People Analytics und Workforce Planning
Recruiting-Funnel-Conversion-Analyse je Stage mit EU-AI-Act-Bias-Check
anymize.ai pseudonymisiert Bewerber-IDs und Hiring-Manager; k≥5 je Stage × Dimension × Funktion × Q. Die KI generiert Stage-Conversion-Tabelle (Apply→Screen→Interview→Offer→Hire), 4/5-Rule-Adverse-Impact-Heatmap über AGG-Dimensionen (Geschlecht, Alter, Herkunft, Schwerbehinderung) und BAG-8-AZR-74/25-Stresstest. EU AI Act Art. 26 Logging 6 Monate; DPIA Pflicht.
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.
Anwendungsbereich
Worum geht es hier?
Funnel-Conversion ist die zentrale Effizienz-Kennzahl im Recruiting. Mit dem EU AI Act (volle Geltung 02.08.2026) wird der Bias-Check zur Pflicht: Recruiting-Tools fallen in Annex III Nr. 4 (Hochrisiko); Bias-Monitoring über demografische Dimensionen ist Voraussetzung. BAG 8 AZR 74/25 (SRC-0256): 120 k EUR Entschädigung wegen algorithmischer Altersdiskriminierung — DE-Präzedenz.
Für wen passt das?
Zielgruppe und Kontext
- Rolle
- People-Analytics-Lead (Modell), TA-Operations-Manager (Quellsystem), Recruiting-Lead (operative Steuerung), HR-BP, Diversity-Officer.
- Seniorität
- Fortgeschritten bis Senior — Funnel-Methodik + AGG-/EU-AI-Act-Sensibilität.
- Unternehmensgröße
- KMU > 250 MA bis Konzern; ab 1.000 MA mit dezidiertem Diversity-Funktion.
- Spezifische Kontexte
- Funnel-Optimierung in Engpass-Recruiting; Bias-Audit als Reaktion auf BAG 8 AZR 74/25; EU-AI-Act-Compliance-Vorbereitung 2026/2027.
Die Situation in der Personalabteilung
So bringen Sie Tempo und Sorgfalt zusammen
Recruiting-Funnel hat 5 Stages (Application → CV-Screening → 1st IV → Final IV → Offer → Hire). Conversion-Raten variieren stark (Top-Performer 5x über Median, STD-0044). DGFP (SRC-0275): 30 % messen Stage-Conversions standardisiert; nur 12 % machen Bias-Audit. Mit EU AI Act ab 02.08.2026 wird Bias-Monitoring Pflicht (Annex III Nr. 4, SRC-0231); Art. 26 (SRC-0233) verlangt Logging; Art. 50 (SRC-0235) Transparenz. AGG § 11 (SRC-0217) verbietet diskriminierende Auswahlentscheidungen; BAG 8 AZR 74/25 (SRC-0256) hat algorithmische Altersdiskriminierung mit 120 k EUR sanktioniert. AGG-Reform Mai 2026: Klagefrist 2 → 4 Monate; Adverse-Impact-Findings sind Glaubhaftmachung. Bewerber-Daten = Art. 9 DSGVO bei Schwerbehinderung; k-Anonymität (k≥5) Pflicht je Stage × demografische Dimension, sonst Re-Identifikation in Kleinst-Pipelines.
Was Sie davon haben
Zeit, Wert, Vertraulichkeit
Zeitersparnis pro Funnel-Auswertung
3–8 h
Auto-Commentary beschleunigt Narrativ; Datenbereinigung bleibt menschlich.
Risiko-Hebel
120 k EUR + 35 Mio EUR
Eine AGG-Klage in BAG-8-AZR-74/25-Größenordnung (120 k EUR) macht jede Effizienz-Ersparnis trivial. EU-AI-Act-Bußgeld bis 35 Mio EUR oder 7 % Konzernumsatz für Hochrisiko-Verstöße.
Vertraulichkeit
Klasse A + Art. 9
Bewerber-IDs = Klasse A; Schwerbehinderung/Ethnie = Art. 9. anymize.ai pseudonymisiert + DPIA Pflicht.
