Compensation, Benefits und Equal Pay
Gender-Pay-Gap-Bericht nach EU Pay Transparency Directive 2026 KI-gestützt erstellen
EU Pay Transparency Directive 2023/970 — Stichtag 07.06.2026 hart: ab 250 MA Pflicht-Bericht (unbereinigt + bereinigt), bei Gap >5 % gemeinsame Bewertung mit AN-Vertretung nach Art. 10, Beweislastumkehr in AGG-Verfahren. anymize entfernt Mitarbeitername, Personalnummer und exakte Einzelgehälter aus Cohort-Tabellen, bevor GPT, Claude oder Gemini überhaupt rechnen — und erlaubt damit den Hybrid-Workflow: validiertes Pay-Equity-Tool (Figures.hr, beqom, Workday Pay Equity) macht die Mathematik, Frontier-KI strukturiert das Narrativ, k≥5 schützt vor Re-Identifikation.
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?
Der Bericht nach EU-RL 2023/970 ist die schwerstwiegende neue HR-Compliance-Pflicht 2026 in DE — Stichtag 07.06.2026 hart, Berichtspflicht ab 250 MA, Beweislastumkehr in AGG-Klagen. Dieser Workflow vertieft UC-M-HR-013 für den jährlichen Pflicht-Bericht: Drafting der 7 Sektionen (Methodik, Gesamt-Gap, Cohort-Tabelle, Erläuterung >5 %-Abweichungen, Maßnahmen-Plan, Compliance-Mapping zu ESRS S1 und EntgTranspG, Limitationen). Berechnung bleibt beim validierten Pay-Equity-Tool — KI strukturiert das Narrativ.
Für wen passt das?
Zielgruppe und Kontext
- Rolle
- Compensation-/Reward-Manager (Primärnutzer), HR-Reporting, HR-Compliance, ESG-/CSRD-Reporting-Owner. Sekundär: CHRO (Freigabe), Finance/Controlling (Daten-Quelle), BR-Vorsitz (gemeinsame Bewertung bei >5 %-Gap), externe Wirtschaftsprüfung (CSRD-Prüfung).
- Seniorität
- Fortgeschritten bis Senior — verlangt Verständnis statistischer Bereinigungs-Methodik (Mincer-Regression, Oaxaca-Blinder), EU-RL-Architektur, EntgTranspG-Bestand, AGG-Beweislastumkehr und CSRD/ESRS S1.
- Unternehmensgröße
- Konzern (>1.000 MA), großer Mittelstand ab 250 MA mit CSRD-Pflicht, börsennotierte Unternehmen. Stufenplan bis 100 MA bis 2031; de-facto-Druck bereits ab 100 MA über CSRD.
- Spezifische Kontexte
- Erstmals-Pflicht-Bericht zum 07.06.2027 für 2026er-Daten; Compliance-Prep-Phase 2026; interne Vorab-Berichte für Vorstand und BR-Ausschuss; gemeinsame Bewertung bei >5 %-Gap.
Die Situation in der Personalabteilung
So bringen Sie Tempo und Sorgfalt zusammen
EU-RL 2023/970 ist die regulatorische Top-Priorität 2026: Stichtag 07.06.2026 hart, Lohngefälle-Meldepflicht jährlich ab 250 MA, gemeinsame Bewertung mit AN-Vertretern bei >5 %-Gap nach Art. 10, Beweislastumkehr in AGG-Klagen, Verbot Gehaltshistorie-Frage im Recruiting. EntgTranspG bleibt Bestandsregime bis zur Reform. CSRD/ESRS S1 verlangt parallel Gender-Pay-Gap-Offenlegung im Nachhaltigkeitsbericht. Vergütungsdaten sind die sensibelsten HR-Daten: § 26 BDSG, DSGVO Art. 9, Art. 5 — unanonymisierter LLM-Upload strikt verboten. Bei kleinen Cohorts (n<5) droht Re-Identifikation auch in Aggregaten — k-Anonymität ist Pflicht (RL-Standard k≥5, für Veröffentlichung empfohlen k≥10). Halluzinations-Risiko: LLM erfindet Bereinigungs-Methodik oder Konfidenz-Intervalle. Mitigation: KI nicht für Berechnung; Pflicht-Marker [[ZAHL AUS TOOL]]. anymize erlaubt den sauberen Hybrid-Workflow — Tool rechnet, KI schreibt, anymize schützt.
