Skills-Career-Profile-Agent
Skills-Matching ist ein Hochrisiko-System nach EU AI Act: Der Agent macht jede KI-Inferenz mit Confidence-Score und Quelle nachvollziehbar, hält den Menschen in der Schleife und liefert den Audit-Trail, den die Beweislast-Umkehr nach AGG §22 verlangt.
Skills-Matching und Karrierepfad-Empfehlung: EU AI Act Annex III(4)(b) Hochrisiko, AGG §22 Beweislast-Umkehr und DSGVO Art. 22 - ESCO/DQR/EQR-Taxonomie mit BetrVG §94 Beurteilungs-Grundsätze.
Prozess analysieren lassenAuswahl aus über 5.000 Projekten in 25 Jahren Softwareentwicklung
Wer ordnet einen Menschen einem Talent-Pool zu - das Modell oder ein Verantwortlicher?
Die Skills-Inferenz ist KI-gestützt, aber sie entscheidet nicht: Jede Klassifikation und jede Karriere-Empfehlung wird von Mitarbeitendem, Führungskraft und HR-Leitung validiert. Deterministisch laufen das Taxonomie-Mapping auf ESCO, DQR und EQR sowie die Datenschutz- und Mitbestimmungs-Workflows. Die finale Talent-Einordnung bleibt damit bei berechtigten Personen, nicht beim Modell - so verlangt es die menschliche Aufsicht nach EU AI Act Article 14 und das Verbot rein automatisierter Einzelentscheidungen nach DSGVO Art. 22.
Ergebnis: Systeme zur Aufgaben-Zuweisung nach persönlichen Eigenschaften gelten als Hochrisiko nach Annex III(4)(b); die zugehörigen Pflichten greifen nach aktuellem Recht ab dem 2. August 2026, voraussichtlich verschoben auf Dezember 2027 (Digital Omnibus, Mai 2026). Kommt es zur Diskriminierungs-Klage, trägt nach AGG §22 der Arbeitgeber die Beweislast, sobald Indizien vorliegen - in einer Black-Box-Plattform praktisch nicht zu kontern. Der Agent macht stattdessen jede KI-Inferenz mit Confidence-Score und Quellen reproduzierbar und hält den Menschen in der Schleife.
Die Architektur folgt daraus, dass Skills-Klassifikation und Karriere-Empfehlung nicht autonom vom Modell getroffen, aber lückenlos nachvollziehbar sein müssen:
Skills-Profile scheitern nicht an der Datenmenge, sondern an der Klassifikation - und die ist juristisch heikel.
Skills-Matching als Compliance-Falle zwischen AGG und EU AI Act
Dieser Agent folgt dem Decision Layer-Prinzip: jede Entscheidung ist entweder regelbasiert, KI-assistiert oder explizit einem Menschen zugeordnet. Er ist nach EU AI Act 2024/1689 Annex III(4)(b) als Hochrisiko-System klassifiziert und unterliegt damit den verschärften Pflichten zu Risikomanagement-System, Daten-Governance, Transparenz, menschlicher Aufsicht und Bias-Audit ab dem 2.8.2026.
Skills-Matching klingt nach einem technischen Problem - es ist ein juristisches. Eine Mitarbeiterin füllt ein Self-Assessment aus, ein Algorithmus aggregiert Performance-Review-Texte, Projekt-Beschreibungen und Lernhistorie, ein ML-Modell inferiert ein Skills-Profil mit Confidence-Score, der interne Talent-Marketplace zeigt ihr passende Stellen an. Aus Compliance-Sicht ist jeder Schritt eine potenzielle Diskriminierungs-Quelle. Wenn das ML-Modell aus Performance-Reviews Generations-spezifische Sprachmuster gelernt hat, korreliert der Confidence-Score mit dem Alter. Wenn die Trainings-Daten überwiegend von männlichen Software-Entwicklern stammen, lernt der Algorithmus weibliche Karriere-Verläufe als Abweichung. Wenn die Skills-Taxonomie keine Eltern-Zeit-Kompetenzen kennt, fehlen drei Jahre Berufs-Erfahrung im Profil.
Drei kumulative Risiko-Schichten greifen ineinander: AGG §22 Beweislast-Umkehr bei Indizien für Diskriminierung in Skills-Klassifikation oder Karriere-Empfehlung mit AGG §15 Entschädigungs-Anspruch bis 3 Bruttomonatsgehälter. DSGVO Art. 22 verbietet rein automatisierte Einzelentscheidungen mit rechtlicher Wirkung - Skills-Klassifikation mit Karriere-Folgen fällt darunter, mit Anfechtungs-Recht Art. 22 Abs. 3. EU AI Act Annex III(4)(b) klassifiziert Task-Assignment-Systeme nach personal traits als Hochrisiko mit Bußgeldern bis 35 Mio EUR oder 7 Prozent globaler Konzernumsatz.
