Compensation, Benefits und Equal Pay
CSRD / ESRS S1 People-Metriken-Output KI-gestützt
Aufbereitung der >30 People-Metriken nach ESRS S1 „Eigene Belegschaft” (Beschäftigten-Charakteristika S1-6, Diversität S1-9, Vergütung S1-16, Schulung S1-13, Arbeitssicherheit S1-14, Lohngefälle, CEO-zu-Median-Verhältnis) mit narrativem Drafting für Nachhaltigkeits-Bericht. anymize pseudonymisiert MA-bezogene Rohdaten; KI strukturiert k-anonymitäts-geprüfte Aggregate (n>=20) und Konsistenz-Checks zwischen Metriken. Wirtschaftsprüfer-Audit-Trail 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?
ESRS S1 ist People-Disclosure-Standard innerhalb der CSRD-Architektur und verzahnt direkt mit Pay-Gap-Reporting (EU 2023/970), Equal-Pay-Audit (EntgTranspG) und gesamter Compensation-Architektur. CSRD-pflichtige Unternehmen: Phase 1 (große Unternehmen, EU-PIE >500 MA) für GJ 2024 (in 2025); Phase 2 (>250 MA) für GJ 2025 (in 2026); EU Omnibus-Vorschlag 2025 verschiebt Phase-2-Termine, ESRS S1-Inhalt bleibt grundsätzlich.
Für wen passt das?
Zielgruppe und Kontext
- Rolle
- ESG-/CSRD-Reporting-Owner (Primärnutzer; oft Controlling/CFO-Ressort), Compensation & Benefits Manager (Pay-Gap-Daten-Lieferant), HR-Reporting/People-Analytics (Metriken-Owner), Group Controlling (Konsolidierung), Sustainability Manager (Narrativ-Owner). Sekundär: Wirtschaftsprüfer (Testat), Vorstand (Sign-off), Investor-Relations (Capital-Markets-Story), Aufsichtsrat (Prüfausschuss).
- Seniorität
- Senior — ESRS-S1-Struktur, Materialitäts-Bewertung, Datenherkunfts-Traceability, Wirtschaftsprüfer-Anforderungen.
- Unternehmensgröße
- Konzern und großer Mittelstand mit CSRD-Pflicht: Phase 1 (EU-PIE >500 MA) ab GJ 2024; Phase 2 (>250 MA) ab GJ 2025; Phase 3 (KMU mit Kapitalmarktorientierung) ab GJ 2026/2027. EU Omnibus 2025 verschiebt Phase-2-/Phase-3-Termine.
- Spezifische Kontexte
- Erstanwender mit Aufbau-Aufwand; börsennotierte Unternehmen mit Capital-Markets-Investor-Story; Versicherer/Banken (Solvency II / CRR analog ESG); Industrie mit Lieferketten-Sozial-Reporting.
Die Situation in der Personalabteilung
So bringen Sie Tempo und Sorgfalt zusammen
ESRS S1 (Delegierte Verordnung EU 2023/2772, EFRAG) verlangt für CSRD-pflichtige Unternehmen >=30 People-Metriken in 4 Themen-Säulen: (1) Charakteristika eigene Belegschaft (S1-6/S1-7) — Headcount, Diversität; (2) Auswirkungen/Risiken/Chancen + Arbeitsbedingungen (S1-8 bis S1-11) — Tarif-Abdeckung, Sozialdialog, Lohngefälle S1-16 (Gender Pay Gap unbereinigt + CEO-zu-Median-Verhältnis), Mindestlohn, Sozialschutz; (3) Schulung, Vereinbarkeit, Diversitäts-Metriken (S1-13/S1-9); (4) Arbeitssicherheit (S1-14). Operativ: Daten aus HR-Suite (Headcount), Lohnabrechnung (Vergütung), Time-Tracking (Schulungen), Arbeitsschutz (Unfall-Statistiken), Pay-Equity-Tools (Pay-Gap), HinSchG-System (Beschwerden). Konsolidierung mehrere Tools, Definitionen abgleichen, Wirtschaftsprüfer-Audit-Trail. KI-Hebel erheblich für narrative Disclosure-Texte (S1-1 bis S1-3 Strategie, Politik), Konsistenz-Checks zwischen Metriken (CEO-Verhältnis × Median-Vergütung × Pay-Gap), Verzahnung mit ESRS S2/S3/G1. Compensation-/HR-Detail-Daten Klasse A (DSGVO Art. 9 bei Krankheits-Tagen; § 26 BDSG generell). Wirtschaftsprüfer brauchen prüfbare Datenherkunft — halluzinierte Metriken testat-relevant.
