People Analytics und Workforce Planning
Krankenstand-Analyse mit BEM-Trigger nach § 167 SGB IX und DSGVO Art. 9
Strikte Regel: KI verarbeitet niemals Klar-Diagnosen, niemals ICD-10. anymize.ai erzwingt Variable-Whitelist (nur aggregierte AU-Tage), k≥5 + l-Diversity bei Schwerbehinderten-Querbezug, NER-Lauf für Free-Text-Bemerkungen. Die KI generiert Aggregat-Trends, Auffälligkeits-Detection und BGM-Maßnahmen-Empfehlungen. BEM-Trigger nach § 167 Abs. 2 SGB IX (> 6 Wochen AU/Jahr) erfolgt STRIKT regelbasiert in HRIS, nicht KI.
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.
Sondergruppe
Höchstes Datenschutz-Risiko im People-Analytics-Bereich (DSGVO Art. 9)
Krankenstand-Daten sind besondere Personenkategorien nach DSGVO Art. 9, Verarbeitung strikt eingeschränkt; Art.-9-Verstoß = 6-7-stellige Bußgelder. Strikte Regel: KI verarbeitet niemals Klar-Diagnosen, niemals ICD-10. § 167 Abs. 2 SGB IX BEM-Verfahren ist strikt regelbasiert in HRIS, NICHT KI-Job. SBV-Beteiligung bei Schwerbehinderten-Querbezug; DPIA + BR-Vereinbarung Pflicht vor Pipeline-Roll-Out.
Anwendungsbereich
Worum geht es hier?
Krankenstand ist eine zentrale People-Analytics-Steuerungs-Größe und gleichzeitig der datenschutz-empfindlichste Datentyp (DSGVO Art. 9, Gesundheits-Daten). Dieser UC vertieft den Master-UC-M-HR-016 (AU-Bescheinigung) um den People-Analytics-Aggregations-Pfad mit BEM-Trigger nach § 167 SGB IX (gesetzliche Eingliederungs-Pflicht). BKK Gesundheitsreport 2024 (STD-0051): Krankenstand DE > 6 %, historisches Hoch.
Für wen passt das?
Zielgruppe und Kontext
- Rolle
- People-Analytics-Lead, BGM-Lead, HR-BP, Schwerbehindertenvertretung (SBV), DSB HR, Betriebsärztlicher Dienst.
- Seniorität
- Senior, Gesundheits-Daten = DSGVO Art. 9, höchste Sensibilität.
- Unternehmensgröße
- Konzern, gehobener Mittelstand mit BGM-Struktur, KMU > 250 MA mit BR.
- Spezifische Kontexte
- Branchen mit hohem AU-Risiko (Pflege, Bau, Industrie); Standorte mit auffälliger AU-Quote; Restrukturierungs-Phasen mit psychischen Belastungs-Indikatoren.
Die Situation in der Personalabteilung
So bringen Sie Tempo und Sorgfalt zusammen
BKK Gesundheitsreport 2024 (STD-0051): durchschnittlicher Krankenstand DE > 6 % 2023/2024, historisches Hoch; psychische Erkrankungen mit > 20 % Anteil und steigend. § 167 Abs. 2 SGB IX (SRC-0294): BEM-Pflicht bei > 6 Wochen AU/Jahr. Höchstes Datenschutz-Risiko-Level: DSGVO Art. 9 (Gesundheitsdaten = besondere Kategorien), Verarbeitung strikt eingeschränkt; § 26 BDSG enge Auslegung; BetrVG § 87 Abs. 1 Nr. 6 + Nr. 7 (Gesundheitsschutz); DSGVO Art. 22 (keine Auto-Personalentscheidungen aus Krankenstand); DSGVO Art. 35 DPIA zwingend; EU AI Act Annex III Nr. 4 bei Personalentscheidungs-Kopplung. Strikte Regel: KI verarbeitet niemals Klar-Diagnosen, niemals ICD-10. anymize.ai erzwingt Variable-Whitelist (nur aggregierte AU-Tage; keine ICD-10, kein Krankheits-Klartext); k≥5 + l-Diversity bei Schwerbehinderten-Querbezug; NER-Lauf für Free-Text-Bemerkungen. BEM-Trigger erfolgt STRIKT regelbasiert in HRIS, NICHT durch KI.
