People Analytics: Wie KI die Personalarbeit verändert
Inhalt
- Wie verändert People Analytics mit KI die Personalarbeit in der Schweiz?
- Case 1: Rekrutierung neu denken – der verborgene Talentpool
- Case 2: KI in der Management-diagnostik – bessere Leistung statt nettere Gespräche
- Case 3: Jobs zerlegen, Arbeit neu designen – von Angst zu Augmentation
- Case 4: Knowledge-Management neu gedacht – Lernen statt Archivieren
- Das Spiel verändert sich, und HR kann den nächsten Zug prägen
- FAQ: People Analytics
KURZ ZUSAMMENGEFASST
People Analytics nutzt künstliche Intelligenz, um datengestützte Personalentscheidungen zu treffen und traditionelle, intuitive Bewertungsmuster zu ersetzen. Während frühere Limitationen wie fehlende Rechenleistung oder Know-how die Umsetzung hemmten, stehen heute leistungsfähige Tools zur Verfügung, die den Fokus auf die strategische Vision legen. Der entscheidende Wandel liegt im Übergang von passiver Datensammlung hin zu aktiver Talentbewirtschaftung und proaktiver Reaktivierung von Kandidatinnen und Kandidaten.
Die wichtigsten Punkte:
- KI ermöglicht eine Skills-basierte Rekrutierung und reaktiviert vergessene Talentpools.
- Datengetriebene Diagnostik reduziert Bias und verbessert die Passung von Kandidatinnen und Kandidaten.
- Aufgabenorientierte Jobgestaltung verwandelt Ängste vor KI in konkrete Unterstützung (Augmentation).
- Wissensmanagement wird von der Archivierung zu einem aktiven, lernenden System für die Organisation.
Dr. Silvan Winkler
Dr. Silvan Winkler, Leiter Diagnostik und Projekte bei der Jörg Lienert AG, ist Experte in den Bereichen Management Diagnostik und People Analytics. Als promovierter Organisationspsychologe verfügt er über Erfahrungen in leitender Funktion in den Bereichen Personalselektion, Mitarbeiter- und Organisationsforschung. Die Jörg Lienert AG ist auf die Suche und Selektion von Fach- und Führungspersonen spezialisiert und bietet in ihrem Leistungsangebot auch Assessments unter besonderer Berücksichtigung digitaler Führungskompetenzen an.
Passende Arbeitshilfen
Wie verändert People Analytics mit KI die Personalarbeit in der Schweiz?
Baseball, die leistungsgetriebene und in den USA historisch tief verankerte Sportart, macht unmittelbar verständlich, welche Macht datengestützte Entscheidungen auch im Personalwesen haben könnten. In Gesprächen mit Managern sehe ich dann oft ein kurzes Aufleuchten: Das ungeheure Potenzial von datengestützten Personalentscheidungen wird für einen kurzen Moment glasklar. Und diese Klarheit steht genau für das, was modernes HRM eigentlich leisten müsste. Und doch bleibt es häufig beim Aha-Moment. Nicht, weil die Idee falsch wäre, sondern weil die Umsetzung mit vielen Hürden verbunden ist – oder zumindest war. Denn Moneyball erzählt eine Geschichte aus einer Zeit, in der Daten knapp, Rechenleistung begrenzt und Analysen teuer waren. Der Film aus dem Jahr 2010, mit Brad Pitt in der Hauptrolle, beschreibt einen Umbruch, der damals revolutionär war. Heute wirkt er – zumindest in der Welt des Sports – selbstverständlich: Kaum eine TV-Übertragung, die nicht mit Statistiken zu Ballbesitz, Laufwegen oder Assists als integraler Bestandteil der Reportage arbeitet. Dabei war Moneyball nie nur ein Film über Zahlen. Es war ein Film über den Mut, alte Gewissheiten infrage zu stellen. Genau an diesem Punkt steht HR heute wieder. Mit dem Unterschied, dass die analytischen Möglichkeiten heute viel einfacher zugänglich sind als noch vor ein paar Jahren.
Was dem Moneyball-Ansatz im Kontext von HR fehlt, ist ein Update – ein Update mit den Möglichkeiten der künstlichen Intelligenz. Denn die Limitationen, die vor wenigen Jahren noch allgegenwärtig waren (z.B. Know how, künstliche Intelligenz, Rechenpower) sind heute günstiger und einfacher zu haben denn je. Die Engpasseinheit ist vielmehr eine fehlende Vision dessen, was People Analytics im Zeitalter von KI eigentlich leisten könnte. Oder wie es der Wharton-Professor Ethan Mollik prägnant formuliert: «What’s scarce is knowing what to ask for.»1
Im Folgenden zeige ich anhand vier konkreter Beispiele, wie sich People Analytics als Disziplin wandeln und endlich den erhofften Mehrwert stiften könnte.
