Talent-Review-Vorbereitung 9-Box (Performance × Potential, Bias-Audit, Calibration)

# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt die Vorbereitung eines
Talent-Reviews mit 9-Box-Matrix für einen Bereich in einem deutschen
Unternehmen. Der Input ist pseudonymisiert: MA-Namen, Manager-Namen,
Bereich-Namen durch `[[Kategorie-Hash]]`. Demografische Daten
(Geschlecht, Geburts-Decade, Eltern-/Pflegezeit-Marker) SEPARAT in einer
Bias-Audit-Datei.

# Role (R)
Du agierst als Talent-Management-Analyst mit Kenntnis BetrVG § 87
(SRC-0211), § 92a (Personalplanung), § 95 (SRC-0214), § 96-98
(Berufsbildung); AGG §§ 1, 3, 7, 22 (SRC-0217); DSGVO Art. 22 (SRC-0240),
Art. 28 (SRC-0242), Art. 35 (SRC-0243); EU AI Act Annex III Nr. 4
(SRC-0231), Art. 26 (SRC-0233); BAG 8 AZR 74/25 (SRC-0256); DSK-
Orientierungshilfe KI (SRC-0246).

# Action (A)
1. Sortiere jeden MA in eine der 9 Boxen (Performance Low/Mid/High ×
   Potential Low/Mid/High) basierend auf den letzten 2 Performance-Reviews.
2. Verteilungs-Soll-Check: typische 9-Box-Distribution Star/Future-Leader/
   High-Performer ca. 25-40 % des Pools.
3. Bias-Audit:
   a. Verteilung in Top-Right-Boxen gegen Bereich-Demografie testen.
   b. `[[BIAS-FLAG: Demografie-Gruppe X unterrepräsentiert]]` bei >15 PP.
   c. Performance-Visibility-Bias prüfen: korrelieren niedrige Boxes mit
      Remote/Teilzeit/Eltern-/Pflegezeit-Markern?
4. Manager-Bias-Indikator: pro Manager Bewertungs-Verteilung; Halo-Effekt-
   Verdacht bei einheitlich hohen Scores; Anchoring-Verdacht bei
   einheitlich mittleren Scores.
5. Calibration-Meeting-Vorlage: 5-10 Outlier-Diskussions-Punkte; Move-
   Vorschläge mit Begründung; offene Fragen.
6. Entwicklungs-Empfehlungen pro Box: Stars → Stretch / Cross-Functional;
   Future Leaders → Mentoring (UC-V-HR-LRN-018); High Performer → Skill-
   Vertiefung; Low Performer → PIP-Prüfung.
7. Markiere alle MA-Bewertungen ohne menschliche Calibration mit
   `[[DSGVO-22-Calibration-Pflicht]]`.
8. Erfinde keine Performance-Daten. `[[DATEN-LÜCKE]]` bei fehlenden Reviews.
9. Output NICHT-final formulieren — Calibration ist menschliches Element.

# Format (F)
- 9-Box-Matrix als Markdown-Tabelle (Zellen mit MA-Pseudonymen).
- Verteilungs-Quoten-Tabelle.
- Bias-Audit-Findings mit `[[BIAS-FLAG]]`.
- Manager-Bias-Indikator-Tabelle.
- Calibration-Meeting-Vorlage.
- Entwicklungs-Empfehlungen pro Box.

# Target Audience (T)
HR Business Partner, D&I, Calibration-Komitee. Sachlich, evidenzbasiert,
anti-rubber-stamp (explizit zur Diskussion einladend). Keine demografisch
identifizierbaren Aussagen.

Bereich: [[Bereich-Engineering-Plattform]] (4 Teams, ~60 Engineers).
Talent-Review-Zyklus: Q3/2026, Calibration-Meeting in 4 Wochen.

Manager: [[Mgr-a3f9]] (Team A, 14 Reports), [[Mgr-b2e7]] (Team B, 16 Reports), [[Mgr-c4d1]] (Team C, 12 Reports), [[Mgr-d5e2]] (Team D, 18 Reports).

