Plattform & Modell
Jede Empfehlung, jede Prognose und jeder Wert, den atwork liefert, stammt aus unserem KI-Middle-Layer – einem eigenen Set von Modellen, über Jahre entwickelt und trainiert mit organisationsübergreifenden Feedback- und Ergebnisdaten, deren Aufbau ebenso lange gedauert hat. Die Modelle lassen sich beschreiben. Die Daten dahinter lassen sich nicht kopieren.
Die Architektur
Aus Mitarbeiterfeedback und Geschäftsdaten entstehen konkrete Empfehlungen mit quantifizierten Prognosen. Möglich macht das eine Schicht, die sonst niemand hat.
Measure + Performance
Feedback-Management
API-Landschaft
Act + Impact
Echtzeit-Dashboards
Analyse der wichtigsten Treiber
Prognose von Ergebnissen und ihrer Wirkung
Massnahmenmanagement
Die Komponenten
Nicht ein einzelnes Modell leistet all das. Die Schicht besteht aus spezialisierten Modellen, die ineinandergreifen – und jedes davon haben wir selbst entwickelt.
01
Das Impact Framework
Mitarbeiterfeedback, Geschäftsdaten und jahrelange Umfragehistorie – zusammengeführt in einer Struktur. Etablierte wissenschaftliche Modelle beschreiben, wie Einflussfaktoren, HR-Ergebnisse und Geschäftsergebnisse zusammenhängen. So wird jede Antwort mit einem Geschäftsergebnis verknüpft.
02
Machine Learning und ein Multivariate Gaussian Graphical Model zeigen, wie jede Umfragevariable Ihre HR- und Geschäfts-KPIs direkt und indirekt beeinflusst. Das Ergebnis ist ein quantifizierter Zusammenhang – keine Korrelation, die Raum für Interpretationen lässt.
03
Retrieval aus drei Wissensquellen: Best Practices, Tausende reale Massnahmenpläne – auch die gescheiterten – und begutachtete wissenschaftliche Studien. Das Ergebnis sind Empfehlungen, die zu Ihrer Branche und Unternehmensgrösse passen, statt generischer Ratschläge.
Im Einsatz in Act
04
Metastudien, das Wissen führender Hochschulen und Praxisexperten sowie gesammelte Evidenz darüber, was über Branchen und Unternehmensgrössen hinweg funktioniert. So erhalten auch neue Kunden belastbare Antworten – lange bevor eigene Daten vorliegen.
Im Einsatz in Act
05
Ein neuronales Netz mit Natural Language Processing macht qualitatives Feedback messbar. Freitextkommentare werden zu Variablen im Modell – statt zu Zitaten im Anhang.
06
Jedes Ergebnis wird auf seine Zielgruppe zugeschnitten: Organisationseinheit, Mitarbeitergruppe, Branche und Unternehmensgrösse. Denn was für ein Team mit 40 Personen richtig ist, passt nicht automatisch für einen Standort mit 2000 Mitarbeitenden.
Im Einsatz in Act
Privacy by Architecture
Keine Richtlinie, sondern ein fester Ablauf: Identitäten werden entfernt und Freitexte geschwärzt, bevor die Verarbeitung beginnt. Keine identifizierbaren Daten erreichen je ein Modell, und kein allgemeines Sprachmodell sieht Ihre Rohdaten.
Antworten werden von Identitäten getrennt, bevor sie weiterverarbeitet werden, und in jedem Report gelten Mindestgruppengrössen. Freitextkommentare durchlaufen zusätzlich die Azure AI Language PII Detection, die personenbezogene Informationen erkennt, klassifiziert und schwärzt. So gelangt ein Kommentar, in dem eine Kollegin oder ein Kollege genannt wird, nie mit Namen in ein Modell.
Filterung, Retrieval, Prognose und monetäre Bewertung erfolgen innerhalb von atwork – auf Infrastruktur mit Hosting in der Schweiz.
Nur das fertige, anonymisierte Ergebnis wird zur Formulierung weitergegeben – mit EU-AI-Act-Dokumentation und menschlicher Aufsicht über den gesamten Prozess.
