15.4 Adatok, algoritmusok és az automatikus döntések határai – Daten, Algorithmen und die Grenzen automatischer Entscheidungen

1. Képzeljünk el egy nőt, aki lakásra pályázik, és benyújtja az összes kért dokumentumot.

2. Néhány nappal később elutasítást kap, mert egy automatikus értékelőrendszer túl alacsonyra minősítette a pályázatát.

3. Kérésre az ügyintéző megad egy számértéket, de nem tudja megmondani, mely adatok döntőek voltak.

4. A jelentkező gyanítja, hogy korábbi lakcímét vagy egy időközben már megszűnt munkaviszonyát vették figyelembe.

5. Sem egy esetleges hibát nem tud kijavítani, sem egy ténylegesen helytálló, de nem megfelelő értékelési indokot nem tud vitatni.

6. A számérték látszólag magyarázatot ad az elutasításra, de elsősorban csupán egy számítás eredményét jelzi.

7. Nyitott kérdés marad, hogy ez a számítás megbízható információt nyújt-e a pályázóról, és hogy ebből elutasítás következhet-e.

8. Éppen azért, mert itt egy látszólag egyértelmű szám dönt egy fontos életlehetőségről, ezeket a kérdéseket szét kell választani.

9. A dokumentumok akkor válnak adatokká, amikor az adatokat rögzítik, kiválasztják és meghatározott kategóriák szerint rendszerezik.

10. A bejegyzett jövedelem megfelelhet egy tényleges kifizetésnek, de ez még nem fedi le egy személy teljes gazdasági helyzetét.

11. Már az a választás is megváltoztatja, hogy melyik helyzet láthatóvá válik: az utolsó havi fizetés vagy egy hosszabb időszakra vonatkozó átlag.

12. A jövedelemszerző munkától mentes időszak egy táblázatban ugyanúgy nézhet ki, bár az egyik esetben betegség, a másikban pedig önkéntes állásváltás miatt alakult ki.

13. Az adatok ezért sem az ember teljes képe, sem pedig tetszőlegesen kitalált jelek.

14. Értelmezhetőségük attól függ, hogyan jöttek létre, és milyen kérdésre kell velük választ adni.

15. Még egy hiányzó adatnak sincs egyértelmű jelentése, hiszen egy üres mező tudatlanságot, technikai problémát vagy ténylegesen hiányzó igazolást jelezhet.

16. Aki ilyen hiányosságokat további ellenőrzés nélkül megbízhatatlanságként értékeli, máris egy további feltételezést fűz a rendelkezésre álló ismeretekhez.

17. Az algoritmus egy meghatározott eljárás, amely a bemeneti adatokat leírt lépések révén kimeneti adatokká alakítja át.

18. Egy egyszerű értékelés súlyozhatja a jövedelmi adatokat, figyelembe vehet bizonyos igazolásokat, és ezekből kiszámíthat egy összpontszámot.

19. Ehhez sem tanuló rendszerre, sem mesterséges intelligenciára nincs szükség.

20. Egy tanuló eljárás esetében viszont a példaadatokból származó összefüggéseket használják fel egy modell kialakításához, amelynek feladata az új esetek besorolása.

21. A modell például korábbi bérleti szerződések alapján fejleszthető ki, amelyeknél ismert, hogy történt-e fizetési mulasztás.

22. Hogy mely esetek szolgálnak példaként, és mi minősül fizetési mulasztásnak, az minden esetben az eljárás kialakításával kapcsolatos döntés marad.

23. A lakáselutasítás vizsgálatához ezért az algoritmusra való hivatkozás éppúgy nem elegendő, mint az emberi ügyintézőre való hivatkozás.

24. Mindkét esetben fel kell tárni, hogy mely információkat milyen mércék alapján használták fel.

25. Egy előrejelzés becsüli, hogy bizonyos feltételek mellett mi fog valószínűleg történni.

26. Egy ajánlás ezen az alapon javasol egy eljárást, míg egy kötelező erejű döntés ténylegesen elfogadja vagy elutasítja a jelentkezést.

