Ein multinationales Großhandelsunternehmen öffnete Forschenden 20.199 reale Leistungsbeurteilungen und erlaubte, jede Bewertung mit der Frage zu verknüpfen, wer anschließend tatsächlich befördert wurde. Die Geschlechterlücke, auf die die meisten Kalibrierungsrunden ausgelegt sind, erwies sich als real, aber verschwindend klein — Cohens f = 0,02 — und sie verzerrte den Beförderungsschritt überhaupt nicht. Der Befund, der Ihr nächstes Talent Review verändern sollte, steckt in den Varianzkomponenten: Der Anteil der Bewertungsvarianz, der auf die Teilgesellschaft zurückgeht, in der eine Person saß, betrug 0,040 für Leistung und 0,136 für Entwicklungspotenzial (Kordsmeyer et al., International Journal of Selection and Assessment, 2026).
Ihre Leistungsachse misst überwiegend die Person. Die Potenzialbewertung Ihrer 9-Box misst die Person und die Einheit — und sie lädt mehr als dreifach stärker auf die Einheit.
Diese Asymmetrie ist keine Fußnote zur Fairness. Sie ist ein Messfehler, der genau in der Achse sitzt, mit der Sie Nachfolgelisten bauen, und sie bleibt für jedes Audit unsichtbar, das Beförderungsergebnisse statt der Bewertungseingaben prüft.
Was 20.199 Beurteilungen tatsächlich zeigten
Kordsmeyer, Godehardt, Roß, Lanzoni und Speer analysierten Beurteilungs- und Beförderungsdaten von 20.199 Beschäftigten eines einzigen multinationalen Großhandelsarbeitgebers. Das Design ist entscheidend: Es sind reale Bewertungen aus einem im Einsatz befindlichen Instrument, verknüpft mit realen Beförderungsentscheidungen — keine Vignette und keine Selbstauskunft. Geprüft wurden beide Hälften der Standardbeurteilung — Leistung und Entwicklungspotenzial — plus Moderatoren, und anschließend wurden die Bewertungen bis zu denen weiterverfolgt, die sich tatsächlich bewegten.
Die Ergebnisse teilen sich klar in eine beruhigende und eine unangenehme Hälfte.
| Was geprüft wurde | Ergebnis |
|---|---|
| Geschlechterunterschied bei Leistungsbewertungen | Signifikant, männerbegünstigend, f = 0,02 (sehr klein) |
| Geschlechterunterschied bei Entwicklungspotenzialbewertungen | Signifikant, männerbegünstigend, f = 0,02 (sehr klein) |
| Umsetzung von Bewertungen in Beförderungen | Geschlechtereffekt vernachlässigbar — χ²(1, N = 10.772) = 0,34, p = 0,56, φ = −0,006 |
| Differenzielle Vorhersage (prädiktive Verzerrung) | Keine bedeutsame — unsignierte βs < 0,14, ps > 0,059 |
| Einheitenvarianz (Teilgesellschaft), Leistung | 0,040 |
| Einheitenvarianz (Teilgesellschaft), Entwicklungspotenzial | 0,136 |
Die beruhigende Hälfte: Sobald eine Bewertung existierte, setzte sie sich für Männer und Frauen gleichwertig in eine Beförderung um. Gruppenunterschiede bei Beförderungen erklärten sich weitgehend aus den Bewertungen selbst, nicht aus einer darübergelegten verzerrten Beförderungsentscheidung. Wenn Ihr Fairness-Review den Beförderungsschritt prüft, sagt diese Studie: Sie prüfen den sauberen Teil der Kette.
Die unangenehme Hälfte sind die letzten beiden Zeilen — und fast niemand liest eine 9-Box auf diese Weise.
Die Fairness-Geschichte, die alle erwarteten, und die, die zählt
Zwei weitere Details schärfen, wo der kleine Geschlechtereffekt tatsächlich liegt. Die Unterschiede wurden durch die Geschlechterzusammensetzung der Abteilung und teilweise durch das Geschlecht der Führungskraft moderiert — letzteres speziell beim Entwicklungspotenzial. Anders gesagt: Die Lücke ist im Unternehmen nicht gleichmäßig verteilt, sie konzentriert sich in Abteilungen mit schiefer Zusammensetzung. Das ist eine Zielanweisung für die Kalibrierungszeit, kein unternehmensweites Problem.