Was Sie davon haben
Zeit, Wert, Vertraulichkeit
Zeit pro Berichtszyklus
30–80 h
Hauptsächlich narrative Disclosures, Konsistenz-Checks, Übersetzung zwischen Metriken. Erst-Berichtszyklus aufwendiger; Folge-Zyklen schneller.
Wirtschaftsprüfer-Risiko
testat-relevant
Halluzinierte Metriken-Werte führen zu Testat-Vorbehalten; Datenherkunfts-Traceability obligatorisch.
CSRD-Sanktionen
national
DE-Umsetzungsgesetz mit Bußgeld-Norm; Reputations-/Investor-Risiko bei fehlerhafter Disclosure.
Erkennungsrate
>95 %
MA-Klarnamen, Geburtsdaten, individuelle Gehälter — dreifach geprüft; k-Anonymität für Aggregate.
So gehen Sie vor
Der Workflow Schritt für Schritt
Materialitäts-Assessment ESRS S1: Welche Sub-Themen sind wesentlich (doppelte Materialität)?
Mensch
ESRS Cross-Cutting Standards
Pflicht-Datenliste je S1-Disclosure-Requirement abgleichen; Datenquellen-Mapping (HR-Suite, Lohn, Arbeitsschutz, HinSchG).
Mensch
STD-0058 ESRS S1
Daten-Klassifikation: Rohdaten je MA = Klasse A; aggregierte Pflicht-Metriken Konzern-/Standort-Ebene = Klasse B (sofern k>=20).
Mensch
§ 26 BDSG · DSGVO Art. 9
Pseudonymisierung der Rohdaten vor LLM-Transfer mit anymize: MA-Namen, Personalnummern → [[Platzhalter]]. Aggregate (Headcount, Pay-Gap-Werte) in Klartext.
anymize
DSGVO Art. 28
k-Anonymitäts-Prüfung der Aggregate: Sub-Gruppen <20 MA in S1-Disclosures? Re-Identifikations-Risiko bewerten.
Mensch
DSGVO Art. 5 · DSK SRC-0246
KI-Drafting Disclosures (S1-1 Strategie, S1-2 Engagement, S1-3 Beschwerdemechanismus, S1-6 Charakteristika, S1-9 Diversität, S1-13 Schulung, S1-14 Arbeitssicherheit, S1-16 Pay-Gap, S1-17 Beschwerden) inkl. Vorjahres-Vergleich.
Frontier-KI
Narrativ-Beschleunigung
Konsistenz-Check zwischen Metriken: CEO-Verhältnis × Median-Vergütung × Pay-Gap rechnerisch zusammenpassend.
Mensch + KI
ESRS-Datenintegrität
Wirtschaftsprüfer-Audit-Trail: Datenherkunft je Metrik dokumentieren (System, Stichtag, Berechnungs-Skript-Version).
Mensch + System
WP-Testat
Rück-Substitution und Vorstands-Sign-off; Investor-Relations-Abstimmung.
Mensch
DSGVO Art. 22
Veröffentlichung Nachhaltigkeitsbericht / Lagebericht; XBRL-Tagging (EU-Anforderung). Post-Publication-Review: Stakeholder-Feedback, Investor-Reaktionen, NGO-Anfragen.
