KI in Mitarbeitergesprächen: Unterstützung, Grenzen und menschliche Verantwortung

Vor dem Mitarbeitergespräch liegen einige Beobachtungen, offene Vereinbarungen und Entwicklungswünsche vor. KI kann daraus einen Agendaentwurf erstellen, Gesprächsinhalte zusammenfassen und nächste Schritte vorschlagen. Das kann beim Ordnen und Formulieren helfen. Ob daraus ein besseres Gespräch entsteht, hängt auch davon ab, welche Informationen fehlen, wie die Vorschläge geprüft werden und ob Mitarbeitende ihre Sicht offen einbringen können.

Ein gut formulierter KI-Text ist zunächst ein Entwurf. Er belegt weder, dass eine Beobachtung vollständig ist, noch dass eine Bewertung zutrifft oder eine vorgeschlagene Maßnahme wirkt. Für HR und Führungskräfte ist deshalb die konkrete Aufgabe entscheidend: Soll das Werkzeug Informationen aufbereiten, eine gemeinsame Klärung unterstützen oder eine Personalentscheidung beeinflussen?

Dieser Beitrag folgt den vier Phasen Vorbereitung, Gespräch, Nachbereitung und weiterer Entwicklung. Den organisatorischen Rahmen beschreibt ergänzend unser Beitrag zur datenschutz- und betriebsratsfreundlichen Einführung.

Was technische Fähigkeiten über den Nutzen aussagen

Forschung zu automatischen Meeting-Zusammenfassungen zeigt, dass Systeme Gesprächsinhalte verdichten können. Shang et al. (2018) untersuchten dies an den Meeting-Datensätzen AMI und ICSI; Li et al. (2019) kombinierten Text- und Videoinformationen aus AMI-Projektbesprechungen. Verbesserte Werte bei automatischen Textvergleichsmaßen wie ROUGE oder BLEU zeigen Fortschritte in diesen Aufgaben. Sie messen weder die Qualität eines Mitarbeitergesprächs noch die Entwicklung einer Person.

Die Wortfehlerraten von 36 und 37 Prozent bei Shang et al. betreffen die damals verwendeten Transkripte dieser beiden Datensätze. Sie sind keine allgemeine Fehlerquote heutiger Transkriptionssysteme und keine Quote falscher Personalentscheidungen (Shang et al., 2018).

Näher am Personalthema liegen Experimente zu Leistungsrückmeldungen. Marót et al. (2026) untersuchten Reaktionen auf einen identischen Feedbacktext, dessen Entstehung unterschiedlich beschrieben wurde. Das ist Forschung zu einem hypothetischen Beurteilungsszenario, kein Test tatsächlich geführter Entwicklungsgespräche. Die hier geprüften Arbeiten belegen weder eine allgemeine Zeitersparnis nach vollständiger Prüfung noch langfristige Entwicklungswirkungen einer KI-gestützten Gesprächskette. Die folgenden Abläufe sind praktische Empfehlungen, kein empirisch validiertes Gesamtverfahren.

1. Vorbereitung: Themen ordnen und die Ausgangsbasis prüfen

Für einen Agendaentwurf können vereinbarte Ziele, offene Schritte, ausgewählte Beobachtungen und die Anliegen beider Gesprächspartner als Ausgangsmaterial dienen. Ein hilfreicher Auftrag lautet etwa: „Ordne diese Informationen zu Gesprächspunkten. Trenne Beobachtungen, offene Fragen und bereits vereinbarte Schritte. Ergänze keine Aussagen über die Person.“ Verwenden Sie dafür nur die vorgesehenen Daten und ein für den Zweck freigegebenes Werkzeug.

Prüfen Sie anschließend, ob die Agenda die aktuelle Situation trifft: Sind ältere Einträge noch relevant? Beschreiben mehrere Notizen dasselbe Ereignis? Fehlen weniger sichtbare Beiträge, Gegenbeispiele oder Themen der Mitarbeitenden? KI kann nur mit dem bereitgestellten Kontext arbeiten. Die Häufigkeit eines Themas in Notizen ist kein verlässliches Maß für seine Bedeutung.

