Performance Management und Feedback
High-Potential-Identifikation Talent-Review mit 9-Box-Grid (BAG-Bias-Check)
anymize Talent-Review-Modus pseudonymisiert Klarnamen, erhält aber Schutzgruppen-Marker (Alter, Geschlecht, Tenure) für Bias-Audit-Zweck. KI prüft Achsen-Unabhängigkeit, Halo-Effekt, Cluster-Verteilung über Schutzgruppen, Manager-Affinitäts-Bias.
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.
Anwendungsbereich
Worum geht es hier?
Das HiPo-Talent-Review liegt zwischen Performance-Management, Personalentwicklung und People-Analytics. Die Performance-Achse stammt aus Performance-Review; die Potenzial-Achse wird in L&D weiterverarbeitet. 9-Box-Grid-basierte HiPo-Identifikation ist beim KI-Schritt das BAG-2026-Risiko-Feld: 120 kEUR algorithmische Altersdiskriminierung. EU AI Act Annex III: Personalmanagement-KI mit Karriere-/Vergütungs-Implikation = Hochrisiko.
Für wen passt das?
Zielgruppe und Kontext
- Rolle
- HR-Business-Partner (Primärnutzer Cluster-Drafting), Talent-Manager, HR-Leitung (Freigabe), Diversity-/Inclusion-Officer (Pflicht-Beteiligung), Performance-Management-Verantwortliche.
- Seniorität
- Senior — 9-Box-Disziplin verlangt klare Trennung Performance/Potenzial; Bias-Awareness essentiell.
- Unternehmensgröße
- Konzern mit eigenem Talent-Management-Cluster (>500 MA), großer Mittelstand mit formalisiertem Talent-Review.
- Spezifische Kontexte
- (a) Jährliche Talent-Review-Runde mit 9-Box-Mapping, (b) Quartalsweise Re-Kalibrierung für Schlüsselrollen, (c) Pre-Beförderungs-/Nachfolgeplanungs-Vorbereitung. Nicht relevant: einmalige Beförderungs-Entscheidungen ohne strukturiertes Talent-Review.
Die Situation in der Personalabteilung
So bringen Sie Tempo und Sorgfalt zusammen
Das 9-Box-Grid (Performance × Potenzial, je 3 Stufen) ist das verbreitetste Talent-Mapping-Tool in DE-Großkonzernen. Aus der 9-Box-Matrix entstehen strategische Cluster: „High Potentials”, „Solid Performers”, „Develop / Cautious”, „Underperformer”. Aus dem Cluster folgen direkt Karriere-Konsequenzen — Beförderung, Vergütungs-Erhöhung, Investment, Nachfolgeplanung. Genau hier liegt das BAG-2026-Risiko: BAG 8 AZR 74/25 (120 kEUR algorithmische Altersdiskriminierung) gilt analog für KI-gestützte Talent-Auswahl. Typische Bias-Muster: Altersbias (ältere MA seltener „High Potential”), Gender-Bias (weibliche MA überproportional „Solid Performer”), Halo-Effekt (Performance färbt Potenzial), Tenure-Bias, Manager-Affinitäts-Bias. KI in zwei Hebeln: (1) Drafting-Hebel — aus Review-Notizen einen 9-Box-Vorschlag mit transparenter Begründung; (2) Bias-Audit-Hebel — systematische Prüfung auf Bias-Muster.
Was Sie davon haben
Zeit, Wert, Vertraulichkeit
Zeit pro HiPo-Cluster-Review
1–3 h
Reduktion auf 30–90 Min. Bei einem 200-MA-Cluster mit 4–6 h manuellem Mapping wird der KI-Vorschlag in 60–90 Min validiert.
Risiko-Hebel
120 kEUR
BAG 8 AZR 74/25 pro Diskriminierungs-Fall; AGG-Reform 2026 mit 4-Monats-Klagefrist.
Bias-Audit
Schutzgruppen-Verteilung
HiPo-Anteil pro Alters-/Gender-/Tenure-Gruppe vs. Workforce-Anteil — statistische Marker mit Korrelation-≠-Kausalität-Hinweis.
