Kurz gesagt
Ein Kalibrierungs-Tool für Beratungen sollte zwei Dinge können: die Kalibrierungsrunde mit Verteilung, 9-Box und protokollierten Änderungen unterstützen und Milde und Strenge einzelner Projektleitungen statistisch schätzen, mit Unsicherheit, als Vorschlag, über den die Runde entscheidet. Die Rundenansicht dokumentieren viele Anbieter, etwa Leapsome, Lattice oder Workday, teils mit KI-Hinweisen auf auffällige Ratings. Eine statistische Korrektur der Beurteilenden dokumentieren Incompass und ValueScore von LEADBeyond.
Das Wichtigste
- Kalibrierung hat zwei Formen: die gemeinsame Runde der Führungskräfte und die statistische Schätzung, wie mild oder streng jede beurteilende Person ist.
- In Beratungen bewerten mehrere Projektleitungen dieselbe Person; in 360°-Daten erklärte der Maßstab der Beurteilenden mehr Varianz als die Leistung.
- Ein gutes Tool zeigt Beurteilereffekte mit Unsicherheit, macht Vorschläge statt automatischer Änderungen und protokolliert jede Anpassung mit Grund.
- Statistik braucht Überschneidungen: Projektleitungen müssen Personen beurteilen, die auch andere beurteilen.
- Die meisten Anbieter dokumentieren eine Rundenansicht mit 9-Box oder Verteilung; Incompass und ValueScore dokumentieren eine statistische Korrektur.
- Kriterien und Verfahren brauchen in Deutschland die Zustimmung des Betriebsrats; entscheiden sollten nach unserer Empfehlung Menschen.
Zwei Arten von Kalibrierung
Wer ein Kalibrierungs-Tool sucht, meint meist eines von zwei Dingen. Das eine unterstützt die Kalibrierungsrunde: Führungskräfte sehen die Verteilung der Ratings, schieben Personen in einer 9-Box und halten Änderungen fest. Das andere rechnet: Es schätzt aus den Daten, wie mild oder streng jede beurteilende Person bewertet, und schlägt eine Korrektur vor. Für Beratungen braucht es beides, denn die Runde sieht Zusammenhänge, die keine Statistik kennt, und die Statistik sieht Muster, die in der Runde untergehen.
Definition
Kalibrierungs-Tool Software, die Leistungsbeurteilungen mehrerer Beurteilender vergleichbar macht: durch eine gemeinsame Ansicht für die Kalibrierungsrunde, durch eine statistische Schätzung und Korrektur von Beurteilereffekten wie Milde und Strenge, oder durch beides. Sie bereitet Entscheidungen über Final Rating, Beförderung und Bonus vor.
| Rundenunterstützung | Statistische Kalibrierung | |
|---|---|---|
| Was sie tut | Zeigt Verteilung, 9-Box oder Matrix; Menschen verschieben Ratings | Schätzt je beurteilender Person, wie weit sie über oder unter den anderen liegt |
| Grundlage | Urteil und Belege der Führungskräfte in der Runde | Überschneidungen: dieselben Personen, von mehreren beurteilt |
| Stärke | Kontext, etwa unterschiedliche Aufgaben in Projekten | Erkennt Maßstabsunterschiede, die niemand ausspricht |
| Grenze | Wer am lautesten argumentiert, setzt sich leicht durch | Braucht genug Überschneidung; Ergebnis ist eine Schätzung mit Unsicherheit |
Was in Beratungen anders ist
In einer Beratung beurteilen jedes Jahr mehrere Projektleitungen dieselbe Person. Jede benutzt die Skala auf ihre eigene Weise: In zwei großen Stichproben von 360°-Bewertungen für Entwicklungszwecke erklärte dieser idiosynkratische Beurteilereffekt 62 % und 53 % der Varianz, die tatsächliche Leistung nur 21 % und 25 % (Scullen, Mount und Goff, 2000). Ob jemand bei einer milden oder einer strengen Projektleitung gearbeitet hat, kann das Ergebnis also stärker bewegen als die eigene Arbeit.