Fiktives Beispiel: Aus einer Beobachtung wird vorschnell ein Defizit

Die Führungskraft notiert: „Nora hat eine Rückfrage des Kunden erst nach der Teamsitzung beantwortet.“ Die KI schlägt „Kommunikationsfähigkeit verbessern“ als Agendapunkt vor. Im Gespräch stellt sich heraus, dass Nora auf eine technische Freigabe warten musste.

Nützlich war, die offene Situation wiederzufinden. Unbegründet war die Zuordnung zu einem persönlichen Defizit. Ein geeigneter Gesprächspunkt wäre: „Was hat die Antwort verzögert, und welche Abstimmung brauchen wir?“ Wie Sie Beobachtung und Interpretation auseinanderhalten, erläutert der Beitrag zu Beobachtungen im Führungsalltag.

Bilden Sie eine vorläufige eigene Einschätzung, bevor Sie KI-Vorschläge lesen. In einem randomisierten Szenarioexperiment mit angehenden Lehrkräften half diese Reihenfolge, irreführende Empfehlungen seltener zu übernehmen. Untersucht wurden pädagogische Aufgaben an einer chinesischen Universität, keine Führungsgespräche; daraus folgt keine garantierte Schutzwirkung für HR (Yan, 2026). Praktisch heißt das: eigene Fragen festhalten, den KI-Entwurf vergleichen und gezielt nach einer anderen Erklärung suchen. Auch die eigene Einschätzung bleibt korrigierbar.

2. Im Gespräch: Dokumentation unterstützen und Offenheit ermöglichen

Transkription wandelt Sprache in Text um. Eine Zusammenfassung wählt daraus Inhalte aus und formuliert sie neu. Beides sind unterschiedliche Verarbeitungsschritte. Auch bei einem gut lesbaren Transkript sollten Sie Namen, Zahlen, Verneinungen und die Zuordnung von Aussagen prüfen. Testen Sie das konkrete Werkzeug mit den relevanten Sprachen, Fachbegriffen, Sprecherwechseln und den tatsächlichen Aufnahmebedingungen.

Das mögliche Plus im Gespräch ist weniger gleichzeitiges Mitschreiben. Ob das tatsächlich mehr Aufmerksamkeit ermöglicht, muss sich im Einsatz zeigen. Live-Vorschläge können ihrerseits ablenken oder vorgeben, welche Themen als wichtig erscheinen. Lassen Sie die vorbereitete Agenda deshalb offen für Anliegen, die erst im Dialog sichtbar werden.

Aufzeichnung verändert außerdem die Gesprächssituation. In Interviews mit 50 Beschäftigten aus den USA, China und Deutschland wurden sowohl Chancen als auch Bedenken hinsichtlich Kontrolle, Lernen und psychologischer Sicherheit beschrieben (Cardon et al., 2023). Diese qualitative Meeting-Studie misst keine kausale Wirkung von KI-Aufzeichnungen auf Offenheit in Mitarbeitergesprächen.

Erklären Sie vorab, was aufgezeichnet oder ausgewertet wird, wofür die Ergebnisse dienen und wer sie sehen kann. Klären Sie die Zulässigkeit der Aufnahme gesondert. Vereinbaren Sie organisatorisch, wie sensible Passagen behandelt werden und wann ein Gespräch ohne Aufzeichnung geführt werden kann. Fragen Sie nach dem Gespräch auch, ob etwas wegen der Dokumentation unausgesprochen blieb. Eine Zustimmung zur Technik allein beantwortet diese Frage nicht.

3. Nachbereitung: Bedeutung, Zuordnung und Vereinbarungen kontrollieren

Eine KI-Zusammenfassung kann Themen, offene Fragen und nächste Schritte übersichtlich darstellen. Dabei können Informationen fehlen oder verändert werden. Eine Untersuchung von 200 generierten Meeting-Zusammenfassungen unterscheidet unter anderem vollständige und teilweise Auslassungen, falsche Bezüge sowie Inhalte, die dem Transkript widersprechen oder dort nicht vorkommen (Kirstein et al., 2025). Das sind Befunde an einem Forschungsdatensatz, keine Fehlerstatistik für jedes Produkt.

