KI in Performance Reviews Umfragefragen: Wie Mitarbeitende und Führungskräfte KI-generiertes Feedback erleben

Diese Umfrage hilft dir, systematisch zu messen, wie Mitarbeitende und Führungskräfte KI-gestützte Performance Reviews erleben (z. B. KI-Entwürfe, Zusammenfassungen, Textvorschläge oder Calibration-Support). Du erkennst früh, ob Vertrauen, Fairness, Qualität oder Datenschutz kippen – und bekommst klare Schwellenwerte, ab wann ihr pausiert, nachschult oder Guardrails nachschärft.

Survey questions

Nutze für die Aussagen eine 5-Punkt-Likert-Skala (1 = Stimme gar nicht zu, 5 = Stimme voll zu). Die Nummerierung dient Analyse und Follow-up: E = Mitarbeitende, M = Führungskräfte, S = gemeinsam.

Mitarbeitende (E1–E36) — Awareness & Transparenz

(Mitarbeitende, E1) Ich verstehe, wann KI in meinem Performance-Review-Prozess eingesetzt wird.
(Mitarbeitende, E2) Ich weiß, welche Teile meines Reviews KI-generierten Text enthalten können (Entwürfe, Zusammenfassungen, Formulierungsvorschläge).
(Mitarbeitende, E3) Mir wurde erklärt, was die KI in Performance Reviews kann – und was nicht.
(Mitarbeitende, E4) Ich weiß, wer für den finalen Review-Inhalt verantwortlich ist (nicht die KI).
(Mitarbeitende, E5) Ich wurde informiert, falls KI Ratings, Calibration-Inputs oder Performance-Labels beeinflusst hat.
(Mitarbeitende, E6) Das Unternehmen hat den Grund für den KI-Einsatz in Reviews verständlich erklärt.

Mitarbeitende (E7–E12) — Qualität & Nutzen von KI-unterstütztem Feedback

(Mitarbeitende, E7) Das KI-unterstützte Feedback in meinem Review war spezifisch für meine tatsächliche Arbeit.
(Mitarbeitende, E8) Das Feedback enthielt konkrete Beispiele oder Belege – nicht nur allgemeine Floskeln.
(Mitarbeitende, E9) Das Feedback passte zu dem, was ich während des Zyklus in 1:1s gehört habe.
(Mitarbeitende, E10) Das Feedback trennte Fakten, Interpretationen und Erwartungen klar voneinander.
(Mitarbeitende, E11) Das Feedback hat mir geholfen, Prioritäten für die nächsten 3–6 Monate zu verstehen.
(Mitarbeitende, E12) Der Ton des Feedbacks war respektvoll und professionell.

Mitarbeitende (E13–E18) — Fairness- & Bias-Wahrnehmung

(Mitarbeitende, E13) KI-unterstütztes Feedback hat das Review für mich fairer gemacht als rein manuelles Feedback.
(Mitarbeitende, E14) Ich sorge mich, dass die KI Bias verstärken kann (z. B. Proximity Bias, Similarity Bias, Stereotype).
(Mitarbeitende, E15) Das KI-unterstützte Feedback spiegelte meine Beiträge korrekt wider (nicht nur „sichtbare“ Arbeit).
(Mitarbeitende, E16) Ich hatte das Gefühl, dass derselbe Performance-Standard auf mich angewendet wurde wie auf vergleichbare Peers.
(Mitarbeitende, E17) Ich sorge mich, dass KI Kontext falsch interpretiert (z. B. Elternzeit, Teilzeit, Projektwechsel).
(Mitarbeitende, E18) Die Review-Sprache hat „codierte“ oder mehrdeutige Begriffe vermieden (z. B. „nicht durchsetzungsfähig genug“).

Mitarbeitende (E19–E24) — Psychologische Sicherheit & Vertrauen

(Mitarbeitende, E19) Ich konnte problemlos nachfragen, ob KI in meinem Review verwendet wurde.
(Mitarbeitende, E20) Ich konnte KI-beeinflusste Formulierungen im Mitarbeitergespräch gut hinterfragen.
(Mitarbeitende, E21) Meine Führungskraft war offen dafür, Fehler im Review-Inhalt zu korrigieren.
(Mitarbeitende, E22) Ich vertraue darauf, dass KI-Nutzung meine Chance, als Person gehört zu werden, nicht verringert hat.
(Mitarbeitende, E23) Ich glaube, dass meine Führungskraft das finale Feedback geprüft und verantwortet hat (kein „Copy-Paste“).
(Mitarbeitende, E24) Ich weiß, wie ich Bedenken eskalieren kann, wenn KI-unterstütztes Feedback falsch oder unfair wirkt.

