Julia Mayer

•

17 November 2026

Proxy Bias: Wenn Stellvertretermerkmale zur Diskriminierung werden

Definition:

Der Proxy Bias, auch Proxy Diskriminierung genannt, beschreibt eine Verzerrung, bei der scheinbar neutrale Merkmale als indirekte Stellvertreter (Proxys) für geschützte personenbezogene Merkmale wie Geschlecht, Alter oder ethnische Herkunft dienen. Im Recruiting kann dies dazu führen, dass Bewerber*innen systematisch benachteiligt werden, obwohl diese Merkmale nicht ausdrücklich in die Auswahlentscheidung einfließen.

„Wir berücksichtigen weder Alter noch Geschlecht – bei uns zählt nur die Qualifikation!“ Doch reicht es aus, sensible Merkmale einfach aus dem Auswahlprozess auszuschließen? Nicht unbedingt. Denn auch scheinbar neutrale Informationen wie Wohnort, Bildungsweg oder Erwerbsunterbrechungen können Rückschlüsse auf persönliche Eigenschaften ermöglichen, wenn sie tatsächlich mit geschützten Merkmalen zusammenhängen und diese indirekt abbilden. Genau hier zeigt sich der Proxy Bias: Diskriminierende Muster können bestehen bleiben, obwohl geschützte Merkmale gar nicht ausdrücklich berücksichtigt werden.

Wie entsteht der Proxy Bias? Herkunft und statistische Zusammenhänge

Der Begriff „Proxy“ stammt aus der Statistik und bezeichnet eine Stellvertretervariable, die Informationen über eine andere, nicht direkt erfasste Eigenschaft liefert. Der Proxy Bias ist keine klassische psychologische Heuristik, sondern beschreibt ein Problem der Fairness, das insbesondere in der Datenanalyse, bei algorithmischen Entscheidungen und im Zusammenhang mit Diskriminierung untersucht wird.

Eine wichtige Rolle spielen dabei statistische Zusammenhänge zwischen scheinbar neutralen und geschützten Merkmalen. So können beispielsweise bestimmte Wohnorte mit der sozialen Herkunft oder Erwerbsunterbrechungen indirekt mit dem Geschlecht zusammenhängen. Werden solche Informationen bei Auswahlentscheidungen berücksichtigt, können bestehende gesellschaftliche Ungleichheiten unbeabsichtigt reproduziert werden.

Besonders relevant ist dieser Mechanismus beim Einsatz künstlicher Intelligenz im Recruiting. Selbst wenn sensible Informationen wie Geschlecht oder Alter aus den Trainingsdaten entfernt werden, können Algorithmen diese möglicherweise indirekt über andere Merkmale erschließen. Das bloße Entfernen geschützter Eigenschaften reicht deshalb nicht aus, um diskriminierende Entscheidungen zu verhindern.

Warnsignale und Beispiele für den Proxy Bias im Recruiting

Der Proxy Bias zeigt sich besonders dann, wenn scheinbar objektive Auswahlkriterien indirekt mit geschützten oder sozial sensiblen Merkmalen zusammenhängen. Typische Warnsignale sind:

  • Wohnorte beeinflussen die Vorauswahl: Ein Recruiting-Algorithmus bevorzugt Bewerber*innen aus bestimmten Stadtteilen oder Regionen. Da Wohnorte mit der sozialen oder ethnischen Herkunft zusammenhängen können, werden andere Bewerbergruppen möglicherweise systematisch benachteiligt.
  • Erwerbsunterbrechungen werden negativ bewertet: Lücken im Lebenslauf führen zu einer schlechteren Bewertung, ohne ihre Ursachen zu berücksichtigen. Da Erwerbsunterbrechungen beispielsweise aufgrund von Kinderbetreuung oder Pflegeverantwortung gesellschaftlich ungleich verteilt sein können, besteht das Risiko, dass bestimmte Geschlechter indirekt benachteiligt werden.
  • Bildungswege dienen als indirekte Filter: Ein Auswahlverfahren bevorzugt Absolvent*innen bestimmter Hochschulen, ohne zu prüfen, ob die besuchte Bildungseinrichtung tatsächlich Rückschlüsse auf die berufliche Eignung zulässt. Da der Zugang zu Bildungseinrichtungen auch von sozialen und wirtschaftlichen Faktoren beeinflusst wird, können solche Kriterien bestehende Ungleichheiten verstärken.