Halten Sie aber beide Befunde nebeneinander. Der Geschlechtereffekt auf Potenzialbewertungen ist f = 0,02. Der Einheiteneffekt auf Potenzialbewertungen ist 0,136 Varianz. Sie haben einen Governance-Prozess um das kleinere der beiden Signale gebaut.
Das ist der Fehlertyp, der jahrelang überlebt, weil er prozessual unsichtbar ist. Eine Kalibrierungsrunde, die die Geschlechterverteilung der High-Potential-Markierungen prüft, wird bestehen. Dieselbe Runde wird nie fragen, ob „hohes Potenzial" in der Logistik dasselbe bedeutet wie im Vertrieb — weil niemand die Varianzkomponenten in den Raum gebracht hat.
Warum die 9-Box-Potenzialbewertung strukturell verrauschter ist
Der Grund ist nicht, dass Führungskräfte auf einer Achse nachlässig und auf der anderen gründlich wären. Es ist, dass die beiden Achsen grundlegend verschiedene Fragen stellen.
Leistung fragt nach beobachteter, abgeschlossener, weitgehend dokumentierter Arbeit. Die Führungskraft fasst eine Aktenlage zusammen. Zwei Führungskräfte in verschiedenen Einheiten, die vergleichbare Aktenlagen zusammenfassen, landen in etwa am gleichen Punkt — deshalb ist der Einheitenterm klein: 0,040.
Entwicklungspotenzial verlangt von einer Führungskraft eine Prognose. Und eine Prognose braucht eine Referenzklasse. „In 12–24 Monaten bereit" heißt implizit „bereit relativ dazu, wie diese Rolle hier aussieht, in welchem Tempo diese Einheit arbeitet, gemessen an den Menschen, die ich das hier tun gesehen habe". Wechseln Sie die Einheit, und Sie wechseln alle drei Anker, ohne die Person zu wechseln. Die 0,136 sind, wie das aussieht, wenn man es zerlegt.
Daraus folgt das praktische Versagen. Jede Nachfolgeliste, die Potenzialbewertungen über Einheiten hinweg zusammenführt, vergleicht Urteile, die auf unterschiedlichen Skalen kalibriert wurden, und rangiert sie dann, als wäre es eine Skala. Die Person, die in einer langsamen Einheit „jetzt bereit" ist, und die, die in einer fordernden „12–24 Monate entfernt" ist, können identisch sein. Ihr Bench-Strength-Report kann das nicht erkennen.
Potenzialbewertungen messen außerdem das falsche Kriterium
Es gibt ein zweites, unabhängiges Problem der Potenzialachse, und es verstärkt das erste.
Eine Facetten-Metaanalyse über 203 Datensätze und 4.815 Korrelationen trennte zwei Ergebnisgrößen, die Organisationen routinemäßig vermischen: Führungseffektivität (Effektivitätsbewertungen und Einheitenleistung) und Führungsemergenz — ein Kriterium, das Potenzialbewertungen für Führung ausdrücklich einschließt (Baker et al., Journal of Applied Psychology, 2026). Die Persönlichkeitsfacetten, die beide vorhersagen, sind nahezu entgegengesetzt.
Effektivität wurde vorhergesagt durch Leistungsmotivation (ρ = 0,23), Ordnung (ρ = 0,23), Selbstdisziplin (ρ = 0,23) und Optimismus (ρ = 0,19). Emergenz wurde vorhergesagt durch Durchsetzungsstärke (ρ = 0,21) — die stärkste Extraversionsfacette. Leistungsmotivation, die Effektivität mit 0,23 vorhersagt, sagt Emergenz mit 0,01 vorher. Altruismus läuft in entgegengesetzte Richtungen: +0,16 auf Effektivität, −0,12 auf Emergenz.
Lesen Sie das gegen die 9-Box. Die Potenzialachse ist eine Potenzialbewertung, also ein Emergenzurteil. Die Merkmale, die jemanden in den Augen einer Führungskraft beförderungsfähig erscheinen lassen, sind nach dieser Evidenz nicht die Merkmale, die ihn nach der Beförderung effektiv machen — und in mindestens einem Fall schadet das Merkmal, das danach am meisten hilft, aktiv der Bewertung davor.
