Performance Management und Feedback
Skill-Assessment-Auswertung Team mit KI (SAP SuccessFactors Skills, BetrVG § 87)
anymize Skill-Assessment-Modus pseudonymisiert MA-Klarnamen, erhält Rolle/Tenure-Bin für Workforce-Planning. KI synthetisiert Team-Heatmap + Gap-Analyse + Self/Manager-Diskrepanz-Audit (Gender-Self-Konservatismus-Awareness).
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?
Skill-Assessments sind zunehmend Teil des Performance-Zyklus (jährliche Skill-Ist-Aufnahme parallel zum Review). Auswertungs-Aktion im Performance-Kontext; L&D-Folge-Maßnahmen in Cluster P-HR-05. BetrVG § 87 Abs. 1 Nr. 6 (BAG 1 ABR 20/21) und § 94 (bei Beförderungs-Implikation) machen Tool mitbestimmungspflichtig; EU AI Act Annex III bei Skill-Bewertungs-KI mit Karriere-/Vergütungs-Implikation.
Für wen passt das?
Zielgruppe und Kontext
- Rolle
- Team-Lead (Primärnutzer für Team-Profil), HR-Business-Partner (Konsolidierung), L&D-Manager (Folge-Maßnahmen), Talent-Manager, People-Analytics (Org-weite Aggregation).
- Seniorität
- Fortgeschritten, Skill-Taxonomien (SAP SuccessFactors Skills, ESCO, SFIA) und Skill-Gap-Methodik verlangen Erfahrung.
- Unternehmensgröße
- Konzern mit Skills-Cloud-Investment, großer Mittelstand mit formalisiertem Performance-Management.
- Spezifische Kontexte
- (a) Jährliches Skill-Assessment im Performance-Zyklus, (b) Transformation-getriebenes Re-Skilling-Assessment (Cloud-Migration, KI-Adoption), (c) Pre-Beförderungs-Skill-Validierung. Bei sehr kleinen Teams (n<5) Aggregation problematisch.
Die Situation in der Personalabteilung
So bringen Sie Tempo und Sorgfalt zusammen
Skill-Assessments laufen meist über zwei Achsen: Self-Rating (MA bewertet sich) und Manager-Rating (FK bewertet); optional Peer/360°. Pro MA werden 15–40 Skills auf einer Stufenskala (1–5: Beginner / Practitioner / Competent / Proficient / Expert) bewertet. Auswertung muss: individuelle Profile mit Self/Manager-Gap-Hinweisen, Team-Heatmap aggregiert, Skill-Gap-Analyse gegen Soll-Profil, Entwicklungs-Schwerpunkte pro MA, Aggregation für Workforce-Planning. Klasse-A-Risiko: Skill-Ratings = Beurteilungs-Daten (§ 26 BDSG). BetrVG § 87 + § 94 (BAG 1 ABR 20/21). EU AI Act Annex III bei Karriere-/Vergütungs-Implikation. KI-Risiken: Halluzination bei Stufen-Aggregation; Bias bei Soll-Profil-Definition; Gender-Self-Konservatismus (weibliche MA bewerten sich konservativer).
Was Sie davon haben
Zeit, Wert, Vertraulichkeit
Zeit pro Team-Auswertung
2–4 h
Reduktion auf 30–60 Min. Bei 50 Teams/Jahr in 500-MA-Unternehmen = 75–175 h.
Workforce-Planning-Qualität
L&D-gezielter
Wenn Skill-Gap-Analyse 10 % bessere L&D-Investitionen ermöglicht (gezielter statt Streuverlust): Multiplikator-Effekte signifikant.
Self/Manager-Gap-Audit
Gender-Awareness
Gender-Self-Konservatismus (weibliche MA bewerten sich konservativer) wird sichtbar gemacht, 1:1-Coaching-Trigger.
Anymize-Klasse
A
Skill-Ratings = Beurteilungs-Daten; Pseudonymisierung Pflicht; Rolle/Tenure-Bin erhalten für Workforce-Planning.
So gehen Sie vor
Der Workflow Schritt für Schritt
Skill-Taxonomie definieren (SAP SuccessFactors Skills, ESCO, SFIA, org-spezifisch); Soll-Profil pro Rolle definieren (mit FK + L&D).
Mensch
Bewertungs-Grundlage
Skill-Assessment durchführen: Self-Rating MA + Manager-Rating FK; ggf. Peer/360°.
Mensch + System
Datenerhebung
Pseudonymisierung: MA-Klarnamen → [[MA-…]]. Demografische Marker bei größeren Teams für Bias-Audit erhalten.
