Prognose von Mitarbeiterfluktuation

Der Verlust erfahrener Beschäftigter ist teuer, und die meisten Organisationen sehen die Zahlen erst, nachdem Menschen gekündigt haben. Die Fluktuationsprognose nutzt HR-Daten, Vergütungsdaten und Engagement-Befragungen, um abzuschätzen, wo die freiwillige Fluktuation steigen wird und warum. Typische Brennpunkte sind eine Pflegestation, ein Softwareteam, eine Lagerschicht oder eine Filiale. So können HR und Führungskräfte Ursachen wie Gehaltslücken, Überlastung, fehlende Entwicklungsschritte oder eine schlechte Führungskraft beheben und Einstellungen rechtzeitig planen. In der EU ist das Scoring einzelner Beschäftigter eine Hochrisiko-KI-Anwendung nach der KI-Verordnung (AI Act) und in Deutschland mitbestimmungspflichtig. Gute Programme beginnen daher mit Prognosen auf Teamebene und Treiberanalysen und nutzen individuelle Scores nur mit starken Schutzvorkehrungen oder gar nicht.

Problem & Nutzen

• Wer: HR-Business-Partner, People-Analytics-Teams, Betriebsräte, Führungskräfte von Bereichen mit hoher Fluktuation (Pflege, Gastgewerbe, Handel, Logistik, IT) und das Finanzwesen für die Personalplanung.
• Heute: Fluktuationsquoten werden nachträglich in HRIS-Dashboards berichtet. Austrittsgespräche werden zwar geführt, aber selten systematisch ausgewertet, und Bindungsbudgets (Gehaltserhöhungen, Gegenangebote) werden reaktiv ausgegeben, wenn die Kündigung eintrifft.
• Warum KI hilft: Modelle verbinden viele schwache Signale (Zeit seit der letzten Erhöhung oder Beförderung, Gehaltsposition gegenüber dem Markt, Wechsel der Führungskraft, Überstundentrends, Befragungswerte) zu früheren und verlässlicheren Schätzungen als Faustregeln. LLMs machen Befragungskommentare und Austrittsgespräche in großem Umfang auswertbar.
• Wirtschaftlichkeit: Gallup schätzt die Kosten für den Ersatz einer Mitarbeiterin oder eines Mitarbeiters auf das Eineinhalb- bis Zweifache des Jahresgehalts. In seiner Untersuchung gaben 52 % der freiwillig Ausgeschiedenen an, ihre Führungskraft oder Organisation hätte etwas tun können, um den Weggang zu verhindern [1]. Das sind richtungsweisende US-Zahlen, keine Wirtschaftlichkeitsrechnung.

Varianten

• Aggregierte Fluktuationsprognose für die Personalplanung: erwartete Abgänge je Einheit, Rolle und Quartal als Eingabe für Einstellungs- und Kapazitätspläne (Verweise auf PRED-011 und OPT-003). Geringes regulatorisches Risiko, wenn keine individuellen Scores erzeugt werden.
• Treiber- / Ursachenanalyse: Welche Faktoren erklären die Fluktuationsunterschiede zwischen Teams (Gehaltsstauchung, Schichtmuster, Arbeitsweg, Führungsspanne). Wird für Richtlinien genutzt, nicht für Einzelpersonen.
• Individuelle „Flight-Risk"- oder „Regrettable-Attrition"-Scores für Schlüsselkräfte und Nachfolgeplanung. Das ist die klassische HR-Analytics-Variante und die mit der höchsten rechtlichen Last.
• Fluktuation in der Anfangszeit: Weggang innerhalb der ersten 3–12 Monate. Sie wird von der Qualität des Onboardings bestimmt und hängt mit AGENT-009 zusammen.
• Gesundheitswesen & Pflege: Fluktuation von Pflegekräften und Betreuenden je Station, kombiniert mit Personalbedarfsprognosen (HLTH-008).
• Öffentlicher Sektor: Öffentliche Arbeitgeber stehen vor Ruhestandswellen und Fachkräftemangel. Dasselbe Verfahren ist anwendbar, aber das Personalvertretungsrecht (Personalvertretungsgesetze) ersetzt das BetrVG.
• Hier nicht behandelt: Kundenabwanderung (PRED-003), Profiling von Arbeitssuchenden durch die Arbeitsvermittlung (PRED-029), Kommunikationsüberwachung zu Verhaltensrisiken (LANG-032) und Assistenten für Leistungsbeurteilungen (LANG-036).