Mitarbeitende (E25–E30) — Datenschutz, Privatsphäre & Einwilligung

(Mitarbeitende, E25) Ich verstehe, welche Datenquellen im Review-Prozess potenziell als KI-Input genutzt werden.
(Mitarbeitende, E26) Ich verstehe, ob Chat-Eingaben, Notizen oder 360°-Kommentare als KI-Input verwendet werden können.
(Mitarbeitende, E27) Ich vertraue darauf, dass sensible personenbezogene Daten nicht in KI-Prompts für Reviews eingegeben werden.
(Mitarbeitende, E28) Ich verstehe auf hoher Ebene, wo Daten verarbeitet/gespeichert werden (z. B. EU/EWR).
(Mitarbeitende, E29) Ich glaube, dass KI-Nutzung in Reviews DSGVO-Prinzipien folgt (Datenminimierung, Zweckbindung).
(Mitarbeitende, E30) Ich kenne die Aufbewahrungsdauer für KI-bezogene Review-Artefakte (Entwürfe, Logs, Zusammenfassungen).

Mitarbeitende (E31–E36) — Gesamtwirkung & Präferenz

(Mitarbeitende, E31) KI-unterstützte Reviews haben die Erwartungsklarheit für mich verbessert.
(Mitarbeitende, E32) KI-unterstütztes Feedback hat Reviews im Unternehmen konsistenter gemacht.
(Mitarbeitende, E33) KI-unterstütztes Feedback hat das Review für mich weniger persönlich wirken lassen.
(Mitarbeitende, E34) Ich würde bevorzugen, dass KI nur zum Formulieren genutzt wird – nicht für Rating-Vorschläge.
(Mitarbeitende, E35) Ich würde bevorzugen, dass KI nur mit klaren menschlichen Review-Checkpoints eingesetzt wird.
(Mitarbeitende, E36) Insgesamt hat KI-Nutzung mein Review-Erlebnis in diesem Zyklus verbessert.

Führungskräfte (M1–M42) — Onboarding & Training

(Führungskräfte, M1) Ich habe Training dazu erhalten, wo KI in Reviews genutzt werden darf – und wo nicht.
(Führungskräfte, M2) Das Training hat abgedeckt, wie ich KI-Outputs mit Belegen prüfe (Projekte, Ergebnisse, Verhaltensbeobachtungen).
(Führungskräfte, M3) Das Training hat DSGVO-sicheres Prompting abgedeckt (welche Daten nicht eingegeben werden dürfen).
(Führungskräfte, M4) Ich weiß, wie ich KI-Nutzung transparent gegenüber Mitarbeitenden erkläre.
(Führungskräfte, M5) Ich weiß, was ich tue, wenn Mitarbeitende KI-beeinflusste Formulierungen hinterfragen.
(Führungskräfte, M6) Ich fühle mich vorbereitet, KI zu nutzen, ohne psychologische Sicherheit im Team zu schwächen.

Führungskräfte (M7–M12) — Workflow & Zeiteffekt

(Führungskräfte, M7) KI hat die Zeit reduziert, die ich für die Review-Vorbereitung benötige.
(Führungskräfte, M8) KI hat mir geholfen, Feedback schneller zu strukturieren (Stärken, Lücken, nächste Schritte).
(Führungskräfte, M9) KI hat meine Fähigkeit verbessert, 360°-Feedback zusammenzufassen, ohne wichtige Punkte zu verlieren.
(Führungskräfte, M10) KI hat meinen Admin-Aufwand erhöht, weil ich mehr prüfen und umschreiben musste.
(Führungskräfte, M11) KI hat mir geholfen, Feedback über mehrere Direct Reports hinweg konsistent zu halten.
(Führungskräfte, M12) KI-Unterstützung hat die Qualität meiner Review-Gespräche verbessert.

Führungskräfte (M13–M18) — Qualität von Entwürfen & Zusammenfassungen

(Führungskräfte, M13) KI-generierte Entwürfe waren ausreichend korrekt, um als guter Startpunkt zu dienen.
(Führungskräfte, M14) Die Entwürfe enthielten messbare Ergebnisse oder beobachtbares Verhalten, wenn ich das gepromptet habe.
(Führungskräfte, M15) KI hat geholfen, vages Feedback zu vermeiden, indem sie nach Spezifika gefragt hat.
(Führungskräfte, M16) KI-Zusammenfassungen haben Kontext korrekt erfasst (Scope-Änderungen, Constraints, Abhängigkeiten).
(Führungskräfte, M17) KI-Outputs passten zu unserem internen Rubric-/Kompetenz-Wording.
(Führungskräfte, M18) KI-Outputs haben biased Sprache vermieden, ohne Performance-Themen zu „glätten“.

Führungskräfte (M19–M24) — Urteilsvermögen, Oversight & menschliche Verantwortung

(Führungskräfte, M19) Ich bin sicher darin, KI-Vorschläge zu editieren oder abzulehnen.
(Führungskräfte, M20) Ich prüfe KI-Outputs konsequent gegen Belege, bevor ich sie mit Mitarbeitenden teile.
(Führungskräfte, M21) Ich kann die Logik meines finalen Feedbacks erklären, ohne auf die KI zu verweisen.
(Führungskräfte, M22) KI übersteuert nie mein Urteil zu Ratings oder Performance-Entscheidungen.
(Führungskräfte, M23) Ich verstehe das Risiko, mich bei sensiblen People-Entscheidungen zu stark auf KI zu verlassen.
(Führungskräfte, M24) Ich weiß, wie ich Entscheidungen audit-ready dokumentiere.