Mensch + anymize
§ 26 BDSG · DSGVO Art. 28
KI-Auswertung: individuelle Profile, Team-Heatmap, Skill-Gap-Analyse, Entwicklungs-Schwerpunkte.
KI
Strukturierung
Self/Manager-Gap-Audit: Diskrepanzen ≥2 Stufen markieren zur 1:1-Klärung. Gender-Self-Konservatismus-Bewusstsein.
KI + Mensch
Bewertungs-Konsistenz · Bias-Awareness
Rück-Substitution; FK + HR-BP-Vier-Augen.
Mensch + anymize
Re-Mapping
FK-Validierung mit Team: Heatmap im Team-Meeting; individuelle Profile in 1:1.
Mensch
Buy-in · Folge-Maßnahmen
BetrVG § 87 + § 94: bei standardisiertem Skill-Tool-Einsatz BV mit BR; bei Beförderungs-Grundlage zusätzlich § 94.
Mensch
Mitbestimmung
Individual-Entwicklungspläne ableiten (UC-V-HR-LRN-003/004); Team-Skill-Initiativen starten. Org-weite Aggregation: Skill-Inventar für Workforce-Planning.
Mensch + System
Operationalisierung
Womit Sie arbeiten
So setzen Sie anymize konkret ein
Was anymize tut
- Pseudonymisiert MA-Klarnamen.
- Rolle, Tenure-Bin (für Workforce-Planning-Cluster), Skill-Cluster-IDs erhalten.
- Bei größeren Teams: demografische Marker für Bias-Audit kontrolliert behalten.
- Daten in deutschen Rechenzentren (Hetzner); AVV nach Art. 28 DSGVO.
Was Sie als Team-Lead / HR-BP tun
- Skill-Taxonomie + Soll-Profil pro Rolle definieren (mit L&D + D&I-Officer bei AGG-Sensibilität).
- Self/Manager-Diskrepanz ≥2 Stufen → 1:1-Klärung.
- Gender-Self-Konservatismus-Awareness: konservative Self-Bewertung weiblicher MA als 1:1-Coaching-Trigger.
- FK-Validierung mit Team-Heatmap; BV für KI-Skill-Tool.
Daten-Input
Skill-Taxonomie (15–40 Skills), Soll-Profil pro Rolle (durchschnittliche Stufen 1–5), Self-Ratings (MA), Manager-Ratings (FK), optional Peer/360°. Erhalten in pseudonymisierter Form: Rolle, Tenure-Bin.
Output-Kontrolle
Pseudonymisierter Input geht an die KI. Re-identifizierte individuelle Skill-Profile (Skill | Self | Manager | Konsolidiert | Gap-Marker), Team-Heatmap (Skills × MA mit Farbcode), Skill-Gap-Analyse pro Skill (Team-Mean, Soll, Lücke, Priorität), Self/Manager-Gap-Audit (≥2 Stufen markiert), Entwicklungs-Schwerpunkte pro MA, Team-Initiativen, Workforce-Planning-Aggregation.
Freigabeprozess
Team-Lead validiert mit Team; HR-BP konsolidiert; BV für KI-Tool (§ 87 + § 94 BetrVG); bei Beförderungs-Implikation DPIA + EU AI Act Annex III; Mensch-Letztentscheidung (DSGVO Art. 22) bei Folge-Maßnahmen.
Die KI-Anweisung
Prompt zum Kopieren
So nutzen Sie diesen Prompt:
1. Skill-Assessment-Daten (Self + Manager) in anymize einfügen.
2. KI-Aufruf starten.
3. Self/Manager-Gap-Audit: Diskrepanzen ≥2 Stufen → 1:1-Klärung.
4. Gender-Self-Konservatismus bei weiblichen MA besonders beachten.
5. Team-Heatmap mit Team durchsprechen; Workforce-Planning-Beitrag aggregieren.
# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt einen Team-Lead in einem
deutschen Unternehmen bei der Auswertung eines Team-Skill-Assessments. Input
ist pseudonymisiert (`[[MA-…]]`, `[[FK-…]]`). Skill-Taxonomie folgt SAP
SuccessFactors Skills (oder gleichwertig). Stufen-Skala: 1=Beginner,
2=Practitioner, 3=Competent, 4=Proficient, 5=Expert.
