Age-Gender Misclassification of Women Aged 45-64in AI, Marketing and Hiring: An International Comparative Audit

Was das Audit misst, was die Pilotstudien gezeigt haben und was als Nächstes kommt.

Wenn ein System entscheidet, wen es für wertvoll hält, prägen seine Annahmen die Chancen von Menschen.

Womafreesm führt das Audit durch: Zwei Pilotstudien zu den Instrumenten sind abgeschlossen, die Hauptphase wird vorbereitet. Das Audit untersucht, wie KI-Systeme Frauen im Alter von 45-54 und 55-64 Jahren im Marketing, im Recruiting und bei der Expertenauswahl darstellen, bewerten und auswählen, und stellt diese Muster Marketingmaterialien und der Recruiting-Praxis gegenüber. Es umfasst Deutschland, Polen, Spanien, die Ukraine und das Vereinigte Königreich, in fünf Sprachen. Der erste öffentliche Bericht ist für Dezember 2026 geplant.

Für Personalvermittlungen Partnerschaft vorschlagen

Was das Audit misst

Frauen im Alter von 45-64 Jahren sind aktive Fachkräfte, Kundinnen und Expertinnen. Immer mehr Entscheidungen über sie laufen über Märkte, HR-Systeme und generative KI: ob sie als relevante Zielgruppe, als starke Kandidatinnen oder als glaubwürdige Expertinnen gelten. Das Audit betrachtet drei Stufen im Verhalten eines Systems: Darstellung, also wen es abbildet, wenn die Merkmale einer Person offen bleiben; Bewertung, also wie es eine Person mit vorgegebenem Profil einschätzt; und Auswahl, also wen es auswählt, in eine Rangfolge bringt oder empfiehlt.

Die Ergebnisse für Frauen werden mit Männern gleichen Alters und mit Menschen im Alter von 25-39 Jahren verglichen. In Experimenten mit abgeglichenen Profilen bleiben aufgabenrelevante Qualifikationen und Profilinhalte konstant, während Alters- und Geschlechtsmerkmale variieren; Aufgaben zur freien Generierung und die Beobachtungsmodule nutzen eigene festgelegte Vergleiche und Referenzwerte.

Die Studie prüft die Frage in beide Richtungen: Sie kann eine niedrigere Bewertung von Frauen finden, einen Vorteil, einen reinen Alterseffekt oder einen Unterschied nahe null, und jedes Ergebnis wird gleich vollständig veröffentlicht.

Die wichtigsten Parameter der Studie

Name: Age-Gender Misclassification of Women Aged 45-64 in AI, Marketing and Hiring: An International Comparative Audit
Kurzform: Audit 45-64
Programm: Womafreesm Evidence Data, erstes großes internationales Forschungsmodul des Programms
Kontexte: Marketing, Recruiting und Expertenauswahl
Was gemessen wird: Sichtbarkeit, Autorität sowie Relevanz und Wert; jede Dimension wird getrennt analysiert
Stufen im Verhalten eines Systems: Darstellung, Bewertung und Auswahl, jeweils getrennt gemessen
Altersgruppen: 45-54 und 55-64 als zwei getrennte Gruppen; verglichen mit Männern gleichen Alters und mit Menschen im Alter von 25-39 Jahren
Länder und Sprachen: Deutschland, Polen, Spanien, die Ukraine und das Vereinigte Königreich; Deutsch, Polnisch, Spanisch, Ukrainisch und Englisch
Stand: Zwei Pilotstudien zu den Instrumenten abgeschlossen; die Hauptphase ist in Vorbereitung
Erster öffentlicher Bericht: Geplant für Dezember 2026

Warum diese Frage wichtig ist

Entscheidungen über Sichtbarkeit, Status und Chancen werden zunehmend mit Hilfe von Plattformen, HR-Systemen, Algorithmen und generativer KI getroffen. Gelangt eine Annahme über Alter oder Geschlecht in ein solches System, kann sie sich in großem Maßstab wiederholen: bei der Segmentierung von Zielgruppen, bei der Vorauswahl von Kandidatinnen und Kandidaten und bei der Beschreibung von Fachleuten.

