HR-Datengrundlagen für KI: HRIS-Datenqualität und Integration

Von Kevin Kim · Aktualisiert am 11. Oktober 2026

HR-Datengrundlagen sind die Genauigkeit, Konsistenz, Vernetzung und rechtliche Absicherung der Beschäftigtendaten, aus denen ein KI-System lernt oder die es zum Zeitpunkt der Antwort liest, vor allem der Datensätze in Ihrem HRIS, Bewerbermanagementsystem (ATS) und Ihrer Payroll. Ein Modell kann einen Datensatz nicht reparieren, der besagt, dass eine Mitarbeiterin in zwei Abteilungen arbeitet, oder eine Jobbezeichnung, die in neun Schreibweisen existiert. Es wiederholt den Fehler schneller und selbstsicherer, als es eine Tabelle je getan hat.

Dieser Leitfaden richtet sich an CHROs, HR-Direktoren und HR-Manager, die ein KI-Tool für das HR kaufen, pilotieren oder freigeben wollen und wissen möchten, was zuvor für ihre Daten gelten muss. Er liegt unterhalb der Anwendungsfälle in KI im Personalwesen, auf der Datenebene (Level 0) des ACE Framework, wo Ingest und Analyze stattfinden, bevor etwas prognostiziert oder generiert wird.

Wichtige Fakten

• Die DSGVO verlangt, dass personenbezogene Daten „sachlich richtig und erforderlichenfalls auf dem neuesten Stand“ sind, und dass alle angemessenen Maßnahmen getroffen werden, um unrichtige Daten unverzüglich zu löschen oder zu berichtigen (Verordnung (EU) 2016/679, Artikel 5 Absatz 1 Buchstabe d).
• Nach derselben Verordnung können Verstöße gegen die Grundsätze der Verarbeitung mit Geldbußen von bis zu 20 Millionen EUR oder 4 % des weltweiten Jahresumsatzes geahndet werden, je nachdem, welcher Betrag höher ist (DSGVO, Artikel 83 Absatz 5).
• Der EU AI Act führt in Anhang III KI auf, die zur Einstellung oder Auswahl von Personen, zur Entscheidung über Beförderung oder Kündigung, zur Aufgabenzuweisung auf Grundlage individuellen Verhaltens oder zur Überwachung und Bewertung von Leistung eingesetzt wird, als Hochrisiko (Verordnung (EU) 2024/1689, Anhang III, Nummer 4).
• Für Hochrisiko-Systeme verlangt der AI Act, dass Trainings-, Validierungs- und Testdaten für den vorgesehenen Zweck „relevant, hinreichend repräsentativ und so weit wie möglich fehlerfrei und vollständig“ sind (AI Act, Artikel 10).
• Die DSGVO gibt Menschen außerdem das Recht, keiner ausschließlich auf automatisierter Verarbeitung beruhenden Entscheidung unterworfen zu werden, die ihnen gegenüber rechtliche Wirkung entfaltet oder sie in ähnlicher Weise erheblich beeinträchtigt (DSGVO, Artikel 22).

Warum KI im HR von Daten abhängt

Jeder Anwendungsfall für KI im HR liest aus denselben drei Quellen. Ein Screening-Tool liest das ATS. Ein Bindungsmodell liest das HRIS und zieht die Gehaltshistorie aus der Payroll. Ein Assistent für Beschäftigte liest Richtliniendokumente und einige HRIS-Felder, damit er einer Führungskraft in Deutschland etwas anderes sagen kann als einer in Brasilien.

