KI-gestützte interne Mobilität Umfragefragen 2026: Fragenkatalog für Mitarbeitende & Führungskräfte

KI-gestützte interne Mobilität Umfragefragen messen, was Mobilitäts-KPIs nicht zeigen: ob Mitarbeitende dem KI-Matching vertrauen, sich fair behandelt fühlen, verstehen welche Daten genutzt werden und sich sicher genug fühlen, interne Wechsel überhaupt zu erkunden. Diese Vorlage liefert segmentierte Fragenblöcke für Mitarbeitende und Führungskräfte, Bewertungslogik mit Schwellenwerten sowie eine DACH-Governance-Checkliste für Betriebsrat und Datenschutz.

Wann brauchen Sie diese Umfrage?

KI-Matching-Tools für interne Mobilität verändern, wie Mitarbeitende Karrierechancen im Unternehmen erleben. Laut der Career Optimism Index® 2026-Studie der University of Phoenix (5.000 Beschäftigte, 1.000 Unternehmen) geben 50 % der Beschäftigten an, dass KI ihr Vertrauen in den eigenen Rollenwechsel stärkt — gleichzeitig berichten 62 % der Unternehmen, dass Beschäftigte KI-Kompetenzen schneller entwickeln als die Organisation sich anpassen kann.

Der entscheidende Hebel ist Vertrauen: Laut dem EY Mobility Reimagined Survey 2026 nennen 95 % der Beschäftigten Vertrauen als zentralen Faktor, ob sie Mobilitätschancen annehmen. Hochvertrauens-Mobilitätsfunktionen sind 1,9-mal häufiger in der Lage, Beschäftigte schneller in neue Bereiche zu entwickeln als Funktionen mit niedrigem Vertrauen.

Diese Umfrage ist die richtige Wahl, wenn Sie:

ein KI-Matching-Tool für Rollen, Projekte oder Gigs pilotieren oder skalieren,
messen wollen, ob Transparenz, Fairness und psychologische Sicherheit ausreichen,
Betriebsrat und Datenschutz evidenzbasiert einbinden möchten oder
frühe Warnsignale vor einem Vertrauensbruch erkennen wollen, bevor KPIs es zeigen.

Wenn Sie bereits eine allgemeine Befragung zur internen Mobilität betreiben, nutzen Sie diese Fragen als KI-spezifische Ergänzung für Ihre Pilotgruppe. Eine gute Basis liefert die Vorlage zur internen Mobilitätsumfrage, die sieben Grunddimensionen abdeckt.

Fragenkatalog: KI-gestützte interne Mobilität

Nutzen Sie für alle geschlossenen Aussagen eine Likert-Skala von 1–5: 1 = Stimme gar nicht zu, 5 = Stimme voll zu. Ergänzen Sie optional „Nicht zutreffend" für Elemente, die nicht jede Rolle betreffen. Befragen Sie Mitarbeitende und Führungskräfte/HR Business Partner getrennt — die Perspektivunterschiede sind ein zentrales Diagnosesignal.

Block 1: Awareness und Verständnis von KI-Matching (Mitarbeitende)

F1. Ich weiß, dass bei uns KI eingesetzt wird, um interne Rollen, Projekte oder Gigs vorzuschlagen.
F2. Ich verstehe, was das KI-Matching-Tool leisten soll — und was nicht.
F3. Ich weiß, wo ich Informationen dazu finde, wie KI-unterstützte interne Mobilität bei uns funktioniert.
F4. Ich kann im Prozess unterscheiden: Was ist ein KI-Vorschlag, was ist eine menschliche Entscheidung?
F5. Ich weiß, welche Prozessschritte vollständig menschlich geführt werden und welche KI-unterstützt sind.
F6. Ich traue mich, Fragen zu stellen, wie KI-Matching interne Wechsel beeinflusst.