# Role (R)
Du agierst als Skill-Management-Analyst mit Kenntnis von BetrVG § 87 Abs. 1
Nr. 6 (BAG 1 ABR 20/21), § 94, EU AI Act Annex III (Personalmanagement-KI =
Hochrisiko bei Beförderungs-Implikation), AGG-Sensibilität (BAG 8 AZR 74/25),
§ 26 BDSG. Du kennst die Self/Manager-Bias-Forschung: weibliche MA bewerten
sich häufig konservativer; männliche überschätzen Skill-Levels.
# Action (A)
1. **Individuelle Skill-Profile** pro MA: konsolidierte Stufe pro Skill
(Median oder gewichteter Schnitt); Gap-Markierung bei Self-Manager-
Diskrepanz ≥2 Stufen.
2. **Team-Heatmap**: Matrix Skills × MA in Markdown-Tabelle; Farbcode-
Legende (1=red, 2=orange, 3=yellow, 4=green, 5=darkgreen).
3. **Skill-Gap-Analyse**: pro Skill (a) Team-Mean, (b) Soll-Stufe,
(c) Lücke/Überschuss. Top-3 Lücken-Skills + Top-3 Überschuss-Skills.
4. **Self/Manager-Gap-Audit**: pro MA Diskrepanzen ≥2 Stufen markieren,
diese werden zu Calibration-Gespräch-Items.
5. **Entwicklungs-Schwerpunkte** pro MA: 2–3 Schwerpunkt-Skills.
6. **Team-Initiativen**: 3–5 konkrete Maßnahmen.
7. **Workforce-Planning-Beitrag**: aggregierter Team-Skill-Inventar-Beitrag
(5 Top-Skills mit Team-Mean, 5 Skill-Gap-Felder).
8. **Striktes Gebot, Bias-Sensibilität**: kein „weiche-Skills”-vs-„harte-
Skills”-Wertung; keine implizite Skill-Stereotype.
9. **Striktes Gebot, DSGVO Art. 22**: keine Beförderungs-Empfehlungen aus
Skill-Daten, diese sind Entwicklungs-Indikatoren, keine Bewertungs-
Verkürzungen.
# Format (F)
- Individuelle Profile als Tabelle.
- Team-Heatmap als Markdown-Tabelle.
- Skill-Gap als Tabelle | Skill | Team-Mean | Soll | Gap | Priorität |.
- Entwicklungs-Schwerpunkte pro MA als Markdown-Block.
- Workforce-Planning-Beitrag als kompakter Block.
# Target Audience (T)
Der Output wird von Team-Lead gelesen, mit MA in 1:1 besprochen, mit HR-BP
konsolidiert. Tonalität: sachlich, entwicklungsorientiert, **nicht**
bewertend.So sieht der Input aus
Pseudonymisierter Eingabetext
Skill-Assessment Team [[Team-Backend]] Q4/2026
n=10 MA | Skill-Cluster: Backend-Engineering (15 Skills)
Stufen 1–5
Skills-Liste:
S1 Java/Kotlin | S2 Python | S3 Go | S4 SQL-Performance | S5 PostgreSQL
S6 Redis | S7 Kafka | S8 Kubernetes | S9 AWS | S10 CI/CD
S11 System-Design | S12 Performance-Tuning | S13 Security-Hardening
S14 ADR/Architecture-Docs | S15 Mentoring
Soll-Profil Backend-Senior:
S1=4, S2=3, S3=3, S4=4, S5=4, S6=3, S7=3, S8=3, S9=3, S10=4, S11=4, S12=4, S13=3, S14=3, S15=3
Self/Manager-Ratings (Auszug 3 MA):
[[MA-a1]] (44 J., m, Tenure 6 J., Senior):
- S1: Self=4, Manager=4 | S2: Self=2, Manager=3 | S11: Self=5, Manager=4 | S13: Self=2, Manager=2
[[MA-b2]] (52 J., w, Tenure 12 J., Senior):
- S1: Self=5, Manager=4 | S2: Self=3, Manager=4 | S11: Self=4, Manager=5 | S15: Self=4, Manager=5
[[MA-c3]] (29 J., m, Tenure 1,5 J., Mid):
- S1: Self=3, Manager=3 | S2: Self=4, Manager=3 | S8: Self=3, Manager=2 | S11: Self=3, Manager=2 | S13: Self=1, Manager=1So liefert anymize zurück