Was Sie davon haben
Zeit, Wert, Vertraulichkeit
Zeitersparnis pro Monatsbericht
2–4 PT
Primär Risiko-Hebel über frühzeitige BEM-Trigger; weniger Zeitersparnis als Risiko-Mitigation.
Kosten-Hebel
0,5–1,5 %
Krankenstand-Kosten 3–6 % der Lohnkosten. Früh-BEM kann 10–20 % der Langzeit-AU-Fälle abwenden; realistisch 0,5–1,5 % Personalkosten-Hebel.
Risiko-Hebel
6–7-stellig
Höchstes Datenschutz-Risiko im People-Analytics-Bereich. Art.-9-Verstoß = 6-7-stellige Bußgelder. BR-Eskalation bei mangelnder Anonymität; AGG-Klagerisiko.
Erkennungsrate
>95 %
Variable-Whitelist erzwingt Diagnose-/ICD-10-Ausschluss; NER-Lauf für Free-Text-Bemerkungen; k≥5 + l-Diversity.
So gehen Sie vor
Der Workflow Schritt für Schritt
DPIA + BR-Vereinbarung + SBV-Beteiligung vor Pipeline-Roll-Out.
Mensch (DSB+HR+BR+SBV)
DSGVO Art. 35 · BetrVG § 87 · SGB IX § 167
HRIS-Export AU-Tage je Cohort × Monat (Funktion, Standort, Tenure-Bucket, Alter-Bucket, Schwerbehinderten-Status). Keine Diagnosen, keine ICD-10.
Mensch
DSGVO Art. 9 · § 26 BDSG
Datenklassifikation: AU-Aggregate Klasse A; Schwerbehinderten-Status + Art.-9-Querbezüge erfordern höchste Sorgfalt.
Mensch
DSGVO Art. 9
k-Anonymität k≥5 + l-Diversity bei sensiblen Attributen. NER-Lauf falls Free-Text-Bemerkungen.
anymize
DSGVO Art. 5, 9
KI-Aggregation: Krankenstand-Quote je Cohort × Monat; Trend 12M; Auffälligkeits-Detection (Standort mit Δ > 1,5 σ).
GPT / Claude / Gemini in anymize
Trend-Erkennung
BEM-Trigger-Detection separat von KI: regelbasiert in HRIS, Liste der MA mit > 6 Wochen AU im Jahr (≠ KI-Job). Strikte Trennung.
Mensch + Regel-Engine
§ 167 SGB IX (SRC-0294) · strikte Trennung
KI-Narrativ für BGM-Steuerung: Aggregations-Trends; Hypothesen für Standort-/Funktions-Auffälligkeiten. Keine individuellen Aussagen.
GPT / Claude / Gemini in anymize
LLM-Stärke aggregiert
BGM-/Betriebsärztlicher-Dienst-Review: Plausibilisierung gegen ärztliche Kontextkenntnis (ohne Diagnose-Klartext an KI). BEM-Verfahren-Einleitung separat in Hoheit BEM-Team, ohne KI-gestützte Score-Bildung.
Mensch (BEM-Team)
Medizinische Sorgfalt · § 167 SGB IX
BR-Vorabinformation; Bericht-Distribution nur an autorisierten Personenkreis (BGM, CHRO, SBV bei Schwerbehinderten-Quote).
Mensch
BetrVG § 80 · § 87 Nr. 7
Womit Sie arbeiten
So setzen Sie anymize konkret ein
Was anymize tut
- Variable-Whitelist: keine Diagnosen, keine ICD-10, kein Krankheits-Klartext, technisch erzwungen.
- Erzwingt k≥5 für AU-Cohorts; bei Schwerbehinderten-Querbezug l-Diversity l≥2.