Block 2: Transparenz und Kontrolle (Mitarbeitende)

F7. Ich kann sehen, welche Skills oder Erfahrungen das KI-System für einen Vorschlag genutzt hat.
F8. Ich kann mein Skill-Profil ohne unnötige Hürden korrigieren oder ergänzen.
F9. Ich kann beeinflussen, welche Chancen mir das KI-System anzeigt (z. B. Interessen, Region, Auslastung).
F10. Ich verstehe, wie ich künftige KI-Vorschläge verbessern kann (z. B. Profil aktualisieren, Präferenzen setzen).
F11. Es gibt eine klare Option, bestimmte Daten vom KI-Matching auszuschließen.
F12. Ich habe ausreichend Kontrolle über meine Daten, um dem KI-gestützten Matching zu vertrauen.

Block 3: Qualität und Relevanz der Vorschläge (Mitarbeitende)

F13. KI-Vorschläge für Rollen oder Projekte passen zu meinen Skills und realistischen nächsten Schritten.
F14. KI-Vorschläge zeigen mir Chancen, die ich auf eigene Faust nicht gefunden hätte.
F15. Die Erklärung „Warum wurde mir das vorgeschlagen?" ist verständlich genug, um darauf zu reagieren.
F16. KI-Vorschläge spiegeln meine angegebenen Präferenzen wider (z. B. Funktion, Teamgröße, Homeoffice-Anteil).
F17. Ich kann erkennen, ob ein Vorschlag eine Entwicklungsherausforderung oder eine direkte Passung ist.
F18. Das KI-Matching-Tool spart mir Zeit gegenüber manueller Suche.

Block 4: Fairness und Verzerrungswahrnehmung (Mitarbeitende)

F19. KI-unterstützte interne Mobilität fühlt sich über Teams und Bereiche hinweg fair an.
F20. KI-Vorschläge bevorzugen keine Beschäftigten, die intern ohnehin gut vernetzt sind.
F21. Ich glaube, dass das KI-Matching Teilzeit- oder Beschäftigte in flexiblen Modellen nicht benachteiligt.
F22. Ich glaube, dass das KI-Matching Remote-Beschäftigte nicht gegenüber Bürobeschäftigten benachteiligt.
F23. Wenn KI-Vorschläge nicht stimmen, gibt es einen fairen Weg, den Prozess zu korrigieren.
F24. Ich vertraue darauf, dass Menschen KI-Ergebnisse hinterfragen, wenn diese nicht stimmig sind.

Block 5: Psychologische Sicherheit und Führungsverhalten (Mitarbeitende)

F25. Ich fühle mich sicher, interne Chancen zu erkunden, ohne negative Konsequenzen im aktuellen Team zu riskieren.
F26. Meine Führungskraft unterstützt interne Wechsel, auch wenn das kurzfristig Engpässe schafft.
F27. Ich kann KI-Vorschläge offen in meinen 1:1-Gesprächen ansprechen.
F28. Ich mache mir keine Sorgen, dass KI-Matching-Signale (z. B. „Mobilitätsinteresse") meinem Ansehen schaden könnten.
F29. Wenn ich KI-Vorschläge ablehne, spüre ich keinen versteckten Druck.
F30. Ich vertraue darauf, dass Entscheidungen zu internen Wechseln respektvoll und nachvollziehbar erklärt werden.

Block 6: Datenschutz und Datensouveränität (Mitarbeitende)

F31. Ich weiß, welche Mitarbeitendendaten für das KI-Matching genutzt werden (Skills, Laufbahn, Lerndaten usw.).
F32. Ich weiß, wer meine KI-bezogenen Mobilitätssignale einsehen kann (Führungskraft, HR, Talent-Team).
F33. Ich vertraue darauf, dass Zugriffsrechte unnötige Einsicht in sensible Informationen verhindern.
F34. Ich vertraue darauf, dass Daten für das KI-Matching nur so lange gespeichert werden, wie nötig.
F35. Ich weiß, wie ich die Korrektur oder Löschung von Daten, die für das KI-Matching genutzt werden, beantragen kann.
F36. Ich glaube, dass die Erwartungen unseres Betriebsrats zur KI-gestützten Mobilität eingehalten werden.

