People Analytics und Workforce Planning
High-Potential-Identifikation datengetrieben mit BAG-8-AZR-74/25- und Mobley-v.-Workday-Bias-Check
anymize.ai pseudonymisiert MA-IDs, Manager-Namen und Funktions-Codes; k≥5 je demografische Cohort. Die KI generiert HiPo-Vorschläge auf transparenten Kriterien (Performance-Konsistenz, Skill-Adjacency, Lern-Velocity, Stakeholder-Reichweite, Mobility-Bereitschaft), „Cultural Fit” explizit ausgeschlossen. Bias-Heatmap über AGG-Dimensionen + BAG-8-AZR-74/25-Stresstest + Mobley-v.-Workday-Stresstest. Human-in-the-Loop strukturell.
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?
HiPo-Identifikation ist die brisanteste Schnittstelle von People Analytics und Talent-Management. Sie entscheidet über Beförderungs-Pipelines, Development-Investments und Nachfolgeplanung. Mit BAG 8 AZR 74/25 (SRC-0256, 120 k EUR DE-Präzedenz) und Mobley v. Workday (SRC-0269, US-Sammelklage-Zertifizierung Mai 2025, 200+ Mio USD Risiko) ist die algorithmische Diskriminierung in HR-Entscheidungen ein justiziabler Tatbestand geworden. Bias-Check ist nicht optional.
Für wen passt das?
Zielgruppe und Kontext
- Rolle
- Talent-Management-Lead (operativ), People-Analytics-Lead (Modell), HR-BP Senior, CHRO (Governance), DSB HR (DPIA), BR (§ 94).
- Seniorität
- Senior, BAG-/EuGH-Sensitivität + DPIA-Pflicht.
- Unternehmensgröße
- Konzern und gehobener Mittelstand mit Talent-Review-Prozess; KMU < 250 MA nur mit dezidierter Vorsicht.
- Spezifische Kontexte
- Talent-Review-Zyklus jährlich (9-Box); Nachfolgeplanung (UC-M-HR-020); High-Potential-Programme (Sponsoring, Stretch-Assignments).
Die Situation in der Personalabteilung
So bringen Sie Tempo und Sorgfalt zusammen
HiPo-Listen entstehen typisch im jährlichen Talent-Review aus subjektiven Manager-Einschätzungen (9-Box-Matrix: Performance × Potential). Systematische Bias-Muster (Bersin 2024, SRC-0290; DGI 2025, SRC-0297): Alters-Bias (HiPos überproportional <40 Jahre), Gender-Bias (Frauen seltener in Top-Right; Elternzeit als „Potential-Pause” interpretiert), Visibility-Bias, Schwerbehinderten-Bias. BAG 8 AZR 74/25 (27.03.2026) hat erstmals 120.000 EUR Entschädigung wegen algorithmischer Altersdiskriminierung zugesprochen. Mobley v. Workday (USA, Sammelklage-Zertifizierung Mai 2025) ist wegweisende Sammelklage zu algorithmischer Diskriminierung in HR-Tools (200+ Mio USD-Forderungen). anymize.ai pseudonymisiert MA-IDs, Manager-Namen und Funktions-Codes; k≥5 je AGG-Dimension. Transparente Kriterien dokumentiert (EuGH C-203/22 Dun & Bradstreet); „Cultural Fit” explizit ausgeschlossen. Human-in-the-Loop strukturell: KI-Vorschlag ist Diskussions-Grundlage, NIEMALS finale Entscheidung.
Was Sie davon haben
Zeit, Wert, Vertraulichkeit
Zeitersparnis pro Talent-Review-Zyklus
1–3 PT
HiPo-Quality ex post über 3–5 Jahre validierbar.
Risiko-Hebel
120 k EUR + 200 Mio USD
BAG 8 AZR 74/25: 120 k EUR pro Klage in DE. Mobley v. Workday: 200+ Mio USD US-Sammelklage-Risiko. EU-AI-Act-Bußgeld bis 35 Mio EUR / 7 % Konzernumsatz.
Vertraulichkeit
MA + Manager
anymize.ai pseudonymisiert MA-IDs UND Manager-Namen; k≥5 je AGG-Dimension.
Erkennungsrate
>95 %
Transparente Kriterien dokumentiert; „Cultural Fit” technisch ausgeschlossen; quartalsweise Bias-Audit.
So gehen Sie vor
Der Workflow Schritt für Schritt
DPIA für HiPo-Modell; BR-Anhörung BetrVG § 94 (Beurteilungsgrundsätze); ggf. § 87 Abs. 1 Nr. 6.
