People Analytics und Workforce Planning
Time-to-Fill und Time-to-Hire-Analyse mit Engpass-Benchmark und Recruiting-Funnel
anymize.ai pseudonymisiert ATS-Daten (Greenhouse, Personio, softgarden, SAP/Workday Recruiting) und erzwingt k≥5 für Funnel-Cohorts. Die KI generiert KPI-Berechnungen (Time-to-Fill, Time-to-Hire, Cost-per-Hire, Funnel-Conversion), Engpass-Cluster-Detection (> 1,5x Konzern-Median) und Benchmark-Vergleich mit LinkedIn Future of Recruiting (STD-0044) + BA-Engpass (STD-0055). AGG-konforme Maßnahmen-Empfehlungen, keine demografische Funnel-Selektion (BAG 8 AZR 74/25).
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?
Time-to-Fill ist die zentrale Recruiting-Effizienz-KPI und gleichzeitig der wichtigste Indikator für Engpass-Drift. Der UC verknüpft Workforce-Planning (UC-M-HR-024) und Recruiting-Spezifika auf der People-Analytics-Schiene. LinkedIn Future of Recruiting 2025 (STD-0044): Time-to-Hire ist Top-3-KPI; BA-Engpassanalyse 2024 (STD-0055): 163 Engpassberufe mit strukturell verlängerter Besetzdauer.
Für wen passt das?
Zielgruppe und Kontext
- Rolle
- People-Analytics-Lead, Talent-Acquisition-Lead, HR-Controlling, CHRO, Hiring Manager (informiert).
- Seniorität
- Fortgeschritten, Recruiting-Funnel-Kennzahlen + Benchmarking.
- Unternehmensgröße
- Konzern, gehobener Mittelstand, KMU > 250 MA mit institutionalisiertem Recruiting.
- Spezifische Kontexte
- Engpassberufe (Pflege, IT, Bau, Engineering, STD-0055); Hochvolumen-Recruiting (Retail, Logistik); Standorte mit angespanntem Arbeitsmarkt.
Die Situation in der Personalabteilung
So bringen Sie Tempo und Sorgfalt zusammen
LinkedIn Future of Recruiting 2025 (STD-0044): Time-to-Hire ist Top-3-KPI; ~1 Tag/Woche Zeit-Entlastung durch KI-Tools. DGFP-Recruiting-Benchmark (SRC-0275): 90 % der HR-Teams nutzen KI für Stellenanzeigen. BA-Fachkräfteengpassanalyse 2024 (STD-0055): 163 Engpassberufe. Regulatorisch: BetrVG § 87 Abs. 1 Nr. 6 (BAG 1 ABR 20/21), KI-Tool mit Bewerber-Daten mitbestimmungspflichtig; § 26 BDSG (Bewerber-Daten Klasse A); DSGVO Art. 22 (keine Auto-Personalentscheidungen aus Funnel-Daten); DSGVO Art. 35 DPIA; AGG + BAG 8 AZR 74/25 (120 k EUR Altersdiskriminierung), Funnel darf keine mittelbar diskriminierende Steuerung enthalten; EU AI Act Annex III Nr. 4 bei Recruiting-Entscheidungs-Kopplung Hochrisiko. anymize.ai pseudonymisiert Bewerber-IDs, Hiring-Manager-Namen, Funktions-Codes vor LLM-Übergabe; Benchmarks (LinkedIn, DGFP, BA-Engpass) als strukturierte Eingabe verhindern LLM-Halluzinationen.
Was Sie davon haben
Zeit, Wert, Vertraulichkeit
Zeitersparnis pro Reporting-Zyklus
1–2 PT
Monatlich Steuerung + quartalsweise Reporting.
Kosten-Hebel
5–15 %
Realistisch: 5–15 % Time-to-Fill-Reduktion durch frühe Identifikation von Engpass-Clustern (plausibilisiert). Jeder Tag offener Engpass-Stelle = Produktivitäts-Ausfall + Zeitarbeits-Kosten.
Vertraulichkeit
Bewerber Klasse A
anymize.ai pseudonymisiert Bewerber-IDs, Hiring-Manager-Namen vor LLM-Übergabe.