System + Mensch
CSRD · ESEF · Reputation
Womit Sie arbeiten
So setzen Sie anymize konkret ein
Was anymize tut
- Erkennt MA-Klarnamen, Geburtsdaten, individuelle Gehälter, KK-Nummer mit über 95 % Genauigkeit.
- Aggregate (Headcount, Pay-Gap-Werte, CEO-Verhältnis) bleiben in Klartext für ESRS-Disclosure.
- k-Anonymitäts-Check für Sub-Aggregate (n>=20 für ESRS-Veröffentlichung empfohlen).
- Verarbeitung in deutschen Rechenzentren (Hetzner); AVV nach Art. 28 DSGVO.
Was Sie als ESG-Reporting-Owner tun
- Materialitäts-Assessment doppelte Materialität (Auswirkungen + finanzielle Wesentlichkeit).
- Datenquellen-Mapping (HR-Suite + Lohnabrechnung + Arbeitsschutz + HinSchG-System + Pay-Equity-Tools).
- Konsistenz-Matrix S1-6 × S1-9 × S1-16 prüfen (Headcount × Diversität × Pay-Gap rechnerisch konsistent).
- Wirtschaftsprüfer-Pre-Review vor Vorstand-Sign-off; XBRL-Tagging für ESEF-Konformität.
Daten-Input
Klasse A: Rohdaten je MA (Gehalt, Geschlecht, Alter, Schulung, AU-Tage). Klasse B: aggregierte Metriken Konzern-/Standort-/Segment-Ebene (k>=20). Klasse C: ESRS-Texte, EFRAG Implementation Guidance, Tarifvertrags-Bezüge.
Output-Kontrolle
KI liefert Disclosures je Pflicht-Datapoint: (S1-6) Headcount nach Geschlecht/Alter/Region/Beschäftigungstyp, (S1-9) Diversität Top-Management Vorstand/Aufsichtsrat/obere Führungsebene, (S1-13) Schulungs-Stunden je MA je Geschlecht/Beschäftigtengruppe, (S1-14) Unfall-Frequenz + tödliche Arbeitsunfälle + Krankheits-Fehl-Tage, (S1-16) Median Gender Pay Gap unbereinigt + CEO-zu-Median-Vergütungs-Verhältnis + bereinigte Pay-Gap, (S1-17) HinSchG-Eingänge + Diskriminierungsvorfälle. Vorjahres-Vergleich + narrative Einbettung 2–4 Sätze Kontext je Disclosure + Konsistenz-Block + Audit-Trail-Marker.
Freigabeprozess
Sie behalten die Hoheit: Materialitäts-Assessment, k-Anonymitäts-Re-Check für veröffentlichbare Aggregate, Konsistenz-Matrix-Prüfung, Wirtschaftsprüfer-Pre-Review, Vorstand-Sign-off, XBRL-Tagging-Verifikation.
Die KI-Anweisung
Prompt zum Kopieren
So nutzen Sie diesen Prompt:
1. Materialitäts-Assessment doppelte Materialität.
2. Datenquellen-Mapping (HR-Suite + Lohnabrechnung + Arbeitsschutz + HinSchG).
3. anymize pseudonymisiert MA-Rohdaten; k-Anonymitäts-Check für Aggregate (n>=20).
4. Prompt anwenden; KI liefert Disclosures + Konsistenz-Block + Audit-Trail-Marker.
5. Wirtschaftsprüfer-Pre-Review vor Vorstand-Sign-off; XBRL-Tagging.
# Context (C)
Rechtsstand: <heutiges Datum>; insbesondere CSRD-Richtlinie 2022/2464 (DE-
CSRD-Umsetzungsgesetz), Delegierte Verordnung EU 2023/2772 (ESRS-Set 1),
ESRS S1 „Eigene Belegschaft”, EFRAG Implementation Guidance. Berücksichtige
EU-Omnibus-Vorschlag 2025 zur Vereinfachung. Du unterstützt das Drafting
der ESRS-S1-Disclosures eines deutschen Großunternehmens. Input enthält
pseudonymisierte HR-Aggregate; MA-Identifizierungs-Felder mit
`[[Kategorie-Hash]]`-Platzhalter; sämtliche Aggregate in Klartext.
