People Analytics und Workforce Planning
Engagement-Pulse-Trend-Analyse aus Microsoft Viva / Gallup-Daten mit BetrVG § 87
anymize.ai pseudonymisiert Pulse-Survey-Aggregate (k≥5 Cohort-Scores; k≥10 Free-Text-Aggregate) + NER-Lauf für Klar-Namen, Standorte, Kollegen-Bezüge in Free-Texts. Die KI generiert Sentiment-Aggregation, Topic-Cluster (5–7 Themen) und Trend-Narrativ mit Hypothesen-Marker. Art.-9-Sensitivitäts-Filter erkennt spontane Gesundheits-/Religions-Bezüge in Free-Texts.
Schwierigkeit: Fortgeschritten · 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?
Engagement-Trend-Analysen sind die wichtigste laufende Steuerungs-Größe für CHRO-Office und HR-BPs in einem Markt mit historisch niedriger emotionaler Bindung (Gallup 2024, STD-0050: 9 %). Microsoft Viva Glint, Workday Peakon, Culture Amp und Qualtrics EmployeeXM erheben quartal-monatlich Pulse, die Trend-Auswertung ist Pflicht-Steuerungs-Aufgabe. Engagement-Surveys mit individueller Auswertung sind nach BetrVG § 87 Abs. 1 Nr. 6 mitbestimmungspflichtig.
Für wen passt das?
Zielgruppe und Kontext
- Rolle
- People-Analytics-Lead, Engagement-/Culture-Manager, HR-BP, CHRO/Personalleitung, BR-Vertretung.
- Seniorität
- Fortgeschritten, Engagement-Daten + BR-Sensibilität.
- Unternehmensgröße
- Konzern mit etabliertem Pulse-Survey, gehobener Mittelstand mit Microsoft Viva/Workday Peakon, KMU > 250 MA.
- Spezifische Kontexte
- Hybrid-Work-/Remote-Kontexte; Restrukturierungs-Phasen mit Engagement-Krise; Branchen mit hoher emotionaler Belastung (Pflege, Beratung).
Die Situation in der Personalabteilung
So bringen Sie Tempo und Sorgfalt zusammen
Gallup Engagement Index DE 2024 (STD-0050): nur 9 % der Beschäftigten weisen hohe emotionale Bindung auf, historisches Tief. Regulatorisch: BetrVG § 87 Abs. 1 Nr. 6 (BAG 1 ABR 20/21), Engagement-Surveys mit individueller Auswertung = technische Überwachungseinrichtung, mitbestimmungspflichtig. § 80 BR-Information; § 26 BDSG; DSGVO Art. 22 (keine Auto-Personalentscheidungen); DSGVO Art. 9 (Free-Text kann Gesundheits-/Religions-Bezüge enthalten); DSGVO Art. 35 DPIA; EuGH C-203/22 bei Folge-Maßnahmen. Inhaltliche Falle: LLM-Sentiment-Analysen können in kleinen Teams re-identifizierend sein („einer im Team Berlin hat Angst um seinen Job geschrieben”, bei n=4 erkennbar). anymize.ai pseudonymisiert mit NER-Lauf für Klar-Namen, Standorte, Kollegen-Namen, Tool-Klarnamen; erzwingt k≥5 für Cohort-Scores und k≥10 für Free-Text-Aggregate (höhere Schwelle wegen Re-Identifikations-Risiko in Texten). Art.-9-Sensitivitäts-Filter für sensible Begriffe.
Was Sie davon haben
Zeit, Wert, Vertraulichkeit
Zeitersparnis pro Pulse-Zyklus
1–2 PT
Für 2–3-köpfiges Engagement-Team. Bei monatlichem Pulse: 12–24 PT/Jahr.
Steuerungs-Hebel
3–5 %
Engagement-Score-Verbesserung um 1 pp korreliert mit ~3-5 % Fluktuations-Reduktion (Plausibilitäts-Schätzung). Direkter Hebel: vermiedene Fluktuations-Kosten.
Vertraulichkeit
k≥5 / k≥10
k≥5 für Cohort-Scores; k≥10 für Free-Text-Aggregate (höhere Schwelle wegen Stilometrie-Risiko).
Erkennungsrate
>95 %
NER-Lauf für Klar-Namen, Standorte, Kollegen-Bezüge in Free-Texts; Art.-9-Sensitivitäts-Filter.
So gehen Sie vor
Der Workflow Schritt für Schritt
DPIA + BR-Information vor Pulse-Auswertungs-Pipeline; Betriebsvereinbarung nach BetrVG § 87 Abs. 1 Nr. 6 vor Roll-Out.
