Beurteilungsfehler: Milde, Strenge, Halo – und was hilft

Kurz gesagt

Beurteilungsfehler sind systematische Verzerrungen in Leistungsbeurteilungen, die von der beurteilenden Person, ihrem Maßstab oder der Situation ausgehen statt von der Leistung. Bekannt sind Milde, Strenge, Tendenz zur Mitte und Halo-Effekt. Oft am größten ist der idiosynkratische Beurteilereffekt: In zwei großen Stichproben von 360°-Bewertungen für Entwicklungszwecke erklärte er 62 % und 53 % der Varianz. Helfen können ein gemeinsamer Maßstab, Beurteilertraining an Beispielen (Frame-of-Reference-Training), mehrere Beurteilende je Person und eine statistische Korrektur, über die ein Mensch entscheidet.

Das Wichtigste

Beurteilungsfehler entstehen aus Zielen, Anreizen und Beziehungen der Beurteilenden, nicht nur aus der Wahrnehmung; wer nur die Fehlerliste schult, erreicht einen Teil der Ursachen nicht.
In zwei großen Stichproben von 360°-Bewertungen für Entwicklungszwecke erklärte die Eigenart der einzelnen Beurteilenden mehr Varianz als die tatsächliche Leistung.
Beurteilungen, an denen Gehalt oder Beförderung hängen, fallen im Mittel um rund ein Drittel einer Standardabweichung milder aus als solche für Entwicklung oder Forschung.
Verhaltensanker schaffen einen gemeinsamen Maßstab, beseitigen Fehler aber nicht allein; die Belege sprechen vor allem für Frame-of-Reference-Training.
Mehrere Projektleitungen pro Person machen das Urteil meist zuverlässiger, am meisten, wenn sie unabhängig urteilen; einen Fehler, den alle teilen, gleicht das nicht aus.
Statistik kann Milde und Strenge erkennen und herausrechnen, wenn sich Beurteilende bei denselben Personen überschneiden; einen Fehler, den alle teilen, findet sie nicht, und entscheiden sollte ein Mensch.

Was sind Beurteilungsfehler?

Wer Leistung beurteilt, misst nicht wie ein Messgerät, sondern urteilt als Mensch: mit begrenztem Einblick, eigenem Maßstab und eigenen Interessen. Der Zusammenhang zwischen Leistung und Leistungsbeurteilung ist schwach; Murphy erklärt das unter anderem damit und folgert, dass Beurteilende Werkzeuge und Anreize brauchen, um genau zu urteilen (Murphy, 2008). In Beratungen und Professional-Services-Firmen wiegt das schwer, weil Beförderung und Bonus an diesen Urteilen hängen.

Definition

Beurteilungsfehler Systematische Abweichungen einer Leistungsbeurteilung von der tatsächlichen Leistung, die von der beurteilenden Person, ihrem Maßstab, ihren Zielen oder der Situation ausgehen. Sie verzerren vor allem Vergleiche zwischen Personen, die von verschiedenen Führungskräften beurteilt werden.

Wahrnehmung und Gedächtnis. Beurteilende sehen einen Ausschnitt der Arbeit. Nicht nur der Durchschnitt der Leistung prägt das Urteil, sondern auch ihr Verlauf und ihre Schwankungen (Reb und Greguras, 2010).
Ziele und Anreize. Bewertungen für Gehalt oder Beförderung fallen im Mittel um rund ein Drittel einer Standardabweichung milder aus als solche für Entwicklung oder Forschung (Jawahar und Williams, 1997).
Beziehung und Aufwand. Mühsame Informationsbeschaffung und enge Beziehungen zu den Beurteilten verstärken Tendenz zur Mitte und Milde (Bol, 2011).

Bekannte Beurteilungsfehler: von Milde bis Nikolaus-Effekt

Für die Praxis genügen sechs Fehler. Bei jedem lohnt die Frage, wie gut er belegt ist: Nicht alles aus Lehrbüchern wurde am Arbeitsplatz gemessen.

