Instrumente, nicht Prinzipien: Die Sequenzierung der KI-Bereitschaft in der Personalführung

Ein Reifegradmodell, das zu spät kommt

Die meisten organisatorischen KI-Reifegradmodelle teilen ein strukturelles Merkmal, das sie untergräbt. Sie ordnen Fähigkeiten vor Kontrolle an. Zuerst werden Datengrundlagen geschaffen, zweitens werden Anwendungen eingeführt, und drittens wird eine Ethik- oder Vertrauensebene eingezogen, die typischerweise in Form von Richtlinien, Grundsätzen und Bekenntnissen zu Fairness und Transparenz beschrieben wird. Diese Reihenfolge ist naheliegend, weil sie widerspiegelt, wie die Arbeit tatsächlich finanziert wird, und sie ist die Reihenfolge, die die meisten gängigen Reifegradmodelle empfehlen.

Es ist auch die Reihenfolge, die die Fehlschläge erzeugt, die inzwischen bei KI im Beschäftigungsbereich sichtbar werden. Wenn eine Ethikebene entworfen wird, befinden sich die Systeme, die sie regeln soll, bereits in Produktion, die Beschaffung ist abgeschlossen, Vertragsbedingungen sind festgelegt, die Anbieterauswahl ist unumkehrbar, und die praktischen Optionen der Organisation haben sich auf Dokumentation und Offenlegung verengt. Governance, die erst in Schritt drei eingeführt wird, ist keine Governance. Sie ist die nachträgliche Rechtfertigung von Entscheidungen, die in Schritt zwei getroffen wurden.

Governance, die erst in Schritt drei eingeführt wird, ist keine Governance.

Die Korrektur besteht nicht darin, eine Ethikstufe früher einzufügen. Sie besteht darin zu erkennen, dass ethische Richtlinien nicht das Instrument sind, das die Situation erfordert, und dass es genau dieser Fehler ist, sie als solches zu behandeln.

Warum Grundsätze keine Kontrollen sind

Die Unterscheidung zwischen einem Grundsatz und einem Instrument ist nicht semantischer Natur, und sie wurde in der Governance-Literatur bereits gründlich genug untersucht, sodass Organisationen sie nicht neu entdecken müssen.

Salamons Analyse der Instrumente des Regierens stellt fest, dass politische Ziele durch Instrumente mit identifizierbaren Eigenschaften verwirklicht werden: welche Tätigkeit sie autorisieren, wer sie verwaltet, welche Einhaltung sie erzwingen, und was sie beobachtbar machen. Ein formuliertes Bekenntnis leistet nichts davon. Es drückt eine Absicht aus, ohne einen Akteur, einen Auslöser, ein Beweisergebnis oder eine Konsequenz bei Nichterfüllung festzulegen. Auf künstliche Intelligenz angewendet, wurde dieses Muster direkt dokumentiert. Jobins, Iencas und Vayenas Untersuchung der globalen Landschaft der KI-Ethikrichtlinien fand erhebliche Übereinstimmung bei übergeordneten Grundsätzen bei gleichzeitig ausgeprägter Divergenz darin, wie diese Grundsätze interpretiert wurden und was sie verlangen sollten. Mittelstadts Einschätzung kam zu dem schärferen Schluss, dass Grundsätze allein ethische künstliche Intelligenz nicht garantieren können, solange die professionellen Strukturen, Rechenschaftsmechanismen und Durchsetzungswege fehlen, die Grundsätze in anderen Bereichen wirksam machen.

Eine Organisation, die auf das Risiko von KI im Beschäftigungsbereich mit der Entwicklung klarer ethischer Richtlinien reagiert, hat daher die Maßnahme mit der schwächsten Evidenzlage gewählt. Das liegt nicht daran, dass Fairness und Transparenz unwürdige Ziele wären. Es liegt daran, dass eine Richtlinie kein Artefakt hervorbringt, während jede Verpflichtung, der die Organisation tatsächlich unterliegt, durch Artefakte erfüllt wird.

Man betrachte das Bekenntnis zur Transparenz darüber, wie Algorithmen funktionieren, das in nahezu jedem Reifegradmodell auftaucht. Es ist unter den genannten Bedingungen nicht erreichbar. Anbieter werden die Modellarchitektur nicht offenlegen, die meisten Systeme dieser Kategorie sind nicht in dem Sinne interpretierbar, den das Bekenntnis impliziert, und eine Organisation, die algorithmische Transparenz versprochen hat, hat etwas versprochen, das sie nicht liefern kann und wonach sie gefragt werden wird. Die erreichbare und nützlichere Verpflichtung ist von anderer Art: dokumentierte Belege zu Ergebnissen über geschützte Gruppen hinweg, erstellt in festgelegtem Turnus, von einer Partei, die die Organisation benennen kann. Das ist ein Instrument. Es legt fest, wer was wann tut und welcher Nachweis daraus entsteht.