Die Runde allein löst das nicht vollständig. In einer großen Organisation passten Kalibrierungskomitees 25 % der Ratings an und dämpften Milde, verstärkten aber die Tendenz zur Mitte (Demeré, Sedatole und Woods, 2019). Ein Tool sollte deshalb nicht nur die Verteilung zeigen, sondern auch, welche Beurteilende systematisch abweichen.
Sieben Anforderungen an ein Kalibrierungs-Tool
Die folgende Liste leiten wir aus der Forschung zu Beurteilungsfehlern und aus der Mitbestimmung ab (LEADBeyond-Praxisempfehlung, kein Messinstrument).
- Rohdaten je Beurteilendem und Projekt. Das Tool kennt, wer wen in welchem Projekt wie bewertet hat, nicht nur den Mittelwert.
- Beurteilereffekte schätzen, nicht nur Verteilungen zeigen. Eine Verteilung zeigt, dass ein Team hoch liegt; ob das an Leistung oder an Milde liegt, zeigt erst ein Vergleich über gemeinsame Beurteilte.
- Unsicherheit zeigen. Jeder geschätzte Effekt kommt mit einem Intervall. Bei wenigen gemeinsamen Personen ist es breit, und das muss sichtbar sein.
- Überschneidungen prüfen. Das Tool meldet, welche Beurteilende sich nicht mit anderen überschneiden und deshalb nicht korrigiert werden können.
- Vorschlag statt Automatik. Korrekturen sind Vorschläge für die Runde; Menschen entscheiden und können begründet abweichen.
- Jede Änderung protokollieren. Wer hat was wann mit welchem Grund geändert, nachvollziehbar für Beurteilte, Betriebsrat und Prüfung.
- Feste Übergabe an Rating, Beförderung und Bonus. Aus dem kalibrierten Score folgt das Ergebnis nach einer vorab veröffentlichten Regel (Vom Rating zum Bonus).
Was Anbieter dokumentieren
Nur Angaben von den Anbieterseiten (abgerufen am 19. Oktober 2026), ohne Preise und ohne Rangfolge. „Nicht dokumentiert“ heißt nicht „nicht möglich“, sondern: nachfragen. ValueScore ist unser eigenes Produkt; es steht in derselben Tabelle wie alle anderen.
| Anbieter | Ansicht für die Runde | Hinweise auf Beurteilende | Statistische Korrektur von Milde und Strenge |
|---|---|---|---|
| Leapsome | Heatmap, Verteilung und Box-Ansicht; Änderungen protokolliert | KI-Vorbereitung markiert Inkonsistenzen wie Milde, ändert kein Rating | Nicht dokumentiert |
| Lattice | Anpassung per Tabelle oder 9-Box | KI-„Calibration Signals“: möglicherweise über- oder unterbewertete Beschäftigte | Nicht dokumentiert |
| Workday | Verteilung auf eine Ratingskala, Drag-and-drop in Boxen, Zielanteile | Nicht dokumentiert | Nicht dokumentiert |
| Personio | Verteilung der Ratings und 9-Box, laut Hilfe nützlich in Kalibrierungen | Nicht dokumentiert | Nicht dokumentiert |
| Betterworks | Matrix von 3 bis 25 Boxen, Änderungen in der Tabelle | Nicht dokumentiert | Nicht dokumentiert |
| 15Five | 9-Box-Talentmatrix, Verteilung je Führungskraft | Nicht dokumentiert | Nicht dokumentiert |
| Zensai Perform & Engage 365 | 9-Box für Talent- und Nachfolgeplanung; keine Kalibrierungsfunktion dokumentiert | Nicht dokumentiert | Nicht dokumentiert |
| Confirm Perform | Team-Dashboard, Admins passen finale Ratings an | Regeln und KI markieren auffällige Ratings | Nicht dokumentiert |
| Incompass | 9-Box und Perzentil-Verteilung | Modell je Beurteilendem: Milde, Strenge, Expertise | Ja: normalisiert die Ergebnisse; Modell nicht veröffentlicht |
| ValueScore (LEADBeyond) | Kalibrierungsrunde auf einer Seite, Matrix aus Stufe und Rating | Beurteilereffekte mit 95 %-Konfidenzintervall | Ja: Milde und Strenge werden statistisch erkannt und herausgerechnet |
Zwei Beobachtungen. Erstens markieren mehrere Anbieter Auffälligkeiten per KI oder Regel, lassen die Änderung aber bei Menschen; Leapsome schreibt ausdrücklich, die KI ändere nie selbst ein Rating. Zweitens beschreiben nur Incompass und ValueScore ein Modell der Beurteilenden. Incompass spricht Beratungen als Partner an, die es bei ihren Kunden einsetzen; ValueScore ist für Leistungsbeurteilungen in Beratungen und Professional-Services-Firmen gebaut. 360°- und Befragungswerkzeuge wie Honestly oder Crews & Captains dokumentieren keine Kalibrierung; Honestly schützt die Anonymität über automatisch geprüfte Mindestgruppengrößen. Einen breiteren Vergleich mit Vergütung und Bonus gibt Software für Leistungsbeurteilung in Beratungen.
