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.
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.