Block 7: Gesamtwirkung (Mitarbeitende)

F37. KI-Unterstützung macht interne Mobilität bei uns transparenter als zuvor.
F38. KI-Unterstützung macht interne Mobilität für eine breitere Gruppe von Beschäftigten zugänglicher.
F39. KI-Unterstützung motiviert mich, gezielt Skills für künftige interne Chancen zu entwickeln.
F40. KI-Unterstützung hilft mir zu verstehen, welche Skills ich als Nächstes aufbauen sollte.
F41. KI-Unterstützung reduziert „Hinterzimmer"-Stellenbesetzungen, die Beschäftigte nicht nachvollziehen können.
F42. Insgesamt verbessert KI-gestützte interne Mobilität meine Erfahrung als Mitarbeiter:in.

Block 8: Einarbeitung und Toolkompetenz (Führungskräfte/HRBPs)

F43. Ich verstehe, wie KI-Matching funktioniert, gut genug, um es Mitarbeitenden zu erklären.
F44. Ich weiß, welche Datenquellen das KI-Matching speisen (HRIS, Skill-Profile, Lernhistorie, Projekte).
F45. Ich habe praktisches Training erhalten, um KI-Matching verantwortungsvoll in Mobilitätsentscheidungen einzusetzen.
F46. Ich weiß, was ich mit KI-Ergebnissen nicht tun darf (z. B. sie als abschließende Entscheidung behandeln).
F47. Ich weiß, wo ich Richtlinien und Eskalationswege für KI-Matching-Fragen finde.
F48. Ich fühle mich sicher im Umgang mit Bedenken von Mitarbeitenden zu KI und interner Mobilität.

Block 9: Prozesseffizienz (Führungskräfte/HRBPs)

F49. KI-gestütztes Matching reduziert meinen Aufwand für Besetzung und interne Stellensuche.
F50. KI-Vorschläge lassen sich gut in unsere Talent-Review- oder Besetzungsprozesse integrieren.
F51. KI-Vorschläge reduzieren Bewerbungen, die fachlich nicht passen.
F52. KI-Matching hilft uns, interne Kandidat:innen früher im Besetzungsprozess zu identifizieren.
F53. Das Tool unterstützt Nachfolgeplanung, indem es Pipelines und Potenzialträger sichtbar macht.
F54. Der Aufwand für die Pflege von Skill-Daten ist für Führungskräfte und Teams vertretbar.

Block 10: Matchingqualität (Führungskräfte/HRBPs)

F55. KI-Matching bringt „verborgene" Talente jenseits der üblichen Netzwerke ans Licht.
F56. KI-Vorschläge entsprechen den Rollenanforderungen und realistischen Leistungserwartungen.
F57. Die KI-Erklärungen („Warum wurde diese Person vorgeschlagen?") sind klar genug für Folgegespräche.
F58. KI-Vorschläge unterstützen Lateral Moves und Entwicklungswechsel, nicht nur Beförderungen.
F59. KI-Matching funktioniert auch für Projektbesetzung und kurzfristige Gigs, nicht nur für feste Rollen.
F60. Ich habe Fälle erlebt, in denen KI-Matching ein Mobilitätsergebnis für das Unternehmen verbessert hat.

Block 11: Governance und Leitplanken (Führungskräfte/HRBPs)

F61. Wir haben klare Regeln, welche Entscheidungen KI-Unterstützung nutzen dürfen und welche nicht.
F62. Wir haben einen klaren Prozess, um KI-Ergebnisse zu hinterfragen, die verzerrt oder falsch erscheinen.
F63. Wir dokumentieren, wann KI eingesetzt wurde und welches menschliche Urteil hinzukam.
F64. Die Verantwortlichkeit ist klar: Für die abschließende Entscheidung gibt es immer eine menschliche Zuständigkeit.
F65. Datenzugriff und Berechtigungen für das KI-Matching sind klar und einheitlich geregelt.
F66. Unsere Dienstvereinbarung oder interne Richtlinie deckt KI-gestützte Mobilität praxistauglich ab.

