People Analytics und Workforce Planning

Performance-Distribution-Analyse für Calibration-Meetings mit Forced-Ranking-Check

anymize.ai pseudonymisiert Manager-Namen, MA-IDs und Team-Codes; k≥5 je Manager × Funktion × Demografie. Die KI generiert Distribution-Histogramm, Manager-Score-Vergleich (Lenience-Index, Spread), Forced-Ranking-Check (implizite Quoten-Erkennung) und AGG-Bias-Heatmap (4/5-Rule). BetrVG § 87 + § 94 (Beurteilungsgrundsätze) Mitbestimmung; Forced Ranking ohne BR-Vereinbarung unzulässig.

In 30 SekundenWas anymize hier leistetIn 5 MinutenPrompt zum KopierenIn 30 MinutenVollständiger Workflow
Mit anymize startenBeispiel ansehen

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.

01

Anwendungsbereich

Worum geht es hier?

KI in People Analytics und Workforce Planning

Performance-Distribution-Analyse ist Voraussetzung jedes professionellen Calibration-Prozesses. Sie zeigt: (a) wie Manager bewerten (Score-Hub, Spread, Tendency to Center), (b) ob Forced Ranking (verbotene Pflicht-Quoten je Rating) implizit existiert, (c) ob AGG-Bias in Performance-Bewertung sichtbar ist. Vertieft UC-M-HR-011 (Bias-Check Performance-Review) um die aggregierte Vorbereitungsphase.

02

Für wen passt das?

Zielgruppe und Kontext

Rolle
People-Analytics-Lead, HR-Business-Partner, Talent-Management-Lead, CHRO, BR/GBR (§ 94 Beurteilungsgrundsätze).
Seniorität
Fortgeschritten bis Senior, Performance-Methodik + BetrVG-Sensibilität.
Unternehmensgröße
KMU > 250 MA bis Konzern.
Spezifische Kontexte
Jährlicher Performance-Zyklus; Mid-Year-Calibration; Funktionsfamilien mit ≥30 MA (statistische Validität).
03

Die Situation in der Personalabteilung

So bringen Sie Tempo und Sorgfalt zusammen

Performance-Distribution offenbart drei systematische Bias-Muster: Tendency to Center (Manager geben überproportional „3”-Ratings; 4er und 2er meiden), Manager-Lenience (einzelne Manager bewerten systematisch milder), AGG-Bias (Frauen, Eltern in Teilzeit, ältere MA, Schwerbehinderte bekommen statistisch niedrigere Ratings, Bersin 2024, SRC-0290). Forced-Ranking-Versuchung: manche Unternehmen geben implizite Quoten vor („max. 20 % Top-Rating”), nach BetrVG § 87 Abs. 1 Nr. 6 (SRC-0211) + § 94 (SRC-0227) mitbestimmungspflichtig; ohne BR-Vereinbarung unzulässig. BAG-Linie: Beurteilungsgrundsätze brauchen Zustimmung. Risiko-Hebel: Forced Ranking ohne BR-Vereinbarung kann BR-Unterlassungsanspruch + Schadensersatz auslösen; AGG-Bias-Findings ohne Mitigation = BAG-8-AZR-74/25-Risiko (SRC-0256, 120 k EUR).

04

Was Sie davon haben

Zeit, Wert, Vertraulichkeit

Zeitersparnis pro Calibration

2–5 h

Calibration-Wirkung schwer zu quantifizieren; ex-post-Analysen 2–3 Jahre verzögert.

Risiko-Hebel

120 k EUR

Forced Ranking ohne BR-Vereinbarung kann BR-Unterlassungsanspruch + Schadensersatz auslösen; AGG-Bias-Findings ohne Mitigation = BAG-8-AZR-74/25-Risiko.

Vertraulichkeit

Manager + MA

anymize.ai pseudonymisiert Manager-Namen + MA-IDs; k≥5 je Manager × Funktion.

Erkennungsrate

>95 %

Forced-Ranking-Detection (Konvergenz <5 % Spread); 4/5-Rule AGG-Heatmap.