Anymize-Klasse
A
Sensibelste Talent-Daten; Pseudonymisierung mit Bias-Audit-tauglicher Marker-Erhaltung.
So gehen Sie vor
Der Workflow Schritt für Schritt
Cluster-Definition: welche Population wird ge-Talent-Reviewt (z.B. Engineering-Cluster Tier-2, n=80). Datenbasis: Performance-Reviews letztes Jahr, OKR-Status, Karriere-Wünsche, Stakeholder-Beobachtungen, Tenure.
Mensch + System
Scope · Datenbasis
Pseudonymisierung mit anymize Talent-Review-Modus: Geschlecht/Alter/Tenure bleiben sichtbar für Bias-Audit-Zweck; Klarnamen ersetzt.
Mensch + anymize
DSGVO Art. 28 · Bias-Audit-Marker
Pflicht-Spot-Check Re-Identifikation; bei kleinen Sub-Clustern (n<10) AGG-relevante Marker entfernen oder Cluster größer schneiden.
Mensch
NER + Re-Identifikations-Risiko
KI-9-Box-Vorschlag: pro MA Performance-Achse (Low/Med/High) + Potenzial-Achse (Low/Med/High) mit getrennten Begründungen und Quellen-Bezug.
KI
Strukturierung · Achsentrennung
Halo-Effekt-Audit: Pflicht-Prüfung Achsen-Unabhängigkeit. Markiere [[HALO-VERDACHT]] wenn Performance und Potenzial mechanisch korrelieren.
KI + Mensch
Bias-Reduktion
KI-Bias-Selbst-Check: Verteilung der HiPo-Cluster über Alters-/Gender-/Tenure-Gruppen prüfen; statistische Unter-/Überrepräsentation markieren.
KI + Mensch
AGG · BAG 8 AZR 74/25
Rück-Substitution; HR-BP-Vier-Augen. Calibration-Meeting-Vorbereitung (→ UC-V-HR-PEF-017): Distribution-Plot, Bias-Audit-Ergebnis, Cluster-Empfehlungen.
Mensch + anymize
Vorbereitung Calibration
Calibration-Meeting: 5–10 Manager + HR-BP + D&I-Officer diskutieren Cluster-Zuordnungen; Bias-Audit-Resultate als Korrektur-Anker. Finale Cluster-Zuordnung mit dokumentierter Begründung; HR-Leitung-Freigabe.
Mensch
Peer-Review · Aufsicht
BR-Information § 94 BetrVG (Beurteilungsgrundsätze); D&I-Sign-off. Operationalisierung: HiPo-Investment-Plan, Nachfolgeplanung, individuelle Entwicklungspläne.
Mensch + System
Mitbestimmung · Operationalisierung
Womit Sie arbeiten
So setzen Sie anymize konkret ein
Was anymize tut (Talent-Review-Modus)
- Pseudonymisiert Klarnamen.
- Erhält Schutzgruppen-Marker (Alter, Geschlecht, Tenure) für Bias-Audit-Zweck.
- Bei kleinen Sub-Clustern (n<10) AGG-relevante Marker entfernen.
- Daten in deutschen Rechenzentren (Hetzner); AVV nach Art. 28 DSGVO.
Was Sie als HR-BP / D&I-Officer tun
- Cluster-Größen prüfen (≥10 für aggregierte Bias-Audits).
- Halo-Effekt-Audit auf Achsen-Unabhängigkeit.
- Manager-Affinitäts-Audit: HiPo-Anteil pro FK vs. Cluster-Durchschnitt (±20 % Threshold).
- Calibration-Meeting (UC-V-HR-PEF-017) als Pflicht-Vier-Augen-Plus.
- D&I-Officer-Sign-off vor finaler Cluster-Zuordnung.
Daten-Input
Performance-Reviews letztes Jahr, OKR-Status, Karriere-Wünsche, Stakeholder-Beobachtungen, Tenure-Daten. Schutzgruppen-Marker (Alter-Bin, Geschlecht, Tenure-Bin) für Bias-Audit erhalten.
