# Technische Dokumentation des Verhandlungsmechanismus

**Bachelorarbeit:** Gehaltsverhandlungen & digitale Hilfsmittel  
**Autor:** Jonas Lütke Wissing  
**Lehrstuhl für Unternehmensführung, Institut für Angewandte Betriebswirtschaftslehre und Unternehmensführung (IBU), Karlsruhe Institute of Technology**  
**Stand:** April 2026

---

## 1. Überblick und Designziele

Der Verhandlungsmechanismus simuliert ein realitätsnahes Gehaltsverhandlungsgespräch zwischen dem Teilnehmer und einer KI-gesteuerten HR-Managerin namens Sandra Richter. Der Mechanismus ist vollständig server-seitig implementiert und für alle Teilnehmer identisch — er stellt somit eine **extern valide, kontrollierte Verhandlungsumgebung** dar, in der die Argumentationsqualität des Teilnehmers kausal auf das Verhandlungsergebnis wirkt.

Die zentralen Designziele sind:

1. **Interne Validität:** Das Ergebnis muss deterministisch auf die Qualität der Argumente des Teilnehmers zurückführbar sein, nicht auf Zufallseinflüsse oder Mehrdeutigkeiten im Verhalten des Gegenübers.
2. **Externe Validität:** Sandra soll sich so verhalten, wie eine HR-Managerin in einer realen Gehaltsverhandlung plausibel reagieren würde — mit variierendem Ton, echten Konzessionen und einer definierten Grenze.
3. **Treatmentneutralität:** Der Mechanismus behandelt Kontroll- und Treatmentgruppe identisch — lediglich die Vorbereitung der Teilnehmer unterscheidet sich.
4. **Anreizkompatibilität:** Das erzielte Gehalt beeinflusst das Losgewicht bei der Vergütungsverlosung, sodass ein Anreiz besteht, echte Verhandlungsanstrengungen zu zeigen.

---

## 2. Szenario und Rahmenparameter

Die Simulation spielt in einem Chat-Interface. Der Teilnehmer übernimmt die Rolle eines frischen Bachelor-Absolventen (Wirtschaftsinformatik, TU München, Note 2,1; 6 Monate E-Commerce-Praktikum), der nach einem erfolgreichen Vorstellungsgespräch ein Gehaltsangebot der ShopFlow GmbH erhält. Sandra Richter initiiert das Gespräch mit einem Einstiegsangebot von 44.000 € brutto jährlich sowie einem definierten Leistungspaket (40 Std./Woche, 28 Urlaubstage, 2 Homeoffice-Tage, 1.500 € Weiterbildungsbudget, Gehaltsreview nach 12 Monaten).

| Parameter | Wert |
|---|---|
| Einstiegsangebot (Floor) | 44.000 € |
| Sandras absolutes Maximum (Ceiling) | 50.000 € |
| Extreme-Anker-Schwelle | 58.000 € |
| Rückzugsschwelle (ab Runde 3) | 55.000 € |
| Marktübliches Gehalt (Szenario) | 47.000 – 49.100 € |
| Maximale Angebotsrunden | 4 – 7 (abhängig von Goodwill) |

Der Teilnehmer hat eine **BATNA** (Best Alternative to a Negotiated Agreement) von ca. 42.000–43.000 € bei einem anderen Münchner Unternehmen. Sandra kennt diese Alternative **nicht** — analog zu einer realen Verhandlungssituation, in der HR die BATNA des Kandidaten nicht kennt.

---

## 3. Gesprächstypen und Interaktionsmodi

Der Teilnehmer kann zwei Arten von Nachrichten senden:

**Chat-Nachricht** (`type: chat`): Eine freie Textnachricht ohne konkretes Gehaltsangebot. Dient der Vorbereitung von Argumenten, dem Stellen von Fragen oder dem Aufbau von Rapport. Sandra antwortet gesprächig (1–2 Sätze) ohne ein Gegenangebot zu machen.

**Angebotsnachricht** (`type: offer`): Eine Nachricht mit konkreter Gehaltsforderung des Teilnehmers, optional kombiniert mit einer Begründung. Löst Sandras scripted Konzessionslogik aus und erhöht den Rundenstand.

