Entgelttransparenz & Analyse des Gender Pay Gap (EU-Entgelttransparenzrichtlinie)

Die Richtlinie (EU) 2023/970 macht Vergütungsstrukturen überprüfbar: Arbeitgeber müssen Entgeltspannen veröffentlichen, Fragen der Beschäftigten zum Entgelt beantworten, Kennzahlen zum geschlechtsspezifischen Entgeltgefälle melden und ungerechtfertigte Lücken von 5 % oder mehr beseitigen. Die Schwierigkeiten sind statistischer Art (welche Tätigkeiten „gleichwertig“ sind, wie viel einer Lücke erklärbar ist) und organisatorischer Art (Hunderte Stellenbeschreibungen, unübersichtliche Gehaltsdaten, knappe Fristen). ML und LLMs gruppieren Stellen, führen Entgeltgleichheits-Regressionen durch, simulieren Korrekturmaßnahmen und entwerfen die Dokumente; Personalabteilung, Betriebsräte und Rechtsberatung entscheiden.

Problem & Nutzen

• Heute: Die Zahlen zum Entgeltgefälle entstehen in Tabellenkalkulationen aus Gehaltsabrechnungs-Exporten; die Arbeitsbewertung erfolgt manuell (Beratungen, Punktverfahren im Stil von Hay/Mercer) und ist oft veraltet; Fragen von Beschäftigten werden ad hoc beantwortet. Die Richtlinie macht daraus eine gesetzliche Pflicht, bei der die Beweislast beim Arbeitgeber liegt (Art. 18) [1].
• Zentrale Pflichten (nationales Umsetzungsgesetz prüfen, Frist 7. Juni 2026): Informationen zur Entgeltspanne für Bewerbende und Verbot, nach der Gehaltshistorie zu fragen (Art. 5); Auskunftsrecht der Beschäftigten zum eigenen Entgelt und zum durchschnittlichen Entgelt nach Geschlecht für gleichwertige Arbeit, zu beantworten innerhalb von zwei Monaten (Art. 7); Berichterstattung zum Entgeltgefälle (Art. 9) — jährlich ab 250 Beschäftigten, alle drei Jahre bei 150–249, erste Berichte fällig am 7. Juni 2027 (Datenjahr 2026); Arbeitgeber mit 100–149 Beschäftigten folgen ab 2031; eine gemeinsame Entgeltbewertung mit den Arbeitnehmervertretungen, wenn eine Lücke von mindestens 5 % in einer Beschäftigtenkategorie nicht durch objektive, geschlechtsneutrale Kriterien gerechtfertigt ist und nicht innerhalb von sechs Monaten behoben wird (Art. 10) [1].
• KI-Nutzen: einheitliche Stellengruppierung über Tausende Stellen, reproduzierbare Statistik, Szenarioanalysen statt einmaliger Prüfungen sowie schnellere, einheitliche Antworten auf Auskunftsanfragen. Für diese neue Regelung gibt es keine begutachteten Nutzenzahlen; verlassen Sie sich ohne Pilotprojekt nicht auf ROI-Versprechen von Anbietern.
• Kontext: Das unbereinigte geschlechtsspezifische Entgeltgefälle in der EU liegt laut Eurostat bei rund 12–13 % [6].

Varianten

• Jährliche Berichterstattung nach Art. 9: Kennzahlen nach Geschlecht (Gefälle bei Mittelwert/Median insgesamt, bei Bonuszahlungen, Anteil der Bonusempfangenden, Quartilsverteilung, Gefälle nach Beschäftigtenkategorie beim ordentlichen Grundgehalt und bei variablen Bestandteilen).
• Stellenstruktur und Gruppierung gleichwertiger Arbeit (Art. 4): Stellen nach Fähigkeiten, Belastung, Verantwortung und Arbeitsbedingungen clustern; auch nötig, um die Vergleichsgruppe in den Antworten nach Art. 7 zu benennen.
• Planung von Korrekturmaßnahmen: kostenminimales Budget zum Schließen unerklärter Lücken, mit Auswirkungen auf Beförderungen und Einstellungen.
• Entwurf von Entgeltspannen für Stellenanzeigen: Spannen aus Entgeltgruppe und Marktdaten abgeleitet (siehe LANG-004).
• Assistent für Anfragen von Beschäftigten: Antworten entwerfen, die Personalabteilung gibt frei (siehe KNOW-003).
• Öffentlicher Dienst / tarifliche Entgelttabellen: Lücken entstehen eher bei Eingruppierung und Stufenzuordnung als in Verhandlungen; die Analyse konzentriert sich auf den Anspruch auf Zulagen und auf den Stufenaufstieg.
• Kleine Arbeitgeber (<100): keine Berichtspflicht, aber weiterhin an Art. 5 und 7 gebunden — eine einfache Prüfung genügt.