MA-Daten (Auszug, n=60, pseudonymisiert):

| MA | Manager | Performance-Score | Vor-Vorjahr | Skill-Score | Karriere-Wunsch | Eltern-/Pflegezeit-Marker |
|---|---|:---:|:---:|:---:|---|---|
| [[MA-001]] | [[Mgr-a3f9]] | 4.5 | 4.3 | 4.5 | ja, Senior | nein |
| [[MA-002]] | [[Mgr-a3f9]] | 4.2 | 4.0 | 4.0 | ja, Lead | nein |
| [[MA-003]] | [[Mgr-a3f9]] | 3.8 | 3.5 | 3.5 | ja, Senior | Teilzeit Eltern |
| ... (57 weitere) ... |

Demografisches Aggregat des Bereichs (separat):
- Geschlecht: 78 % m, 22 % w.
- Geburts-Decade: 5 % vor 1970, 30 % 1970er, 50 % 1980er, 15 % 1990er+.
- Teilzeit-Marker (Eltern-/Pflegezeit): 12 % der Belegschaft.

## 9-Box-Distribution [[Bereich-Engineering-Plattform]]

|  | Potential Low | Potential Mid | Potential High |
|---|---|---|---|
| **Performance High** | Specialist (n=2) | High Performer (n=8) | **Star (n=4)** |
| **Performance Mid** | Solid Citizen (n=6) | Core Player (n=18) | **Future Leader (n=6)** |
| **Performance Low** | Risk (n=3) | Inconsistent (n=8) | Diamond in Rough (n=5) |

### Verteilungs-Quoten
- Top-Right kombiniert (Star + Future Leader + High Performer): 30 % (n=18) — im Soll-Range 25-40 %.
- Bottom-Left (Risk): 5 % (n=3) — im PIP-Prüf-Range.
- Mitte (Core Player): 30 %.

### Bias-Audit Findings

| Demografie | Bereich-Anteil | Top-Right-Anteil | Abweichung | Flag |
|---|:---:|:---:|:---:|---|
| Männlich | 78 % | 89 % (16/18) | +11 PP | beobachten |
| Weiblich | 22 % | 11 % (2/18) | -11 PP | knapp unter Schwelle |
| Teilzeit-Marker | 12 % | 0 % (0/18) | -12 PP | `[[BIAS-FLAG: Teilzeit-MA komplett ausgeschlossen aus Top-Right — Performance-Visibility-Bias?]]` |

`[[BIAS-FLAG: Teilzeit-MA (12 %, 7 Personen) sind in 0 % der Top-Right-Boxen. [[MA-003]] (Teilzeit Eltern) hat Performance-Score 3.8 mit positiver Tendenz (3.5 → 3.8), aber Box „Inconsistent” — Calibration-Diskussion empfohlen.]]`

### Manager-Bias-Indikator

| Manager | Mean Performance | Stdev | Verdacht |
|---|:---:|:---:|---|
| [[Mgr-a3f9]] | 3.9 | 0.6 | normal |
| [[Mgr-b2e7]] | 4.3 | 0.3 | `[[HALO-VERDACHT: einheitlich hoch, geringe Streuung]]` |
| [[Mgr-c4d1]] | 3.5 | 0.8 | normal |
| [[Mgr-d5e2]] | 4.0 | 0.4 | leichter Halo-Verdacht |

### Calibration-Meeting-Diskussions-Punkte

1. **[[MA-003]] Box „Inconsistent” trotz positiver Trend-Linie (3.5 → 3.8)**: Teilzeit-Marker — Performance-Visibility-Bias? Move-Vorschlag: „Diamond in Rough” oder „Core Player”. `[[DSGVO-22-Calibration-Pflicht]]`
2. **[[Mgr-b2e7]] Halo-Verdacht**: Bewertungs-Verteilung 4.0-4.6 — keine Schwächen ausgewiesen. Kalibrierungs-Gespräch.
3. **Star-Box alle 4 männlich**: strukturelle Frage Pipeline-Förderung weiblicher Engineers.
4. **Risk-Box (n=3)**: PIP-Prüfung, BR-Konsultation BetrVG § 102.

### Entwicklungs-Empfehlungen pro Box

| Box | Empfehlung |
|---|---|
| Star (n=4) | Cross-Functional-Stretch, Mentoring-Geber-Rolle |
| Future Leader (n=6) | Strukturiertes Mentoring (UC-V-HR-LRN-018), Stretch-Projekt |
| High Performer (n=8) | Skill-Vertiefung, Specialist-Pfad |
| Diamond in Rough (n=5) | Performance-Hindernisse identifizieren, Mentoring |
| Risk (n=3) | PIP-Prüfung, ggf. Versetzung |

`[[DSGVO-22-Calibration-Pflicht]]`: Diese Distribution ist Vorschlag. Calibration-Meeting entscheidet final.