Mensch
DSGVO Art. 35 · BetrVG § 80, § 87
Pulse-Survey-Export aus Microsoft Viva Glint / Workday Peakon / Culture Amp: Engagement-Score, Sub-Scores (Manager-Vertrauen, Karriere-Perspektive, Wohlbefinden), Cohort (Funktion × Standort), Free-Text.
Mensch + Plattform
Plattform-Datenquelle
Datenklassifikation: Aggregat-Scores + Free-Texts = Klasse A. Pseudonymisierung mit anymize.ai (Free-Text: NER-Lauf für Klarname, Standort-Klartext, Kollegen-Namen, Kunden-Namen → Platzhalter).
anymize
§ 26 BDSG · DSGVO Art. 9 (Free-Text kann sensible Daten enthalten)
k-Anonymität k≥5 für Cohort-Auswertungen; bei Free-Text-Aggregaten Cohort-Größe k≥10 (höhere Schwelle wegen Re-Identifikations-Risiko in Texten).
anymize
DSGVO Art. 5 · Hans-Böckler-Praxis (SRC-0295)
KI-Sentiment-Analyse + Topic-Clustering der Free-Texts. Kategorisierung: Manager, Karriere, Vergütung, Workload, Tools, Hybrid-Work.
GPT / Claude / Gemini in anymize
LLM-Stärke in Sprach-Verständnis
KI-Trend-Narrativ: Q-aktuell vs. Q-1, YoY, Top-3-Bewegungen, Cohort-Highlights. Hypothesen mit `HYPOTHESE:`-Präfix + `[[VALIDIERUNG ERFORDERLICH]]`.
GPT / Claude / Gemini in anymize
Trend-Erkennung · hypothesen-getrieben
CHRO + Engagement-Manager-Review: Plausibilisierung gegen interne Ereignisse (Reorganisation, Tool-Wechsel). Stichprobe 5 % Free-Texts gegen Output prüfen.
Mensch
Halluzinations-Kontrolle
BR-Vorabinformation nach § 80; Output mit BR-Sensibilitäts-Check (keine identifizierbaren Aussagen). Distribution Team-Lead nur bei n≥10.
Mensch
BetrVG § 80 · Anonymitäts-Cascade
Womit Sie arbeiten
So setzen Sie anymize konkret ein
Was anymize tut
- NER-Lauf für Free-Text: Klar-Namen, Standorte, Kollegen-Namen, Kunden-Namen, Tool-Klarnamen → Platzhalter.
- Erzwingt k≥5 für Cohort-Scores UND k≥10 für Free-Text-Aggregate (höhere Schwelle wegen Stilometrie-Risiko).
- Art.-9-Sensitivitäts-Filter: erkennt spontane Gesundheits-/Religions-/sex.-Orientierungs-Bezüge in Free-Texts → Aggregation in „Sonstiges”.
- Verarbeitung in deutschen Rechenzentren (Hetzner). AVV nach Art. 28 DSGVO.
Was Sie als Engagement-Manager tun
- DPIA + Betriebsvereinbarung BetrVG § 87 vor Roll-Out; BR-Information § 80 quartalsweise.
- Stichprobe 5 % Free-Texts gegen KI-Output prüfen (Halluzinations-Kontrolle).
- Plausibilisierung gegen interne Ereignisse (Reorganisation, Tool-Wechsel), Hypothesen validieren oder streichen.
- Distribution Team-Lead nur bei n≥10 (Anonymitäts-Cascade); keine Einzel-Antworten zitieren.
Daten-Input
Engagement-Aggregate je Cohort + Free-Texts (nach Pseudonymisierung), Klasse A. Konzern-Gesamt-Engagement-Score (Klasse B). Gallup-Engagement-Index DE (STD-0050), Branchen-Benchmark (Klasse C). Verboten: Klar-Free-Texts mit Namen, Klar-Standort-Klein-Cohorts, Klar-Klagen über Vorgesetzte.
Output-Kontrolle
Pseudonymisiertes k-anonymes Aggregat geht an die KI. Re-identifiziertes Engagement-Score-Trend-Tabelle, Topic-Cluster-Block (5–7 Themen), Top-3-Bewegungen (positiv + negativ), Hypothesen mit Validierungs-Marker und Manager-Handlungs-Empfehlungen kommen zurück.
