Personalentwicklung und Learning
Skill-Taxonomie-Setup KI-gestützt (ESCO EU, SFIA IT, O*NET US — Mapping und Architektur)
Setup einer unternehmensspezifischen Skill-Taxonomie auf Basis ESCO/SFIA/O*NET mit ESCO-Mapping ≥80 %, AGG-Bias-Audit der Skill-Definitionen (keine „Hands-on”, „Hunger”, „native Speaker”), 4-Level-Skill-Definitionen verhaltensbezogen statt jahresbezogen und HRIS-Integrations-Empfehlung. anymize pseudonymisiert die interne Karriere-Architektur (Geschäftsgeheimnis), bevor sie das Cloud-LLM-Modell sieht.
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?
Skill-Taxonomie ist das oft übersehene Fundament des L&D-Pillars — ohne sauber definierte Skill-Taxonomie sind Skill-Gap-Analyse, Lernpfade, Nachfolgeplanung, Talent-Review und Lern-ROI methodisch instabil. Etablierte Standards (ESCO, SFIA, O*NET) bilden das Backbone; unternehmensspezifisches Mapping macht es nutzbar. Abgrenzung: konkrete Skill-Gap-Auswertung in UC-V-HR-LRN-001/002; Career-Pathing in UC-V-HR-LRN-015/016.
Für wen passt das?
Zielgruppe und Kontext
- Rolle
- Head of Talent Management (Owner), L&D-Manager, HRIS-Architect (Workday, SuccessFactors, Personio), Head of People Analytics, HR Business Partner, Bereichs-Architekt:innen (Engineering Career Framework, Sales-Career-Path-Owner, Finance-Career-Map), BR (Information BetrVG § 87, § 94, § 95).
- Seniorität
- Senior — taxonomisches Denken (Mengenlehre, Hierarchie, Synonym-Auflösung), HRIS-Architektur-Erfahrung, Cross-Functional-Kompetenz.
- Unternehmensgröße
- Mittelstand mit >500 MA und mehreren Funktionsfamilien; Konzern; DAX/MDAX-Listing mit komplexer Career-Pipeline.
- Spezifische Kontexte
- (a) Erst-Setup bei HRIS-Implementation (Workday Skills Cloud, SuccessFactors Job Architecture), (b) Migration von Legacy-Taxonomie auf moderne Standard-Taxonomie, (c) M&A-Integration mit Taxonomie-Konsolidierung, (d) Career-Framework-Refresh, (e) ESG-Reporting-Vorbereitung (CSRD ESRS S1 — Skill-Entwicklungs-Metriken).
Die Situation in der Personalabteilung
So bringen Sie Tempo und Sorgfalt zusammen
Skill-Taxonomie-Setup hat drei vertikale Risiken: (1) Standard-vs.-Internal-Trade-off — ESCO (EU, ~13.890 Skills + 3.008 Berufe) ist umfassend, aber generisch; SFIA (IT, 8 Levels × 6 Kategorien) ist tief, aber IT-spezifisch; O*NET (US) ist datenreich, aber nicht EU-anschlussfähig. Reines Übernehmen macht die Taxonomie unbrauchbar; reines internes Schaffen erzeugt Insel-Lösung ohne Marktdaten-Anschluss. (2) AGG-Bias in Skill-Definitionen — Beschreibungen wie „Hands-on-Mentalität”, „Hunger”, „technische Affinität” (statt konkretem Skill) können altersdiskriminierend wirken (BAG 8 AZR 74/25). Skill-Level-Definitionen mit „Junior braucht X Jahre” sind altersbezogene Proxy-Variablen. (3) BetrVG-§-87-Risiko — Sobald Skill-Taxonomie zur individuellen Leistungs-/Verhaltens-Kontrolle (Skill-Score je MA) verwendet wird, ist § 87 Abs. 1 Nr. 6 berührt; § 94 (Beurteilungsgrundsätze) und § 95 Abs. 2a (Auswahlrichtlinien KI) ebenfalls. anymize hält die interne Funktionsfamilien-Architektur (Geschäftsgeheimnis) und individuelle Skill-Score-Daten aus dem Cloud-LLM-Kontext heraus; öffentliche ESCO-/SFIA-/O*NET-Inhalte bleiben Klartext.