Was Sie davon haben
Zeit, Wert, Vertraulichkeit
Zeit pro Berichtszyklus
20–60 h
Aufteilung: Datenaufbereitung 10–30 h, Bereinigungs-Methodik 5–15 h, Narrativ-Drafting + Compliance-Section 10–30 h. Erstbericht 2027 deutlich länger als Folgeberichte (einmaliger Methodik-Aufbau).
Risiko-Hebel
50–500k EUR
EU-RL-Bußgelder national festzusetzen; Erwartung DE 50–500 kEUR pro Verstoß. AGG-Klage mit Beweislastumkehr pro Person 1–6 Brutto-Jahresgehälter; BAG 8 AZR 74/25 zeigt Größenordnung 120 kEUR im algorithmischen Diskriminierungs-Kontext.
Vertraulichkeit
strukturell
anymize entfernt Mitarbeitername, Personalnummer und exakte Einzelgehälter; Cohort-Aggregation auf (Funktionsfamilie × Karrierestufe × Geschlecht) mit k≥5-Filter.
Erkennungsrate
>95 %
Dreifach geprüft (Algorithmus + zwei spezialisierte KI-Prüfungen). Restmenge im Vorschau-Modus kontrolliert.
So gehen Sie vor
Der Workflow Schritt für Schritt
Daten-Extraktion aus HRIS (SAP SuccessFactors, Workday, Personio, DATEV): Bruttogehalt, Bonus, variable Vergütung, Sachbezüge; pro MA mit Funktionsfamilie, Karrierestufe, Geschlecht, FTE, Eintrittsdatum.
Mensch + System
Datenbasis Pflicht-Kennzahlen RL Art. 9
Daten-Qualitäts-Check: Definition Funktionsfamilien (gleichwertige Tätigkeit), Karrierestufen, Vollständigkeit.
Mensch
RL verlangt einheitliche Funktionswertung
Daten-Klassifikation: Vergütungs-Datensatz mit Klarnamen + Personalnummern + Einzelgehältern → Klasse A. Cloud-LLM-Transfer ohne Anonymisierung verboten.
Mensch
§ 26 BDSG · DSGVO Art. 5/9
Pseudonymisierung + Aggregation mit anymize: Klarnamen/Personal-Nr. entfernen; Aggregation auf (Funktionsfamilie × Karrierestufe × Geschlecht)-Cohorts; k-Anonymitäts-Filter (n≥5; Suppression bei n<5).
anymize + Mensch
DSGVO Art. 28 · k-Anonymität (RL akzeptiert Aggregation)
Spot-Check Pseudonymisierung: Sonder-Cohorts (Vorstand, Top-Sales, Operations <5 MA), Spitznamen, ungewöhnliche Job-Titel. Stilometrie-Risiko bei Kleinstgruppen.
Mensch
NER-Restrisiko · Vier-Augen-Prüfung
Bereinigte + unbereinigte Pay-Gap-Berechnung mit validiertem Tool (Figures.hr, beqom, Workday Pay Equity, Korn Ferry Pay) — nicht mit LLM. Output: Gap-Werte je Cohort, Konfidenz-Intervalle, signifikante Cohorts >5 %.
Tool (Mincer-Regression, Oaxaca-Blinder)
Statistische Validität · LLM hat keine Berechnungs-Rolle
KI-Narrativ-Drafting: Methodik-Beschreibung, Cohort-Tabelle, Erläuterung >5 %-Abweichungen, Maßnahmen-Plan, Compliance-Mapping (RL Art. 9/10, ESRS S1, EntgTranspG). Input: aggregierte, pseudonymisierte Tabellen.
Frontier-KI in anymize
Strukturierung gegen RL-Mandate · konsistentes Narrativ
Inhaltliche Letztprüfung CM: Zahlen-Cross-Reference mit Tool-Output; statistische Aussagen korrekt; Bereinigungs-Methodik vollständig dokumentiert.
