Führende KI-Modelle erreichen zwischen 64 und 82 Prozent, wenn eine Frage zum Mitarbeiter-Feedback eine klare, überprüfbare Antwort hat. Verlangt die Aufgabe, unvollständige, emotional aufgeladene, kontextabhängige Signale zu einer einzigen belastbaren Schlussfolgerung zu verdichten, fallen die besten von ihnen auf 33 Prozent (PYX Labs, 2026).
Diese zweite Kategorie hat in Ihrem Unternehmen einen Namen. Sie heißt: entscheiden, wer befördert wird.
Sechs von zehn Führungskräften nutzen KI bereits für Entscheidungen über ihre direkt unterstellten Mitarbeitenden — Gehaltserhöhungen, Beförderungen, Stellenabbau, Kündigungen (Resume Builder, 2025). Die Fähigkeitskurve und die Nutzungskurve zeigen in entgegengesetzte Richtungen, und kaum jemand hat die Linie dazwischen gezogen.
Was der PYX-Voice-Benchmark tatsächlich gemessen hat
Am 15. Juli 2026 veröffentlichte PYX Labs — ein von Perceptyx gefördertes Forschungslabor — PYX-Voice, den ersten Benchmark, der eigens dafür gebaut wurde zu prüfen, wie gut führende KI-Modelle Mitarbeiter-Feedback verstehen. Sieben Spitzenmodelle von OpenAI, Google, Anthropic und xAI durchliefen 84 reale Aufgaben aus dem Employee Listening und wurden anhand von 208 Kriterien bewertet, die von Arbeits- und Organisationspsychologen (I-O) sowie Fachleuten für Organisationsverhalten definiert wurden (Perceptyx, 2026).
Die Bewertungskriterien sind der eigentliche Punkt. Einem Modell eine Tabelle mit Umfrageantworten zu übergeben, ist trivial. Zu definieren, wie eine korrekte Lesart dieser Daten aussieht — was ein kompetenter I-O-Psychologe schlussfolgern würde und was er zu schlussfolgern ablehnen würde — das ist der schwierige Teil, und genau dieser Teil wird von keinem allgemeinen KI-Benchmark geprüft.
Der zentrale Befund lautet nicht, dass die Modelle schlecht sind. Das sind sie nicht. Die Zuverlässigkeit sank deutlich und vorhersehbar, je höher die interpretative Last der Aufgabe wurde (PYX Labs, 2026). Das stärkste Modell im Feld kam insgesamt über 76 Prozent. Jedes getestete Modell — ausnahmslos — verzeichnete die Synthese als seine schwächste Fähigkeit.
Diese Übereinstimmung wiegt schwerer als die absoluten Werte. Eine Schwäche, die jedes Modell aus vier verschiedenen Laboren teilt, ist kein Anbieterproblem, das man sich wegkaufen kann. Sie ist eine Eigenschaft der Aufgabe.
Die Klippe liegt genau dort, wo es ernst wird
Das Leistungsprofil des Benchmarks deckt sich fast perfekt mit einer Unterscheidung, die die meisten Operations-Verantwortlichen intuitiv bereits treffen, in ihren Werkzeugen aber selten durchsetzen.
Am stärksten waren die Modelle dort, wo sich Feedback sauber in klar definierte Themen sortieren lässt: Fragen zur Leistungsbefähigung rund um Ziele, Werkzeuge, Kennzahlen, Ressourcen. Das sind Kategorisierungsprobleme im Personalkostüm. Es gibt eine richtige Antwort, die Antwort ist überprüfbar, und das Modell findet sie.
Bei breiten, nuancierten Themen brach die Leistung ein — Wandel, Innovation, jene diffuse Kategorie von Kommentaren, die sagt, dass etwas nicht stimmt, ohne zu sagen, was. Hier muss das Modell mehrere unvollständige, widersprüchliche Signale gleichzeitig halten und ein Urteil bilden. Die Werte fielen auf bis zu 33 Prozent (PYX Labs, 2026).
Die Beschreibung, die der Benchmark selbst für das Versagen findet, lohnt das Zitat, weil sie den Mechanismus benennt statt das Symptom: „Der Zusammenbruch tritt genau dann ein, wenn sie unvollständige, emotionale oder kontextabhängige Signale abwägen und zu einer klaren Schlussfolgerung auflösen müssen" (HR Dive, 2026).
Lesen Sie diese Beschreibung noch einmal und fragen Sie sich, was eine Beförderungsentscheidung ist. Sie ist unvollständige Information, emotional gewichtet, stark kontextabhängig, aufgelöst zu einer klaren Schlussfolgerung. Der Benchmark hat nicht Performance Management getestet. Er hat exakt jene kognitive Operation getestet, aus der Performance Management besteht.
Ein Wert von 33 Prozent bei einer Urteilsaufgabe ist kein etwas schwächerer Assistent. Es ist ein Münzwurf mit selbstsicherer Stimme.