Was Sie davon haben
Zeit, Wert, Vertraulichkeit
Zeit pro Setup-Phase
10–30 Personentage
Danach 2–5 PT/Jahr Pflege. KI-Hebel besonders bei ESCO-Mapping, Synonym-Auflösung, AGG-Sprach-Check.
Folge-Hebel
alle Folge-Workflows
Skill-Gap-Analyse, Career-Pathing, Nachfolgeplanung, Lern-ROI werden methodisch besser — bessere Taxonomie multipliziert.
AGG-Defensive
Bias-bereinigt
BAG 8 AZR 74/25: 120.000 EUR Entschädigung; bias-bereinigte Skill-Definitionen reduzieren AGG-Klage-Risiko.
ESG-Verzahnung
CSRD ESRS S1
Bessere Taxonomie ermöglicht bessere Skill-Entwicklungs-Metriken über Zeit.
So gehen Sie vor
Der Workflow Schritt für Schritt
Standard-Auswahl: ESCO als EU-Backbone (zwingend), SFIA für IT (Best Practice DE-IT), O*NET als US-Anker bei US-Subsidiaries.
Mensch (Head of TM + HRIS)
Strategische Architektur-Wahl
Interne Funktionsfamilien-Inventur: welche Funktionen / Job-Levels haben wir? Karriere-Architektur (Engineering Levels, Sales Tracks, Finance Career Map).
Mensch (Bereichs-Architekt:innen)
Datenbasis
Skill-Roh-Liste pro Funktionsfamilie: was sind die Pflicht-Skills heute? (Stellenanzeigen-Analyse, Manager-Befragung, ESCO-/SFIA-Suchanfragen).
Mensch + KI
Material-Sammlung
Daten-Klassifikation: interne Funktionsfamilien-Architektur = Klasse A (Geschäftsgeheimnis); Skill-Bezeichnungen, Standard-Taxonomie-Referenzen = Klasse C.
Mensch
§ 26 BDSG
Pseudonymisierung mit anymize: [[Funktionsfamilie-…]], [[Karriere-Level-…]] bei Geschäftsgeheimnis-relevanten Karriere-Maps.
anymize
DSGVO Art. 28
KI-gestütztes ESCO-Mapping: jeden internen Skill auf ESCO-ID matchen; Synonym-Auflösung; Skill-Hierarchie aufbauen.
GPT / Claude / Gemini in anymize
Geschwindigkeit
AGG-Bias-Audit Skill-Definitionen: „Hands-on”, „Hunger”, „technische Affinität”, „junior/senior”, „Years-of-Experience” — alterspezifische / herkunfts-spezifische / geschlechtsspezifische Proxy-Variablen entfernen.
KI + Mensch (D&I)
AGG · BAG 8 AZR 74/25
Skill-Level-Definitionen (Beginner / Intermediate / Advanced / Expert) — verhaltensbezogen, nicht jahresbezogen formuliert. Career-Levels × Skill × erwartetes Level mappen.
Mensch (Bereichs-Architekt:innen)
AGG-Defensive · Career-Framework
HRIS-Integration: Workday Skills Cloud / SuccessFactors Job Architecture / Personio. BetrVG-Workflow: Information BR vor Aktivierung der Skill-Score-Funktionen je MA.
Mensch (HRIS-Architect + BR)
Tooling · Mitbestimmung
Roll-out mit Manager-Training (Skill-Bewertung), MA-Self-Service. Jährliche Pflege: neue ESCO-Versionen, Funktionsfamilien-Änderungen, Bias-Re-Audit.