Wenn ein System eine Frau im Alter von 45-64 Jahren falsch einschätzt, reicht die Wirkung über ihren eigenen Fall hinaus.

Budgets, Einladungen zu Vorstellungsgesprächen, Vertrauen und Expertenstatus können falsch verteilt werden, und der Markt verliert an Genauigkeit gegenüber einer Gruppe mit Erfahrung, Einkommen und Entscheidungsmacht.

Die beiden Altersgruppen werden getrennt analysiert, so bleiben Unterschiede zwischen ihnen sichtbar. Innerhalb jeder Gruppe arbeitet das Audit mit mehreren genauen Altersangaben und kann so prüfen, ob sich Bewertungen mit dem Alter allmählich ändern oder sich um 55 herum verschieben.

Worauf die Studie aufbaut

Im Oktober 2025 veröffentlichte die Zeitschrift Nature eine Studie von Guilbeault, Delecourt und Srinivasa Desikan über Alters- und Geschlechterverzerrungen in Onlinemedien und großen Sprachmodellen. Sie analysierte fast 1,4 Millionen Bilder und Videos von Google, Wikipedia, IMDb, Flickr und YouTube sowie neun Sprachmodelle. Über 3.495 berufliche und soziale Kategorien hinweg wurden Frauen jünger dargestellt als Männer, während Daten der US-Volkszählung (US Census) zeigen, dass Frauen und Männer im Erwerbsleben ähnlich alt sind. Am größten war die Lücke bei Berufen mit höherem Status und Einkommen.

Im Lebenslauf-Experiment der Studie erzeugte ChatGPT (GPT-4o mini) zunächst Lebensläufe und bewertete sie anschließend. Das Modell nahm an, dass Frauen jünger und weniger erfahren seien, und bewertete ältere Männer als stärkere Bewerber. Die Lebensläufe wurden im Juni 2024 erzeugt und bewertet.

Diese Studie untersuchte englischsprachige Inhalte. Das Audit von Womafreesm geht den nächsten Schritt: zwei getrennte Altersgruppen, Marketing, Recruiting und Expertenauswahl, fünf Länder und fünf Sprachen. Außerdem trennt es die freie Generierung von der Bewertung und Auswahl abgeglichener Profile: Diese Aufgaben prüfen unterschiedliche Mechanismen und werden getrennt analysiert.

Die Studie in Nature

Was die Pilotstudien des Audits gezeigt haben

Vor der Hauptphase hat Womafreesm zwei Pilotstudien des Audits abgeschlossen, um die Forschungsinstrumente zu testen. Die Machbarkeitsstudie sammelte 960 KI-Antworten im Vereinigten Königreich, in Deutschland, Polen, der Ukraine und Spanien, in fünf Sprachen. Die zweite Pilotstudie untersuchte mit abgeglichenen Profilen Bewertung und Auswahl bei konstant gehaltenen Qualifikationen.

Die vorläufige Analyse der Pilotstudie mit abgeglichenen Profilen ergab bei den getesteten Entscheidungsmaßen geschätzte Unterschiede zwischen Frauen und Männern nahe null. Dieser Befund beschränkt sich auf diese Vergleiche und ist zusammen mit der Stichprobengröße, der Unsicherheit und der Sensitivität des Designs zu lesen.

In einer Pilotstudie zur freien Generierung war jede Persona der analysierten Stichprobe jünger als 55, bei weiblichen wie bei männlichen Personas. Diese Beobachtung betrifft die Altersverteilung dieser Pilotstichprobe.