27. E lépések között nem pusztán technikai folytatás áll, hanem annak a választása, hogy milyen következményeket fűznek egy értékeléshez.

28. Még egy jól megalapozott, megnövekedett fizetési kockázatra vonatkozó előrejelzés sem jelenti azt, hogy ez a jelentkező nem fogja fizetni a bérleti díját.

29. A statisztikai szabályszerűség egy esetekből álló halmaz gyakoriságára vonatkozik, és ennek ellenére hasznos, korlátozott információkat nyújthat egy-egy egyedi esetre vonatkozóan.

30. Ebből sem a jövőre vonatkozó biztos állítás, sem az adott személy jelleméről szóló ítélet nem következik.

31. Ugyanígy a jóslat sem határozza meg, hogy egy ügyintéző milyen kockázatot fogadjon el, vagy milyen biztosítékok jöhetnek szóba az elutasítás alternatívájaként.

32. A számítás a valószínű következményekre vonatkozó kérdésre ad választ; a döntéshez további indokokra van szükség arra vonatkozóan, hogy mely érdekek és terhek számítanak.

33. Az automatikus feldolgozás mellett szól, hogy számos pályázatot ugyanazon kifejezett kritériumok alapján tud elbírálni.

34. Ahol egyébként az időnyomás, a változó figyelem vagy a személyes szimpátia döntő tényező, egy gondosan kidolgozott eljárás csökkenthetné az önkényes különbségeket.

35. Ez az érv figyelmet érdemel, mert a lassú és egységtelen feldolgozás szintén egyenlőtlen esélyeket eredményezhet.

36. Ennek előfeltétele azonban, hogy az ismétlődően alkalmazott kritériumok alkalmasak legyenek a lakáskiadásra, és alkalmazásuk indokolt legyen.

37. A kért bérleti díj megfizetésére vonatkozó igazolt képesség a bérleti jogviszony céljából indokolható.

38. A családi háttér viszont nem válik már pusztán attól jogos kiválasztási alappá, hogy egy fizetési mulasztásokat tartalmazó adatbázisban szerepel.

39. Egy rossz szabály puszta ismétlése ugyan egyenletessé teszi annak alkalmazását, de nem teszi azt jogossá.

40. A megbízhatóságot ezért olyan esetekben kellene vizsgálni, amelyek eltérnek attól, amelyekből egy modell a összefüggéseit nyerte, és ezeknek a vizsgálati eseteknek illeszkedniük kell a tervezett felhasználáshoz.

41. Egy olyan eljárás, amely más bérleti feltételek mellett sikeres volt, még nem bizonyult alkalmasnak a jelen esetben kiadandó lakásokra.

42. Aki a besorolást elutasítás alapjaként használja, annak képesnek kell lennie az állított alkalmasság bizonyítására, ahelyett, hogy a pályázótól egy ismeretlen számítás cáfolatát követelné.

43. Ez különösen nehézséget jelent, ha a modellhez használt példák már korábbi kiválasztási döntések által vannak meghatározva.

44. Ha az adatgyűjtemény kizárólag elfogadott pályázatokat tartalmaz, akkor hiányzik belőle az a tudás, hogy az akkor elutasított személyek mennyire megbízhatóan fizették volna a bérleti díjat.

45. Egy modell ilyen adatokból további feltételezések nélkül nem tudja megtanulni, hogy a korábbi elutasítások indokoltak voltak-e.

46. Ezenkívül átvehet olyan különbségeket is, amelyek egyenlőtlen életkörülményekből fakadtak, és most személyes tulajdonságoknak tűnnek.

47. A lakcím ilyenkor esetleg helyettesítő jellemző lenne, vagyis olyan adat, amely közvetetten kapcsolódik egy másik tulajdonsághoz vagy társadalmi helyzethez.

48. Az, hogy a származást vagy a hovatartozást nem kérdezik meg kifejezetten, még nem zárná ki egy ilyen közvetett hátrányos megkülönböztetést.