Zusätzlich kann der Teilnehmer Sandras letztes Angebot **annehmen** (`type: accept`) oder das Gespräch **ablehnen** (`type: reject`), was die Verhandlung jeweils beendet.

### 3.1 Begrenzung der Chat-Vorrunden

Um zu verhindern, dass Teilnehmer das erste Gehaltsangebot unbegrenzt hinauszögern, ist die Anzahl der Chat-Nachrichten **vor der ersten Angebotsrunde** auf drei begrenzt. Ab der vierten Chat-Nachricht ohne vorangehendes Gehaltsangebot gibt Sandra eine feste Aufforderung zurück: *„Ich freue mich über Ihre Gedanken – aber lassen Sie uns konkreter werden: Was ist Ihre Gehaltsvorstellung?"* Dies wird nicht als reguläre Gesprächsrunde gezählt und beeinflusst den Goodwill nicht.

---

## 4. Argumentationsscoring

### 4.1 Primärbewertung: LLM-basiertes Scoring

Jede Teilnehmernachricht wird durch einen zweiten Aufruf des Sprachmodells (Claude Haiku) auf einer Skala von 0–4 bewertet. Das Modell arbeitet mit Temperatur 0 (deterministisch), einem few-shot-verankerten Rubrik-Prompt und Prompt-Caching für konsistente Latenzen.

| Score | Kriterium |
|---|---|
| **4** | Marktdaten **und** Qualifikation/Mehrwert **und** professionell-wertschätzender Ton |
| **3** | (A) Marktdaten **und** Qualifikation/Mehrwert, sachlich-neutral — **oder** (B) sehr spezifischer, quantifizierter Mehrwert mit konkreter Wirkung |
| **2** | Marktdaten **oder** spezifischer Mehrwert mit Beispiel, aber nicht beides; oder ein konkreter Wert ohne Nutzenbezug |
| **1** | Qualifikationen oder Mehrwert erwähnt, ohne Zahlen, Belege oder konkrete Wirkung |
| **0** | Kein Argument, vage, rein emotional oder irrelevant |

Ankerbeispiele aus dem Scoring-Prompt:

| Nachricht | Score |
|---|---|
| „Das reicht mir leider nicht." | 0 |
| „Ich habe meinen Bachelor an der TU München abgeschlossen." | 1 |
| „Ich weiß, dass solche Stellen in München bei ca. 48.000 € liegen." | 2 |
| „In meinem Praktikum habe ich drei Dashboards entwickelt, die Reportingaufwand um 40 % reduziert haben." | 2 |
| „Marktüblich sind hier ca. 48.000 €. Mit meinem TU-Abschluss und E-Commerce-Praktikum bringe ich genau dieses Profil mit." | 3 |
| „Laut Gehaltskompass liegt der Schnitt in München/E-Commerce bei 49.100 €. Ich freue mich sehr auf die Stelle und bin überzeugt, dass ich von Tag eins einen konkreten Beitrag leisten kann." | 4 |

Eine konkrete Gehaltszahl (z. B. „ca. 48.000 €") gilt als Marktdaten — eine Quellenangabe ist nicht erforderlich. Für Score 3-Variante B muss der Mehrwert messbar und spezifisch sein (z. B. „40 % weniger Aufwand").

### 4.2 Fallback: Keyword-basiertes Scoring

Bei API-Ausfällen greift ein regelbasierter Fallback-Scorer, der dieselbe Rubrik anhand von Schlüsselwörtern näherungsweise abbildet. Der Fallback gibt maximal Score 3 zurück, da Ton (Voraussetzung für Score 4) nicht zuverlässig aus Keywords erkennbar ist. Diese Designentscheidung verhindert eine stille Inflationierung von Scores bei API-Fehlern.

