Recruiting-Funnel-Bias-Audit Quartal (AGG § 22 Beweislastumkehr, Workday Mobley als Mahnung)

# Context (C)
Rechtsstand: <heutiges Datum>. Du erstellst einen Recruiting-Funnel-Bias-
Audit-Report Q[X]/2026 für ein DE-Mittelstands-/Konzern-Unternehmen.
AGG § 22 Beweislastumkehr; Workday Mobley-Sammelklage als Mahnung.
Input: aggregierte (KEINE individuellen) Funnel-Statistiken pro
Demographie-Gruppe; Bewerber-Namen pseudonymisiert. Statistik bereits
lokal berechnet (Demographic Parity, Equal Opportunity, Calibration).

# Role (R)
Du agierst als HR-Analytics-Lead mit Bias-Audit-Methodik-Kenntnis
(Fairlearn, IBM AIF360) und AGG-Beweislastumkehr-Logik. Du WEISST: dieser
Report ist Beweis-Schutz-Dokument; jede Aussage muss statistisch belegt
sein.

# Action (A)
1. Funnel-Übersicht (Tabelle): n pro Stage, Conversion-Rate.
2. Demographic-Parity-Tabelle pro Stage: Conversion-Rate je Demographie-
   Gruppe; %-Punkt-Differenz; Signifikanz (p<0.05).
3. Equal-Opportunity-Difference: TPR-Vergleich pro Stage.
4. Calibration-Check: über alle Demographie-Gruppen.
5. Bias-Hot-Spot-Liste: Stages mit >5 %-Punkten Demographic-Parity-Verstoß.
6. Root-Cause-Hypothesen pro Hot-Spot: Stellen-Anzeige / CV-Screening /
   Interview / Tool-Modell / unbekannt.
7. Mitigations-Empfehlungen pro Hot-Spot.
8. Externe-Validierungs-Empfehlung: ja/nein und Timing.
9. Sample-Size-Caveat: bei n<50 pro Sub-Gruppe „nicht-signifikant” markieren.

# Format (F)
- Funnel-Übersicht (Tabelle)
- Demographic-Parity-Tabelle (pro Stage)
- Equal-Opportunity-Difference (Tabelle)
- Calibration (Bullet-Liste)
- Bias-Hot-Spot-Liste (Tabelle)
- Root-Cause-Hypothesen (Bullet-Liste)
- Mitigations-Empfehlungen (Tabelle: Hot-Spot / Maßnahme / Verantwortlich /
  Frist)
- Sample-Size-Caveat-Sektion
- Unsicherheiten: „Nicht aus Daten belegt:”
- KEINE individuellen Bewerber-Namen

# Target Audience (T)
Vorstand HR, BR, Diversity-Council. Erwartung: statistisch belegt, ohne
Schönfärberei, mit klaren Mitigations.

Recruiting-Funnel Q1/2026 (Konzern, aggregierte Daten):
Stages: Anzeige-Click → Apply → CV-Pass → Interview-1 → Interview-2 →
Offer → Hire
n gesamt: 12.450 Anzeige-Clicks → 1.450 Apply → 850 CV-Pass →
380 Interview-1 → 180 Interview-2 → 95 Offer → 78 Hire

Demographie-Mapping (anonymisiert über Proxy-Variablen):
- Geschlecht: m / w / d / unbekannt (n_d zu klein für Signifikanz)
- Alters-Bin: <30 / 30–45 / >45
- Migrations-Indikator (Proxy Vorname-Mapping): ja / nein / unbekannt

Conversion-Rates pro Stage (z.B. CV-Pass → Interview-1):
m: 45 %, w: 42 %, d: n<50, unbekannt: 38 %
<30: 51 %, 30–45: 42 %, >45: 28 %
Migration-ja: 35 %, Migration-nein: 47 %, unbekannt: 40 %

Beobachtungen:
- >45 vs <30: 23 %-Punkte Differenz Interview-Pass (rot)
- Migration-ja vs nein: 12 %-Punkte Differenz CV-Pass (rot)
- m vs w: 3 %-Punkte (grün)

Tools im Funnel: HireVue Video-Interview ab Interview-2; CV-Screening durch
Eightfold AI.
BV-Status: gültig seit 2025-01-15; Re-Verhandlungs-Trigger bei Bias>10 %.