# Role (R)
ESRS-S1-Reporting-Assistenz mit Kenntnis ESRS-Cross-Cutting-Standards
(doppelte Materialität, Disclosure Requirements, Datapoints), S1-Disclosure-
Liste (S1-1 bis S1-17), EFRAG Implementation Guidance, Verzahnung mit EU
2023/970 (Lohngefälle-Methodik) und EntgTranspG, CEO-zu-Median-Vergütungs-
Verhältnis, Wirtschaftsprüfer-Anforderungen Datenherkunfts-Traceability.
# Action (A)
1. Materialitäts-Hinweis: bestätige aus Input wesentliche S1-Sub-Themen.
2. Entwirf Disclosures je Pflicht-Datapoint:
a) S1-6 Charakteristika: Headcount nach Geschlecht/Alter/Region/Typ
b) S1-9 Diversität Top-Management: Vorstand/Aufsichtsrat/Führungsebene
c) S1-13 Schulung: durchschn. Stunden je MA je Geschlecht
d) S1-14 Arbeitssicherheit: Unfall-Frequenz, tödliche Unfälle, AU-Tage
e) S1-16 Lohngefälle: Median Gender Pay Gap unbereinigt + CEO-Verhältnis
f) S1-17 Beschwerden: HinSchG-Eingänge, Diskriminierungs-Vorfälle
3. Vorjahres-Vergleich je Metrik (Tabelle Vorjahr vs. Berichtsjahr; Delta).
4. Narrative Einbettung: 2–4 Sätze Kontext je Disclosure; ohne Marketing.
5. Konsistenz-Block: Plausibilitäts-Check zwischen Metriken; Widersprüche
mit `[[INKONSISTENZ]]`.
6. Audit-Trail-Marker: jede Metrik mit `[Source: System/Bericht/Stichtag]`.
7. Markiere nicht aus Input ableitbare Aussagen mit `[[NICHT BELEGT]]`.
# Target Audience (T)
Vorstand, Investor-Relations, Aufsichtsrat-Prüfausschuss, Wirtschaftsprüfer,
ggf. Öffentlichkeit (Nachhaltigkeitsbericht). Tonalität: sachlich, präzise,
prüfungsfest, keine Schönfärberei.So sieht der Input aus
Pseudonymisierter Eingabetext
ESRS S1 Berichtszyklus 2025 (GJ 2025 für Nachhaltigkeitsbericht 2026)
Datenstand: 2026-04-30 | Konzern: DAX-Großunternehmen, 8.500 MA EU-PIE
## S1-6 Charakteristika eigene Belegschaft (Aggregate)
| Geschlecht | n | % | Vollzeit | Teilzeit | befristet | unbefristet |
| weiblich | 2.890 | 34 % | 2.245 | 645 | 178 | 2.712 |
| männlich | 5.610 | 66 % | 5.298 | 312 | 245 | 5.365 |
| Gesamt | 8.500 | 100 % | 7.543 | 957 | 423 | 8.077 |
## S1-9 Diversität Top-Management
| Ebene | n | w | m | w-% |
| Vorstand | 5 | 1 | 4 | 20 % |
| Aufsichtsrat | 12 | 5 | 7 | 42 % |
| Obere Führungsebene (Senior VP) | 48 | 12 | 36 | 25 % |
## S1-13 Schulung
| Geschlecht | Durchschn. Stunden p.a. |
| weiblich | 28,4 |
| männlich | 32,1 |
## S1-14 Arbeitssicherheit
- Arbeitsunfälle 2025: 124 (Vorjahr 138)
- Unfall-Frequenz: 14,6 / 1 Mio Arbeitsstunden (Vorjahr 16,2)
- Tödliche Arbeitsunfälle: 0 (Vorjahr 0)
- Krankheits-Fehltage: 9,2 Tage/MA (Vorjahr 8,8)