Die beiden Befunde trennen zwei Fragen: wen ein Modell erzeugt, wenn die Merkmale einer Person offen bleiben, und wie es Menschen behandelt, deren Merkmale vorgegeben sind. Die Hauptphase untersucht daher Darstellung, Bewertung und Auswahl getrennt. Die Befunde der Pilotstudien fließen in das überarbeitete Protokoll ein und bleiben außerhalb des konfirmatorischen Datensatzes.

Was die bisherige Forschung offenlässt

In der bisher geprüften Literatur fehlt ein validiertes angewandtes Audit, das Alter und Geschlecht gemeinsam
für Frauen im Alter von 45-54 und 55-64 Jahren in Marketing, Recruiting und Expertenauswahl in einem Design misst.
Diese Einschätzung bezieht sich auf die geprüfte Literatur und wird bei jeder Überprüfung aktualisiert.

Die Organisationen, deren Arbeit wir geprüft haben, sind mit ihren Primärquellen auf unserer offenen Karte aufgeführt: Wer Verzerrungen durch KI gegenüber Frauen ab 45 misst.

Zwei Altersgruppen

Das Audit misst die Gruppen 45-54 und 55-64 getrennt und nutzt innerhalb jeder Gruppe mehrere genaue Altersangaben, um zu erkennen, wo eine Veränderung beginnt.

Drei Stufen

Ein Modell kann sich unterschiedlich verhalten, wenn es eine Person darstellt, ein vorgegebenes Profil bewertet oder eine Auswahl trifft. Das Audit vergleicht alle drei Stufen.

Marketing

Von KI erstellte Zielgruppen und Budgets werden mit echten Marketingmaterialien und mit Daten zum tatsächlichen Kaufverhalten in denselben Kategorien verglichen.

Recruiting

Informelle Erwartungen von Arbeitgebern werden mit KI-Mustern verglichen, und die Studie prüft, ob ein KI-Text die Entscheidung von Recruiting-Fachleuten verändert.

Wie die Hauptphase aufgebaut ist

Abgeglichene Profile

Qualifikationen, Inhalt, Länge und Struktur bleiben identisch, nur validierte Alters- und Geschlechtsmerkmale ändern sich. Die Profile werden für alle getesteten Altersstufen auf Plausibilität geprüft, und Namen sowie andere Hinweise werden auf unbeabsichtigte Unterschiede getestet.

Kontrolle der Formulierung

Jeder Vergleich läuft über mehrere Umformulierungen derselben Aufgabe, damit ein Effekt der Formulierung von einem Effekt des Alters oder des Geschlechts getrennt bleibt.

Präregistrierung

Hypothesen, primäre Endpunkte, Vergleichsregeln, Schwellenwerte für Effektgrößen und der Analyseplan werden vor Beginn der Haupterhebung registriert. Änderungen aufgrund der Pilotstudien werden dokumentiert.

Benannte Systeme und Einstellungen

Jedes Ergebnis nennt das KI-System, seine Version und das Datum, die Sprache des Prompts, einen in der Aufgabe gesetzten Länderkontext und die Herkunftspopulation realer Daten. Ergebnisse werden zuerst für jedes Modell einzeln berichtet, und Vergleiche werden innerhalb dieser Einstellungen gelesen.

Menschliche Kodierung

Sprachspezifische Kodierraster werden vor dem Einsatz getestet, und die Übereinstimmung zwischen geschulten Kodierenden wird anhand vorab festgelegter Kriterien bewertet. Automatisierte Kodierung wird nur dort eingesetzt, wo die Validierung ihre vorgesehene Rolle stützt.

Übersetzung

Profile, Prompts und Kodierraster werden nach dem TRAPD-Verfahren aus dem Englischen ins Deutsche, Polnische, Ukrainische und Spanische übertragen: zwei unabhängige Übersetzungen, Begutachtung, Entscheidung über die finale Fassung, Vortest mit Muttersprachlerinnen und Muttersprachlern und Dokumentation.