Führungskräfte (M25–M30) — Governance & Guardrails

(Führungskräfte, M25) Das Unternehmen hat klare Dos/Don’ts für KI in Performance Reviews.
(Führungskräfte, M26) Ich weiß, welche Daten niemals in Prompts verwendet werden dürfen (Gesundheit, Gewerkschaft, besonders geschützte Daten).
(Führungskräfte, M27) Ich weiß, ob eine Dienstvereinbarung / Betriebsratsvereinbarung für diesen KI-Use-Case gilt.
(Führungskräfte, M28) Ich weiß, wen ich kontaktieren soll, wenn ein Tool-Output riskant oder falsch wirkt (HR/IT/Datenschutz).
(Führungskräfte, M29) Unser Prozess enthält klare menschliche Checkpoints, bevor etwas Mitarbeitende betrifft.
(Führungskräfte, M30) KI-Nutzung wird so geloggt, dass Transparenz und Accountability unterstützt werden.

Führungskräfte (M31–M36) — Fairness, Konsistenz & Calibration-Support

(Führungskräfte, M31) KI hat mir geholfen, unsere Performance-Standards konsistenter anzuwenden.
(Führungskräfte, M32) KI hat das Risiko von „Template-Feedback“ erhöht, das Unterschiede zwischen Personen plattmacht.
(Führungskräfte, M33) KI hat es erleichtert, fehlende Belege vor Calibration-Diskussionen zu erkennen.
(Führungskräfte, M34) KI hat es erleichtert, typische Review-Biases zu vermeiden (Recency, Halo/Horn, Proximity).
(Führungskräfte, M35) Ich sorge mich, dass KI neuen Bias über Trainingsdaten oder Formulierungsmuster einbringen könnte.
(Führungskräfte, M36) KI hat die Qualität der Inputs verbessert, die ich in Calibration-Sessions einbringe.

Führungskräfte (M37–M42) — Gesamtvertrauen & Bereitschaft zur Weiterführung

(Führungskräfte, M37) Ich vertraue den Outputs des Tools, wenn ich sie sorgfältig menschlich prüfe.
(Führungskräfte, M38) Ich fühle mich wohl dabei, gegenüber Mitarbeitenden transparent über KI-Nutzung zu sein.
(Führungskräfte, M39) Ich würde KI im nächsten Zyklus wieder für Feedback-Entwürfe nutzen.
(Führungskräfte, M40) Ich würde KI im nächsten Zyklus wieder zum Zusammenfassen von 360°-Feedback nutzen.
(Führungskräfte, M41) Ich würde KI für Rating-Vorschläge vermeiden, solange Governance nicht besser ist.
(Führungskräfte, M42) Insgesamt hat KI meine Review-Arbeit in diesem Zyklus effektiver gemacht.

Gemeinsam (S1–S6) — Erfahrung über beide Zielgruppen

(Gemeinsam, S1) KI-Nutzung in Reviews wird teamübergreifend klar und konsistent kommuniziert.
(Gemeinsam, S2) Betroffene Personen können Feedback zur KI-Nutzung geben, ohne negative Konsequenzen zu befürchten.
(Gemeinsam, S3) Der Prozess macht es einfach, Fehler in KI-unterstütztem Review-Content zu korrigieren.
(Gemeinsam, S4) KI-Nutzung in Reviews passt zu unserem Review-Rubric und unseren Erwartungen.
(Gemeinsam, S5) KI verbessert die Qualität der Review-Gespräche (nicht nur den Papierkram).
(Gemeinsam, S6) Ich vertraue den Guardrails unserer Organisation für KI in Performance Reviews.

Gesamtbewertungen (0–10)

(Mitarbeitende) Wie stark vertraust du KI-unterstütztem Feedback in Performance Reviews? (0–10)
(Mitarbeitende) Wie stark hat KI die Feedback-Qualität verbessert, die du in diesem Zyklus erhalten hast? (0–10)
(Mitarbeitende) Wie wahrscheinlich würdest du KI-unterstütztes Feedback in Performance Reviews Kolleg:innen empfehlen? (0–10)
(Führungskräfte) Wie sicher bist du, KI in Reviews zu nutzen, ohne Fairness zu schädigen? (0–10)
(Führungskräfte) Wie stark hat KI deine Vorbereitungseffizienz in diesem Zyklus verbessert? (0–10)
(Führungskräfte) Wie wahrscheinlich würdest du den aktuellen KI-Review-Workflow einer anderen Führungskraft empfehlen? (0–10)

Offene Fragen (12 insgesamt)