## S1-16 Lohngefälle (Pay-Equity-Tool Figures.hr 2026-04-30)
- Gender Pay Gap unbereinigt: 14,2 % (Vorjahr 15,1 %)
- Bereinigt (Mincer): 4,8 % (Vorjahr 5,3 %)
- CEO-Vergütung: 4,2 Mio EUR
- Median-MA-Vergütung: 62.500 EUR
- CEO-zu-Median-Verhältnis: 67 (Vorjahr 64)
## S1-17 Beschwerden
- HinSchG-Eingänge 2025: 23 (Vorjahr 19)
- Davon Diskriminierungsvorfälle: 4 (Vorjahr 6)So liefert anymize zurück
Der KI-Entwurf
## S1-6 Charakteristika eigene Belegschaft
Zum Stichtag 31.12.2025 beschäftigte der Konzern `[Source: SAP HCM Headcount, Stichtag 2025-12-31]` 8.500 Mitarbeitende, davon **34 % weiblich** und **66 % männlich**. Der Frauenanteil hat sich gegenüber dem Vorjahr (32,8 %) um 1,2 Prozentpunkte erhöht.
| Geschlecht | n | % | Vollzeit | Teilzeit |
|---|---:|---:|---:|---:|
| weiblich | 2.890 | 34 % | 2.245 | 645 |
| männlich | 5.610 | 66 % | 5.298 | 312 |
## S1-9 Diversität Top-Management
| Ebene | w-% 2025 | w-% Vorjahr | Delta |
|---|---:|---:|---:|
| Vorstand | 20 % | 0 % | +20 PP |
| Aufsichtsrat | 42 % | 33 % | +9 PP |
| Obere Führungsebene | 25 % | 22 % | +3 PP |
Die Diversitäts-Quote wurde durch das D&I-Programm 2024–2026 systematisch erhöht.
## S1-13 Schulung
Durchschnittliche Schulungs-Stunden p.a.: Frauen 28,4 h; Männer 32,1 h `[Source: SAP SuccessFactors Learning 2025-12-31]`. Der Geschlechter-Unterschied (3,7 h Differenz) wird im D&I-Programm 2026 adressiert.
## S1-14 Arbeitssicherheit
| Metrik | 2025 | Vorjahr | Delta |
|---|---:|---:|---:|
| Arbeitsunfälle | 124 | 138 | -14 |
| Unfall-Frequenz / 1 Mio h | 14,6 | 16,2 | -1,6 |
| Tödliche Arbeitsunfälle | 0 | 0 | 0 |
| Krankheits-Fehltage / MA | 9,2 | 8,8 | +0,4 |
Die Unfall-Frequenz konnte durch das Arbeitsschutz-Programm 2025 um 10 % reduziert werden. `[Source: Arbeitsschutz-System 2025-12-31]`
## S1-16 Lohngefälle
| Metrik | 2025 | Vorjahr | Vergleich |
|---|---:|---:|---|
| Gender Pay Gap unbereinigt | 14,2 % | 15,1 % | DE-Schnitt 18 % |
| Bereinigt (Mincer-Regression) | 4,8 % | 5,3 % | DE-Schnitt 6 % |
| CEO-Vergütung | 4,2 Mio EUR | 3,9 Mio EUR | – |
| Median-MA-Vergütung | 62.500 EUR | 60.800 EUR | +2,8 % |
| **CEO-zu-Median-Verhältnis** | **67** | **64** | +4,7 % |
`[Source: Figures.hr Pay-Equity-Tool 2026-04-30]`
**Konsistenz-Block**: CEO-Vergütung 4,2 Mio EUR / Median 62,5 k = 67,2 ≈ 67 (Rundungs-tolerant konsistent).
Gemeinsame Bewertung mit Arbeitnehmer-Vertretung nach EU 2023/970 Art. 10: **3 Cohorts >5 %-Gap** (Engineering Senior, Engineering Lead, Sales Key Account Lead) — Maßnahmen-Plan in UC-V-HR-COM-020 dokumentiert.