Output-Kontrolle
Pseudonymisierter Input geht an die KI. Re-identifiziertes 9-Box-Mapping pro MA mit Performance-Achse (Low/Med/High) + Potenzial-Achse mit getrennten Begründungen, 9-Box-Zuordnung, Cluster-Label, Quellen-Liste. Bias-Selbst-Check: Cluster-Verteilungs-Audit, Achsen-Korrelations-Audit, Manager-Affinitäts-Audit, Begründungs-Qualität.
Freigabeprozess
HR-BP → D&I-Officer → Calibration-Meeting (5–10 FK + HR-BP + D&I) → HR-Leitung-Freigabe → BR-Information § 94 BetrVG.
Die KI-Anweisung
Prompt zum Kopieren
So nutzen Sie diesen Prompt:
1. Performance- + OKR- + 360°-Inputs in anymize einfügen.
2. Talent-Review-Modus: Schutzgruppen-Marker (Alter, Geschlecht, Tenure) bleiben erhalten.
3. Thinking-Modus, KI-Aufruf starten.
4. Halo-Audit + Cluster-Verteilungs-Audit + Manager-Affinitäts-Audit.
5. D&I-Officer-Sign-off; Calibration-Meeting (UC-V-HR-PEF-017).
# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt einen HR-Business-Partner bei
der Vorbereitung des jährlichen Talent-Reviews für ein deutsches Unternehmen
mit 9-Box-Grid-Methodik (Performance × Potenzial, je 3 Stufen). Input ist
pseudonymisiert (Klasse-A-Platzhalter); Schutzgruppen-Marker (Alter,
Geschlecht, Tenure) sind erhalten zur Bias-Audit-Zwecken.
# Role (R)
Du agierst als Talent-Management-Assistenz mit Kenntnis der 9-Box-Grid-
Methodik, BAG 8 AZR 74/25 (algorithmische Altersdiskriminierung), AGG-
Reform 2026, BetrVG § 94 (Beurteilungsgrundsätze), EU AI Act Annex III
(Personalmanagement-Hochrisiko). Du kennst die Bias-Forschung: Halo-Effekt,
Gender-/Altersbias in Talent-Reviews, Manager-Affinitäts-Bias.
# Action (A)
1. Pro MA: **Performance-Achse (Low/Med/High)** mit Begründung aus
rückblickenden Daten (Review-Bewertung, OKR-Erfüllung, KPI). Mindestens
3 Quellen-Verweise.
2. Pro MA: **Potenzial-Achse (Low/Med/High)** mit Begründung aus
zukunftsgerichteten Indikatoren: Lernfähigkeit, Stretch-Verhalten,
Strategisches Denken, Führungs-Anlagen. **Unabhängig** von Performance.
Mindestens 3 Quellen-Verweise.
3. **Striktes Gebot — Achsen-Unabhängigkeit**: bei mechanischer Korrelation
→ Markierung `[[HALO-VERDACHT: Potenzial-Begründung von Performance
unabhängig formulieren]]`.
4. **Striktes Gebot — Quellenpflicht**: jede Achsen-Aussage hat ≥3 Quellen.
5. **Bias-Selbst-Check** als separater Output-Block:
- (a) **Cluster-Verteilungs-Audit**: HiPo-Anteil pro Alters-Gruppen
(<35, 35–50, >50), Gender (m/w/d), Tenure-Bins (<2J, 2–5J, >5J).
Vergleich mit Workforce-Anteil.
- (b) **Achsen-Korrelations-Audit**: % der MA mit mechanischer
Performance=Potenzial-Zuordnung; Threshold >70 % triggert Warning.
- (c) **Manager-Affinitäts-Audit**: HiPo-Anteil pro FK vs. Cluster-
Durchschnitt; Threshold ±20 % triggert Warning.
- (d) **Begründungs-Qualität**: % der HiPo-Zuordnungen mit <3 Quellen.
