicht berücksichtigt).
- →Performance-Faktor-Korridor-Verletzung als „akzeptiert” durchgewunken ohne Manager-Klärung.
- →OKR-Achievement aus Tool-Export falsch übernommen (Konzern-Faktor vergessen, Multiplikator-Fehler).
- →Bias-Cohort n<10 → Statistik nicht aussagekräftig → trotzdem eskaliert (falscher Positivbefund).
Rechtsgrundlagen
Normen, Urteile, Belege
Primärnormen: Compensation und Datenschutz
- Variable Komponenten = Pay; Bias-Audit Pflicht
- Auskunftsrecht inkl. Bonus
- Beweislastumkehr verstärkt
- Lohngestaltung + Beurteilungsgrundsätze
- Pseudonymisierung; bei Gesundheits-OKR Art. 9
- Pro-Rata bei Mutterschutz/Elternzeit
Rechtsprechung und KI-Recht
- EntgTranspG-Auskunft inkl. Bonus
- 120 kEUR algorithmische Diskriminierung
- KI-Tool-Mitbestimmung
- Bonus-KI Hochrisiko
Studien und Tools
- 12 % KI-Adoption Compensation
- 19 % HR-Kernprozesse mit GenAI
- People-Daten-Auswertung
- Compensation-Berechnungs-Authority
- OKR-System Cross-Reference
Stand: · Nächste Überprüfung:
Hinweis zur Nutzung
Zur Orientierung, nicht als Ersatz für die HR-Letztverantwortung
Diese Anleitung beschreibt einen Arbeitsablauf, den Sie mit anymize umsetzen können. Sie ist zur Orientierung gedacht und ersetzt weder die personalrechtliche Würdigung im Einzelfall noch eine arbeits- oder mitbestimmungsrechtliche Prüfung. Welche Rechtsprechung einschlägig ist, wie der Sachverhalt arbeitsrechtlich zu bewerten ist, welche Entscheidungen in Ihrem konkreten Fall richtig sind, das bleibt selbstverständlich bei Ihnen und Ihrer HR-Letztverantwortung.
KI-Outputs müssen vor jeder Verwendung HR-fachlich geprüft werden. Insbesondere personenbezogene Entscheidungen (Einstellung, Beförderung, Kündigung) dürfen nicht allein auf KI-Empfehlungen gestützt werden (DSGVO Art. 22, EU AI Act Art. 26). anymize gewährleistet die Vertraulichkeit der Beschäftigtendaten gegenüber dem KI-Anbieter; die fachliche Richtigkeit und die rechtliche Verantwortung liegen in Ihrer Hand.
Jetzt starten.
14 Tage kostenlos testen.
Alle Modelle. Alle Features. Keine Kreditkarte.
Lieber erst zuschauen? Kostenloses Webinar – Anonymisierung live
Wir sind überzeugt von anymize. Und wir wissen: Bei einem KI-Werkzeug, das Mandanten-, Patienten- oder Mitarbeiter-Daten berührt, reicht ein Demo-Video nicht. Deshalb 14 Tage voller Zugang – alle Modelle, alle Features, keine Kreditkarte. Genug Zeit, um sicher zu sein, bevor du uns vertraust.
Dein KI-Arbeitsplatz wartet.