Ein erfundenes Szenario, kein Kundenfall. Sechs bekannte Beurteilungsfehler, je ein Beispiel aus dem Beratungsalltag und wie gut die Fehler belegt sind (Einordnung der Redaktion auf Basis der unten genannten Quellen).
Beurteilungsfehler	Beispiel aus einer Beratung	Was die Forschung zeigt
Mildefehler	Eine Projektleitung gibt fast allen „übertrifft die Erwartungen“, auch für Arbeit, die zweimal nachgebessert werden musste.	Gut belegt, vor allem wenn Gehalt oder Beförderung daran hängen (Jawahar und Williams, 1997).
Strengefehler	Eine Projektleitung vergibt die oberste Stufe nie, auch nicht für die beste Analyse im Team.	Als Merkmal einzelner Beurteilender messbar (Myford und Wolfe, 2003).
Tendenz zur Mitte	Fast alle landen in der mittleren Stufe; wer heraussticht und wer Mühe hat, ist nicht mehr zu erkennen.	Nimmt bei mühsamer Informationslage und engen Beziehungen zu; bremste in einer Studie die spätere Leistungsentwicklung (Bol, 2011).
Halo-Effekt	Eine glänzende Präsentation beim Klienten hebt auch die Bewertung für Teamführung und Analyse.	Existiert, ist aber nicht immer ein Fehler, denn Kriterien können echt zusammenhängen (Murphy, Jako und Anhalt, 1993).
Nikolaus-Effekt (Begriff aus der Praxisliteratur)	Ein starker Endspurt im Dezember überdeckt ein schwaches Frühjahr.	In den hier zitierten Studien am Arbeitsplatz nicht direkt belegt; belegt ist, dass Verlauf und Schwankungen der Leistung das Urteil prägen (Reb und Greguras, 2010).
Ähnlichkeits- und Sympathiefehler	Wer mit der Projektleitung eng zusammenarbeitet oder ihr ähnelt, wird besser bewertet.	Belegt ist nur ein verwandter Befund aus einem Callcenter: In kleineren Teams, die die Autoren als Zeichen engerer sozialer Bindungen deuten, fielen Bewertungen höher aus (Breuer, Nieken und Sliwka, 2013).

Ein Befund widerspricht der üblichen Liste: Milde ist nicht immer schädlich. In den Daten eines Unternehmens, in denen die Tendenz zur Mitte die spätere Leistungsentwicklung bremste, hing Milde positiv mit der künftigen Leistung zusammen; das ist eine Korrelation, kein Beleg für eine Ursache (Bol, 2011). Das Ziel ist deshalb nicht „null Milde“, sondern Vergleichbarkeit.

Oft der größte Effekt: der idiosynkratische Beurteilereffekt

Die Fehlerlisten übersehen einen oft größeren Effekt: Jede Person benutzt die Skala auf ihre eigene Weise. Untersucht wurden zwei große Stichproben von 360°-Bewertungen (2.350 und 2.142 Führungskräfte, je sieben Bewertungen). Dort erklärte dieser idiosynkratische Beurteilereffekt 62 % und 53 % der Varianz, die tatsächliche Leistung nur 21 % und 25 % (Scullen, Mount und Goff, 2000). Ein Rating sagte dort also mehr über die bewertende als über die bewertete Person.

Der Effekt hängt stärker an der einzelnen Person als an ihrer Rolle: Die Methodenvarianz ließ sich in dieser Stichprobe eher der einzelnen beurteilenden Person zuordnen als ihrer Ebene, also Vorgesetzten, Peers oder Mitarbeitenden (Mount et al., 1998). Dazu passt: Die mittlere Interrater-Reliabilität von Vorgesetztenurteilen zur Gesamtleistung lag bei 0,52, Peer-Urteile waren noch weniger zuverlässig (Viswesvaran, Ones und Schmidt, 1996).

Warum mehrere Projektleitungen pro Person zählen – und wo das endet

In Beratungen wird eine Person im Lauf eines Jahres oft von mehreren Projektleitungen beurteilt. Irrt jede auf ihre eigene Weise, gleichen sich die Eigenarten im Mittel teilweise aus, und das Gesamturteil wird zuverlässiger.