- NER-Lauf für Free-Text-Bemerkungen: Klar-Namen, Standorte, Krankheits-Bezüge → Platzhalter.
- Verarbeitung in deutschen Rechenzentren (Hetzner). AVV nach Art. 28 DSGVO.
Was Sie als BGM-Lead tun
- DPIA + BR-Vereinbarung + SBV-Beteiligung vor Roll-Out; jährliche Re-Validierung.
- Variable-Whitelist mit DSB validieren: nur aggregierte AU-Tage; keine ICD-10.
- BEM-Trigger STRIKT regelbasiert in HRIS, niemals KI-Score-basiert; BEM-Verfahren in Hoheit BEM-Team.
- Distribution nur an autorisierte Personen (BGM, CHRO, BR, SBV bei Schwerbehinderten-Quote).
Daten-Input
Aggregierte AU-Tage je Cohort × Monat (Funktion, Standort, Tenure-Bucket, Alter-Bucket, Schwerbehinderten-Status), Klasse A. BKK-Gesundheitsreport-Branchen-Benchmark (Klasse B). Statistisches Bundesamt Krankenstand-Daten (Klasse C). Strikt verboten: ICD-10-Codes, Diagnosen, Krankheitsklartext, individuelle AU-Listen mit Klar-IDs.
Output-Kontrolle
Pseudonymisiertes k-anonymes Aggregat geht an die KI. Re-identifizierter Krankenstand-Trend-Tabelle, Auffälligkeits-Block (Cohorts mit Δ > 1,5 σ), Hypothesen (ohne Diagnose-Spekulation), Branchen-Benchmark-Vergleich und BGM-Maßnahmen-Empfehlungen (Prozess-Ebene) kommen zurück.
Freigabeprozess
DPIA + BR-Vereinbarung + SBV-Beteiligung, Variable-Whitelist-Verifikation, BEM-Trigger separat in HRIS, BGM + Betriebsärztlicher Dienst-Review, autorisierter Distribution-Kreis.
Die KI-Anweisung
Prompt zum Kopieren
So nutzen Sie diesen Prompt:
1. DPIA + BR-Vereinbarung + SBV-Beteiligung MÜSSEN vor Pipeline-Roll-Out vorliegen.
2. Aggregierte AU-Tage (NIEMALS Diagnosen/ICD-10) in anymize einfügen, Variable-Whitelist erzwingt Ausschluss.
3. Diesen Prompt anhängen, „Thinking-Modus” wählen.
4. BEM-Trigger SEPARAT regelbasiert in HRIS, niemals KI; BEM-Verfahren in Hoheit BEM-Team.
# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt eine aggregierte Krankenstand-Analyse
für ein deutsches Unternehmen. Eingabe: **ausschließlich aggregierte AU-Tage je
Cohort × Monat** (k≥5; l-Diversity l≥2 bei Schwerbehinderten-Querbezug). **Keine**
Diagnosen, **keine** ICD-10, **keine** individuellen Krankheitsdaten, alle wären
DSGVO-Art.-9-Verstöße.
# Role (R)
Du agierst als BGM-Specialist mit Kenntnis von DSGVO Art. 9 (besondere Kategorien),
§ 167 Abs. 2 SGB IX (BEM-Pflicht), BetrVG § 87 Abs. 1 Nr. 6 + 7 (Mitbestimmung
Gesundheitsschutz), § 26 BDSG, DSGVO Art. 22 (keine Auto-Entscheidung), Art. 35 DPIA.
# Action (A)
1. Krankenstand-Quote je Cohort × Monat; 12M-Trend.
2. Standort-/Funktions-Auffälligkeits-Detection (Δ > 1,5 σ vom Konzernschnitt).
3. Hypothesen-Bildung für Auffälligkeiten (z.B. Workload, Schichtarbeit, Standort-
Kontext), **niemals** auf individueller Ebene; **keine** Diagnose-Hypothesen.