So funktioniert es

1. HRIS + Lohn- und Gehaltsabrechnung + Befragung + Abwesenheitsaggregate (pseudonymisiert)
2. Stichtags-Momentaufnahmen je Beschäftigtem und Monat, Label: freiwilliger Austritt innerhalb des Horizonts
3. Modell: Gradient Boosting oder Überlebenszeitmodell (Zeit bis zum Austritt)
4. Kalibrierung, Fairness-Prüfungen je geschützter Gruppe, Mindestgruppengrößen
5. Aggregation auf Team- / Standort- / Rollenebene (Standardausgabe)
6. Treiberanalyse (SHAP), LLM-Themenanalyse von Befragungs- und Austrittskommentaren
7. Bindungsmaßnahmen mit Kontrollgruppen pilotieren
8. gemessene Wirkung
9. HR-Dashboard + Personalplan; Einzelansicht nur für berechtigte HR-Rollen

• Kernmodell: LightGBM/XGBoost/CatBoost auf monatlichen Momentaufnahmen oder Überlebenszeitmodelle (Cox, Random Survival Forests, Gradient-Boosted Survival), die vorhersagen, wann jemand gehen könnte, und die Zensierung aktueller Beschäftigter korrekt behandeln (scikit-survival, lifelines) [17].
• Kleine Organisationen: Bei einigen hundert Beschäftigten und einigen Dutzend Abgängen pro Jahr sind Modelle auf Einzelebene statistisch schwach. Tabellarische Foundation-Modelle wie TabPFN-3.5 helfen bei kleinen Tabellen [16], aber die bessere Wahl ist oft eine Prognose auf Teamebene plus Treiberanalyse.
• Textschicht: Ein LLM ordnet offene Befragungsantworten und Notizen aus Austrittsgesprächen Themen zu (Gehalt, Führungskraft, Arbeitsbelastung, Karriere, Arbeitsweg) und fasst sie je Einheit zusammen, mit Mindestgruppengrößen, damit keine Einzelperson erkennbar wird (gemeinsam mit LANG-019 und LANG-013).
• Kausale Schicht: Entscheidend ist nicht, wer gehen wird, sondern welche Maßnahme die Fluktuation tatsächlich senkt. Maßnahmen wie Gehaltsanpassungen, Bleibegespräche oder geänderte Schichtmuster sollten mit Vergleichsgruppen oder einer Differenz-von-Differenzen-Auswertung ausgerollt werden.
• Mensch-in-der-Schleife (Human-in-the-Loop): HR entscheidet über Maßnahmen. Scores lösen niemals nachteilige Handlungen aus, etwa dass jemand bei Weiterbildung oder Beförderung übergangen wird. Der Betriebsrat stimmt dem Datenumfang und den Ausgaben zu.

Datenaufbereitung

Welche Daten: HR-Stammdaten (Betriebszugehörigkeit, Rolle, Gehaltsband, Standort), Austritte mit Gründen, Abwesenheiten, Beförderungen, Ergebnisse von Engagement-Befragungen und optional aggregierte Daten zur Arbeitsbelastung.

Wo sie im KMU liegen: HRIS und Lohn- und Gehaltsabrechnung, von HR geführte Excel-Listen, Bewerber- und Personalakten (teils Papier) in einem DMS, Befragungswerkzeuge und Zeiterfassung.

Typische Lücken: kleine Belegschaft und wenige Austritte (schwache statistische Basis), uneinheitliche Kodierung von Austrittsgründen, Personaldaten in verstreuten Tabellen, vermischte Historie nach Reorganisationen, strenge Zugriffsrechte und sensible Merkmale, die nicht verwendet werden dürfen.