Die Frage lautet also nicht: „Ist die KI gut?“ Sie lautet: „Was sieht die KI?“ Drei Dinge gehen schief, wenn die Antwort „ein Durcheinander“ lautet:

• Prognosen driften in Richtung dessen, was die Daten überrepräsentieren. Stammen zehn Jahre Beförderungsdaten aus einem Standort und einer Jobfamilie, lernt ein Modell, das „beförderungsbereit“ vorhersagt, die Gewohnheiten dieses Standorts. Das ist der Mechanismus hinter Verzerrung in KI, und er beginnt in den Daten, nicht im Algorithmus.
• Assistenten antworten selbstsicher aus veralteten Quellen. Ein Richtlinien-Assistent, der drei Fassungen der Elternzeitrichtlinie liest, wird eine auswählen. Niemand wird wissen, welche.
• Analysen widersprechen einander. Weicht die Mitarbeiterzahl der Finanzabteilung von der des HR ab, wird der erste KI-generierte Belegschaftsbericht zu einem Streit über Zahlen statt zu einer Entscheidung.

Der Vorteil, das Ganze als Fundament statt als lästige Aufräumarbeit zu behandeln, liegt darin, dass sich dieselbe Arbeit mit oder ohne KI auszahlt. Sauberes Reporting, schnellere Audits und weniger Korrekturen in der Abrechnung folgen alle aus denselben Korrekturen.

Die fünf Datenprobleme, die KI im HR ausbremsen

Sie werden nicht alle in jedem Unternehmen finden. In den meisten finden Sie mindestens drei. Sie sind grob danach geordnet, wie oft sie Teams während eines Piloten überraschen.

Duplikate und Identität

Die Identität ist das Erste, was Sie korrigieren sollten, weil jede Verknüpfung davon abhängt. Wird ein Bewerber zum Mitarbeiter und der ATS-Datensatz verknüpft sich nie mit dem HRIS-Datensatz, können Sie nicht fragen, ob der Sourcing-Kanal die Mitarbeiterbindung vorhersagt. Wiedereinstellungen und Freelancer, die zu Angestellten werden, sind die üblichen Verursacher, ebenso Übernahmen, bei denen zwei HRIS-Instanzen zusammengeführt werden und dieselbe Person in beiden auftaucht.

Jobarchitektur

Jobbezeichnungen werden von Menschen geschrieben, und Menschen sind kreativ. Eine Jobarchitektur (Stufen, Familien und ein Katalog standardisierter Rollen) macht aus Bezeichnungen Daten, die ein Modell nutzen kann. Ohne sie ist „Zeige mir alle, die in eine Product-Manager-Rolle wechseln könnten“ eine Vermutung auf Basis von Stichwortüberschneidungen. Skill-basierte KI-Funktionen, interne Talentmarktplätze und Analysen zur Entgeltgleichheit setzen alle voraus, dass diese Struktur existiert.

Gültigkeitsdaten

Ein HRIS, das nur den aktuellen Zustand speichert, kann Ihnen sagen, wo jemand heute steht, aber nicht, wie die Person dorthin gelangt ist. Gültigkeitsdatierung bedeutet, dass jede Änderung das Datum trägt, ab dem sie gilt, sodass Sie jeden vergangenen Zeitpunkt rekonstruieren können. Das ist auch für Fairness-Analysen wichtig: Wenn Sie prüfen wollen, ob sich die Beförderungsquoten zwischen Gruppen unterscheiden, brauchen Sie die echten Daten der echten Beförderungen, nicht die Daten der Dateneingabe.

Isolierte Systeme und Freitext

Die meisten HR-Landschaften sind durch das Hinzufügen von Best-of-Breed-Tools gewachsen, sodass die Daten an vielen Orten liegen. Die Lösung ist nicht immer eine einzige Plattform. Es geht darum, sich zu einigen, welches System welches Feld verantwortet, damit nie zwei Systeme denselben Wert bearbeiten. Dieselbe Disziplin gilt für Freitext. Kommentare aus Austrittsgesprächen und Notizen von Recruitern können ein Textanalyse-Modell speisen, enthalten aber auch Gesundheitsangaben, Familiensituationen und Meinungen über namentlich genannte Kolleginnen und Kollegen. Behandeln Sie sie als die risikoreichsten Felder im Haus, bis das Gegenteil bewiesen ist.