Fiktives Beispiel: Aus einer Bedingung wird eine Zusage

Im Gespräch sagt Elias: „Ich kann den Workshop im November übernehmen, wenn wir vorher jemanden für den Support einteilen.“ Seine Führungskraft antwortet: „Ich kläre die Vertretung.“ Der KI-Entwurf lautet: „Elias organisiert im November den Workshop und die Supportvertretung.“

Der Entwurf macht einen nächsten Schritt sichtbar, lässt aber die Bedingung weg und ordnet die Vertretung der falschen Person zu. Korrekt wäre: „Führungskraft klärt bis zum nächsten 1:1 die Supportvertretung. Elias übernimmt den Workshop, sofern die Vertretung gesichert ist.“ Erst die Prüfung erhält die tatsächliche Vereinbarung.

Prüfen Sie den Entwurf in beide Richtungen: Ist jede Aussage belegt, und fehlt etwas Entscheidendes? Lesen Sie nicht nur nach sprachlichen Fehlern. Achten Sie besonders auf:

• Bedeutung: Bleiben Vorbehalte, Unsicherheit und unterschiedliche Sichtweisen erhalten? Aus „könnte“ darf nicht unbemerkt „wird“ werden.
• Zuordnung: Wer hat etwas beobachtet, vorgeschlagen oder übernommen? Ein Wunsch ist noch keine Zusage.
• Vollständigkeit: Sind Bedingungen, Unterstützungsbedarf und Beiträge der Führungskraft enthalten?
• Ergänzungen: Hat die KI Gründe, Bewertungen oder Fristen hinzugefügt, die nicht besprochen wurden?

Vergleichen Sie folgenreiche Aussagen mit den zulässig verfügbaren Ausgangsinformationen und klären Sie Unklarheiten mit den Beteiligten. Auch ein Transkript kann fehlerhaft sein. Ist die Grundlage nicht mehr verfügbar, kennzeichnen Sie die Unsicherheit, statt eine Rekonstruktion als gesichert darzustellen. Nachvollziehbarkeit rechtfertigt keine unbegrenzte Aufbewahrung von Aufnahmen.

Benennen Sie eine Person, die den Entwurf prüft. Besprechen Sie die relevanten Vereinbarungen mit den Mitarbeitenden, ermöglichen Sie Korrekturen und kennzeichnen Sie verbleibenden Dissens. Halten Sie nachvollziehbar fest, welche Fassung geprüft wurde und wer die weitere Verwendung verantwortet. Bereits übernommene Fehler müssen auch in Folgedokumenten berichtigt werden. Ein Freigabeklick ohne Zeit, Kontext und Änderungsmöglichkeit leistet diese Prüfung nicht.

4. Weitere Entwicklung: Optionen anbieten und Fortschritt gemeinsam beurteilen

KI kann ähnliche Beobachtungen bündeln und Bezüge zu Zielen oder Kompetenzen vorschlagen. Eine sprachliche Ähnlichkeit belegt jedoch weder ein stabiles Verhaltensmuster noch dessen Ursache. Prüfen Sie Situation, Rolle, Erwartungen, Gegenbeispiele und die Sicht der betroffenen Person, bevor Sie daraus ein Entwicklungsthema ableiten.

Für ein geklärtes Thema lassen sich mögliche Maßnahmen sammeln: eine Übungsaufgabe, kollegiales Feedback, Hospitation, Coaching oder Weiterbildung. Prüfen Sie bei jedem Vorschlag, welches konkrete Lernziel er unterstützen soll, ob das Angebot tatsächlich existiert und ob Zeit, Zugang und Unterstützung vorhanden sind. Ein passender Kurstitel ist noch kein Nachweis, dass die Maßnahme im Arbeitsalltag hilft.

Fiktives Beispiel: Training oder eine fehlende Entscheidung?

In mehreren Notizen zu Amirs Projekt stehen verspätete Übergaben. Die KI schlägt ein Zeitmanagementtraining vor. Beim gemeinsamen Rückblick zeigt sich: Amir hatte die Unterlagen fertig, aber die Freigabe wechselte zwischen zwei Verantwortlichen.

