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.
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.