Mensch (Compensation-Manager)
Halluzinations-Risiko · CM-Verantwortlichkeit
Bei Gap >5 %: gemeinsame Bewertung mit AN-Vertretern Pflicht (RL Art. 10); Maßnahmen-Plan; § 87 Abs. 1 Nr. 10 BetrVG-Beteiligung.
Mensch + BR
RL Art. 10 · BetrVG-Mitbestimmung
CHRO + Vorstand-Freigabe; Behörden-Übermittlung; CSRD-/ESRS-S1-Konsolidierung; revisionssichere Archivierung.
Mensch + System
RL Art. 9/10 · CSRD · § 257 HGB
Womit Sie arbeiten
So setzen Sie anymize konkret ein
Was anymize tut
- Erkennt Mitarbeitername, Personalnummer, IBAN und exakte Einzelgehälter mit über 95 % Erkennungsrate.
- Aggregiert auf Cohort-Ebene (Funktionsfamilie × Karrierestufe × Geschlecht) mit konfigurierbarem k-Anonymitäts-Filter (Standard k≥5; für Veröffentlichung k≥10).
- Suppression bei Sonder-Cohorts (Vorstand, Operations <5 MA) automatisch dokumentiert.
- Daten in deutschen Rechenzentren (Hetzner). Originaldokumente werden nicht gespeichert — nur Cohort-Aggregate für die KI-Narrativ-Pipeline.
Was Sie als Compensation-Manager tun
- Funktionsfamilien nach „gleichwertige Tätigkeit” (RL Art. 4 / EntgTranspG § 4) definieren — keine reine Job-Titel-Logik.
- Bereinigungs-Methodik im validierten Tool festlegen (Mincer-Regression / Oaxaca-Blinder); Variablen dokumentieren.
- Bei >5 %-Gap-Cohorts gemeinsame Bewertung mit BR/AN-Vertretung nach Art. 10 anstoßen.
- Cross-Reference mit CSRD-/ESRS-S1-Reporting und EntgTranspG-Auskunfts-Statistiken.
Daten-Input
Klasse A: Klarname, Personalnummer, exaktes Bruttogehalt, Steuerklasse, Familienstand, ggf. Schwerbehinderung. Aggregiert verwendbar: (Funktionsfamilie × Karrierestufe × Geschlecht × FTE) mit n≥5 (Veröffentlichung n≥10). Tool-Output: Gap-Werte je Cohort, Konfidenz-Intervalle, signifikante >5 %-Cohorts.
Output-Kontrolle
Pseudonymisierter Cohort-Datensatz geht an Pay-Equity-Tool (Berechnung) und Frontier-KI (Narrativ). Re-identifiziert ist nichts — Aggregate bleiben Aggregate. KI liefert 7-Sektionen-Bericht: (1) Methodik, (2) Gesamt-Pay-Gap unbereinigt/bereinigt, (3) Cohort-Tabelle, (4) Erläuterung signifikanter Abweichungen, (5) Maßnahmen-Plan, (6) Compliance-Mapping, (7) Limitationen.
Freigabeprozess
Sie behalten jederzeit die Hoheit: Sichtung der Anonymisierung, statistische Letztprüfung gegen Tool-Output, Compliance-Sign-off Rechts-/HR-Compliance, BR-Konsultation bei >5 %-Gap, Vorstand-Sign-off, ggf. externe Wirtschaftsprüfung (CSRD). anymize ist Anonymisierungs-Layer, keine Compensation-Software.
Die KI-Anweisung
Prompt zum Kopieren
So nutzen Sie diesen Prompt:
1. Pay-Equity-Tool (Figures.hr, beqom, Workday Pay Equity) liefert Cohort-Tabelle mit Gap-Werten + CIs.
2. anymize aggregiert + pseudonymisiert: keine Einzelgehälter, k≥5 erzwungen.
3. Diesen Prompt mit aggregierter Tabelle in anymize einfügen, Reasoning auf „Thinking” stellen.
4. KI-Output zurück: 7-Sektionen-Bericht mit `[[ZAHL AUS TOOL]]`-Markern.
5. CM-Letztprüfung: jede Zahl gegen Tool cross-referenced; bei >5 %-Cohort BR-Konsultation Art. 10.
# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt den Compensation-Manager bei der
Erstellung des Gender-Pay-Gap-Berichts nach EU Pay Transparency Directive
2023/970 (DE-Stichtag 07.06.2026) und ESRS S1 (CSRD). Du erhältst
ausschließlich aggregierte, k-anonymisierte Cohort-Tabellen mit n≥5,
Pay-Gap-Werten in %, Konfidenz-Intervallen, signifikante Cohorts >5 %.