Erkennungsrate
>95 %
Benchmarks (LinkedIn, DGFP, BA-Engpass) als strukturierte Eingabe; nicht aus LLM-Wissen.
So gehen Sie vor
Der Workflow Schritt für Schritt
DPIA + BR-Information vor Pipeline.
Mensch
DSGVO Art. 35 · BetrVG § 80
ATS-Export (Greenhouse, Personio, softgarden, SAP/Workday Recruiting): Stellen-Eröffnung, Bewerbungs-Eingang, Stage-Übergänge, Vertragsunterzeichnung, Funktion, Standort, Tarif-Bucket. Keine Klar-Bewerber-Namen, keine Geburtsdaten, keine Foto-Daten.
Mensch + Plattform
§ 26 BDSG · AGG · DSGVO Art. 9
Datenklassifikation: Funnel-Aggregate Klasse A; Pseudonymisierung mit anymize.ai.
anymize
§ 26 BDSG · DSGVO Art. 5
k-Anonymität k≥5 für Funnel-Cohorts (Funktion × Standort × Quartal).
anymize
DSGVO Art. 5
KI-KPI-Berechnung: Time-to-Fill, Time-to-Hire, Cost-per-Hire, Funnel-Conversion je Stage.
GPT / Claude / Gemini in anymize
Berechnungs-Aggregation
KI-Trend-Analyse: 12M-Verlauf je Funktion × Standort; Engpass-Sensitivität (BA-STD-0055-Bezug); Benchmark-Vergleich (LinkedIn, DGFP).
GPT / Claude / Gemini in anymize
Trend-Erkennung · externe Referenz
Hiring-Manager-/TA-Lead-Review: Plausibilisierung gegen operative Erfahrung; AGG-Sanity-Check der Maßnahmen-Empfehlungen.
Mensch
Halluzinations-Kontrolle · AGG
BR-Vorabinformation; Bericht-Distribution an TA-Lead, CHRO, Hiring Manager.
Mensch
BetrVG § 80
Womit Sie arbeiten
So setzen Sie anymize konkret ein
Was anymize tut
- Pseudonymisiert Bewerber-IDs, Hiring-Manager-Namen, Funktions-Codes vor LLM-Übergabe.
- Erzwingt k≥5 für Funnel-Cohorts (Funktion × Standort × Quartal).
- Benchmarks (LinkedIn Future of Recruiting, DGFP, BA-Engpass) als strukturierte Eingabe, nicht aus LLM-Wissen.
- Verarbeitung in deutschen Rechenzentren (Hetzner). AVV nach Art. 28 DSGVO.
Was Sie als TA-Lead tun
- DPIA + BR-Information vor Pipeline; bei Recruiting-Entscheidungs-Kopplung FRIA (EU AI Act Art. 27).
- Plausibilisierung der KPIs gegen operative Erfahrung; AGG-Sanity-Check (keine demografische Funnel-Steuerung).
- Engpass-Cluster mit > 1,5x Konzern-Median identifizieren; Querbezug zu Workforce-Planning (UC-V-HR-ANA-004).
- Drift-Monitoring monatlich; bei > 2x Benchmark-Abweichung Eskalation an CHRO + Workforce-Planning.
Daten-Input
Funnel-Aggregate je Cohort, Stage-Übergangs-Zeiten, Cost-per-Hire (Klasse A). Branchen-Benchmarks (LinkedIn, DGFP, Klasse B). BA-Engpass-Indikator (Klasse C, öffentlich). Verboten: Klar-Bewerber-Namen, Geburtsdaten, Fotos, Lebenslauf-Klartexte.
Output-Kontrolle
Pseudonymisiertes k-anonymes Aggregat geht an die KI. Re-identifizierte KPI-Übersichts-Tabelle, 12M-Trend, Benchmark-Vergleich, Engpass-Cluster-Liste, Funnel-Conversion-Auffälligkeiten und AGG-konforme Maßnahmen-Empfehlungen kommen zurück.