Integrationsansätze, die im HR funktionieren

Sie haben vier realistische Wege, Daten von ihrem Speicherort dorthin zu bringen, wo KI sie nutzen kann. Wählen Sie danach, wie viele Systeme Sie haben und wie schnell sich die Daten bewegen müssen.

Zwei Regeln gelten, wofür Sie sich auch entscheiden.

Benennen Sie für jedes Feld ein führendes System. Der rechtliche Name und die Ausweisnummer liegen im HRIS. Der Status einer Stellenanforderung liegt im ATS. Das Gehalt liegt in der Payroll, und das HRIS liest es. Wenn zwei Systeme einen Wert ändern können, entsteht ein Konflikt, und Konflikte lösen sich nie still von selbst.

Bewegen Sie das Minimum. Ein Assistent, der Fragen zum Urlaub beantwortet, braucht keine Gehaltshistorie. Nur die Felder zu holen, die ein Anwendungsfall erfordert, hält die KI einfacher, senkt das Risiko bei Datenpannen und verkürzt Ihre Datenschutzprüfung. Die DSGVO macht das zum Grundsatz: Personenbezogene Daten müssen dem Zweck „angemessen und erheblich sowie auf das für die Zwecke der Verarbeitung notwendige Maß beschränkt“ sein (DSGVO, Artikel 5 Absatz 1 Buchstabe c).

Sieht Ihr Plan einen abrufbasierten Assistenten vor, der Richtlinien und Datensätze liest, wird die Integrationsfrage auch zur Inhaltsfrage: Welche Dokumente sind aktuell, und wer zieht die alten zurück? Die Funktionsweise behandelt Retrieval-Augmented Generation.

Grundlagen des Datenschutzes für Beschäftigtendaten

Beschäftigtendaten gehören zu den sensibelsten Daten, die ein Unternehmen hält, und KI eröffnet neue Wege, sie zu missbrauchen. Dies ist eine Orientierung für Führungskräfte, keine Rechtsberatung, und Ihre Rechtsabteilung sollte bestätigen, was in jedem Land gilt, in dem Sie Menschen beschäftigen.

Kennen Sie die Grundsätze. Die Kerngrundsätze der DSGVO gelten für jeden von ihr erfassten HR-Datensatz: Rechtmäßigkeit, Zweckbindung, Datenminimierung, Richtigkeit, Speicherbegrenzung und Sicherheit. Die beiden, die bei KI am stärksten greifen, sind die Richtigkeit (die Pflicht aus Artikel 5 Absatz 1 Buchstabe d, falsche Daten rasch zu berichtigen) und die Speicherbegrenzung, wonach Daten nur so lange in identifizierbarer Form gespeichert werden sollen, wie es nötig ist (Artikel 5 Absatz 1 Buchstabe e). Ein Modell, das mit Datensätzen trainiert wurde, die Sie hätten löschen müssen, ist ein Problem, das Sie absichtlich geschaffen haben.

Gehen Sie mit besonderen Kategorien sorgfältig um. Die DSGVO beschränkt die Verarbeitung von Daten, aus denen die rassische oder ethnische Herkunft, politische Meinungen, religiöse Überzeugungen oder die Gewerkschaftszugehörigkeit hervorgehen, sowie genetischer Daten, biometrischer Daten zur eindeutigen Identifizierung einer Person und von Daten zu Gesundheit oder Sexualleben (Artikel 9 Absatz 1). HR-Systeme erfassen einen Teil davon aus berechtigten Gründen, etwa für Krankmeldungen oder Diversity-Berichte. Halten Sie diese Daten aus den Eingaben der KI heraus, es sei denn, Sie haben sich bewusst für ihre Aufnahme entschieden und den Grund dokumentiert.

