Vorstandsvergütung objektiv analysieren. Algorithmisch. DCGK-konform. KI-gestützt.

89% der börsennotierten Unternehmen nutzen Peer-Group-Vergleiche für Vorstandsvergütungen. Das klingt nach Best Practice — ist aber wissenschaftlich nachgewiesen dysfunktional.

Opportunistische Peer-Selektion

Vergütungsausschüsse wählen Vergleichsunternehmen, die ein gewünschtes Vergütungsniveau rechtfertigen. Forscher nennen das "Shoot the Arrow, Then Paint the Target" (Iyer, Palmon & Sankaran, 2023).

Der Leapfrogging-Effekt

Unternehmen streben das 75. Perzentil an. Jedes will "überdurchschnittlich" bezahlen — das Ergebnis: +400% CEO-Vergütung zwischen 1980 und 2004 (DiPrete et al., 2010).

Fehlende ESG-Standards

93% der europäischen Großunternehmen integrieren ESG-Kriterien in Vergütungsmodelle — aber es gibt keinen universellen Standard. Das öffnet die Tür für Greenwashing.

DCGK G.3 warnt explizit: "Der Peer Group-Vergleich ist mit Bedacht zu nutzen, damit es nicht zu einer automatischen Aufwärtsentwicklung kommt."

Statt 1–2 Vergleichskriterien analysiert unser Algorithmus jedes Unternehmen über sechs gewichtete Dimensionen:

Dimension	Gewichtung	Was wird verglichen
Branchenzugehörigkeit	25%	SIC-Code-Hierarchie (4-stellig bis Mega-Cluster)
Unternehmensgröße	30%	Bilanzsumme + Umsatz
Finanzielle Performance	15%	Umsatz-/Bilanzsummen-CAGR, Zielerreichungsgrade
ESG-Performance	10%	16 ESG-Metriken (S&P/LSEG-kompatibel)
Vergütungsphilosophie	10%	Fix/Variabel-Struktur, STI/LTI-Balance
Governance-Qualität	10%	Board-Independence, Disclosure-Qualität

Ergebnis: Ein objektiver Ähnlichkeitsscore zwischen 0 und 1 — vollständig transparent und nachvollziehbar.

Drei aufeinander aufbauende Filter verhindern die vom DCGK G.3 gewarnte Aufwärtsentwicklung:

1. Größenfilter (3x-Schwelle)

Bidirektional — kein Benchmarking eines Mittelständlers gegen DAX-Konzerne.

2. IQR-Vergütungsfilter

Statistische Ausreißererkennung nach Tukey (1977) eliminiert extreme Vergütungswerte.

3. Bias-Score-Analyse

Transparente Bewertung, ob die Peer-Group systematisch nach oben oder unten verzerrt ist.

100% Erfolgsrate — jeder einzelne Ausreißer wurde in der wissenschaftlichen Evaluation erkannt und entfernt.

Zwei Sprachmodelle analysieren Unternehmenstexte parallel:

Consensus Score (93,1%): Strukturelle Übereinstimmung beider Modelle.
Agreement Score (78,4%): Inhaltliche Bewertungsübereinstimmung.

Wo die Modelle sich widersprechen, ist menschliche Expertise gefragt — genau so ist das System designt.

Aufsichtsräte und Vergütungsausschüsse

Objektive, algorithmische Grundlage für Vergütungsentscheidungen. Vollständige Audit-Trails. Schutz vor dem Vorwurf opportunistischer Selektion.

Vergütungsberater

Standardisiertes, DCGK-konformes Verfahren. Das Tool augmentiert Ihre Expertise — es ersetzt sie nicht.

Investoren und Stimmrechtsberater

Schnelle, datenbasierte Vergütungsanalyse. Batch-fähig für Portfolio-Analyse.

Entwickelt als Masterarbeit an der Universität Duisburg-Essen (Mercator School of Management) bei Prof. Dr. Marc Eulerich. September 2025.

Methodik: Design-Science-Research (DSRM) nach Peffers et al. (2007), erweitert durch MLPM und FEDS.

Theoretische Fundierung: Agency-Theorie (Jensen & Meckling, 1976), Stakeholder-Theorie (Freeman, 1984), Behavioral Agency Theory (Pepper & Gore, 2015), Benchmarking-Forschung (DiPrete et al., 2010).

"AI supports transparency and structuring; it does not replace professional judgment."

Das System strukturiert komplexe Vergütungsinformationen und macht sie objektiv vergleichbar. Die finale Entscheidung bleibt dort, wo sie hingehört: beim Menschen.