Erkennungsrate
>95 %
Spot-Check auf Re-Identifikations-Vektoren (z.B. exotisches Profil mit nur einem Bewerber im Q).
So gehen Sie vor
Der Workflow Schritt für Schritt
ATS-Export Bewerbungen Q (Application-Datum, Funktion, Stage-Übergänge, Reject-Grund, optional demografische Self-Disclosure).
Mensch (mit System)
Datenbasis
Datenklassifikation: Bewerber-Identifier = Klasse A; Schwerbehinderung, Herkunft = Art. 9 DSGVO. Aggregierte Stage-Counts je Funktion × Q = Klasse C.
Mensch
DSGVO Art. 9 · § 26 BDSG
k-Anonymitäts-Check (k≥5) je Stage × Dimension × Funktion × Q; Aggregation auf Funktionsfamilie sonst.
Mensch + anymize
Re-Identifikationsschutz
Pseudonymisierung: Bewerber-IDs, Hiring-Manager-Namen, mandantenspezifische Funktions-Codes → Platzhalter.
anymize
DSGVO Art. 28
Spot-Check auf Re-Identifikations-Vektoren (z.B. exotisches Profil mit nur einem Bewerber im Q).
Mensch
NER-Restrisiko
KI-gestützter Funnel-Erstentwurf: Conversion-Raten je Stage + demografisches Heatmap + Bias-Auffälligkeiten.
GPT / Claude / Gemini in anymize
Geschwindigkeit
Bias-Verifikation: 4/5-Rule (Adverse-Impact-Threshold 80 % per Stage) + zusätzliche Schwellen für AGG-Kategorien.
Mensch
AGG § 11 · EU AI Act
Diversity-Officer-Review + BR-Information (BetrVG § 92 Personalplanung).
Mensch
Mitbestimmung
EU-AI-Act-Logging: Funnel-Run in KI-Inventar; Art.-26-konform 6 Monate. Maßnahmen-Plan bei Adverse-Impact-Findings (Stellenanzeigen-Audit UC-V-HR-REC-001 ff., CV-Screening-Modell-Audit, Interview-Standardisierung).
System + Mensch
Aufsicht · AGG-Mitigation
Womit Sie arbeiten
So setzen Sie anymize konkret ein
Was anymize tut
- Pseudonymisiert Bewerber-IDs, Hiring-Manager-Namen, Funktions-Codes.
- Erzwingt k≥5 je Stage × Dimension × Funktion × Quartal.
- Spot-Check auf Re-Identifikations-Vektoren (Einzel-Bewerber mit exotischem Profil).
- Verarbeitung in deutschen Rechenzentren (Hetzner). AVV nach Art. 28 DSGVO.
Was Sie als People-Analytics-Lead tun
- DPIA dokumentieren (Bias-Audit + Art.-9-Daten Pflicht).
- 4/5-Rule auf alle AGG-Dimensionen anwenden; Adverse-Impact-Findings rot markieren.
- BAG-8-AZR-74/25-Stresstest auf Altersbias dokumentieren.
- EU-AI-Act-Logging (Art. 26) 6 Monate; „Cultural Fit” als Reject-Grund explizit untersagt.
Daten-Input
Stage-Übergänge je Bewerbung (anonymisiert), demografische Self-Disclosure (freiwillig), Reject-Gründe (kategorisiert). Bewerber-IDs = Klasse A; Schwerbehinderung/Ethnie = Art. 9.
Output-Kontrolle
Pseudonymisiertes Aggregat geht an die KI. Re-identifizierte Funnel-Übersicht-Tabelle, Adverse-Impact-Heatmap je Dimension × Stage, AGG-Kommentar, Engpass-vs-Standard-Aufschlüsselung, Reject-Grund-Bullets, Maßnahmen-Empfehlungen kommen zurück.
Freigabeprozess
DPIA, k-Anonymität, 4/5-Rule auf alle AGG-Dimensionen, BAG-8-AZR-74/25-Stresstest, EU-AI-Act-Logging, BR-Information § 92, Diversity-Officer-Review.
