Das ist der amtliche Stand des Statistischen Bundesamts vom Dezember 2025, unverändert gegenüber 2024. Die Debatte darüber dreht sich seit Jahren um Teilzeit, Branchenwahl, Führungsquoten. Jetzt tritt ein neuer Akteur auf: der Algorithmus. Die Frage ist, ob er die Lücke schließt oder verbreitert.
Was die Daten zeigen
Zwei Drittel des unbereinigten Gender Pay Gap erklären sich strukturell: Frauen arbeiten häufiger in Teilzeit (2025: 50,6 Prozent der erwerbstätigen Frauen gegenüber 14,3 Prozent der Männer), konzentrieren sich stärker in schlechter bezahlten Branchen und sind in Führungspositionen unterrepräsentiert. Was übrig bleibt, ist der bereinigte Gender Pay Gap – 2025 bei 6 Prozent –, der auch bei identischer Qualifikation, Branche und Arbeitszeit fortbesteht und auf Diskriminierung hindeutet.
Die Branchenverteilung dieser Lücke ist aufschlussreich. Im Finanz- und Versicherungssektor sowie in freiberuflichen, wissenschaftlichen und technischen Dienstleistungen liegt der Gap bei je 25 Prozent. In der Warenherstellung bei 19 Prozent. Im öffentlichen Dienst dagegen nur bei 4 Prozent. Diese Spreizung ist kein Zufall: Dort, wo Vergütungsstrukturen tariflich oder gesetzlich geregelt sind, schrumpft die Lücke. Dort, wo Verhandlung und Ermessen dominieren, wächst sie.
Seit 2020 hat sich der unbereinigte Gap von 18 auf 16 Prozent verringert – zwei Prozentpunkte in fünf Jahren. Das ist Fortschritt in homöopathischer Dosierung.
Der Algorithmus als Spiegel
In Personalabteilungen hält KI Einzug: Bewerbermanagementsysteme sortieren Lebensläufe, Gehalts-Benchmarking-Tools schlagen Vergütungsspannen vor, Leistungsbewertungs-Software generiert Feedback. Der Versprechen-Katalog liest sich attraktiv: mehr Objektivität, weniger unbewusste Vorurteile, konsistentere Entscheidungen.
Das Problem ist strukturell: Algorithmen lernen aus historischen Daten. Und historische Daten enthalten historische Ungleichheiten.
Die Technische Hochschule Würzburg-Schweinfurt hat nachgewiesen, dass große Sprachmodelle wie ChatGPT Frauen systematisch niedrigere Gehaltsempfehlungen aussprechen als Männern – selbst bei identischen Qualifikationen, Berufserfahrungen und Leistungsprofilen. Das ist kein Randphänomen: Es ist die Konsequenz dessen, dass ein Modell, das auf realen Vergütungsdaten trainiert wurde, gelernt hat, dass Frauen nun einmal weniger verdienen. Es optimiert für Realität, nicht für Gerechtigkeit.
Ein weiteres Muster zeigt die Randstad-Analyse von 2024: Bei Jobwechseln erhalten Frauen im Schnitt 5 Prozent Gehaltserhöhung, Männer 10 Prozent. Wenn KI-Systeme solche Muster aus Verhandlungshistorien lernen, verfestigen sie sie.
Der Gender AI Gap: ein Nachteil zweiter Ordnung
Neben dem Bias in HR-Algorithmen entsteht ein zweites Problem: Frauen nutzen KI-Tools am Arbeitsplatz seltener und weniger intensiv als Männer. Eine gemeinsame Studie des Instituts für Arbeitsmarkt- und Berufsforschung (IAB) und der Initiative D21 quantifiziert diese Lücke: 16 Prozentpunkte im Rohvergleich, 8 Prozentpunkte nach statistischer Bereinigung bei vergleichbaren Voraussetzungen. Bei jungen Erwerbstätigen der Generation Z ist der Abstand besonders ausgeprägt: 50 Prozent der Männer nutzen KI intensiv, weniger als ein Drittel der Frauen.
Das ist relevant, weil KI-Kompetenz zur Einkommensressource wird. Die Wharton School hat für den Tech-Sektor belegt, dass Beschäftigte, die aktiv mit neuen Technologien – darunter KI – arbeiten, durchschnittlich 6 Prozent mehr verdienen. Frauen sind in dieser Gruppe unterrepräsentiert. Der Gender Pay Gap und der Gender AI Gap verstärken sich gegenseitig.
Dabei ist die Nutzungslücke kein Persönlichkeitsmerkmal, sondern eine Zugangsfrage. Dieselbe IAB-Studie zeigt: Wo Arbeitgeber KI-Weiterbildung aktiv finanzieren, schrumpft der bereinigte Gender AI Gap auf 1 Prozentpunkt. Das ist die seltene gute Nachricht in diesem Datensatz – und zugleich eine Anklageschrift gegen Unternehmen, die KI einführen, ohne Zugang systematisch zu sichern.