## Recruiting-Funnel-Bias-Audit Q1/2026 — Executive Summary

### Funnel-Übersicht
| Stage | n | Conversion |
|---|---|---|
| Anzeige-Click | 12.450 | — |
| Apply | 1.450 | 11,6 % |
| CV-Pass | 850 | 58,6 % |
| Interview-1 | 380 | 44,7 % |
| Interview-2 | 180 | 47,4 % |
| Offer | 95 | 52,8 % |
| Hire | 78 | 82,1 % |

### Demographic-Parity-Tabelle (CV-Pass → Interview-1)
| Gruppe | Conversion | Δ vs Referenz | Signifikanz |
|---|---|---|---|
| m | 45 % | Ref | — |
| w | 42 % | -3 %-P | n.s. |
| d | n<50 | nicht-signifikant | n.s. |
| <30 | 51 % | Ref | — |
| 30–45 | 42 % | -9 %-P | p<0.05 |
| >45 | 28 % | -23 %-P | **p<0.01 BIAS-HOT-SPOT** |
| Migration-ja | 35 % | -12 %-P | p<0.05 |
| Migration-nein | 47 % | Ref | — |

### Equal-Opportunity-Difference
TPR (Hire | Qualifiziert) pro Alters-Bin:
- <30: 0,82
- 30–45: 0,75
- >45: 0,58 — **EOD 0,24 — Hot-Spot**

### Bias-Hot-Spot-Liste
| Stage | Dimension | Δ | Risiko |
|---|---|---|---|
| CV-Pass → Interview-1 | Alter >45 vs <30 | -23 %-P | hoch (BAG 8 AZR 74/25 analog) |
| CV-Pass → Interview-1 | Migrations-Indikator | -12 %-P | mittel-hoch |

### Root-Cause-Hypothesen
- **Alters-Hot-Spot >45**: Tool Eightfold-CV-Screening priorisiert
  „Recent-Activity”-Signale (LinkedIn-Aktualität); ältere Bewerber:innen
  oft weniger LinkedIn-aktiv → Modell-Bias.
- **Migrations-Indikator-Hot-Spot**: Vorname-/Studien-Ort-Proxy;
  CV-Screener-Bias plausibel.

### Mitigations-Empfehlungen
| Hot-Spot | Maßnahme | Verantwortlich | Frist |
|---|---|---|---|
| Alter >45 | Eightfold-Anbieter eskalieren: Modell-Re-Train mit DE-Hire-Daten | HR-Tech + Vendor | 30.06.2026 |
| Alter >45 | Stellenanzeigen-AGG-Check auf Alters-Indikatoren | EB + Recruiting | 15.06.2026 |
| Migration | TÜV-Süd-Audit Eightfold-Modell DE-Hire-Daten | HR-Compliance | 30.09.2026 |
| BV | Re-Verhandlungs-Trigger erreicht (>10 %): BR informieren | HR-Compliance + BR | 15.06.2026 |

### Externe-Validierungs-Empfehlung
**Ja, dringend**: TÜV-Süd KI-Audit Eightfold-Modell mit DE-Hire-Daten —
Zielsetzung Q3/2026.

### Sample-Size-Caveat
- Diverse-Geschlecht (d): n<50 in Q1; nicht-signifikant.
- Migrations-Proxy: Vorname-Mapping methodisch limitiert; Re-Check via
  anonymisierter Selbstauskunft (mit Einwilligung).

### Unsicherheiten
Nicht aus Daten belegt: konkreter Eightfold-Modell-Bias-Beitrag — bedarf
Anbieter-Audit-Bericht-Anforderung.