Die KI-Anweisung
Prompt zum Kopieren
So nutzen Sie diesen Prompt:
1. DPIA + BR-Information vor Pipeline.
2. ATS-Export in anymize einfügen — Pseudonymisierung + k≥5 je Stage × Dimension automatisch.
3. Diesen Prompt anhängen, „Thinking-Modus” wählen.
4. 4/5-Rule-Verifikation; BAG-8-AZR-74/25-Stresstest; „Cultural Fit” als Reject-Grund untersagen.
# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt die Aufbereitung einer Recruiting-Funnel-Conversion-Analyse für ein deutsches Unternehmen mit BetrVG-Mitbestimmung und EU-AI-Act-Compliance-Anspruch. Der Input ist k-anonym aggregiert (k≥5 je Stage × Dimension); Bewerber-IDs und Funktions-Codes sind pseudonymisiert.
# Role (R)
Du agierst als People-Analytics-Lead mit Recruiting-Funnel-Kompetenz, AGG-/EU-AI-Act-Sensibilität und Bias-Audit-Methodik. Du kennst AGG §§ 1, 3, 7, 11 (SRC-0217), BAG 8 AZR 74/25 (SRC-0256), EU AI Act Annex III Nr. 4 (SRC-0231) + Art. 26 (SRC-0233), Adverse-Impact-Theorie (4/5-Rule).
# Action (A)
1. Stage-Conversion-Tabelle: Application → Screening → 1st-IV → Final-IV → Offer → Hire mit absoluten Counts und Conversion-Raten.
2. **Adverse-Impact-Check je Stage** (4/5-Rule): Conversion-Rate Minderheit / Conversion-Rate Mehrheit ≥ 0,80. Auffälligkeiten markieren.
3. AGG-Dimensionen prüfen: Geschlecht, Alter (Cluster <30 / 30–50 / >50), Herkunft (sofern Self-Disclosure), Schwerbehinderung.
4. Engpass-vs-Standard-Funktionen separat auswerten.
5. Reject-Grund-Verteilung je Stage: typische Pattern (Stack-Mismatch, Gehaltsvorstellung, Verfügbarkeit).
6. Trend-Vergleich gegen Vorquartal.
7. Maßnahmen-Vorschläge: bei Adverse-Impact >0,20 je Stage → konkrete Mitigation (Job-Anzeige-Audit, CV-Screening-Modell-Audit, Interview-Leitfaden-Review).
8. Kennzeichnung: jede Zahlen-Aussage mit [ATS] taggen.
# Format (F)
- Funnel-Übersicht-Tabelle
- Adverse-Impact-Heatmap je Dimension × Stage
- AGG-Kommentar — 4–6 Sätze
- Engpass-vs-Standard-Aufschlüsselung
- Reject-Grund-Bullets
- Maßnahmen-Empfehlungen — 3–5 Bullets
- Keine Aussagen über Einzelpersonen — DSGVO Art. 22
# Target Audience (T)
CHRO, Diversity-Officer, BR (Information § 92). Faktenbasiert, AGG-/EU-AI-Act-konform.So sieht der Input aus
Pseudonymisierter Eingabetext
Q1/2026 Funnel Unternehmen [[UN-a3f9]], Engpass-Funktion [[Funktion-IT-b2e7]]
Pipeline: 412 Bewerbungen (Q1)
Stage-Counts (aggregiert, k=412):
- Application: 412
- CV-Screening passed: 168
- 1st Interview: 84
- Final Interview: 32
- Offer: 14
- Hire (akzeptiert): 9
Demografische Self-Disclosure (freiwillig, Quote 78 %):
Geschlecht:
- Weiblich: 92 → 24 Screening → 9 1st-IV → 3 Final-IV → 1 Offer → 1 Hire
- Männlich: 232 → 108 → 60 → 24 → 11 → 7
Alters-Cluster (geschätzt aus Berufserfahrung):
- <30 Jahre: 124 → 56 → 32 → 14 → 6 → 4
- 30–50 Jahre: 246 → 102 → 48 → 17 → 8 → 5
- >50 Jahre: 42 → 10 → 4 (k<5 ab hier)