Gesamtbewertungen (0–10, NPS-Stil)

B1 (Mitarbeitende). Wie stark vertrauen Sie darauf, dass KI-gestütztes Matching Sie bei interner Mobilität fair behandelt? (0–10)
B2 (Mitarbeitende). Wie nützlich sind KI-basierte Vorschläge für Ihre Karriereplanung? (0–10)
B3 (Mitarbeitende). Wie verständlich ist es für Sie, warum Sie bestimmte KI-Vorschläge erhalten haben? (0–10)
B4 (Führungskräfte/HRBPs). Wie sehr vertrauen Sie darauf, dass KI-Matching faire Ergebnisse für alle Mitarbeitendengruppen liefert? (0–10)
B5 (Führungskräfte/HRBPs). Wie nützlich ist KI-Matching für Besetzung, Talent Reviews und Nachfolgediskussionen? (0–10)
B6 (Führungskräfte/HRBPs). Wie sicher fühlen Sie sich, KI-gestützte Mobilität gegenüber Mitarbeitenden und dem Betriebsrat zu erläutern? (0–10)

Offene Fragen

O1 (alle). Beschreiben Sie eine Situation, in der KI-Vorschläge ein internes Mobilitätsergebnis verbessert haben.
O2 (alle). Wo macht KI die interne Mobilität derzeit schwieriger, langsamer oder unklarer?
O3 (Mitarbeitende). Welche Informationen würden Ihnen helfen, KI-Vorschlägen mehr zu vertrauen?
O4 (Mitarbeitende). Was beunruhigt Sie am meisten bei KI in der internen Mobilität — Fairness, Datenschutz, Reaktion der Führungskraft oder anderes?
O5 (Mitarbeitende). Welche Daten sollten bei uns nie für KI-Matching genutzt werden, und warum?
O6 (Führungskräfte/HRBPs). Welche Leitplanken oder Richtlinien fehlen für verantwortungsvolles KI-Matching?
O7 (Führungskräfte/HRBPs). Welches Training würde Ihnen helfen, KI-Matching besser in Besetzung und Talent Reviews einzusetzen?

Wann und wie führen Sie die Umfrage durch?

Starten Sie die Umfrage erst nach der ersten realen Nutzungserfahrung mit dem KI-Tool — nicht nach dem Launch-E-Mail. Ein guter Auslöser: „Mitarbeitende haben Vorschläge erhalten und mindestens zwei Wochen Zeit hatten, darauf zu reagieren" oder „Ein Talent Review hat KI-Vorschläge erstmals genutzt." In DACH ist es wichtig, den Betriebsrat und Datenschutzbeauftragte frühzeitig einzubinden — Vertrauensprobleme zeigen sich schneller, wenn Beschäftigte eine versteckte Leistungsbewertung vermuten.

Pilotgruppe und Mindestgruppengröße festlegen (n ≥ 10 pro Auswertungsscheibe).
Umfrage 10–14 Tage nach ersten KI-Vorschlägen versenden; 7 Tage offen halten.
Auswertung innerhalb von ≤ 10 Tagen; Top-Ergebnisse und nächste Schritte innerhalb von ≤ 21 Tagen veröffentlichen.
Maßnahmen in ≤ 45 Tagen umsetzen; kurzen Puls (12–15 Items) nachschalten.
Skalierungsentscheidung erst treffen, wenn Welle 2 stabiles oder steigendes Vertrauen zeigt.

Auswertung: Was „gut" bedeutet, nach Dimension

Werten Sie dimensionsweise aus — nicht Item für Item. Sie wollen wissen, ob Sie ein Transparenz-, Fairness- oder Sicherheitsproblem haben. Verbinden Sie das mit den Gesamtwirkungs-Items (F37–F42, F73–F78), um lokale Optimierungen zu vermeiden: Transparenz kann steigen, während Relevanz niedrig bleibt — Beschäftigte nutzen das Tool dann trotzdem nicht.