Die umgekehrte Reifegradfolge

Ein Reifegradmodell, das auf Instrumenten statt auf Grundsätzen aufbaut, ordnet die Arbeit anders an, und diese Neuordnung ist der inhaltliche Beitrag, nicht nur eine Frage der Darstellung.

Die Erfassungsbestimmung steht an erster Stelle. Bevor ein System hinsichtlich seiner Fähigkeiten bewertet wird, muss die Organisation in der Lage sein zu beantworten, ob die Ausgaben des Systems genutzt werden, um Entscheidungen über Einstellung, Beförderung, Vergütung, Zuweisung, Disziplinarmaßnahmen oder Fortsetzung des Beschäftigungsverhältnisses zu treffen, zu leiten oder maßgeblich zu beeinflussen. Diese Formulierung – und nicht die Produktkategorie, unter der ein System vermarktet wird – bestimmt, welche Verpflichtungen nach jedem derzeit geltenden Regelwerk für KI im Beschäftigungsbereich greifen. Die Erfassungsbestimmung ist ein Instrument, weil sie einen Nachweis erzeugt, einen Verantwortlichen benennt und einen festgelegten Arbeitsablauf auslöst. Sie ist zudem kostengünstig, und sie ist der einzige Schritt, der umso teurer wird, je länger er aufgeschoben wird.

Die Daten-Governance folgt, neu gefasst. Reifegradmodelle beschreiben das Datenziel als eine einzige verlässliche Quelle der Wahrheit, was ein Datenqualitätsziel ist. Das Governance-Ziel ist ein anderes und engeres: Die Organisation muss feststellen können, aus welchen Daten eine bestimmte Schlussfolgerung gezogen wurde, wann und mit welcher Herkunft. Saubere, integrierte Daten unterstützen bessere Vorhersagen. Dokumentierte Datenherkunft unterstützt die Fähigkeit, einer Aufsichtsbehörde oder einem Kläger zu erklären, warum eine Person das Ergebnis erhielt, das sie erhielt. Nur Zweiteres ist eine Governance-Fähigkeit, und eine Organisation kann Ersteres vollständig besitzen, ohne Letzteres zu haben.

Beweisanforderungen kommen bei der Beschaffung ins Spiel, nicht danach. Dies ist der Punkt, an dem die Organisation noch Verhandlungsmacht besitzt. Dokumentation der Bias-Prüfung mit Angabe von Methodik, getesteten Gruppen und Population. Bestätigung, dass kein geografisches, bildungsbezogenes oder dienstzeitabgeleitetes Merkmal als Stellvertreter fungiert. Festlegung des Benachrichtigungs- und Ablehnungsverfahrens und der Partei, die es durchführt. Aufbewahrungs- und Exportbedingungen, die eine Plattformmigration über den geltenden Verjährungszeitraum hinweg überdauern. Jede dieser Bestimmungen ist vor der Auftragsvergabe verhandelbar und danach nicht mehr, was das gesamte Argument für diese Reihenfolge liefert.

Die Einführung bringt Überwachung mit sich, keine Bestätigung. Die Verpflichtung, die nach der Implementierung zählt, ist die Ergebnisprüfung in festgelegten Intervallen, denn unter einem Standard der unterschiedlichen Auswirkung (disparate impact) ist die Überzeugung einer Organisation, dass ihr Werkzeug fair sei, keine Antwort auf die Frage, ob sich die Ergebnisse unterscheiden. Nur Messung ist eine Antwort.

Die Nachweisebene schließt den Kreis. Bestätigung, gebunden an Person, Version, Datum und authentifizierten Pfad. Aufbewahrung, die bereits bei der Erstellung mitgeplant wird. Die Fähigkeit der Organisation nachzuweisen, was sie getan hat, ist das Ergebnis der gesamten Abfolge, und es ist das einzige Ergebnis, das eine gegnerische Partei jemals zu sehen bekommt.

