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.
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.