Disparate Impact
Ein rechtliches Konzept: Eine scheinbar neutrale Regel oder Praxis, die eine geschützte Gruppe unverhältnismäßig negativ betrifft.
Disparate Impact liegt vor, wenn ein neutraler Algorithmus geschützte Gruppen benachteiligt – die 80%-Regel ist der klassische Fairness-Test.
Erklärung
Die 80%-Regel (Four-Fifths Rule): Wenn die Auswahlrate einer Gruppe weniger als 80% der höchsten Gruppenrate beträgt, liegt potentieller Disparate Impact vor. In ML: Wenn ein Modell systematisch unterschiedliche Outcomes für geschützte Gruppen produziert.
Relevanz für Marketing
Kritisch für Marketing-AI: Ad Targeting, Kredit-Scoring, Recruiting-Tools – überall wo Algorithmen Zugang oder Ressourcen verteilen.
Beispiel
Ein Ad-Targeting-Algorithmus zeigt Wohnungsanzeigen seltener an Minderheiten, obwohl Ethnie kein Feature ist – Proxy-Variablen verursachen Disparate Impact.
Häufige Fallstricke
Proxy-Variablen (PLZ, Name) können Disparate Impact verursachen ohne explizite geschützte Merkmale. Schwer nachzuweisen ohne disaggregierte Daten.
Entstehung & Geschichte
Der Begriff stammt aus dem US-Arbeitsrecht (Griggs v. Duke Power, 1971). Die 80%-Regel wurde von der EEOC formalisiert. Im KI-Kontext wurde Disparate Impact durch Studien zu Facebooks Ad-Targeting (2019) und Amazon-Recruiting (2018) brisant.
Abgrenzung & Vergleiche
Disparate Impact vs. Disparate Treatment
Disparate Treatment ist absichtliche Diskriminierung (z.B. explizites Feature "Geschlecht"); Disparate Impact ist unbeabsichtigt aber systematisch.
Disparate Impact vs. Demographic Parity
Demographic Parity ist eine Fairness-Metrik; Disparate Impact ist ein rechtlicher Standard, der die 80%-Schwelle nutzt.
Weiterführende Ressourcen
Anwendungsfälle im Marketing
Performance-Marketing-Teams nutzen Disparate Impact, um Kampagnen-Ideen schneller zu generieren und A/B-Tests in Stunden statt Wochen auszurollen.
Content-Abteilungen setzen Disparate Impact ein, um redaktionelle Pipelines zu beschleunigen — von Recherche und Outline bis zu mehrsprachiger Lokalisierung.
Im Customer Support liefert Disparate Impact die Grundlage für intelligente Chatbots, die Tier-1-Anfragen automatisiert lösen und Tickets um 40–60 % reduzieren.
Analytics- und Insights-Teams kombinieren Disparate Impact mit BI-Dashboards, um große Datenmengen in Echtzeit zu interpretieren und proaktive Handlungsempfehlungen abzuleiten.
Produkt- und Innovationsabteilungen prototypisieren mit Disparate Impact neue Features, ohne tiefe Engineering-Ressourcen zu binden.
Compliance- und Legal-Teams setzen Disparate Impact ein, um Verträge, Briefings und Marketing-Assets automatisiert auf regulatorische Anforderungen wie den EU AI Act zu prüfen.
Häufige Fragen
Was ist Disparate Impact?
Ein rechtliches Konzept: Eine scheinbar neutrale Regel oder Praxis, die eine geschützte Gruppe unverhältnismäßig negativ betrifft. Im Kontext von Künstliche Intelligenz bezeichnet Disparate Impact einen etablierten Ansatz, der von KI-Marketing-Teams in DACH zunehmend operativ genutzt wird, um Effizienz und Qualität messbar zu steigern.
Warum ist Disparate Impact für Marketing-Teams 2026 relevant?
Kritisch für Marketing-AI: Ad Targeting, Kredit-Scoring, Recruiting-Tools – überall wo Algorithmen Zugang oder Ressourcen verteilen. Unternehmen, die Disparate Impact strukturiert einführen, berichten typischerweise von 20–40 % Effizienzgewinn in den ersten 6 Monaten.
Wie führe ich Disparate Impact im Unternehmen ein?
Eine pragmatische Einführung von Disparate Impact beginnt mit einem klar abgegrenzten Pilot-Use-Case, klaren KPIs (z. B. Zeit-, Kosten- oder Conversion-Effekt), einem cross-funktionalen Team aus Marketing, Daten und IT sowie einer Governance-Grundlage gemäß EU AI Act und DSGVO. Nach 6–8 Wochen folgt die Skalierung auf weitere Use Cases.
Welche Risiken und Fallstricke gibt es bei Disparate Impact?
Typische Fallstricke bei Disparate Impact sind unklare Zielbilder, fehlende Daten-Qualität, mangelnde Akzeptanz im Team sowie zu späte Einbindung von Datenschutz und Compliance. Diese Risiken lassen sich mit einem strukturierten Readiness-Check, klaren Verantwortlichkeiten und einer realistischen Roadmap deutlich reduzieren.