6. **Striktes Gebot — keine pauschalen „High-Potential”-Etiketten**: jede
HiPo-Zuordnung mit konkretem Skill-/Verhaltens-Beleg.
7. Bei AGG-relevanten Mustern → Markierung mit Empfehlung „Calibration-
Meeting-Korrektur diskutieren”.
# Format (F)
- Pro MA: Markdown-Block mit Performance-Block, Potenzial-Block, 9-Box-
Zuordnung, Cluster-Label, Quellen-Liste.
- Bias-Selbst-Check als separater Block (a)–(d).
- Cluster-Distribution-Plot als Markdown-Tabelle.
# Target Audience (T)
Der Output wird von HR-BP gelesen, mit D&I-Officer abgestimmt, im
Calibration-Meeting mit FK-Cluster diskutiert. Tonalität: sachlich,
evidenzbasiert, keine pauschalen Werturteile.So sieht der Input aus
Pseudonymisierter Eingabetext
Talent-Review-Cluster Q2/2026 — Engineering Tier-2 (n=24)
MA-Profile (Auszug 3 von 24):
[[MA-a1]] (44 J., m, Tenure 6 J., Senior Backend Engineer)
- Performance Review 2025: „exceeds expectations” in 4/5 Kategorien.
- OKR-Erfüllung: Q1 100 %, Q2 90 %, Q3 100 %, Q4 110 %.
- Mentoring: 2 Juniors.
- Mid-Year-Wunsch: Staff-Engineer-Pfad.
- Tech-Talks: 3 intern, 1 extern.
- FK: [[FK-Backend-1]].
[[MA-b2]] (52 J., w, Tenure 12 J., Senior Backend Engineer)
- Performance Review 2025: „exceeds expectations” in 5/5 Kategorien.
- OKR-Erfüllung: Q1–Q4 100 % oder mehr.
- Mentoring: 4 Juniors.
- Mid-Year-Wunsch: keine konkrete Beförderungs-Anfrage.
- Stakeholder: „extrem verlässlich, strategisch unterschätzt”.
- FK: [[FK-Backend-1]].
[[MA-c3]] (29 J., m, Tenure 1,5 J., Mid Backend Engineer)
- Performance Review 2025: „meets expectations” in 4/5, „below” in 1/5.
- OKR-Erfüllung: Q1 80 %, Q4 95 % (Trend positiv).
- Stretch-Projekt: Architektur-Initiative Q4.
- Mid-Year-Wunsch: Karriere-Pfad-Klarheit, Senior-Pfad in 2J.
- FK: [[FK-Backend-2]].
Workforce-Verteilung Cluster (n=24): Alter <35: 42 %, 35–50: 50 %, >50: 8 %; Gender m: 75 %, w: 25 %; Tenure <2J: 21 %, 2–5J: 38 %, >5J: 42 %.So liefert anymize zurück
Der KI-Entwurf
## 9-Box-Zuordnungs-Vorschlag
### [[MA-a1]] (44 J., m, Tenure 6 J.)
- **Performance**: **High** — [Quelle: Review 2025 4/5 „exceeds”; OKR Q4 110 %; Q3 100 %].
- **Potenzial**: **High** — [Quelle: Tech-Talks intern/extern; Mentoring 2 Juniors; Mid-Year-Wunsch Staff-Pfad + Team-Lead-Verhalten].
- **9-Box**: H/H — „High Potential / Star”.
- **Achsen-Unabhängigkeit**: OK — Potenzial aus Tech-Talks + Mentoring (eigenständig).
### [[MA-b2]] (52 J., w, Tenure 12 J.)
- **Performance**: **High** — [Quelle: Review 2025 5/5; OKR Q1–Q4 ≥100 %; Stakeholder „extrem verlässlich, strategisch unterschätzt”].
- **Potenzial**: **High** — [Quelle: Mentoring 4 Juniors; Workshop-Moderation; „strategisch unterschätzt”-Hinweis als Korrektur-Signal].
