Erfahren Sie mehr über die folgenden beqom-Produkte
Stellen Sie sich eine Führungskraft vor, die während einer Vergütungsrunde auf ihren Bildschirm schaut. Sie tippt in natürlicher Sprache ein: „Warum ist Marcos leistungsbezogene Entgelterhöhung in diesem Jahr gedeckelt?“
Sie verlangt eine klare, korrekte und rechtssichere Antwort. Gelingt dies, verfügen HR-Teams über einen Agenten, der solche Fragen in Sekundenschnelle beantwortet – und zwar auf Konzernebene über mehrere Kontinente hinweg und nachvollziehbar gegenüber Betriebsrat, Wirtschaftsprüfern oder nachfragenden Mitarbeitenden. Geht hingegen etwas schief, müssen Sie diesen Prüfern erklären, warum Ihre KI ein Gehaltsband erfunden hat, das nie existiert hat.
Bei der Entwicklung einer solchen Lösung für große Unternehmen haben wir eine kontraintuitive Erkenntnis gewonnen: Die nützlichste KI in einer Compensation-Plattform ist diejenige, die die eigentlichen Daten niemals zu Gesicht bekommt. Nicht im Sinne von „sie speichert sie nicht“. Auch nicht „sie soll nicht hinsehen“. Sondern sie kann es strukturell gar nicht. Diese „Blindheit“ macht die KI keineswegs weniger leistungsfähig; im Gegenteil: Sie schafft erst das nötige Vertrauen, um das System in Personalabteilungen einzusetzen, die die Vergütung für Hunderttausende von Mitarbeitenden verwalten.
Warum das so ist – und warum es sich dabei um eine weitaus anspruchsvollere technische Herausforderung handelt, als einfach nur einen Chatbot anzubinden –, erfahren Sie im Folgenden.
Warum können Sie einem LLM nicht einfach Ihre Vergütungsdaten übergeben?
Die Vergütung ist ein echter Stresstest für LLM-Anwendungen, da gleich drei voneinander unabhängige Faktoren einfachen Ansätzen entgegenwirken.
Hürde eins: Regulierung. Die Vergütung gehört zu den am stärksten regulierten Bereichen überhaupt – von Gesetzen zur Entgeltgleichheit über die EU-Entgelttransparenzrichtlinie bis hin zu internen Audits und Betriebsräten. „Die KI hat es vorgeschlagen“ ist keine Rechtfertigung, die man unter Eid abgeben möchte. Entscheidungen müssen hier erklärbar, reproduzierbar und auf eine klare Formel zurückzuführen sein – nicht auf ein Bauchgefühl.
Hürde zwei: Kontext. Selbst wenn Sie dem Modell alles zur Verfügung stellen wollten – es geht schlicht nicht. Die Vergütungsdaten von 100.000 Beschäftigten in ein Kontextfenster zu laden, sprengt Ihr Token-Budget, treibt die Latenz in die Höhe und führt dazu, dass das Modell mitten im Thread den Faden verliert. Eine naive Architektur nach dem Prinzip „Wir geben dem LLM einfach alle Daten“ birgt nicht nur Datenlecks – sie funktioniert technisch schlichtweg nicht.
Hürde drei: Arithmetik. LLMs können nicht verlässlich rechnen. Bittet man ein Modell darum, eine leistungsbezogene Gehaltserhöhung anhand mehrerer Geschäftsregeln und Währungen zu berechnen, reicht schon eine plausibel wirkende Halluzination aus, um einer Führungskraft eine falsche Zahl zu liefern. Eine einzige erfundene Ziffer ist hier kein reiner Demo-Fehler. Es geht um die tatsächliche Vergütung eines echten Menschen.
Drei Hürden, ein Ausweg: Geben Sie dem Modell weder die Daten, noch lassen Sie es Berechnungen durchführen. Das klingt nach einer massiven Einschränkung. Tatsächlich ist es eine Befreiung.
Was bedeutet es für eine KI, „präzise“ zu sein, wenn sie die Zahlen selbst nie zu Gesicht bekommt?
Es gibt zwei grundlegend verschiedene Dinge, die man beiläufig als „korrekt“ bezeichnet – und eine gute Architektur trennt diese strikt voneinander.
- Exaktheit der Argumentation – wie die Frage zu beantworten ist. Welche Richtlinie gilt, was die Obergrenze bedeutet, wie man Führungskräften die Logik vermittelt, was man zeigen muss und in welcher Form. Hierbei geht es um Sprache, Struktur und Fachsemantik. Genau darin sind LLMs herausragend gut.
- Exaktheit der Berechnungen – wie die Zahlen lauten. Der Höchstbetrag, der anteilige Betrag, die Währungsumrechnung. Hier geht es um Arithmetik und Geschäftsregeln – und genau darin liegt das Risiko von LLMs.