### 4.3 Kontextualisierung über Runden

Das Scoring berücksichtigt, welche Argumentthemen in früheren Runden bereits etabliert wurden. Wenn der Teilnehmer in Runde 1 Marktdaten genannt hat und in Runde 2 darauf aufbaut, erhält er nicht automatisch einen Abzug dafür, dass er die Daten nicht erneut wörtlich zitiert. Der Scorer erhält einen `prior_context`-String (z. B. „Marktdaten bereits genannt; Qualifikationen bereits dargelegt") und kann so fairen Score für aufbauende Argumentation vergeben.

---

## 5. Goodwill-System

Das Goodwill-System ist das zentrale Bindeglied zwischen der Argumentationsqualität des Teilnehmers und dem Verhalten Sandras. Es werden zwei getrennte Goodwill-Variablen geführt:

| Variable | Zweck |
|---|---|
| `neg_goodwill` | Gesamtgoodwill (Chat + Angebote) — steuert **Sandras Ton** |
| `neg_offer_goodwill` | Goodwill aus Angebotsrunden — steuert **Konzessionsrate und maximale Rundenanzahl** |

Diese Trennung ist methodisch wichtig: Chat-Engagement kann Sandra freundlicher machen, darf aber **keine monetären Konzessionen** erzeugen, die nicht durch Argumentationsqualität in tatsächlichen Angebotsrunden verdient wurden. Die Verwendung von nur einer Goodwill-Variable würde Chat-Aktivität als Surrogatvariable für Verhandlungsqualität zulassen.

### 5.1 Goodwill-Delta pro Nachricht

| Nachrichtentyp | Score | Delta |
|---|---|---|
| Chat | beliebig | max(1, Score) — mindestens +1 für jede Chat-Nachricht |
| Angebot | > 0 | +Score |
| Angebot | 0 (erstes Mal) | 0 (kein Abzug) |
| Angebot | 0 (zwei aufeinanderfolgend) | −1 (Penalty für wiederholte argumentfreie Forderungen) |

Die **consecutive-zero-Penalty** verhindert, dass Teilnehmer durch reines Wiederholen einer Forderung ohne Begründung unbegrenzt Runden strecken. Das erste argumentfreie Angebot ist neutral (Erstforderung kann taktisch sein), das zweite in Folge kostet −1 Goodwill.

### 5.2 Goodwill-Floor

Sobald ein Argument mit Score ≥ 2 geliefert wurde (erkennbar am gesetzten `prior_context`), kann der `neg_offer_goodwill` nicht unter 1 fallen. Damit bleibt erarbeiteter Goodwill auch nach späteren schwächeren Runden teilweise erhalten — analog zum realen Gesprächsverlauf, in dem ein überzeugendes frühes Argument das Bild des Bewerbers dauerhaft beeinflusst.

### 5.3 Mapping: Goodwill → Effektiver Score (Konzessionsrate)

Der `neg_offer_goodwill` wird in einen `effective_score` (0–3) überführt, der die Zeile der Konzessionsrate-Tabelle bestimmt:

| neg_offer_goodwill | effective_score |
|---|---|
| < 1 | 0 |
| 1 – 2 | 1 |
| 3 – 5 | 2 |
| ≥ 6 | 3 |

### 5.4 Goodwill und maximale Rundenanzahl

Die maximale Anzahl der Angebotsrunden wird ebenfalls aus dem `neg_offer_goodwill` abgeleitet:

| neg_offer_goodwill | max_rounds |
|---|---|
| < 0 | 4 |
| 0 – 5 | 5 |
| 6 – 11 | 6 |
| ≥ 12 | 7 |

Gut argumentierende Teilnehmer erhalten damit mehr Runden, in denen weitere Konzessionen möglich sind. Die Komprimierung auf 4–7 Runden (statt eines breiteren Spektrums) stellt sicher, dass die Rundenanzahl zwar relevant, aber nicht der dominierende Ergebnisfaktor ist.