Mehr Beurteilende bedeuten aber nicht automatisch weniger Verzerrung. In einem Laborexperiment waren Bewertungen durch Gruppen genauer als durch Einzelne; die Autoren führen das darauf zurück, dass die Gruppe ihre unterschiedlichen Informationen rational zusammenführte (Ockenfels, Sliwka und Werner, 2025). Ob reale Gremien das ebenso tun, zeigt ein Labor nicht. Vier Grenzen sollten Sie kennen:

Verschiedene Arbeit. Eine Projektleitung sieht die Analyse, eine andere die Arbeit beim Klienten; ein Teil ihrer Unterschiede ist echt.
Geteilter Fehler. Mitteln hilft nicht gegen eine Verzerrung, die alle teilen, etwa allgemeine Milde, wenn der Bonus an der Bewertung hängt.
Abhängige Urteile. Wer die Meinung der anderen vorher kennt, irrt nicht mehr unabhängig.
Enge Bindung. In einem Callcenter waren Bewertungen in kleineren Teams nach oben verzerrt; die Autoren deuten Teamgröße als Zeichen engerer sozialer Bindungen (Breuer, Nieken und Sliwka, 2013).

Was hilft und was nicht: Skalen, Training, Kalibrierung, Statistik

Jedes Gegenmittel setzt an einer anderen Ursache an, deshalb zählt die Reihenfolge: zuerst ein gemeinsamer Maßstab, dann ein Training darauf, danach Kalibrierung und Statistik. Wer mit der Statistik beginnt, korrigiert Zahlen, deren Bedeutung niemand geteilt hat.

Fünf Gegenmittel gegen Beurteilungsfehler: was sie leisten und wo sie enden (Einordnung der Redaktion auf Basis der genannten Quellen).
Gegenmittel	Was es leistet	Grenze
Verhaltensverankerte Skalen (BARS)	Beschreiben je Stufe und Kriterium beobachtbares Verhalten: ein gemeinsamer Maßstab und eine Grundlage für Feedback.	Kaum Vorteile gegenüber anderen Formaten bei Milde, Halo, Übereinstimmung und Genauigkeit; die verglichenen Studien hatten methodische Schwächen (Kingstrom und Bass, 1981).
Frame-of-Reference-Training	Beurteilende üben an Beispielen, was jede Stufe bedeutet. Das verbessert die Genauigkeit (Roch et al., 2012) und nähert ihr Leistungsbild dem von Fachleuten an (Gorman und Rentsch, 2009).	In den hier zitierten Studien keine dauerhafte Wirkung im Feld belegt, ebenso wenig geringere Milde bei Gehaltsbezug.
Mehrere Beurteilende je Person	Mittelt individuelle Eigenarten aus, wenn die Urteile unabhängig sind.	Hilft nicht gegen geteilte Fehler; echte Unterschiede der Perspektive bleiben (Hoffman et al., 2010).
Kalibrierungsrunde	Gleicht Maßstäbe ab; in einer Studie dämpften Kalibrierungskomitees die Milde (Demeré, Sedatole und Woods, 2019).	Dieselbe Studie fand eine stärkere Tendenz zur Mitte; siehe Kalibrierungsrunde.
Statistische Korrektur	Erkennt Milde und Strenge je beurteilender Person und rechnet sie heraus (Raymond und Viswesvaran, 1993).	Braucht Beurteilende, die sich überschneiden; findet keinen Fehler, den alle teilen.

Milde und Strenge statistisch erkennen und korrigieren

Bewerten mehrere Personen dieselben Mitarbeitenden, lässt sich schätzen, wie weit jede beurteilende Person über oder unter den anderen liegt, und diese Verschiebung herausrechnen. In der Nachanalyse einer mündlichen medizinischen Prüfung mit 40 Prüfenden und rund 115 Geprüften hätte eine solche Korrektur bei etwa 7 bis 9 % von ihnen das Ergebnis (bestanden oder nicht) geändert, und die Reliabilität stieg (Raymond und Viswesvaran, 1993). Rasch-Modelle erkennen je Person auch Tendenz zur Mitte, Zufälligkeit und Halo (Myford und Wolfe, 2003).

