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.
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.