---

## 6. Konzessionslogik

### 6.1 Konzessionsrate-Tabelle (`_RATES`)

Sandra schließt in jeder Angebotsrunde einen Anteil der Differenz zwischen der Forderung des Teilnehmers und ihrem letzten Angebot. Der Anteil (`rate`) hängt von der Rundennummer und dem `effective_score` ab:

| Runde | effective_score 0 | effective_score 1 | effective_score 2 | effective_score 3 |
|---|---|---|---|---|
| 1 | 0,18 | 0,28 | 0,38 | 0,48 |
| 2 | 0,16 | 0,28 | 0,40 | 0,52 |
| 3 | 0,00 | 0,10 | 0,18 | 0,26 |
| 4 | 0,00 | 0,06 | 0,11 | 0,16 |
| 5 | 0,00 | 0,03 | 0,06 | 0,09 |
| 6 | 0,00 | 0,01 | 0,03 | 0,05 |
| 7 | 0,00 | 0,01 | 0,02 | 0,03 |
| 8 | 0,00 | 0,00 | 0,01 | 0,02 |

Die Kalibrierung folgt der Metaanalyse von Bowles et al. (2005): Gute Verhandler (+12 % über Startwert) landen bei ca. 49.000 €, moderate bei ca. 47.000 €, schwache bei ca. 45.700 €. Ab Runde 3 fällt die Rate für schwache Argumente (effective_score 0) auf 0, um realistische Verhandlungsverläufe abzubilden.

### 6.2 Gegenangebot-Berechnung

Das Gegenangebot `counter` berechnet sich als:

```
gap    = player_offer − prev_employer_offer
counter = round(prev_employer_offer + gap × rate, auf nächste 500 €)
counter = min(counter, 50.000 €)          [Ceiling]
counter = max(counter, 45.000 €)          [Minimum in Runde 1]
```

Die Rundung auf volle 500 € erzeugt natürlich wirkende, runde Zahlen und verhindert rechnerisch exakt ableitbare Gegenangebote.

---

## 7. Scripted Verhandlungslogik (`_get_employer_response`)

Die Funktion `_get_employer_response` ist das Herzstück des Mechanismus. Sie gibt für jede Situation ein Tupel `(response_type, employer_offer)` zurück, das sowohl Sandras Reaktionstyp als auch ihr konkretes Gegenangebot festlegt.

### 7.1 Runde 1

| Bedingung | Response-Typ | Employer-Offer |
|---|---|---|
| player_offer < 44.000 € | `below_minimum` | 44.000 € |
| player_offer ≤ 45.000 € | `deal` | player_offer (Soforteinigung) |
| player_offer > 58.000 € | `counter_shocked` | counter (berechnet mit Straf-Rate 0,18) |
| player_offer ≤ 48.000 € | `counter_warm` | counter (berechnet mit effective_score-Rate) |
| player_offer ≤ 57.000 € | `counter_firm` | counter |
| player_offer ≤ 58.000 € | `counter_shocked` | counter |

**Extreme-Anker-Regelung:** Forderungen über 58.000 € werden mit der niedrigsten Straf-Rate (0,18) berechnet, unabhängig von der Argumentationsqualität. Dies verhindert, dass aggressive Anker-Strategien ohne inhaltliche Begründung unmittelbar Sandras Verhandlungsdecke erschließen. Sandra reagiert mit `counter_shocked`-Ton, kommt aber noch mit einem Counter zurück.

### 7.2 Runde 2

| Bedingung | Response-Typ | Employer-Offer |
|---|---|---|
| player_offer ≤ prev_employer_offer | `deal` | prev_employer_offer |
| player_offer > 58.000 € | `final_offer_firm` | 50.000 € |
| player_offer ≤ prev + 3.000 € | `counter_small` | counter |
| sonst | `counter_firm` | counter |

In Runde 2 ist die Extreme-Schwelle weiterhin aktiv. Die `counter_small`-Unterscheidung signalisiert dem Teilnehmer, dass die Schritte kleiner werden, ohne ein Ultimatum zu setzen.