Reject-Gründe Final-IV (n=18):
- Stack-Mismatch: 7
- Gehaltsvorstellung über Band: 6
- Verfügbarkeit: 3
- Cultural Fit: 2 (rotgeflaggt für Review)So liefert anymize zurück
Der KI-Entwurf
## Recruiting-Funnel Q1/2026 — Engpass-Funktion [[Funktion-IT-b2e7]]
### Conversion-Übersicht
| Stage | Count | Conv. zum nächsten Stage |
|---|---|---|
| Application | 412 | 41 % → Screening |
| Screening passed | 168 | 50 % → 1st-IV |
| 1st Interview | 84 | 38 % → Final-IV |
| Final Interview | 32 | 44 % → Offer |
| Offer | 14 | 64 % → Hire |
| Hire | 9 | Application→Hire 2,2 % |
### Adverse-Impact-Heatmap (4/5-Rule, 0,80-Schwelle)
| Dimension | Stage | Min/Mehr-Verhältnis | Status |
|---|---|---|---|
| Geschlecht (w vs. m) | Application → Screening | 26 % / 47 % = 0,55 | **Rot** |
| Geschlecht (w vs. m) | Screening → 1st-IV | 38 % / 56 % = 0,68 | **Rot** |
| Alter (>50 vs. 30–50) | Application → Screening | 24 % / 41 % = 0,58 | **Rot** |
### AGG-Kommentar
Zwei Adverse-Impact-Findings:
1. **Geschlecht/Screening**: Frauen passieren CV-Screening signifikant seltener (26 % vs. 47 %). Audit gemäß BAG 8 AZR 74/25 erforderlich.
2. **Alter > 50/Screening**: Älter-Bewerber haben 0,58-Quote vs. 30–50. Algorithmische Altersdiskriminierung muss ausgeschlossen werden.
### Reject-Grund Final-IV
- Stack-Mismatch (39 %): Stellenanzeige präziser, Must-have-Liste reduzieren.
- Gehaltsvorstellung über Band (33 %): EU-Pay-Transparency-Gehaltsband prüfen.
- "Cultural Fit" (11 %): **Rot geflaggt** — vager Reject-Grund, AGG-Risiko.
### Empfehlungen Q2/26
1. **CV-Screening-Audit** für Frauen-Drop-Off: Stichprobe 30 Frauen-CVs.
2. **Stellenanzeigen-Bias-Audit**: Must-haves reduzieren, geschlechtsneutrale Sprache.
3. **"Cultural Fit" als Reject-Grund verbieten**; Ersatz durch konkrete BEI-Kriterien.
4. **Altersbias-Audit**: BAG 8 AZR 74/25-Prozesssimulation; Beweislastumkehr-Vorbereitung.Was das HR-Recht verlangt
Pflichten — und wie anymize sie abdeckt
AGG §§ 1, 3, 7, 11 (SRC-0217)
Diskriminierungsverbot, mittelbare Diskriminierung; Beweislastumkehr § 22 AGG bei Adverse-Impact-Finding.
AGG-Reform Mai 2026 (SRC-0218)
Klagefrist 2 → 4 Monate; Adverse-Impact-Findings sind Glaubhaftmachung.
BAG 8 AZR 74/25 (SRC-0256, 27.03.2026, 120.000 EUR)
Algorithmische Altersdiskriminierung; Mobley v. Workday als parallele US-Sammelklage.
EU AI Act Annex III Nr. 4 (SRC-0231)
Recruiting-Tools = Hochrisiko; Bias-Monitoring + Logging + Transparenz Pflicht.
EU AI Act Art. 26 (SRC-0233) + Art. 50 (SRC-0235)
Logs 6 Monate; Transparenz-Pflicht.
BetrVG § 87 + § 92 (SRC-0211, SRC-0212, SRC-0257)
Funnel-Tool mit Recruiter-Performance = Mitbestimmung; § 92 BR-Info bei Funnel-Strukturveränderungen.
DSGVO Art. 22 (SRC-0240) + Art. 9
Keine vollautomatische Einzelfallentscheidung; Bei Schwerbehinderung/Ethnie besondere Personenkategorien.