Dimension	Fragen	Gesundes Signal	Warnsignal
Awareness & Verständnis	F1–F6, F43–F48	Ø ≥ 4,0; geringe Streuung zwischen Teams	Ø < 3,5 oder Führungskräfte ≥ 0,4 besser als Mitarbeitende
Transparenz & Kontrolle	F7–F12	Ø ≥ 3,9 und B3 ≥ 7,0	F7 oder F11 < 3,2 oder B3 < 6,5
Qualität & Relevanz	F13–F18, F55–F60	Ø ≥ 3,8 und B2/B5 ≥ 7,0	F15 < 3,3 (schwache Erklärung) oder F13 < 3,3 (schwache Passung)
Fairness & Verzerrung	F19–F24	Ø ≥ 3,9; Gruppenunterschiede < 0,3	Ø < 3,4 oder Gruppenunterschied ≥ 0,5
Psychologische Sicherheit	F25–F30, F67–F72	Ø ≥ 4,0 und F26 ≥ 3,8	F25 oder F28 < 3,5 oder Optimismus-Gap FK ≥ 0,4
Datenschutz & Vertrauen	F31–F36, F65–F66	Ø ≥ 4,0 und F32 ≥ 3,8	F32 < 3,3 (Sichtbarkeit unklar) oder F34 < 3,5 (Speicherbedenken)
Gesamtwirkung	F37–F42	Ø ≥ 3,9; zwischen Wellen ≥ 0,2 Anstieg	Stagnation oder Rückgang nach Maßnahmen

Ein Gruppenunterschied von ≥ 0,5 zwischen Teilzeit und Vollzeit, Remote und Büro oder verschiedenen Standorten sollte wie ein Produktfehler behandelt werden — bis das Gegenteil bewiesen ist.

Maßnahmen: Was tun, wenn Werte niedrig sind?

Vermeiden Sie den Reflex, KI abzuschalten. Mitarbeitende und Führungskräfte fordern meistens klarere Grenzen — nicht weniger Technologie. Die wirkungsvollsten Korrekturen sind organisatorisch: bessere Erklärungen, bessere Datenhygiene, bessere Führungsgespräche. Die folgende Logik zeigt, welches Signal welche Maßnahme auslöst:

Wenn Transparenz niedrig (F7–F12): Erklärungen und Nutzerkontrollen zuerst verbessern.
Wenn Relevanz niedrig (F13–F18): Rollenanforderungen und Skill-Datenqualität überprüfen.
Wenn Fairness niedrig (F19–F24): Gruppenunterschieds-Audit und Matching-Regeln anpassen.
Wenn Sicherheit niedrig (F25–F30): Führungskräfte coachen; Erkundungssignale schützen.
Wenn Datenschutzvertrauen niedrig (F31–F36): Berechtigungen, Speicherdauer und Zugriffsprotokolle klären.

Führungskräfte brauchen Skripte: wie man KI-Vorschläge anspricht, was man sagt, wenn Vorschläge falsch sind, und wie man interne Wechsel fördert, ohne Neugier zu bestrafen. Das KI-Training für Führungskräfte zeigt, was Manager in 1:1s, Reviews und Entscheidungen konkret anders machen müssen, wenn KI im Spiel ist.

Umfrage-Blueprints für verschiedene Phasen

Sie brauchen nicht jedes Mal alle Items. Nutzen Sie die vollständige Bank einmalig, dann einen kurzen Puls, der dieselben Dimensionen verfolgt. Das erleichtert auch die Betriebsratsabstimmung: weniger Fragen, klarerer Zweck, schnelleres Handeln.