(Mitarbeitende) Wo war KI-unterstütztes Feedback für dich am genauesten und hilfreichsten?
(Mitarbeitende) Wo wirkte KI-unterstütztes Feedback generisch, falsch oder aus dem Kontext?
(Mitarbeitende) Welchen Satz oder Abschnitt würdest du umschreiben, damit er deine Arbeit besser abbildet?
(Mitarbeitende) Was würde dir mehr Sicherheit geben, KI-beeinflusste Formulierungen im Mitarbeitergespräch zu hinterfragen?
(Mitarbeitende) Was ist deine größte Sorge zu Datennutzung oder Privatsphäre bei KI-unterstützten Reviews?
(Führungskräfte) In welchem Teil des Review-Workflows hat dir KI am meisten Zeit gespart?
(Führungskräfte) Wo hat KI zusätzliche Arbeit erzeugt (Umschreiben, Verifikation, Abstimmungsschleifen)?
(Führungskräfte) Welche Guardrail würde dein größtes KI-Risiko in Reviews am besten verhindern?
(Führungskräfte) Welches Trainingsthema würde deine KI-Nutzung für Performance-Feedback am stärksten verbessern?
(Gemeinsam) Was sollten wir mit KI in Reviews ab dem nächsten Zyklus nicht mehr tun?
(Gemeinsam) Was sollten wir mit KI in Reviews beibehalten, weil es klar funktioniert?
(Gemeinsam) Wenn du 1 Regel zu KI in Reviews ändern könntest: welche wäre das?

Frage(n) / Bereich	Score / Schwellenwert	Empfohlene Aktion	Owner	Frist
E1–E6 (Transparenz) + S1	Ø <3,2 oder ≥20 % „(eher) nicht zustimmen“	1-seitigen „KI-in-Reviews“-Erklärtext veröffentlichen; Talking Points für Führungskräfte; im Formular ein Feld „KI genutzt: ja/nein“ ergänzen.	HR + Comms	Innerhalb von 14 Tagen
E7–E12 (Qualität) + E36	Ø <3,0	10 anonymisierte „schlecht vs. gut“-Beispiele sammeln; Prompts verfeinern; pro Review-Abschnitt mindestens 2 Evidenz-Bullets verpflichtend.	HR + Pilot-Führungskräfte	Innerhalb von 21 Tagen
E13–E18 (Fairness) + S6	Ø <3,0 oder Group Gap ≥0,4	Bias-Review von KI-Outputs & Review-Sprache; Rubric-Anker schärfen; Calibration-Refresh einplanen.	People Analytics + HR	Innerhalb von 30 Tagen
E19–E24 (psychologische Sicherheit)	Ø <3,2	Korrekturrecht definieren (Mitarbeitende können Änderungen anfordern); Eskalationsweg bereitstellen; Führungskräfte auf „challenge-safe“ Gesprächsleitfäden schulen.	HRBP + Führungskräfte	Innerhalb von 14 Tagen
E25–E30 (Datenschutz) + M3	Ø <3,5 oder 1 schwerer Kommentar	DSGVO-Regeln re-briefen; „Do-not-enter“-Liste für Prompts aktualisieren; Retention klären; Alignment mit DSB und Betriebsrat.	Datenschutz + IT + HR	Innerhalb von 7 Tagen
M1–M6 (Training Readiness)	Ø <3,0	Pflichttraining (90 Minuten) + Checkliste; Freischaltung fürs nächste Review erst nach Abschluss (Nachweis).	L&D + HR	Innerhalb von 30 Tagen
M19–M24 (Oversight)	Ø <3,2	„Human Sign-off“-Schritt hinzufügen; Evidenz-Referenzen verpflichtend; Peer-Review von 10 % KI-unterstützter Reviews zur Qualitätskontrolle.	HR + Bereichsleitungen	Nächster Review-Zyklus
0–10 Ratings (Mitarbeitende oder Führungskräfte)	Ø <6/10 oder Trend −≥1,0	45-Minuten-Fokusgruppen (getrennt Mitarbeitende/Führungskräfte); innerhalb von 21 Tagen 3 konkrete Änderungen fürs nächste Mal veröffentlichen.	HR	Innerhalb von 14 Tagen

Wichtigste Erkenntnisse

Vertrauen und Fairness messen, bevor KI „unsichtbare Infrastruktur“ wird.
Schwellenwerte auslösen lassen – statt über Einzelkommentare zu diskutieren.
Mitarbeitende und Führungskräfte getrennt auswerten: Risiken und Anreize unterscheiden sich.
Group Gaps früh erkennen, Bias-Muster schneller korrigieren.
Loop schließen: Was ändert sich, wer liefert, bis wann.

Definition & Scope

Diese Umfrage misst, wie Mitarbeitende und Führungskräfte KI im Performance-Review-Prozess erleben: Nutzen, Qualität, Fairness, psychologische Sicherheit und DSGVO-nahe Guardrails. Sie ist für Teams in KI-gestützten Review-Piloten gedacht (Direct Reports und ihre Führungskraft). Die Ergebnisse unterstützen Entscheidungen zu Training, Transparenz, Calibration und dazu, ob KI-Features erweitert, pausiert oder eingeschränkt werden.