Mensch + KI
Adoption · Aktualität
Womit Sie arbeiten
So setzen Sie anymize konkret ein
Was anymize tut
- Pseudonymisiert interne Funktionsfamilien-Architektur und Karriere-Maps (Geschäftsgeheimnis) vor dem Cloud-LLM-Transfer.
- Öffentliche ESCO-/SFIA-/O*NET-Inhalte bleiben Klartext — Mapping funktioniert normal.
- Bidirektionale Re-Identifikation der KI-Antworten in Ihrem anymize-Tenant.
- Verarbeitung in deutschen Rechenzentren (Hetzner); AVV nach Art. 28 DSGVO im Standardvertrag.
Was Sie als Head of TM tun
- Standard-Auswahl (ESCO + SFIA + O*NET) strategisch festlegen.
- Funktionsfamilien-Inventur mit Bereichs-Architekt:innen.
- AGG-Bias-Audit gemeinsam mit D&I; Skill-Level-Definitionen verhaltensbezogen.
- HRIS-Integration mit HRIS-Architect; BR-Information vor Skill-Score-Aktivierung.
- Jährliche Pflege-Routine etablieren.
Daten-Input
Setup-Auftrag (Unternehmens-Profil, Funktionsfamilien-Inventur, Skill-Roh-Liste aus Stellenanzeigen-Analyse, Standards-Auswahl ESCO/SFIA/O*NET), pseudonymisierte interne Karriere-Architektur, Bereichs-spezifische Career-Frameworks (Engineering Levels, Sales Tracks, Finance Career Map).
Output-Kontrolle
ESCO-Mapping-Tabelle mit Coverage-Quote ≥80 %, Skill-Hierarchie (3 Ebenen: Skill-Familie > Skill-Cluster > Einzel-Skill), 4-Level-Skill-Definitionen verhaltensbezogen, AGG-Bias-Audit-Block mit `[[BIAS-FLAG]]`-Liste und Re-Drafting-Vorschlägen, Funktionsfamilien-Mapping (Career-Levels × Skills × erwartetes Level), HRIS-Integrations-Empfehlung als Checkliste, BetrVG-Konformitäts-Checkliste. anymize selbst trifft keine Mapping-Entscheidung — Strukturierung leistet das Frontier-Modell, die AGG- und BR-Würdigung machen Sie.
Freigabeprozess
Head of TM → Bereichs-Architekt:innen → HRIS-Architect → D&I (AGG-Bias-Audit) → BR-Information BetrVG § 87 → Geschäftsführung.
Die KI-Anweisung
Prompt zum Kopieren
So nutzen Sie diesen Prompt:
1. Funktionsfamilien-Inventur + Skill-Roh-Liste aus Stellenanzeigen-Analyse in anymize einfügen — interne Karriere-Maps werden zu Platzhaltern.
2. Diesen Prompt kopieren und an die Inventur anhängen.
3. In anymize unter Tools → Reasoning auf Max-Modus stellen, dann KI-Aufruf starten — der Output kommt re-identifiziert zurück.
4. AGG-Bias-Audit gemeinsam mit D&I; Skill-Level-Definitionen verhaltensbezogen prüfen; BR-Information vor HRIS-Skill-Score-Aktivierung.
# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt das Setup einer Skill-
Taxonomie für ein deutsches Unternehmen. Der Input ist pseudonymisiert:
interne Funktionsfamilien-Architektur, Karriere-Levels durch
[[Kategorie-Hash]]. ESCO-/SFIA-/O*NET-Inhalte sind öffentlich.
# Role (R)
Du agierst als Talent-Management-Architekt mit Kenntnis ESCO (EU-Skill-
Klassifikation, ~13.890 Skills + 3.008 Berufe), SFIA (8 Levels × 6
Kategorien IT), O*NET (US-Anker); BetrVG § 87, § 94, § 95 Abs. 2a,
§ 96-98 (Berufsbildung); AGG §§ 1, 3, 7; BAG 8 AZR 74/25; DSGVO Art. 22,
Art. 28; § 26 BDSG; EU AI Act Art. 4; CSRD ESRS S1.