Schritte: 1. Prüfen, ob genügend Abgänge vorliegen; unterhalb weniger Dutzend pro Jahr ist die aggregierte Analyse auf Teamebene vorzuziehen. 2. HR-Daten mit einheitlichen IDs in einer Tabelle zusammenführen (PREP-005, PREP-011). 3. Austrittsgründe vereinheitlichen und Labels gewinnen (PREP-019, PREP-020). 4. Geschützte Merkmale und besondere Datenkategorien entfernen und Zweck sowie Rechtsgrundlage mit der/dem Datenschutzbeauftragten und dem Betriebsrat festlegen (PREP-025). 5. Vor der Analyse pseudonymisieren und den Zugriff auf HR-Analysten beschränken (PREP-022, PREP-023). 6. Einen zeitbasierten Testdatensatz einrichten (PREP-018).

Aufwandsanteil: etwa 30–40 Prozent, dazu Abstimmungszeit für die Vereinbarungen. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU (A): Unternehmen mit wenigen Beschäftigten haben nicht genug Daten für eigene Modelle, daher ist das eingebaute People-Analytics etablierter HRIS-Produkte die realistische Option; prüfen Sie, ob Fluktuations-Scoring bei Ihrer Größe überhaupt ratsam ist.
• Großunternehmen (C): HR-Daten sind hochsensibel und die Prüfung durch den Betriebsrat ist streng, daher ist ein kontrolliertes, selbst betriebenes Modell mit vereinbarter Betriebsvereinbarung dem Senden von Beschäftigtendaten an externe APIs vorzuziehen.
• Entwickler (C): Open-Source-ML für Tabellendaten mit Erklärbarkeit (scikit-learn, SHAP) auf HW1, bereitgestellt in der Umgebung des Kunden.
• Öffentlicher Sektor (C): Regeln des Personalrats und das Vergaberecht des öffentlichen Sektors sprechen für einen selbst betriebenen oder souveränen Cloud-Betrieb mit strenger Zweckbindung.

Weg A — Kaufen (empfohlen für die meisten KMU)

• People-Analytics-Plattformen: Visier Workforce AI (Kanada; Benchmarks, „Prevent regrettable attrition", KI-Assistent und Agenten) [12]. One Model (USA; Prognosen für Einstellungen, Fluktuation und Personalkosten, One AI) [13]. SAP SuccessFactors People Analytics (Deutschland) innerhalb der SAP-HCM-Suite.
• Engagement- & Listening-Suiten: Workday Peakon Employee Voice (in Kopenhagen gegründet; „understand attrition risks, identify the causes of turnover") [10]. Microsoft Viva Glint [14]. Leapsome (Berlin) und Culture Amp verknüpfen Engagement-Befragungen ebenfalls mit Fluktuationsanalysen. Die Sana-Agenten von Workday stellen Mitarbeiterbindung inzwischen als Coaching-Thema für Führungskräfte dar [11].
• Realität im KMU: EU-HRIS-Werkzeuge wie Personio (München) liefern Fluktuationsberichte. Für Unternehmen unter ~250 Beschäftigten bringen gutes Reporting plus eine regelmäßige Pulsbefragung meist mehr als ein Prognosemodell.
• Prüfen: EU-Datenhaltung, ob sich individuelle Scores abschalten lassen, rollenbasierter Zugriff, Mindestgruppengrößen im Reporting, die Dokumentation des Anbieters nach der KI-Verordnung als Hochrisiko-Anbieter und eine betriebsratsfähige Beschreibung des Systems.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Verwaltetes ML in EU-Regionen: Azure Machine Learning AutoML, SageMaker Autopilot/Canvas, Vertex AI oder BigQuery ML, Databricks oder Snowflake ML auf einem pseudonymisierten HR-Mart.
• Gehostetes tabellarisches Foundation-Modell: Prior Labs (Freiburg, Deutschland) bietet TabPFN per API und als VPC-Bereitstellung an [16].
• LLM für Kommentare: ein in der EU gehostetes Modell (Mistral La Plateforme oder Azure OpenAI / Claude auf Bedrock / Gemini in EU-Regionen) zur Themenextraktion. Senden Sie nur pseudonymisierten Text, schließen Sie vertraglich das Training mit den Daten aus und entfernen Sie Namen vor dem Aufruf.
• Integration: HRIS (SAP SuccessFactors, Workday, Personio) → Data Warehouse → Modell → BI (Power BI, Tableau) mit Sicherheit auf Zeilenebene.