Externe Daten

Das Audit bezeichnet ein Muster nur dann als systematische Fehlklassifizierung, wenn valide externe Daten vorliegen, etwa zu Beschäftigung oder Kaufverhalten, und das System erheblich davon abweicht; andernfalls bleibt das Ergebnis deskriptiv.

Reichweite der Schlussfolgerungen

Schlussfolgerungen beschränken sich auf die Populationen, Aufgaben und Einstellungen, die die Belege abdecken. Übereinstimmung über unabhängige Quellen hinweg stärkt einen Befund; weiter reichende Aussagen erfordern zudem eine angemessene Abdeckung und eine begründete Verallgemeinerung. Die Grenzen dieser Studie

Module der Studie

Audit von KI-Antworten

Ein kontrolliertes Experiment in Marketing, Recruiting und Expertenauswahl, über Darstellung, Bewertung und Auswahl hinweg. Das Kernmodul für Alter und Geschlecht im Zusammenspiel.

Marketing- und Markeninhalte

Analyse echter Marketingmaterialien in Kategorien, in denen Frauen im Alter von 45-64 Jahren nachweislich Kundinnen sind: wer gezeigt wird, in welcher Rolle und mit welcher Autorität.

Recruiting-Praxis

Aggregierte, anonymisierte Daten von Personalvermittlungen und eine standardisierte Befragung von Recruiting-Fachleuten aus der Praxis, um informelle Erwartungen von Arbeitgebern zu messen.

Experiment zu menschlichen Entscheidungen

Recruiting-Fachleute lesen von KI verfasste Einschätzungen, wobei ihnen die ursprüngliche Bedingung verborgen bleibt. Das Modul misst, ob sich ihre Shortlist, ihre Rangfolge oder ihr Gehaltsvorschlag ändert.

Validierung durch Fachleute

Interviews mit Fachleuten aus HR, Marketing, Markenführung, KI-Governance und Forschung untersuchen, wie Befunde interpretiert werden, welche praktische Relevanz sie haben und wo ihre Grenzen liegen.

Test von Interventionen

Sobald ein Ausgangseffekt feststeht, werden Änderungen an Prompts und Verfahren getestet, die eine Lücke verringern könnten, zusammen mit der Aufgabenqualität und möglicher Überkorrektur.

Ein visuelles Audit von KI-Bildern und ein ökonomisches Modell der Effekte sind für eine spätere Phase geplant:
das erste nach einer eigenen Validierung der Altersschätzung, das zweite nur dort, wo ein valider Kausalpfad besteht.

Wo das Audit steht

Die Forschungsfragen und das vorgeschlagene Design sind im Konzeptpapier dargelegt, und zwei Pilotstudien zu den Instrumenten des Audits sind abgeschlossen. Ihre Befunde fließen in das endgültige Protokoll ein. Die Anleitung zur Erhebung von KI-Antworten in fünf Ländern liegt vor, und Briefings für Personalvermittlungen sind in fünf Sprachen fertig.

Vor der Haupterhebung werden folgende Schritte abgeschlossen:

1. Wissenschaftliche Leitung

Die ernannte wissenschaftliche Leitung des Audits beaufsichtigt Fertigstellung, Validierung und Präregistrierung des Protokolls, und die Charta zur Steuerung der Forschung wird verabschiedet.

2. Präregistrierung

Hypothesen, primäre Endpunkte, Vergleichsregeln, Schwellenwerte für Effektgrößen und der Analyseplan werden registriert.

3. Länderprofile

Jedes Land erhält ein Messprofil: amtliche Ausgangsdaten, Besonderheiten von Arbeitsmarkt und Rentensystem, rechtlicher Kontext und Grenzen der Vergleichbarkeit.

4. Validierte Materialien

Abgeglichene Profile, Namen und die Prompt-Bank werden validiert und nach TRAPD übersetzt, und der Standard für die menschliche Kodierung wird erstellt.

