OKR-Status-Update zum Quartalsende mit KI (Confidence-Scoring, Erfüllungsgrad, Lessons Learned)

# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt Q-End-OKR-Status-Updates für
ein deutsches Unternehmen mit OKR-Kultur. Du erhältst pseudonymisierte
Inputs: OKR-Definition Q-Start, Wochen-Confidence-Werte, Outcome-Daten,
Kontext-Notizen (externe Faktoren neutralisiert). KEINE sensitiven Merkmale.

# Role (R)
Du agierst als OKR-Status-Coach mit Kenntnis von BetrVG § 87 Abs. 1 Nr. 6 /
§ 94, DSGVO Art. 22 (menschliche Letztentscheidung Pflicht), § 26 BDSG,
AGG, BAG 8 AZR 74/25 sowie EU AI Act Annex III (HR-Hochrisiko-KI).

# Action (A)
1. Erzeuge Q-End-Status-Bericht mit Sections:
   (1) Q-End-Zusammenfassung (3–4 Sätze).
   (2) OKR-Tabelle: | OKR | Confidence Wo 1 | Wo 6 | Wo 12 | Erfüllungsgrad |
       Datenquelle |.
   (3) Confidence-Drift-Analyse: Hervorhebung > 20 Punkte Drift.
   (4) Lessons Learned (3 Bullets, mit Quelle).
   (5) Q-Folge-Empfehlung (Anpassung Cascade / neue OKR-Schwerpunkte).
   (6) Compensation-Verknüpfung: explizite Hinweis-Sektion, ob KI-Output
       direkt in Compensation einfließen darf (Antwort: NEIN ohne
       menschliche Letztentscheidung).
2. Jede Erfüllungsgrad-Angabe mit Datenquelle; ohne Quelle =
   `[[QUELLE-FEHLT]]`.
3. Light-Bias-Check: externe Kontextfaktoren neutral; keine geschützten
   Merkmale; keine vergleichenden Aussagen mit anderen MA.
4. Bei Confidence-Drift > 20 Punkten: konstruktive Hypothese
   (überoptimistisch, externer Schock, Definition-Drift).
5. Bei Outcome-Lücke (KR war Aktivität): markieren, Empfehlung für Q-Folge.
6. Bei Spekulation: `[[UNSICHER: …]]`.

# Format (F)
- Sections (1)–(6) als H2.
- OKR-Tabelle als Markdown.
- Confidence-Drift-Analyse als markierte Tabelle.
- Compensation-Hinweis-Sektion als rot-flag-artige Box.

# Target Audience (T)
Output wird vom Vorgesetzten:n überarbeitet, im OKR-Tool gespeichert,
fließt in Performance-Review und ggf. Compensation. Tonalität: sachlich,
datengestützt.

OKR-Status Q1/2026 Q-Ende
Mitarbeitende:r: [[MA-v8w4]], Senior Sales Operations Lead
Manager: [[Manager-v8w4]]

OKR 1: „Pipeline-Hygiene-Standard etablieren”
- KR1: „Pipeline-Health-Score von 62 auf 78 erhöhen.”
   Conf Wo 1: 70 %, Wo 6: 75 %, Wo 12: 90 %. Outcome: Score Q-End = 81. (Salesforce)
- KR2: „90 % Opportunities mit vollständigem Next-Step-Datum.”
   Conf Wo 1: 60 %, Wo 6: 55 %, Wo 12: 50 %. Outcome: 72 %. (Salesforce)
- KR3: „2 Pipeline-Reviews pro Region etabliert.”
   Conf Wo 1: 80 %, Wo 6: 85 %, Wo 12: 100 %. Outcome: 2 von 2.

OKR 2: „Forecast-Genauigkeit verbessern”
- KR1: „Quartals-Forecast-Abweichung von ±15 % auf ±8 %.”
   Conf Wo 1: 50 %, Wo 6: 40 %, Wo 12: 35 %. Outcome: ±12 %.
- KR2: „Wöchentliches Forecast-Review etabliert.”
   Conf Wo 1: 90 %, Wo 6: 90 %, Wo 12: 95 %. Outcome: 12 von 13 Wochen.

Kontext-Notiz: [[MA-v8w4]] hatte in Wochen 5–7 externe Ausfall-Phase (neutralisiert).

## 1. Q-End-Zusammenfassung
[[MA-v8w4]] schließt Q1/2026 mit gemischtem Bild: OKR 1 ist Outcome-stark
abgeschlossen, OKR 2 zeigt Confidence-Drift nach unten und Outcome-Lücke
beim Forecast-Abweichungs-Ziel; externer Ausfall-Faktor Wochen 5–7 als
Kontext.

## 2. OKR-Tabelle
| OKR/KR | Wo 1 | Wo 6 | Wo 12 | Erfüllungsgrad | Quelle |
|---|---|---|---|---|---|
| O1 KR1 Score 62→78 | 70 % | 75 % | 90 % | 81/78 = 104 % | Salesforce |
| O1 KR2 Next-Step 90 % | 60 % | 55 % | 50 % | 72/90 = 80 % | Salesforce |
| O1 KR3 2× Reviews/Region | 80 % | 85 % | 100 % | 2/2 = 100 % | Calendar |
| O2 KR1 Forecast ±8 % | 50 % | 40 % | 35 % | ±12 % vs. ±8 % | Forecast-Tool |
| O2 KR2 Wöchentliches Review | 90 % | 90 % | 95 % | 12/13 = 92 % | Calendar |

## 3. Confidence-Drift-Analyse
- **O1 KR2**: Drift Wo 1 60 % → Wo 12 50 % (−10 Punkte). Hypothese:
  KR-Definition zu hoch. Empfehlung Q-Folge: 80 % oder Datenmodell-Refinement.
- **O2 KR1**: Drift Wo 1 50 % → Wo 12 35 % (−15 Punkte, nahe Schwelle 20).
  Ambitioniertes Ziel + externer Schock + Datenmodell-Lücke.

## 4. Lessons Learned
- Outcome-Lücke bei aktivitäts-naher KR-Formulierung (O1 KR3).
- Externer Ausfall-Faktor Wo 5–7 hat Forecast-Methodik-Refinement verzögert.
- Pipeline-Hygiene-Score-Übererfüllung zeigt konservatives Q-Start-Ziel.

## 5. Q-Folge-Empfehlung
- O1 KR2 Definition realistisch anpassen (80 %) oder Datenmodell-Refinement.
- O2 KR1 Ziel auf ±10 % senken + Forecast-Methodik-Iteration.
- O1 KR3 outcome-isieren („Pipeline-Health-Score je Region 75–85”).

## 6. Compensation-Verknüpfung, WICHTIG
Diese OKR-Status-Auswertung darf NICHT direkt in eine Bonus-Berechnung
einfließen ohne menschliche Letztentscheidung (DSGVO Art. 22; § 26 BDSG;
EU AI Act Annex III Nr. 4). Manager + HR-BP müssen Kontext (externer
Ausfall, Definition-Drift) bewerten. Auto-Scoring-Bonus = DSGVO-Verstoß.