Keine Klarnamen, keine Einzelgehälter.
Strikt: Du berechnest nichts. Du erfindest keine Zahlen. Jede Zahl im
Output bekommt einen Marker `[[ZAHL AUS TOOL: Quelle, Cohort]]` oder
`[[FEHLT: …]]`.
# Role (R)
Compensation-Compliance-Drafting-Assistenz mit Kenntnis EU Pay Transparency
Directive 2023/970 (Art. 9 Pay-Gap-Metriken, Art. 10 gemeinsame Bewertung),
EntgTranspG (Bestand), AGG mit Beweislastumkehr, ESRS S1 (CSRD), § 26 BDSG,
DSGVO Art. 5/9. Methodik-Kenntnis: Mincer-Regression, Oaxaca-Blinder-
Dekomposition, „gleichwertige Tätigkeit” als Cohort-Basis.
# Action (A)
1. Strukturiere den Bericht in 7 Sektionen:
(1) Berichtsumfang und Methodik — Datenstand, Cohort-Definition,
Bereinigungs-Variablen, Verfahren, k-Schwelle.
(2) Gesamt-Pay-Gap — unbereinigt + bereinigt, CI, Vorjahr, EU-/DE-Vergleich.
(3) Pay-Gap pro Cohort — Tabelle mit Funktionsfamilie × Karrierestufe.
(4) Erläuterung signifikanter Abweichungen — pro >5 %-Cohort Hypothesen
+ Art.-10-Pflicht.
(5) Maßnahmen-Plan — konkrete Maßnahmen, Verantwortlichkeit, Termin, KPI.
(6) Compliance-Mapping — RL Art. 9/10 + ESRS S1 + EntgTranspG.
(7) Limitationen und methodische Caveats.
2. Jede Zahl mit `[[ZAHL AUS TOOL]]`.
3. Statistische Aussagen nur, wenn Tool-Output sie stützt.
4. Sektion 5: konkrete Maßnahmen, keine Floskeln.
5. Sektion 6: RL Art. 9/10, ESRS S1, EntgTranspG abdecken.
6. Verifikations-Checkliste mit 10 Items am Ende.
# Format (F)
- Markdown H2 pro Sektion.
- Sektion 2/3/5/6 als Tabellen.
- Sektion 4 nummerierte Liste pro Cohort.
- Verifikations-Checkliste als Checkbox-Liste.
# Target Audience (T)
Vorstand, BR-Vorsitz, externe Behörde, externe Wirtschaftsprüfung, ggf.
Öffentlichkeit (CSRD-Bericht). Sachlich, präzise, prüfungsfest, keine
Schönfärberei bei >5 %-Cohorts.So sieht der Input aus
Pseudonymisierter Eingabetext
Aggregierte Pay-Gap-Daten 2025 (Berichts-Cycle 2026 für EU-RL-Pflicht 2027)
Datenstand: 2026-04-30 | Methodik: Mincer-Regression mit FTE-Normalisierung
k-Anonymitäts-Schwelle: n≥5 | Tools: Figures.hr (EU-RL-Modul) + Workday Pay Equity
## Gesamt-Pay-Gap (1.847 MA, FTE >= 0.5)
- Unbereinigt: 14,2 % (CI 95 %: 12,8–15,6)
- Bereinigt (Funktion, Karrierestufe, Erfahrung, FTE, Region): 4,8 % (CI 95 %: 3,2–6,4)
- Vorjahr unbereinigt: 15,1 %; bereinigt: 5,3 %
- EU 11 % (Eurostat 2024); DE bereinigt 6 % (DeStatis 2023)
## Cohort-Tabelle (Auswahl signifikante Cohorts)
| Funktionsfamilie | Karrierestufe | n (w) | n (m) | Gap unber. | Gap ber. | CI 95 % | >5 %? |
| Engineering | Senior | 32 | 87 | 8,1 % | 6,3 % | 4,1–8,5 | ja |
| Engineering | Lead | 9 | 24 | 11,2 % | 7,8 % | 4,9–10,7 | ja |
| Sales | Key Account Lead | 7 | 12 | 9,8 % | 8,4 % | 5,2–11,6 | ja |
| Operations | Specialist | <5 | 17 | (suppr.) | (suppr.) | n/a | k-Anon. |
## Bestehende Maßnahmen 2025
- EntgTranspG-Equal-Pay-Audit durchgeführt
- Gehaltsband-Refresh in 4 Funktionsfamilien
- Diversity-Training Beförderungs-KomiteeSo liefert anymize zurück
Der KI-Entwurf
## 1. Berichtsumfang und Methodik
Datenstand 2026-04-30. Cohort-Definition: Funktionsfamilie × Karrierestufe
× Geschlecht (binär). Bereinigungs-Variablen: Funktion, Karrierestufe,
Berufserfahrung, FTE, Region. Verfahren: Mincer-Regression +
Oaxaca-Blinder-Sensitivität. k-Schwelle: n>=5 mit Suppression. Tools:
Figures.hr (EU-RL-Modul) + Workday Pay Equity (Cross-Check).