Überschneidung. Beurteilende müssen Personen bewerten, die auch andere bewerten. Wer nur das eigene Team bewertet, ist statistisch nicht von dessen Leistung zu trennen.
Genug Urteile. Wenige Bewertungen ergeben unsichere Schätzungen. Zeigen Sie Effekte mit Konfidenzintervall und sprechen Sie nur über deutliche.
Mitte getrennt prüfen. Tendenz zur Mitte verengt die Streuung, statt das Niveau zu verschieben, und braucht deshalb einen eigenen Blick.
Vorschlag statt Automatik. Die Kalibrierungsrunde prüft jede Korrektur. Manche Unterschiede sind echt, etwa wenn eine Projektleitung nur die schwierigsten Projekte betreut.

Die Befunde stammen zudem aus Prüfungen; die Übertragung auf Leistungsbeurteilungen ist unsere Schlussfolgerung, kein Studienergebnis. Und die Korrektur macht Bewertungen vergleichbarer, nicht objektiv.

Betriebsrat und Datenschutz: was Sie prüfen sollten

Mitbestimmung. Die Aufstellung allgemeiner Beurteilungsgrundsätze bedarf der Zustimmung des Betriebsrats (§ 94 Abs. 2 BetrVG); das Bundesarbeitsgericht erstreckt das auf die Ausgestaltung des Beurteilungsverfahrens (1 ABR 48/13). Maßstäbe und Anker gehören deshalb in das Gespräch mit dem Betriebsrat. Dass auch statistische Korrekturregeln dazuzählen, ist unsere Lesart, keine Entscheidung des Gerichts; besprechen Sie sie dort ebenfalls und lassen Sie das prüfen. Software, die objektiv geeignet ist, Leistung zu überwachen, kann unter § 87 Abs. 1 Nr. 6 BetrVG fallen (1 ABR 7/15). Ein Werkzeug, das milde oder strenge Beurteilende markiert, bewertet auch sie.
Keine rein automatisierte Entscheidung. Die automatisierte Bewertung der Arbeitsleistung ist Profiling (Art. 4 Nr. 4 DSGVO). Art. 22 gibt Betroffenen das Recht, keiner ausschließlich darauf beruhenden Entscheidung mit erheblicher Wirkung unterworfen zu werden. Nach Erwägungsgrund 71 sollte der Verantwortliche „geeignete mathematische oder statistische Verfahren für das Profiling“ verwenden. Praktisch heißt das: Die Korrektur ist ein Vorschlag, über den eine Person entscheidet.

Checkliste für Beratungen und Professional-Services-Firmen

Maßstab zuerst. Beschreiben Sie je Kriterium und Stufe beobachtbares Verhalten, mit Beispielen, die eine 3 von einer 4 unterscheiden. Ein erfundenes Szenario, kein Kundenfall. Für „Problemstrukturierung“ könnte 3 lauten: „gliedert das Problem selbst, braucht Hilfe beim Priorisieren“, und 4: „gliedert und priorisiert selbst und benennt früh, welche Daten fehlen“.
Auf den Maßstab trainieren, nicht auf die Fehlerliste. Lassen Sie Projektleitungen vor dem Zyklus erfundene Fälle bewerten und die Abweichungen besprechen.
Den Zweck offen benennen. Gehaltsbezug begünstigt Milde. Halten Sie Entwicklungsfeedback deshalb getrennt von der Beurteilung, an der Geld hängt.
Unabhängig bewerten. Jede Projektleitung bewertet allein, bevor sie andere Urteile kennt, und notiert die Grundlage: Projekt, Dauer, Rolle.
Zeitnah dokumentieren. Bewerten Sie zum Projektende, nicht erst zum Jahresende.
Daten vor der Runde prüfen. Vergleichen Sie je Projektleitung Mittelwert und Streuung mit Kolleginnen und Kollegen, die dieselben Personen bewertet haben.
Oben und unten kalibrieren. Gehen Sie in der Kalibrierungsrunde beide Ränder der Verteilung durch, denn Kalibrierung kann die Tendenz zur Mitte verstärken.
Nachvollziehbar entscheiden. Ein Mensch entscheidet über jede Korrektur und hält den Grund fest. Wie daraus ein Bonus wird: Bonus aus der Leistungsbeurteilung.