49. Ezzel szemben két csoport eltérő elutasítási aránya önmagában sem ezt az összefüggést, sem a rendszer egy konkrét hibáját nem bizonyítja.

50. Ehhez meg kellene vizsgálni, mely adatok, szabályok és kiindulási feltételek magyarázzák a különbségeket, és hogy ezek az okok a cél szempontjából elfogadhatók-e.

51. A „tisztességes” kifejezés sem menti fel ettől a vizsgálattól, mivel különböző követelményeket jelölhet.

52. Elvárható lenne, hogy az azonos, igazolt fizetőképességgel rendelkező személyeket ugyanazon szabályok szerint kezeljék.

53. Elvárható lenne továbbá, hogy a különböző csoportokhoz tartozó, fizetőképes pályázókat ugyanolyan ritkán utasítsák el tévesen.

54. Ezeket a célokat nem feltétlenül ugyanazon szabály alkalmazásával kell elérni, ha az alkalmazott adatok a csoportokon belül eltérő mértékben tükrözik a fizetőképességet.

55. Egy mindenki számára azonos küszöbérték egyenlőtlen hibákat eredményezhetne, míg a küszöbértékek módosítása új különbségeket vezetne be a kezelésben.

56. Hogy egy ilyen kiigazítás indokolt lenne-e, vagy csupán egy hiányos mérőszámot leplezne el, azt a konkrét eljárás keretében kellene vizsgálni.

57. Ennek során figyelembe kell venni a hibák költségeit is: egy téves jóváhagyás terhet jelenthet a közigazgatás számára, egy téves elutasítás pedig megfoszthat egy embert a sürgősen szükséges lakhatástól.

58. Az, hogy ezeknek a kockázatoknak milyen aránya elfogadható, nem állapítható meg kizárólag a helyes besorolások összesített arányából.

59. Ezzel szemben felhozható az az ellenérv, hogy itt olyan követelményeket támasztanak az automatizált eljárásokkal szemben, amelyeknek az emberi döntések gyakran szintén nem felelnek meg.

60. Egy ügyintéző is elhamarkodottan értékelhet egy címet, figyelmen kívül hagyhat fontos körülményeket, vagy utólag megfelelő szavakkal indokolhatja elutasítását.

61. A személyes indoklás ezért még nem feltétlenül jó indoklás, és egy beszélgetés sem garantálja a pártatlanságot.

62. A tisztességes összehasonlításnak az automatikus eljárást a ténylegesen rendelkezésre álló emberi feldolgozáshoz kell viszonyítania, nem pedig a tökéletes ítélőképességhez.

63. Ha az eljárás bizonyíthatóan kevesebb hibát követ el, és a fennmaradó hibák jobban kijavíthatók, az az alkalmazása mellett szól.

64. A jobb átlag azonban nem szünteti meg a konkrét, indokolatlan elutasítás kérdését.

65. Éppen egy összességében hatékony eljárásnak kell kezelnie azokat az eseteket, amikor releváns körülmények hiányoznak, vagy a mércéi nem megfelelően érvényesülnek.

66. A számok vak átvételének alternatívája ezért nem feltétlenül a számítás elhagyása, hanem egy olyan eljárás, amely korlátozza azok jelentőségét, és ellenőrizhető módon használja fel azokat.

67. A pályázó számára ebben az összefüggésben többféle tájékoztatás lenne hasznos, amelyeket nem szabad összekeverni egymással.

68. Az eljárás leírása ismerteti, hogy mely adatokat dolgozzák fel, és hogyan alakul ki belőlük a besorolás.

69. Az eredményének magyarázata emellett meg kellene mutassa, hogy az ő esetében mely adatok voltak döntőek.

70. Az elutasítás indoklásának végül ki kell fejtenie, hogy miért éppen ezek az adatok és a választott döntési szabály indokolják az elutasítást.

71. Még egy pontos technikai leírás is nyitva hagyhatná ezt az utolsó kérdést, mert az eredmény eredete még nem bizonyítja annak megalapozottságát.