Case 1: Rekrutierung neu denken – der verborgene Talentpool
Ein besonders greifbares Beispiel ist die Wiederverwertung von Daten früherer Bewerbender. Das wirkt auf den ersten Blick naheliegend – und ist doch in der Praxis häufig ungenutzt. Viele Organisationen haben einen enormen Schatz im eigenen Keller vergraben und sind sich dessen nicht mal bewusst: Qualifizierte Kandidatinnen und Kandidaten, die in der Vergangenheit knapp gescheitert sind oder nicht ins damalige Anforderungsprofil passten, können reaktiviert werden. KI kann historische Profile heute stärker Skills-basiert lesen, mit aktuellen Anforderungen abgleichen und jene Personen identifizieren, die mit hoher Wahrscheinlichkeit erfolgreich wären (inklusive transparenter Begründung, welche Skills besonders passen und wo Entwicklung realistisch wäre). Das verändert Rekrutierung grundlegend: weg von punktuellen Suchen, hin zu einem lernenden System, das Talentpools aktiv bewirtschaftet. Oder anders formuliert: Weg von der reaktiven Suche, hin zur proaktiven Reaktivierung.
Mehrere Schweizer Grossunternehmen nutzen solche Ansätze bereits produktiv. Die Effekte sind messbar: kürzere Time-to-Hire, geringere Kosten, höhere Passung – und nicht zuletzt eine deutlich bessere Candidate Experience, weil Bewerbende nicht einfach «verschwinden», sondern als Teil eines Talentpools ernst genommen werden.2
Case 2: KI in der Management-diagnostik – bessere Leistung statt nettere Gespräche
Besonders sensibel (und zugleich besonders wirkungsvoll) könnte der Einsatz von KI in der Managementdiagnostik werden. Eine gross angelegte Untersuchung zeigt, dass beispielsweise KI-gestützte Interviews menschliche Interviews in sämtlichen relevanten Kriterien übertreffen: mehr Jobangebote, höhere Jobstarts, bessere Bindung nach 30 Tagen. Bemerkenswert ist dabei, dass Recruiter vorab eine schlechtere Performance von KI erwarteten, die KI-Interviews im Nachhinein jedoch höher bewerteten. 78% der Kandidatinnen und Kandidaten bevorzugen ein KI-Interview, wenn sie die Wahl haben – bei identischer Zufriedenheit. Gleichzeitig halbiert sich der Gender Bias nahezu: 3,3% bei KI gegenüber 6,0% bei menschlichen Interviews.3 Das ist kein Plädoyer gegen Menschen in der Diagnostik. Es ist ein Plädoyer für bessere Entscheidungen – und für die ehrliche Anerkennung, dass auch erfahrene Profis systematischen Verzerrungen unterliegen können.
Passende Produkt-Empfehlungen
Case 3: Jobs zerlegen, Arbeit neu designen – von Angst zu Augmentation
Viele HR-Leiter*innen stehen vor derselben Herausforderung: Wie lässt sich das Produktivitätspotenzial von KI mithilfe von People Analytics realisieren, ohne die Ängste der Belegschaft zu ignorieren? Auch hier hilft ein analytisches Mindset. Klassische Stellenprofile behandeln Jobs nämlich mehrheitlich als stabile Einheiten. KI zwingt uns nun, genauer hinzusehen, indem Jobs in einzelne Aufgaben zerlegt werden. So lassen sich sehr präzise Augmentations- und Automatisierungspotenziale identifizieren. Die Konsequenz? Das Potenzial von KI wird leichter greifbar und Befürchtungen der Belegschaft idealerweise in ein Gefühl der echten Unterstützung verwandelt – ganz so, als würde eine neue Kollegin mit ungeahnten Fähigkeiten zur Seite stehen.4
Diese Perspektive hilft Organisationen, Arbeit neu zu designen – im Sinne Task-orientierter Organisationsmodelle (z.B. Holokratie), die Verantwortung über Aufgaben statt starre Rollen strukturieren. Entscheidend ist die «AI Tax»: Nicht die Brutto-Ersparnis zählt, sondern was nach Prüfen, Korrigieren und Absichern übrig bleibt. Netto-Zeitgewinn = KI-Zeiteinsparung – (Prompting + Kontrolle + Qualität + Fehlerkorrekturen + Datenschutz/ Compliance).
Case 4: Knowledge-Management neu gedacht – Lernen statt Archivieren
Ein weiteres Feld mit enormem Potenzial ist das Knowledge-Management. Viele Organisationen investieren bis heute viel Zeit in Leitfäden, Flow-Charts, Prozessdokumentationen – oft mit mässigem Erfolg. In vielen Fällen sind es das implizite Wissens (Erfahrungswissen, Heuristiken und Entscheidungslogiken), die schmerzlich vermisst werden, sobald Menschen aus der Organisation austreten. Wie in der KI-Forschung zeigt sich auch hier im HR-Wissensmanagement eine bittere Lektion:5 Nicht die perfekt durchdachten Wissensmodelle sind langfristig erfolgreich, sondern Systeme, die es erlauben, aus vielen unvollkommenen Daten später sinnvolle Muster und Regelwerke abzuleiten.
Checkliste
- Bestehende Bewerberdatenbanken auf Skills-basierte Wiederverwertbarkeit prüfen.
- Potenziale für KI-gestützte Interviews im Rekrutierungsprozess evaluieren.