Freigabeprozess
DPIA + Betriebsvereinbarung § 87, k-Anonymitäts-Verifikation, 5 % Free-Text-Stichprobe gegen Output, BR-Vorinformation § 80, CHRO-Freigabe.
Die KI-Anweisung
Prompt zum Kopieren
So nutzen Sie diesen Prompt:
1. DPIA + Betriebsvereinbarung § 87 vor Roll-Out.
2. Pulse-Survey-Export in anymize einfügen, NER-Lauf für Free-Texts + k≥5/k≥10-Erzwingung automatisch.
3. Diesen Prompt anhängen, „Thinking-Modus” wählen.
4. 5 % Free-Text-Stichprobe gegen Output; BR-Vorinformation § 80; CHRO-Freigabe.
# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt eine Engagement-Pulse-Trend-Analyse für
ein deutsches Unternehmen. Eingabe: pseudonymisierte Pulse-Daten (k≥5 Cohort-Scores;
k≥10 Free-Text-Aggregate) aus Microsoft Viva Glint / Workday Peakon / Culture Amp.
Free-Texts sind anonymisiert (NER-Lauf entfernt Namen, Standorte, Tool-Klarnamen,
Kollegen-Bezüge).
# Role (R)
Du agierst als Engagement-/Culture-Specialist mit Kenntnis von BetrVG § 87 Abs. 1 Nr. 6
(BAG 1 ABR 20/21), § 80, § 26 BDSG, DSGVO Art. 22, Art. 9, Art. 35. Du verstehst
Gallup-Engagement-Methodik (STD-0050: 9 % emotional gebunden in DE) und kennst die
12-Q-Fragen-Logik.
# Action (A)
1. Sentiment- und Topic-Aggregation der Free-Texts in 5–7 Themen-Cluster (Manager,
Karriere, Vergütung, Workload, Tools, Hybrid-Work, Kultur).
2. Trend-Vergleich Q-aktuell vs. Q-1, YoY (Engagement-Score, Sub-Scores).
3. Top-3-Bewegungen (positiv + negativ).
4. Cohort-Highlights (Funktion × Standort mit n≥5).
5. Hypothesen-Bildung mit `HYPOTHESE:`-Präfix und `[[VALIDIERUNG ERFORDERLICH]]`.
6. Keine Einzel-Antworten zitieren; keine identifizierbaren Aussagen über
Vorgesetzte oder Teams.
7. Manager-Handlungs-Empfehlungen Prozess-Ebene.
# Format (F)
- Engagement-Score-Trend-Tabelle | Cohort | Q-aktuell | Q-1 | YoY |.
- Topic-Cluster-Block (Bullet-Liste 5–7 Themen).
- Top-3-Bewegungen (positiv + negativ).
- Hypothesen nummeriert mit Präfix.
- Handlungs-Empfehlungen 3–5 Bullets.
# Target Audience (T)
CHRO, Engagement-Manager, HR-BP, BR. Sachlich, hypothesen-getrieben. Keine Personen-
oder Vorgesetzten-Bezüge.So sieht der Input aus
Pseudonymisierter Eingabetext
Eingabe (Microsoft Viva Glint, Q1 2026, Response-Rate 78 %):
Engagement-Score gesamt: 6,8/10 (Q4 2025: 7,1; YoY 7,3), Trend -0,3 Q-zu-Q
Gallup-Benchmark DE 2024 (STD-0050): 9 % High-Engagement (Konzern 12 %)
Sub-Scores Konzern (n=2.150):
- Manager-Vertrauen: 7,5 (-0,1)
- Karriere-Perspektive: 6,1 (-0,5)
- Vergütungs-Wahrnehmung: 5,8 (-0,3)
- Workload: 6,2 (+0,1)
- Tools/Technik: 7,2 (0)
- Hybrid-Work-Zufriedenheit: 8,1 (+0,2)
Cohort-Highlights (n≥10):
- Software-Engineering Hauptsitz: 6,4 (-0,7 Q-zu-Q)
- Customer Success: 6,2 (-0,5)
- Sales B2B: 7,2 (+0,1)
- Operations: 7,5 (0)
Free-Text-Aggregat (pseudonymisiert, k≥10, 432 Antworten):
- Topic „Karriere-Perspektive”: 89 Antworten
- Topic „Vergütung”: 71 Antworten
- Topic „Manager”: 64 Antworten
- Topic „Hybrid-Work”: 42 Antworten, überwiegend positiv
- Topic „Tools”: 38 AntwortenSo liefert anymize zurück
Der KI-Entwurf
## Engagement-Pulse Q1 2026, Trend-Analyse
### Engagement-Score-Trend
| Cohort | Q-aktuell | Q-1 | YoY | Trend |
|---|---|---|---|---|
| Konzern gesamt | 6,8 | 7,1 | 7,3 | -0,3 Q-zu-Q, -0,5 YoY |
| Software-Engineering Hauptsitz | 6,4 | 7,1 | 7,2 | -0,7 (auffällig) |
| Customer Success | 6,2 | 6,7 | 6,9 | -0,5 |
| Sales B2B | 7,2 | 7,1 | 7,0 | +0,1 (positiv) |
### Topic-Cluster (Free-Text, aggregiert)
- **Karriere-Perspektive** (89 Antworten): dominant negativ. Stichworte Beförderung,
Wachstum, Plateau.