Die Potenzialachse trägt also eine Einheitenkontamination obendrauf auf ein Kriteriumsproblem. Der Einheiteneffekt sagt Ihnen, dass die Zahl über die Geschäftsbereiche hinweg nicht vergleichbar ist. Die Metaanalyse sagt Ihnen, dass das, womit sie vergleichbar ist, möglicherweise nicht das ist, was Sie wollen.
Das Gegenargument, und wo es trägt
Die Grenzen, ehrlich benannt. Kordsmeyer ist ein einziger multinationaler Großhandelsarbeitgeber mit einem einzigen Beurteilungsinstrument; Varianzkomponenten sind Eigenschaften eines bestimmten Unternehmens und eines bestimmten Bewertungsformulars, keine Konstanten, die Sie als Ihre zitieren können. Die Studie hat außerdem kein kausales Design: Sie zerlegt Varianz, sie beweist nicht, dass Führungskräfte verschiedener Einheiten verschiedene Standards anlegen, statt dass in verschiedenen Einheiten tatsächlich verschiedene Talentverteilungen sitzen. Ein Teil dieser 0,136 ist wahrscheinlich echte Sortierung.
Zwei Dinge halten. Erstens liegt die Lücke zwischen 0,040 und 0,136 in denselben Daten, demselben Unternehmen, bei denselben Bewertenden, im selben Zyklus — was sie erklärt, muss erklären, warum sie für die Prognose und nicht für die Aktenlage gilt. Echte Sortierung würde beide bewegen. Zweitens wird die Richtung durch eine Literatur mit saubererer Identifikation gestützt, siehe unten. Behandeln Sie 0,136 als Anstoß, Ihre eigene Zerlegung zu messen, nicht als Ihre Zahl.
Kontext verschiebt Beförderungsurteile selbst bei konstanter Leistung
Die stärkste externe Gegenprobe kommt aus einem Design, das fixiert, was Kordsmeyer nicht fixieren konnte. In einem britischen paarweisen Conjoint-Experiment mit erzwungener Wahl bewerteten 937 Führungskräfte Profile, in denen die Leistungsbewertung ausdrücklich konstant gehalten wurde und allein die Arbeitsform variierte (Kasperska, Matysiak & Cukrowska-Torzewska, PLOS ONE, 2024).
Hybrid Arbeitende erhielten einen Abschlag von 7,7 % bei der Beförderung und 7,1 % bei der Gehaltserhöhung. Vollständig remote Arbeitende erhielten 10,7 % bei der Beförderung, 9,4 % beim Gehalt und 6,6 % bei der Auswahl für Weiterbildung. Die Leistung war konstruktionsbedingt identisch. Der Abschlag ist vollständig ein Urteil über den Kontext, in dem die Person arbeitet.
Die nützlichste Zahl dieser Studie ist die, die den Effekt aufhebt: Wo 80 % oder mehr des Teams von zu Hause arbeiteten, verschwand der Abschlag für jede Gruppe. Das Urteil betraf nie das Individuum. Es betraf, wie weit das Individuum von der lokalen Norm entfernt saß — genau der Mechanismus, der in einer Varianzzerlegung einen großen Einheitenterm erzeugen würde.
Das sind zwei unabhängige Literaturen, die auf dasselbe zeigen. Vorwärtsgerichtete Urteile über Menschen absorbieren die Eigenschaften der Einheit, in der diese Menschen sitzen. Rückwärtsgerichtete Leistungsurteile absorbieren weit weniger.
Was es kostet, auf der kontaminierten Achse zu handeln
Die teure Folge ist keine unfaire Bewertung. Es ist eine Einstellungsentscheidung.
Eine Nachfolgebank, die dünn aussieht — weil die Hälfte Ihrer Einheiten Potenzial konservativ bewertet — treibt ein Unternehmen auf den externen Markt. Der externe Markt verlangt genau dafür einen Aufpreis: Matthew Bidwells Analyse fand, dass extern Eingestellte in vergleichbaren Rollen 18–20 % mehr verdienen als intern Befördertete, für rund zwei Jahre signifikant niedrigere Leistungsbeurteilungen erhalten und häufiger ausscheiden (Knowledge at Wharton zu Bidwell, Administrative Science Quarterly, 2011).