Survey-Blueprints für „ai performance review survey questions”

Je nach Timing und Zielgruppe lohnt sich eine andere Survey-Version. Halte Deep-Dives so kurz, dass sie in ≤8 Minuten fertig sind. Wenn ihr bereits eine klassische Post-Cycle-Umfrage nutzt, gleiche Formulierungen mit euren bestehenden Performance-Review-Umfragefragen ab – so bleiben Trends vergleichbar, auch wenn KI den Workflow verändert.

Einfacher Ablauf: Blueprint wählen → Items laden → Anonymitätsregeln festlegen → 3–10 Tage nach Reviews versenden → Ergebnisse & Maßnahmen innerhalb von 21 Tagen veröffentlichen.

1 Blueprint pro Zyklus auswählen (HR Owner, innerhalb von 2 Tagen nach Zyklusende).
Anonymitätsschwelle festlegen (HR + Betriebsrat, vor Launch).
Versand innerhalb von 10 Tagen post-cycle; Feldzeit auf 7 Tage begrenzen (HR Ops).
Top-Themen und Maßnahmen innerhalb von 21 Tagen teilen (HR + Führung).

Blueprint	Zielgruppe	Wann durchführen	Items (Ziel)	Fragenmix (aus Bank)	Entscheidungsoutput
A) Mitarbeitenden-Post-Cycle (Pilot)	Mitarbeitende in KI-gestützten Reviews	3–10 Tage nach Reviews	18–22	E1–E6, E7–E12, E13–E18, E19–E24, E25–E30 + 2 Ratings + 3 offene	KI beibehalten/anpassen; Transparenz-, Safety- und Privacy-Gaps schließen
B) Führungskräfte-Post-Cycle (Pilot)	Führungskräfte mit KI-Tools	3–10 Tage nach Calibration	18–22	M1–M6, M7–M12, M13–M18, M19–M24, M25–M30 + 2 Ratings + 3 offene	Trainingsplan; Governance-Updates; Workflow-Anpassungen für nächsten Zyklus
C) Kombinierter Pulse (während/nach Pilot)	Mitarbeitende + Führungskräfte	Mid-Pilot oder direkt nach erstem Zyklus	12–15	S1–S6 + E7/E13/E20/E29 + M19/M25 + 2 Ratings + 2 offene	Frühwarnsystem: Stop/Continue vor Skalierung
D) Follow-up Trend Survey	Gleiche Populationen wie A/B	6–12 Monate später	12–18	Kernitems wiederholen: E1/E7/E13/E20/E29/E36, M1/M7/M19/M25/M31/M42, S6 + Ratings	Trust-/Fairness-Trend, Adoptions-Readiness für breiteren Rollout

Scoring & Schwellenwerte

Nutze für Aussagen die 5-Punkt-Skala (1–5) und für Gesamtbewertungen 0–10. Koppel Entscheidungen an Schwellenwerte, damit ihr nicht auf Anekdoten überreagiert. Wenn ihr Review-Formulare aktualisiert, stimmt Sprache und Rubrics mit euren Performance-Review-Templates ab – so sehen Führungskräfte in Formular und Umfrage dieselben Anker.

Definiere drei Bänder: Niedrig (Ø <3,0), Mittel (3,0–3,9), Hoch (≥4,0). Für 0–10 Ratings gilt: <6/10 ist im Pilot ein „Stop-and-fix“-Signal.

Niedrig (Ø <3,0): vor Skalierung fixen; Owner + Frist innerhalb von 7–30 Tagen.
Mittel (3,0–3,9): im nächsten Zyklus verbessern; gezielte Trainings + Prompt-Updates.
Hoch (≥4,0): standardisieren; Good-Practice-Beispiele teilen.
Group-Gap-Trigger: Differenz ≥0,4 Punkte oder ≥15 pp bei Zustimmung (4–5).

Mach aus Scores Entscheidungen mit einer 4-Schritt-Routine: (1) Ø pro Dimension, (2) Streuung & „Disagree“-Quote prüfen, (3) Gruppen vergleichen, (4) auf Maßnahmen aus der Entscheidungstabelle mappen.

HR berechnet Dimension-Scores (E, M, S) und markiert rote Schwellen (innerhalb von 7 Tagen).
People Analytics prüft Group Gaps und Ausreißer (innerhalb von 10 Tagen).
Führung einigt sich auf maximal 3 Prioritäten (innerhalb von 14 Tagen).
HR veröffentlicht eine kurze Notiz „Was ändert sich nächster Zyklus?“ (innerhalb von 21 Tagen).