- **Vergütung** (71 Antworten): überwiegend Markt-Vergleichs-Bezug.
- **Manager** (64 Antworten): gemischt; Feedback-Häufigkeit Schwerpunkt.
- **Hybrid-Work** (42 Antworten): überwiegend positiv.
- **Tools** (38 Antworten): überwiegend negativ um System X.
### Top-3-Bewegungen
**Negativ:**
1. Karriere-Perspektive -0,5, größte Sub-Score-Verschlechterung.
2. Software-Engineering Hauptsitz -0,7, auffällig stärker als Konzern.
3. Vergütungs-Wahrnehmung -0,3, Inflations-Bezug in Free-Texts.
### Hypothesen
1. HYPOTHESE [[VALIDIERUNG ERFORDERLICH]]: Software-Engineering Hauptsitz-Bewegung
könnte mit Q1-Reorganisation Engineering-Architecture korrelieren.
2. HYPOTHESE: Karriere-Perspektive ist konzern-weiter Treiber, nicht Engineering-
spezifisch.
### Handlungs-Empfehlungen (Prozess-Ebene)
1. Karriere-Pfade-Workshop konzern-weit Q2 2026.
2. Vergütungs-Benchmark-Update Engineering und Customer Success.
3. Engineering-Hauptsitz-Tiefen-Diagnose (Pulse-Subset, Manager-Survey).Was das HR-Recht verlangt
Pflichten und wie anymize sie abdeckt
Re-Identifikation in Free-Texts
Bei kleinen Cohorts können Free-Text-Schnipsel zur Person zurückgeführt werden. Mitigation: NER-Lauf für Klar-Namen, Standorte, Kollegen-Bezüge; Cohort-Schwelle k≥10 für Free-Text-Aggregate; keine Einzel-Antworten zitieren.
BetrVG § 87 Abs. 1 Nr. 6 (BAG 1 ABR 20/21, SRC-0257)
Engagement-Survey mit KI-Auswertung = technische Überwachungseinrichtung. Mitigation: Betriebsvereinbarung vor Roll-Out; BR-Informationsrecht laufend.
DSGVO Art. 9 (SRC-0241) bei Free-Text-Antworten
Mitarbeitende können Gesundheits-, Religions-, sex.-Orientierungs-Bezüge spontan einbringen. Mitigation: NER-Lauf mit erweitertem Art.-9-Schutz; Such-Pattern für sensible Begriffe; Aggregation in „Sonstiges”.
DSGVO Art. 22 (SRC-0240)
Keine automatischen Personalentscheidungen aus Engagement-Score. Mitigation: human-in-the-loop; Cohort-Aussagen, keine individuellen.
Halluzinations-Risiko bei Sentiment-Interpretation
LLM kann negative Sentiments überzeichnen oder Topic-Cluster erfinden. Mitigation: Stichprobe 5 % Free-Texts gegen Output prüfen; Hypothesen markieren.
Survey-Müdigkeit
Zu häufige Pulses → niedrige Response-Rate → unrepräsentativ. Mitigation: monatlich kurze Pulse (3-5 Fragen); quartalweise volle 12-Q-Befragung.
Vertrauens-Erosion bei mangelnder Anonymität
Wenn MA Anonymität anzweifeln, sinkt Survey-Wahrheits-Gehalt. Mitigation: BR-Kommunikation; Plattform-Architektur dokumentiert; jährliche Auditor-Prüfung.
