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.
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.