Und der Fehlermodus ist schlimmer, als der Wert vermuten lässt, denn die Ausgabe sieht in beiden Fällen gleich aus. Ein Modell, das Mitarbeiter-Feedback schlecht zusammenfasst, gibt weder einen Fehler noch ein Signal geringer Konfidenz zurück. Es liefert einen flüssigen, gut strukturierten, vollkommen plausiblen Absatz über die Stimmung im Team. Die prüfende Führungskraft hat kein Signal, das den 82-Prozent-Fall vom 33-Prozent-Fall unterscheidet. PYX Labs verzeichnete zudem seltene, aber bedeutsame Fälle, in denen Modelle erfundene statistische Ausgaben produzierten oder die Beschränkungen des zugrunde liegenden Datensatzes nicht einhielten — eine Zahl in der Zusammenfassung, die in den Daten nie vorkam (HR Dive, 2026).
Sprachliche Souveränität ist keine Kalibrierung. An der Präsentationsebene verschlechtert sich nichts, wenn die Argumentation schlechter wird.
Wo KI-gestützte Personalentscheidungen längst getroffen werden
Legen Sie dieses Fähigkeitsprofil nun neben das tatsächliche Verhalten von Führungskräften.
Resume Builder befragte Ende Juni 2025 1.342 US-Führungskräfte mit direkt unterstellten Mitarbeitenden. Sechzig Prozent nutzen KI-Werkzeuge für Entscheidungen über ihre Leute. Von denen, die das tun: 78 Prozent für Gehaltserhöhungen, 77 Prozent für Beförderungen, 66 Prozent für Stellenabbau und 64 Prozent für Kündigungen (Resume Builder, 2025).
Drei weitere Zahlen aus derselben Befragung umreißen das Governance-Problem präzise.
Mehr als jede fünfte Führungskraft gibt an, häufig die KI die endgültige Entscheidung ohne menschliches Zutun treffen zu lassen. Zwei Drittel der Führungskräfte, die KI zur Mitarbeiterführung einsetzen, haben dafür keinerlei formale Schulung erhalten. Und nur 32 Prozent berichten von einer formalen Schulung zum ethischen Einsatz dieser Werkzeuge (HR Dive, 2025).
Das Risiko ist das Zutrauen, nicht die Nutzung
Mehr als sieben von zehn Führungskräften, die KI zur Führung ihrer Teams einsetzen, äußerten Zuversicht, dass die Technologie faire und unvoreingenommene Entscheidungen über Mitarbeitende trifft (HR Dive, 2025).
Über siebzig Prozent zuversichtlich. Dreiunddreißig Prozent leistungsfähig am interpretativen Ende. Diese Lücke ist das gesamte Risiko, und sie schließt sich nicht durch bessere Modelle — sie schließt sich durch bessere Abgrenzung.
Beachten Sie, was das nicht ist. Es ist kein Argument dafür, dass Führungskräfte leichtsinnig wären oder KI im Performance Management nichts zu suchen hätte. Wer die Themenextraktion aus 400 offenen Umfrageantworten delegiert, entscheidet richtig; das ist die 82-Prozent-Aufgabe, und sie von Hand zu erledigen verschwendet die Woche einer erfahrenen Kraft. Das Problem ist, dass dieselbe Oberfläche, dasselbe Eingabefeld und dieselbe institutionelle Erlaubnis beide Aufgaben abdecken — und nur eine davon sicher ist.
Was gegen eine Überinterpretation spricht
Drei Einschränkungen, klar benannt, denn der Reflex, beide Quellen abzuwerten, ist zum Teil berechtigt.
PYX Labs wird von Perceptyx gefördert, einem Anbieter von Employee-Listening-Technologie. Ein Benchmark, der zu dem Schluss kommt, dass die Deutung von Mitarbeiter-Feedback schwerer ist als es aussieht — und I-O-Expertise erfordert — ist kommerziell bequem für ein Unternehmen, das I-O-Expertise verkauft. Notieren Sie das und wägen Sie es gegen den Umstand ab, dass Methodik, Aufgabenzahl und Bewertungskriterien offengelegt sind und die Ergebnisse vollständig veröffentlicht wurden, einschließlich der Bereiche, in denen die Modelle gut abschnitten.
Resume Builder ist ein Anbieter von Bewerbungsdienstleistungen, und seine Studie ist eine selbstberichtete Online-Befragung. „Sechzig Prozent der Führungskräfte nutzen KI für Personalentscheidungen" misst, was Führungskräfte über ihr Verhalten sagen — in einer Befragung, in der ein Ja nichts kostet. Behandeln Sie die Richtung als belastbar und die Nachkommastellen als weich.
Und PYX-Voice ist ein einzelner Benchmark, vor wenigen Wochen erschienen, noch ohne unabhängige Replikation. Ein einzelner Benchmark ist ein Hinweis, kein Beweis.