Weg C — Selbst betreiben (Open Source)

• Stack: pandas/Polars, LightGBM/CatBoost, scikit-survival (GPL-3.0) [17] oder lifelines, SHAP, Fairlearn für Fairness-Metriken auf Gruppenebene, MLflow, Evidently für Drift, Apache Superset oder Metabase für Dashboards.
• Text: ein kleines LLM mit offenen Gewichten (z. B. Mistral Small oder Klasse Qwen3, ≤ 30B quantisiert) auf HW2 zur Klassifikation von Kommentaren. Das Vorhersagemodell selbst läuft auf HW1 (CPU).
• Warum selbst betreiben: HR-Daten gehören zu den sensibelsten Daten eines Unternehmens. On-Premises hält sie in der HR-Netzwerkzone, was Betriebsräte und Datenschutzbeauftragte oft bevorzugen.

Weg D — Eigenes Training

Lohnt sich nur für große Arbeitgeber (etwa 5.000+ Beschäftigte) mit mehrjährigen sauberen Austrittshistorien, einheitlichen Gründecodes (freiwillig vs. unfreiwillig vs. Ruhestand) und einem People-Analytics-Team. „Eigen" bedeutet eigene Merkmale und Überlebenszeitmodelle. Das Training von Sequenzmodellen auf HR-Ereignishistorien schlägt bei dieser Datengröße selten Boosting-Bäume. Trainieren Sie keine Modelle auf Metadaten von E-Mails, Chats oder Kalendern, um Jobsuch-Verhalten abzuleiten. Das ist unverhältnismäßige Überwachung nach DSGVO und Mitbestimmungsrecht, und LANG-032 behandelt die engen zulässigen Fälle der Kommunikationsüberwachung.

Stand der Technik (2026)

• Methoden: Boosting-Bäume und Überlebenszeitmodelle auf Stichtags-Momentaufnahmen des HR-Bestands bleiben Standard. Tabellarische Foundation-Modelle (TabPFN-3.5: bis zu 1 Mio. Zeilen und 20.000 Merkmale; Gewichte unter einer nichtkommerziellen Lizenz, kommerzielle Nutzung über Prior Labs) sind eine starke Ausgangsbasis ohne Tuning für kleine HR-Datensätze [16].
• Wandel bei den Produkten: Anbieter wechseln von individuellen „Flight-Risk"-Markierungen zu agentischer HR- Analytics. Assistenten und Agenten beantworten Fragen zur Belegschaft, vergleichen die Fluktuation mit Vergleichsgruppen und coachen Führungskräfte zur Mitarbeiterbindung (Visier-Agenten und MCP, Workday Sana) [11][12].
• Listening-Daten: Kontinuierliche Pulsbefragungen mit LLM-Kommentaranalyse haben jährliche Engagement-Befragungen als wichtigsten Frühindikator abgelöst.
• Grenzen: Labels sind verrauscht (freiwillig vs. „einvernehmlich"), und Ereignisse sind in kleinen Einheiten selten. Modelle driften nach Reorganisationen oder Veränderungen am Arbeitsmarkt. Starke Prädiktoren wie Alter oder Betriebszugehörigkeit kurz vor dem Ruhestand sind Proxys für geschützte Merkmale. Selbsterfüllende Effekte sind real: Eine als „gefährdet" markierte Person bekommt womöglich weniger Chancen und geht dann tatsächlich. Von Anbietern berichtete Genauigkeitswerte sind meist nicht unabhängig überprüft.

