KI für Performance-Reviews: faire, konsistente Bewertungen aus Belegen

Nein. Die KI entwirft aus belegten Leistungsdaten einen Textvorschlag und prüft ihn auf Verzerrungen. Die Bewertung selbst, ihre Einordnung und die Verantwortung dafür bleiben beim Manager. Es gibt keine automatische Note und keine Entscheidung ohne Mensch.

KI im Beschäftigungskontext, die über Bewertung, Beförderung oder Kündigung mitentscheidet, gilt im EU AI Act grundsätzlich als Hochrisiko. Genau deshalb ist der Ansatz als Entwurfs- und Prüfhilfe ausgelegt, nicht als automatischer Entscheider. Halte die finale Bewertung beim Menschen, dokumentiere den Prozess und kläre die konkrete Einstufung mit Rechts- und Datenschutz.

Der Einsatz einer solchen Lösung ist in der Regel mitbestimmungspflichtig, weil sie das Verhalten und die Leistung von Beschäftigten erfasst und auswertet. Das ist kein Hindernis, sondern ein Schritt im Plan: Betriebsrat früh einbinden, Zweck und Datenarten klar benennen, eine Betriebsvereinbarung schließen. Transparenz erhöht hier sogar die Akzeptanz.

Aus den Daten, die ihr ohnehin habt: vereinbarte Ziele, Projektergebnisse, dokumentiertes Feedback aus dem Jahr. Die KI erfindet keine Leistungen, sondern verdichtet vorhandene Belege. Was nicht dokumentiert ist, taucht auch nicht im Entwurf auf, das macht Lücken sichtbar.

Beides muss man ernst nehmen. Die KI gleicht jeden Entwurf gegen einen gemeinsamen Maßstab ab und markiert wertende oder ungleiche Sprache, das adressiert Recency- und Halo-Effekte einzelner Manager. Gleichzeitig kann ein Modell eigene Verzerrungen mitbringen. Deshalb gehören regelmäßige Fairness-Prüfungen über Gruppen hinweg und die menschliche Endkontrolle fest zum Prozess.

Die laufenden 1:1-Gespräche sind die kontinuierliche Führung im Jahr. Dieser Fall betrifft die formale Performance-Review: den dokumentierten Bewertungstext, die Bias-Prüfung und die Kalibrierung über Manager hinweg. Beides ergänzt sich, gutes laufendes Feedback liefert sogar die Belege für eine bessere formale Review.

Die KI stellt einen Bewertungsentwurf neben die Entwürfe vergleichbarer Rollen und Teams und markiert auffällige Abweichungen, etwa wenn ein Manager durchgängig milder oder strenger bewertet. Das ersetzt das Kalibrierungs-Meeting nicht, aber es bringt die Diskussion auf Belege statt auf Bauchgefühl.

Der Entwurf ist Rohmaterial, kein fertiger Text. Er ist an die konkreten Belege der Person gekoppelt und damit individuell. Der Manager schärft Ton, Kontext und Schwerpunkte. Ziel ist konsistente Fairness im Maßstab, nicht uniforme Sprache.

Leistungsdaten sind besonders schutzbedürftig. Verarbeitung nur auf klarer Rechtsgrundlage, Datensparsamkeit, definierte Löschfristen und ein Modellbetrieb, der die Daten nicht zu Trainingszwecken abfließen lässt. Das gehört vor dem ersten Echtlauf geklärt, nicht danach.

Mit einem begrenzten Pilot: ein Bereich, eine Review-Runde, KI als Entwurfs- und Prüfhilfe parallel zum bestehenden Prozess. So seht ihr an echten Fällen, wie viel Zeit der Entwurf spart und ob die Bias-Prüfung greift, bevor ihr breiter ausrollt.

Nicht zwingend. Der Ansatz dockt an vorhandene Quellen an, also an euer bestehendes Performance-Management-System, Feedback-Tools und HR-Stammdaten. Die KI ist eine Schicht darüber, kein Ersatz der ganzen Plattform.