Datenschutz und Vertraulichkeit
So funktioniert das mit anymize
Rechtsgrundlage Art. 6 Abs. 1 lit. f DSGVO + § 26 BDSG (Recruiting-Prozess-Controlling). Art. 28 DSGVO AVV mit LLM-Provider. Art. 35 DSGVO DPIA wegen Bias-Audit + besondere Personenkategorien Pflicht. Datenklassen: Bewerber-IDs = Klasse A; Schwerbehinderung/Ethnie = Art. 9; aggregierte k-anonyme Counts = Klasse C. anymize.ai pseudonymisiert vor LLM-Übergabe; k≥5 je Stage × Dimension × Funktion × Q. 4/5-Rule auf alle AGG-Dimensionen; BAG-8-AZR-74/25-Stresstest; AGG-Reform Mai 2026. EU AI Act Annex III Nr. 4 Hochrisiko; Art. 26 Logging 6 Monate; Art. 50 Transparenz; FRIA Art. 27 bei breitem Einsatz. BetrVG § 87 + § 92 + § 80 Mitbestimmung + Information; BAG 1 ABR 20/21. „Cultural Fit” als Reject-Grund explizit untersagt.
Was anymize konkret leistet
- Pseudonymisiert Bewerber-IDs, Hiring-Manager-Namen, Funktions-Codes.
- Erzwingt k≥5 je Stage × Dimension × Funktion × Quartal.
- Spot-Check auf Re-Identifikations-Vektoren (exotische Profile).
- Verarbeitung in deutschen Rechenzentren (Hetzner).
- Alternative: Visier Vee Recruiting Analytics mit integriertem Bias-Monitor, Workday Illuminate, ChartHop Recruiting-Funnel-Modul, OneTrust DataDiscovery als DLP-Gate.
Sicherheitscheck vor der Veröffentlichung
Was anymize liefert — was Sie souverän entscheiden
Vor dem KI-Aufruf
- DPIA dokumentiert (Bias-Audit + Art.-9-Daten)?
- k-Anonymitäts-Check (k≥5) je Stage × Dimension × Funktion?
- Pseudonymisierungs-Spot-Check vor LLM-Transfer?
- BR-Information BetrVG § 92 für Funnel-Strukturveränderungen?
Nach der KI-Antwort
- 4/5-Rule auf alle AGG-Dimensionen angewandt?
- BAG-8-AZR-74/25-Stresstest auf Altersbias dokumentiert?
- „Cultural Fit” als Reject-Grund explizit untersagt?
- Maßnahmen-Plan bei Adverse-Impact-Findings?
Laufender Betrieb
- EU-AI-Act-Logging (Art. 26) 6 Monate?
- AVV mit LLM-Provider?
- Diversity-Officer-Review?
- BAG-Klage-Vorbereitung (Beweislastumkehr)?
Typische Fehlermuster — und wie anymize gegensteuert
- →KI ignoriert Adverse-Impact-Verhältnisse — der Prompt erzwingt 4/5-Rule für alle AGG-Dimensionen.
- →KI behandelt „Cultural Fit” als legitimen Reject-Grund — der Prompt flagged das rot.
- →KI extrapoliert von kleinen Demografie-Sub-Cohorts — Suppression bei k<5.
- →KI vergisst AGG-Reform Mai 2026 (Klagefrist 2 → 4 Monate) — Prompt-Kontext aktualisiert.
- →KI verwendet US-EEOC-Schwellen statt 4/5-Rule — der Prompt zitiert AGG § 11 explizit.
Rechtsgrundlagen
Normen, Urteile, Belege
Primärnormen — AGG und EU AI Act
- Diskriminierungsverbot + § 22 Beweislastumkehr
- Recruiting Hochrisiko
- Logging 6 Monate
- Transparenz-Pflicht
- Mitbestimmung KI-Tool
- Keine vollautomatische Einzelfall-Entscheidung
- AVV mit LLM-Provider
Rechtsprechung (Präzedenzen)
- 120.000 EUR algorithmische Altersdiskriminierung; 27.03.2026
- Parallele US-Sammelklage
Studien
- 30 % messen Conversions; 12 % Bias-Audit
- Funnel-Spreizung
- Conversion-Top-Performer 5x über Median
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.