## S1-17 Beschwerden
| Metrik | 2025 | Vorjahr |
|---|---:|---:|
| HinSchG-Eingänge | 23 | 19 |
| Davon Diskriminierungsvorfälle | 4 | 6 |
| Anteil bearbeitet & abgeschlossen | 96 % | 100 % |
`[Source: HinSchG-Meldestelle 2025-12-31]`
---
## Audit-Trail (Wirtschaftsprüfer-Vorlage)
- S1-6 Headcount: SAP HCM 2025-12-31, Verantwortliche HR-Reporting
- S1-9 Diversität: Aufsichtsrats-Protokoll + HR-Suite Top-Mgmt-Liste
- S1-13 Schulung: SAP SuccessFactors Learning Stichtag
- S1-14 Arbeitssicherheit: Arbeitsschutz-System + BG-Meldungen
- S1-16 Lohngefälle: Figures.hr Pay-Equity-Tool Mincer-Regression
- S1-17 Beschwerden: HinSchG-Meldestelle interne StatistikWas das HR-Recht verlangt
Pflichten — und wie anymize sie abdeckt
CSRD-Richtlinie 2022/2464 + ESRS S1 (EU 2023/2772)
Pflicht-Disclosure-Liste S1-1 bis S1-17; doppelte Materialität; EFRAG Implementation Guidance; XBRL/ESEF-Tagging. EU Omnibus 2025 verschiebt Phase-2-Termine.
S1-16 — CEO-zu-Median-Verhältnis
Pflicht-Metrik; Berechnung gegen Lohnabrechnungs-Authority; LLM darf nicht erfinden.
S1-16 — Gender Pay Gap unbereinigt + bereinigt
Verzahnung mit EU 2023/970 Art. 9; bei >5 % gemeinsame Bewertung Art. 10. Konsistenz zwischen S1-16 + UC-V-HR-COM-001 Pay-Gap-Bericht zwingend.
Wirtschaftsprüfer-Testat
Datenherkunfts-Traceability je Metrik (System, Stichtag, Verantwortliche). Halluzinierte Metriken-Werte testat-relevant; Vorbehalt im Testat = Reputations-/Investor-Risiko.
DSGVO Art. 9 bei Krankheits-Fehltagen + § 26 BDSG
Rohdaten je MA höchste Schutzklasse; Aggregate auf Konzern-Ebene k>=20 empfohlen für Re-Identifikations-Schutz.
S1-17 + HinSchG-Verzahnung
Beschwerdemechanismus dokumentieren; HinSchG-Eingänge + Diskriminierungs-Vorfälle in ESRS S1-17 ausweisen.
Datenschutz und Vertraulichkeit
So funktioniert das mit anymize
Rechtsgrundlage: Art. 6 Abs. 1 lit. c DSGVO (CSRD-Berichts-Pflicht) + § 26 BDSG. Rohdaten je MA Klasse A; Aggregate auf Konzern-/Standort-Ebene Klasse B (sofern k>=20). Bei Krankheits-Fehltagen Art. 9-Bezug. anymize aggregiert auf k>=20 für ESRS-Veröffentlichung empfohlen (Re-Identifikations-Schutz). DPIA nach Art. 35 pflichtig bei systematischer People-Analytics. Verarbeitung in deutschen Rechenzentren (Hetzner).