Gemeinsame Bausteine & Kombinationen

• Tabellen-ML-Stack (HW1): derselbe Feature Store, dasselbe Training und dasselbe MLOps-Setup wie bei PRED-003 Kundenabwanderung und DATA-009 AutoML. Die Logik der Stichtags-Momentaufnahmen ist identisch.
• Kette der Personalplanung: PRED-012 erwartete Abgänge → PRED-011 Bedarfsprognose → OPT-003 Schichtplanung / HLTH-008 Personalplanung im Krankenhaus → AGENT-008 / AGENT-033 Recruiting.
• Bindungsmaßnahmen: KNOW-012 Kompetenzlandkarte und interne Mobilität, EDU-005 Lernpfade, AGENT-009 Onboarding (Fluktuation in der Anfangszeit), DATA-025 Analyse von Gehaltslücken (Vergütungstreiber) und KNOW-003 HR-Self-Service.
• Text-Pipeline (llm-general, HW2 bei Selbstbetrieb): gemeinsam mit LANG-013 Feedback-Analyse, LANG-019 qualitative Kodierung und LANG-036 Assistent für Leistungsbeurteilungen.
• Abgrenzungen: LANG-032 (Kommunikationsüberwachung) und PRED-029 (Profiling von Bürgern) sind eigene Anwendungen mit anderen Rechtsgrundlagen.

Aufwand, Kosten & Kennzahlen

• Weg A: 1–3 Monate, überwiegend HRIS-Integration, Betriebsvereinbarung und DSFA. Die Kosten sind meist Lizenzen pro Beschäftigtem für die Analytics- oder Befragungssuite.
• Weg B/C: 3–6 Monate für das erste Modell, Dashboard und Governance. Der laufende Aufwand liegt bei etwa 0,2–0,5 VZÄ People-Analytics-Kapazität. Die Rechenkosten sind vernachlässigbar (CPU).
• Kostentreiber: Datenbereinigung (Austrittsgründe, Organisationshistorie), rechtliche und mitbestimmungsrechtliche Arbeit sowie die Bindungsmaßnahmen selbst (Gehaltserhöhungen, Karriereprogramme).
• Kennzahlen: Quote bedauerter freiwilliger Abgänge, Fluktuation in der Anfangszeit (erstes Jahr), Wirkung der Maßnahmen gegenüber Vergleichsgruppen und Prognosefehler der Abgänge je Einheit (in Personalplänen genutzt). Technische Kennzahlen: Kalibrierung und C-Index / PR-AUC. Fairness-Kennzahlen: Gleichheit der Fehlerraten über Geschlecht, Altersgruppe und Behinderungsstatus.

Menschen & Veränderung

Früh einbeziehen: die Geschäftsführung (Zweck und Grenzen), HR als Prozessverantwortliche, den Betriebsrat oder Personalrat ab der ersten Idee, die/den Datenschutzbeauftragte(n), Recht/Compliance und die IT-Sicherheit für den Zugriff auf HR-Daten. Bereichsleitungen kommen hinzu, wenn Ergebnisse geteilt werden. Beschäftigte sind eine betroffene Gruppe und sollten transparent informiert werden.

Betriebsrat: ja. HR-Analytics auf Beschäftigtendaten ist geeignet, Verhalten und Leistung zu überwachen, und erfordert die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG. Unterrichten Sie den Betriebsrat rechtzeitig über KI-geplante Arbeitsprozesse (§ 90 Abs. 1 Nr. 3), erwägen Sie die Hinzuziehung eines KI-Sachverständigen (§ 80 Abs. 3) und schließen Sie eine Betriebsvereinbarung zu Zweck, Daten, Zugriff und Ausschluss individueller Sanktionen (GUIDE-004). Öffentlicher Sektor: Personalrat nach BPersVG oder Landesrecht.

Datenschutz: Eine DSFA (Art. 35 DSGVO) ist sehr wahrscheinlich nötig; Beschäftigtendaten fallen unter § 26 BDSG und Art. 88 DSGVO. Beziehen Sie die/den Datenschutzbeauftragte(n) früh ein (GUIDE-005).