# Action (A)
1. ESCO-Mapping: für jeden internen Skill aus der Roh-Liste den
passendsten ESCO-ID + ESCO-Bezeichnung finden. Synonyme zusammen-
führen. Coverage-Quote ausweisen.
2. SFIA-Mapping (bei IT-Skills): IT-Skills zusätzlich auf SFIA-Code +
Level zuordnen.
3. O*NET-Cross-Reference (optional bei US-Subsidiaries).
4. Skill-Hierarchie: 3-Ebenen-Hierarchie (Skill-Familie > Skill-Cluster >
Einzel-Skill).
5. Skill-Level-Definitionen: für jeden Skill 4-Level-Definition (Beginner /
Intermediate / Advanced / Expert) — VERHALTENSBEZOGEN, nicht
jahresbezogen.
6. AGG-Bias-Audit: prüfe jede Skill-Definition auf alters- / herkunfts- /
geschlechtsspezifische Konnotationen. Markiere mit `[[BIAS-FLAG]]`
bei Verdacht. Beispiele: "Hands-on" (präziser formulieren),
"Hunger" (→ "Akquisitions-Drive"), "native Speaker" (Herkunfts-Bias).
7. Funktionsfamilien-Mapping: pro Funktionsfamilie erwartete Skills ×
Level pro Karriere-Stufe.
8. HRIS-Integrations-Empfehlung: Workday Skills Cloud / SuccessFactors
Job Architecture / Personio — welche Skill-IDs anlegen, welche
Hierarchie.
9. BetrVG-§-87-Checkliste: welche Skill-Scoring-Funktionen lösen
Mitbestimmung aus?
10. Markiere unsichere ESCO-Mappings mit `[[ESCO-VERIFIZIEREN]]`.
# Format (F)
- ESCO-Mapping-Tabelle (Interner Skill | ESCO-ID | ESCO-Bezeichnung |
Confidence).
- Skill-Hierarchie als verschachtelte Liste.
- Skill-Level-Definitionen pro Skill 4 Bullets.
- AGG-Bias-Audit-Block mit `[[BIAS-FLAG]]`-Liste.
- Funktionsfamilien-Mapping als Tabelle.
- HRIS-Integrations-Empfehlung als Checkliste.
- BetrVG-Konformitäts-Checkliste.
# Target Audience (T)
Head of Talent Management, Bereichs-Architekt:innen, HRIS-Architect,
D&I, BR (Information). Tonalität: präzise, taxonomisch, AGG-defensiv.So sieht der Input aus
Pseudonymisierter Eingabetext
Setup-Auftrag: Skill-Taxonomie Setup für [[Unternehmen]] (~3.500 MA).
Funktionsfamilien (pseudonymisiert):
- [[Funktionsfamilie-Engineering]] — 6 Levels L1-L6.
- [[Funktionsfamilie-Sales]] — 5 Levels L1-L5.
- [[Funktionsfamilie-Finance]] — 5 Levels L1-L5.
- [[Funktionsfamilie-Operations]] — 4 Levels L1-L4.
- [[Funktionsfamilie-HR]] — 4 Levels L1-L4.
- [[Funktionsfamilie-Marketing]] — 4 Levels L1-L4.
- [[Funktionsfamilie-Customer-Success]] — 4 Levels L1-L4.