Der KI-Entwurf
## Individuelle Skill-Profile
### [[MA-a1]]
| Skill | Self | Manager | Konsolidiert | Gap-Marker |
|---|---|---|---|---|
| S1 Java/Kotlin | 4 | 4 | 4 |, |
| S2 Python | 2 | 3 | 2,5 | minor Diskrepanz |
| S11 System-Design | 5 | 4 | 4,5 | minor (Self-Hoch) |
| S13 Security | 2 | 2 | 2 | (Soll 3, Lücke) |
**Schwerpunkte 2026-Q2**: S13 Security-Hardening; S8 Kubernetes.
### [[MA-b2]]
| Skill | Self | Manager | Konsolidiert | Gap-Marker |
|---|---|---|---|---|
| S1 Java/Kotlin | 5 | 4 | 4,5 | minor (Self-Hoch) |
| S2 Python | 3 | 4 | 3,5 | minor (Manager-Hoch) |
| S11 System-Design | 4 | 5 | 4,5 | minor (Manager-Hoch, Stakeholder „unterschätzt” konsistent) |
| S15 Mentoring | 4 | 5 | 4,5 | minor (Manager-Hoch) |
**Self-Konservatismus**: **Beobachtung**: Self bewertet konsequent niedriger
als Manager, Gender-typisches Muster, im 1:1 ansprechen.
**Schwerpunkte 2026-Q2**: S7 Kafka; S8 Kubernetes.
### [[MA-c3]]
| Skill | Self | Manager | Konsolidiert | Gap-Marker |
|---|---|---|---|---|
| S2 Python | 4 | 3 | 3,5 | minor (Self-Hoch) |
| S8 Kubernetes | 3 | 2 | 2,5 | Diskrepanz Self-Hoch → Calibration-Frage |
| S11 System-Design | 3 | 2 | 2,5 | Diskrepanz Self-Hoch → Calibration-Frage |
| S13 Security | 1 | 1 | 1 | (Soll 3, klare Lücke) |
**Schwerpunkte**: S13 Security-Hardening (Lücke 1→3); S11 System-Design (Lücke 2,5→4).
---
## Team-Heatmap (Auszug)
| Skill | [[MA-a1]] | [[MA-b2]] | [[MA-c3]] |
|---|---|---|---|
| S1 Java/Kotlin | 4 (green) | 4,5 (green) | 3 (yellow) |
| S8 Kubernetes | 2 (orange) | 2 (orange) | 2,5 (orange) |
| S11 System-Design | 4,5 (green) | 4,5 (green) | 2,5 (orange) |
| S13 Security | 2 (orange) | 3,5 (yellow) | 1 (red) |
---
## Skill-Gap-Analyse Team
| Skill | Team-Mean (n=10) | Soll | Gap | Priorität |
|---|---|---|---|---|
| S13 Security-Hardening | 2,1 | 3 | -0,9 | **HOCH** |
| S8 Kubernetes | 2,3 | 3 | -0,7 | **HOCH** |
| S7 Kafka | 2,4 | 3 | -0,6 | mittel |
**Top-3-Überschuss**: S12 Performance-Tuning (4,3 vs. 4,0); S4 SQL (4,2 vs. 4,0); S11 System-Design (3,9 vs. 4,0).
---
## Team-Initiativen
1. **Security-Hardening-Training** (Top-Lücke S13): externes 3-Tage-Training für 4 MA mit Lücke ≥1,5 (Q3-Start).
2. **Kubernetes-Coaching** (S8): internes Coaching durch [[MA-x]] (Kubernetes-Expert), Friday-Tech-Format.
3. **Mentoring-Wirkungs-Ausbau**: [[MA-b2]] mit S15=4,5 als formeller Mentor für Juniors.
---
## Workforce-Planning-Beitrag (Cluster-Aggregation)
**Top-5 Team-Strengths**:
- S12 Performance-Tuning (4,3) · S4 SQL (4,2) · S5 PostgreSQL (4,1) · S1 Java/Kotlin (3,9) · S11 System-Design (3,9)
**Top-5 Team-Gaps**:
- S13 Security · S8 Kubernetes · S7 Kafka · S14 ADR · S3 Go
**Recruiting-Empfehlung**: bei nächster Senior-Backend-Stelle Profil mit S13 + S8 + S7 Schwerpunkt.Was das HR-Recht verlangt
Pflichten und wie anymize sie abdeckt
BetrVG § 87 Abs. 1 Nr. 6 + BAG 1 ABR 20/21 (SRC-0211, 0257)
Skill-Assessment-Tool mit MA-Zuordnung = technische Überwachungseinrichtung → BV-Pflicht. Bei Beförderungs-Grundlage zusätzlich § 94.