KI-Kompetenz: Art. 4 der KI-Verordnung verlangt Maßnahmen zur Förderung der Kompetenz; schulen Sie HR und Führungskräfte im Umgang mit Risikoscores und zu Verzerrungen (GUIDE-006).

Pilot und Kommunikation: Beginnen Sie mit aggregierten Erkenntnissen auf Teamebene statt mit individuellen Scores und kommunizieren Sie den Zweck offen (GUIDE-008, GUIDE-009).

Bedenken: Der Angst vor Überwachung und selbsterfüllenden Etiketten begegnen Sie mit einem Verbot der Nutzung bei Kündigungs- oder Beförderungsentscheidungen und indem Führungskräfte in einer unterstützenden Rolle bleiben. Es entscheiden immer Menschen.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act) — Hochrisiko: Anhang III Nummer 4(b) umfasst KI, die für Entscheidungen über Beförderung oder Beendigung eingesetzt wird und das Verhalten von Personen in Arbeitsverhältnissen überwacht und bewertet [2]. Individuelle Fluktuations-Scores sind Profiling natürlicher Personen, daher greift die Ausnahme nach Art. 6 Abs. 3 für „vorbereitende" Aufgaben nicht [3]. Betreiber müssen die Gebrauchsanweisung befolgen, kompetente menschliche Aufsicht benennen, das System überwachen, Protokolle mindestens sechs Monate aufbewahren und Arbeitnehmervertreter und betroffene Beschäftigte vor der Nutzung informieren (Art. 26) [5]. Die Pflichten nach Anhang III gelten laut dem aktuellen Umsetzungszeitplan ab dem 2. Dezember 2027 [6], nach dem Vereinfachungspaket des Digital Omnibus [7]. Rein aggregierte Prognosen ohne Scores je Person liegen grundsätzlich außerhalb von Anhang III, dokumentieren Sie diese Bewertung aber.
• Verbote nach Art. 5: Das Ableiten von Emotionen Beschäftigter (zum Beispiel aus Stimme, Video oder Tippverhalten) ist am Arbeitsplatz verboten, außer aus medizinischen oder Sicherheitsgründen [4]. „Stimmungs"- oder „Stress"-Signale aus solchen Systemen dürfen nicht in ein Fluktuationsmodell einfließen.
• DSGVO: Art. 88 erlaubt den Mitgliedstaaten, besondere Regeln für das Beschäftigungsverhältnis aufzustellen, mit Garantien für Transparenz und Überwachung am Arbeitsplatz [8]. In Deutschland steht § 26 BDSG [9] unter Druck, seit der EuGH in C-34/21 (2023) entschieden hat, dass nationale Regeln, die lediglich die DSGVO wiederholen, nicht unter Art. 88 fallen [18]. Stützen Sie sich auf eine dokumentierte Rechtsgrundlage, meist Art. 6 Abs. 1 Buchst. f oder eine Betriebsvereinbarung, plus eine DSFA (umfangreiches Profiling von Beschäftigten). Art. 22 greift, wenn Scores erhebliche Wirkungen ohne echte menschliche Prüfung entfalten. Schließen Sie besondere Datenkategorien (Gesundheit aus Abwesenheitsgründen, Gewerkschaftszugehörigkeit) und deren Proxys aus.
• Mitbestimmung (Deutschland): § 87 Abs. 1 Nr. 6 BetrVG gibt dem Betriebsrat ein Mitbestimmungsrecht bei technischen Einrichtungen, die zur Überwachung von Verhalten oder Leistung geeignet sind [15]. Bei konzernweiten Systemen hat das Bundesarbeitsgericht dieses Recht dem Gesamtbetriebsrat zugewiesen (1 ABR 20/21, M365) [19]. Schließen Sie eine Betriebsvereinbarung ab, die Zweckbindung, das Verbot individueller negativer Folgen, Zugriffsrollen und Löschung regelt.
• Weitere Risiken: Diskriminierung (AGG; Proxys für Alter und Geschlecht), Vertrauensverlust, wenn Beschäftigte erfahren, dass sie bewertet werden, und Datenlecks bei HR-Daten. Gegenmaßnahmen: Pseudonymisierung, Mindestgruppengrößen (z. B. n ≥ 5–10), keine Offenlegung individueller Scores gegenüber direkten Führungskräften und Transparenzhinweise.