So funktioniert es

1. payroll + HRIS + job descriptions (secure extract, pseudonymised IDs)
2. data validation (FTE normalisation, hourly-equivalent pay, bonus/benefit mapping, outliers)
3. job grouping (embeddings + clustering of job descriptions
4. proposed equal-value groups; HR validates)
5. indicators (mean/median gaps, quartiles, bonus shares, by worker category)
6. explanatory modelling (regression: log pay ~ group, tenure, location, working time; unexplained gap with CI)
7. 5% flag per category + drivers (e.g. entry-offer differences, promotion speed, allowances)
8. remediation simulation (optimiser: minimum budget to close unexplained gaps under constraints)
9. drafts: Art. 9 report, joint assessment pack, Art. 7 answers, pay ranges
10. review by HR / works council / legal; versioned audit trail; export to authority format

• Die Zahlen stammen aus der Statistik, nicht von LLMs. Die Kennzahlen zum Entgeltgefälle sind deterministisches SQL/pandas; die bereinigte Lücke nutzt OLS-/Quantilsregression oder die Oaxaca-Blinder-Zerlegung. LLMs entwerfen nur Texte und helfen beim Clustern oder Beschreiben von Stellen.
• Stellengruppierung: Texteinbettungen (Embeddings) der Stellenbeschreibungen plus ein Klassifikator gegen eine bestehende Entgeltgruppenstruktur; ein LLM erzeugt je Zuordnung eine Begründung anhand der vier Kriterien der Richtlinie. Ein Mensch bestätigt jede Gruppe, denn „gleichwertig“ ist eine rechtliche Bewertung.
• Vorsicht bei „erklärt“: Variablen wie die Leistungsbeurteilung oder ein verhandeltes Einstiegsgehalt können selbst verzerrt sein. Das Werkzeug muss die Lücke mit und ohne diese Variablen zeigen und darf Lücken nicht hinter Kontrollvariablen verbergen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Personalabteilung verantwortet Gruppierung und Schwellenwerte; Betriebsrat und Rechtsberatung prüfen die gemeinsame Entgeltbewertung.

Datenaufbereitung

Die Grundlage sind Lohn- und HRIS-Daten (DATEV- oder SAP-Abrechnung, Personalstammdaten), Stellenbeschreibungen und Entgeltgruppentabellen, die im Mittelstand oft in getrennten Exporten, Word-Dateien, PDFs von Tarifverträgen und Excel-Tabellen der Personalabteilung liegen. Typische Lücken: keine einheitliche Stellenstruktur oder Entgeltgruppe je Beschäftigtem, veraltete oder frei formulierte Stellenbezeichnungen, Boni und Zulagen mit uneinheitlichen Lohnarten gebucht, Teilzeit und VZÄ nicht normalisiert, fehlende Merkmale (Betriebszugehörigkeit, Standort, Vertragsart) und strenge Zugriffsrechte, weil die Daten personenbezogen und sensibel sind.

Schritte der Aufbereitung: 1. Alle Quellen und Verantwortlichen erfassen (PREP-001, PREP-004) und Lohn- und HRIS-Daten per Export oder API extrahieren (PREP-005). 2. Lohnarten auf Grundgehalt, Bonus und Zulagen abbilden; auf Stundenäquivalente normalisieren. 3. Das Excel-Material in eine maschinenlesbare Tabelle überführen (PREP-011) und Stellenbeschreibungen in vergleichbarer Form verfassen (PREP-014). 4. Das Kategorienschema für Gruppen gleichwertiger Stellen festlegen, bevor geclustert wird (PREP-019). 5. IDs für die Analyse pseudonymisieren (PREP-022) und den Zugriff auf eine kleine Gruppe in der Personalabteilung beschränken.