05

So gehen Sie vor

Der Workflow Schritt für Schritt

1

Performance-Daten aus HRIS extrahieren: Rating-Verteilung je Funktion × Manager × Demografie.

Mensch (mit System)

Datenbasis

2

Datenklassifikation: Individuelle Ratings = Klasse A; Funktions-Aggregate = Klasse C.

Mensch

§ 26 BDSG

3

k-Anonymitäts-Check (k≥5) je Manager × Funktion × Demografie.

Mensch + anymize

Re-Identifikation

4

Pseudonymisierung: Manager-Namen, MA-IDs, Team-Namen → Platzhalter.

anymize

DSGVO Art. 28

5

KI-gestützte Distribution-Analyse: Score-Hub, Spread, Center-Tendency je Manager + AGG-Bias-Heatmap + Forced-Ranking-Check.

GPT / Claude / Gemini in anymize

Geschwindigkeit

6

Forced-Ranking-Check: Sind implizite Quoten erkennbar (alle Manager nahe Vorgabe)? BR-Vereinbarung prüfen.

Mensch

BetrVG § 87 + § 94

7

AGG-Bias-Audit: 4/5-Rule auf High-Rating-Quote je AGG-Dimension.

Mensch

AGG · BAG 8 AZR 74/25

8

Calibration-Meeting: KI-Output als Input, NICHT als Entscheidung; Manager-Diskussion mit Vier-Augen-Prinzip. BR-Information BetrVG § 94.

Mensch

Human-in-the-Loop · Mitbestimmung

06

Womit Sie arbeiten

So setzen Sie anymize konkret ein

Was anymize tut

  • Pseudonymisiert Manager-Namen, MA-IDs, Team-Codes vor LLM-Übergabe.
  • Erzwingt k≥5 je Manager × Funktion × Demografie.
  • Forced-Ranking-Pattern-Erkennung (Manager-Score-Konvergenz <5 % Spread).
  • Verarbeitung in deutschen Rechenzentren (Hetzner). AVV nach Art. 28 DSGVO.

Was Sie als HRBP tun

  • DPIA; BR-Anhörung BetrVG § 94 (Beurteilungsgrundsätze) + § 87.
  • 4/5-Rule auf alle AGG-Dimensionen anwenden; Adverse-Impact-Findings rot markieren.
  • Forced-Ranking-Check: bei mündlicher Quoten-Vorgabe BR-Verhandlung initiieren.
  • Manager-Coaching bei Tendency-to-Center oder extremem Lenience-Index.

Daten-Input

Rating-Verteilung Funktion × Manager × Cluster (k-anonym), demografische Aggregate.

Output-Kontrolle

Pseudonymisiertes Aggregat geht an die KI. Re-identifizierte Distribution-Histogramm-Tabelle, Manager-Score-Tabelle (Lenience-Index + Spread), Forced-Ranking-Check-Zeile, AGG-Bias-Heatmap und Empfehlungen kommen zurück.

Freigabeprozess

DPIA, k-Anonymität, Forced-Ranking-Check + AGG-Heatmap, Human-in-the-Loop, BR-Information bei Bias-Findings, Manager-Coaching-Plan.

07

Die KI-Anweisung

Prompt zum Kopieren

So nutzen Sie diesen Prompt:

1. DPIA + BR-Anhörung § 94 + § 87 vor Calibration-Pipeline.

2. Rating-Verteilung je Manager × Funktion × Demografie in anymize einfügen, Pseudonymisierung + k≥5 automatisch.

3. Diesen Prompt anhängen, „Thinking-Modus” wählen.

4. Forced-Ranking-Check; AGG-Bias-Audit; Calibration-Panel mit Vier-Augen-Prinzip.

Empfohlener Reasoning-Modus in anymize: Thinking-Modus.
# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt die Aufbereitung einer Performance-Distribution-Analyse als Calibration-Meeting-Input für ein deutsches Unternehmen mit BetrVG-Mitbestimmung. Input: pseudonymisierte Rating-Verteilung je Funktion × Manager × demografisches Cluster (k≥5).