4. Vergleich mit BKK-Gesundheitsreport-Branchen-Benchmark (STD-0051).
5. BGM-Maßnahmen-Empfehlungen Prozess-Ebene (Bewegungs-Programme, Stress-Prävention,
Schichtmodell-Review). **Keine** individuellen BEM-Empfehlungen.
6. Schwerbehinderten-Quote-Hinweis bei Schwellen-Erreichung (5 % nach § 154 SGB IX).
7. Markiere Unsicherheiten; Hypothesen mit `HYPOTHESE:`-Präfix.
# Format (F)
- Krankenstand-Trend-Tabelle | Cohort | Monat | Quote | 12M-Avg | Δ |.
- Auffälligkeits-Block (Cohorts mit Δ > 1,5 σ).
- Hypothesen nummeriert.
- Branchen-Benchmark-Vergleich.
- Maßnahmen-Empfehlungen Bullet-Liste.
- Unsicherheits-Block.
# Target Audience (T)
BGM-Lead, CHRO, HR-BP, BR, SBV. Sachlich, datenbasiert, hypothesen-getrieben. Keine
medizinischen Aussagen; keine individuellen Personen-Bezüge. Streng Aggregat-Ebene.So sieht der Input aus
Pseudonymisierter Eingabetext
Eingabe (aggregiert, k≥5, l-Diversity l≥2, KEINE Diagnosen):
Krankenstand-Quote Konzern Q1 2026: 7,8 % (Vorjahr 7,2 %; +0,6 pp YoY)
BKK-Branchen-Benchmark Industrie 2024 (STD-0051): 7,1 %
Nach Funktion:
- Operations (Schicht): 9,2 % (n=425; +1,1 pp YoY)
- Pflege/Service: 11,4 % (n=88; +0,8 pp)
- Engineering: 4,8 % (n=320; +0,3 pp)
- Customer Success: 6,2 % (n=145; +0,5 pp)
- HR/Admin: 4,1 % (n=88)
Nach Standort:
- Hauptsitz: 6,8 % (n=612)
- Berlin: 8,9 % (n=144), auffällig
- Standort X (Produktion): 11,2 % (n=110), auffällig
Nach Schwerbehinderten-Status (l-Diversity ok):
- Nicht-schwerbehindert: 7,4 %
- Schwerbehindert: 12,8 % (n=48), erhöht
BEM-Trigger (separat in HRIS-Regel-Engine, NICHT KI):
- Anzahl MA mit > 6 Wochen AU im laufenden Jahr: 38 (Pflicht-BEM-Einladung).So liefert anymize zurück
Der KI-Entwurf
## Krankenstand-Bericht Q1 2026, Aggregat-Analyse
### Konzern-Trend
Krankenstand-Quote Q1 2026: 7,8 % (Vorjahr 7,2 %; +0,6 pp YoY). Konzern liegt über
BKK-Branchen-Benchmark Industrie (7,1 %, STD-0051).
### Auffälligkeits-Detection
| Cohort | Quote | Konzern-Δ | Status |
|---|---|---|---|
| Pflege/Service | 11,4 % | +3,6 pp | auffällig |
| Standort X (Produktion) | 11,2 % | +3,4 pp | auffällig |
| Operations Schicht | 9,2 % | +1,4 pp | erhöht |
| Schwerbehinderten-Cohort | 12,8 % | +5,0 pp | erhöht (n=48) |
### Hypothesen
1. HYPOTHESE [[VALIDIERUNG ERFORDERLICH]]: Schichtarbeit + körperliche Belastung in
Operations und Standort X als Treiber.
2. HYPOTHESE [[VALIDIERUNG ERFORDERLICH]]: Standort Berlin ohne offensichtlichen
strukturellen Faktor, Workload-/Engagement-Check empfohlen (Querbezug UC-V-HR-ANA-008).