Das Modell ist ein Kreislauf und keine Leiter, weil die erste Stufe sich wiederholt. Systeme gelangen fortlaufend in Organisationen, häufig über Funktionsbereiche, die sie nicht als Technologie für Beschäftigungsentscheidungen einstufen, und die Erfassungsbestimmung ist daher ein überwachter Zustand und kein abgeschlossenes Projekt.

Talentanalyse als veranschaulichendes Beispiel

Die gängigen Reifegradmodelle platzieren proaktive Talentanalyse – die Abbildung vorhandener Fähigkeiten gegen künftige Anforderungen und die Erstellung datengestützter Karrierepfade – typischerweise an zweiter Stelle, noch vor der Governance-Ebene. Diese Platzierung ist aufschlussreich, denn genau diese Fähigkeit gehört zu den am stärksten regulierten der gesamten Kategorie von KI im Beschäftigungsbereich und wird fast nie als solche erkannt.

Ein System, das die Fähigkeiten von Mitarbeitenden abbildet und Karrierepfadempfehlungen erstellt, erzeugt Einschätzungen, die Beförderung und Zuweisung maßgeblich beeinflussen. Das Local Law 144 von New York City erfasst Beförderungsentscheidungen. Die ab Januar 2026 geltende Änderung des Human Rights Act in Illinois erfasst Beförderung, Disziplinarmaßnahmen und Entlassung und legt Benachrichtigungspflichten fest, die an die Nutzung und nicht an das Ergebnis anknüpfen. Anhang III des KI-Gesetzes der EU listet Beförderung, Aufgabenzuweisung und Leistungsbeurteilung nach Funktion auf, nicht nach Produktkategorie. Eine Organisation, die Talentanalyse auf Stufe zwei einführt und erst auf Stufe drei ihren Vertrauensrahmen erreicht, hat ein reguliertes System eingeführt und erst danach ihre Grundsätze dazu verfasst.

Dies sind die praktischen Kosten der herkömmlichen Reihenfolge, und sie sind nicht hypothetisch. Es ist der gewöhnliche Weg, auf dem Organisationen Verpflichtungen erwerben, die sie nicht geprüft haben.

Was sich dadurch an der Beratungsfrage ändert

Die Frage, die Organisationen stellen, lautet, welche KI-Werkzeuge sie einführen sollen. Die Frage, die ihr Risiko bestimmt, lautet, welche der bereits eingeführten Systeme folgenreiche Entscheidungssysteme sind und welche Nachweise zu jedem einzelnen vorliegen.

Das sind unterschiedliche Fragen, und die zweite lässt sich sofort beantworten, ohne eine Technologieentscheidung, zu geringen Kosten und mit einem dauerhaften Artefakt als Ergebnis. Es ist auch die Frage, die die nachfolgenden Technologieentscheidungen vertretbar macht und nicht nur enthusiastisch. Eine Organisation, die für jedes System, das eine Beschäftigungsentscheidung berührt, angeben kann, was es tut, welche Verpflichtungen daran anknüpfen, welche Nachweise bestehen und wer die nächste Überprüfung verantwortet, hat etwas aufgebaut. Eine Organisation mit einem Satz ethischer KI-Grundsätze hat etwas geschrieben.

Die Integration künstlicher Intelligenz in Personalprozesse ist kein Technologieprojekt. So viel verstehen die herkömmlichen Modelle richtig. Es ist ein Governance-Projekt, und Governance wird durch Instrumente konstituiert, nicht durch Bekenntnisse.

Quellen

• Salamon, L. M., Hrsg. The Tools of Government: A Guide to the New Governance. Oxford University Press, 2002.
• Jobin, A., Ienca, M., und Vayena, E. „The global landscape of AI ethics guidelines.“ Nature Machine Intelligence 1 (2019): 389–399.
• Mittelstadt, B. „Principles alone cannot guarantee ethical AI.“ Nature Machine Intelligence 1 (2019): 501–507.
• National Institute of Standards and Technology, Artificial Intelligence Risk Management Framework (AI RMF 1.0), Januar 2023.
• ISO/IEC 42001:2023, Information technology — Artificial intelligence — Management system.
• New York City Administrative Code § 20-870 ff. (Local Law 144 von 2021).
• Illinois House Bill 3773, 103. General Assembly (2024), zur Änderung des Illinois Human Rights Act, in Kraft ab 1. Januar 2026.
• Verordnung (EU) 2024/1689, Anhang III(4).
• Novara Consulting Group, „The Development Exception: Internal Mobility Platforms and the Perimeter of Employment AI Governance“, Mai 2025.