# Role (R)
Du agierst als People-Analytics-Lead mit Performance-Management-Methodik, AGG-/BetrVG-Sensibilität und Calibration-Erfahrung. Du kennst BetrVG § 87 Abs. 1 Nr. 6 (SRC-0211; BAG 1 ABR 20/21, SRC-0257) + § 94 Beurteilungsgrundsätze (SRC-0227), AGG (SRC-0217), BAG 8 AZR 74/25 (SRC-0256), DSGVO Art. 22 (SRC-0240).

# Action (A)
1. Distribution-Übersicht je Funktion: Rating-Histogramm (1–5), Median, Spread, Tendency-to-Center-Index.
2. Manager-Score-Vergleich: Score-Hub je Manager, Lenience-Index (Manager-Median − Funktions-Median), Spread-Index.
3. **Forced-Ranking-Check**: Sind alle Manager ähnlich nahe an einer impliziten Quote? Konvergenz <5 %-Spread = Forced-Ranking-Verdacht.
4. **AGG-Bias-Heatmap** (4/5-Rule): High-Rating-Quote (Top-2-Boxen) je AGG-Dimension.
5. Trend gegen Vorjahr.
6. **BetrVG-§-94-Check**: Sind die genutzten Bewertungskriterien BR-vereinbart?
7. Empfehlungen: Calibration-Diskussions-Schwerpunkte, Manager-Coaching.
8. Kennzeichnung: jede Zahl mit [HRIS] taggen.

# Format (F)
- Distribution-Histogramm-Tabelle
- Manager-Score-Tabelle (Lenience-Index + Spread)
- Forced-Ranking-Check-Zeile
- AGG-Bias-Heatmap
- BetrVG-§-94-Check-Zeile
- Empfehlungen, 3–5 Bullets

# Target Audience (T)
Calibration-Panel (HRBP + Funktions-Verantwortliche). Datenbasiert, AGG-bewusst, Forced-Ranking-frei.
08

So sieht der Input aus

Pseudonymisierter Eingabetext

Performance-Daten nach anymize-Pseudonymisierung. Manager-Cluster k-anonym mit Lenience-/Spread-Indikatoren.
Performance-Cycle 2025 Calibration-Vorbereitung, Funktion [[Funktion-Sales-b2e7]]
Headcount: 142 Account Executives

Distribution gesamt (n=142):
- Rating 1: 4 (3 %); Rating 2: 14 (10 %); Rating 3: 72 (51 %); Rating 4: 38 (27 %); Rating 5: 14 (10 %)

Manager-Cluster (8 Manager, k=5–22 Direct Reports je Manager):
- [[Manager-c4d1]] (n=18): Median 3,2; Spread 0,8; High-Rate 25 %
- [[Manager-d8a3]] (n=22): Median 3,5; Spread 1,1; High-Rate 41 %
- [[Manager-e1f5]] (n=14): Median 2,9; Spread 0,6; High-Rate 14 %
- [[Manager-k2m4]] (n=24): Median 3,0; Spread 0,4; High-Rate 8 % (sehr eng)

AGG-Cluster High-Rating-Quote (Top-2-Boxen, k≥5):
- Geschlecht m (n=98): 41 %
- Geschlecht w (n=42): 26 %
- Elternzeit letzte 3 J (n=18): 22 %
- Schwerbehindert (n=6): 17 % (k=6, an Grenze)

Vorgabe Top-Management mündlich (laut HRBP-Memo): „max. 25 % Top-Rating”.
Keine BR-Vereinbarung zu Quoten dokumentiert.
09

So liefert anymize zurück

Der KI-Entwurf

KI-Output nach Re-Identifikation. Forced-Ranking-Verdacht gelb; drei AGG-Rot-Findings; BetrVG-§-94-Nachverhandlung empfohlen.
## Performance-Distribution Sales 2025, Calibration-Input

### Distribution-Übersicht
| Rating | Count | Anteil |
|---|---|---|
| 1 | 4 | 3 % |
| 2 | 14 | 10 % |
| 3 | 72 | 51 % |
| 4 | 38 | 27 % |
| 5 | 14 | 10 % |

Median 3,0; High-Rating-Quote (Top 2) = 37 %. Tendency-to-Center moderat.