Wie eine statistische Kalibrierung arbeitet
Das Prinzip ist einfach: Jede Bewertung setzt sich aus der Leistung der Person, dem Maßstab der beurteilenden Person und Zufall zusammen. Bewerten mehrere Beurteilende dieselben Personen, lässt sich der Maßstab schätzen und herausrechnen, etwa mit Kleinste-Quadrate-Modellen (Raymond und Viswesvaran, 1993) oder Rasch-Modellen, die je Person auch Tendenz zur Mitte, Zufälligkeit und Halo erkennen (Myford und Wolfe, 2003).
Betriebsrat und Datenschutz
- Beurteilungsgrundsätze. Die Aufstellung allgemeiner Beurteilungsgrundsätze bedarf der Zustimmung des Betriebsrats (§ 94 Abs. 2 BetrVG); das Bundesarbeitsgericht erstreckt das auf die Ausgestaltung des Beurteilungsverfahrens (BAG, 1 ABR 48/13). Kriterien und Anker gehören deshalb in dieses Gespräch. Dass auch die Regeln der Kalibrierung dazugehören, ist unsere Lesart, keine Gerichtsentscheidung.
- Software. Software, die objektiv geeignet ist, Leistung zu überwachen, kann unter § 87 Abs. 1 Nr. 6 BetrVG fallen (BAG, 1 ABR 7/15).
- Statistik und Entscheidung. Nach Erwägungsgrund 71 der DSGVO sollte der Verantwortliche „geeignete mathematische oder statistische Verfahren für das Profiling“ verwenden; Art. 22 gibt das Recht, keiner ausschließlich automatisierten Entscheidung mit rechtlicher oder ähnlich erheblicher Wirkung unterworfen zu werden. Wir empfehlen: Das Tool schlägt vor, Menschen entscheiden.
ValueScore für die Kalibrierung
ValueScore ist die Beurteilungsplattform von LEADBeyond für Beratungen und Professional-Services-Firmen: jede Beurteilung, jedes Projekt, jeder Beurteiler auf einer Skala. Milde und Strenge werden statistisch erkannt, mit 95 %-Konfidenzintervall gezeigt und herausgerechnet. Die Kalibrierungsrunde passt auf eine Seite, als Matrix aus Stufe und Rating, und Final Rating, Beförderung und Bonus werden aus normalisierten Scores abgeleitet. Wir empfehlen, jede Korrektur als Vorschlag zu behandeln, über den die Runde entscheidet.
Häufige Fragen
Was ist ein Kalibrierungs-Tool?
Software, die Leistungsbeurteilungen mehrerer Beurteilender vergleichbar macht. Sie unterstützt die Kalibrierungsrunde mit Verteilung, 9-Box und protokollierten Änderungen, schätzt im besten Fall auch Milde und Strenge einzelner Beurteilender statistisch und bereitet so Entscheidungen über Final Rating, Beförderung und Bonus vor.