Die Bündelung hilft, ein wiederkehrendes Hindernis zu erkennen. Der Trainingsvorschlag setzt jedoch bei einer ungeprüften Ursache an. Die Führungskraft klärt zuerst die Freigaberolle. Amir möchte zusätzlich üben, offene Entscheidungen früher anzusprechen. Beide vereinbaren einen Versuch für die nächsten Übergaben und besprechen danach konkrete Beispiele. Sie behandeln weder die Kursbuchung noch einen KI-Score als Beleg für Entwicklung.

Legen Sie für einen vereinbarten Schritt fest, wer was ausprobiert, welche Unterstützung nötig ist und woran Sie gemeinsam Fortschritt erkennen wollen. Greifen Sie das Thema später mit neuen Beobachtungen auf. Automatisch wiederholte Zusammenfassungen dürfen eine überholte Annahme nicht zu einer scheinbar gesicherten Eigenschaft machen.

Anwendungen und erforderliche Prüfung im Überblick

Die Tabelle ist eine praktische Prüfhilfe. Der mögliche Nutzen ist jeweils im eigenen Einsatz zu überprüfen.

Vertrauen hängt auch von der Rolle der KI ab

Es macht einen Unterschied, ob eine Führungskraft ihre eigene Einschätzung sprachlich überarbeiten lässt oder die Einschätzung selbst an KI abgibt. Im genannten Experiment mit 192 Beschäftigten löste als vollständig KI-generiert beschriebenes Feedback ungünstigere Reaktionen aus als als menschlich verfasst beschriebenes Feedback. Menschlich verfasster, laut Beschreibung von KI überarbeiteter Text unterschied sich nicht statistisch signifikant vom rein menschlichen Text (Marót et al., 2026). Das beweist keine Gleichwertigkeit und keinen dauerhaften Vertrauenseffekt im Arbeitsalltag.

Die praktische Konsequenz ist, den tatsächlichen Einsatz verständlich zu erklären und persönliche Verantwortung sichtbar zu machen: Welche Beobachtungen stammen von der Führungskraft? Was wurde nur umformuliert? Welche Einordnung wurde gemeinsam geprüft? Transparenz ist eine Voraussetzung für einen informierten Umgang, aber keine Garantie für Vertrauen. Die Mitarbeitenden müssen auch widersprechen können und erleben, dass ihr Einwand Folgen für die Dokumentation hat.

Rechtlicher Rahmen: Zweck und Einsatz bleiben entscheidend

Stand: 7. Oktober 2026. Die folgende Orientierung ersetzt keine Prüfung des konkreten Einsatzes.

In der EU gelten insbesondere Rechtsgrundlage, Zweckbindung, Datenminimierung und Richtigkeit nach der DSGVO. Gesundheitsdaten unterliegen zusätzlichen Voraussetzungen; bei voraussichtlich hohem Risiko ist eine Datenschutz-Folgenabschätzung erforderlich. Art. 22 regelt ausschließlich automatisierte Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung. Auch außerhalb dieses Tatbestands gelten die übrigen Datenschutzpflichten. Menschliche Freigabe macht eine unzulässige Datenerhebung oder Weiterverwendung nicht zulässig (Europäische Union, 2016, Art. 5, 6, 9, 22 und 35).

Der EU AI Act ist bereits in Kraft. Das Verbot biometrisch gestützter Emotionserkennung am Arbeitsplatz gilt grundsätzlich seit 2. Februar 2025, mit Ausnahmen für medizinische oder Sicherheitsgründe. KI zur Leistungsbewertung oder für bestimmte Beschäftigungsentscheidungen kann unter die Hochrisikoregeln fallen. Zweck und tatsächlicher Einfluss sind zu prüfen; „Assistenz“ oder menschliche Letztentscheidung sind keine pauschale Ausnahme (Europäische Union, 2024, Art. 3, 5, 6 und Anhang III). Nach dem am 27. Juli 2026 in Kraft getretenen AI Omnibus gelten die Hochrisikoregeln für Anhang-III-Systeme ab 2. Dezember 2027. Diese Übergangsfrist setzt bereits geltende Verbote und Datenschutzpflichten nicht aus (Europäische Kommission, 2026; Europäische Kommission, o. J.).