Werkzeuge: SQL/pandas, dbt oder Excel Power Query; für das meiste davon ist keine KI nötig. Rechnen Sie mit etwa 50–60 % des Gesamtaufwands für die Datenaufbereitung, denn die Statistik geht schnell, sobald die Daten sauber sind. Siehe auch GUIDE-003 und DATA-020.

Umsetzungswege

Welcher Weg für wen

• KMU (A): Die Berichtspflicht ist standardisiert und rechtlich anspruchsvoll; ein Lohn-/HCM-Modul, ein Spezialwerkzeug oder der Selbsttest Logib-D des Bundes ist günstiger und sicherer, als die Statistik selbst zu bauen.
• Großunternehmen (B): Stellenstruktur, mehrere Abrechnungssysteme und Regeln mehrerer Länder erfordern eine Pipeline auf Warehouse-Basis mit eigenen Kennzahlen, wobei LLMs nur Texte entwerfen.
• Entwickler (C): Gehaltsdaten sollten in der HR-Enklave bleiben, und der Stack (statsmodels, OR-Tools, kleine Open-Weight-Modelle) läuft auf HW2.
• Öffentlicher Sektor (C): Entgeltdaten von Beschäftigten im öffentlichen Dienst und Vergaberegeln sprechen für Selbstbetrieb oder eine souveräne deutsche/EU-Cloud mit Prüfpfad.

Weg A — Kaufen (Standardsoftware) (für die meisten Arbeitgeber empfohlen)

• HCM-Suiten mit Modulen zur Entgelttransparenz: SAP SuccessFactors (SAP, EU) mit Analysen zu Entgelttransparenz und Entgeltgleichheit, Workday, Oracle HCM [2].
• Spezialanbieter: Syndio (USA, Analysen zur Entgeltgleichheit), Figures (Vergütungs-Benchmarking und Werkzeuge für Transparenz, EU), Ravio (Vergütungs-Benchmarking, EU), Pave, Beqom, Werkzeuge und Beratungen von Mercer und WTW.
• Öffentliche Werkzeuge: das schweizerische Logib und das deutsche Logib-D (Selbsttest-Werkzeuge des Bundes) [5].
• A wählen, wenn: die Gehaltsabrechnung in einer großen HCM-Suite liegt, ab 250 Beschäftigten, wenig eigene Data-Science-Kompetenz. Prüfen Sie EU-Hosting, Auftragsverarbeitungsvertrag, transparente Methodik und den Export der Kennzahlen nach Art. 9.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Warehouse (Snowflake/BigQuery/Azure in EU-Regionen) mit in SQL definierten Kennzahlen; Python (pandas, statsmodels) in Notebooks, betrieben in einem EU-Mandanten [3].
• LLMs (EU-Region): Mistral oder Claude/Gemini/GPT über in der EU gehostete Endpunkte, für die Zusammenfassung von Stellenbeschreibungen, Entwürfe von Begründungen und Antwortentwürfe zu Art. 7. Senden Sie nur pseudonymisierte oder aggregierte Daten.
• Embeddings über eine in der EU gehostete API für das Clustern von Stellen; Orchestrierung mit n8n oder Power Automate.

Weg C — Selbst betreiben (Open Source)

• Statistik: Python mit statsmodels, scikit-learn, DoWhy/EconML für kausale Sensitivitätsprüfungen, SciPy/OR-Tools für die Optimierung der Korrekturmaßnahmen.
• Sprache: Open-Weight-Modelle (z. B. der Klasse Mistral Small/Medium, Qwen, Llama) über vLLM oder Ollama; mehrsprachige Embedding-Modelle (z. B. BGE-M3, multilingual-e5) zum Clustern von Stellen.
• Hardware: HW2 genügt (Gehaltsdaten sind mengenmäßig winzig; Modelle dienen nur für Text). Der größte Betriebsaufwand liegt in der Datensicherheit: Gehaltsdaten sollten die HR-Enklave nie verlassen.

Weg D — Eigenes Training

Selten gerechtfertigt. Ein feingetunter Klassifikator, der Stellenbeschreibungen dem Entgeltgruppensystem des Unternehmens zuordnet, lohnt sich nur für sehr große, mehrländerige Konzerne mit Tausenden Stellen und einigen Tausend beschrifteten Beispielen aus früheren Bewertungen.