Mensch (DSB + BR)
DSGVO Art. 35 · Mitbestimmung
HiPo-Kriterien definieren + dokumentieren (EuGH C-203/22 Transparenz): Performance-Konsistenz, Skill-Adjacency, Lern-Velocity, Stakeholder-Beziehungen, keine „Cultural Fit”-Vagheiten.
Mensch
Diskriminierungsschutz
Datenextraktion HRIS: 9-Box-Daten, Performance-Trend 3 Jahre, Skill-Profile, Trainings-Historie, Mobility-Bewegungen.
Mensch (mit System)
Datenbasis
Datenklassifikation: Individuelle HiPo-Bewertung = Klasse A; aggregierte Demografie = Klasse C. Pseudonymisierung: MA-IDs, Manager-Namen, Funktions-Codes.
Mensch + anymize
§ 26 BDSG · DSGVO Art. 28
k-Anonymitäts-Check je demografisches Cluster (k≥5).
Mensch + anymize
Re-Identifikationsschutz
KI-gestützter HiPo-Vorschlag: basierend auf transparenten Kriterien; Bias-Marker je AGG-Dimension.
GPT / Claude / Gemini in anymize
Geschwindigkeit
Bias-Audit (Pflichtschritt): 4/5-Rule auf HiPo-Quote je AGG-Dimension; Adverse-Impact-Findings dokumentieren. BAG-8-AZR-74/25- + Mobley-v.-Workday-Stresstest.
Mensch
AGG · BAG 8 AZR 74/25 · Mobley v. Workday
Human-in-the-Loop: KI-Vorschlag ist Diskussions-Grundlage, NIEMALS finale Entscheidung. Talent-Review-Panel mit Vier-Augen-Prinzip.
Mensch
DSGVO Art. 22 · EuGH SCHUFA
Transparenz: Betroffene Mitarbeitende auf Anfrage über Bewertung informieren (EuGH C-203/22). BR-Sign-off + revisionssichere Ablage; EU-AI-Act-Logging (Art. 26).
Mensch + System
EuGH-Transparenz · Mitbestimmung · Aufsicht
Womit Sie arbeiten
So setzen Sie anymize konkret ein
Was anymize tut
- Pseudonymisiert MA-IDs, Manager-Namen, Funktions-Codes vor LLM-Übergabe.
- Erzwingt k≥5 je AGG-Dimension; bei kleinen Cohorts Aggregation.
- Bias-Audit-Heatmap-Vorlage: 4/5-Rule auf Alter, Geschlecht, Elternzeit, Schwerbehinderung.
- Verarbeitung in deutschen Rechenzentren (Hetzner). AVV nach Art. 28 DSGVO.
Was Sie als Talent-Management-Lead tun
- DPIA + DSB-Sign-off; BR-Anhörung BetrVG § 94 + § 87 Abs. 1 Nr. 6 abschließen.
- Transparente Kriterien dokumentieren (EuGH C-203/22); „Cultural Fit” als Kriterium explizit ausschließen.
- BAG-8-AZR-74/25-Stresstest + Mobley-v.-Workday-Stresstest dokumentieren.
- Human-in-the-Loop verifizieren: KI-Vorschlag ≠ Entscheidung; Talent-Review-Panel mit Vier-Augen-Prinzip.
Daten-Input
Pseudonymisierte 9-Box-Daten, Performance-Trend (3 Jahre), Skill-Profile, Mobility-Daten, Trainings-Historie. Individuelle HiPo-Bewertung = Klasse A; aggregierte Demografie-Heatmap = Klasse C.
Output-Kontrolle
Pseudonymisiertes Aggregat geht an die KI. Re-identifizierte HiPo-Kriterien-Liste, HiPo-Vorschlag-Tabelle (Cluster × Kriterium-Begründung), Bias-Heatmap (4/5-Rule je AGG-Dimension), BAG-/Mobley-Stresstest, DSGVO-Art.-22-Hardening-Zeile und Transparenz-Begründungen kommen zurück.
Freigabeprozess
DPIA + DSB-Sign-off, BR-Anhörung § 94 + § 87, transparente Kriterien dokumentiert, „Cultural Fit” ausgeschlossen, Bias-Audit + Stresstest, Human-in-the-Loop verifiziert, EU-AI-Act-Logging 6 Monate.