Blueprint	Wann nutzen	Zielgruppe	Empfohlene Items	Umfang
(a) Mitarbeitende nach erster Pilotphase	10–14 Tage nach ersten KI-Vorschlägen	Mitarbeitende im Pilot	F1–F6, F7–F12, F13–F18, F19–F24, F25–F30, F37–F42 + B1–B3 + O3–O5	18–22 Items
(b) Führungskräfte/HRBPs nach Talent Review	3–10 Tage nach KI-gestütztem Talent Review	Führungskräfte + HRBPs	F43–F48, F49–F54, F55–F60, F61–F66 + B4–B6 + O6–O7	18–22 Items
(c) Kombinierter Puls im Pilot	Alle 6–8 Wochen im Pilot	Alle	Mitarbeitende: F7, F13, F19, F25, F32, F37 + B1/B2; FK: F43, F55, F62, F67 + B4/B5	12–15 Items
(d) Follow-up nach Rollout	6–12 Monate nach Skalierung	Alle	Kern aller Dimensionen: F1–F42 + FK-Blöcke F43–F66 + B1–B6	20–28 Items

DACH-Governance: Betriebsrat und Datenschutz in der Praxis

In DACH ist die wahrgenommene Legitimität ebenso wichtig wie die Modellqualität. Mitarbeitende werden fragen: „Wer sieht das?" „Kann mir das schaden?" „Ist das eine versteckte Leistungsbewertung?" Beantworten Sie diese Fragen schriftlich, bevor die Umfrage versendet wird.

Mitbestimmung nach BetrVG

KI-Matching-Systeme, die interne Besetzungsentscheidungen beeinflussen, unterliegen nach § 87 Abs. 1 Nr. 6 BetrVG der Mitbestimmung des Betriebsrats, wenn das System geeignet ist, das Verhalten oder die Leistung von Arbeitnehmern zu überwachen — unabhängig davon, ob der Arbeitgeber eine Überwachungsabsicht hat. Nach ständiger Rechtsprechung des BAG reicht die objektive Eignung zur Verhaltens- oder Leistungskontrolle aus. Eine Dienstvereinbarung sollte Zweck, Datenquellen, Zugriffsrechte, menschliche Entscheidungshoheit und Eskalationswege verbindlich regeln.

EU-AI-Act: Hochrisiko-Einstufung ab August 2026

KI-Systeme, die Entscheidungen in der Beschäftigung beeinflussen — einschließlich interner Stellenbesetzung und Kompetenzmatching — sind nach Anhang III des EU-AI-Acts als Hochrisikosysteme eingestuft. Die Kernpflichten für Deployer gelten ab dem 2. August 2026: Risikoanalyse, Dokumentation, menschliche Aufsicht und — nach Art. 86 EU-AI-Act — das Recht von Beschäftigten, eine Erklärung für Entscheidungen zu verlangen, die das KI-System beeinflusst hat. Informieren Sie Beschäftigte und Betriebsrat, bevor Sie das System einsetzen.

DSGVO-Checkliste für die Umfrage

Keine Auswertung unterhalb von n ≥ 10 pro Gruppe; keine Teamansicht für Teams mit ≤ 3 Personen.
Offene Antworten vor Weitergabe auf Identifikatoren prüfen und bereinigen.
Datenmapping für das KI-Matching-System in Datenschutzdokumentation aufnehmen.
Eskalationsweg für Fairness-Bedenken definieren: HRBP, Datenschutzbeauftragte/r oder gemeinsamer HR-Betriebsrat-Kanal; Erstantwort innerhalb von ≤ 7 Tagen.
Betriebsrat vor der Pilotumfrage einbinden — Zweck, Items, Anonymitätsregeln und wer die Ergebnisse sieht.

Wenn Sie bereits strukturierte Mitarbeiterbefragungen durchführen, übertragen Sie die dort etablierten Governance-Muster auf die KI-Mobilitätsbefragung. Die Vorlagensammlung für Mitarbeiterbefragungen enthält eine Betriebsrat/DSGVO-Checkliste, die direkt angepasst werden kann.