### 7.3 Runde 3 und folgende

Ab Runde 3 greift die volle Logik inklusive Rückzugsschwelle und Rundenbudget:

| Bedingung | Response-Typ | Employer-Offer |
|---|---|---|
| player_offer ≤ prev_employer_offer | `deal` | prev_employer_offer |
| player_offer > 55.000 € | `take_or_leave` | prev_employer_offer |
| round_num ≥ max_rounds | `offer_with_benefits` (falls noch nicht angeboten) | prev_employer_offer |
| round_num ≥ max_rounds, Benefits bereits angeboten | `take_or_leave` | prev_employer_offer |
| rate > 0 und counter > prev_employer_offer | `counter_firm` oder `counter_small` | counter |
| rate = 0, round_num ≥ max_rounds − 1 | `offer_with_benefits` (falls noch nicht angeboten) | prev_employer_offer |
| rate = 0, round_num < max_rounds − 1 | `final_offer_firm` | prev_employer_offer |
| rate = 0, round_num ≥ max_rounds | `take_or_leave` | prev_employer_offer |

Die **Rückzugsschwelle** bei 55.000 € (ab Runde 3) stellt sicher, dass exzessive Forderungen konsequenzen haben. Bis Runde 2 gibt es keine Rückzugsdrohung — realistische HR-Praxis zu Gesprächsbeginn.

---

## 8. Benefits-Paket

Wenn Sandra monetär nicht weiter entgegenkommen kann oder möchte, bietet sie als Alternative zum höheren Gehalt ein vordefiniertes Benefits-Paket an: **Gehaltsreview nach 6 statt 12 Monaten** sowie **2 zusätzliche Urlaubstage**. Das Paket ist bewusst unveränderlich — es gibt keine freie Verhandlung einzelner Benefits, was von einer separaten Compliance-Prüfung (s. Abschnitt 10) durchgesetzt wird.

### 8.1 Auslösebedingungen

Das Benefits-Paket wird in zwei Situationen angeboten:

1. **Mechanisch:** Sandra ist beim Gehalt am Ende (rate = 0 in der vorletzten oder letzten Runde, oder `max_rounds` erreicht) — der Goodwill-basierte Entscheidungsbaum leitet automatisch zu `offer_with_benefits`.
2. **Explizit gefragt:** Der Teilnehmer erwähnt in einer Chat- oder Angebotsnachricht klar Benefits-Begriffe (z. B. „Urlaubstage", „Homeoffice", „Weiterbildungsbudget", „was bieten Sie sonst") — Sandra reagiert sofort mit dem Benefits-Paket, unabhängig vom aktuellen Rundenstand.

Das Paket kann im gesamten Gespräch nur **einmal** angeboten werden. Nach dem Angebot verläuft die weitere Verhandlung entweder zur Einigung mit Benefits (`deal_with_benefits`) oder zu `take_or_leave`.

---

## 9. Sandras Tone- und Antwortgenerierung

Sandra Richters Antworten werden durch einen Sprachmodell-Aufruf (Claude Haiku, Temperatur 0,1, max. 220 Tokens) generiert. Der Prompt setzt sich aus drei Komponenten zusammen:

1. **System-Prompt** (gecacht): Definiert Sandras Charakter, Grenzen, Marktkontext und Formatierungsregeln. Sandra kennt das Marktgehalt (47.000–49.100 €) und ihr internes Maximum (50.000 €), nennt beides aber nicht proaktiv.
2. **Gesprächshistorie:** Die letzten 12 Gesprächseinträge (6 Turns) plus die zwei fest gepinnten Eröffnungsnachrichten werden mitgesendet.
3. **User-Prompt (pro Runde):** Enthält Sandras Gegenangebot, den Ton, das Argument des Teilnehmers und spezifische Verhaltensanweisungen für die Situation.