Erste Schritte

1. Legen Sie Definitionen fest: freiwilliger vs. unfreiwilliger Austritt, „bedauerter" Abgang, Horizont (6–12 Monate), und bereinigen Sie drei oder mehr Jahre Austrittsdaten mit Gründen.
2. Beziehen Sie den Betriebsrat und die/den Datenschutzbeauftragte(n) von Anfang an ein. Vereinbaren Sie Zweck, Ausgaben mit Vorrang für Aggregate und eine DSFA, bevor Sie irgendetwas bauen.
3. Bauen Sie ein Fluktuations-Dashboard auf Teamebene mit Treiberanalyse (Gehaltsposition, Beförderungslücke, Wechsel der Führungskraft, Befragungswerte) und einer LLM-Themenanalyse der Austrittskommentare.
4. Pilotieren Sie zwei oder drei Bindungsmaßnahmen in den am stärksten betroffenen Einheiten mit Vergleichsgruppen und messen Sie die Wirkung nach 6–12 Monaten.
5. Entscheiden Sie erst dann, ob individuelle Risikobänder nötig sind. Falls ja, bereiten Sie die Hochrisiko- Dokumentation und Aufsicht nach der KI-Verordnung, Fairness-Tests und eine Betriebsvereinbarung vor.

Quellen

1. Gallup — This Fixable Problem Costs U.S. Businesses $1 Trillion (2019) — https://www.gallup.com/workplace/247391/fixable-problem-costs-businesses-trillion.aspx
2. EU AI Act — Annex III high-risk use cases (point 4) — https://artificialintelligenceact.eu/annex/3/
3. EU AI Act — Article 6 classification rules incl. profiling clause — https://artificialintelligenceact.eu/article/6/
4. EU AI Act — Article 5 prohibited practices (emotion recognition at work) — https://artificialintelligenceact.eu/article/5/
5. EU AI Act — Article 26 obligations of deployers — https://artificialintelligenceact.eu/article/26/
6. AI Act implementation timeline — https://artificialintelligenceact.eu/implementation-timeline/
7. European Commission — Digital Omnibus on AI regulation proposal — https://digital-strategy.ec.europa.eu/en/library/digital-omnibus-ai-regulation-proposal
8. GDPR Art. 88 — Processing in the context of employment — https://gdpr-info.eu/art-88-gdpr/
9. Bundesdatenschutzgesetz §26 — https://www.gesetze-im-internet.de/bdsg_2018/__26.html
10. Workday — Employee Voice / Peakon (employee retention) — https://www.workday.com/en-us/products/employee-voice.html
11. Workday — Talent management & Sana HR agents — https://www.workday.com/en-us/products/talent-management.html
12. Visier — Workforce AI — https://www.visier.com/
13. One Model — People analytics, One AI, attrition forecasting — https://www.onemodel.co/
14. Microsoft Learn — Introduction to Microsoft Viva Glint — https://learn.microsoft.com/en-us/viva/glint/introduction-viva-glint
15. Betriebsverfassungsgesetz §87 — https://www.gesetze-im-internet.de/betrvg/__87.html
16. Prior Labs — TabPFN repository (versions, limits, licences) — https://github.com/PriorLabs/TabPFN
17. scikit-survival — survival analysis on scikit-learn — https://github.com/sebp/scikit-survival
18. Court of Justice of the EU — Case C-34/21 (Hauptpersonalrat, employment data, Art. 88 GDPR) — https://curia.europa.eu/juris/liste.jsf?num=C-34/21
19. Bundesarbeitsgericht — 1 ABR 20/21 (8 March 2022), co-determination for Microsoft 365 — https://www.bundesarbeitsgericht.de/entscheidung/1-abr-20-21/