Verantwortlichkeiten und Nachverfolgung

Behandeln Sie die Nachverfolgung wie einen Betriebsprozess. Verteilen Sie Signale nach Thema: Führungskräfte verantworten psychologische Sicherheit und Mobilitätsunterstützung im Team; HR verantwortet Prozesskommunikation und Kompetenzaufbau; IT/HRIS verantwortet Tool-Anpassungen; Datenschutzbeauftragte und Betriebsrat verantworten Datenschutz und Mitbestimmungsthemen.

Signal / Item-Bereich	Schwellenwert	Empfohlene Maßnahme	Verantwortlich	Zeitrahmen
Awareness & Verständnis (F1–F6, F43–F48)	Ø < 3,5	1-seitige FAQ „KI-Matching erklärt" veröffentlichen + 30-Min-Briefing je Team	HR (People Ops)	Entwurf ≤ 14 Tage; Briefings ≤ 30 Tage
Transparenz & Kontrolle (F7–F12)	Ø < 3,2 oder B3 < 6,5	„Warum vorgeschlagen?"-Erklärungen ergänzen + Workflow für Profilkorrekturen	HR (Talent) + IT/HRIS	Backlog ≤ 21 Tage; erste Release ≤ 60 Tage
Qualität & Relevanz (F13–F18)	Ø < 3,3 oder B2/B5 < 6,5	Rollenanforderungen und Skill-Taxonomie für Top-10-Rollen im Pilot überarbeiten	Rolleninhaber + HR (Skills)	Audit ≤ 14 Tage; aktualisierte Rollenprofile ≤ 45 Tage
Fairness (F19–F24)	Ø < 3,4 oder Gruppenunterschiede ≥ 0,5	Gruppenunterschieds-Audit + Matching-Regeln und Human-Review-Schritte anpassen	HR (People Analytics) + DSB	Analyse ≤ 21 Tage; Maßnahmen vereinbart ≤ 45 Tage
Psychologische Sicherheit (F25–F30)	Ø < 3,5 oder F26 < 3,2	Manager-Enablement: Gesprächsskripte für Mobilitätsgespräche + „keine Vergeltung"-Commitment	Business-Leads + HRBPs	Skripte ≤ 14 Tage; Manager-Sessions ≤ 30 Tage
Datenschutzvertrauen (F31–F36, F65–F66)	Ø < 3,6 oder F32 < 3,3	Berechtigungen, Speicherdauer und Zugriffsprotokolle klären; Dienstvereinbarung ggf. aktualisieren	DSB + HR (Compliance) + Betriebsrat	Klärung ≤ 30 Tage; Richtlinienupdate ≤ 90 Tage

Zeitstandards für Rückmeldungen: ≤ 24 Stunden bei Hinweisen auf Vergeltungsmaßnahmen oder Datenmissbrauch; ≤ 7 Tage für Fairness-Bedenken (Bestätigung + nächste Schritte); ≤ 30 Tage für die Veröffentlichung eines konkreten Maßnahmenplans mit Verantwortlichen und Terminen.

Für eine faire Bewertung der Mobilitätsentscheidungen lohnt sich ein Blick auf strukturierte Kalibrierungsprozesse. Der Leitfaden zur Talentkalibrierung bietet ein praktisches Modell für Rollenstandards, Belege und Entscheidungsdokumentationen — das gut zu KI-gestützten Vorschlägen passt.

Fazit

KI-gestützte interne Mobilität kann Matching beschleunigen und versteckte Talente sichtbar machen — aber nur, wenn Mitarbeitende und Führungskräfte dem Prozess vertrauen. Diese Umfragefragen liefern drei verwertbare Signale: Frühwarnungen bei Transparenz- oder Sicherheitsproblemen, klarere Grundlagen für Gespräche zwischen Mitarbeitenden und Führungskräften sowie Prioritäten für Daten-, Governance- und Prozessverbesserungen.