Datenschutz und Vertraulichkeit
So funktioniert das mit anymize
Engagement-Survey-Daten mit Free-Text-Antworten sind hoch sensitiv (DSGVO Art. 9 möglich, wenn MA spontan Gesundheits-/Religions-Bezüge einbringen). anymize.ai-NER-Pseudonymisierung vor LLM-Sentiment-Analyse erzwingt: Klar-Namen, Standorte, Kollegen-Namen, Tool-Klarnamen werden zu Platzhaltern; Art.-9-Sensitivitäts-Filter erkennt sensible Begriffe und aggregiert in „Sonstiges”. k≥5 für Cohort-Scores und k≥10 für Free-Text-Aggregate (höhere Schwelle wegen Stilometrie-Risiko). Verarbeitung in deutschen Rechenzentren (Hetzner), AVV nach Art. 28 DSGVO. BetrVG § 87 Abs. 1 Nr. 6 (BAG 1 ABR 20/21) macht das System mitbestimmungspflichtig, Betriebsvereinbarung vor Roll-Out Pflicht; § 80 laufende BR-Information; Hans-Böckler-Datenbank (SRC-0295) BR-Praxis. DSGVO Art. 22 keine Auto-Entscheidung; DSGVO Art. 35 DPIA. EuGH C-203/22 Profiling-Transparenz bei Folge-Maßnahmen. EU AI Act Art. 26 KI-Inventar.
Was anymize konkret leistet
- NER-Lauf für Free-Text: Klar-Namen, Standorte, Kollegen-Bezüge, Tool-Klarnamen → Platzhalter.
- Erzwingt k≥5 für Cohort-Scores UND k≥10 für Free-Text-Aggregate.
- Art.-9-Sensitivitäts-Filter für spontane Gesundheits-/Religions-Bezüge.
- Verarbeitung in deutschen Rechenzentren (Hetzner).
- Alternative: Microsoft Viva Glint native AI Insights, Workday Peakon Stories, Culture Amp; DIY-Pipeline (SQL/Pandas + Azure OpenAI Frankfurt + anymize.ai-NER-Vorschaltung).
Sicherheitscheck vor der Veröffentlichung
Was anymize liefert, was Sie souverän entscheiden
Vor dem KI-Aufruf
- DPIA dokumentiert?
- Betriebsvereinbarung nach BetrVG § 87 vor Roll-Out?
- k-Anonymität k≥5 für Cohort-Scores; k≥10 für Free-Text-Aggregate?
- NER-Lauf für Klar-Namen, Standorte, Kollegen-Bezüge?
- Art.-9-Sensitivitäts-Filter (Gesundheit, Religion, etc.)?
Nach der KI-Antwort
- Hypothesen mit `HYPOTHESE:`-Präfix und Validierungs-Marker?
- Stichprobe 5 % Free-Texts gegen Output geprüft?
- Keine Einzel-Antworten zitiert; keine Personen-/Vorgesetzten-Bezüge?
- Topic-Cluster mit mindestens 5 Antworten?
Vor Distribution
- AVV mit Engagement-Plattform-Anbieter + Cloud-LLM?
- KI-Inventar nach EU AI Act Art. 26?
- BR-Vorabinformation § 80?
- Distribution Team-Lead nur bei n≥10 (Anonymitäts-Cascade)?
Typische Fehlermuster und wie anymize gegensteuert
- →KI zitiert Free-Text-Schnipsel mit Personen-Bezug, der Prompt verbietet das; 5 % Stichprobe fängt Restrisiken.
- →KI erfindet Topic-Cluster oder überzeichnet Sentiments, Stichprobe + Hypothesen-Marker.
- →KI identifiziert Manager indirekt („der eine Bereichsleiter in Berlin”), NER-Lauf + Kontext-Pattern-Erkennung.
- →KI extrapoliert von kleinen Sub-Cohorts auf gesamten Konzern, der Prompt zwingt zur Cohort-Markierung.
- →KI bezieht spontane Art.-9-Bezüge in Topic-Cluster ein, Sensitivitäts-Filter aggregiert in „Sonstiges”.
Rechtsgrundlagen
Normen, Urteile, Belege
Primärnormen: Mitbestimmung und Datenschutz
- Mitbestimmung KI-Engagement-Tool
- BR-Informationsrecht
- Beschäftigtendatenverarbeitung
- Keine Auto-Entscheidung
- Spontane Bezüge in Free-Texts
- Folgenabschätzung
Rechtsprechung
- Microsoft 365 + § 87 BetrVG
- Profiling-Transparenz bei Folge-Maßnahmen
- BR-Praxis Engagement-Surveys
Studien und Plattformen
- 9 % emotional gebunden
- 51 % Wechselbereitschaft
- 19 % KI-Adoption
- Plattform-Belege
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.