### 9.1 Ton-Kalibrierung

Der `neg_goodwill` steuert die Wärme von Sandras Reaktion:

| neg_goodwill | Ton |
|---|---|
| < 0 | Etwas ungeduldig und nüchtern; signalisiert, dass konkrete Argumente fehlen |
| 0 – 1 | Professionell und neutral |
| 2 – 3 | Leicht aufgeschlossen, findet die Argumente des Bewerbers interessant |
| 4 – 6 | Wärmer, Argumente überzeugen zunehmend; subtile Signale, dass die Argumente etwas bewirken |
| > 6 | Sehr warm und wertschätzend; zeigt deutlich, dass das Argument überzeugend ist |

### 9.2 Antworttypen und Ton-Muster

| response_type | Ton-Beschreibung |
|---|---|
| `below_minimum` | Höflicher Hinweis auf das Mindestgebot |
| `counter_warm` | Freundlich und entgegenkommend, schätzt das Engagement |
| `counter_firm` | Sachlich und bestimmt, wenig Spielraum, aber Einigungswille |
| `counter_shocked` | Freundlich aber bestimmt — Forderung weit über Budget, schätzt Selbstbewusstsein |
| `counter_small` | Ehrlich und ruhig — letzte kleine Bewegung |
| `final_offer_firm` | Variiert nach Rundenstand (früh: offen; mittel: kaum noch Spielraum; spät: kein Spielraum) |
| `take_or_leave` | Sachlich und direkt — Entscheidung gefordert |
| `offer_with_benefits` | Ruhig und konstruktiv — Gehaltspuffer erschöpft, konkretes Benefits-Paket |
| `deal` / `accept` | Herzlich und enthusiastisch — Einigung, Willkommensnachricht |
| `reject` | Verständnisvoll und respektvoll — bedauert die Ablehnung |

---

## 10. Compliance-Prüfung

Jede von Sandra generierte Antwort durchläuft einen zweiten LLM-Aufruf (Claude Haiku, Temperatur 0) als automatisierter Qualitätsprüfer. Dieser prüft auf drei Regelverstöße und korrigiert sie, ohne den restlichen Text zu verändern:

| Regel | Kriterium | Aktion |
|---|---|---|
| **REGEL 1** | Verweis auf interne Abstimmung oder spätere Rückmeldung (z. B. „Ich melde mich", „intern klären") | Satz vollständig entfernen |
| **REGEL 2** | Ein konkreter Euro-Betrag < 50.000 € wird explizit als „absolutes Maximum" oder „mein Limit" bezeichnet | Satz umformulieren ohne Betrag als Limit zu nennen |
| **REGEL 3** | Freie Verhandlung einzelner Benefits über das festgelegte Paket hinaus (z. B. „30 Tage wären möglich") | Satz ersetzen durch: „Die Benefits für diese Stelle sind festgelegt." |

Diese Compliance-Schicht stellt sicher, dass systemimmanente Inkonsistenzen des Sprachmodells — insbesondere in Kantenfällen — das Experiment nicht verfälschen. Regel 1 verhindert, dass Sandra Entscheidungsbefugnis delegiert, was in einer realen HR-Situation unrealistisch wäre. Regel 2 sichert, dass der echte interne Maximalwert (50.000 €) nicht vorzeitig enthüllt wird. Regel 3 garantiert, dass keine unkontrollierten Benefits-Zusagen entstehen.

---

## 11. Datenerfassung

Alle verhandlungsrelevanten Ereignisse werden pro Teilnehmer gespeichert:

| Feld | Beschreibung |
|---|---|
| `player_offer_1` – `_8` | Forderungen des Teilnehmers je Runde |
| `employer_offer_1` – `_8` | Gegenangebote Sandras je Runde |
| `player_argument_1` – `_8` | Begründungstexte je Runde |
| `arg_score_1` – `_8` | LLM-Argumentscore (0–4) je Runde |
| `neg_goodwill` | Gesamtgoodwill am Ende |
| `neg_offer_goodwill` | Angebots-Goodwill am Ende |
| `goodwill_after_round_1` – `_8` | Goodwill-Snapshot nach jeder Runde (für Längsschnittanalyse) |
| `chat_turns` | Anzahl Chat-Nachrichten gesamt |
| `benefits_offered` | Ob Benefits-Paket angeboten wurde |
| `benefits_accepted` | Ob Teilnehmer Benefits angenommen hat |
| `final_salary` | Einigungsgehalt (0 bei Ablehnung) |
| `negotiation_result` | `deal`, `deal_with_benefits`, `rejected`, `rejected_by_hr`, `timeout` |
| `num_rounds` | Anzahl der Angebotsrunden bis zur Einigung |

