Künstliche Intelligenz ist im HR längst sichtbar: Copilots formulieren Stellenanzeigen, Chatbots beantworten Beschäftigtenfragen, Matching-Systeme schlagen Kandidatinnen und Kandidaten vor. Der Eindruck täuscht jedoch. Die eigentliche Leistungsfähigkeit entsteht nicht an der Benutzeroberfläche, sondern in der darunterliegenden Daten- und Systemarchitektur.

Fehlen konsistente Personaldaten, einheitliche Definitionen und klare Zugriffsregeln, produziert auch ein leistungsfähiges Modell nur begrenzt verlässliche Ergebnisse. People Analytics und AI Infrastructure gehören deshalb zusammen: Der eine Bereich formuliert die geschäftlichen Fragen und bewertet die Evidenz, der andere stellt Daten, Modelle und Betriebsprozesse zuverlässig bereit.

Was bedeutet People Analytics?

People Analytics bezeichnet die systematische Nutzung von Beschäftigten-, Organisations- und Prozessdaten, um Personalentscheidungen zu verbessern. Dabei geht es nicht nur um Kennzahlen wie Headcount, Time-to-Hire oder Fluktuation. Reife Ansätze verbinden deskriptive Analysen mit Ursachenhypothesen, Prognosen und Szenarien.

Der entscheidende Unterschied zum klassischen Reporting liegt im Entscheidungsbezug. Ein Dashboard zeigt, dass die Fluktuation in einer Einheit steigt. People Analytics untersucht zusätzlich, welche Faktoren damit zusammenhängen, welche Gruppen besonders betroffen sind und welche Maßnahmen voraussichtlich wirken. Damit wird aus Datenbeobachtung ein Steuerungsinstrument – allerdings nur, wenn Korrelationen nicht vorschnell als Ursachen interpretiert werden.

Warum klassische HR-Datenmodelle nicht mehr ausreichen

Viele HR-Landschaften sind über Jahre gewachsen. Stammdaten liegen im HCM-System, Bewerbungsinformationen im ATS, Lerndaten auf einer separaten Plattform und Projekt- oder Skill-Hinweise in weiteren Anwendungen. Hinzu kommen unterschiedliche Begriffe für dieselbe Rolle, wechselnde Organisationsstrukturen und fehlende historische Zustände.

Für moderne Analysen ist das ein strukturelles Problem. Ein aktueller Datensatz erklärt nicht, in welchem Team eine Person vor sechs Monaten gearbeitet hat oder welche Anforderungen damals für eine Position galten. Prognosen, Mobilitätsanalysen und Workforce-Szenarien benötigen deshalb historisierte, miteinander verknüpfte Daten. Ebenso wichtig sind gemeinsame Definitionen: Solange „Headcount“, „aktive Beschäftigte“ oder „kritischer Skill“ in verschiedenen Bereichen Unterschiedliches bedeuten, bleibt jede Analyse angreifbar.

Was bedeutet AI Infrastructure im HR-Kontext?

AI Infrastructure umfasst weit mehr als Cloud-Rechenleistung oder den Zugang zu einem Sprachmodell. Im HR-Kontext beschreibt sie die gesamte technische und organisatorische Kette, über die Daten erfasst, vereinheitlicht, geschützt, analysiert und in Arbeitsabläufe zurückgeführt werden.

Dazu gehören Datenpipelines, Schnittstellen, Identitäts- und Berechtigungsmodelle, semantische Schichten, Modell- und Vektordatenbanken, Monitoring sowie dokumentierte Freigabeprozesse. Eine produktive KI-Anwendung braucht außerdem einen kontrollierten Weg vom Experiment in den Betrieb: Modelle müssen versioniert, getestet, überwacht und bei veränderten Daten neu bewertet werden. Infrastruktur wird damit...