Was alle drei Einschränkungen überlebt, ist die Form des Befunds: Die Fähigkeit sinkt, während die interpretative Last steigt, einheitlich über alle Labore hinweg — und die Nutzung ist genau dort am höchsten, wo die interpretative Last ihren Höhepunkt erreicht. Kein kommerzielles Interesse hat diese Umkehrung erzeugt. Es bräuchte ein seltsames Glück, damit die Verzerrung des Sponsors und die der Befragung ausgerechnet in dieselbe Richtung zeigen.
Was das in einem Unternehmen mit 50 bis 500 Mitarbeitenden bedeutet
Im Konzernmaßstab fängt der Prozess dieses Problem auf. Es gibt ein Vergütungskomitee, eine Kalibrierungsrunde, einen HR Business Partner, der dasselbe Feedback unabhängig liest, und eine Rechtsabteilung, die fragen wird, wie eine Kündigungsentscheidung zustande kam.
Bei 200 Leuten gibt es eine Führungskraft, eine Tabelle und eine Frist.
Das ist keine Kritik am Mid-Market — es ist die strukturelle Realität, die diesen Befund hier dringlicher macht als in einem Unternehmen mit 20.000 Beschäftigten. Der Mid-Market hat denselben KI-Zugang, eine dünnere Prüfschicht und deutlich weniger Spielraum für eine Kündigungsschutzklage. Das Werkzeug kam an; der Kalibrierungsprozess, der seine Fehler abfangen würde, nicht.
Es gibt zudem einen kumulativen Effekt, der benannt gehört. Ein Modell, das nuanciertes Feedback unterliest, irrt nicht zufällig. Es bevorzugt systematisch das Lesbare gegenüber dem Bedeutsamen: die klar formulierte Beschwerde gegenüber der vorsichtigen, die eloquente Mitarbeiterin gegenüber der zurückhaltenden, das Thema mit Schlagwort gegenüber dem ohne. Lassen Sie das zwei Beförderungsrunden lang still mitlaufen, und Sie haben keinen Fehler gemacht. Sie haben eine Verzerrung installiert — samt Dokumentationsspur.
Ziehen Sie die Linie in diesem Quartal
Teilen Sie die Arbeit nach Überprüfbarkeit, nicht nach Werkzeug
Die brauchbare Grenze lautet nicht „KI für HR, ja oder nein". Sie lautet: Lässt sich die Ausgabe in unter einer Minute gegen die Quelle prüfen? 300 Kommentare zu Themen clustern — prüfbar, delegieren Sie es. Zwei Kandidaten für einen Beförderungsplatz anhand ihres Feedbacks ordnen — nicht prüfbar, das bleibt beim Menschen. Schreiben Sie diesen Test auf und nehmen Sie ihn in die Leitlinien für Führungskräfte auf, denn derzeit haben zwei Drittel Ihrer Führungskräfte, die diese Werkzeuge nutzen, keinerlei formale Schulung erhalten (Resume Builder, 2025).
Benennen Sie die vier Entscheidungen, die KI nicht abschließen darf
Gehaltserhöhungen, Beförderungen, Stellenabbau, Kündigungen. Verlangen Sie für jede eine dokumentierte menschliche Begründung, die keine KI-Zusammenfassung als Beleg anführt. Das kostet nichts und adressiert unmittelbar jene eine von fünf Führungskräften, die heute das Modell unbeaufsichtigt entscheiden lässt.
Prüfen Sie einen Zyklus rückwärts
Nehmen Sie den letzten Performance- oder Vergütungszyklus. Stellen Sie jeder Führungskraft eine Frage: Wo hat KI das berührt, und was haben Sie geprüft? Sie suchen keine Verstöße. Sie suchen die ehrliche Landkarte dessen, was ohnehin schon passiert — und die reicht in den meisten Mid-Market-Unternehmen, die ich gesehen habe, weiter, als die Führungsebene annimmt.
Eine Entscheidung in diesem Quartal
Nehmen Sie die folgenreichste Personalentscheidung, die Ihre Führungskräfte in den letzten neunzig Tagen getroffen haben, und fragen Sie, ob irgendwo in ihrer Belegkette eine KI-generierte Zusammenfassung stand. Falls ja, stellen Sie die zweite Frage: Hätte irgendjemand allein anhand der Ausgabe erkennen können, ob diese Zusammenfassung vom 82-Prozent-Typ oder vom 33-Prozent-Typ war?
Lautet die Antwort nein, haben Sie kein KI-Problem. Sie haben eine Delegation ohne Perimeter — und die Korrektur ist eine Zeile in einem Richtliniendokument, nicht ein besseres Modell.
Sechs von zehn Führungskräften haben diese Linie bereits überschritten. Fast keiner von ihnen wurde gesagt, wo sie verläuft.
