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.
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.