5. Ethik und Recht

Die erforderliche ethische Prüfung für Module mit Menschen wird abgeschlossen, und ein juristisches Gutachten zum Datenschutz deckt alle fünf Rechtsordnungen ab.

6. Stichprobengröße

Die Stichprobenplanung berücksichtigt relevante Effektgrößen, Unsicherheit, die Abhängigkeit zwischen wiederholten Antworten und die geplanten Hauptvergleiche; das endgültige Design wird vor der Haupterhebung festgelegt.

Geplante Ergebnisse

Forschungsbericht

Ergebnisse über die Länder hinweg, mit getrennten Zahlen für 45-54 und 55-64, für jede Ebene eines Systems, jeden Kontext und jede Modellversion.

Wissenschaftliche Veröffentlichung

Manuskripte für begutachtete Fachzeitschriften zu den Hauptbefunden und zum Entscheidungsexperiment mit Recruiting-Fachleuten, mit freigegebenem Analysecode, wo dies zulässig ist.

Messrahmen

Validierte Maße für Sichtbarkeit, Autorität sowie Relevanz und Wert, mit Codebuch, Nachweisen zur Reliabilität und Leseregeln.

Offene Materialien

Die Aufgaben- und Prompt-Bank, Modellausgaben, soweit Lizenzen es erlauben, das Kodierschema, der Analysecode und eine dokumentierte Datenkarte.

Praktischer Audit-Rahmen

Ein Verfahren für Marken, Arbeitgeber, Recruiting-Fachleute und KI-Entwicklungsteams. Nach einer Bewertung leiten geschulte externe Beraterinnen und Berater die Verbesserungen.

Kurzbericht zur Recruiting-Praxis

Ein Kurzbericht, der informelle Erwartungen von Arbeitgebern im menschlichen Recruiting mit den Mustern von KI-Systemen in fünf Ländern vergleicht.

Unterstützen Sie die Forschung

Fordern Sie das Spenderpaket für das internationale Audit „Age-Gender Misclassification of Women Aged 45-64 in AI, Marketing and Hiring“ an. Prüfen Sie Methodik, Zeitplan, Budget, geplante Ergebnisse und Fördermöglichkeiten.

Spenderpaket anfordern

Die Grenzen dieser Studie

Diese Grenzen werden vor jedem Befund genannt und begleiten jede veröffentlichte Zahl.

Eine ehrenamtliche Person sortiert gedruckte Materialien

Jedes Ergebnis gilt für die gemessenen Modelle, Versionen, Sprachen, Länder, Kontexte und Zeitpunkte.
Ein Effekt wird nur dann als gemeinsamer Effekt von Alter und Geschlecht bezeichnet, wenn die Daten ihre Wechselwirkung stützen.
Aussagen darüber, wie häufig eine Gruppe vorkommt, beruhen auf der Verteilung vieler erzeugter Personas.
Die Übereinstimmung mit einem externen Referenzwert wird für die konkrete Population, das Maß und den Zeitraum berichtet, die dieser Referenzwert abbildet.
Auf Äquivalenz wird nur geschlossen, wenn ein vorab festgelegter Äquivalenztest zeigt, dass die Unterschiede innerhalb begründeter Grenzen praktischer Bedeutsamkeit liegen; die Schlussfolgerung gilt für die getesteten Endpunkte und Bedingungen.
Vergleiche zwischen Ländern und Sprachen werden dort angestellt, wo Maße, Aufgabenbedingungen und Referenzdaten einen validen Vergleich tragen.
Ergebnisse für die Ukraine erhalten einen gesonderten Hinweis zum Krieg und zum statistischen Kontext.

Ethik, Daten und Unabhängigkeit

Das KI-Audit arbeitet ausschließlich mit synthetischen Profilen, die für die Studie erstellt wurden. Personalvermittlungen liefern Daten in einem vereinbarten aggregierten oder anonymisierten Format, mit einer Prüfung des Offenlegungsrisikos vor der Übermittlung, und geteilte Materialien beschränken sich auf das, was die Studie braucht. Lebensläufe, Namen und Kontaktdaten von Bewerberinnen und Bewerbern bleiben bei den Vermittlungen.