Das Problem zerfällt strukturell in drei Schichten. Erstens: Skills-Daten kommen aus heterogenen Quellen. Self-Assessment ist Selbstauskunft mit Selbstüberschätzungs-Tendenz, Performance-Review-Texte sind subjektiv und Sprachstil-abhängig, Projekt-Beschreibungen verwenden firmenspezifisches Vokabular, Zertifikate sind formal aber oft veraltet. Ein ML-Modell verstärkt die jeweilige Quellen-Bias unkontrolliert. Zweitens: Skills-Taxonomien sind nicht neutral. Wenn Resilienz als Skill definiert wird, aber nicht Care-Arbeit-Erfahrung, filtert die Taxonomie nach geschlechtsspezifischen Karriere-Verläufen. ESCO (Version 1.2.0, 13.485 Skills) und DQR/EQR Niveau 1-8 sind die EU-Standards - aber 80 Prozent der HR-Plattformen ignorieren sie zugunsten proprietärer Frameworks. Drittens: Confidence-Scores werden als objektiv präsentiert, sind aber Modell-spezifisch. Workday Skills Cloud, SAP SuccessFactors Talent Intelligence Hub, Eightfold AI und Microsoft Viva Skills geben unterschiedliche Confidence-Scores für dieselbe Person - keiner der Anbieter veröffentlicht die Modell-Architektur. In ML-gestützten Plattformen wird die Black-Box zur AGG §22-Falle.
EU AI Act Annex III(4)(b) Task-Assignment Hochrisiko-Klassifikation
Der Skills-Career-Profile-Agent fällt nach EU AI Act 2024/1689 Annex III Punkt 4 Buchstabe b unter Hochrisiko-Systeme für Task-Assignment basierend auf persönlichen Eigenschaften (task-assignment based on personal traits or characteristics). Diese Klassifikation ist breiter als die parallele Beförderungs-Klassifikation - sie umfasst jede algorithmische Zuweisung von Aufgaben, Stellen, Lern-Pfaden oder Karriere-Empfehlungen aus inferierten Persönlichkeits-Eigenschaften. Die Pflichten ab 2.8.2026 umfassen:
- Article 9 Risikomanagement-System: Identifikation + Analyse + Bewertung + Mitigation Bias-Risiken bei Skills-Klassifikation (Gender Skills Inference Gap + Age Skills Inference Gap + Ethnicity Career-Path-Empfehlungs-Gap + Disability Career-Path-Empfehlungs-Gap)
- Article 10 Daten-Governance: Trainings-Daten-Qualität + Bias-Detection + Demographic Parity-Tests + Equal Opportunity-Tests + Synthetic-Data-Augmentation + ESCO-Taxonomie-konforme Kompetenz-Definition + DQR/EQR-Niveau-Plausibilität
- Article 13 Transparenz-Pflichten: Beipackzettel zu Funktions-Weise + Genauigkeit + Robustheit + Bias-Audit-Ergebnisse + Confidence-Score-Erläuterung + Quellen-Attribution-Pflicht
- Article 14 menschliche Aufsicht: Mensch-in-the-Loop bei jeder Skills-Profil-Übernahme und jeder Karriere-Empfehlung zwingend
- Article 26 Deployer-Pflichten: DPIA + Konsultations-Pflicht Aufsichtsbehörde + post-market monitoring + Incident Reporting bei Algorithmischer-Diskriminierungs-Beschwerden
- Article 27 FRIA Fundamental Rights Impact Assessment: vor Inbetriebnahme mit Konsultation Antidiskriminierungs-Stelle + Datenschutzbeauftragter + Betriebsrat
Bußgelder bis 35 Mio EUR oder 7 Prozent globaler Konzernumsatz. Cross-Reference DSGVO Art. 35 DPIA-Pflicht. Die Mobley v. Workday Sammelklage (Northern District California 2023) - AI-Bias bei HR-Software gegen über 40-jährige Bewerber ADEA - dient als US-Präzedenzfall für Skills-basierte Talent-Plattformen.
AGG §22 Beweislast-Umkehr bei Skills-basierter Diskriminierung
Im Klagefall greift die Beweislast-Umkehr nach AGG §22: Sobald Mitarbeitende Indizien für eine Diskriminierung anführen können - etwa systematisch niedrigere Confidence-Scores in einer geschützten Gruppe, fehlende Karriere-Empfehlungen trotz vergleichbarer Skills oder einen Talent-Pool-Ausschluss nach Elternzeit -, muss der Arbeitgeber beweisen, dass die KI-Inferenz nicht diskriminierend war. Ohne dokumentierte Confidence-Scores, Quellenangaben, Bias-Audit-Trail und reproduzierbare Begründung pro Klassifikation ist dieser Beweis praktisch nicht zu führen.
AGG §15 sieht eine Entschädigung von bis zu drei Bruttomonatsgehältern pro Mitarbeitendem vor, bei Sammelklagen schnell im siebenstelligen Bereich. Die Zweimonats-Klagefrist beginnt jeweils mit Kenntnis der Talent-Einordnung neu. Die BAG-Rechtsprechung hat den Indizien-Katalog dabei stetig erweitert - inzwischen reicht schon eine statistische Auffälligkeit der Inferenz-Ergebnisse über die geschützten Gruppen.