Was ValueScore gegen Beurteilungsfehler tut – und wo Statistik endet

ValueScore von LEADBeyond ist für Leistungsbeurteilungen in Beratungen und Professional-Services-Firmen gebaut. Bewertet wird an konkretem Verhalten, mit Ankern je Stufe und Kriterium und einem Nudge gegen Score-Inflation. Milde und Strenge werden statistisch erkannt und herausgerechnet; Beurteilereffekte werden mit Konfidenzintervall gezeigt. Eine projektübergreifende Ansicht zeigt eine Person so, wie mehrere Projektleitungen sie bewertet haben. Wir empfehlen, jede Korrektur als Vorschlag zu behandeln, über den ein Mensch in der Kalibrierungsrunde entscheidet.

Häufige Fragen

Welche Beurteilungsfehler gibt es?

Bekannt sind vor allem Mildefehler, Strengefehler, Tendenz zur Mitte, Halo-Effekt, Nikolaus-Effekt sowie Ähnlichkeits- und Sympathiefehler. In den hier zitierten 360°-Studien war ein Effekt ohne eingängigen Namen am größten: der idiosynkratische Beurteilereffekt, also die persönliche Art, wie jemand die Skala benutzt.

Was ist der Unterschied zwischen Mildefehler und Strengefehler?

Beim Mildefehler bewertet eine Person durchweg besser, als die Leistung es rechtfertigt, beim Strengefehler durchweg schlechter. Beide verschieben das Niveau aller ihrer Bewertungen. Zum Problem wird das im Vergleich: Wer bei einer strengen Projektleitung gearbeitet hat, steht schlechter da als jemand mit gleicher Leistung bei einer milden.

Was bedeutet Tendenz zur Mitte?

Eine beurteilende Person ordnet fast alle in der Mitte der Skala ein, sodass Unterschiede verschwinden. Das nimmt zu, wenn Informationen mühsam zu beschaffen und Beziehungen eng sind; in einer Studie bremste es die spätere Leistungsentwicklung (Bol, 2011). Helfen kann ein Maßstab, der die Stufen oberhalb und unterhalb der Mitte genau beschreibt.

Was ist der Nikolaus-Effekt?

Der Begriff stammt aus der Praxisliteratur, nicht aus der Forschung: Er beschreibt, dass die letzten Wochen vor dem Beurteilungstermin das Urteil stärker prägen als das übrige Jahr, so wie beim Nikolaus vor allem zählt, wie brav ein Kind in den Tagen davor war. Als eigener Effekt am Arbeitsplatz ist das in den hier zitierten Studien nicht belegt; belegt ist, dass Verlauf und Schwankungen der Leistung das Urteil prägen (Reb und Greguras, 2010). Halten Sie Beobachtungen deshalb zum Ende jedes Projekts fest.

Wie kann man Beurteilungsfehler vermeiden?

Ganz vermeiden lassen sie sich nicht, aber verringern. Legen Sie einen gemeinsamen Maßstab mit Verhaltensankern fest und trainieren Sie die Beurteilenden darauf. Lassen Sie mehrere Projektleitungen unabhängig und zeitnah bewerten und prüfen Sie vor der Kalibrierungsrunde statistisch, wer auffällig mild oder streng bewertet. Über jede Korrektur entscheidet ein Mensch.

Hilft ein Beurteilertraining gegen Beurteilungsfehler?

Es kommt auf die Art an. Gut gestützt ist das Frame-of-Reference-Training: Beurteilende üben an Beispielen, was jede Stufe bedeutet, und bewerten danach genauer (Roch et al., 2012). Für ein Training, das nur die Fehlerliste vermittelt, und für dauerhafte Effekte im Feld liefern die hier zitierten Studien keinen Beleg.

Kann man Beurteilungsfehler statistisch korrigieren?