## 2. Gesamt-Pay-Gap
| Metrik | Wert | CI 95 % | Vorjahr | EU-/DE-Vergleich |
|---|---|---|---|---|
| Unbereinigt | `[[ZAHL AUS TOOL: Figures.hr]]` 14,2 % | 12,8–15,6 | 15,1 % | EU 11 %; DE 18 % |
| Bereinigt | `[[ZAHL AUS TOOL]]` 4,8 % | 3,2–6,4 | 5,3 % | DE bereinigt 6 % |
Interpretation: Gesamt-Gap bereinigt 4,8 % — knapp unter 5 %-Schwelle
nach RL Art. 10; auf Cohort-Ebene 3 Cohorts >5 % → gemeinsame Bewertung
Pflicht.
## 3. Pay-Gap pro Cohort
| Funktionsfamilie | Karrierestufe | n (w/m) | unber. | ber. | CI 95 % | >5 %? |
|---|---|---|---|---|---|---|
| Engineering | Senior | 32/87 | 8,1 % | 6,3 % | 4,1–8,5 | **ja** |
| Engineering | Lead | 9/24 | 11,2 % | 7,8 % | 4,9–10,7 | **ja** |
| Sales | Key Account Lead | 7/12 | 9,8 % | 8,4 % | 5,2–11,6 | **ja** |
| Operations | Specialist | <5/17 | suppr. | suppr. | n/a | k-Anon. |
## 4. Erläuterung signifikanter Abweichungen
- Engineering Senior (6,3 %): Erfahrungs-Verteilung leicht asymmetrisch,
durch Bereinigung berücksichtigt. Pflicht zur gemeinsamen Bewertung
Art. 10.
- Engineering Lead (7,8 %): kleine Cohort, externer Markt-Premium nicht
im Tool — `[[FEHLT: externe Korn-Ferry-/WTW-Daten]]`.
- Sales Key Account Lead (8,4 %): variable Komponente — Performance-Bias-
Audit (UC-V-HR-COM-005-Cross-Reference).
## 5. Maßnahmen-Plan
| Cohort | Maßnahme | Verantwortl. | Termin | KPI |
|---|---|---|---|---|
| Engineering Senior | Cohort-Range-Validierung + Anpassung | CM + Eng-Lead | 2026-09-30 | Gap <5 % Q4 2026 |
| Engineering Lead | Externes Markt-Audit Korn Ferry/WTW | CM | 2026-12-31 | Externe Validierung |
| Sales Key Account Lead | Performance-Faktor-Bias-Audit | CM + Sales | 2026-09-30 | Verteilung w/m nicht sign. unterschiedlich |
| Übergreifend | Equal-Pay-Beförderungs-Audit | CM + D&I | 2026-10-31 | BR-Bericht |
## 6. Compliance-Mapping
| Anforderung | Quelle | Status |
|---|---|---|
| Pay-Gap unbereinigt + bereinigt | RL 2023/970 Art. 9 | erfüllt |
| Gemeinsame Bewertung bei >5 % | RL Art. 10 | offen — BR Q3 2026 |
| Beweislastumkehr Vorbereitung | RL + AGG | teilweise |
| ESRS S1 Pay-Gap-Offenlegung | CSRD | teilweise |
| § 26 BDSG / DSGVO-Konformität | § 26 BDSG, DSGVO | erfüllt — anymize-Log |
## 7. Limitationen
- Cohorts n<5 unterdrückt (Operations Specialist).
