AI-ready für HR und Finance: Der Guide für deutsche Führungskräfte

Deutsche CFOs und HR-Verantwortliche stehen derzeit zwischen zwei Kräften, die in entgegengesetzte Richtungen ziehen.

DSGVO und GoBD machen Deutschland schon jetzt zu einem der strengsten Länder Europas im Umgang mit Personal- und Finanzdaten. Ab 2027 kommen die Pflichten des EU AI Act hinzu, die den Einsatz von KI bei Einstellungen, Leistungsüberwachung, Gehaltsentscheidungen und Kündigungen betreffen. Wer dabei Fehler macht, zahlt künftig noch mehr dafür.

Risiken zu vermeiden, kostet aber ebenfalls. Unternehmen, die HR und Finance über Excel-Tabellen, E-Mail-Ketten und manuellen Abgleich steuern, stoßen schnell an ihre Grenzen, besonders wenn mehrere Gesellschaften oder Länder im Spiel sind.

Wachstum ohne zusätzliches Risiko braucht einen nachvollziehbaren, prüfbaren Datenbestand. Die meisten Altsysteme können das nicht leisten. Ausgerechnet die Systeme, die das Wachstum ausbremsen, liefern auch keinen lückenlosen Audit-Trail.

Ein Chatbot oder KI-Assistent, der auf bestehende Prozesse aufgesetzt wird, schließt diese Lücke nicht. Compliance muss in der Automatisierung selbst stecken, angefangen bei solider Governance und einer einzigen verlässlichen Datenquelle.

Drei Schritte zu solider KI-Governance

Für HR und Finance stellt sich eine einfache Frage: Ist unsere KI compliant by Design oder nur auf dem Papier? Das hängt von drei Dingen ab: Wer prüft die Ergebnisse der KI? Wer sieht was? Und setzt sie feste Regeln durch oder nur eine Vermutung?

1. Der Mensch bleibt im Loop

Es macht einen großen Unterschied, ob KI erst handelt oder erst vorschlägt und wartet. Jede Aktion, die ein KI-System vorschlägt, etwa eine Gehaltsänderung, eine Bonuszahlung oder eine aktualisierte Richtlinie, sollte erst nach Prüfung durch einen Menschen freigegeben werden. Diese Person muss jeden Quelldatensatz hinter jeder Zahl nachvollziehen können. Kann ein CFO eine Zahl nicht bis zur Quelle zurückverfolgen, bringt der Human-in-the-Loop-Schritt nichts.

2. Datenschutz als Architekturprinzip

Die DSGVO verlangt, dass Sie im Einzelfall belegen können, wer worauf zugegriffen hat und warum. Das gelingt deutlich leichter, wenn die KI Ihre bestehende Berechtigungsstruktur übernimmt, statt nach eigenen Regeln zu laufen. Fragt ein Mitarbeitender nach dem eigenen Gehalt, bekommt er nur seine eigenen Daten. Eine Führungskraft sieht nur das eigene Team. Eine separate Zugriffsebene müssen Sie nicht konfigurieren,und es entsteht keine neue Stelle, an der Daten abfließen können.

3. Deterministische Regeldurchsetzung

Hier entsteht die größte Verwechslung. Wenn ein KI-Modell selbst einschätzt, ob eine Ausgabe von 300 Euro „angemessen" wirkt, ist das eine probabilistische Entscheidung. Die Eingabe bleibt gleich, das Ergebnis kann je nach Kontext trotzdem variieren. Das ist etwas anderes als eine Policy-Engine, die eine feste Regel durchsetzt, etwa „Markiere jede Ausgabe über 300 Euro aus dieser Lieferantenkategorie", und zwar jedes Mal, auf die gleiche Weise, für jeden Mitarbeitenden. Dieselbe Eingabe führt immer zum gleichen Ergebnis, ohne Rätselraten. Das lässt sich im Audit deutlich leichter belegen.