Denken Sie daran, dass nationale Beschäftigungsregeln die DSGVO ergänzen können. Artikel 88 erlaubt den Mitgliedstaaten, durch Rechtsvorschriften oder Kollektivvereinbarungen spezifischere Regeln für die Verarbeitung von Beschäftigtendaten im Beschäftigungskontext vorzusehen, einschließlich Einstellung, Erfüllung des Arbeitsvertrags sowie Planung und Organisation der Arbeit (Artikel 88). In der Praxis kann ein Rollout, der in einem Land unproblematisch ist, in einem anderen die Beteiligung des Betriebsrats oder zusätzliche Information erfordern.

Führen Sie die Folgenabschätzung vor dem Piloten durch. Wenn eine Verarbeitung, insbesondere unter Einsatz neuer Technologien, voraussichtlich ein hohes Risiko für die Rechte und Freiheiten von Personen zur Folge hat, verlangt die DSGVO eine Abschätzung vor Beginn der Verarbeitung (Artikel 35). Das Bewerten oder Reihen von Beschäftigten mit einem neuen Tool ist ein Paradebeispiel.

Behalten Sie bei wesentlichen Entscheidungen einen Menschen im Prozess. Artikel 22 gibt Menschen das Recht, keiner ausschließlich auf automatisierter Verarbeitung beruhenden Entscheidung mit rechtlicher oder ähnlich erheblicher Wirkung unterworfen zu werden (Artikel 22). Die praktische Antwort ist eine echte Prüfperson, die das Ergebnis ändern kann; das ist die Idee hinter Human-in-the-Loop.

Beachten Sie die Datenpflichten des AI Act, wenn Sie in der EU tätig sind. KI im Beschäftigungsbereich ist in Anhang III als Hochrisiko eingestuft, und Artikel 10 formuliert Erwartungen an die Data Governance der Daten, mit denen diese Systeme trainiert, validiert und getestet werden. Dazu gehören die Dokumentation, woher die Daten stammen und warum sie erhoben wurden, wie sie bereinigt und gekennzeichnet wurden, und die Prüfung auf Verzerrungen, die voraussichtlich die Rechte von Menschen beeinträchtigen (AI Act, Artikel 10). Ihre Pflichten hängen davon ab, ob Sie das System selbst entwickeln oder das eines Anbieters einsetzen, fragen Sie die Anbieter also, welche Dokumentation sie Ihnen liefern können.

Außerhalb der EU ist das Bild ähnlich. Im Vereinigten Königreich veröffentlicht das Information Commissioner's Office Leitlinien für Arbeitgeber zur Führung von Beschäftigungsunterlagen und zur Überwachung von Beschäftigten (ICO employment information). Die Regeln in den USA sind ein Flickenteppich nach Bundesstaat und Anwendungsfall, prüfen Sie also, wo Ihre Beschäftigten und Bewerber ansässig sind.

Für die Sicht auf Organisationsebene, wie diese Kontrollen zusammenwirken, siehe KI-Governance. Das freiwillige AI Risk Management Framework des NIST, im Januar 2023 als Version 1.0 veröffentlicht, ist eine nützliche Struktur für das Gespräch über Risiken und gliedert sich in vier Funktionen: Govern, Map, Measure und Manage.

Eine Checkliste zur Datenbereitschaft für KI im HR

Nutzen Sie sie, bevor Sie einen Piloten freigeben. Markieren Sie für jede Zeile „Bereit“, „Teilweise“ oder „Nicht bereit“. Zwei oder mehr Antworten „Nicht bereit“ in den ersten sechs Zeilen bedeuten: erst die Daten korrigieren, dann pilotieren.

Die Zeilen zu Identität, Gültigkeitsdatierung und Repräsentation sind am wichtigsten für alles, was Menschen bewertet, reiht oder überwacht. Ein kleiner Pilot mit geringem Risiko, etwa ein Frage-und-Antwort-Assistent zu Richtlinien, kann starten, auch wenn die anderen Zeilen nur teilweise erfüllt sind.