Metrik	Berechnung	Schwellenwert	Entscheidungsregel
Dimensionsdurchschnitt	Mittelwert je Block (z. B. E13–E18)	Ø <3,0	Expansion pausieren; Root Cause vor nächstem Zyklus beheben
Zustimmungsrate	% Auswahl 4–5	<60 %	Gezielter Verbesserungsplan mit Owner + Frist
Disagree-Konzentration	% Auswahl 1–2	≥20 %	Fokusgruppen; Kommunikation und Führungsverhalten prüfen
Group Gap	Unterschied zwischen Gruppen (z. B. remote vs. office)	≥0,4 Punkte	Bias-Check + Prozess-Audit; Eskalation an HR-Leitung

Follow-up & Verantwortlichkeiten

KI in Reviews scheitert meist nicht am Tool, sondern daran, dass niemand die „unsauberen“ Teile owned: Korrekturen, Eskalationen, Governance. Lege Routing-Regeln vorab fest und halte Reaktionszeiten eng. Wenn ihr Calibration-Meetings nutzt, stimmt Follow-ups mit eurem Talent-Calibration-Guide ab, damit KI nicht zum Hintertürchen für inkonsistente Standards wird.

Als Default für Piloten: ≤24 h bei schweren Datenschutzbedenken, ≤7 Tage zur Rückmeldung bei niedrigen Trust-Scores, ≤21 Tage bis zur Veröffentlichung von Maßnahmen.

Führungskräfte prüfen Team-Ergebnisse und adressieren E19–E24-Signale (innerhalb von 7 Tagen).
HR aggregiert, priorisiert und trackt Maßnahmen (innerhalb von 14 Tagen).
Datenschutz/IT bearbeitet Privacy- oder Data-Incidents (Reaktion ≤24 h).
Betriebsrat wird zu Änderungen gebrieft, die Monitoring oder Entscheidungslogik betreffen (vor nächstem Zyklus).

Signal	Wie es sichtbar wird	Owner	Aktion	Frist
Niedrige Transparenz	E1–E6 Ø <3,2	HR + Comms	Erklärtext + Führungskräfte-Skript aktualisieren; „KI genutzt“-Disclosure ergänzen	Innerhalb von 14 Tagen
Niedrige psychologische Sicherheit	E19–E24 Ø <3,2	HRBP + Führungskräfte	Korrektur-Workflow einführen; „challenge-safe“ Gesprächsschritte trainieren	Innerhalb von 14 Tagen
Schwache Führungskräfte-Oversight	M20 Ø <3,2 oder M22 Ø <3,5	Bereichsleitung	Evidenzpflicht; Qualitäts-Spot-Check von 10 % der Reviews	Nächster Zyklus
Governance-Verwirrung	M25–M30 Ø <3,2	HR + Legal + Datenschutz	Guardrails neu schreiben; klären, ob Dienstvereinbarung nötig ist	Innerhalb von 30 Tagen
Schweres Datenschutzsignal	Kommentare deuten auf Missbrauch sensibler Daten hin	Datenschutz + IT	Containment, Untersuchung, Information an HR-Leitung	Reaktion ≤24 h

Fairness- & Bias-Checks

Fairness ist kein einzelner Durchschnitt. Brich Ergebnisse nach relevanten Gruppen herunter und vergleiche sowohl Wahrnehmung als auch Prozesssignale. Wenn Fairness-Sorgen steigen, nutze eure internen Bias-Playbooks und stimme Sprachchecks mit Performance-Review-Biases ab, damit Führungskräfte Muster in Sprache und Evidenzqualität erkennen.

Praktische Red Flags: Group Gap ≥0,4, oder ≥15 pp Unterschied in Zustimmungsraten, oder wiederholte Nennungen in offenen Texten wie „generisch“, „copy-paste“, „unfair“, „Datenschutz“.

Nach Standort, Level, Tenure-Band, remote vs. office, Team und Job-Family schneiden (People Analytics, innerhalb von 10 Tagen).
Prüfen, ob bestimmte Gruppen niedriger bei E15/E16 und höher bei E14/E17 liegen (HRBP, innerhalb von 14 Tagen).
Kleine Stichprobe KI-unterstützter Entwürfe auf Sprachmuster prüfen (HR, innerhalb von 21 Tagen).
Nach Fixes einen kurzen Pulse erneut laufen lassen (HR, innerhalb von 60 Tagen).

Muster	Typische Interpretation	Nächster Schritt	Owner
Remote: niedrigere E1–E6	Transparenzlücken in verteilter Kommunikation	Remote-first Briefing; Disclosure im Review-Tool-UI ergänzen	HR + Führungskräfte
Junior: höhere E14/E17	Mehr Unsicherheit und höhere Machtdistanz	„So kannst du challengen“-Schritte; sicherer Eskalationspfad	HRBP
Ein Bereich: niedrigere E16 und niedrigere M31	Inkonsistente Standards und Calibration Drift	Rubric-Anker refreshen; gezielter Calibration-Workshop	Bereichsleitung + HR
Hohe E33 + niedrige E12	Feedback wirkt unpersönlich oder schlecht editiert	Editier-Minimum; Copy-Paste untersagen; personalisierte Beispiele verpflichtend	Führungskräfte

Beispiele / Use Cases

Szenario 1: Mitarbeitende misstrauen KI, weil Disclosure unklar ist

Ihr seht E1–E6 Ø 2,8 und Kommentare wie „Ich habe KI-Formulierungen erst nach dem Gespräch bemerkt“. HR ergänzt Disclosure am Point of Use: Im Review-Formular steht „KI-unterstützter Entwurf genutzt: ja/nein“ plus eine kurze Erklärung. Führungskräfte erhalten ein 60-Sekunden-Skript fürs Mitarbeitergespräch. Nach 60 Tagen lauft ihr Blueprint C erneut, um zu prüfen, ob Vertrauen steigt.