Freigabeprozess
DPIA + BR-Information, k-Anonymitäts-Verifikation, TA-Lead + People-Analytics-Lead + CHRO-Freigabe, monatliches Drift-Monitoring.
Die KI-Anweisung
Prompt zum Kopieren
So nutzen Sie diesen Prompt:
1. DPIA + BR-Information vor Pipeline.
2. ATS-Export + Benchmarks (LinkedIn, DGFP, BA-Engpass als strukturierte Liste) in anymize einfügen.
3. Diesen Prompt anhängen, „Thinking-Modus” wählen.
4. AGG-Sanity-Check; TA-Lead-Plausibilisierung; Drift-Monitoring monatlich.
# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt eine Recruiting-Funnel-KPI-Analyse für
ein deutsches Unternehmen. Eingabe: pseudonymisierte ATS-Daten (k≥5), Funnel-Stages,
Time-to-Fill, Time-to-Hire, Cost-per-Hire, Funktion × Standort × Quartal. Externe
Benchmarks: LinkedIn Future of Recruiting 2025 (STD-0044), BA-Fachkräfteengpassanalyse
2024 (STD-0055), DGFP-Recruiting-Benchmark (SRC-0275).
# Role (R)
Du agierst als Talent-Acquisition-Analyst mit Kenntnis von BetrVG § 87 Abs. 1 Nr. 6
(BAG 1 ABR 20/21), § 80, § 26 BDSG, DSGVO Art. 22, AGG, BAG 8 AZR 74/25 (120.000 EUR
Altersdiskriminierung), EU AI Act Annex III Nr. 4 (Hochrisiko bei Recruiting-
Entscheidungs-Kopplung).
# Action (A)
1. KPI-Berechnung je Funktion × Standort × Quartal: Time-to-Fill, Time-to-Hire,
Cost-per-Hire, Funnel-Conversion (Apply→Screen→Interview→Offer→Sign).
2. 12M-Trend mit Q-zu-Q-Bewegungen.
3. Benchmark-Vergleich mit LinkedIn / DGFP / BA-Engpass-Indikator.
4. Engpass-Cluster-Detection (Funktion × Standort mit Time-to-Fill > 1,5x Konzern-Median).
5. Funnel-Conversion-Auffälligkeiten (Stage-Drop > 1,5x Konzern-Schnitt).
6. Hypothesen-Bildung mit `HYPOTHESE:`-Präfix.
7. Maßnahmen-Empfehlungen Prozess-Ebene (Sourcing, Interview-Effizienz, Offer-Quote);
keine demografisch-diskriminierenden Empfehlungen.
# Format (F)
- KPI-Übersichts-Tabelle | Funktion | Standort | TtF | TtH | CpH | Conversion |.
- Trend-Block (12M).
- Benchmark-Vergleich-Block.
- Engpass-Cluster-Liste.
- Hypothesen nummeriert.
- Maßnahmen-Empfehlungen 3–5 Bullets.
# Target Audience (T)
TA-Lead, CHRO, Hiring Manager. Sachlich, datenbasiert, AGG-konform. Keine demografisch-
selektiven Aussagen.So sieht der Input aus
Pseudonymisierter Eingabetext
Eingabe (aggregiert, k≥5):
Recruiting-Funnel Q1 2026:
TtF (Tage) TtH (Tage) CpH (EUR) Apply→Sign Conv.