- (8 Funktionsfamilien gesamt)
Skill-Roh-Liste aus Stellenanzeigen-Analyse 2025 (Auszug, n=210):
- Engineering: Python, JavaScript/TypeScript, Java, Kotlin, Go, Rust,
React, Angular, Vue, Node.js, Spring, Django, Kubernetes, Docker, AWS,
Azure, GCP, Terraform, GitHub Actions, ArgoCD, Postgres, MongoDB, Redis,
Kafka, REST APIs, Microservices, DDD, TDD, CI/CD, Observability,
"Hands-on-Mentalität" [BIAS-VERDACHT], "Hunger" [BIAS-VERDACHT], …
- Sales: Account Management, New Business, Pipeline-Building, Forecasting,
Salesforce, HubSpot, MEDDPICC, Challenger Sale, Negotiation, "Hunger"
[BIAS-VERDACHT], "Closing-Mentalität" [BIAS-VERDACHT], …
- Finance: Controlling, FP&A, Treasury, IFRS, HGB, SAP S/4HANA, Excel-
Modeling, Power BI, M&A, ESG-Reporting (CSRD ESRS), …
ESCO-Backbone gewünscht; SFIA für Engineering-Track ergänzend;
O*NET bei US-Subsidiary (15 % MA).So liefert anymize zurück
Der KI-Entwurf
## ESCO-Mapping-Tabelle (Auszug)
| Interner Skill | ESCO-ID | ESCO-Bezeichnung | Confidence |
|---|---|---|---|
| Python | [ESCO-ID-PYTHON] | Python (computer programming) | hoch |
| JavaScript/TypeScript | [ESCO-ID-JS] | JavaScript | hoch |
| Kubernetes | [ESCO-ID-K8S] | container orchestration tools | hoch |
| Terraform | [ESCO-ID-IAC] | infrastructure as code | mittel-hoch |
| Salesforce | [ESCO-ID-CRM] | customer relationship management software | mittel |
| MEDDPICC | nicht in ESCO | — | `[[ESCO-VERIFIZIEREN]]` |
| IFRS | [ESCO-ID-IFRS] | International Financial Reporting Standards | hoch |
| ESG-Reporting CSRD ESRS | [ESCO-ID-SUSTAINABILITY] | sustainability reporting | mittel-hoch |
| "Hands-on-Mentalität" | nicht mapping-fähig | — | `[[BIAS-FLAG]]` |
| "Hunger" | nicht mapping-fähig | — | `[[BIAS-FLAG]]` |
**ESCO-Mapping-Coverage:** 187 von 210 internen Skills (89 %). 23 ohne
direktes Match — davon 9 unternehmensspezifisch, 14 sprachlich-vage
Begriffe für AGG-Bias-Audit markiert.
## Skill-Hierarchie (3 Ebenen, Auszug)
- **Skill-Familie: Software-Engineering**
- Skill-Cluster: Programming Languages
- Python, JavaScript/TypeScript, Java, Kotlin, Go, Rust
- Skill-Cluster: Cloud & Infrastructure
- Kubernetes, Docker, AWS, Azure, GCP, Terraform
- Skill-Cluster: Data & Messaging
- Postgres, MongoDB, Redis, Kafka
- **Skill-Familie: Sales-Excellence**
- Skill-Cluster: Account-Management
- Account-Planning, C-Level-Stakeholder-Management
- Skill-Cluster: New-Business
- Outbound-Prospecting, Discovery-Calling
- Akquisitions-Drive (ersetzt "Hunger")
## Skill-Level-Definitionen (Auszug: Python)
- **Beginner**: kann einfache Python-Skripte lesen und kleine Anpassungen
vornehmen; nutzt unter Anleitung Standard-Bibliotheken.
- **Intermediate**: erstellt eigenständig kleinere Python-Module; nutzt
fortgeschrittene Standard-Bibliotheken; debug-fähig.
- **Advanced**: designt komplexe Python-Anwendungen; nutzt fortgeschrittene
Patterns; reviewt Code-Beiträge anderer.
- **Expert**: gibt Architektur-Entscheidungen vor; mentort Team in Best-
Practices; bekannt für Beiträge zu Open-Source-Libraries oder internen
Plattform-Komponenten.
**Bewusst KEINE jahresbezogenen Definitionen** ("Junior braucht 2 Jahre
Python" wäre altersbezogener Proxy nach AGG § 3 Abs. 2).