Stand der Technik (2026)

• Statistische Analysen zur Entgeltgleichheit (Regression, Zerlegung) sind ausgereift; neu ist der EU-spezifische Ablauf: Gruppierung gleichwertiger Arbeit, Kennzahlen nach Art. 9, 5-%-Schwelle, gemeinsame Bewertung und Anfragen nach Art. 7.
• Embeddings und LLMs verringern den manuellen Aufwand, Stellen gemeinsamen Rahmenwerken zuzuordnen; bewertet wird die Übereinstimmung mit fachkundigen Arbeitsbewertenden, nicht anhand von Benchmark-Werten.
• Anbieter (SAP, Workday, Syndio, Figures, Ravio) haben richtlinienspezifische Funktionen ausgeliefert oder angekündigt; Methoden und genauer Umfang unterscheiden sich, und die nationale Umsetzung weicht ab — prüfen Sie dies am Recht Ihres Mitgliedstaats.
• Grenzen: kleine Gruppen (Datenschutz und statistische Aussagekraft; viele Mitgliedstaaten haben Mindestgruppenregeln); Regression „erklärt“ Verzerrungen weg, wenn die Kontrollvariablen belastet sind; Stellenbeschreibungen bilden die tatsächlichen Aufgaben womöglich nicht ab; von LLMs verfasste Begründungen können überzeugend klingen und trotzdem falsch sein; unterschiedliche nationale Definitionen von Entgeltbestandteilen und verspätete Umsetzung.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (tabular-ml + llm-general + workflow-automation): DATA-012 (CSRD-Sozialkennzahlen einschließlich Datenpunkten zum Entgeltgefälle), DATA-020 (Aufbereitung für die Regulierungsberichterstattung), DATA-002 (Berichte in Textform), DATA-024 (FP&A: Korrekturbudget in der Planung).
• Textseite: LANG-004 (Formulierung von Entgeltspannen in Stellenanzeigen), KNOW-003 (Antworten im Self-Service für Beschäftigte).
• Datenqualität: ANOM-037 (Validierung der Gehaltsabrechnung) liefert saubere Eingangsdaten.
• Vorsicht: AGENT-008 (Lebenslauf-Vorauswahl) ist hochriskant; halten Sie es getrennt von der Entgeltanalyse.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis einige Monate (Datenzuordnung und Stellengruppierung dominieren); Abonnement je Beschäftigtem.
• Weg B: 3–6 Monate einschließlich rechtlicher Prüfung und Prüfung durch den Betriebsrat; die Cloud-Kosten sind im Vergleich zum Personalaufwand vernachlässigbar.
• Weg C: ähnlicher Aufwand, zusätzlich Absicherung der Sicherheit.
• Kennzahlen: Anteil der Stellen mit validierter Gruppe gleichwertiger Arbeit, unerklärte Lücke je Kategorie (Ziel unter 5 %), Zeit bis zur Beantwortung von Anfragen nach Art. 7 (Grenze: zwei Monate), Datenvollständigkeit, Kosten der Korrekturmaßnahmen im Vergleich zum Plan, Reproduzierbarkeit der Kennzahlen zwischen Durchläufen.

Menschen & Veränderung

Beginnen Sie mit Geschäftsführung und Personalabteilung (Prozessverantwortliche), um den rechtlichen Umfang festzulegen, und beziehen Sie die Datenverantwortlichen in Lohnbuchhaltung und IT früh ein, da der Datenauszug der schwierigste Schritt ist. Holen Sie die oder den Datenschutzbeauftragte(n) hinzu, bevor Daten verarbeitet werden: Entgeltdaten von Beschäftigten sind personenbezogen, eine DSFA ist wahrscheinlich (systematische Bewertung von Beschäftigten), und jeder Werkzeuganbieter braucht einen AVV (GUIDE-005). Betriebsrat: ja. Es besteht Mitbestimmung, weil Analysewerkzeuge und Stellengruppierungen das individuelle Entgelt berühren und geeignet sein können, Verhalten oder Leistung zu überwachen (§ 87 Abs. 1 Nr. 6 BetrVG); der Betriebsrat ist über KI-gestützte Arbeitsabläufe rechtzeitig zu unterrichten (§ 90 Abs. 1 Nr. 3) und kann eine sachkundige Person für KI hinzuziehen (§ 80 Abs. 3). Die Richtlinie gibt den Arbeitnehmervertretungen zudem eine Rolle bei der gemeinsamen Entgeltbewertung. Im öffentlichen Dienst übernimmt der Personalrat diese Rolle. Siehe GUIDE-004.