Teilweise. Bewerten mehrere Personen dieselben Mitarbeitenden, lassen sich Milde und Strenge je beurteilender Person schätzen und herausrechnen, und Tendenz zur Mitte lässt sich erkennen. Einen Fehler, den alle teilen, findet keine Statistik, und manche Unterschiede sind echt. Eine Korrektur bleibt deshalb ein Vorschlag; Art. 22 DSGVO gibt Betroffenen das Recht, keiner ausschließlich automatisierten Entscheidung mit erheblicher Wirkung unterworfen zu werden. Das ist ein allgemeiner Hinweis, keine Rechtsberatung.

Quellen

Scullen, S. E., Mount, M. K., & Goff, M. (2000). Understanding the latent structure of job performance ratings. Journal of Applied Psychology, 85(6), 956–970., American Psychological Association (2000). Peer-reviewte Studie mit zwei großen Stichproben von 360°-Bewertungen (2.350 und 2.142 Führungskräfte, je sieben Bewertungen). Zitiert für die im Abstract genannten Anteile des idiosynkratischen Beurteilereffekts (62 % und 53 %) und der tatsächlichen Leistung (21 % und 25 %) an der Varianz. Die Daten stammen aus Bewertungen für Entwicklungszwecke; sie belegen keine Anteile für Beurteilungen mit Gehaltsbezug oder für Beratungen.
Mount, M. K., Judge, T. A., Scullen, S. E., Sytsma, M. R., & Hezlett, S. A. (1998). Trait, rater and level effects in 360-degree performance ratings. Personnel Psychology, 51(3), 557–576., Wiley (1998). Zitiert für den Befund des Abstracts, dass die Methodenvarianz stärker an der einzelnen beurteilenden Person hängt als an ihrer Ebene (Vorgesetzte, Peers, Mitarbeitende). Keine Anteile außerhalb dieser 360°-Stichprobe übernommen.
Hoffman, B., Lance, C. E., Bynum, B., & Gentry, W. A. (2010). Rater source effects are alive and well after all. Personnel Psychology, 63(1), 119–151., Wiley (2010). Zitiert als Einschränkung: Sauber modelliert erklären die Perspektiven der Beurteilenden deutlich mehr Varianz als zuvor angenommen, nicht jeder Unterschied ist also ein Fehler. Nicht zitiert für die Aussage, Unterschiede zwischen Beurteilenden seien harmlos.
Viswesvaran, C., Ones, D. S., & Schmidt, F. L. (1996). Comparative analysis of the reliability of job performance ratings. Journal of Applied Psychology, 81(5), 557–574., American Psychological Association (1996). Meta-Analyse; zitiert für die mittlere Interrater-Reliabilität von 0,52 bei Vorgesetztenurteilen zur Gesamtleistung und die geringere Reliabilität von Peer-Urteilen. Kein Wert für ein einzelnes Unternehmen; die Deutung ist in der Forschung umstritten. Die Spearman-Brown-Rechnung im Beispiel ist unsere Illustration, kein Ergebnis der Studie.
Murphy, K. R. (2008). Explaining the weak relationship between job performance and ratings of job performance. Industrial and Organizational Psychology, 1(2), 148–160., Cambridge University Press (2008). Fokusartikel; zitiert für den schwachen Zusammenhang zwischen Leistung und Leistungsbeurteilung und dafür, dass Beurteilende Werkzeuge und Anreize für genaue Urteile brauchen. Keine Effektgrößen für Gegenmittel übernommen.
Jawahar, I. M., & Williams, C. R. (1997). Where all the children are above average: The performance appraisal purpose effect. Personnel Psychology, 50(4), 905–925., Wiley (1997). Meta-Analyse über 22 Studien (N = 57.775): Beurteilungen für administrative Zwecke wie Gehalt und Beförderung fielen im Mittel um rund ein Drittel einer Standardabweichung milder aus als solche für Forschung oder Entwicklung. Kein fester Prozentsatz für ein einzelnes Unternehmen.