Dieser Aufpreis ist der Preis einer Informationslücke. Die Ironie: Sie haben die Information bereits — sie steckt in Ihren Beurteilungsdaten — aber die Potenzialachse hat sie auf inkonsistenten Skalen codiert, sodass die Bank leer aussieht, während sie bloß unlesbar ist. Und dann zahlen Sie 18–20 %, um von außen ein unsichereres Signal zu kaufen.
Was Sie vor dem nächsten Talent Review ändern sollten
Fünf Schritte, von denen keiner ein neues Beurteilungsinstrument erfordert.
- Zerlegen Sie Ihre beiden Achsen, bevor der nächste Zyklus schließt. Berechnen Sie die Varianz nach Einheit für Leistung und für Potenzial getrennt. Sie brauchen zwei Zahlen, und die Lücke zwischen ihnen ist die Diagnose. Trägt Potenzial deutlich mehr Einheitenvarianz als Leistung, ist Ihre Nachfolgeliste in dieser Form nicht rangierbar.
- Kalibrieren Sie die Potenzialachse zwischen den Einheiten, nicht innerhalb. Die meisten Kalibrierungsrunden versammeln eine Einheit und normalisieren intern — das korrigiert die interne Verteilung und erhält den Versatz zwischen Einheiten exakt. Einheitenübergreifende Kalibrierung auf der Potenzialachse ist die einzige Runde, die die 0,136 berührt.
- Definieren Sie Readiness gegen die Zielrolle, nicht gegen die aktuelle Einheit. „In 12–24 Monaten bereit" muss bereit für eine benannte Position mit benannten Anforderungen heißen. Readiness an die Zielposition zu binden, entfernt die lokale Referenzklasse, die den Einheiteneffekt überhaupt erst erzeugt.
- Ersetzen Sie das Potenzialnarrativ durch Kompetenzbelege. Die Achse driftet, weil Führungskräfte aus dem Eindruck heraus prognostizieren. Messung pro Kompetenz und pro Zyklus gegen ein gemeinsames Rahmenwerk gibt jeder Einheit dieselbe Skala, und einheitenübergreifende Kalibrierung wird zur Verteilungsprüfung statt zur Debatte. Das ist der Input, aus dem Scovais Performance- und Nachfolge-Layer die 9-Box berechnet — deterministische Messung pro Kompetenz gegen ein gemeinsames Rahmenwerk, mit Verteilungsflags für die Kalibrierungsrunde.
- Prüfen Sie den Input, nicht nur das Ergebnis. Diese Studie fand einen sauberen Beförderungsschritt und einen kontaminierten Bewertungsschritt. Ein Audit, das Beförderungsergebnisse demografisch stichprobt, hätte bei beiden Entwarnung gegeben. Nehmen Sie die Varianz in der Bewertungsphase in das auf, was Ihre People-Analytics-Funktion prüft.
Beachten Sie, was Punkt 5 speziell für die Fairness-Arbeit bedeutet. Der Geschlechtereffekt war hier f = 0,02 und pflanzte sich nicht in Beförderungen fort. Die Kalibrierungsstunde darauf zu verwenden, während der Einheiteneffekt auf derselben Achse bei 0,136 liegt, heißt, gute Absichten auf die kleinere Zahl zu richten.
Eine Entscheidung für dieses Quartal
Sie entscheiden nicht, ob Sie die 9-Box behalten. Sie ist ein vernünftiges Instrument, und die Leistungsachse hat sich in dieser Studie gut verhalten. Sie entscheiden, ob Sie ihre beiden Achsen weiter als gleich vertrauenswürdig behandeln, während die Daten aus 20.199 Beurteilungen sagen, dass eine von ihnen mehr als das Dreifache des Einheitenrauschens der anderen trägt.
Bevor Ihr nächstes Talent Review zusammentritt, führen Sie die Varianzzerlegung auf Ihren eigenen Potenzialbewertungen durch und bringen Sie eine Zahl in den Raum: Wie viel von „hohem Potenzial" erklärt sich daraus, in welcher Einheit die Führungskraft sitzt, an die die Person berichtet. Ist sie groß, haben Sie noch keine Nachfolgeliste. Sie haben zwölf, in verschiedenen Währungen, zusammengeheftet.