72. Ugyanakkor a pályázónak nem kell minden számítási lépést nyomon követnie ahhoz, hogy kifogást emeljen egy elavult jövedelmi adat vagy egy nem megfelelő kritérium ellen.

73. Az érthető tájékoztatás mértéke annak alapján lenne mérhető, hogy lehetővé teszi-e számára az elutasítás tárgyilagos vizsgálatát.

74. Amennyiben a döntő okok nem teszik lehetővé a megbízható hozzáférést, a következményes elutasítások alapjául szolgáló döntés megfelelően nehezebben indokolható.

75. A fellebbezésnek azonban kevés értelme lenne, ha a közigazgatás csupán ugyanazokat az adatokat futtatná újra ugyanazon eljárás keretében.

76. Az illetékes személynek fel kell vennie a hiányzó körülményeket, értékelnie kell a besorolás jelentőségét, és indokolt eltérést kell kezdeményeznie.

77. Ehhez elegendő időre, a releváns információkhoz való hozzáférésre és tényleges döntéshozatali jogkörre van szüksége.

78. Egy automatikusan generált határozat aláírása nem felel meg ennek a feladatnak, ha az eredményt ténylegesen csak átveszik.

79. Ha a vizsgálat olyan hibát tár fel, amely további pályázatokat is érinthet, akkor a közös adatbázist vagy szabályt is felül kell vizsgálni.

80. Így a felelősség továbbra is azoknál marad, akik kiválaszthatják, alkalmazhatják az eljárást, és kijavíthatják annak következményeit.

81. A pályázónak egy ilyen ellenőrzés után sem lenne garantált joga a felvételre, viszont lenne egy indokolt mércéje arra, hogy mi alapján ismerhető fel egy elfogadható elutasítás.

82. A határozatán szereplő szám hasznos támpont lehet; azonban csak egy olyan eljárás keretében válik megalapozott döntéssé, amely felelősséget vállal annak jelentőségéért és következményeiért.

1. Stellen wir uns eine Frau vor, die sich um eine Wohnung bewirbt und alle verlangten Unterlagen einreicht.

2. Wenige Tage später erhält sie eine Absage, weil ein automatisches Bewertungssystem ihre Bewerbung zu niedrig eingestuft hat.

3. Auf Nachfrage nennt die Verwaltung einen Zahlenwert, kann aber nicht sagen, welche Angaben den Ausschlag gegeben haben.

4. Die Bewerberin vermutet, dass ihre frühere Anschrift oder eine inzwischen beendete Beschäftigung berücksichtigt wurde.

5. Sie kann weder einen möglichen Fehler berichtigen noch einen sachlich zutreffenden, aber unangemessenen Bewertungsgrund bestreiten.

6. Der Zahlenwert scheint die Absage zu erklären, doch zunächst bezeichnet er nur das Ergebnis einer Berechnung.

7. Ob diese Berechnung etwas Verlässliches über die Bewerberin aussagt und ob daraus eine Absage folgen darf, bleibt offen.

8. Gerade weil hier eine scheinbar eindeutige Zahl über eine wichtige Lebensmöglichkeit mitentscheidet, müssen diese Fragen auseinandergehalten werden.

9. Die Unterlagen werden zu Daten, indem Angaben aufgezeichnet, ausgewählt und nach bestimmten Kategorien geordnet werden.

10. Ein eingetragenes Einkommen kann einer tatsächlichen Zahlung entsprechen, erfasst aber deshalb noch nicht die gesamte wirtschaftliche Lage eines Menschen.

11. Bereits die Wahl zwischen dem letzten Monatsgehalt und einem längeren Durchschnitt verändert, welche Situation sichtbar wird.

12. Eine Phase ohne Erwerbsarbeit kann in einer Tabelle gleich aussehen, obwohl sie einmal durch Krankheit und einmal durch einen freiwilligen Stellenwechsel entstanden ist.