Die KI-Anweisung
Prompt zum Kopieren
So nutzen Sie diesen Prompt:
1. DPIA + BR-Anhörung § 94 + § 87 VOR Roll-Out.
2. Talent-Review-Daten in anymize einfügen, Pseudonymisierung + k≥5 automatisch.
3. Diesen Prompt anhängen, „Thinking-Modus” wählen.
4. 4/5-Rule-Verifikation; BAG-8-AZR-74/25- + Mobley-v.-Workday-Stresstest; „Cultural Fit” untersagen; Human-in-the-Loop strukturell.
# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt die HiPo-Vorschlag-Aufbereitung für ein deutsches Unternehmen mit BetrVG-Mitbestimmung. Der Input ist pseudonymisiert: MA-IDs, Manager-Namen und Funktions-Codes durch [[Kategorie-Hash]]-Platzhalter. Demografische Self-Disclosure k-anonym aggregiert.
# Role (R)
Du agierst als Talent-Management-Lead mit People-Analytics-Kompetenz, AGG-/BAG-/EuGH-Sensibilität und Bias-Audit-Methodik. Du kennst AGG §§ 1, 3, 7 (SRC-0217), BAG 8 AZR 74/25 (SRC-0256, 120 k EUR Altersdiskriminierung), Mobley v. Workday (SRC-0269, US-Sammelklage), EuGH C-203/22 Dun & Bradstreet (SRC-0267), DSGVO Art. 22 (SRC-0240), BetrVG § 87 Abs. 1 Nr. 6 + § 94.
# Action (A)
1. HiPo-Kriterien zitieren: Performance-Konsistenz (3 Jahre), Skill-Adjacency, Lern-Velocity, Stakeholder-Beziehungen, KEINE "Cultural Fit"-Vagheiten.
2. HiPo-Vorschlag je MA: kurze Begründung pro Kriterium; keine "Bauchgefühl"-Empfehlungen.
3. **Bias-Check je AGG-Dimension** (4/5-Rule): HiPo-Quote Minderheit / HiPo-Quote Mehrheit; Adverse-Impact-Findings rot markieren.
4. **BAG-8-AZR-74/25-Stresstest**: Würde der Vorschlag bei der Klage standhalten?
5. **Mobley-v.-Workday-Stresstest**: Würden die Kriterien bei US-Sammelklage standhalten?
6. **DSGVO-Art.-22-Hardening**: Vorschlag ist NIEMALS finale Entscheidung; als Talent-Review-Diskussions-Grundlage kennzeichnen.
7. **Transparenz**: jedem HiPo-Vorschlag eine in 2–3 Sätzen erklärbare Begründung beifügen (EuGH C-203/22).
8. Kennzeichnung: jede Aussage mit [HRIS], [Manager-Input] oder [Self-Assessment] taggen.
# Format (F)
- HiPo-Kriterien-Liste (5 Kriterien)
- HiPo-Vorschlag-Tabelle
- Bias-Heatmap (4/5-Rule je AGG-Dimension)
- BAG-/Mobley-Stresstest-Zeile
- DSGVO-Art.-22-Hardening-Zeile
# Target Audience (T)
Talent-Review-Panel (CHRO + Funktions-Verantwortliche). Strukturierte Vorschläge, AGG-bewusst, BAG-Stresstest bestanden.So sieht der Input aus
Pseudonymisierter Eingabetext
Talent-Review 2026, Funktionsfamilie [[Funktion-Engineering-b2e7]]
Gesamt-Cluster: 218 Engineers (Senior)
Demografie HiPo-Pool (32 MA, High Potential):
- Alter <30: 14 (44 %); 30–40: 12 (38 %); 40–50: 4 (12 %); >50: 2 (6 %)
- Geschlecht: m 24 (75 %), w 7 (22 %), divers 1
- Elternzeit letzte 5 Jahre: 3 (9 %)
- Schwerbehindert: 1 (3 %)
Gesamtcluster-Demografie 218 MA:
- Alter <30: 62 (28 %); 30–40: 92 (42 %); 40–50: 48 (22 %); >50: 16 (7 %)
- Geschlecht: m 152 (70 %), w 62 (28 %), divers 4 (2 %)
- Elternzeit letzte 5 Jahre: 38 (17 %)
- Schwerbehindert: 8 (4 %)
Kriterien-Daten:
- Performance-Trend 3 J [HRIS]
- Skill-Adjacency aus Skills Cloud Workday [HRIS]
- Lern-Velocity (Trainings + Self-Initiated) [HRIS]
- Stakeholder-Beziehungen (360°-Feedback) [Manager-Input]
Ziel-Rolle Pipeline: Engineering Manager + Staff Engineer (12 offene Slots in 24 Monaten).So liefert anymize zurück
Der KI-Entwurf
## HiPo-Identifikation Talent-Review 2026, [[Funktion-Engineering-b2e7]]
### Transparente Kriterien (EuGH C-203/22)
1. **Performance-Konsistenz** (3 Jahre, oberhalb Median oder steigend).