Hinzu kommt das Datenschutzrisiko: Verstöße gegen die DSGVO können mit bis zu 4 Prozent des Konzernumsatzes geahndet werden, dazu drohen ein Reputationsschaden über die CSRD-Diversitätsberichterstattung und die Aufsichtsratshaftung nach AktG §107. Eine verletzte BetrVG-Mitbestimmung führt zu Unterlassungsansprüchen und Einigungsstellenverfahren bis hin zur konzernweiten Sanktion.
In einer Black-Box-Plattform ist diese Beweislast-Umkehr praktisch nicht zu kontern: Legen die großen Anbieter ihre Modell-Architekturen nicht offen, kann der Arbeitgeber die Reproduzierbarkeit einzelner Klassifikationen nicht garantieren. Die BAG-Rechtsprechung hat den Indizien-Katalog dabei stetig erweitert - inzwischen reichen neben reiner Statistik auch Asymmetrien in der Confidence-Score-Verteilung, Lücken in der Quellenangabe oder abweichende Begründungsmuster über die geschützten Gruppen aus. Das Hinweisgeberschutz-Gesetz schafft zusätzlich Meldestellen, über die Beschäftigte eine algorithmische Diskriminierung anonym und mit Schutz vor Repressalien anzeigen können.
DSGVO Art. 22 Verbot rein automatisierter Talent-Klassifikation
DSGVO Art. 22 verbietet rein automatisierte Einzelentscheidungen, die rechtliche Wirkung entfalten oder die betroffene Person erheblich beeinträchtigen. Skills-Klassifikation mit Karriere-Folgen fällt eindeutig darunter - sie bestimmt Talent-Pool-Zugehörigkeit, Stellen-Sichtbarkeit im internen Marketplace, Lern-Empfehlungen und Beförderungs-Chancen. Der Agent setzt deshalb drei zwingende Mensch-in-der-Schleife-Punkte: Der Mitarbeitende validiert jede inferierte Skill mit Confidence-Score, Quellenangabe und Korrekturmöglichkeit, die Führungskraft validiert die Karriere-Empfehlungen mit Begründungspflicht, und die HR-Leitung gibt die periodischen Klassifikations-Runden nach Sichtung des Bias-Audit-Berichts frei.
Art. 22 Abs. 3 Anfechtungs-Recht ist in jedem Schritt eingebaut - Mitarbeitende können jede automatisierte Empfehlung anfechten mit DSGVO-konformer Begründung und 1-Monats-Frist Antwort. EDPB Guidelines 1/2024 zu HR-KI-Systemen definieren Mindest-Anforderungen: Confidence-Score-Transparenz, Quellen-Attribution, Bias-Audit-Trail, Anfechtungs-Workflow mit Datenschutzbeauftragter-Eskalation.
Das Verbot der Verarbeitung sensibler Daten nach Art. 9 ist im Skills-Kontext besonders kritisch. Biometrische Persönlichkeits-Tests und kognitive Spiele produzieren Daten, die sich als sensible Persönlichkeitsprofile lesen lassen. Und wenn Skills aus alltäglicher Office-Aktivität abgeleitet werden, berührt das den Beschäftigtendatenschutz nach Art. 88 und BDSG §26. Ohne ausdrückliche Einwilligung oder eine Grundlage in einem Tarifvertrag sind solche Inferenzen rechtlich angreifbar.
Skills-Taxonomie nach ESCO und DQR - und der Präzedenzfall Mobley v. Workday
Die ESCO European Skills Classification (Version 1.2.0, 2024) ist die EU-Standard-Taxonomie für Berufe, Fähigkeiten und Kompetenzen: rund 13.890 Berufe und 13.485 Kompetenzen in fünfstufiger Hierarchie, mit Übersetzungen in 28 EU-Sprachen und einem Cross-Walk zu O*NET (US), DISCO (Deutschland) und ROME (Frankreich). Damit ist sie die verbindliche Referenz für mehrsprachige Talent-Marketplaces.
Der DQR Deutsche Qualifikations-Rahmen und der EQR auf europäischer Ebene ergänzen ESCO um eine Niveau-Zuordnung von 1 bis 8: von der grundlegenden Erfüllung einfacher Anforderungen (Niveau 1) über die berufliche Erstausbildung (Niveau 4) und Bachelor oder Meister (Niveau 6) bis zum Master (Niveau 7) und der Promotion (Niveau 8). Für ausländische Qualifikationen greift die Anerkennung über die Zentralstelle für ausländisches Bildungswesen.