- `[[HALO-/UMGEKEHRT-HALO-VERDACHT: trotz starker Performance keine
Beförderungs-Anfrage — bitte Calibration prüfen, ob „fehlender Wunsch”
mit „fehlender Potenzial-Annahme” verwechselt wird]]`
- **9-Box**: H/H mit Achtsamkeits-Note für Calibration.
### [[MA-c3]] (29 J., m, Tenure 1,5 J.)
- **Performance**: **Medium** — [Quelle: Review 2025 4/5 „meets”, 1/5 „below”; OKR-Trend positiv].
- **Potenzial**: **High** — [Quelle: Stretch-Projekt Q4; „sehr lernwillig”, „Selbst-Reflexion stark”; Mid-Year-Wunsch konkret].
- **9-Box**: M/H — „Future Star / Develop”.
---
## Bias-Selbst-Check Cluster (n=24)
### (a) Cluster-Verteilungs-Audit
**HiPo-Anteil** (Box H/H, n=8):
| Gruppe | Anteil HiPo | Workforce | Differenz |
|---|---|---|---|
| Alter <35 | 25 % (2/8) | 42 % | **-17 PP — Calibration-Frage** |
| Alter 35–50 | 62 % (5/8) | 50 % | +12 PP |
| Alter >50 | 12 % (1/8) | 8 % | +4 PP |
| Gender m | 75 % (6/8) | 75 % | 0 |
| Gender w | 25 % (2/8) | 25 % | 0 |
| Tenure <2J | 0 % (0/8) | 21 % | **-21 PP — Calibration-Frage Tenure-Bias** |
### (b) Achsen-Korrelations-Audit
- Mechanische Korrelation Performance=Potenzial: 14 von 24 (58 %) — unter 70 %-Threshold → **OK**.
- 2 Halo-Verdachts-Markierungen ([[MA-b2]] und [[MA-d4]]) zur Calibration.
### (c) Manager-Affinitäts-Audit
- [[FK-Backend-1]]: 4 von 6 eigene MA als HiPo (67 %); Cluster-Durchschnitt 33 % → **+34 PP — Warning, Calibration-Frage**.
- [[FK-Backend-2]]: 0 von 3 MA als HiPo → Calibration-Frage.
### (d) Begründungs-Qualität
- 22 von 24 MA-Zuordnungen mit ≥3 Quellen — OK.
- 2 Markierungen `[[POTENZIAL-EINSCHRÄNKUNG]]` zur Calibration.Was das HR-Recht verlangt
Pflichten — und wie anymize sie abdeckt
BAG 8 AZR 74/25 (SRC-0256)
120 kEUR Entschädigung pro Fall; AGG-Reform 2026 (SRC-0218): 4-Monats-Klagefrist. Pflicht-Bias-Audit + Calibration-Meeting.
Halo-Effekt zwischen Performance- und Potenzial-Achse
Mechanische Korrelation entwertet 9-Box-Methodik. Halo-Audit Schritt 5.
Gender-/Altersbias in Potenzial-Achse
Forschung: weibliche und ältere MA überproportional „Solid Performer”. Cluster-Verteilungs-Audit + Calibration-Korrektur.
EU AI Act Annex III + Art. 26 (SRC-0231, 0233)
Personalmanagement-KI mit Beförderungs-/Vergütungs-Implikation = Hochrisiko. Betreiber-Pflichten: Transparenz, menschliche Überprüfung, Logging, DPIA.
BetrVG § 87 + § 94 (SRC-0211, 0227, 0257)
9-Box-Tool mit standardisierter Cluster-Logik = technische Überwachung + Beurteilungsgrundsatz → doppelte Mitbestimmung.
DSGVO Art. 22 (SRC-0240)
Cluster-Zuordnung mit Vergütungs-/Beförderungs-Folge = erhebliche Auswirkung → keine vollautomatisierte Entscheidung; Calibration-Meeting als menschliche Letztentscheidung.
Manager-Affinitäts-Bias
Manager überbewerten ihre eigenen Direct-Reports. Manager-Affinitäts-Audit + Cross-Calibration durch andere FK.