2. **Skill-Adjacency** zur Ziel-Rolle.
3. **Lern-Velocity** (≥6 Trainings/J + Self-Initiated >40 h/J).
4. **Stakeholder-Reichweite** (positives 360°-Feedback aus 3+ Funktionen).
5. **Mobility-Bereitschaft** (Self-Assessment).
**Cultural Fit explizit ausgeschlossen**, AGG-Risiko.
### Bias-Heatmap (4/5-Rule, 0,80-Schwelle)
| Dimension | HiPo-Quote | Quote Mehrheit | Verhältnis | Status |
|---|---|---|---|---|
| Alter >50 vs. <40 | 12,5 % | 16,7 % | 0,75 | **Rot** |
| Alter 40–50 vs. <40 | 8,3 % | 16,7 % | 0,50 | **Rot** |
| Geschlecht w vs. m | 11,3 % | 15,8 % | 0,71 | **Rot** |
| Elternzeit-MA vs. ohne | 7,9 % | 16,1 % | 0,49 | **Rot** |
**Vier Rot-Findings.** Adverse-Impact dokumentiert; Audit-trail Pflicht.
### BAG-8-AZR-74/25-Stresstest
Alters-Quote >50 = 0,75 → unter 4/5-Schwelle. Würde in BAG-Klage-Szenario Beweislastumkehr (§ 22 AGG) auslösen. **Empfehlung**: Audit der >50-MA-Performance-Daten; mindestens 2 weitere >50-HiPos prüfen.
### Mobley-v.-Workday-Stresstest
Mehrere AGG-Dimensionen unter 4/5-Schwelle. In US-Sammelklage-Konstellation klagebehaftet.
### DSGVO-Art.-22-Hardening
Diese Liste ist Talent-Review-Diskussions-Grundlage; **kein finaler HiPo-Entscheid**. Finale Entscheidungen erfolgen im menschlichen Panel mit Vier-Augen-Prinzip.
### Empfehlungen Talent-Review-Panel
1. **Liste nicht ungeprüft annehmen**, vier AGG-Rot-Findings.
2. **Audit-Stichprobe** 10 nicht-HiPo-Frauen + 10 nicht-HiPo->50: übersehene Kandidat:innen.
3. **Elternzeit-Korrektur**: Performance-Trend pro tatsächliche Arbeits-Quartale.
4. **EU-AI-Act-Logging**: Talent-Review-Tool-Run dokumentieren (Art. 26).Was das HR-Recht verlangt
Pflichten und wie anymize sie abdeckt
AGG §§ 1, 3, 7 (SRC-0217) + § 22 Beweislastumkehr
Diskriminierungsverbot in Beförderung; § 22 Beweislastumkehr.
BAG 8 AZR 74/25 (27.03.2026, SRC-0256)
120.000 EUR Entschädigung; algorithmische Altersdiskriminierung justiziabel.
Mobley v. Workday (US, Sammelklage Mai 2025, SRC-0269)
Sammelklage-Zertifizierung gegen Workday wegen algorithmischer Altersdiskriminierung.
DSGVO Art. 22 (SRC-0240) + EuGH C-634/21 SCHUFA (SRC-0266)
HiPo-Liste mit Beförderungseinfluss = automatisierte Einzelfallentscheidung; muss human-in-the-loop sein.
EuGH C-203/22 Dun & Bradstreet (SRC-0267)
Transparenz-Pflicht für Scoring-Logik.
BetrVG § 87 + § 94 (SRC-0211, SRC-0227, SRC-0257)
HiPo-Tool = technische Einrichtung; § 94 Beurteilungsgrundsätze.
EU AI Act Annex III Nr. 4 (SRC-0231) + Art. 26
HR-Tools mit Beförderungseinfluss = Hochrisiko.
DSGVO Art. 35 DPIA (SRC-0243)
DPIA zwingend; § 26 BDSG.