KI-Kompetenz: Die KI-Verordnung (Art. 4) verlangt Maßnahmen zur Förderung der KI-Kompetenz der Beschäftigten in der Personalabteilung, die das Werkzeug nutzen; schulen Sie diese zu den Grenzen der Regression und zu Verzerrungen in „erklärenden“ Variablen (GUIDE-006). Kommunizieren Sie offen, was analysiert wird und warum, aggregieren Sie Ergebnisse statt einzelner Personen und beginnen Sie mit einem Pilotprojekt in einer Gesellschaft oder Entgeltgruppe (GUIDE-008). Typische Sorge: „Das individuelle Gehalt wird offengelegt“; antworten Sie mit Pseudonymisierung, aggregierter Berichterstattung und menschlicher Freigabe aller Gruppierungen und Antworten an Beschäftigte.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Aggregierte Entgeltanalysen gelten in der Regel als minimales Risiko. Sie werden hochriskant (Anhang III Nr. 4), wenn KI eingesetzt wird, um über individuelles Entgelt oder Beförderungen zu entscheiden oder Leistung zu bewerten; halten Sie das System beratend und lassen Sie individuelle Vergütungsentscheidungen beim Menschen. Die KI-Kompetenz nach Art. 4 gilt [4].
• DSGVO: Gehaltsdaten plus Geschlecht sind personenbezogene Daten (Art. 6 Abs. 1 Buchst. c, rechtliche Verpflichtung für die Berichterstattung); wenden Sie Datenminimierung, Pseudonymisierung, Unterdrückung kleiner Gruppen und Zugriffskontrolle an; eine DSFA ist empfehlenswert. Geschlechtsangaben im HRIS können unvollständig oder nicht binär sein — behandeln Sie sie nach nationalem Recht. Die Mitbestimmung des Betriebsrats (z. B. BetrVG in Deutschland) gilt für die Werkzeuge [7].
• Pflichten aus der Richtlinie: Beweislast beim Arbeitgeber, Entschädigung betroffener Beschäftigter, Sanktionen werden national festgelegt; der Stand der Umsetzung ist unterschiedlich, prüfen Sie daher das örtliche Recht.
• Risiken und Gegenmaßnahmen: falsch gruppierte Stellen (menschliche Validierung, dokumentierte Kriterien); trügerische Sicherheit durch übermäßig kontrollierte Modelle (rohe und bereinigte Lücke zeigen); Offenlegung individueller Entgelte (Aggregationsschwellen); halluzinierte Antworten an Beschäftigte (Vorlagen, Freigabe durch die Personalabteilung); intransparente Methodik der Anbieter (Dokumentation einfordern).

Erste Schritte

1. Prüfen Sie das Umsetzungsgesetz Ihres Mitgliedstaats, die Schwellenwerte der Beschäftigtenzahl und die Berichtstermine.
2. Erfassen Sie die Entgeltbestandteile (Grundgehalt, Bonus, Zusatzleistungen) und erstellen Sie einen sauberen, auf VZÄ normalisierten Gehaltsauszug.
3. Berechnen Sie zuerst die Roh-Kennzahlen (Mittelwert-/Mediangefälle, Quartile); erproben Sie dann die Stellengruppierung in einem Bereich gemeinsam mit der Personalabteilung.
4. Ergänzen Sie die Regressionsanalyse, prüfen Sie die Einflussfaktoren mit Betriebsrat und Rechtsberatung und dokumentieren Sie die Methode.
5. Richten Sie den Ablauf für Anfragen nach Art. 7 und die Vorlagen für Entgeltspannen ein, bevor die ersten Anfragen eintreffen.

Quellen

1. Directive (EU) 2023/970 (Pay Transparency Directive) — https://eur-lex.europa.eu/eli/dir/2023/970/oj
2. SAP SuccessFactors compensation and pay-equity products — https://www.sap.com/products/hcm/compensation-management.html
3. statsmodels documentation (regression, Oaxaca-style decompositions) — https://www.statsmodels.org/stable/index.html
4. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. Logib (Swiss Federal Office for Gender Equality) — https://www.logib.admin.ch
6. Eurostat — gender pay gap in unadjusted form — https://ec.europa.eu/eurostat/databrowser/view/sdg_05_20/default/table
7. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj
8. Syndio — pay equity platform — https://synd.io