§ 26 BDSG (SRC-0215) + BeschDG-Entwurf (STD-0053)
Volltext-Reviews + Karriere-Wünsche = höchstsensible Beschäftigtendaten. Schriftliche KI-Begründungspflicht — Audit-Trail.
Datenschutz und Vertraulichkeit
So funktioniert das mit anymize
Reviews + Karriere-Wünsche + Stakeholder + Vergütungs-Bezüge = Klasse A. Schutzgruppen-Marker (Alter/Gender/Tenure) für Bias-Audit-Zweck kontrolliert erhalten. AVV nach Art. 28 DSGVO. DPIA-Pflicht (Art. 35; EU AI Act Hochrisiko Annex III). Audit-Trail (Modell, Prompt-Version, Sign-offs) in Personalakte.
Was anymize konkret leistet
- Talent-Review-Modus: pseudonymisiert Klarnamen, erhält Bias-Audit-Marker.
- Bei kleinen Sub-Clustern (n<10): AGG-relevante Marker entfernen.
- Talent-Tool-native AI als Alternative: SuccessFactors Talent + Joule, Workday Talent + Illuminate, Leapsome, Lattice — KI im Tenant, BV + DPIA.
- Microsoft 365 Copilot mit Workspace bei M365-Stack.
- Hybrid: KI-Drafting für Initial-Cluster + manuelles Calibration-Meeting.
Sicherheitscheck vor der Veröffentlichung
Was anymize liefert — was Sie souverän entscheiden
Vor LLM-Transfer
- Pseudonymisierung mit Marker-Erhaltung (Alter, Geschlecht, Tenure).
- Cluster-Größe ≥10 für aggregierte Bias-Audits.
Nach KI-Drafting
- Performance-Achse mit ≥3 Quellen pro MA.
- Potenzial-Achse mit ≥3 Quellen pro MA, achsenunabhängig.
- Halo-Effekt-Audit: < 70 % mechanische Performance=Potenzial-Korrelation.
- Cluster-Verteilungs-Audit (Alter, Gender, Tenure) gegen Workforce-Anteil.
- Manager-Affinitäts-Audit ±20 % Threshold.
Vor finaler Zuordnung
- D&I-Officer Sign-off vor Calibration-Meeting.
- Calibration-Meeting (UC-V-HR-PEF-017) als Pflicht-Vier-Augen-Plus.
- BR-Information § 94 BetrVG.
- DPIA (EU AI Act Annex III) aktuell.
- Audit-Trail (Modell, Prompt, Sign-offs).
Typische Fehlermuster — und wie anymize gegensteuert
- →Halo-Effekt — Performance färbt Potenzial-Einschätzung.
- →Gender-/Altersbias in Potenzial-Achse — Cluster-Verteilungs-Audit pflichtig.
- →Manager-Affinitäts-Bias — FK überbewertet eigene Direct-Reports.
- →Pauschale „High Potential”-Etiketten ohne Belege — Quellen-Pflicht ≥3 pro Achse.
- →k-Anonymität bei kleinen Sub-Clustern verletzt — Marker entfernen oder Cluster vergrößern.
Rechtsgrundlagen
Normen, Urteile, Belege
Primärnormen
- Mitbestimmung (SRC-0211)
- Beurteilungsgrundsätze (SRC-0227)
- Microsoft-365-Präzedenz (SRC-0257)
- ChatGPT-Privat-Account (SRC-0259)
- Beschäftigtendaten (SRC-0215)
- Diskriminierungs-Schutz (SRC-0217)
- 4-Monats-Klagefrist (SRC-0218)
- Menschliche Letztentscheidung (SRC-0240)
- Personalmanagement-KI Hochrisiko (SRC-0231)
- Betreiber-Pflichten (SRC-0233)
- Algorithmische Diskriminierung 120 kEUR (SRC-0256)
- DSGVO-Praxis (SRC-0246)
Sekundär
- GenAI HR-Adoption (SRC-0271)
- Talent-Methoden (STD-0048)
- KI-Begründungspflicht (STD-0053)
- BV-Datenbank (STD-0054)
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.