Welche Tools gibt es für die Kalibrierung von Feedback und Beurteilungen in Beratungen?
Eine Rundenansicht mit Verteilung oder 9-Box dokumentieren unter anderem Leapsome, Lattice, Workday, Betterworks und 15Five; Personio zeigt Verteilung und 9-Box, laut Hilfe nützlich in Kalibrierungen. Leapsome, Lattice und Confirm ergänzen KI- oder Regelhinweise. Eine statistische Korrektur von Milde und Strenge dokumentieren Incompass und ValueScore, unser eigenes Produkt. Angaben laut Anbieterseiten, Stand 19. Oktober 2026.
Was ist der Unterschied zwischen 9-Box und statistischer Kalibrierung?
Die 9-Box ordnet Personen nach Leistung und Potenzial und hilft der Runde beim Abgleich; die Werte darin stammen aber unverändert von den Beurteilenden. Statistische Kalibrierung schätzt, wie mild oder streng jede beurteilende Person ist, und rechnet das vor der Runde heraus. Beides ergänzt sich.
Ab wie vielen Beurteilungen lässt sich Milde oder Strenge schätzen?
Eine feste Zahl gibt es nicht. Entscheidend ist die Überschneidung: Wie viele Personen eine Projektleitung beurteilt hat, die auch andere beurteilt haben. Bei wenigen gemeinsamen Personen ist die Schätzung unsicher. Ein gutes Tool zeigt deshalb ein Intervall und meldet, wen es nicht korrigieren kann.
Braucht man noch eine Kalibrierungsrunde, wenn ein Tool statistisch korrigiert?
Ja. Die Statistik sieht nicht, ob eine Projektleitung strenger bewertet oder schwierigere Projekte betreut hat. Die Runde prüft solche Gründe, entscheidet über jede Korrektur und dokumentiert Abweichungen. Unsere Empfehlung: Statistik vor der Runde, Entscheidung in der Runde.
Darf ein Kalibrierungs-Tool Ratings automatisch ändern?
Art. 22 DSGVO gibt das Recht, keiner ausschließlich automatisierten Entscheidung mit rechtlicher oder ähnlich erheblicher Wirkung unterworfen zu werden. Wir empfehlen, dass das Tool Korrekturen vorschlägt und Menschen entscheiden. Leapsome etwa schreibt, seine KI ändere nie selbst ein Rating. Keine Rechtsberatung.
Muss der Betriebsrat einem Kalibrierungs-Tool zustimmen?
Das ist zu prüfen. Allgemeine Beurteilungsgrundsätze bedürfen nach § 94 Abs. 2 BetrVG der Zustimmung des Betriebsrats, und das Bundesarbeitsgericht erstreckt das auf die Ausgestaltung des Beurteilungsverfahrens. Nach unserer Lesart liegt nahe, dass die Regeln der Kalibrierung dazugehören (keine Gerichtsentscheidung). Software, die objektiv zur Überwachung von Leistung geeignet ist, kann unter § 87 Abs. 1 Nr. 6 BetrVG fallen. Binden Sie den Betriebsrat früh ein. Keine Rechtsberatung.
Wird 360°-Feedback kalibriert?
Wir empfehlen, zwei Zwecke zu trennen. 360°-Feedback für die Entwicklung lebt von Anonymität und Gespräch; dort schützen Mindestgruppengrößen die Feedbackgebenden. Kalibriert werden Beurteilungen, aus denen Rating, Beförderung oder Bonus folgen, etwa die Projektbeurteilungen einer Beratung.
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.
- 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). Peer-reviewte Feldstudie mit internen Daten einer großen multinationalen Organisation. Zitiert (laut Abstract) für die Anpassungsquote von 25 %, weniger Milde und mehr Tendenz zur Mitte. Eine Organisation, Übertragbarkeit offen.
- 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.
- Running a calibration meeting – Leapsome Help Center, Leapsome GmbH (2026). Anbieterseite, abgerufen am 19. Oktober 2026: Kalibrierung über Heatmap, Verteilung und Box-Ansicht; Änderungen werden protokolliert; die beurteilte Person sieht nur den kalibrierten Score.