3. HYPOTHESE: Schwerbehinderten-Cohort-Quote 12,8 % korreliert mit Alter-Verteilung.
### Maßnahmen-Empfehlungen (Prozess-Ebene)
1. Standort X / Operations: Schichtmodell-Review + Ergonomie-Audit; betriebsärztlich begleitet.
2. Pflege/Service: BGM-Stress-Präventions-Programm; Workload-Analyse.
3. Standort Berlin: BGM-Standort-Workshop Q2 2026.
4. Schwerbehinderten-Cohort: Inklusions-Arbeitsplatz-Review mit SBV.
### Unsicherheits-Block
- Hypothesen basieren auf Aggregat-Mustern, **nicht** auf medizinischen Daten.
- **Hinweis**: BEM-Trigger werden separat in HRIS-Regel-Engine erkannt
(§ 167 SGB IX), nicht von KI. Individuelle BEM-Verfahren sind ausschließlich
Sache des BEM-Teams.Was das HR-Recht verlangt
Pflichten und wie anymize sie abdeckt
DSGVO Art. 9 (SRC-0241), Gesundheitsdaten besondere Kategorien
Verarbeitung strikt eingeschränkt; Verstoß = 6-7-stellige Bußgelder. Mitigation: KI verarbeitet niemals Diagnosen/ICD-10; Variable-Whitelist; NER-Lauf für Free-Text.
§ 167 SGB IX (SRC-0294), BEM-Trigger strikt separat
BEM-Verfahren ist gesetzlich rigide; keine KI-Score-Bildung; keine KI-Empfehlung zu individuellen BEM-Einladungen. Mitigation: regelbasierte Erkennung in HRIS; KI nur für Aggregate.
BetrVG § 87 Abs. 1 Nr. 6 + Nr. 7 (SRC-0211, SRC-0257)
Mitbestimmung Gesundheitsschutz. Mitigation: Betriebsvereinbarung vor Pipeline.
SBV-Beteiligung bei Schwerbehinderten-Querbezug
Mitigation: SBV in DPIA und Pipeline-Roll-Out einbinden.
DSGVO Art. 22 (SRC-0240)
Keine automatischen Personalentscheidungen aus Krankenstand. Mitigation: human-in-the-loop; klare Trennung Krankenstand-KPI vs. Personal-Entscheidung.
AGG (SRC-0217), mittelbare Diskriminierung
Schwerbehinderten-Cohort-Auswertung muss inklusions-orientiert sein, nicht selektiv. Mitigation: D&I-/SBV-Review.
Halluzinations-Risiko, KI rät auf Diagnosen
Mitigation: Diagnose-Klartext nie zur KI; Prompt mit explizitem Verbot.
Vertrauens-Erosion bei wahrgenommener Gesundheits-Überwachung
Mitigation: transparente BR-Kommunikation; Aggregat-only-Architektur dokumentiert.
Datenschutz und Vertraulichkeit
So funktioniert das mit anymize
Krankenstand-Daten sind der datenschutz-empfindlichste Datentyp im HR (DSGVO Art. 9, Gesundheitsdaten = besondere Personenkategorien). anymize.ai erzwingt strikte Variable-Whitelist: keine Diagnosen, keine ICD-10, kein Krankheits-Klartext; k-Anonymität k≥5 + l-Diversity l≥2 bei Schwerbehinderten-Querbezug; NER-Lauf für Free-Text-Bemerkungen. BEM-Trigger nach § 167 Abs. 2 SGB IX (SRC-0294) erfolgt STRIKT regelbasiert in HRIS, niemals KI-Score-basiert. Verarbeitung in deutschen Rechenzentren (Hetzner), AVV nach Art. 28 DSGVO. § 154 SGB IX Schwerbehinderten-Quote 5 %. BetrVG § 87 Abs. 1 Nr. 6 + Nr. 7 (Gesundheitsschutz) Mitbestimmung; BAG 1 ABR 20/21; § 80 BR-Informationsrecht; Hans-Böckler-Datenbank (SRC-0295) BR-erprobte Praxis. DSGVO Art. 22 keine Auto-Entscheidung aus Krankenstand; DSGVO Art. 35 DPIA zwingend; AGG (mittelbare Diskriminierung Schwerbehinderter). EU AI Act Annex III Nr. 4 + Art. 26 bei Personalentscheidungs-Kopplung. SBV-Beteiligung Pflicht.