Fangen Sie klein und konkret an: eine Pilotgruppe, Blueprint (a) und (b) im Umfragetool, Verantwortliche für die Nachverfolgung vor dem Versand festlegen. Veröffentlichen Sie Ergebnisse und Änderungen innerhalb von ≤ 30 Tagen. Wenn Beschäftigte sehen, dass Feedback zu besseren Erklärungen, klareren Berechtigungen und einem anderen Führungsverhalten führt, folgt die Nutzung als Nebenprodukt des Vertrauens.

FAQ

Wie oft sollte die Umfrage durchgeführt werden?

Im Pilot: Welle 1 ca. 10–14 Tage nach den ersten KI-Vorschlägen, dann ein kurzer Puls nach Umsetzung der Maßnahmen (in der Regel 6–8 Wochen später). Nach dem Rollout alle 6–8 Wochen für die ersten sechs Monate, dann jährlich oder nach wesentlichen Änderungen am Matching-System.

Was tun, wenn Werte sehr niedrig sind (Ø < 3,0)?

Behandeln Sie Ø < 3,0 als Stop-and-Fix-Signal. Skalierung pausieren, die betroffene Dimension identifizieren (Transparenz, Fairness, Sicherheit, Datenschutz) und eine sichtbare Änderung innerhalb von ≤ 45 Tagen umsetzen. Veröffentlichen, was sich geändert hat. Dann nur die Kernpuls-Items für diese Dimension erneut abfragen.

Wie geht man mit kritischen Kommentaren zu Bias oder Vergeltungsmaßnahmen um?

Zwei Pfade trennen: (1) aggregiertes Lernen für Prozessverbesserung und (2) individuelles Risiko-Handling. Bei Kommentaren, die auf Vergeltung, Diskriminierung oder Datenmissbrauch hinweisen, innerhalb von ≤ 24 Stunden über den etablierten Mitarbeiterbeziehungskanal reagieren. Für Fairness-Bedenken innerhalb von ≤ 7 Tagen bestätigen, Prüfschritte erläutern und Maßnahmenplan teilen. Anonymität wahren und Identifikatoren vor Kommentarweitergabe entfernen.

Wie bindet man Betriebsrat und DSGVO-Anforderungen ein?

Den Betriebsrat vor der Pilotumfrage einbinden — nicht erst nach Beschwerden. Umfragezweck, genaue Items, Anonymitätsregeln (n ≥ 10) und wer die Ergebnisse sieht, teilen. Datenflüsse, Speicherdauer und Zugriffsrechte für KI-Matching und Umfragedaten erläutern und in einer Dienstvereinbarung dokumentieren. Für den datenschutzrechtlichen Rahmen gilt die Datenschutz-Grundverordnung (DSGVO) sowie — ab August 2026 — die Transparenz- und Erklärungspflichten des EU-AI-Acts für Hochrisikosysteme in der Beschäftigung.

Welche Fragen eignen sich für einen kurzen Puls zwischen Vollbefragungen?

Für einen 10–12 Items-Puls: je ein Item aus jeder Kerndimension — F7 (Transparenz), F13 (Relevanz), F19 (Fairness), F25 (Sicherheit), F32 (Datenschutz), F37 (Gesamtwirkung) — plus B1 und B2 für Mitarbeitende sowie F43 und F55 für Führungskräfte. Ergänzen Sie O1 und O2 als offene Fragen. So behalten Sie die Trendvergleichbarkeit und halten den Aufwand gering.

Was ist der Unterschied zur allgemeinen Mobilitätsumfrage?

Eine allgemeine Umfrage zur internen Mobilität misst Sichtbarkeit, Fairness, Führungsunterstützung, Kompetenzbereitschaft und Wechselerfahrung. Diese KI-spezifische Erweiterung misst zusätzlich: Verständnis des KI-Matching-Prozesses, Daten- und Algorithmen-Transparenz, Governance-Qualität sowie das spezifische Vertrauen in algorithmische Entscheidungsunterstützung. Beide Instrumente ergänzen sich — die allgemeine Umfrage als Baseline, diese als KI-spezifische Schicht für Pilotgruppen.

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.