Module mit Menschen (die Befragung von Recruiting-Fachleuten, die Interviews mit Fachleuten und das Entscheidungsexperiment) beginnen, nachdem die erforderliche ethische Prüfung abgeschlossen ist und alle erforderlichen Genehmigungen vorliegen. Sie beruhen auf informierter Einwilligung, Privatsphäre als Standard und Datensparsamkeit. Teilnehmende erfahren, wie sie ihre Teilnahme zurückziehen können und bis zu welchem Stadium ihre identifizierbaren Beiträge entfernt werden können, einschließlich der Grenzen nach einer Anonymisierung oder nach der Aufnahme in veröffentlichte Aggregate.

Teilnehmende oder Partner werden nur mit gesonderter Einwilligung öffentlich genannt. Die rechtliche Einordnung der Daten und die geltenden Anforderungen werden vor Beginn dieser Module festgelegt.

Daten auf der Ebene einzelner Teilnehmender aus diesen Modulen bleiben in einer gesicherten Umgebung und stehen Forschenden auf Grundlage einer Vereinbarung zur Verfügung. Veröffentlicht werden die Methodik, die Aufgaben-Bank, das Kodierschema, der Analysecode und geprüfte Aggregate.

Entscheidungen über Stichprobe, Kodierung, Analyse, Schlussfolgerungen und Veröffentlichung liegen beim Forschungsteam, gemäß Protokoll und den schriftlich festgelegten Befugnissen. Spenderinnen und Spender erhalten aggregierte Ergebnisse. Die Ethikfunktion kann ein Modul mit Menschen in jedem Land stoppen, und nur eine externe unabhängige Ethikkommission kann den Stopp aufheben. Die Datenfunktion entscheidet für alle über den Zugang zu personenbezogenen Daten, auch für die Gründerin und für Spenderinnen und Spender. Bis die Chartas und Vereinbarungen unterzeichnet sind, ist jede dieser Befugnisse eine Selbstverpflichtung.

Warum jetzt

Aufsichtsbehörden behandeln bestimmte Einsätze von KI in der Arbeitswelt bereits als hochriskant. Die EU-KI-Verordnung (AI Act), Verordnung (EU) 2024/1689, stuft bestimmte Einsätze von KI bei der Personalgewinnung und im Personalmanagement als hochriskant ein, nach Maßgabe der Klassifizierungsregeln in Artikel 6 und Anhang III; die geltenden Anforderungen hängen von der Zweckbestimmung und dem Einsatz des Systems ab.

Im November 2024 veröffentlichte das britische Information Commissioner's Office (ICO) die Ergebnisse seiner Audits bei Entwicklern und Anbietern von KI-Tools für das Recruiting, mit Empfehlungen zu Fairness, Transparenz und Bewerberdaten. Im Januar 2026 veröffentlichte das ICO Erkenntnisse aus seinem Austausch mit mehr als 30 Arbeitgebern zur automatisierten Entscheidungsfindung im Recruiting. Das NIST Generative AI Profile (NIST AI 600-1, Juli 2024) zählt schädliche Verzerrung und Homogenisierung zu den Risiken generativer KI.

Das Audit bietet ein Messverfahren, das interne Governance, Due-Diligence-Prüfungen, Forschung und Risikobewertung unterstützen kann. Die rechtlichen Anforderungen selbst legt die jeweilige Aufsichtsbehörde fest.

AI Act, EUR-Lex ICO: AI tools used in recruitment
ICO: Recruitment rewired NIST AI 600-1

Was das Audit bringt

Frauen im Alter von 45-64 Jahren

Die Frage verschiebt sich von ihrem Alter zur Genauigkeit der Systeme, die sie bewerten. Jeder Befund wird mit seinen Grenzen veröffentlicht.