Die Mobley v. Workday Sammelklage (Northern District California, 2023) ist der Präzedenzfall für KI-Bias in HR-Software gegen über 40-jährige Bewerber - die US-Parallele zur Altersdiskriminierung nach AGG §1. Die Risiko-Mitigation für ein Skills-System ruht auf mehreren Säulen: einem quartalsweisen Bias-Audit über alle acht geschützten Merkmale, einem Audit der Trainingsdaten auf Alters-Bias (kritisch, weil historische Performance-Reviews generationstypische Sprachmuster enthalten können), der Confidence-Score-Schwelle von typisch 70 Prozent mit zwingender menschlicher Validierung darunter, einer Grundrechte-Folgenabschätzung vor Inbetriebnahme und der Mitbestimmung des Betriebsrats über die Beurteilungs-Grundsätze.
Einbettung in Promotion, Performance-Review und Nachfolge-Planung
Der Skills-Career-Profile-Agent ist in eine Pipeline spezialisierter HR-Agenten eingebettet. Der Promotion-Process-Agent nutzt dieselbe Skills-Taxonomie, Equity-Analyse und Confidence-Score-Logik für Beförderungs-Empfehlungen, der Performance-Review-Agent liefert die qualitativen Daten für die Skills-Inferenz. Der Compensation-Benchmarking-Agent verwendet die Skills-Cluster für die Vergleichsgruppen nach der EU-Entgelttransparenz-Richtlinie, der Career-Development-Agent und der Learning-Recommendation-Agent bauen auf den Empfehlungen und der Lücken-Analyse auf. Der Succession-Planning-Agent nutzt die Profile für die Nachfolge-Planung, der Recruiting-Agent für den Abgleich mit Stellenprofilen. Der HR-Document-Management-Agent archiviert die Klassifikations-Begründungen, der Audit-Compliance-Agent prüft die Deployer-Pflichten und die Konsistenz von DPIA und FRIA.
Auf einen Blick
- Klassifikation: EU AI Act 2024/1689 Annex III(4)(b) Hochrisiko HR-Task-Assignment basierend auf personal traits ab 2.8.2026
- Compliance-Anker: AGG §22 Beweislast-Umkehr, BetrVG §94+§95+§87 Abs. 1 Nr. 6, DSGVO Art. 22+35+88, Mobley v. Workday Präzedenzfall, ESCO + DQR + EQR Skills-Taxonomie, EU Pay Transparency 2023/970, CSRD ESRS S1-9+S1-11
- Mitbestimmung: BetrVG §94 Beurteilungs-Grundsätze zwingend + §95 Auswahl-Richtlinien + §87 Abs. 1 Nr. 6 technische Überwachung ML-Plattform + bei Versetzungs-Folge §99, Konzern-Betriebsrat-Pflicht
- Confidence-Score-Schwelle: 70 Prozent für automatisierte Profil-Übernahme, darunter zwingend menschliche Validierung
- Equity-Schwelle: 5 Prozent unerklärter Skills-Inference-Gap nach AGG §1 acht Merkmale löst ADS-Eskalation + 6-Monats-Abhilfe-Pflicht
- Bußgelder: bis 35 Mio EUR oder 7 Prozent globaler Konzernumsatz EU AI Act + bis 4 Prozent oder 20 Mio EUR DSGVO + AGG §15 3 Bruttomonatsgehälter Entschädigung
- Audit-Pflicht: DPIA + FRIA + Bias-Audit pro Quartal mit Demographic Parity + Equal Opportunity-Tests, Wirtschaftsprüfer-Prüfung CSRD ab 250 Mitarbeitenden
- Präzedenzfall: Mobley v. Workday Northern District California 2023 Sammelklage AI-Bias HR-Software gegen über 40-jährige Bewerber
Entscheider-Verteilung Skills-Career-Profile
| Schritt | Decider | Begründung |
|---|---|---|
| Skills-Daten-Erfassung | R | Multi-Source-Aggregation mit Quellen-Hierarchie deterministisch |
| ESCO + DQR/EQR-Mapping | R | Taxonomie-Mapping mit Match-Score-Cutoff deterministisch |
| Berechtigungs-Prüfung Datenzugriff | R | DSGVO Art. 6+9+88 + BDSG §26 Rechtsgrundlage-Logik |
| ML-Skills-Inference | A | LLM-Output Indikator mit Confidence-Score + Quellen-Attribution |
| DSGVO Art. 22 Information | R | Art. 13+14+22 Abs. 3 Standard-Workflow |
| Mitarbeiter-Korrektur | R | Aufnahme mit Audit-Trail + Quellen-Hierarchie |
| Equity-Analyse | A | ML-statistische Bias-Detection mit menschlicher Validierung |
| Karriere-Pfad-Empfehlung | A | ML-Empfehlung mit Confidence-Score-Schwelle 60 Prozent |
| BetrVG §94+§95 Mitbestimmung | R | Konsultations-Workflow Beurteilungs-Grundsätze deterministisch |
| Skills-Lücken-Analyse | A | ML-Empfehlung Lern-Pfade mit Confidence-Score |
| HR-Leitung-Validierung | H | Finale Freigabe AGG §22 + DSGVO + Bias-Audit |
| DSGVO-Mitarbeiter-Rechte | R | Art. 15-18+21+22 Abs. 3 Workflow deterministisch |
| Führungskraft-Karriere-Gespräch | H | Persönliches Gespräch Beziehungs-Dimension |
| CSRD-Reporting | R | ESRS S1-9+S1-11 + EU Pay Transparency Art. 7 deterministisch |
Micro-Decision-Tabelle
Wer entscheidet bei diesem Agent?