- Unbeobachtete Variablen (Verhandlungsstil, externe Angebote) nicht
messbar.
- Internationale Töchter aktuell nicht enthalten.Was das HR-Recht verlangt
Pflichten — und wie anymize sie abdeckt
EU Pay Transparency Directive 2023/970 (SRC-0236, STD-0057)
DE-Stichtag 07.06.2026 hart. Lohngefälle-Meldung jährlich ab 250 MA, gemeinsame Bewertung mit AN-Vertretern bei >5 %-Gap (Art. 10), Beweislastumkehr in AGG-Verfahren (Art. 18), Verbot Gehaltshistorie-Frage im Recruiting (Art. 5). Stufenplan bis 100 MA bis 2031.
EntgTranspG (SRC-0221) — Bestandsregime
Auskunftsrecht ab 200 MA bleibt. Vergleichsgruppe k>=6 (§ 12 Abs. 3), Antwortfrist 3 Monate (§ 14). Bestand bis EU-RL-Reform. BAG 8 AZR 488/19 Leiturteil Auskunftsanspruch + Beweislastumkehr.
AGG §§ 1, 3, 7, 22 (SRC-0217) — Beweislastumkehr verstärkt
BAG 8 AZR 74/25 (SRC-0256): 120 kEUR algorithmische Altersdiskriminierung — analog für Pay-Diskriminierung einschlägig. EU-RL-Reform verschärft.
DSGVO Art. 9 (SRC-0241) + § 26 BDSG (SRC-0215)
Vergütungs-Rohdaten + Geschlechts-Information kombiniert: höchste Schutzklasse. Public-LLM-Upload ohne k-Anonymität verboten. anymize ersetzt Klarnamen + aggregiert auf k>=5, bevor Daten das Haus verlassen.
CSRD / ESRS S1 (SRC-0239, STD-0058)
Parallel-Pflicht zur Pay-Gap-Offenlegung im Nachhaltigkeitsbericht. Konsistenz zwischen EU-RL-Bericht und ESRS-S1-Disclosure (S1-16) zwingend; Wirtschaftsprüfer testieren beides.
EU AI Act Annex III Nr. 4 (SRC-0231) — KI in Personalmanagement
Pay-Gap-Tool kann als Hochrisiko-KI eingestuft werden, wenn entscheidungsrelevant für Vergütung. DPIA (DSGVO Art. 35) zusätzlich Pflicht.
BetrVG § 87 Abs. 1 Nr. 10 — betriebliche Lohngestaltung
BR-Mitbestimmung bei Maßnahmen-Umsetzung; bei >5 %-Cohort Art.-10-gemeinsame-Bewertung mit AN-Vertretung Pflicht. BAG 1 ABR 20/21 + ArbG Hamburg 24 BVGa 1/24 zur KI-Mitbestimmung.
Datenschutz und Vertraulichkeit
So funktioniert das mit anymize
Die datenschutzrechtlich entscheidende Frage: Sieht der KI-Anbieter Klarnamen, Personalnummern oder exakte Einzelgehälter? Antwort mit anymize: nein. Cohort-Aggregation (Funktionsfamilie × Karrierestufe × Geschlecht) mit k>=5-Filter — KI sieht ausschließlich Verteilungs-Werte (Median, Quartile, CIs). Rechtsgrundlage Art. 6 Abs. 1 lit. c DSGVO (rechtliche Verpflichtung EU-RL-Berichtspflicht) i.V.m. § 26 BDSG. Bei Schwerbehinderten-Status zusätzlich Art. 9 DSGVO i.V.m. § 22 BDSG. Verarbeitung in deutschen Rechenzentren (Hetzner); AVV nach Art. 28 DSGVO im Standardvertrag; Originaldokumente werden nicht gespeichert.