Das Regulierungsproblem
Der EU AI Act stuft KI-Systeme, die Einstellungen, Beförderungen oder Vergütungen beeinflussen, als Hochrisiko-Anwendungen ein. Das verpflichtet Unternehmen zu Dokumentation, Transparenz, Risikomanagement und menschlicher Aufsicht. Bei Verstößen drohen Bußgelder von bis zu 30 Millionen Euro oder 6 Prozent des globalen Jahresumsatzes. In Deutschland gilt ergänzend das Allgemeine Gleichbehandlungsgesetz (AGG): Wer durch KI diskriminiert, muss beweisen, dass dies nicht der Fall war – die Beweislast liegt beim Unternehmen.
Das klingt solide. Zwei Lücken bleiben jedoch.
Erstens: „Menschliche Aufsicht" ist kein Qualitätsbegriff, sondern ein Verfahrensbegriff. Wenn ein HR-Manager eine Gehaltsempfehlung des Algorithmus routinemäßig bestätigt, ohne den Entscheidungspfad zu verstehen, ist die Aufsicht formal vorhanden und inhaltlich wirkungslos. Das ist die Black-Box-Frage, die auch der EU AI Act nicht aufgelöst hat.
Zweitens: Harmonisierte Standards dafür, wie ein KI-System im HR-Bereich auf Diskriminierung geprüft werden soll, fehlen. Was zählt als Bias-Nachweis? Welche Abweichung ist tolerierbar? Wer prüft? In den USA hat das Verfahren Mobley v. Workday diese Fragen vor Gericht gebracht – eine Entscheidung steht noch aus. In Deutschland ist man von dieser Konkretheit noch weit entfernt.
Die DSGVO schränkt rein automatisierte Entscheidungen mit rechtlichen Auswirkungen bereits ein und gibt Betroffenen das Recht auf menschliche Überprüfung. Diese Schutzklausel ist in der Praxis jedoch wenig bekannt und selten genutzt.
Ökologische Klammer: warum die Effizienzachse trügt
Der Einsatz von KI in Vergütungsprozessen wird häufig unter dem Label Effizienz verkauft: schnellere Entscheidungen, geringere Fehlerquoten, konsistentere Benchmarks. Auf der Effizienzachse – Verfahrensdauer, Prozesskosten, Fehlerreduktion – liefert KI tatsächlich. Auf der Demokratieachse – Gleichbehandlung, Transparenz, Minderheitenschutz – zeigt die bisherige Evidenz in die andere Richtung, solange die Trainingsdaten unbereinigt bleiben und Zugangslücken ungeschlossen sind.
Das ist der eigentliche Interessenskonflikt: Systeme, die historische Lohnverteilung optimieren, sind per Definition kein Instrument für Lohngleichstellung. Sie können es werden – aber nur unter bestimmten Bedingungen: Trainingsdaten, die um strukturelle Diskriminierung bereinigt sind; Audit-Pflichten, die über Dokumentation hinausgehen; Weiterbildungsangebote, die Zugangslücken schließen; und Transparenzregeln, die es Beschäftigten erlauben, algorithmische Entscheidungen zu verstehen und anzufechten.
Offene Flanken
Ein direkter kausaler Nachweis – KI-Einsatz im HR senkt oder erhöht den Gender Pay Gap um x Prozent – existiert nicht. Die vorliegenden Studien messen entweder Nutzungsverhalten (IAB/D21), Sprachmodell-Bias unter Laborbedingungen (THWS, Wharton) oder Gehaltsverläufe ohne vollständige Kontrolle für KI-Präsenz. Die kausale Lücke ist real und methodisch schwer zu schließen, weil Unternehmen selten offenlegen, welche Systeme sie nutzen und wie deren Ausgaben in finale Entscheidungen einfließen.
Branchenspezifische Daten für technologiegetriebene Sektoren – etwa die Halbleiterindustrie – liegen für Deutschland nicht systematisch vor. Was bekannt ist: Die Lücke in „Herstellung von Waren" beträgt 19 Prozent, in technischen Dienstleistungen 25 Prozent. Ob Unternehmen wie Infineon KI-gestützte Vergütungstools einsetzen und wie diese konfiguriert sind, ist öffentlich nicht dokumentiert. Das wäre ein lohnendes Feld für Betriebsräte und Aufsichtsbehörden.
Die Lücke zwischen regulatorischem Anspruch und gelebter Praxis bleibt die entscheidende. Nicht der Algorithmus ist das Problem – es ist die Frage, wessen Interessen er optimiert.