In Deutschland sind zusätzlich § 26 BDSG und gegebenenfalls die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG zu beachten. Bei Einwilligungen ist die Abhängigkeit im Beschäftigungsverhältnis zu berücksichtigen (Bundesrepublik Deutschland, 2017; Bundesrepublik Deutschland, 1972). In Österreich gilt die DSGVO ebenfalls unmittelbar; daneben können insbesondere §§ 96 und 96a ArbVG Zustimmungsrechte des Betriebsrats auslösen. Die Voraussetzungen unterscheiden sich nach Art des Systems (Republik Österreich, 1974).

Die Schweiz hat einen eigenen Rahmen aus DSG und Arbeitsrecht. Für privatrechtliche Arbeitsverhältnisse begrenzt Art. 328b OR die Datenbearbeitung auf Angaben zur Eignung für das Arbeitsverhältnis oder zur Durchführung des Arbeitsvertrags. EU-Regeln gelten nicht allein aufgrund eines Schweizer Arbeitsverhältnisses; ein zusätzlicher EU-Anwendungsbereich ist gesondert zu prüfen (EDÖB, o. J.; Europäische Union, 2016, Art. 3; Europäische Union, 2024, Art. 2).

Fragen für die Auswahl und Nutzung einer Lösung

Lassen Sie sich die Antworten möglichst am konkreten Ablauf und anhand aktueller Unterlagen zeigen:

1. Aufgabe und Grenze: Welche Schritte übernimmt die KI, welche Ausgaben sind Entwürfe und welche fließen in Bewertungen oder Entscheidungen ein?
2. Datenbasis: Welche Quellen und Zeiträume werden verwendet? Lassen sich irrelevante, doppelte oder überholte Informationen ausschließen?
3. Qualität: Wurde das System mit vergleichbaren Sprachen und Gesprächssituationen geprüft? Was wurde gemessen: Textähnlichkeit, sachliche Richtigkeit, Prüfaufwand oder Gesprächserleben?
4. Nachvollziehbarkeit: Kann eine prüfende Person erkennen, worauf eine Aussage beruht und wo Informationen fehlen? Bleiben Vorschläge von tatsächlichen Vereinbarungen unterscheidbar?
5. Korrektur: Wer kann Entwürfe ändern oder verwerfen? Wie werden strittige Aussagen gekennzeichnet und Korrekturen in späteren Dokumenten berücksichtigt?
6. Verantwortung: Wer prüft welche Inhalte, mit welcher Qualifikation und mit wie viel Zeit? Wer entscheidet, wenn die Grundlage nicht ausreicht?
7. Gesprächsrahmen: Wie erfahren Mitarbeitende vom Einsatz? Wie können sie Bedenken äußern, und welcher Ablauf ist für sensible Gespräche vorgesehen?
8. Datenverarbeitung: Wer erhält Zugriff auf Aufnahme, Transkript, Notizen und Ableitungen? Welche Dienstleister, Speicherfristen, Verarbeitungsorte, Drittlandzugriffe und Nutzungen zum Modelltraining sind dokumentiert?
9. Rechtliche Einordnung: Sind Aufnahme, Verarbeitungszwecke, Beteiligungsrechte und eine mögliche Hochrisikoeinstufung für den konkreten Einsatz geprüft?
10. Nutzen im Betrieb: Wird die gesamte Zeit einschließlich Kontrolle und Korrektur erfasst? Wie werden übersehene Fehler, Offenheit und das Aufgreifen vereinbarter Schritte überprüft?

Beginnen Sie mit einem begrenzten Anwendungsfall. Vergleichen Sie den Ablauf mit Ihrer bisherigen Praxis und berücksichtigen Sie neben dem Aufwand auch die Schwere von Fehlern. Ein kurzer Entwurf mit einer falschen Zusage kann mehr Klärungsbedarf erzeugen, als er Schreibarbeit erspart. Prüfen Sie den Ablauf erneut, wenn sich Modell, Datenquellen oder Verwendungszweck ändern.