Eine Abfolge, die funktioniert

Sie brauchen kein zweijähriges Datenprogramm, bevor Sie beginnen. Eine Abfolge, die den Schwung erhält:

1. Wählen Sie zuerst einen Anwendungsfall. Wählen Sie ihn mit den Kriterien aus Priorisierung von KI-Anwendungsfällen und listen Sie dann nur die Felder auf, die dieser Anwendungsfall braucht. Ein Assistent für Urlaubsrichtlinien braucht Dokumente und einige Profilfelder. Ein Modell für das Abwanderungsrisiko braucht Jahre sauberer Historie.
2. Profilieren Sie die Daten für diesen Anwendungsfall. Zählen Sie Duplikate, Leerstellen und Bezeichnungsvarianten nur in diesen Feldern. Zahlen auf einer einzigen Seite bewegen die Führung schneller als eine allgemeine Klage über Daten.
3. Korrigieren Sie an der Quelle, nicht nachgelagert. Eine Kopie im Warehouse zu bereinigen, während das HRIS weiter fehlerhafte Datensätze erzeugt, heißt, dass Sie sie im nächsten Quartal erneut bereinigen. Ergänzen Sie Formulare um Validierungen, machen Sie Felder verpflichtend und streichen Sie Freitext, wo eine Auswahlliste genügt.
4. Korrigieren Sie den Prozess, der die Mängel erzeugt. Doppelte Datensätze entstehen meist bei einer Übergabe, etwa von der Annahme des Angebots zum Onboarding. Chaos bei Bezeichnungen entsteht, wenn Führungskräfte Rollen anlegen dürfen. Setzen Sie an diesen Stellen eine Kontrolle ein.
5. Weisen Sie Verantwortung zu. Eine Person im HR Operations verantwortet jeden wichtigen Datenbestand, mit einem monatlichen Qualitätsbericht an das HR-Leitungsteam.
6. Pilotieren, messen, ausweiten. Führen Sie den Piloten auf dem sauberen Ausschnitt durch. Weiten Sie auf den nächsten Anwendungsfall aus, wenn die Daten des ersten stabil sind.

Dieselbe Disziplin zählt für KI-Agenten, die Aktionen ausführen, nicht nur Fragen beantworten. Ein Agent, der Datensätze aktualisiert oder Bewerber weiterleitet, ist nur so sicher wie die Daten, die er liest, und die Berechtigungen, die er hält, ein Punkt, den KI-Agenten für HR behandelt.

Häufige Fehler

• Das Tool zuerst kaufen und die Datenprobleme erst im Piloten entdecken. Anbieter führen ihre Demos mit ordentlichen Beispieldaten vor. Ihre erste Woche im Produktivbetrieb wird nicht wie die Demo aussehen.
• Einmal bereinigen. Ohne Steward und monatliche Prüfung verfällt die Qualität innerhalb eines Jahres, wenn sich Neueinstellungen, Reorganisationen und Systemänderungen häufen.
• Einwilligung als Allheilmittel behandeln. Beschäftigte können oft nicht frei ablehnen, wenn ihr Arbeitgeber fragt, daher kann die Einwilligung für die Verarbeitung am Arbeitsplatz ein unsicherer Boden sein. Fragen Sie die Rechtsabteilung, welche Rechtsgrundlage zu welcher Nutzung passt.
• Alles an die KI schicken. Mehr Felder fühlen sich für das Team, das die Integration baut, sicherer an. Für die Menschen, deren Daten es sind, sind sie riskanter.
• Erklärbarkeit ignorieren. Wenn ein Anbieter Ihnen nicht sagen kann, welche Daten einen Score bestimmt haben, können Sie die Daten nicht korrigieren, wenn der Score falsch ist. Erklärbare KI ist ebenso eine Anforderung an die Daten wie an das Modell.