Kingstrom, P. O., & Bass, A. R. (1981). A critical analysis of studies comparing behaviorally anchored rating scales (BARS) and other rating formats. Personnel Psychology, 34(2), 263–289., Wiley (1981). Zitiert dafür, dass sich verhaltensverankerte Skalen in den verglichenen Studien kaum von anderen Formaten unterschieden (Milde, Halo, Übereinstimmung, Genauigkeit). Nicht zitiert für die Aussage, Anker seien nutzlos; ihr Wert als gemeinsamer Maßstab ist im Artikel aus der Gestaltungslogik begründet.
Roch, S. G., Woehr, D. J., Mishra, V., & Kieszczynska, U. (2012). Rater training revisited: An updated meta-analytic review of frame-of-reference training. Journal of Occupational and Organizational Psychology, 85(2), 370–395., Wiley (British Psychological Society) (2012). Meta-Analyse; zitiert dafür, dass Frame-of-Reference-Training die Beurteilungsgenauigkeit verbessert. Keine Effektgrößen übernommen; kein Beleg dafür, dass es Milde bei Gehaltsbezug senkt.
Gorman, C. A., & Rentsch, J. R. (2009). Evaluating frame-of-reference rater training effectiveness using performance schema accuracy. Journal of Applied Psychology, 94(5), 1336–1344., American Psychological Association (2009). Zitiert dafür, dass das Leistungsbild der Beurteilenden nach Frame-of-Reference-Training näher am Expertenmodell lag und das mit genaueren Bewertungen einherging. Kein Beleg für dauerhafte Wirkung im Feld.
Murphy, K. R., Jako, R. A., & Anhalt, R. L. (1993). Nature and consequences of halo error: A critical analysis. Journal of Applied Psychology, 78(2), 218–225., American Psychological Association (1993). Zitiert dafür, dass Halo nicht einfach ein Fehler ist und die Autoren ein Moratorium für Halo-Kennzahlen fordern. Nicht zitiert für die Aussage, Halo gebe es nicht.
Raymond, M. R., & Viswesvaran, C. (1993). Least squares models to correct for rater effects in performance assessment. Journal of Educational Measurement, 30(3), 253–268., Wiley (National Council on Measurement in Education) (1993). Zitiert für die Korrektur von Milde und Strenge bei überlappenden Beurteilenden und für das Beispiel einer mündlichen medizinischen Prüfung (40 Prüfende, rund 115 Kandidatinnen und Kandidaten, je vier Prüfende), in der die Korrektur in einer Nachanalyse bei etwa 7 bis 9 % das Ergebnis (bestanden oder nicht) geändert hätte. Die Übertragung auf Leistungsbeurteilungen in Unternehmen ist unsere Schlussfolgerung.
Myford, C. M., & Wolfe, E. W. (2003). Detecting and measuring rater effects using many-facet Rasch measurement: Part I. Journal of Applied Measurement, 4(4), 386–422., JAM Press (2003). Methodenbeitrag ohne DOI (Abstract über PubMed); zitiert dafür, dass sich Milde und Strenge, Tendenz zur Mitte, Zufälligkeit und Halo je beurteilender Person erkennen lassen. Teil II erschien 2004 (Journal of Applied Measurement, 5(2), 189–227). Kein Beleg dafür, dass die Daten eines typischen Unternehmens dafür genug Überschneidung haben.
Breuer, K., Nieken, P., & Sliwka, D. (2013). Social ties and subjective performance evaluations: An empirical investigation. Review of Managerial Science, 7(2), 141–157., Springer (2013). Felddaten aus einem Callcenter; zitiert dafür, dass Bewertungen in kleineren Teams nach oben verzerrt waren. Teamgröße dient den Autoren als Näherungsmaß für engere soziale Bindungen. Kein Beleg für einen Ähnlichkeitsfehler nach demografischen Merkmalen.
Bol, J. C. (2011). The determinants and performance effects of managers’ performance evaluation biases. The Accounting Review, 86(5), 1549–1575., American Accounting Association (2011). Zitiert dafür, dass hoher Informationsaufwand und enge Beziehungen Tendenz zur Mitte und Milde verstärken, dass die Tendenz zur Mitte die spätere Leistungsverbesserung bremste und Milde in den Daten dieses Unternehmens positiv mit künftiger Leistung zusammenhing (Korrelation, kein Kausalbeleg). Nicht zitiert für die Aussage, Milde sei immer schädlich.