Wie Sie unterstützen oder mitwirken können

Stiftungen, Spenderinnen und Spender, Personalvermittlungen, Marken, KI-Teams, Universitäten und Medien können sich am Audit beteiligen.

Stiftungen, Spenderinnen und Spender

Fordern Sie das Spenderpaket an: Präsentation, Budgetbegründung, Zeitplan und Module. Die Finanzierung folgt auf eine Vereinbarung über Arbeit, Budget und Berichterstattung.

Personalvermittlungen

Teilen Sie aggregierte, anonymisierte Daten darüber, wie Frauen im Alter von 45-54 und 55-64 Jahren durch Longlists und Shortlists kommen. Briefings liegen in fünf Sprachen vor.

Marken und Marketingteams

Beteiligen Sie sich als Marktpartner: mit Beispielen für Kampagnen und Segmentierung sowie mit fachlichen Einschätzungen dazu, wie Frauen im Alter von 45-64 Jahren als Kundinnen erscheinen.

KI-Teams

Beteiligen Sie sich am fachlichen Dialog darüber, wie Sprachmodelle Alter, Autorität und Wert beschreiben, und testen Sie die Aufgaben-Bank, sobald sie veröffentlicht ist.

Universitäten und Forschungszentren

Wirken Sie als akademische Partner mit: Begutachtung der Methodik, gemeinsame Veröffentlichungen, Konferenzen und die Gestaltung der nächsten Welle der Studie.

Journalistinnen, Journalisten und Fachnetzwerke

Fragen Sie einen Kommentar oder ein Interview zu Alter, Geschlecht und KI an, oder bringen Sie das Audit zu HR-Leitungen, Marketingfachleuten, Recruiting-Fachleuten und Forschenden.

Tragen Sie zur Arbeit bei

Das Audit entsteht durch die gemeinsamen Anstrengungen von Stiftungen, Forschenden,
Personalvermittlungen, Marken, Universitäten, Medien und Technologieteams.
Beteiligen Sie sich so, wie es zu Ihrer Rolle und Ihren Möglichkeiten passt.

Für Personalvermittlungen Partnerschaft vorschlagen

Das Programm und der Index

Das Programm Womafreesm Evidence Data überführt die Erfahrung von Frauen aus persönlichen Geschichten in evidenzbasierte Daten. Sein erstes großes internationales Forschungsmodul ist die Studie „Age-Gender Misclassification of Women Aged 45-64 in AI, Marketing and Hiring: An International Comparative Audit“, und dieses Audit schafft die erste Belegbasis für das künftige Flaggschiffprodukt von Womafreesm, den Women's Life-Cycle Economy Index.

Der WLCE Index misst die Kosten systemischer Blindheit gegenüber dem weiblichen Lebenszyklus. Er ist der erste globale Index zur institutionellen Berücksichtigung des weiblichen Lebenszyklus und befindet sich in Vorbereitung. Das Audit ist eine eigenständige Studie außerhalb des Index.

WLCE Index

Wer die Forschung durchführt

Die Forschung wird von The World Organization of Women Nations Womafreesm durchgeführt, einer gemeinnützigen Organisation (US 501(c)(3) public charity). Womafreesm: globale Infrastruktur weiblichen Einflusses.

Das Forschungsteam verantwortet das Studiendesign, das KI-Audit, die Zusammenarbeit mit Personalvermittlungen, die Datenanalyse, Partnerschaften und die internationale Kommunikation. Die wissenschaftliche Leitung des Audits ist ernannt und beaufsichtigt die wissenschaftliche Prüfung des Protokolls.