## AGG-Bias-Audit Skill-Definitionen
| Skill-Bezeichnung | Bias-Verdacht | Empfehlung |
|---|---|---|
| "Hands-on-Mentalität" | technologie-/alters-affin | → "Aktive Code-Review-Praxis" + "Iterative Entwicklungs-Methodik" |
| "Hunger" (Sales) | altersbezogen-stereotyp | → "Akquisitions-Drive — eigenständige Pipeline-Generierung" |
| "Closing-Mentalität" | stereotypen-belastet | → "Verhandlungs-Abschluss-Kompetenz (MEDDPICC)" |
| "Junger, dynamischer Teamplayer" | alters-bias direkt | → entfernen; Verhaltens-Konkretion |
| "Native English Speaker" | herkunfts-bias | → "English Working Proficiency C1+" |
**`[[BIAS-FLAG]]`:** 14 sprachlich-vage Begriffe in der Roh-Liste mit
Bias-Verdacht — alle umformuliert oder entfernt.
## Funktionsfamilien-Mapping (Auszug: [[Funktionsfamilie-Engineering]])
| Skill | L1 | L2 | L3 | L4 | L5 | L6 |
|---|:---:|:---:|:---:|:---:|:---:|:---:|
| Python | Beginner | Intermediate | Intermediate | Advanced | Advanced | Expert |
| Kubernetes | — | Beginner | Intermediate | Intermediate | Advanced | Advanced |
| Code-Review-Praxis | Beginner | Intermediate | Advanced | Advanced | Expert | Expert |
| Architektur-Design | — | — | Beginner | Intermediate | Advanced | Expert |
| Mentoring | — | — | Beginner | Intermediate | Advanced | Expert |
## HRIS-Integrations-Empfehlung
- [ ] Workday Skills Cloud: alle 187 ESCO-Mappings als Skill-Tags
anlegen mit ESCO-ID als External-Reference.
- [ ] SAP SuccessFactors Job Architecture: Funktionsfamilien-Mapping
als Job-Profile importieren.
- [ ] Skill-Self-Assessment-Modul aktivieren (BetrVG-Information vorher).
- [ ] Manager-Skill-Bewertungs-Funktion: BetrVG-§-87-Mitbestimmungs-Pflicht.
- [ ] Lightcast-Marktdaten-Integration für Salary-Benchmark.
## BetrVG-Konformitäts-Checkliste
- [ ] BR-Information vor Skill-Score-Aktivierung (BetrVG § 87 Abs. 1 Nr. 6).
- [ ] BetrVG § 94: Manager-Skill-Bewertung erfordert ggf. Auswahl-
richtlinien-BV.
- [ ] BetrVG § 95 Abs. 2a: bei KI-gestütztem Skill-Matching für Stellen-
besetzung BV-Pflicht.
- [ ] BetrVG § 96-98 (Berufsbildung): Skill-Gap-Auswertung als Anlass.
- [ ] AGG-Bias-Audit dokumentiert (D&I-Sign-off).
- [ ] DPIA nach DSGVO Art. 35 bei systematischem Skill-Profiling.
- [ ] EU AI Act Art. 4 KI-Kompetenz der Manager:innen für Skill-Bewertung.
`[[ESCO-VERIFIZIEREN]]`: 9 unternehmensspezifische Skills ohne direktes
ESCO-Match — als interne Erweiterung pflegen, jährlich gegen neue
ESCO-Versionen prüfen.Was das HR-Recht verlangt
Pflichten — und wie anymize sie abdeckt
BetrVG § 87 Abs. 1 Nr. 6 — Mitbestimmung bei Skill-Score-Tools
Sobald Skill-Taxonomie zur individuellen Leistungs-/Verhaltens-Kontrolle (Skill-Score je MA) verwendet wird, BV-Pflicht. BR-Information vor HRIS-Skill-Score-Aktivierung.