Szenario 2: Führungskräfte sparen Zeit, aber Mitarbeitende empfinden Feedback als generisch

M7 und M8 sind hoch (≥4,0), aber E7–E12 sind niedrig (Ø <3,0) und E33 steigt. Entscheidung: KI bleibt fürs Strukturieren, aber Evidenz wird Pflicht. Jeder Abschnitt muss 2 Proof Points enthalten (Projekt, Metrik, beobachtbares Verhalten). HR teilt „gut vs. schlecht“-Beispiele, aktualisiert Prompts und spot-checkt im nächsten Zyklus 10 % der Reviews auf Spezifität, bevor sie an Mitarbeitende gehen.

Szenario 3: Fairness-Sorgen clustern in einer Gruppe

E16 ist insgesamt stabil, aber ein Standort hat eine Lücke von 0,5 Punkten und höhere E14-Werte. HR und lokaler Betriebsrat machen einen kurzen Review: Wurden andere Prompts, Rubrics oder Datenquellen genutzt? Danach: Calibration-Refresh, Rubric-Anker schärfen, Führungskräfte zu Bias-Mustern re-briefen. Im Follow-up (Blueprint D) prüft ihr, ob die Lücke kleiner wird.

Vor Versand je Dimension notieren, welche Entscheidung ihr aus dem Score ableitet (HR, vor Launch).
Bei Ø <3,0 zwei Fokusgruppen durchführen: 1× Mitarbeitende, 1× Führungskräfte (HRBP, innerhalb von 14 Tagen).
Maximal 3 Änderungen veröffentlichen; Owner + Datum benennen (HR Lead, innerhalb von 21 Tagen).
Nach 60–90 Tagen mit kurzem Pulse nachmessen (People Analytics).

Implementierung & Updates

Starte klein, skaliere dann. In DACH solltest du den Betriebsrat früh einbinden, sobald KI Performance-Prozesse, Monitoring-Fragen oder Entscheidungshilfen berührt. Trenne die Umfrage klar von individuellen Outcomes: Antworten dürfen nicht genutzt werden, um Ratings oder Gehalt anzupassen – sonst sinken Vertrauen und Teilnahme. Eine Talent-Plattform wie Sprad Growth kann Survey-Versand, Erinnerungen und Follow-up-Tasks automatisieren und Owner/Fristen sichtbar halten; für KI-Assistenz im Prozess kann z. B. Atlas AI als neutrales Beispiel dienen.

Rollout-Rhythmus: Pilot (6–10 Wochen) → erster Review-Zyklus → Survey + Fixes (≤30 Tage) → Skalierung → Trend-Check nach 6–12 Monaten. Kombiniere das mit rollenbasiertem Enablement über AI Training für Mitarbeitende, AI Training für Führungskräfte und AI Training für HR-Teams, damit alle dieselben Guardrails und Editier-Standards kennen.

Pilot in 1 Funktion mit 20–50 Teilnehmenden; erlaubte KI-Nutzungen definieren (HR + IT, innerhalb von 14 Tagen).
Datenminimierung, Retention und Zugriffsrechte abstimmen; in Klartext dokumentieren (Datenschutz + HR, innerhalb von 30 Tagen).
Führungskräfte auf Verifikation und „challenge-safe“ Gespräche trainieren (L&D, vor Zyklusstart).
Blueprint A und B nach dem Zyklus durchführen; Maßnahmen innerhalb von 21 Tagen veröffentlichen (HR Lead).
Fragenkatalog jährlich oder nach größeren Tool-Änderungen aktualisieren (HR + Betriebsrat, 1× pro Jahr).

KPI	Zielwert	Warum wichtig	Owner
Teilnahmequote	≥70 % post-cycle	Niedrige Quoten sind oft Trust- oder Survey-Fatigue-Signale	HR Ops
Time-to-action	≤21 Tage	Schnelligkeit baut Glaubwürdigkeit; langsame Reaktion senkt Ehrlichkeit	HR Lead
Trainingsabschluss (Führungskräfte)	≥90 %	Reduziert riskante Prompts und Übernahme ungeprüfter Entwürfe	L&D
Fairness-Group-Gaps	<0,4 Punkte	Früher Indikator für Bias-Muster oder inkonsistente Standards	People Analytics
Maßnahmen-Completion-Rate	≥80 %	Verhindert „Survey-Theater“ und zeigt Follow-through	HRBP + Führung

Wenn du ein breiteres Enablement-Setup brauchst, verknüpfe die Survey mit eurer KI-Governance und Skills-Arbeit – z. B. über AI Enablement (Survey Questions & Governance-Stack), ein strukturiertes Programm wie AI Trainingsprogramme für Unternehmen und eine einfache Skills-Baseline (z. B. AI Skills Matrix). Damit kannst du „Tool-Probleme“ besser von „Skill-Gaps“ trennen und schneller gezielte Fixes planen.