14 Entscheidungsschritte, aufgeteilt nach Decider
Skills-Daten-Erfassung aus mehreren Quellen mit Quellen-Validierung Werden die Skills-Daten aus Self-Assessment, Performance-Reviews, Lernhistorie, Projekt-Erfahrung und Zertifikaten korrekt zusammengeführt und in ein standardisiertes Profil-Format überführt? Regelwerk
Die Skills-Daten werden aus den vorhandenen Quellen zusammengeführt - Stammdaten, Performance-Reviews, Lernhistorie, Projekt-Erfahrung und Zertifikate. Die Validierung folgt einer festen Quellen-Hierarchie mit Zeitstempel und Konfliktauflösung. Eine deterministische Aggregation, daher Regelwerk.
Entscheidungsakte
Anfechtbar: Ja - Regelanwendung prüfbar. Einspruch bei fehlerhafter Datenbasis oder falscher Regelversion.
ESCO-Taxonomie-Mapping plus DQR/EQR-Niveau-Zuordnung plus Standardisierung Werden die erfassten Skills auf ESCO European Skills Classification + DQR-Niveau + EQR-Niveau standardisiert mit korrekter Hierarchie-Tiefe? Regelwerk
Die erfassten Skills werden gegen die EU-Standard-Taxonomie ESCO sowie die Qualifikationsniveaus DQR und EQR (1 bis 8) gemappt, mit definiertem Match-Score-Schwellwert. Ein deterministisches Mapping, daher Regelwerk.
Entscheidungsakte
Anfechtbar: Ja - Regelanwendung prüfbar. Einspruch bei fehlerhafter Datenbasis oder falscher Regelversion.
Berechtigungsprüfung für den Skills-Profil-Zugriff gegen die DSGVO-Rechtsgrundlage Erfüllt der Zugriff auf Skills-Profil-Daten die Rechtsgrundlagen der DSGVO und des BDSG, wobei sensible Daten nach Art. 9 ausgeschlossen bleiben? Regelwerk WP/BP
Der Zugriff auf Skills-Profil-Daten wird gegen die Rechtsgrundlagen der DSGVO und des BDSG geprüft, wobei sensible Daten nach Art. 9 - etwa zu Gesundheit, Religion oder Gewerkschaftszugehörigkeit - ausgeschlossen bleiben. Eine deterministische Rechtsgrundlagen-Prüfung, daher Regelwerk.
Entscheidungsakte
Anfechtbar: Ja - Regelanwendung prüfbar. Einspruch bei fehlerhafter Datenbasis oder falscher Regelversion.
Anfechtbar durch: WP/BP
ML-Skills-Inference-Engine plus Confidence-Score-Berechnung plus Quellen-Attribution Welche Skills werden mit welchem Confidence-Score aus den aggregierten Daten inferiert + welche Quellen tragen wie zur Inferenz bei? KI-Agent Mitarbeiter
Das Modell inferiert Skills aus Performance-Reviews, Projektbeschreibungen, Lernhistorie und Self-Assessment. Das Ergebnis ist ein Indikator mit Confidence-Score und Quellenangabe, keine endgültige Klassifikation: Unterhalb der Schwelle von typisch 70 Prozent ist die menschliche Validierung durch Mitarbeitenden und Führungskraft Pflicht. Das verlangt sowohl die menschliche Aufsicht nach EU AI Act Article 14 als auch DSGVO Art. 22.
Entscheidungsakte
Anfechtbar: Ja - vollständig dokumentiert, durch Menschen überprüfbar, Einspruch über formalen Prozess.
Anfechtbar durch: Mitarbeiter
Validierung des Skills-Profils durch die Mitarbeitenden samt Anfechtungsrecht Werden Mitarbeitende nach DSGVO Art. 13 und 14 transparent über die KI-inferierten Skills, ihre Confidence-Scores und die Karriere-Empfehlungen informiert - inklusive des Anfechtungsrechts nach Art. 22 Abs. 3? Regelwerk
Mitarbeitende werden nach DSGVO Art. 13 und 14 transparent über die KI-Inferenz informiert, inklusive Confidence-Score, Quellenangabe und dem Anfechtungsrecht nach Art. 22 Abs. 3. Ein standardisierter Informations-Workflow, daher Regelwerk.
Entscheidungsakte
Anfechtbar: Ja - Regelanwendung prüfbar. Einspruch bei fehlerhafter Datenbasis oder falscher Regelversion.
Mitarbeiter-Korrektur-Workflow plus Profil-Aktualisierung plus Audit-Trail Werden Mitarbeiter-Korrekturen + Profil-Aktualisierungen + Selbst-Auskünfte mit Audit-Trail in das Skills-Profil übernommen? Regelwerk Mitarbeiter
Korrekturen der Mitarbeitenden werden nach dem Berichtigungsrecht der DSGVO Art. 16 mit Audit-Trail aufgenommen; bei Konflikt geht die Selbstauskunft der KI-Inferenz vor. Ein deterministischer Aktualisierungs-Workflow mit Versionierung, daher Regelwerk.