Relevanz & Risiken: Indirekte Diskriminierung im Recruiting

Der Proxy Bias kann die Fairness und Qualität der Personalauswahl erheblich beeinträchtigen:

  1. Diskriminierung bleibt unerkannt: Auch wenn geschützte Merkmale nicht direkt berücksichtigt werden, können andere Auswahlkriterien ähnliche Benachteiligungen verursachen. Dadurch entsteht der Eindruck eines objektiven Verfahrens, obwohl systematische Verzerrungen bestehen.
  2. Bestehende Ungleichheiten werden verstärkt: Werden historische Daten oder gesellschaftliche Muster unkritisch übernommen, können bestimmte Bewerbergruppen wiederholt benachteiligt werden. Besonders bei KI-gestützten Auswahlverfahren besteht das Risiko, solche Muster zu reproduzieren.
  3. Geeignete Talente werden ausgeschlossen: Wenn indirekte Merkmale die Auswahl beeinflussen, geraten die tatsächlich relevanten Kompetenzen in den Hintergrund. Unternehmen übersehen dadurch möglicherweise qualifizierte Kandidat*innen und schränken ihren Talentpool unnötig ein.

Konkrete Strategien zur Reduktion

Um den Proxy Bias zu reduzieren, sollten Unternehmen nicht nur offensichtliche Diskriminierungsmerkmale ausschließen, sondern auch die Wirkung scheinbar neutraler Auswahlkriterien kritisch überprüfen:

  • Auswahlkriterien auf ihre Relevanz prüfen: Hinterfragen, ob Merkmale wie Wohnort, Bildungsweg oder Erwerbsunterbrechungen tatsächlich für die berufliche Eignung relevant sind. Kriterien ohne nachweisbaren Bezug zu den Stellenanforderungen möglichst vermeiden.
  • Strukturierte und kompetenzbasierte Verfahren einsetzen: Relevante Fähigkeiten mit Hilfe strukturierter Interviews, Arbeitsproben und geeigneter diagnostischer Verfahren erfassen. Einheitliche Bewertungskriterien helfen dabei, den Einfluss indirekter Merkmale zu reduzieren.
  • Auswahlverfahren regelmäßig auf Verzerrungen überprüfen: Insbesondere bei KI-gestützten Verfahren analysieren, ob bestimmte Bewerbergruppen systematisch benachteiligt werden. Dabei auch mögliche Zusammenhänge zwischen neutralen Auswahlkriterien und geschützten Eigenschaften berücksichtigen.

Fazit

Der Proxy Bias zeigt, dass scheinbar neutrale Auswahlkriterien nicht automatisch zu fairen Entscheidungen führen. Wenn Merkmale wie Wohnort, Bildungsweg oder Erwerbsunterbrechungen indirekt mit geschützten Eigenschaften zusammenhängen, können diskriminierende Muster entstehen, auch ohne bewusste Benachteiligung. Wer Auswahlkriterien kritisch hinterfragt, relevante Kompetenzen in den Mittelpunkt stellt und Verfahren regelmäßig auf Verzerrungen überprüft, schafft eine bessere Grundlage für faire und fundierte Personalentscheidungen.

Du willst deine Personalauswahl auf das nächste Level bringen? Die Software von Applysia vereint die besten Methoden an einem Ort und vereinfacht deinen Prozess dank Digitalisierung. Buche deinen kostenlosen Demo-Termin hier.

Quelle:

Capasso, M., Arora, P., Sharma, D., & Tacconi, C. (2024). On the Right to Work in the Age of Artificial Intelligence: Ethical Safeguards in Algorithmic Human Resource Management. Business and Human Rights Journal, 9(3), 346–360. https://doi.org/10.1017/bhj.2024.26

de_DEGerman