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.
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.