Eine Datenebene statt zwei synchronisierter Systeme

Laut unserer aktuellen Umfrage verbringen die Teams von 47 % der Finance-Verantwortlichen mehr als die Hälfte ihrer Zeit mit administrativen Aufgaben. Ein großer Teil dieser Zeit fließt in den Abgleich von Systemen, die von Anfang an keine gemeinsamen Daten nutzen. Das Problem: HR und Finance laufen meist auf zwei Systemen, die versuchen, synchron zu bleiben. Ein HRIS verwaltet, wer beschäftigt ist, was die Person verdient und welche Benefits sie hat. Eine Spend-Plattform erfasst, was ausgegeben wird und von wem. Bei jedem Abgleich kann etwas schiefgehen: eine Änderung bei den Benefits, die erst mit Verzögerung in die Lohnabrechnung einfließt, weil sie zufällig auffällt, oder eine Zahlung an einen Contractor, die in den Headcount-Zahlen des anderen Systems nie auftaucht.

Die GoBD verlangt, dass Finanzunterlagen vollständig und bis zur Quelle nachvollziehbar sind. Liegen Lohn- und Ausgabendaten in getrennten Systemen, die sich nur zeitversetzt synchronisieren, wird das schwerer zu belegen, denn dann gibt es zwei Quellen, die nicht immer übereinstimmen.

Eine nativ verbundene Datenebene löst dieses Problem strukturell. HR und Finance lesen denselben Datensatz, sobald er sich ändert. Startdatum, Gehalt, Benefits und Ausgabenrichtlinien liegen auf einem Profil. Eine Regel, die zwei Freigaben für Contractor-Rechnungen ab einem bestimmten Betrag verlangt, kann so sofort Einstufung, Gesellschaft und Land des Contractors prüfen, und zwar mit denselben Daten, die HR bereits vorliegen.

Trennen Sie HR und Finance auf zwei Plattformen, kann dieselbe Policy-Engine nur raten oder auf den nächsten Sync warten.

Anwendungsfälle in der Praxis

Die oben beschriebenen Prinzipien für KI-Governance und Daten sind keine Theorie. So sehen sie im Arbeitsalltag aus.

Spesen in Sekunden gegen lokale Regeln prüfen

In Deutschland ist der Verpflegungsmehraufwand nur bis zu einem festen Betrag steuerfrei, danach wird er steuerpflichtig. Statt jede Quittung von Hand zu prüfen, gleicht die KI jede eingereichte Spesenabrechnung sofort mit diesem Schwellenwert ab. Liegt ein Betrag darüber, markiert sie ihn und nennt die angewendete Regel. Das Finance-Team prüft dann nur die Markierung, nicht die gesamte Spesenabrechnung.

Kosten nach Gesellschaft aufrollen, ganz ohne Excel

Ein CFO mit Gesellschaften in Deutschland, Frankreich und Großbritannien kann Headcount und Vergütung nach Land oder Abteilung abfragen. Der Report entsteht direkt aus den aktuellen Lohn- und Org-Daten, jede Zahl bleibt mit ihrem Quelldatensatz verknüpft. Drei Exporte zusammenzuführen und zu hoffen, dass sie zusammenpassen, entfällt damit.

Das „Warum" erklären, nicht nur die Zahl

Die Überstunden sind im letzten Quartal sprunghaft gestiegen. Statt eines statischen Reports, der nur das Ausmaß zeigt, verfolgt die KI die Ursache bis zur einzelnen Abteilung und weiter bis zur einzelnen Führungskraft, die den Großteil der Doppelvergütung verursacht. Das ist der Unterschied zwischen einer Zahl und einer Erkenntnis, auf die ein Führungsteam tatsächlich reagieren kann.

Unverbundene Länderdaten in schnelle Freigaben verwandeln

Eine Excel-Liste mit Spontanboni kommt mit uneinheitlichen Währungen und Spalten an. Die KI ordnet sie den richtigen Personalakten zu, zieht aktuelle Wechselkurse, markiert fehlende IDs und bereitet den gesamten länderübergreifenden Payroll-Lauf vor. Erst nach Freigabe durch eine verantwortliche Person wird er ausgeführt.

Jedes dieser Beispiele folgt denselben Prinzipien: Ein Mensch prüft, bevor etwas ausgeführt wird. Antworten bleiben auf das beschränkt, was diese Person bereits sehen darf. Und wo eine feste Regel gebraucht wird, gibt es eine, keine Vermutung.

Wo steht Ihr Unternehmen?

Wie sicher sind Sie, dass Ihre Systeme bereits das erfüllen, was DSGVO, GoBD und die Mitbestimmungsrechte des Betriebsrats von jeder Anwendung verlangen, die überwacht, wie Menschen arbeiten?