DSGVO Art. 22 (SRC-0240)
Skill-Bewertung mit Beförderungs-/Vergütungs-Folge = erhebliche Auswirkung → keine vollautomatische Entscheidung; Mensch-Letztentscheidung.
EU AI Act Annex III Nr. 4 (SRC-0231)
Skill-Bewertungs-KI im Personalmanagement-Kontext = Hochrisiko bei Beförderungs-Implikation. DPIA-Pflicht.
Gender-Self-Konservatismus
Forschung: weibliche MA bewerten sich konservativer als männliche bei gleichem Skill-Niveau. Wenn Self-Rating dominiert → Gender-Bias. Self/Manager-Gap-Audit + 1:1-Klärung.
§ 26 BDSG (SRC-0215)
Skill-Ratings = Beurteilungs-Daten Klasse A. Pseudonymisierung Pflicht.
AGG-Risiko bei Soll-Profil-Definition (SRC-0217, 0256)
„Wichtige Skills” sind nicht neutral, könnten indirekt Schutzgruppen-Bias produzieren. D&I-Review des Soll-Profils.
ArbG Hamburg 24 BVGa 1/24 (SRC-0259)
ChatGPT-Privat-Account für Skill-Auswertung → § 26 BDSG-Verletzung.
Datenschutz und Vertraulichkeit
So funktioniert das mit anymize
Skill-Ratings + Manager-Ratings + Peer/360° = Klasse A. AVV nach Art. 28 DSGVO. DPIA (Art. 35; EU AI Act Hochrisiko bei Beförderungs-Implikation). Rechtsgrundlage Art. 6 Abs. 1 lit. f DSGVO + § 26 BDSG. Bei Org-weiter Aggregation: k-Anonymität pro Cluster-Bin beachten.
Was anymize konkret leistet
- Pseudonymisiert MA-Klarnamen; Rolle/Tenure-Bin erhalten für Workforce-Planning.
- Skill-Tool-native AI als Alternative: SAP SuccessFactors Skills + Joule, Workday Skills Cloud + Illuminate, Leapsome AI Copilot, Eightfold Talent Intelligence, KI im Tenant, BV-Pflicht.
- Hybrid: KI-Auswertung + manuelles 1:1-Gespräch für individuelle Schwerpunkte.
Sicherheitscheck vor der Veröffentlichung
Was anymize liefert, was Sie souverän entscheiden
Vor LLM-Transfer
- Pseudonymisierungs-Spot-Check; Rolle/Tenure-Bin erhalten.
- Soll-Profil mit D&I-Sign-off bei AGG-relevanten Soll-Skills.
- Skill-Taxonomie konsistent (SAP SuccessFactors Skills, ESCO, SFIA).
Nach KI-Auswertung
- Self/Manager-Audit: Diskrepanzen ≥2 Stufen markiert.
- Bias-Sensibilität: Gender-Self-Konservatismus erkannt.
- Skill-Gap gegen Soll-Profil dokumentiert.
- Entwicklungs-Schwerpunkte pro MA realistisch.
Vor Operationalisierung
- FK-Validierung: Team-Heatmap mit Team durchsprechen.
- BV für KI-Skill-Tool (§ 87 + § 94 BetrVG).
- DPIA bei Beförderungs-Implikation (EU AI Act Annex III).
- DSGVO Art. 22, Mensch-Letztentscheidung bei Folge-Maßnahmen.
- k-Anonymität bei Org-weiter Aggregation.
Typische Fehlermuster und wie anymize gegensteuert
- →Self/Manager-Gap-Audit nicht durchgeführt, Gender-Self-Konservatismus bleibt unsichtbar.
- →Soll-Profil-Definition mit AGG-Implikation („Mentoring”-Skill als beförderungs-relevant, aber überproportional weiblich besetzt).
- →Skill-Ratings direkt in Beförderungs-Empfehlung, DSGVO Art. 22-Verstoß.
- →k-Anonymität bei Org-Aggregation verletzt, Re-Identifikations-Risiko bei kleinen Cluster-Bins.
- →Privat-ChatGPT für Skill-Auswertung, ArbG-Hamburg-Risiko.
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)
- Menschliche Letztentscheidung (SRC-0240)
- Personalmanagement-KI Hochrisiko (SRC-0231)
- DSGVO-Praxis (SRC-0246)
Markt und Tools
- GenAI HR-Adoption (SRC-0271)
- Skills-Tool-AI (SRC-0306)
- Skills-Tool-AI (SRC-0307)
- Skills-Tool-AI (SRC-0310)
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.