13. Daten sind deshalb weder ein vollständiges Abbild der Person noch beliebig erfundene Zeichen.

14. Ihre Aussagekraft hängt davon ab, wie sie zustande kamen und welche Frage mit ihnen beantwortet werden soll.

15. Auch eine fehlende Angabe hat keine eindeutige Bedeutung, denn ein leeres Feld kann Unwissen, ein technisches Problem oder einen tatsächlich fehlenden Nachweis anzeigen.

16. Wer solche Lücken ohne weitere Prüfung als mangelnde Zuverlässigkeit bewertet, fügt dem vorhandenen Wissen bereits eine zusätzliche Annahme hinzu.

17. Ein Algorithmus ist ein festgelegtes Verfahren, das Eingaben durch beschriebene Schritte in Ausgaben überführt.

18. Eine einfache Bewertung könnte Einkommensangaben gewichten, bestimmte Nachweise berücksichtigen und daraus eine Gesamtpunktzahl berechnen.

19. Dafür ist weder ein lernendes System noch künstliche Intelligenz erforderlich.

20. Bei einem lernenden Verfahren werden dagegen Zusammenhänge aus Beispieldaten zur Bildung eines Modells genutzt, das neue Fälle einstufen soll.

21. Das Modell kann etwa anhand früherer Mietverhältnisse entwickelt werden, bei denen bekannt ist, ob Zahlungen ausgeblieben sind.

22. Welche Fälle als Beispiele dienen und was als Zahlungsausfall zählt, bleibt auch dann eine Entscheidung über die Gestaltung des Verfahrens.

23. Für die Prüfung der Wohnungsabsage genügt daher der Hinweis auf einen Algorithmus ebenso wenig wie der Hinweis auf einen menschlichen Sachbearbeiter.

24. In beiden Fällen muss erkennbar werden, welche Informationen nach welchen Maßstäben verwendet wurden.

25. Eine Vorhersage schätzt, was unter bestimmten Bedingungen wahrscheinlich geschehen wird.

26. Eine Empfehlung schlägt auf dieser Grundlage ein Vorgehen vor, während eine verbindliche Entscheidung die Bewerbung tatsächlich annimmt oder ablehnt.

27. Zwischen diesen Schritten liegt keine bloße technische Fortsetzung, sondern eine Wahl darüber, welche Folgen an eine Einschätzung geknüpft werden.

28. Selbst eine gut begründete Vorhersage eines erhöhten Zahlungsausfallrisikos sagt nicht, dass diese Bewerberin ihre Miete nicht zahlen wird.

29. Eine statistische Regelmäßigkeit betrifft Häufigkeiten in einer Menge von Fällen und kann für einen einzelnen Fall dennoch nützliche, begrenzte Hinweise liefern.

30. Daraus folgt weder eine sichere Aussage über die Zukunft noch ein Urteil über den Charakter der Person.

31. Ebenso wenig legt die Vorhersage fest, welches Risiko eine Verwaltung akzeptieren soll oder welche Sicherheiten als Alternative zu einer Absage infrage kommen.

32. Die Berechnung beantwortet eine Frage nach wahrscheinlichen Folgen; die Entscheidung benötigt zusätzlich Gründe dafür, welche Interessen und Belastungen zählen.

33. Für eine automatische Bearbeitung spricht, dass sie viele Bewerbungen nach denselben ausdrücklichen Kriterien prüfen kann.

34. Wo sonst Zeitdruck, wechselnde Aufmerksamkeit oder persönliche Sympathie den Ausschlag geben, könnte ein sorgfältig gestaltetes Verfahren willkürliche Unterschiede vermindern.

35. Dieses Argument verdient Gewicht, weil eine langsame und uneinheitliche Bearbeitung ebenfalls Chancen verteilen kann.

36. Seine Voraussetzung ist allerdings, dass die wiederholt angewandten Kriterien für die Wohnungsvergabe geeignet und ihre Verwendung vertretbar sind.

37. Die nachgewiesene Fähigkeit, die verlangte Miete aufzubringen, lässt sich aus dem Zweck des Mietverhältnisses begründen.