### Manager-Score-Vergleich
| Manager | n | Median | Spread | High-Rate | Lenience-Index |
|---|---|---|---|---|---|
| [[Manager-d8a3]] | 22 | 3,5 | 1,1 | 41 % | +0,5 (mild) |
| [[Manager-k2m4]] | 24 | 3,0 | 0,4 | 8 % | 0 (extrem eng) |

### Forced-Ranking-Check
**Gelb**: Die mündliche Vorgabe „max. 25 % Top-Rating” steht im Raum. Aktuelle Verteilung 37 % High-Rate; 4 Manager über 25 %. **Wenn diese Vorgabe in Calibration durchgesetzt würde, wäre das Forced Ranking im Sinne von BetrVG § 87 + § 94**, eine BR-Vereinbarung dazu fehlt.

**Empfehlung**: Calibration ohne implizite Quote; falls Quoten gewünscht → BR-Verhandlung § 94.

### AGG-Bias-Heatmap (4/5-Rule)
| Dimension | High-Rate Min | High-Rate Mehr | Verhältnis | Status |
|---|---|---|---|---|
| Geschlecht (w vs. m) | 26 % | 41 % | 0,63 | **Rot** |
| Elternzeit (mit vs. ohne) | 22 % | 41 % | 0,54 | **Rot** |
| Schwerbehindert (n=6) | 17 % | 38 % | 0,45 | **Rot** (mit Vorbehalt k=6) |

Drei Rot-Findings. BAG-8-AZR-74/25-Stresstest würde diese Konstellation als algorithmisch unterstützte Diskriminierung interpretieren.

### BetrVG-§-94-Check
Beurteilungsgrundsätze BR-vereinbart 2018 (OKR-basiert); KI-Tool-Nutzung NICHT in Vereinbarung. **Empfehlung**: Nachverhandlung BetrVG § 87 Abs. 1 Nr. 6 (KI-Tool) + § 94 (Kriterien) erforderlich.

### Empfehlungen Calibration-Panel
1. **Forced-Ranking-Vorgabe streichen** oder BR-Verhandlung initiieren.
2. **Bias-Audit Frauen + Elternzeit**: Stichprobe 10 Rating-3-Frauen + 10 Rating-3-Elternzeit-MA.
3. **Manager-Coaching** [[Manager-k2m4]] (Spread 0,4, extreme Tendency-to-Center).
4. **BetrVG-§-94-Update**: Beurteilungsgrundsätze 2026 neu verhandeln.
5. **EU-AI-Act-Logging**: Calibration-Tool-Run dokumentieren (Art. 26).
10

Was das HR-Recht verlangt

Pflichten und wie anymize sie abdeckt

BetrVG § 87 Abs. 1 Nr. 6 + § 94 (SRC-0211, SRC-0227, SRC-0257)

KI-Tool zur Performance-Analyse = technische Einrichtung; Beurteilungsgrundsätze Forced Ranking + KI-Kriterien BR-pflichtig.

BetrVG § 92 (SRC-0212)

Personalplanung; Calibration-Ergebnisse als Input.

AGG §§ 1, 3, 7 (SRC-0217)

Diskriminierungsverbot in Beurteilungen.

BAG 8 AZR 74/25 (SRC-0256)

120.000 EUR Entschädigung; algorithmische Diskriminierung.

DSGVO Art. 22 (SRC-0240)

Performance-Rating in Vergütungs-/Beförderungsentscheidung = automatisierte Entscheidung; Human-in-the-Loop Pflicht.

§ 26 BDSG (SRC-0215)

Personenbezug Ratings.

EU AI Act Annex III Nr. 4 (SRC-0231)

HR-Performance-Tools mit Entscheidungseinfluss = Hochrisiko.