---

## 12. Exemplarische Verhandlungsverläufe

### 12.1 Teilnehmer ohne Argumentation (effective_score = 0)

| Runde | Forderung | Sandras Angebot | Response-Typ | Goodwill (offer) |
|---|---|---|---|---|
| — | — | 44.000 € | Eröffnung | 0 |
| 1 | 50.000 € | 45.000 € | `counter_firm` | 0 |
| 2 | 50.000 € | 46.000 € | `counter_firm` | −1 |
| 3 | 50.000 € | 46.000 € | `offer_with_benefits` | −2 |
| 4 | — | — | `take_or_leave` bei 46.000 € | — |

Endgehalt bei Annahme: ca. **46.000 €** (+4,5 % über Einstiegsangebot)

### 12.2 Teilnehmer mit starker Argumentation (effective_score = 3)

| Runde | Forderung | Sandras Angebot | Response-Typ | Goodwill (offer) |
|---|---|---|---|---|
| — | — | 44.000 € | Eröffnung | 0 |
| 1 | 50.000 € | 47.000 € | `counter_firm` | 3 |
| 2 | 50.000 € | 48.500 € | `counter_small` | 6 |
| 3 | 50.000 € | 49.000 € | `counter_small` | 9 |
| 4 | 50.000 € | 49.000 € | `final_offer_firm` | 12 |
| 5 | 50.000 € | 49.000 € | `offer_with_benefits` | 15 |

Endgehalt bei Annahme: ca. **49.000 €** (+11,4 % über Einstiegsangebot)

Die Kalibrierung orientiert sich an Bowles et al. (2005), wonach effektiv verhandelnde Bewerber typischerweise 7–12 % mehr als das Einstiegsangebot erzielen.

### 12.3 Teilnehmer mit extremem Anker (Forderung > 58.000 €)

| Runde | Forderung | Sandras Angebot | Response-Typ |
|---|---|---|---|
| — | — | 44.000 € | Eröffnung |
| 1 | 70.000 € | 49.000 € | `counter_shocked` (Straf-Rate 0,18) |
| 2 | 70.000 € | 50.000 € | `final_offer_firm` |
| 3 | ≤ 50.000 € | — | `deal` |

Durch die Straf-Rate in Runde 1 entsperrt ein extremer Anker zwar schnell den Näherungsbereich des Ceilings, liefert aber **keine Vorteile gegenüber einem gut argumentierenden Teilnehmer**, der durch strukturierte Verhandlung ebenfalls auf 49.000–50.000 € kommt.

---

## 13. Abgrenzung und methodische Hinweise

**Kontrollierte Varianz:** Das Verhandlungsergebnis variiert ausschließlich in Abhängigkeit von der Argumentationsqualität des Teilnehmers (operationalisiert über den LLM-Score) und der daraus resultierenden Goodwill-Akkumulation. Zufallseinflüsse sind durch Temperatur 0 im Scoring-Modell und deterministisch gerundete Gegenangebote minimiert.

**Treatmentneutralität:** Der Mechanismus ist für Kontroll- und Treatmentgruppe vollständig identisch. Unterschiede im Verhandlungsergebnis sind ausschließlich auf die unterschiedliche Vorbereitung (mit vs. ohne KI-Assistent) zurückführbar.

**Limitationen:** Das scripted Verhalten Sandras kann reale HR-Verhandlungen nicht in ihrer vollen Komplexität abbilden. Insbesondere sind emotionale Eskalation, Zeitdruck-Taktiken oder strategisches Schweigen nicht modelliert. Die Simulation ist bewusst auf eine sachliche Gehaltsverhandlung im Chat-Format reduziert, um externe Störvariablen zu minimieren und die interne Validität zu maximieren.

---

*Dieses Dokument beschreibt den Stand des Mechanismus vom April 2026 (Deployment v276). Alle Konstanten, Schwellenwerte und Ratentabellen sind server-seitig implementiert und können nicht durch den Teilnehmer eingesehen oder beeinflusst werden.*