Wie riteful diese Arbeit unterstützt

riteful unterstützt KI-gestützte Agenda-Erstellung, Meeting-Zusammenfassungen, Beobachtungsanalyse und 1:1-Planerstellung. Bei der Agenda-Vorbereitung können Journal-Einträge, Ziele, offene Schritte und frühere Gespräche als Kontext herangezogen werden. Die Beobachtungsanalyse bietet KI-vorgeschlagene Verknüpfungen mit Kompetenzen und Verantwortungsbereichen. Solche Zuordnungen sind im jeweiligen Arbeitskontext zu prüfen.

Führungskraft und Mitarbeitende definieren gemeinsam einen Entwicklungs- und Gesprächsplan. Notizen sind privat; HR kann sehen, ob 1:1s stattfinden, hat aber keinen Zugriff auf Gesprächsinhalte oder private Notizen. KI-Ausgaben unterstützen Menschen; riteful trifft keine autonomen Personalentscheidungen. Den Ablauf erläutert die Produktseite zur Mitarbeitergespräch-Software.

Literatur

Bundesrepublik Deutschland (1972). Betriebsverfassungsgesetz (BetrVG), § 87. Geltende Fassung, abgerufen am 7. Oktober 2026.

Bundesrepublik Deutschland (2017). Bundesdatenschutzgesetz (BDSG), § 26. Geltende Fassung, abgerufen am 7. Oktober 2026.

Cardon, P. W., Ma, H., & Fleischmann, C. (2023). Recorded Business Meetings and AI Algorithmic Tools: Negotiating Privacy Concerns, Psychological Safety, and Control. International Journal of Business Communication, 60(4), 1095–1122.

Eidgenössischer Datenschutz- und Öffentlichkeitsbeauftragter (EDÖB) (o. J.). Datenbearbeitung durch den Arbeitgeber. Abgerufen am 7. Oktober 2026.

Europäische Kommission (2026, 27. Juli). AI Omnibus enters into force. Abgerufen am 7. Oktober 2026.

Europäische Kommission (o. J.). Timeline for the Implementation of the EU AI Act. AI Act Service Desk. Abgerufen am 7. Oktober 2026.

Europäische Union (2016). Verordnung (EU) 2016/679 (Datenschutz-Grundverordnung). Art. 3, 5, 6, 9, 22 und 35. Abgerufen am 7. Oktober 2026.

Europäische Union (2024). Verordnung (EU) 2024/1689 (Verordnung über künstliche Intelligenz). Art. 2, 3, 5, 6 und Anhang III; geprüfter Textstand 27. Juli 2026. Abgerufen am 7. Oktober 2026.

Kirstein, F., Ruas, T., & Gipp, B. (2025). What’s Wrong? Refining Meeting Summaries with LLM Feedback. Proceedings of the 31st International Conference on Computational Linguistics, 2100–2120.

Li, M., Zhang, L., Ji, H., & Radke, R. J. (2019). Keep Meeting Summaries on Topic: Abstractive Multi-Modal Meeting Summarization. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, 2190–2196.

Marót, J. L., Palcsó, T., & Szabó, Z. P. (2026). Source matters, AI anxiety less so: comparing employee reactions to human, AI, and hybrid performance feedback and the limited role of AI anxiety. Frontiers in Psychology, 17, 1924487.

Republik Österreich (1974). Arbeitsverfassungsgesetz (ArbVG), §§ 96 und 96a. Geltende Fassung, abgerufen am 7. Oktober 2026.

Shang, G., Ding, W., Zhang, Z., Tixier, A., Meladianos, P., Vazirgiannis, M., & Lorré, J.-P. (2018). Unsupervised Abstractive Meeting Summarization with Multi-Sentence Compression and Budgeted Submodular Maximization. Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), 664–674.

Yan, D. (2026). Independent judgment before viewing generative AI recommendations reduces susceptibility to misleading advice: a randomized scenario-based experiment with preservice teachers. Frontiers in Psychology, 17, 1936522.