Entscheidungsakte
Anfechtbar: Ja - Regelanwendung prüfbar. Einspruch bei fehlerhafter Datenbasis oder falscher Regelversion.
Anfechtbar durch: Mitarbeiter
Equity-Analyse auf systematische Ungleichbehandlung entlang der AGG-Merkmale Zeigen sich in der Skills-Klassifikation oder Karriere-Empfehlung systematische Ungleichbehandlungen entlang der geschützten Merkmale des AGG, die den Schwellwert von fünf Prozent überschreiten? KI-Agent WP/BP
Eine statistische Equity-Analyse prüft die Inferenz-Ergebnisse und Empfehlungen auf systematische Ungleichbehandlung entlang der geschützten Merkmale des AGG. Überschreitet eine Abweichung den Schwellwert von fünf Prozent, ist das ein Indikator zur Prüfung durch HR-Leitung, Datenschutzbeauftragten und Antidiskriminierungsstelle - keine Entscheidung. Genau diese Dokumentation kontert die Beweislast-Umkehr nach AGG §22.
Entscheidungsakte
Anfechtbar: Ja - vollständig dokumentiert, durch Menschen überprüfbar, Einspruch über formalen Prozess.
Anfechtbar durch: WP/BP
Karriere-Pfad-Empfehlung plus Talent-Marketplace-Matching plus Confidence-Score-Schwelle Welche Karriere-Pfad-Empfehlungen + Talent-Marketplace-Matches werden Mitarbeitenden mit welchem Confidence-Score + welcher Begründung angezeigt? KI-Agent Mitarbeiter
Das Modell schlägt Karriere-Pfade und interne Stellen aus dem Skills-Profil und dem Career-Framework vor. Eine Empfehlung ist keine Zuweisung: Sie wird ab der Anzeige-Schwelle von typisch 60 Prozent mit Begründung, Skills-Match und Lücken angezeigt und von Mitarbeitendem und Führungskraft validiert. So verlangt es die menschliche Aufsicht nach EU AI Act Article 14, das Anfechtungsrecht nach DSGVO Art. 22 Abs. 3 ist eingebaut.
Entscheidungsakte
Anfechtbar: Ja - vollständig dokumentiert, durch Menschen überprüfbar, Einspruch über formalen Prozess.
Anfechtbar durch: Mitarbeiter
BetrVG §94+§95 Mitbestimmungs-Workflow plus Beurteilungs-Grundsätze-Konsultation Werden Skills-Profil-Strukturen, Bewertungs-Skalen und Empfehlungs-Logiken dem Betriebsrat zur Mitbestimmung über Beurteilungs-Grundsätze nach BetrVG §94 und Auswahl-Richtlinien nach §95 vorgelegt? Regelwerk
Skills-Profil-Strukturen und Bewertungs-Skalen werden dem Betriebsrat zur Mitbestimmung über Beurteilungs-Grundsätze nach BetrVG §94 und Auswahl-Richtlinien nach §95 vorgelegt; die ML-Plattform selbst unterliegt §87 Abs. 1 Nr. 6. Ein deterministischer Mitbestimmungs-Workflow, daher Regelwerk.
Entscheidungsakte
Anfechtbar: Ja - Regelanwendung prüfbar. Einspruch bei fehlerhafter Datenbasis oder falscher Regelversion.
Skills-Lücken-Analyse plus Lern-Empfehlungs-Generierung plus DQR-Niveau-Aufbau-Pfade Welche Skills-Lücken werden identifiziert und mit welchen Lern-Empfehlungen + DQR-Niveau-Aufbau-Pfaden + ESCO-Kompetenz-Mapping adressiert? KI-Agent Mitarbeiter
Das Modell vergleicht Ist- und Soll-Profil und leitet daraus Skills-Lücken sowie passende Lern-Empfehlungen und DQR-Aufbau-Pfade ab. Die Empfehlung ist keine Zuweisung und wird von Mitarbeitendem und Lern-Berater validiert, mit transparentem Confidence-Score - so verlangt es die menschliche Aufsicht nach EU AI Act Article 14.
Entscheidungsakte
Anfechtbar: Ja - vollständig dokumentiert, durch Menschen überprüfbar, Einspruch über formalen Prozess.
Anfechtbar durch: Mitarbeiter
Freigabe der Talent-Klassifikations-Runde durch die HR-Leitung Wird die periodische Talent-Klassifikations-Runde von der HR-Leitung freigegeben - nach Sichtung des Bias-Audit-Berichts und mit einem AGG §22-konformen Audit-Trail? Mensch
Die periodische Talent-Klassifikations-Runde wird von der HR-Leitung freigegeben - nach Sichtung des Bias-Audit-Berichts mit der Verteilung über die geschützten Gruppen. Die menschliche Aufsicht nach EU AI Act Article 14 und das Verbot rein automatisierter Einzelentscheidungen nach DSGVO Art. 22 machen diese Freigabe zwingend menschlich.