BetrVG § 94 — Beurteilungsgrundsätze
Skill-Bewertungs-Systeme können unter § 94 fallen; Auswahlrichtlinien-BV bei Manager-Skill-Bewertung.
BetrVG § 95 Abs. 2a — Auswahlrichtlinien bei KI-Skill-Matching
Bei KI-gestütztem Skill-Matching für Stellenbesetzung BV-Pflicht; Auswahlrichtlinien transparent dokumentieren.
AGG-Bias in Skill-Definitionen (BAG 8 AZR 74/25)
„Hands-on”, „Hunger”, „native Speaker”, „junger, dynamischer Teamplayer” — sprachlich-vage Begriffe mit alters-/herkunfts-/geschlechtsspezifischen Konnotationen. BAG 8 AZR 74/25: 120.000 EUR Entschädigung im Einzelfall.
Jahresbezogene Skill-Level-Definitionen
„Junior braucht 2 Jahre Python” = altersbezogener Proxy nach AGG § 3 Abs. 2 (mittelbare Diskriminierung). Stattdessen verhaltensbezogene Definitionen.
EU AI Act Annex III Nr. 4 — Hochrisiko-KI-Anwendung
Bei KI-Skill-Matching für Personalentscheidung (Hiring, Beförderung, Versetzung, Entlassung) Hochrisiko; Art. 26 Betreiber-Pflichten.
EU AI Act Art. 4 — KI-Kompetenz-Pflicht (seit 02.02.2025)
Manager, die KI-gestützte Skill-Bewertungen nutzen, brauchen nachweisbare KI-Kompetenz; Schulungs-Pflicht für Bewerter.
DSGVO Art. 22 + Art. 35
Keine vollautomatisierte Personalentscheidung auf Skill-Basis; DPIA bei systematischem Skill-Profiling.
Datenschutz und Vertraulichkeit
So funktioniert das mit anymize
Die datenschutzrechtlich entscheidende Frage beim Skill-Taxonomie-Setup: Sieht der KI-Anbieter die interne Karriere-Architektur (Geschäftsgeheimnis) und individuelle Skill-Score-Daten? Antwort mit anymize: nein — die Funktionsfamilien- und Karriere-Level-Identitäten werden vor dem Cloud-LLM-Transfer durch Platzhalter ersetzt; öffentliche ESCO-/SFIA-/O*NET-Inhalte bleiben Klartext; individuelle MA-Skill-Scores werden gar nicht in die Mapping-Phase übertragen. Rechtsgrundlage Art. 6 Abs. 1 lit. f DSGVO (berechtigtes Interesse Talent-Management) + § 26 BDSG. AVV mit HRIS-Anbieter und Marktdaten-Anbieter (Lightcast). DPIA nach Art. 35 bei systematischem Skill-Profiling Pflicht. EU AI Act Art. 4 (KI-Kompetenz-Pflicht seit 02.02.2025) und Annex III Nr. 4 (Hochrisiko-Anwendung bei KI-Skill-Matching für Personalentscheidung) sind unmittelbar einschlägig. Verarbeitung in deutschen Rechenzentren (Hetzner); AVV nach Art. 28 DSGVO im Standardvertrag.
Was anymize konkret leistet
- Pseudonymisiert die interne Karriere-Architektur (Geschäftsgeheimnis) vor dem Cloud-LLM-Transfer.
- Öffentliche ESCO-/SFIA-/O*NET-Inhalte bleiben Klartext — Mapping funktioniert auf Standard-Daten.
- Bidirektionale Re-Identifikation der KI-Antworten in Ihrem anymize-Tenant.
- Verarbeitung in deutschen Rechenzentren (Hetzner); AVV nach Art. 28 DSGVO im Standardvertrag.
- Alternative Tool-Pfade: Workday Skills Cloud (native Skill-Taxonomie, KI-gestützt), SAP SuccessFactors Job Architecture + Joule, Cornerstone Skills Graph, Eightfold (Talent-Intelligence), Lightcast/Burning Glass (Marktdaten-Integration), eigenes Setup anymize.ai + Azure OpenAI Frankfurt + ESCO-API + Python-Hierarchie-Modellierung.
