Wie KI bei Stewards die Promoter-Bewertung revolutioniert

Nachdem wir in unserem letzten Artikel gezeigt haben, wie wir den Event-Alltag bei Stewards durch KI-gestützte, automatisierte Übersetzungen vereinfacht haben, gehen wir heute einen Schritt weiter: Finn, das umfassende Personal-Management-System von Stewards, bewertet Promoterinnen und Promoter jetzt automatisch KI-gestützt, monatlich und auf einer Datenbasis, die kein Mensch in vergleichbarer Form überblicken könnte.

Für jede aktive Promoterin und jeden aktiven Promoter wird einmal im Monat eine Zuverlässigkeitsbewertung auf einer Skala von 1 bis 5 erstellt, inklusive einer nachvollziehbaren, schriftlichen Begründung, die konkrete Zahlen aus dem Bewertungszeitraum referenziert.

Grundlage ist ein Leistungsprofil, das Finn automatisch aus den letzten Monaten zusammenstellt:

• Einsatzhistorie: angenommene, abgeschlossene und abgesagte Einsätze
• Einladungsverhalten: angenommene, abgelehnte und unbeantwortete Anfragen
• Absagen im Detail: nach Grund aufgeschlüsselt
• Manuelle Bewertungen: bis zu 30 Einzelbewertungen von Projektleitung, Teamleitung und Mitarbeitenden, jeweils mit Rolle, Note und Kommentar
• Verwarnungen und Notizen aus der Zusammenarbeit
• Erfahrung und Qualifikation der Person

Diese Signale werden nicht stumpf verrechnet. Die KI erhält eine klar definierte Gewichtungsmatrix, in der nicht jedes Signal gleich schwer wiegt. Zum Beispiel werden unbeantwortete Masseneinladungen nahezu neutral behandelt, denn wer nicht auf jede Rundmail antwortet, ist deshalb nicht unzuverlässig. Das Ergebnis wird als strukturierter Score mit Begründung direkt im Promoter-Profil gespeichert und bildet über die Monate einen aussagekräftigen Trend.

Hier liegt der eigentliche Business-Case. Stewards arbeitet mit einem großen Pool an Promoter:innen. Pro Person fallen dutzende relevante Datenpunkte an: jede Einladung, jede Zu- oder Absage, jeder Einsatz, jede Einzelbewertung aus drei verschiedenen Rollen, jede Notiz.

Wollte man diese Bewertungen manuell erstellen, müsste man für jede einzelne Person die komplette Historie der letzten Monate durchgehen, Absagegründe abwägen, dutzende Einzelbewertungen samt Kommentaren lesen und gewichten und das jeden Monat aufs Neue, für den gesamten Pool. In der Praxis würde das bedeuten: Bewertungen entstehen sporadisch, veralten schnell oder unterbleiben ganz.

Finn erledigt genau diese Arbeit vollautomatisch im Hintergrund. Ein Scheduler verteilt die Bewertungsläufe gleichmäßig über den Monat, ohne den laufenden Betrieb zu belasten. Bei Bedarf lässt sich eine Bewertung auch per Klick sofort aktualisieren. Das Planungsteam kann bei der Projektbesetzung direkt nach Bewertung filtern und trifft Entscheidungen auf Basis aktueller, vollständiger Daten statt auf Basis von Erinnerung und Bauchgefühl.

Neben der Skalierbarkeit ist Fairness der zweite große Gewinn. Selbst die sorgfältigste menschliche Einschätzung stößt bei diesem Volumen an natürliche Grenzen: Sie stützt sich auf die Einsätze, die man selbst miterlebt hat, was nie das Gesamtbild abbilden kann. Einzelne Eindrücke, positive wie negative, wiegen dann zwangsläufig schwerer als die vielen unauffällig-zuverlässigen Einsätze dazwischen. Und wer selten mit denselben Ansprechpersonen zusammenarbeitet, hat schlicht weniger Gelegenheit, gesehen zu werden.

Die KI-Bewertung setzt dem eine breitere, konsistente Datenbasis entgegen:

• Alle Datenpunkte zählen, nicht nur die, die zufällig im Gedächtnis geblieben sind. Ein einzelner negativer Vorfall wird im Kontext von Monaten zuverlässiger Arbeit eingeordnet, statt das Gesamtbild zu dominieren.
• Einheitliche Maßstäbe für alle: Jede Person wird nach derselben Gewichtung bewertet, unabhängig davon, wer gerade Zeit für eine Einschätzung hatte.
• Eingebaute Schutzmechanismen: Ohne harte Negativsignale kann der Score nicht unter einen fairen Mittelwert fallen. Bei dünner Datenlage bleibt die Bewertung bewusst zurückhaltend und weist darauf hin.
• Datensparsamkeit by Design: In das Bewertungsprofil fließen ausschließlich leistungsbezogene Signale ein. Persönliche Daten wie Name, Adresse oder Herkunft werden der KI gar nicht erst übergeben. Was nicht bewertet werden soll, kann so auch nicht unbewusst einfließen.

Wichtig dabei: Die KI ersetzt das menschliche Urteil nicht, sie fundiert es. Manuelle Bewertungen durch Projekt- und Teamleitung bleiben ein zentraler und hoch gewichteter Bestandteil des Systems. Die KI fasst zusammen, gewichtet und macht transparent; die Personalentscheidungen treffen weiterhin Menschen. Jede Bewertung ist mit ihrer Begründung einsehbar, die Gewichtungslogik ist für das Team direkt in Finn dokumentiert.

Wie schon bei den Übersetzungsfunktionen läuft die Verarbeitung über Azure AI Foundry in einer Enterprise-Umgebung. Jede KI-Anfrage wird protokolliert, das Antwortformat ist technisch fest vorgegeben, und Bewertungsläufe sind gegen Duplikate und Fehler abgesichert. So entsteht ein System, das nicht nur intelligent, sondern auch auditierbar und betriebssicher ist.

Die KI-gestützte Promoter-Bewertung in Finn löst ein Problem, das mit manueller Arbeit schlichtweg nicht lösbar ist: aktuelle & vollständige Bewertungen für einen gesamten Personalpool, jeden Monat. Das Planungsteam gewinnt eine verlässliche Entscheidungsgrundlage, die Promoterinnen und Promoter gewinnen eine Bewertung, die ihre tatsächliche Leistung widerspiegelt statt einzelner Momentaufnahmen. Ein weiteres Beispiel dafür, wie gezielt eingesetzte KI im Event-Alltag tatsächlichen Mehrwert schafft.