Ockenfels, A., Sliwka, D., & Werner, P. (2025). Multirater performance evaluations and incentives. Journal of Labor Economics, 43(4), 985–1004., University of Chicago Press (2025). Formales Modell und Laborexperiment, keine Felddaten. Zitiert dafür, dass Bewertungen durch Gruppen im Labor genauer waren als durch Einzelne, was die Autoren auf die Bündelung der Informationen zurückführen. Nicht zitiert für die Aussage, mehr Beurteilende beseitigten Verzerrungen automatisch, und nicht für den Leistungseffekt bei Gehaltsbezug, der für Bewertungen durch drei Beurteilende im Labor nur in den letzten Runden schwach signifikant war.
Reb, J., & Greguras, G. J. (2010). Understanding performance ratings: Dynamic performance, attributions, and rating purpose. Journal of Applied Psychology, 95(1), 213–220., American Psychological Association (2010). Zitiert dafür, dass Verlauf und Schwankungen der Leistung das Urteil prägen, nicht nur ihr Durchschnitt. Kein direkter Beleg für einen Nikolaus- oder Rezenzeffekt am Arbeitsplatz.
Demeré, B. W., Sedatole, K. L., & Woods, A. (2019). The role of calibration committees in subjective performance evaluation systems. Management Science, 65(4), 1562–1585., INFORMS (2019). Daten eines großen multinationalen Unternehmens. Zitiert für den Befund des Abstracts, dass Kalibrierungskomitees Milde dämpften, die Tendenz zur Mitte aber verstärkten. In Pressemitteilungen genannte Stichprobenzahlen sind nicht übernommen.
§ 94 BetrVG – Personalfragebogen, Beurteilungsgrundsätze (Betriebsverfassungsgesetz), gesetze-im-internet.de (Bundesministerium der Justiz) (2026). Amtlicher Gesetzestext, Stand der Recherche 14. Oktober 2026. Zitiert für Abs. 2 (Zustimmung des Betriebsrats zur Aufstellung allgemeiner Beurteilungsgrundsätze). Keine Rechtsberatung.
Bundesarbeitsgericht, Beschluss vom 17. März 2015 – 1 ABR 48/13, Bundesarbeitsgericht (2015). Zitiert für den Leitsatz: Die Mitbestimmung nach § 94 Abs. 2 BetrVG erstreckt sich auf die Ausgestaltung des Beurteilungsverfahrens, einschließlich Mitarbeitergesprächen. Dass statistische Korrekturregeln dazugehören, ist unsere Lesart, keine Entscheidung des Gerichts; keine Rechtsberatung.
§ 87 BetrVG – Mitbestimmungsrechte (Betriebsverfassungsgesetz), gesetze-im-internet.de (Bundesministerium der Justiz) (2026). Amtlicher Gesetzestext, Stand der Recherche 14. Oktober 2026. Zitiert für Abs. 1 Nr. 6 (technische Einrichtungen zur Überwachung von Verhalten oder Leistung). Keine Rechtsberatung.
Bundesarbeitsgericht, Beschluss vom 13. Dezember 2016 – 1 ABR 7/15, Bundesarbeitsgericht (2016). Zitiert für Rn. 22: Zur Überwachung bestimmt sind technische Einrichtungen, die objektiv dazu geeignet sind; auf die Überwachungsabsicht des Arbeitgebers kommt es nicht an. Der Fall betraf die Facebook-Seite eines Arbeitgebers; die Anwendung auf Beurteilungssoftware ist unsere Einordnung.
Verordnung (EU) 2016/679 (Datenschutz-Grundverordnung) – Art. 4 Nr. 4, Art. 22 und Erwägungsgrund 71, EUR-Lex, Amt für Veröffentlichungen der Europäischen Union (2016). Amtlicher Text. Zitiert für die Definition des Profilings (Bewertung der Arbeitsleistung), das Recht, keiner ausschließlich automatisierten Entscheidung mit erheblicher Wirkung unterworfen zu werden, und die in Erwägungsgrund 71 empfohlenen mathematischen oder statistischen Verfahren. Keine Rechtsberatung.