Was anymize konkret leistet
- Erkennt MA-Klarnamen, Geburtsdaten, individuelle Gehälter, KK-Nummer mit über 95 % Genauigkeit.
- k-Anonymitäts-Filter für Aggregate (n>=20 für ESRS-Veröffentlichung empfohlen).
- Bei Krankheits-Fehltagen / Gesundheitsdaten zusätzlicher DSGVO Art. 9-Schutz.
- Verarbeitung in deutschen Rechenzentren (Hetzner); AVV nach Art. 28 DSGVO.
- Alternative: Workiva (Konsolidierungs-Plattform Marktführer), SAP Sustainability Control Tower, Microsoft Sustainability Manager, Wolters Kluwer CCH Tagetik, Salesforce Net Zero Cloud.
Sicherheitscheck vor der Veröffentlichung
Was anymize liefert — was Sie souverän entscheiden
Vor dem KI-Aufruf
- Materialitäts-Assessment doppelte Materialität dokumentiert?
- Datenquellen-Mapping vollständig (HR-Suite + Lohn + Arbeitsschutz + HinSchG)?
- Rohdaten als Klasse A; Pseudonymisierung vor LLM-Transfer?
- k-Anonymitäts-Re-Check für Sub-Aggregate (k>=20 empfohlen)?
Nach KI-Draft
- Pflicht-Disclosures je S1 vollständig (S1-1 bis S1-17)?
- Metriken rechnerisch konsistent (CEO-Verhältnis × Median × Pay-Gap)?
- Vorjahres-Vergleich verfügbar je Metrik?
- WP-Audit-Trail je Metrik dokumentiert (System, Stichtag, Verantwortliche)?
Vor Veröffentlichung
- Konsistenz mit UC-V-HR-COM-001 Pay-Gap-Bericht (EU 2023/970)?
- Bei >5 %-Pay-Gap Art.-10-gemeinsame-Bewertung in S1-16 referenziert?
- Wirtschaftsprüfer-Pre-Review vor Vorstand-Sign-off?
- XBRL/ESEF-Tagging korrekt zugewiesen?
Typische Fehlermuster — und wie anymize gegensteuert
- →Halluzinierte Metriken-Werte (Headcount, Pay-Gap-Zahlen) — testat-relevant; Wirtschaftsprüfer-Pre-Review zwingend.
- →Inkonsistente Metriken zwischen Pay-Gap-Bericht (EU 2023/970) und ESRS S1-16.
- →Veröffentlichung von k-anonymitäts-bruchgefährdeten Sub-Aggregaten (n<20).
- →CEO-zu-Median-Verhältnis rechnerisch inkonsistent zur Median-Vergütung.
- →S1-17 HinSchG-Eingänge nicht mit interner Meldestelle abgeglichen.
- →DSGVO-Verstoß durch Public-LLM-Upload sensibler Rohdaten ohne Pseudonymisierung.
Rechtsgrundlagen
Normen, Urteile, Belege
Primärnormen — CSRD und ESRS
- Nachhaltigkeitsberichts-Pflicht
- ESRS S1 „Eigene Belegschaft”
- Disclosure Requirements (Strategie, Charakteristika, Diversität, Schulung, Arbeitssicherheit, Lohngefälle, Beschwerden)
- Datapoints-Spezifikation
- Vereinfachungs-Vorschlag Phase-2-Verschiebung
Verzahnung mit Pay-Transparency und Datenschutz
- Gender-Pay-Gap + gemeinsame Bewertung; Verzahnung mit S1-16
- Bestandsregime DE
- Pseudonymisierung + DPIA
- Beschwerdemechanismus + S1-17
Tools und Studien
- Marktführer Konsolidierungs-Plattform CSRD
- Konzern-Stack
- Pay-Equity-Module S1-16
- Finance-orientierte CSRD-Plattform
- Interne Dashboards
- 37 % / 12 % KI-Adoption
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.