Datenschutz und Vertraulichkeit
So funktioniert das mit anymize
HiPo-Identifikation ist die brisanteste Schnittstelle von People Analytics und Talent-Management. Rechtsgrundlage Art. 6 Abs. 1 lit. f DSGVO + § 26 BDSG. Art. 28 DSGVO AVV. Art. 35 DPIA zwingend; DSB-Sign-off. AGG §§ 1, 3, 7 + BAG 8 AZR 74/25 (120 k EUR DE-Präzedenz) + Mobley v. Workday (US-Sammelklage 200+ Mio USD) als Klagerisiko. DSGVO Art. 22 + EuGH C-634/21 SCHUFA + EuGH C-203/22 Dun & Bradstreet als Leitplanken; HiPo-Liste muss human-in-the-loop sein. BetrVG § 87 Abs. 1 Nr. 6 + § 94 Beurteilungsgrundsätze; BAG 1 ABR 20/21. EU AI Act Annex III Nr. 4 Hochrisiko; Art. 26 Logging 6 Monate. anymize.ai pseudonymisiert MA-IDs + Manager-Namen + Funktions-Codes; k≥5 je AGG-Dimension. Transparente Kriterien dokumentiert; „Cultural Fit” explizit ausgeschlossen, vager Reject-Grund mit AGG-Risiko.
Was anymize konkret leistet
- Pseudonymisiert MA-IDs, Manager-Namen, Funktions-Codes.
- Erzwingt k≥5 je AGG-Dimension.
- Bias-Audit-Heatmap-Vorlage (4/5-Rule) + BAG-/Mobley-Stresstest.
- Verarbeitung in deutschen Rechenzentren (Hetzner).
- Alternative: Workday Talent Optimization mit eigenem Bias-Audit-Modul, SAP SuccessFactors Talent, Visier Vee Talent Module, OneTrust für DPIA-Workflow.
Sicherheitscheck vor der Veröffentlichung
Was anymize liefert, was Sie souverän entscheiden
Vor Pilot
- DPIA dokumentiert + DSB-Sign-off?
- BR-Anhörung BetrVG § 94 + § 87 Abs. 1 Nr. 6 abgeschlossen?
- Transparente Kriterien dokumentiert (EuGH C-203/22)?
- „Cultural Fit” als Kriterium explizit ausgeschlossen?
Bei jedem Talent-Review
- k-Anonymität (k≥5) je AGG-Dimension?
- 4/5-Rule auf alle AGG-Dimensionen angewandt?
- BAG-8-AZR-74/25-Stresstest dokumentiert?
- Mobley-v.-Workday-Stresstest dokumentiert?
Vor Talent-Review-Panel
- Human-in-the-Loop verifiziert (KI-Vorschlag ≠ Entscheidung)?
- EU-AI-Act-Logging (Art. 26) 6 Monate?
- Betroffenenrechte vorbereitet (Auskunft, Berichtigung)?
- Transparenz-Begründungen je MA (2–3 Sätze)?
Typische Fehlermuster und wie anymize gegensteuert
- →KI verwendet „Cultural Fit” oder ähnliche Vagheiten, Variable-Whitelist + Prompt-Verbot.
- →KI gibt deterministische HiPo-Entscheidungen, DSGVO-Art.-22-Hardening + Talent-Review-Panel-Hinweis.
- →KI ignoriert Elternzeit-Bias (Karenz als Performance-Lücke gewertet), Bias-Heatmap fängt das ab.
- →KI generiert nicht-erklärbare HiPo-Vorschläge, EuGH-C-203/22-Transparenz-Pflicht zwingt zu Begründungen.
- →KI vergisst Stresstest gegen BAG-8-AZR-74/25 / Mobley-v.-Workday, der Prompt erzwingt explizit.
Rechtsgrundlagen
Normen, Urteile, Belege
Primärnormen: AGG und EU AI Act
- Diskriminierungsverbot Beförderung
- HR-Tools mit Beförderungseinfluss Hochrisiko
- Verbot automatisierter Einzelfall-Entscheidung
- Folgenabschätzung zwingend
- Mitbestimmung
- Beurteilungsgrundsätze
- Personenbezug
Rechtsprechung (DE + US-Präzedenzen)
- 120.000 EUR Altersdiskriminierung; 27.03.2026
- US-Sammelklage-Zertifizierung Mai 2025; 200+ Mio USD
- Microsoft 365 + § 87 BetrVG
- Score-Erstellen kann Art.-22 sein
- Transparenz-Pflicht
Studien
- HiPo-Bias-Muster
- 72 % der Talent-Reviews ohne strukturierten Bias-Check
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.