38. Die familiäre Herkunft wird dagegen nicht schon dadurch zu einem berechtigten Auswahlgrund, dass sie in einer Datensammlung mit Zahlungsausfällen zusammenhängt.

39. Die bloße Wiederholung einer schlechten Regel macht deren Anwendung gleichmäßig, aber nicht berechtigt.

40. Zuverlässigkeit müsste deshalb an anderen Fällen geprüft werden als jenen, aus denen ein Modell seine Zusammenhänge gewonnen hat, und diese Prüffälle müssten zur vorgesehenen Verwendung passen.

41. Ein Verfahren, das unter anderen Mietbedingungen erfolgreich war, ist damit noch nicht für die hier zu vergebenden Wohnungen bewährt.

42. Wer die Einstufung als Grundlage einer Absage einsetzt, muss die behauptete Eignung belegen können, statt von der Bewerberin die Widerlegung einer unbekannten Berechnung zu verlangen.

43. Besonders schwierig wird das, wenn die Beispiele für ein Modell bereits durch frühere Auswahlentscheidungen geprägt sind.

44. Enthält die Datensammlung nur angenommene Bewerbungen, fehlt darin das Wissen darüber, wie zuverlässig die damals abgelehnten Menschen ihre Miete gezahlt hätten.

45. Ein Modell kann aus solchen Daten nicht ohne zusätzliche Annahmen lernen, ob die früheren Absagen berechtigt waren.

46. Es könnte außerdem Unterschiede übernehmen, die aus ungleichen Lebensbedingungen entstanden sind und nun wie persönliche Eigenschaften erscheinen.

47. Die Anschrift wäre dann möglicherweise ein Stellvertretermerkmal, also eine Angabe, die mittelbar mit einer anderen Eigenschaft oder sozialen Lage zusammenhängt.

48. Dass Herkunft oder Zugehörigkeit nicht ausdrücklich abgefragt werden, würde eine solche mittelbare Benachteiligung noch nicht ausschließen.

49. Umgekehrt beweist eine unterschiedliche Ablehnungsquote zweier Gruppen für sich allein weder diesen Zusammenhang noch einen bestimmten Fehler des Systems.

50. Dafür müsste untersucht werden, welche Daten, Regeln und Ausgangsbedingungen die Unterschiede erklären und ob diese Gründe für den Zweck vertretbar sind.

51. Auch das Wort „fair“ beseitigt diese Prüfung nicht, denn es kann verschiedene Anforderungen bezeichnen.

52. Man könnte verlangen, dass Menschen mit derselben nachgewiesenen Zahlungsfähigkeit nach denselben Regeln behandelt werden.

53. Man könnte außerdem verlangen, dass zahlungsfähige Bewerberinnen und Bewerber verschiedener Gruppen gleich selten irrtümlich abgelehnt werden.

54. Diese Ziele müssen nicht durch dieselbe Regel erreicht werden, wenn die verwendeten Angaben die Zahlungsfähigkeit in den Gruppen unterschiedlich gut erfassen.

55. Eine gleiche Schwelle für alle könnte dann ungleiche Fehler erzeugen, während veränderte Schwellen neue Unterschiede in der Behandlung einführen würden.

56. Ob eine solche Anpassung begründet wäre oder nur einen mangelhaften Maßstab verdeckte, müsste am konkreten Verfahren geprüft werden.

57. Dabei sind die Kosten der Fehler mitzudenken: Eine irrtümliche Zusage kann die Verwaltung belasten, eine irrtümliche Absage kann einem Menschen dringend benötigten Wohnraum verschließen.

58. Welches Verhältnis dieser Risiken vertretbar ist, lässt sich aus einer Gesamtquote richtiger Einstufungen allein nicht ablesen.

59. Dagegen lässt sich einwenden, dass hier Anforderungen an automatische Verfahren gestellt werden, die menschliche Entscheidungen oft ebenfalls nicht erfüllen.