Entscheidungsakte
Anfechtbar: Ja - über Vorgesetzten, Betriebsrat oder formalen Einspruch.
Umsetzung der DSGVO-Betroffenenrechte im Skills-Profil-Workflow Werden die Betroffenenrechte der DSGVO - Auskunft, Berichtigung, Löschung, Einschränkung und Widerspruch - im Skills-Profil-Workflow umgesetzt? Regelwerk Mitarbeiter
Die Betroffenenrechte der DSGVO - Auskunft, Berichtigung, Löschung, Einschränkung, Widerspruch gegen die KI-Inferenz und das Anfechtungsrecht nach Art. 22 Abs. 3 - werden über einen standardisierten Workflow mit Eskalation an den Datenschutzbeauftragten umgesetzt. Eine deterministische Logik, daher Regelwerk.
Entscheidungsakte
Anfechtbar: Ja - Regelanwendung prüfbar. Einspruch bei fehlerhafter Datenbasis oder falscher Regelversion.
Anfechtbar durch: Mitarbeiter
Führungskraft-Karriere-Gespräch plus Skills-Profil-Validierung plus Entwicklungs-Plan-Abstimmung Wie führt die Führungskraft das individuelle Karriere-Gespräch mit Skills-Profil-Validierung + Entwicklungs-Plan-Abstimmung + Karriere-Perspektive durch? Mensch
Das Karriere-Gespräch lebt von einer Vertrauensbeziehung und persönlicher Wertschätzung und ist nicht durch KI ersetzbar - daher zwingend eine menschliche Aufgabe. Die Führungskraft erläutert dabei das Anfechtungsrecht nach DSGVO Art. 22 Abs. 3 und validiert das Skills-Profil mit Quellenangabe.
Entscheidungsakte
Anfechtbar: Ja - über Vorgesetzten, Betriebsrat oder formalen Einspruch.
CSRD-Berichtsaktualisierung für das Skills-Diversitäts-Reporting Werden aus den Skills-Profilen die CSRD-Kennzahlen erzeugt - Diversitätskennzahlen nach ESRS S1-9 und Skills-Entwicklung nach S1-11 - samt der Vergleichsgruppen für die EU-Entgelttransparenz? Regelwerk
Aus den Skills-Profilen werden die CSRD-Kennzahlen erzeugt - Diversitätskennzahlen nach ESRS S1-9 und Skills-Entwicklung nach S1-11, dazu die Vergleichsgruppen nach der EU-Entgelttransparenz-Richtlinie. Ein deterministisches, wirtschaftsprüfungspflichtiges Reporting, daher Regelwerk.
Entscheidungsakte
Anfechtbar: Ja - Regelanwendung prüfbar. Einspruch bei fehlerhafter Datenbasis oder falscher Regelversion.
Entscheidungsakte und Anfechtbarkeit
Jede Entscheidung, die dieser Agent trifft oder vorbereitet, wird in einer vollständigen Entscheidungsakte dokumentiert. Betroffene Mitarbeitende können jede einzelne Entscheidung einsehen, nachvollziehen und anfechten.
Passt dieser Agent zu Ihrem Prozess?
Wir analysieren Ihren konkreten HR-Prozess und zeigen, wie dieser Agent in Ihre Systemlandschaft passt. 30 Minuten, keine Vorbereitung nötig.
Prozess analysieren lassenGovernance-Hinweise
Bewertung
Voraussetzungen
- Skills-Taxonomie ESCO + DQR + EQR-Mapping mit Konzern-Betriebsrat-Konsultation BetrVG §94
- Career-Framework + Career-Path-Mapping aus Compensation-Benchmarking-Agent Cluster #26 + Promotion-Process-Agent
- Performance-Review-Ergebnisse aus Performance-Review-Agent letzten zwei Beurteilungs-Zyklen
- Learning-Management-System mit Lern-Historie + Zertifikat-Repository
- Betriebsvereinbarung BetrVG §94+§95+§87 Abs. 1 Nr. 6 für ML-gestützte Skills-Klassifikations-Plattform
- DPIA + FRIA-Dokumentation EU AI Act Article 27 + DSGVO Art. 35
- BetrVG-Auswahl-Richtlinien + Konzern-Betriebsrat-Beteiligung bei konzernübergreifender Skills-Cloud
- Mitarbeiter-Self-Assessment-Plattform mit DSGVO Art. 13+14+22 Abs. 3 Anfechtungs-Workflow
Infrastruktur-Beitrag
Was diese Erstbewertung enthält: 9 Slides für Ihr Führungsteam
Personalisiert mit Ihren Zahlen. Generiert in 2 Minuten direkt im Browser. Kein Upload, kein Login.