Ein naives Design verschmilzt beides und hofft auf das Beste. Ein datenblindes Design trennt sie bereits konstruktionsbedingt: Das Modell übernimmt das Reasoning, eine deterministische Engine die Zahlen – und beide tauschen niemals die Rollen. Das Modell bestimmt den Denkansatz für die Antwort. Es entscheidet jedoch nie über den tatsächlichen Wert. Sobald man diese Grundansatz verinnerlicht hat, ergibt sich die gesamte Architektur von selbst.
Diese Trennung ist nicht neu. Das Verbergen von Daten vor dem Planungsmodell geht auf das „Dual-LLM“-Muster von Simon Willison zurück; die Aufteilung zwischen Reasoning und deterministischer Ausführung wurde in der Forschungsliteratur formalisiert; und der Grundsatz „Überlass dem Modell nicht die Arithmetik“ setzt sich stillschweigend als Standard durch. Neu ist, dies im Produktivbetrieb unter realen Autorisierungs-, Regulierungs- und Payroll-Bedingungen für einige der größten Belegschaften weltweit zuverlässig umzusetzen. Das ist eine ganz andere Herausforderung, als es lediglich in einem Benchmark zu belegen.
Wo stößt der Blindflug an seine Grenzen?
Hier aufzuhören, wäre reine Marketing-Rhetorik. Genau an diesem Punkt wird es jedoch wirklich anspruchsvoll – und das Gegenteil zu behaupten, würde das Vertrauen einer fachlich versierten Leserschaft verspielen.
Metadaten sind Informationen. Selbst wenn alle Namen entfernt werden, reicht das nicht aus. Die Bezeichnungen von Objekten, Datensätzen und Analysen, die Sie freigeben, können für sich genommen bereits aufschlussreich sein. Schon die bloße Existenz einer bestimmten Analyse kann Rückschlüsse auf Absichten zulassen. Die Grenze zu ziehen zwischen Metadaten, die das Modell für logische Verknüpfungen benötigt, und solchen, die unbemerkt Details preisgeben, ist ein kontinuierlicher, gezielter Prozess – und keine einmalige Checkbox.
Selbst Strukturen können verräterisch sein. Teilt man dem Modell im Vergütungskontext mit: „Diese Ansicht umfasst zwei Personen“, schafft man potenziell ein Re-Identifikationsrisiko: k-Anonymität bei kleinen Gruppen, die klassische Falle. Strukturelles Feedback ist gerade deshalb so wirkungsvoll, weil es Informationen liefert – und Informationen über sehr kleine Gruppen können Rückschlüsse auf Einzelne ermöglichen. Wir setzen Heuristiken ein, die an kritischen Endpunkten die Kardinalität unterdrücken, und optimieren diesen Ansatz kontinuierlich. Wer behauptet, dieses Problem sei gelöst, arbeitet entweder nicht in einem regulierten Umfeld oder ignoriert die Realität.
Diese Grenzen sprechen nicht gegen diesen Ansatz. Sie sind vielmehr sein Kern: Ein ausgereiftes KI-System zeichnet sich dadurch aus, dass es die eigenen Grenzen genau kennt. Die eigentliche Stärke liegt nicht darin zu behaupten, das Modell könne alles. Sie zeigt sich in der Präzision, mit der bestimmte Bereiche bewusst ausgeklammert werden.
So setzt beqom dies in der Praxis um
Der Trend bei agentischer KI besteht derzeit darin, Leistungsfähigkeit daran zu messen, wie viel man dem Modell überträgt: mehr Autonomie, mehr Zugriff, mehr Tools, mehr Spielraum. Der datenblinde Ansatz weist in die entgegengesetzte Richtung. Der Agent ist leistungsfähiger, verlässlicher und vertrauenswürdiger in einem regulierten Umfeld, in dem Vertrauen entscheidend ist – genau deshalb, weil wir seine Freiheitsgrade konsequent eingeschränkt haben. Wer einschränkt, was das Modell entscheiden darf, schwächt es nicht. Er gibt ihm eine klare Richtung. Der Reifegrad einer Enterprise-KI-Anwendung misst sich nicht daran, wie viel sie an das Modell delegiert. Er misst sich an der Schärfe der Grenzen, die sie zieht.
Genau so ist der KI-Agent in der Vergütungsplattform von beqom aufgebaut. Er analysiert Ihre Vergütungsrichtlinien, Ihre Prozessregeln sowie Ihre Kalibrierungslogik und greift dabei zu keinem Zeitpunkt direkt auf reale Gehälter, Boni oder Namen zu. Jede Zahl, die eine Führungskraft sieht, stammt aus einer deterministischen Engine, lässt sich lückenlos auf eine Formel zurückführen und wird unter den individuellen Berechtigungen dieser Führungskraft verarbeitet. Deshalb können HR-Teams die Lösung in einigen der weltweit größten Unternehmen direkt in laufenden Vergütungsrunden einsetzen – und deshalb hält sie Audits stand, statt sie zu umgehen.
Wenn Sie sehen möchten, wie das in der Praxis funktioniert, vereinbaren Sie eine Demo mit unserem Team.