Software-Engineering 78 52 7.200 2,1 %
Customer Success 45 32 3.800 4,2 %
Sales B2B 58 42 4.500 3,1 %
Operations 28 18 1.900 8,4 %
HR 52 38 3.200 5,1 %
12M-Trend (Konzern-Median TtF): 2025 Q1: 48 d → 2026 Q1: 58 d
Standort-Highlights (n≥5):
- Software-Engineering Hauptsitz TtF: 72 d
- Software-Engineering Berlin TtF: 89 d (auffällig)
- Software-Engineering München TtF: 84 d
Externe Benchmarks:
- LinkedIn Future of Recruiting 2025 (STD-0044): DACH-Tech TtF Median ~65 d
- BA-Engpass (STD-0055): Engineering = Engpassberuf
- DGFP-Recruiting-Benchmark (SRC-0275): TtF Median über Branchen ~45 dSo liefert anymize zurück
Der KI-Entwurf
## Recruiting-Funnel-Analyse Q1 2026
### KPI-Übersicht
| Funktion | TtF (d) | TtH (d) | CpH (EUR) | Apply→Sign |
|---|---|---|---|---|
| Software-Engineering | 78 | 52 | 7.200 | 2,1 % |
| Customer Success | 45 | 32 | 3.800 | 4,2 % |
| Sales B2B | 58 | 42 | 4.500 | 3,1 % |
| Operations | 28 | 18 | 1.900 | 8,4 % |
### Benchmark-Vergleich
- Engineering 78 d vs. LinkedIn DACH-Tech Median 65 d → +13 d über Benchmark.
BA-Engpass (STD-0055) = Engineering Engpassberuf, daher höhere Werte strukturell erwartet.
- Operations 28 d vs. DGFP-Median 45 d → deutlich besser; Operations kein Engpass.
### Engpass-Cluster (Time-to-Fill > 1,5x Konzern-Median 58 d)
1. Software-Engineering Berlin: 89 d.
2. Software-Engineering München: 84 d.
3. Software-Engineering Hauptsitz: 72 d.
### Hypothesen
1. HYPOTHESE [[VALIDIERUNG ERFORDERLICH]]: Software-Engineering Berlin TtF 89 d
reflektiert lokalen IT-Engpass-Markt.
2. HYPOTHESE: Niedrige Apply → Screen Conversion 22 % kann mit zu strikter
Skill-Listen-Definition zusammenhängen.
### Maßnahmen-Empfehlungen (Prozess-Ebene, AGG-konform)
1. Stellenanzeigen-Skill-Review Engineering (Must-have-Reduktion auf 5–7).
2. Sourcing-Diversifizierung Berlin/München (LinkedIn Talent Insights, Stack Overflow Jobs).
3. Interview-Effizienz-Audit Engineering.
4. Reskilling-Pipeline aus angrenzenden Funktionen (Querbezug UC-V-HR-ANA-004).
5. Engpass-Cluster monatliches Re-Forecast.Was das HR-Recht verlangt
Pflichten und wie anymize sie abdeckt
AGG + BAG 8 AZR 74/25 (SRC-0217, SRC-0256), demografische Funnel-Steuerung verboten
Funnel-Optimierung darf nicht selektiv nach Alter, Geschlecht, Herkunft steuern. Mitigation: AGG-Sanity-Check; D&I-Review.
§ 26 BDSG (SRC-0215), Bewerber-Daten sensibel
Klar-Bewerber-Daten dürfen nicht in LLM. Mitigation: anymize.ai-NER vor LLM.
BetrVG § 87 (BAG 1 ABR 20/21, SRC-0257)
Recruiting-Funnel-KI mitbestimmungspflichtig. Mitigation: Betriebsvereinbarung.
DSGVO Art. 22 (SRC-0240)
Keine automatischen Personalentscheidungen aus Funnel-Daten. Mitigation: human-in-the-loop.
EU AI Act Annex III Nr. 4 (SRC-0231), Recruiting-KI Hochrisiko
Mitigation: FRIA bei breitem Einsatz; Modell-Karte; menschliche Aufsicht.
Halluzinations-Risiko bei Benchmark-Interpretation
LLM kann falsche Benchmark-Zahlen erfinden. Mitigation: Benchmarks als strukturierte Eingabe (nicht LLM-Wissen).
Schatten-KI durch Recruiter
Public-ChatGPT mit Bewerber-Daten = § 26 BDSG-Verstoß. Mitigation: KI-Policy; anymize-Workflow als Standard.