- 1
Titelfolie - Prozessname, Entscheidungspunkte, Automatisierungspotenzial
- 2
Executive Summary - FTE-Freisetzung, Kosten pro Vorgang vorher/nachher, Break-Even-Datum, Kosten des Wartens
- 3
Ausgangslage - Transaktionsvolumen, Fehlerkosten, Wachstumsszenario mit FTE-Vergleich
- 4
Lösungsarchitektur - Mensch - Regelwerk - KI-Agent mit konkreten Entscheidungspunkten
- 5
Governance - EU AI Act, Betriebsrat (§87 BetrVG), Audit Trail - mit Ampelstatus
- 6
Risikoanalyse - 5 Risiken mit Eintrittswahrscheinlichkeit, Auswirkung und Gegenmaßnahme
- 7
Roadmap - 3-Phasen-Plan mit konkreten Kalenderdaten und Go/No-Go
- 8
Business Case - 3-Szenarien-Vergleich (Nichtstun/Neueinstellung/Automatisierung) plus 3×3-Sensitivitätsmatrix
- 9
Diskussionsvorschlag - Konkrete nächste Schritte mit Zeitplan und Verantwortlichkeiten
Enthält: 3-Szenarien-Vergleich
Nichtstun vs. Neueinstellung vs. Automatisierung - mit Ihrem Gehaltsniveau, Ihrer Fehlerquote und Ihrem Wachstumsplan. Die eine Slide, die Ihr CFO als erstes sehen will.
Berechnungsmethodik anzeigen
Stundensatz: Jahresgehalt (Ihre Eingabe) × 1,3 AG-Anteil ÷ 1.720 Jahresarbeitsstunden
Einsparung: Vorgänge × 12 × Automatisierungsrate × Minuten/Vorgang × Stundensatz × Economic Factor
Qualitäts-ROI: Fehlerreduktion × Vorgänge × 12 × EUR 260/Fehler (APQC Open Standards Benchmarking)
FTE: Eingesparte Stunden ÷ 1.720 Jahresarbeitsstunden
Break-Even: Benchmark-Investition ÷ monatliche Gesamteinsparung (Effizienz + Qualität)
Neueinstellung: Jahresgehalt × 1,3 + EUR 12.000 Recruiting pro FTE
Alle Daten bleiben in Ihrem Browser. Nichts wird an Server übertragen.
Skills-Career-Profile-Agent
Erstbewertung für Ihr Führungsteam
In 2 Minuten eine fundierte Erstbewertung - mit Ihren Zahlen, Ihrem Risikoprofil und Branchenbenchmarks. Kein Anbieter-Logo, kein Vendor-Pitch.
Alle Daten bleiben in Ihrem Browser. Nichts wird übertragen.
Weiterführende Seiten
Agent-Blueprint verfügbar
Für Skills-Career-Profile-Agent existiert ein vollständiger Blueprint mit Micro-Decision-Zerlegung, Branchenvarianten und Implementierungsdetails.
Blueprint ansehenVerwandte Agenten
People-Analytics Agent
HR-Daten analysieren, Muster erkennen, evidenzbasierte Personalentscheidungen ermöglichen.
Performance-Review-Dokumentations-Agent
Leistungsbeurteilungen strukturieren, dokumentieren und auf Konsistenz prüfen.
Promotion-Process-Agent
Jede Beförderung wird zur auditierbaren Entscheidungskette: Bandbreiten-Sprung-Validierung und Equity-Audit machen Ungleichbehandlung sichtbar, der Betriebsrat stimmt der Versetzung zu, die finale Freigabe bleibt beim Menschen - statt einer Spreadsheet-Rotation, die im Klagefall keine Begründung liefert.
Häufige Fragen
Trifft der Agent autonome Skills-Klassifikations-Entscheidungen?
Warum ist dieser Agent EU AI Act Hochrisiko-System nach Annex III(4)(b)?
Wie funktioniert die DSGVO Art. 22-konforme menschliche Validierung bei ML-Skills-Inferenz?
Wie werden ESCO + DQR + EQR Skills-Taxonomie eingesetzt?
Wie wird Mobley v. Workday-Risiko bei ML-Skills-Klassifikation mitigiert?
Welche Cross-References zu anderen HR-Agenten existieren?
Was bedeutet AGG §22 Beweislast-Umkehr bei algorithmischer Skills-Diskriminierung konkret?
Was passiert als Nächstes?
30 Minuten
Erstgespräch
Wir analysieren Ihren Prozess und identifizieren den optimalen Startpunkt.
1 Woche
Discover
Mapping Ihrer Entscheidungslogik. Regelwerke dokumentiert, Decision Layer designt.
3-4 Wochen
Build
Produktiver Agent in Ihrer Infrastruktur. Governance, Audit Trail, prüfungsfähig ab Tag 1.
12-18 Monate
Eigenständig
Voller Zugang zu Quellcode, Prompts und Regelversionen. Kein Vendor Lock-in.
Diesen Agent implementieren?
Wir bewerten Ihre Prozesslandschaft und zeigen, wie dieser Agent in Ihre Infrastruktur passt.