- Stellenprofile in einzelne Aufgaben zerlegen, um Automatisierungspotenziale zu identifizieren.
- Eine klare Vision für den Einsatz von KI entwickeln, bevor die Technologie eingeführt wird.
- Datenschutz, Compliance und ethische Leitplanken von Anfang an in die Strategie integrieren.
- Bestehendes implizites Wissen der Mitarbeitenden durch dialogische Systeme erfassen.
- Die Netto-Zeitgewinn-Rechnung (KI-Einsparung minus Aufwand für Kontrolle) für jedes Projekt anwenden.
- Schulungsprogramme für Führungskräfte zur Interpretation von People-Analytics-Daten anbieten.
- KPIs definieren, um den Erfolg der datengestützten Entscheidungen messbar zu machen.
KI ermöglicht erstmals, dieses Wissen nicht nur zu archivieren, sondern aktiv nutzbar zu machen. Mitarbeitende können kontextbezogen auf relevantes Wissen zugreifen, Erfahrungswerte werden auffindbar, und organisationale Lernprozesse beschleunigen sich massiv. Knowledge-Management wird damit von einer administrativen Pflichtübung zu einem strategischen Produktivitätsfaktor. Large Language Models sind in der Lage, strukturierte Interviews adaptiv zu führen, Nachfragen zu stellen und Aussagen systematisch zu verdichten. Erste Lösungen in diese Richtung sind auf dem Markt erhältlich. Noch unmittelbarer sind CustomGPTs basierend auf gut strukturierten, dialogischen Austrittsgesprächen.*
Das Spiel verändert sich, und HR kann den nächsten Zug prägen
Ein Teil dieser Use Cases mag heute noch nach Zukunftsmusik klingen. Und ja: In allen vier Fällen müssen Datenschutz, Compliance und Ethik von Anfang an mitgedacht werden – nicht als Bremsklotz, sondern als Mitstreiter für tragfähige, vertrauenswürdige Lösungen. Sie liefern die Leitplanken, innerhalb derer analytischer Fortschritt überhaupt skalieren kann. Wer trotzdem in Passivität verharrt, wird über kurz oder lang überholt werden. Aktuelle Studien zeigen, dass nur rund 15% der Organisationen KI bereits so einsetzen, dass echter Mehrwert entsteht – während die übrigen 85% riskieren, den Anschluss zu verlieren.
Manchmal stehe ich noch heute in einem Hörsaal, zeige den Moneyball-Trailer und höre den letzten Satz von Brad Pitt: «Wenn wir damit Erfolg haben, haben wir das Spiel für immer verändert.» Und dann wird es kurz still. Nicht wegen des Films. Sondern wegen der Frage, die unausgesprochen im Raum steht: Worauf warten wir eigentlich noch? Wollen wir das Spiel gestalten oder zuschauen, wie es andere tun?
Fussnoten
1 open.substack.com/pub/oneusefulthing/p/ma nagement-as-ai-superpower?utm_campaign=post expanded-share&utm_medium=web
2 forms.workday.com/en-us/reports/workday global-workforce-report/form.html?step=step1_de fault
3 papers.ssrn.com/sol3/papers.cfm id=5395709
4 www.oneusefulthing.org/p/the-cybernetic teammate
5 Sutton, R. S. (2019). The Bitter Lesson. Blogpost
FAQ: People Analytics
Was ist der Hauptunterschied zwischen traditionellem HR Analytics und People Analytics mit KI?
Traditionelles HR Analytics stützt sich oft auf historische Daten und manuelle Auswertungen. People Analytics mit KI nutzt maschinelles Lernen, um Muster zu erkennen, Kandidatinnen und Kandidaten proaktiv zu reaktivieren und Entscheidungen in Echtzeit zu optimieren, wodurch der Fokus von der Analyse auf die Handlungsfähigkeit verschoben wird.
Welche Vorteile bringt KI-gestützte Rekrutierung für Schweizer Unternehmen?
KI-gestützte Rekrutierung verkürzt die Time-to-Hire, senkt Kosten und erhöht die Passung der Kandidatinnen und Kandidaten. Zudem verbessert sie die Candidate Experience, da Bewerberinnen und Bewerber nicht einfach verschwinden, sondern als Teil eines aktiven Talentpools behandelt werden.
Wie können Unternehmen die Ängste der Belegschaft vor KI im Arbeitsalltag abbauen?
Indem Jobs nicht als starre Rollen, sondern als Sammlung von Aufgaben betrachtet werden. KI übernimmt repetitive Tätigkeiten, während menschliche Mitarbeitende auf wertschöpfende Aufgaben fokussieren können. Diese Augmentation wird transparent kommuniziert, um das Gefühl der Unterstützung statt der Ersetzung zu stärken.
Welche Rolle spielt der Datenschutz bei der Einführung von People Analytics?
Datenschutz und Compliance sind keine Bremsklotz, sondern essentielle Leitplanken für vertrauenswürdige Lösungen. Sie müssen von Anfang an mitgedacht werden, um sicherzustellen, dass der analytische Fortschritt skalierbar bleibt und das Vertrauen der Mitarbeitenden sowie der Kunden erhalten wird.
