Die CFO von Kleiner Perkins saß sechs Stunden an ihrem Personalvollkostenmodell. Mit Rippling AI sind es jetzt Minuten.

Die Herausforderung

Sue Biglieri ist CFO und COO bei Kleiner Perkins, einer der renommiertesten Venture-Capital-Firmen im Silicon Valley. Ihre Entscheidungen brauchen präzise Finanzdaten. Und einer der aufwendigsten Termine im Jahr: die Vergütungsrunde.

Die Aufgabe klingt einfach: Gehälter prüfen, Bonus-Ansprüche klären und die Personalvollkosten pro Mitarbeitendem berechnen. Die Personalvollkosten — also das, was ein Mitarbeitender das Unternehmen tatsächlich kostet — gehen direkt ins Jahresbudget. Dazu zählen Gehalt, Arbeitgeberanteile zur Lohnsteuer, Benefits und der 401k-Match (Arbeitgeberzuschuss zur US-amerikanischen betrieblichen Altersvorsorge). Geld, das tatsächlich abfließt — und meistens mehr, als man denkt.

Das Problem war nicht, zu wissen, was in diese Zahl hineingehört. Das Problem war, wo die einzelnen Teile lagen. Die Benefits-Kosten schwankten von Person zu Person — je nach Familienangehörigen und gewähltem Tarif. Dafür musste Sue sich durch die Rechnungen arbeiten. Den 401k-Match gab es nur beim 401k-Anbieter. Die Payroll lieferte Zahlen bis zum Stichtag, aber keine Hochrechnung — und keine arbeitgeberspezifischen Steuern wie FUTA (die US-Bundesabgabe zur Arbeitslosenversicherung) und SDI (die kalifornische Erwerbsunfähigkeitsversicherung). Genau die Posten, die man leicht übersieht und von Hand kaum sauber berechnet. Und für die Boni: zurück zu den einzelnen Offer Letters, um Anspruch und Beträge zu klären.

Vier Quellen, von Hand zusammengetragen. Fünf bis sechs Stunden pro Excel-Tabelle. Und ständig das Risiko, dass sich irgendwo ein Fehler einschleicht.

Die Lösung

Dieses Jahr hat Sue es anders versucht. Sie öffnete Rippling AI und tippte einen einzigen Prompt:

„Kannst du mir die Personalvollkosten pro Mitarbeitendem für das gesamte Jahr 2026 geben — aufgeschlüsselt nach Mitarbeitendem und Abteilung?“

Was zurückkam, überzeugte sie sofort. Rippling AI fing oben an — mit einer Gesamtsumme für das ganze Unternehmen — und ging dann Schritt für Schritt tiefer. Die Kosten nach Kategorien aufgeschlüsselt: Gehalt, Benefits, Lohnsteuern. Alles nach Abteilungen organisiert, auf Basis der Org-Struktur, die in Rippling sowieso schon hinterlegt war — Sue musste dafür nichts einrichten. Und es ging bis auf die einzelne Person hinunter, sodass sie jede Zahl im Team einzeln nachprüfen konnte.

Die Abteilungsstruktur, die Benefits-Daten, die Payroll-Zahlen — alles lag schon in Rippling. Es kam in einer einzigen Antwort zusammen, in wenigen Minuten. Und Sue musste dafür weder eine Excel-Tabelle öffnen noch ein externes System aufrufen.

Im ersten Prompt waren die Boni noch nicht dabei. Aber als Sue sah, wie präzise Rippling AI Gehalt und Benefits abgedeckt hatte, war klar: Es kann mehr. Es hatte Zugriff auf die Offer Letters und wusste, wofür jeder einzelne Mitarbeitende anspruchsberechtigt war. Also ergänzte Sue die Boni — und prompt standen sie im Modell.

Das Ergebnis brachte noch etwas, womit Sue nicht gerechnet hatte: zentrale Beobachtungen und Annahmen, automatisch mit ausgegeben. Neben den reinen Zahlen also auch Kontext dazu, was sie eigentlich bedeuten.

Der Effekt

Aus bis zu sechs Stunden Tabellenarbeit wurden wenige Minuten. Aber den wichtigeren Punkt benennt Sue selbst: was mit der gewonnenen Zeit überhaupt erst möglich wird.

Wenn das Zahlenbauen Stunden frisst, bleibt für das Verstehen kaum noch Energie. Ist die Tabelle endlich fertig, fehlt die Kraft für die eigentliche Frage: Was bedeutet das alles? Mit Rippling AI im Hintergrund hat Sue endlich Zeit zum Nachdenken — sie kann sich anschauen, wofür das Unternehmen pro Abteilung Geld ausgibt, und sich fragen, ob es an die richtigen Stellen fließt.

Dazu kommt die Genauigkeit. Wer Arbeitgeber-Steuern wie FUTA (US-Bundesabgabe zur Arbeitslosenversicherung) und SDI (kalifornische Erwerbsunfähigkeitsversicherung) von Hand berechnet, macht schnell Fehler — vor allem, wenn solche Berechnungen nicht zum Tagesgeschäft im Haus gehören. Früher wurden manche dieser Zahlen geschätzt. Heute berechnet Rippling AI sie direkt aus den Quelldaten, und Sue kann jeden Posten gegen die Originaldaten prüfen.

Sie machte Stichproben. Die Zahlen stimmten.

Sechs Stunden auf Minuten verkürzt. Ein einziger Prompt lieferte das komplette Personalvollkostenmodell mit Gehalt, Benefits, Arbeitgeber-Steuern und Boni — für jeden Mitarbeitenden und jede Abteilung.

Eine Quelle statt vier. Benefits, Payroll, Steuern und Bonus-Ansprüche — alles aus Daten, die schon in Rippling lagen. Kein Zusammensuchen mehr über externe Systeme oder einzelne Offer Letters.

Genaue Zahlen statt Schätzungen. Arbeitgeber-Steuern, die früher oft geschätzt oder fehleranfällig waren, kommen heute direkt aus den Quelldaten — und Sue kann jede einzelne Position nachvollziehen.

Zeit zum Führen, nicht nur zum Rechnen. Wenn das Zahlenbauen automatisiert ist, hat Sue endlich Zeit für das, was eine CFO eigentlich machen soll: Daten interpretieren, die Ressourcenverteilung zwischen Abteilungen vergleichen und bessere Entscheidungen treffen.

Sicherheit war Sue genauso wichtig. Payroll-Daten durch ein externes KI-Tool zu schicken, kam für sie nicht in Frage — dafür sind die Informationen zu sensibel. Rippling AI läuft komplett in der Rippling-Plattform, auf Daten, die Kleiner Perkins ohnehin schon im Haus hat. Den Trade-off musste sie also gar nicht erst eingehen.

Die jährliche Vergütungsrunde fühlt sich heute anders an: weniger Zusammenbauen, mehr Analysieren.