Fazit

Gut umgesetzt liefern diese ai performance review survey questions drei praktische Effekte: Ihr erkennt Vertrauens- und Datenschutzrisiken früh, ihr verbessert die Qualität der Review-Gespräche (nicht nur den Text) und ihr priorisiert Trainings- und Guardrail-Maßnahmen datenbasiert statt nach Bauchgefühl.

Als nächstes wähle 1 Pilotbereich aus, lade Blueprint A und B in euer Survey-Tool, und benenne Owner für Transparenz, Datenschutz und Calibration-Follow-up. Nach dem ersten Zyklus veröffentlicht ihr innerhalb von 21 Tagen, was ihr geändert habt – und prüft Trends nach 6–12 Monaten erneut, um sicherzustellen, dass KI hilft und nicht leise Fairness beschädigt.

FAQ

Wie oft sollten wir diese Umfrage zu KI in Performance Reviews durchführen?

Im Pilot lohnt sich die Umfrage nach jedem KI-gestützten Review-Zyklus – idealerweise für die ersten 2 Zyklen, solange Erinnerungen frisch sind. Danach reicht häufig 1× pro Jahr ein Deep-Dive plus ein kurzer Pulse nach größeren Feature-Änderungen (z. B. neue Summary- oder Rating-Suggestions). Halte dabei 6–8 Kernitems stabil (Vertrauen, Fairness, Sicherheit, Datenschutz), damit du Trends sauber vergleichen kannst.

Was tun, wenn Scores sehr niedrig sind (Ø <3,0) oder Kommentare sehr hart ausfallen?

Starte mit Klarheit und Containment, nicht mit Rechtfertigung. Bestätige innerhalb von ≤7 Tagen, dass ihr die Ergebnisse gesehen habt, und erkläre kurz, wie ihr vorgeht. Nutzt Fokusgruppen, um Root Causes zu finden (Disclosure, generische Sprache, Privacy-Angst, Führungsverhalten). Entscheidet euch dann für maximal 3 Fixes mit Owner und Frist. Bei schweren Datenschutzsignalen: an Datenschutz/IT routen, Reaktion ≤24 h.

Wie verhindern wir, dass die Umfrage wie Monitoring oder Performance-Kontrolle wirkt (besonders in DACH)?

Seid explizit in Zweck und Trennung: Survey-Antworten dürfen keine individuellen Ratings, Pay oder Outcomes beeinflussen. Reporte nur aggregiert und setze Anonymitätsschwellen (z. B. keine Auswertung für Gruppen <5–7). Binde den Betriebsrat früh ein und dokumentiere Guardrails in Klartext (Datenquellen, Retention, Zugriff). Als Orientierung kann die EDPB-Leitlinie zu automatisierten Entscheidungen hilfreich sein: EDPB Guidelines.

Sollten wir Mitarbeitenden sagen, wann KI in ihrem Review verwendet wurde?

Ja – wenn ihr Vertrauen wollt. Intransparenz erhöht Fairness-Sorgen oft auch dann, wenn die Output-Qualität gut ist. Halte es einfach: Wo wurde KI genutzt (Formulieren, Zusammenfassen, Calibration-Support)? Welche Daten wurden (nicht) genutzt? Und: Die Führungskraft verantwortet den finalen Inhalt. Ergänze ein Korrekturrecht: Mitarbeitende dürfen Formulierungen challengen und Änderungen anfordern, ohne „beweisen“ zu müssen, dass KI falsch lag.

Wie halten wir den Fragenkatalog aktuell, wenn Tools und Policies sich ändern?

Plane 1× pro Jahr einen Review mit HR, 2–3 Führungskräften, People Analytics und – falls relevant – dem Betriebsrat. Lasse Kern-Trenditems unverändert (Trust, Fairness, psychologische Sicherheit, Datenschutz) und rotiere eine kleine Menge feature-spezifischer Items je nach Änderung (neue Summaries, neue Rating-Vorschläge, neue Datenquellen). Pilotiert neue Items zuerst in 1 Team, bis die Formulierung eindeutig und „action-ready“ ist.

Jürgen Ulbrich

CEO & Co-Founder of Sprad

Jürgen Ulbrich has more than a decade of experience in developing and leading high-performing teams and companies. As an expert in employee referral programs as well as feedback and performance processes, Jürgen has helped over 100 organizations optimize their talent acquisition and development strategies.