Sicherheitscheck vor der Veröffentlichung
Was anymize liefert — was Sie souverän entscheiden
Vor dem KI-Aufruf
- Standard-Auswahl (ESCO + SFIA + O*NET) strategisch festgelegt?
- Funktionsfamilien-Inventur mit Bereichs-Architekt:innen abgestimmt?
- Skill-Roh-Liste aus Stellenanzeigen-Analyse + Manager-Befragung vorhanden?
- anymize-Pseudonymisierung der internen Karriere-Maps erfolgt?
Nach der KI-Antwort
- ESCO-Mapping-Coverage ≥80 %?
- AGG-Bias-Audit Skill-Definitionen `[[BIAS-FLAG]]`-frei (D&I-Sign-off)?
- Skill-Level-Definitionen VERHALTENSBEZOGEN (keine jahresbezogenen)?
- Funktionsfamilien-Mapping Career-Levels × Skills × erwartetes Level vollständig?
Vor dem HRIS-Roll-out
- BR-Information BetrVG § 87 vor Skill-Score-Aktivierung versandt?
- DPIA nach DSGVO Art. 35 vorhanden?
- EU AI Act Art. 4 Manager-Schulung für Skill-Bewertung organisiert?
- CSRD ESRS S1 Reporting-Anschluss vorbereitet?
- Jährliche Pflege-Routine etabliert (neue ESCO-Versionen, Bias-Re-Audit)?
Typische Fehlermuster — und wie anymize gegensteuert
- →KI übernimmt sprachlich-vage Begriffe („Hands-on”, „Hunger”) ohne Re-Drafting — AGG-Bias-Audit fängt das ab.
- →KI generiert jahresbezogene Skill-Level-Definitionen — verhaltensbezogene Definitionen im Prompt explizit.
- →KI matcht alle internen Skills auf ESCO ohne Confidence-Bewertung — `[[ESCO-VERIFIZIEREN]]` für unsichere Matches.
- →KI vergisst BetrVG-§-87-Checkliste bei HRIS-Integration — Mitbestimmung im Prompt explizit.
- →KI integriert Marktdaten-Anbieter (Lightcast) ohne AVV-Hinweis — Art. 28 DSGVO im Output prüfen.
Rechtsgrundlagen
Normen, Urteile, Belege
Primärnormen — Mitbestimmung
- Mitbestimmung bei Skill-Score-Tools
- Beurteilungsgrundsätze — Skill-Bewertung
- Auswahlrichtlinien bei KI-Skill-Matching
- Berufsbildung — Skill-Gap-Auswertung als Anlass
Primärnormen — AGG, Datenschutz, KI
- Diskriminierungsverbot in Skill-Definitionen
- 120.000 EUR Entschädigung — algorithmische Altersdiskriminierung
- Beschäftigtendaten — interne Karriere-Architektur
- Keine vollautomatische Personal-Entscheidung · AVV · DPIA
- Hochrisiko-KI bei Skill-Matching für Personalentscheidung
- KI-Kompetenz-Pflicht seit 02.02.2025
- Pseudonymisierung vor Cloud-LLM
- Mittelbare Diskriminierung über Proxy-Variablen
Standards, Tools, Studien
- ~13.890 Skills + 3.008 Berufe — EU-Backbone, kostenfreie API
- 8 Levels × 6 Kategorien — Best Practice DE-IT
- US-Anker bei Subsidiaries — datenreich, nicht EU-anschlussfähig
- Native Skill-Taxonomie, KI-gestützt
- Skill-Taxonomie-Layer mit KI
- Marktdaten-Integration für Skill-Demand und Salary-Benchmark
- 19 % HR-Kernprozesse mit GenAI
- Skill-Entwicklungs-Metriken als Reporting-Item
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.