11

Datenschutz und Vertraulichkeit

So funktioniert das mit anymize

Rechtsgrundlage § 26 BDSG + Art. 6 Abs. 1 lit. f DSGVO. Art. 28 DSGVO AVV; Art. 35 DPIA bei KI-gestützter Performance-Analyse Pflicht. Datenklassen: Individuelle Ratings + Manager-Namen = Klasse A; Funktions-Aggregate = Klasse C. anymize.ai pseudonymisiert Manager-Namen, MA-IDs, Team-Codes vor LLM-Übergabe; k≥5 je Manager × Funktion × Demografie. Forced-Ranking-Pattern-Erkennung (Konvergenz <5 % Spread); AGG-Bias-Heatmap (4/5-Rule). BetrVG § 87 Abs. 1 Nr. 6 (BAG 1 ABR 20/21) + § 94 Beurteilungsgrundsätze + § 92 Personalplanung Mitbestimmung. BAG 8 AZR 74/25 (120 k EUR) AGG-Risiko. EU AI Act Annex III Nr. 4 Hochrisiko bei Entscheidungseinfluss.

Was anymize konkret leistet

  • Pseudonymisiert Manager-Namen, MA-IDs, Team-Codes.
  • Erzwingt k≥5 je Manager × Funktion × Demografie.
  • Forced-Ranking-Pattern-Erkennung (Manager-Score-Konvergenz).
  • Verarbeitung in deutschen Rechenzentren (Hetzner).
  • Alternative: Workday Talent Optimization, SAP SuccessFactors Performance, Lattice / Culture Amp mit Calibration-View, Visier Vee Performance Analytics.
12

Sicherheitscheck vor der Veröffentlichung

Was anymize liefert, was Sie souverän entscheiden

Vor dem KI-Aufruf

  • DPIA dokumentiert?
  • k-Anonymität (k≥5) je Manager × Funktion × Demografie?
  • Pseudonymisierungs-Spot-Check?
  • BR-Anhörung BetrVG § 87 + § 94?

Nach der KI-Antwort

  • Forced-Ranking-Check durchgeführt (Konvergenz-Test)?
  • AGG-Bias-Heatmap mit 4/5-Rule?
  • BetrVG § 87 + § 94 Status verifiziert?
  • Human-in-the-Loop (KI-Output ≠ Entscheidung)?

Vor Calibration-Panel

  • BR-Information bei Bias-Findings?
  • EU-AI-Act-Logging (Art. 26)?
  • Manager-Coaching-Plan bei Auffälligkeiten?
  • Bei Forced-Ranking-Verdacht BR-Verhandlung initiiert?

Typische Fehlermuster und wie anymize gegensteuert

  • →KI ignoriert Forced-Ranking-Signal trotz Konvergenz, der Prompt erzwingt expliziten Check.
  • →KI vergisst Elternzeit-Bias-Bewertung, AGG-Heatmap fängt das ab.
  • →KI behandelt extreme Tendency-to-Center (Spread <0,5) als legitim, Manager-Coaching-Empfehlung.
  • →KI verwendet Performance-Rating als Vergütungs-Entscheidungs-Grundlage, DSGVO-Art.-22-Hardening.
  • →KI vergisst BetrVG-§-94-Check (BR-vereinbarte Kriterien?), der Prompt erzwingt explizit.
13

Rechtsgrundlagen

Normen, Urteile, Belege

Primärnormen: Mitbestimmung und AGG

  • Mitbestimmung KI-Tool
  • Personalplanung
  • Beurteilungsgrundsätze + Forced Ranking
  • Diskriminierungsverbot
  • Performance-Rating + Vergütungs-Entscheidung
  • Personenbezug Ratings
  • HR-Performance Hochrisiko

Rechtsprechung

  • 120.000 EUR algorithmische Diskriminierung
  • Microsoft 365 + § 87 BetrVG

Studien

  • 32 % mit Calibration-Workflow
  • 28 % Performance-Reviews ohne Calibration
  • 9 % emotional gebunden

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.

Kostenlos startenWie es funktioniert

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.