KI-gestützte Gehaltsanalyse in der Praxis

Ausgangslage

Die fiktive MedienWerk AG, ein mittelständisches Medienunternehmen mit rund 450 Mitarbeitenden, stand vor einer bekannten Herausforderung: Die Gehaltsstrukturen waren über die Jahre organisch gewachsen. Unterschiedliche Führungskräfte hatten unterschiedliche Verhandlungsspielräume genutzt, und es gab keine systematische Überprüfung der Vergütungsgerechtigkeit. Im Rahmen einer Employer-Branding-Initiative beschloss die Geschäftsführung, Transparenz herzustellen.

Der Ansatz

Das HR-Team entschied sich, KI-gestützte Analysemethoden einzusetzen, um die Gehaltsdaten systematisch auszuwerten. Der Prozess gliederte sich in mehrere Phasen:

Phase 1: Datenaufbereitung

Zunächst wurden die relevanten Daten aus dem HR-System exportiert und bereinigt. Dabei wurden folgende Variablen erfasst:

• Grundgehalt, variable Vergütung, Gesamtvergütung
• Position, Abteilung, Hierarchieebene
• Betriebszugehörigkeit, Berufserfahrung
• Qualifikation (Abschluss, Weiterbildungen)
• Geschlecht und Altersgruppe
• Arbeitsmodell (Vollzeit, Teilzeit, Remote)

Die Daten wurden anonymisiert verarbeitet, um den Datenschutzanforderungen zu genügen. Die Analyse wurde auf einem internen Server durchgeführt, ohne Daten an externe Dienste zu übermitteln.

Phase 2: Statistische Analyse

Mithilfe von Regressionsmodellen wurde untersucht, welche Faktoren die Gehaltsunterschiede erklären und welche nicht. Das KI-Modell identifizierte die relevanten Einflussfaktoren und berechnete für jede Person ein "erwartetes Gehalt" basierend auf objektiven Kriterien wie Position, Erfahrung und Qualifikation.

Phase 3: Gap-Analyse

Durch den Vergleich von tatsächlichem und erwartetem Gehalt wurden systematische Abweichungen sichtbar. Die Analyse identifizierte drei Haupterkenntnisse:

1. Gender Pay Gap: Frauen verdienten im Durchschnitt 6,8% weniger als Männer in vergleichbaren Positionen — auch nach Berücksichtigung aller erklärenden Variablen (bereinigter Gender Pay Gap).
2. Teilzeit-Penalty: Teilzeitkräfte erhielten pro Stunde 4,2% weniger als Vollzeitkräfte in derselben Rolle, obwohl kein sachlicher Grund dafür vorlag.
3. Verhandlungs-Bias: Mitarbeitende, die bei der Einstellung stärker verhandelt hatten, verdienten dauerhaft mehr — unabhängig von ihrer späteren Leistungsentwicklung.

Die Maßnahmen

Basierend auf den Analyseergebnissen erarbeitete das HR-Team einen Maßnahmenplan:

• Gehaltsanpassungen: Für 47 Mitarbeitende wurden Gehaltsanpassungen vorgenommen, um die identifizierten ungerechtfertigten Unterschiede auszugleichen. Das Gesamtbudget hierfür betrug ca. 280.000 Euro jährlich.
• Gehaltsbänder: Für alle Positionen wurden transparente Gehaltsbänder definiert, die den zulässigen Vergütungsrahmen festlegen.
• Standardisierter Einstellungsprozess: Gehälter für neue Mitarbeitende werden nun anhand der Gehaltsbänder und objektiver Kriterien festgelegt, um den Einfluss individueller Verhandlungsstärke zu reduzieren.
• Jährliches Monitoring: Die KI-gestützte Gehaltsanalyse wird jährlich wiederholt, um neue Ungleichheiten frühzeitig zu erkennen.

Lessons Learned

Die MedienWerk AG zieht folgende Erkenntnisse aus dem Projekt:

• Ohne systematische Analyse bleiben Gehaltsungleichheiten oft jahrelang unentdeckt. Das Bauchgefühl von Führungskräften ist kein geeignetes Instrument zur Überprüfung von Vergütungsgerechtigkeit.
• Die technische Analyse war der einfachere Teil. Die Kommunikation der Ergebnisse an Führungskräfte und die Umsetzung der Anpassungen erforderte deutlich mehr Aufwand und Fingerspitzengefühl.
• Transparenz schafft Vertrauen. Die offene Kommunikation der Ergebnisse und Maßnahmen wurde von der Belegschaft positiv aufgenommen.
• KI ist ein Werkzeug, kein Ersatz für Urteilsvermögen. Die Ergebnisse der Analyse mussten von HR-Experten interpretiert und in den Unternehmenskontext eingeordnet werden.