Was anymize konkret leistet
- Variable-Whitelist: keine Diagnosen, keine ICD-10, kein Krankheits-Klartext, technisch erzwungen.
- k-Anonymität k≥5 + l-Diversity l≥2 bei Schwerbehinderten-Querbezug.
- NER-Lauf für Free-Text-Bemerkungen; Art.-9-Sensitivitäts-Filter.
- Verarbeitung in deutschen Rechenzentren (Hetzner).
- Alternative: Native HRIS-Reports (SAP SuccessFactors, Personio, Sage, Workday), oft ohne LLM ausreichend; BGM-Plattform (Humanoo, Machtfit), separate Datenhoheit.
Sicherheitscheck vor der Veröffentlichung
Was anymize liefert, was Sie souverän entscheiden
Vor Pipeline-Roll-Out (Pflicht)
- DPIA + BR-Vereinbarung + SBV-Beteiligung dokumentiert?
- Variable-Whitelist: keine Diagnosen, keine ICD-10, kein Krankheits-Klartext?
- k-Anonymität k≥5; l-Diversity bei Schwerbehinderten-Querbezug?
- BEM-Trigger ausschließlich regelbasiert in HRIS (nicht KI)?
Bei jedem Bericht
- KI verarbeitet ausschließlich aggregierte AU-Tage?
- Halluzinations-Kontrolle: keine Diagnose-Hypothesen?
- Hypothesen mit `HYPOTHESE:`-Präfix und Validierungs-Marker?
- BGM-/Betriebsärztlicher-Dienst-Review erfolgt?
Laufender Betrieb
- AVV mit anymize-Anbieter und Cloud-LLM?
- KI-Inventar nach EU AI Act Art. 26; bei Personalentscheidungs-Bezug FRIA?
- Distribution nur an autorisierte Personen (BGM, CHRO, BR, SBV)?
- Jährliche DPIA-Re-Validierung?
Typische Fehlermuster und wie anymize gegensteuert
- →KI rät auf Diagnosen („Burnout-Cluster”, „Rückenleiden”), Variable-Whitelist + Prompt-Verbot verhindern strukturell.
- →KI gibt individuelle BEM-Empfehlungen, strikte Trennung Aggregat-Analyse vs. BEM-Verfahren (HRIS-Regel-Engine).
- →KI vermischt Krankenstand mit Personalentscheidungs-Vorschlägen, Prompt verbietet Auto-Entscheidungen.
- →KI behandelt Schwerbehinderten-Cohort selektiv statt inklusions-orientiert, D&I-/SBV-Review fängt das ab.
- →KI generiert Personen-erkennbare Aussagen bei kleinen Cohorts, anymize-l-Diversity-Erzwingung verhindert.
Rechtsgrundlagen
Normen, Urteile, Belege
Primärnormen: Datenschutz und Gesundheit (DSGVO Art. 9)
- Gesundheitsdaten besondere Kategorien: Zentralnorm
- Datenminimierung
- Keine Auto-Entscheidung
- Folgenabschätzung zwingend
- BEM-Pflicht bei > 6 Wochen AU/Jahr: strikt verfahrensrechtlich
- Schwerbehinderten-Quote 5 %
- Beschäftigtendatenverarbeitung
Mitbestimmung und EU AI Act
- Mitbestimmung Gesundheitsschutz
- BR-Informationsrecht
- Microsoft 365 + § 87 BetrVG
- Keine mittelbare Diskriminierung Schwerbehinderter
- Hochrisiko bei Personalentscheidungs-Bezug
- KI-Inventar
- BR-erprobte Krankenstand-Praxis
Studien
- Krankenstand DE > 6 %: historisches Hoch
- 19 % KI-Adoption
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.