Häufig gestellte Fragen

1. Hat das Audit bereits begonnen?

Ja. Die Fragen und das vorgeschlagene Design sind im Konzeptpapier dargelegt, und zwei Pilotstudien zu den Instrumenten des Audits sind abgeschlossen: eine Machbarkeitsstudie mit 960 KI-Antworten in fünf Ländern und ein Test mit abgeglichenen Profilen. Die Hauptphase beginnt, sobald das Protokoll fertiggestellt und präregistriert ist, die Forschungsmaterialien validiert sind und die erforderlichen Regelungen zur Governance und zur Ethik der einzelnen Module bestehen.

2. Was wird im Dezember 2026 veröffentlicht?

Der erste öffentliche Bericht ist für Dezember 2026 geplant. Sein Umfang richtet sich nach den Modulen, die bis dahin abgeschlossen und validiert sind. Ergebnisse in jede Richtung werden gleich vollständig veröffentlicht.

3. Warum werden die Gruppen 45-54 und 55-64 getrennt gemessen?

Ihre Positionen können sich in Sichtbarkeit, Autorität und Wert unterscheiden. Das Audit analysiert beide Gruppen getrennt und nutzt innerhalb jeder Gruppe mehrere genaue Altersangaben, um zu prüfen, ob eine Veränderung allmählich verläuft oder um 55 herum auftritt.

4. Warum werden Marketing, Recruiting und Expertenauswahl gemeinsam untersucht?

Systeme beurteilen an verschiedenen Stellen, wie relevant eine Frau für ein Marktsegment ist, wie gut sie zu einer Rolle passt und wie groß ihre Expertise ist. Das Marketing entscheidet, wer eine begehrte Zielgruppe ist, das Recruiting entscheidet, wer als starke Kandidatin oder starker Kandidat gilt, und die Expertenauswahl entscheidet, wessen Wort Gewicht hat. Ein Muster, das sich in allen drei Bereichen wiederholt, weist auf das System hin; ein Muster an einer Stelle zeigt, wo man genauer hinsehen sollte.

5. Warum sind Personalvermittlungen für die Studie wichtig?

Öffentliche Stellenanzeigen zeigen die offizielle Sprache. Informelle Erwartungen von Arbeitgebern zeigen sich später: in Longlists, Shortlists und Kommentaren zu passenden Profilen. Personalvermittlungen sehen diese Ebene und teilen sie in aggregierter Form.

6. Werden personenbezogene Daten von Bewerberinnen und Bewerbern erhoben?

Das Recruiting-Modul arbeitet mit Daten, die in einem vereinbarten aggregierten oder anonymisierten Format bereitgestellt und vor der Übermittlung auf Offenlegungsrisiken geprüft werden: Häufigkeiten, Formulierungen und Präferenzmuster. Lebensläufe, Namen und Kontaktdaten von Bewerberinnen und Bewerbern bleiben bei den Vermittlungen. Das KI-Audit nutzt ausschließlich synthetische Profile.

7. Können Spendende die Befunde beeinflussen?

Nein. Entscheidungen über Stichprobe, Kodierung, Analyse, Schlussfolgerungen und Veröffentlichung liegen gemäß Protokoll beim Forschungsteam. Spenderinnen und Spender erhalten aggregierte Ergebnisse und die in ihrer Fördervereinbarung festgelegte Berichterstattung.

8. Kann eine Frau im Alter von 45-64 Jahren teilnehmen?

Dieses Audit erhebt KI-Antworten, Marketingmaterialien und Daten von Recruiting-Fachleuten. Die eigene Erfahrung von Frauen wird über den Fragebogen des WLCE Index erhoben, der derzeit vorbereitet wird: Hinterlassen Sie Ihre E-Mail-Adresse auf der Seite des WLCE Index, um eine Einladung zu erhalten, sobald er startet.

9. Wo kann ich das Budget einsehen?

Im Spenderpaket, zusammen mit den Phasen, Modulen und Möglichkeiten der Unterstützung. Stiftungen, Großspenderinnen und Großspender sowie institutionelle Partner können es anfordern.