Datenschutz und Vertraulichkeit
So funktioniert das mit anymize
Recruiting-Funnel-Daten enthalten Bewerber-Klar-Daten (§ 26 BDSG); anymize.ai pseudonymisiert Bewerber-IDs, Hiring-Manager-Namen, Funktions-Codes vor LLM-Übergabe. k-Anonymität k≥5 für Funnel-Cohorts technisch erzwungen. Benchmarks (LinkedIn Future of Recruiting, DGFP-Recruiting-Benchmark, BA-Engpass-Indikator) als strukturierte Eingabe, verhindert LLM-Halluzinationen. Verarbeitung in deutschen Rechenzentren (Hetzner), AVV nach Art. 28 DSGVO. BetrVG § 87 Abs. 1 Nr. 6 (BAG 1 ABR 20/21) Mitbestimmung; § 80 BR-Information. DSGVO Art. 22 keine Auto-Entscheidung; DSGVO Art. 35 DPIA. AGG §§ 1, 3, 7 + BAG 8 AZR 74/25 (120 k EUR): Funnel-Auswertung darf keine mittelbar diskriminierende Steuerung enthalten, AGG-Sanity-Check Pflicht. EU AI Act Annex III Nr. 4 + Art. 26 bei Recruiting-Entscheidungs-Kopplung Hochrisiko; FRIA Art. 27 bei breitem Einsatz.
Was anymize konkret leistet
- Pseudonymisiert Bewerber-IDs, Hiring-Manager-Namen, Funktions-Codes vor LLM-Übergabe.
- Erzwingt k≥5 für Funnel-Cohorts.
- Benchmarks als strukturierte Eingabe, verhindert LLM-Halluzinationen.
- Verarbeitung in deutschen Rechenzentren (Hetzner).
- Alternative: Native ATS-Plattform-KI (Greenhouse Analytics, Workday Recruiting, SAP SuccessFactors Recruiting); DIY-Pipeline; LinkedIn Talent Insights als Benchmark.
Sicherheitscheck vor der Veröffentlichung
Was anymize liefert, was Sie souverän entscheiden
Vor dem KI-Aufruf
- DPIA + BR-Information dokumentiert?
- k-Anonymität k≥5 für Funnel-Cohorts?
- anymize.ai-Pseudonymisierung vor LLM?
- Benchmarks als strukturierte Eingabe (nicht LLM-Wissen)?
Nach der KI-Antwort
- AGG-Sanity-Check des Outputs (keine demografisch-selektiven Empfehlungen)?
- Engpass-Cluster mit BA-STD-0055-Bezug zitiert?
- Hypothesen mit Validierungs-Marker?
- Maßnahmen-Empfehlungen prozess-/nicht personenbezogen?
Vor Distribution
- AVV mit anymize-Anbieter und Cloud-LLM?
- KI-Inventar nach EU AI Act Art. 26; ggf. FRIA Art. 27?
- TA-Lead + CHRO-Freigabe?
- Drift-Monitoring monatlich; Halluzinations-Kontrolle?
Typische Fehlermuster und wie anymize gegensteuert
- →KI gibt demografisch-selektive Empfehlungen („mehr Männer einstellen”), AGG-Sanity-Check fängt das ab.
- →KI erfindet Benchmark-Zahlen aus eigenem Wissen, strukturierte Eingabe verhindert das.
- →KI extrapoliert von Engpass-Clustern auf Konzern-weite Maßnahmen, Cohort-Markierung erzwingen.
- →KI ignoriert BA-Engpass-Klassifikation, der Prompt zwingt zum expliziten Engpass-Indikator-Zitat.
- →KI gibt automatische Hiring-Entscheidungen, Prompt verbietet Auto-Personalentscheidungen.
Rechtsgrundlagen
Normen, Urteile, Belege
Primärnormen: Mitbestimmung und Datenschutz
- Mitbestimmung Recruiting-KI
- BR-Information
- Bewerber-Daten
- Datenminimierung
- Keine Auto-Entscheidung
- Folgenabschätzung
AGG und EU AI Act
- Diskriminierungsverbot
- 120.000 EUR Altersdiskriminierung
- Microsoft 365 + § 87 BetrVG
- Hochrisiko bei Recruiting
- KI-Inventar
Studien und Plattformen
- Time-to-Hire Top-3-KPI
- 163 Engpassberufe
- Recruiting-Benchmark DE
- 19 % KI-Adoption
- Plattform-Belege
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.