Was anymize konkret leistet
- Erkennt Mitarbeitername, Personalnummer, IBAN und exakte Einzelgehälter mit über 95 % Genauigkeit.
- Aggregiert automatisch auf Cohort-Ebene mit konfigurierbarem k-Anonymitäts-Filter (Standard k>=5; Veröffentlichung k>=10).
- Suppression bei Sonder-Cohorts (Vorstand, Operations <5 MA) automatisch dokumentiert.
- Verarbeitung in deutschen Rechenzentren (Hetzner). AVV nach Art. 28 DSGVO im Standardvertrag.
- Alternative bei höchster Sensibilität: On-Premises-LLM (Llama 3 / Mistral lokal) — Daten verlassen das Unternehmen nicht.
Sicherheitscheck vor der Veröffentlichung
Was anymize liefert — was Sie souverän entscheiden
Vor dem Tool-Lauf
- Funktionsfamilien nach „gleichwertige Tätigkeit” (RL Art. 4) definiert — keine reine Job-Titel-Logik?
- Bereinigungs-Methodik dokumentiert (Mincer-Regression / Oaxaca-Blinder; Variablen)?
- k-Anonymitäts-Schwelle gesetzt (>=5 Standard; >=10 für Veröffentlichung)?
- Sonder-Cohorts (Vorstand, Operations <5 MA) Suppression vorbereitet?
Nach der KI-Antwort
- Jede Zahl im Output mit `[[ZAHL AUS TOOL]]`-Marker und gegen Tool-Output cross-referenced?
- k-Anonymitäts-Filter angewendet (keine n<5 mit konkreten Werten)?
- Bereinigungs-Methodik vollständig dokumentiert?
- >5 %-Cohorts korrekt identifiziert und Art.-10-Pflicht markiert?
Vor der Veröffentlichung
- BR-Information / gemeinsame Bewertung nach Art. 10 geplant (bei >5 %-Cohort)?
- CSRD-/ESRS-S1-Konsolidierung abgestimmt?
- Limitationen explizit und ehrlich benannt?
- Wirtschaftsprüfer-Pre-Review (bei CSRD-Pflicht)?
Typische Fehlermuster — und wie anymize gegensteuert
- →Halluzinierte Konfidenz-Intervalle ohne Tool-Beleg — Vier-Augen-Verifikation gegen Tool-Output Pflicht.
- →k-Anonymitäts-Bruch in n=5–9-Cohorts mit Kontext-Re-Identifikation — Suppression empfohlen für Veröffentlichung.
- →Falsche Cohort-Definition (Job-Titel statt „gleichwertige Tätigkeit”) — § 4-Methodik dokumentieren.
- →Bereinigungs-Methodik unvollständig dokumentiert — Mincer-Regression-Variablen explizit auflisten.
- →Maßnahmen-Plan-Floskeln („Sensibilisierung verstärken”) statt konkrete KPIs.
Rechtsgrundlagen
Normen, Urteile, Belege
Primärnormen — EU/DE Pay Transparency
- Berichtspflicht ab 250 MA; gemeinsame Bewertung bei >5 %
- Salary-Range Stellenanzeigen; Verbot Gehaltshistorie
- Beweislastumkehr in Diskriminierungsverfahren
- Auskunftsanspruch + Mindestgröße k>=6
- Diskriminierungsverbot + Beweislastumkehr
- DE-Umsetzung EU-RL
Primärnormen — Datenschutz und CSRD
- Beschäftigtendatenverarbeitung
- Besondere Kategorien (Geschlecht in Kombination)
- Keine vollautomatische Pay-Gap-Entscheidung
- Auftragsverarbeitung — AVV-Pflicht bei Cloud-LLM
- DPIA bei systematischer Pay-Gap-Analyse
- Parallel-Pflicht Pay-Gap-Offenlegung S1-16
- Personalakten nicht ungeschützt in Public-LLMs
Rechtsprechung und Studien
- Leiturteil EntgTranspG-Auskunftsanspruch
- 120 kEUR algorithmische Altersdiskriminierung
- KI im Personalmanagement = Hochrisiko
- DE Pay-Gap unbereinigt 18 %, bereinigt 6 %
- EU-Durchschnitt 11 %
- 12 % KI-Adoption in Compensation (n=852)
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.