60. Auch ein Sachbearbeiter könnte eine Anschrift voreilig bewerten, wichtige Umstände übersehen oder seine Ablehnung nachträglich mit passenden Worten versehen.

61. Eine persönliche Begründung ist deshalb nicht schon eine gute Begründung, und ein Gespräch garantiert keine Unvoreingenommenheit.

62. Der faire Vergleich muss ein automatisches Verfahren an einer tatsächlich verfügbaren menschlichen Bearbeitung messen, nicht an einer vollkommenen Urteilskraft.

63. Wenn das Verfahren nachweislich weniger Fehler macht und die verbleibenden Fehler besser korrigiert werden können, spricht das für seinen Einsatz.

64. Ein besserer Durchschnitt hebt jedoch die Frage nach einer konkreten ungerechtfertigten Absage nicht auf.

65. Gerade ein insgesamt leistungsfähiges Verfahren braucht einen Umgang mit Fällen, in denen relevante Umstände fehlen oder seine Maßstäbe unangemessen greifen.

66. Die Alternative zur blinden Übernahme einer Zahl ist daher nicht notwendig der Verzicht auf Berechnung, sondern ein Verfahren, das ihre Aussagekraft begrenzt und überprüfbar nutzt.

67. Für die Bewerberin wären dabei mehrere Arten von Auskunft hilfreich, die nicht miteinander verwechselt werden dürfen.

68. Eine Erklärung des Verfahrens beschreibt, welche Angaben verarbeitet werden und wie daraus eine Einstufung entsteht.

69. Eine Erklärung ihres Ergebnisses müsste darüber hinaus zeigen, welche Angaben in ihrem Fall entscheidend waren.

70. Die Begründung der Absage müsste schließlich darlegen, weshalb gerade diese Angaben und die gewählte Entscheidungsregel eine Ablehnung tragen sollen.

71. Auch eine genaue technische Beschreibung könnte diese letzte Frage offenlassen, weil die Herkunft eines Ergebnisses noch nicht seine Berechtigung zeigt.

72. Zugleich muss die Bewerberin nicht jeden Rechenschritt nachvollziehen können, um einen veralteten Einkommenseintrag oder ein unpassendes Kriterium zu beanstanden.

73. Eine verständliche Auskunft wäre daran zu messen, ob sie ihr eine sachliche Prüfung der Absage ermöglicht.

74. Wo sich entscheidende Gründe nicht verlässlich zugänglich machen lassen, wird der Einsatz als Grundlage folgenreicher Ablehnungen entsprechend schwerer zu rechtfertigen.

75. Eine Anfechtung hätte allerdings wenig Wert, wenn die Verwaltung lediglich dieselben Angaben erneut durch dasselbe Verfahren laufen ließe.

76. Eine zuständige Person müsste fehlende Umstände aufnehmen, die Bedeutung der Einstufung beurteilen und eine begründete Abweichung veranlassen können.

77. Dafür braucht sie ausreichend Zeit, Zugang zu den relevanten Informationen und tatsächliche Entscheidungsbefugnis.

78. Eine Unterschrift unter einem automatisch erzeugten Bescheid erfüllt diese Aufgabe nicht, wenn das Ergebnis faktisch nur übernommen wird.

79. Zeigt die Prüfung einen Fehler, der weitere Bewerbungen betreffen könnte, müsste auch die gemeinsame Datengrundlage oder Regel überprüft werden.

80. Damit bleibt die Verantwortung an jene gebunden, die das Verfahren auswählen, einsetzen und seine Folgen korrigieren können.

81. Die Bewerberin hätte auch nach einer solchen Prüfung keinen garantierten Anspruch auf eine Zusage, wohl aber einen begründeten Maßstab dafür, woran eine vertretbare Absage erkennbar wäre.

82. Die Zahl auf ihrem Bescheid kann ein brauchbarer Hinweis sein; zur tragfähigen Entscheidung wird sie erst innerhalb eines Verfahrens, das für ihre Bedeutung und ihre Folgen einsteht.