- Performance Reviews – Leapsome, Leapsome GmbH (2026). Anbieterseite, abgerufen am 19. Oktober 2026: Projektbezogene Reviews; KI-Vorbereitung markiert Inkonsistenzen wie Milde, ändert ein Rating aber nie selbst.
- Calibrate ratings in a talent review – Lattice Help Center, Lattice (2026). Anbieterseite, abgerufen am 19. Oktober 2026: Anpassung der Scores per Tabelle oder 9-Box-Ansicht.
- Lattice Fall/Winter 2026 product release, Lattice (2026). Anbieterseite, abgerufen am 19. Oktober 2026: KI-„Calibration Signals“ zeigen Beschäftigte, die im Verhältnis zu ihren Leistungssignalen möglicherweise über- oder unterbewertet sind.
- Overview of cycle metrics – Personio Help Center, Personio SE & Co. KG (2026). Anbieterseite, abgerufen am 19. Oktober 2026: Verteilung der Performance- und Potenzial-Ratings und 9-Box-Matrix, „useful … during calibrations“.
- Talent and Performance Calibration – Workday Administrator Guide, Workday (2026). Anbieterseite, abgerufen am 19. Oktober 2026: Kalibrierung verteilt Beschäftigte auf eine Ratingskala; Drag-and-drop in Boxen, Zielanteile.
- Calibration – Betterworks Support, Betterworks (2026). Anbieterseite, abgerufen am 19. Oktober 2026: Matrix von 3 bis 25 Boxen mit Änderungen in der Tabelle; Antworten zusätzlicher Mitwirkender gehen nicht in die Kalibrierung; Feld für empfohlene Gehaltserhöhung.
- Calibrations in performance reviews overview – 15Five, 15Five (2026). Anbieterseite, abgerufen am 19. Oktober 2026: 9-Box-Talentmatrix aus den Ratings der Führungskräfte; manuelle Anpassung.
- Succession planning software – Zensai, Zensai (2026). Anbieterseite, abgerufen am 19. Oktober 2026: 9-Box-Raster für Leistung und Potenzial in der Nachfolgeplanung; keine Kalibrierungsfunktion beschrieben.
- Calibration: how to manage the team dashboard during cycles – Confirm Support, Confirm (2026). Anbieterseite, abgerufen am 19. Oktober 2026: Regeln markieren auffällige Ratings, Admins passen finale Ratings an.
- Perform – Confirm, Confirm (2026). Anbieterseite, abgerufen am 19. Oktober 2026: KI markiert, wenn Führungskräfte möglicherweise nach Sichtbarkeit statt Leistung bewerten.
- Performance Calibration – Incompass, Incompass Labs, Inc. (2026). Anbieterseite, abgerufen am 19. Oktober 2026: Modelliert Milde, Strenge und Expertise je Beurteilendem und normalisiert die Ergebnisse; 9-Box und Perzentil-Verteilung.
- Partners – Incompass, Incompass Labs, Inc. (2026). Anbieterseite, abgerufen am 19. Oktober 2026: Managementberatungen als Partner, die Incompass bei ihren Kunden einsetzen.
- 360°-Feedback – Honestly, Honestly MT GmbH (2026). Anbieterseite, abgerufen am 19. Oktober 2026: 360°-Feedback mit Selbst- und Fremdbild und automatischer Prüfung von Mindestgruppengrößen.
- 360-Grad-Feedback-Beratung – Crews & Captains, CREWS & CAPTAINS GmbH (2026). Anbieterseite, abgerufen am 19. Oktober 2026: 360°-Feedback mit eigener Software, Managed Service und Ergebnisberichten.
- § 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.
- § 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.
- 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.
- 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. Der Beschluss betrifft Mitarbeitergespräche, keine Kalibrierung; dass deren Regeln dazugehören, ist unsere Lesart. 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. Der Fall betraf eine Facebook-Seite; die Anwendung auf Kalibrierungssoftware ist unsere Einordnung. Keine Rechtsberatung.