Die Ausgangslage: Nachtzuschläge unter massivem Zeitdruck
Die Frage war nicht, wie man die Nachtzuschläge berechnet, sondern ob wir sie unter den Rahmenbedingungen überhaupt korrekt bewerten konnten:
Korrekte Zuschlagssummen ohne geeignete Software, auf Basis unvollständiger Quelldaten – in zwei Tagen und rechtzeitig für die Auszahlung von über 60 Mitarbeitenden!
Warum 2 Tage realistisch – und trotzdem kritisch waren
Mein Interim Auftrag begann zwei Tage vor Monatsletztem. Aufgabe: Optimierung einer Zeiterfassungslösung, die:
- Mitten im Aufbau war
- für rund 90 Arbeitnehmern, Mittelständiges Unternehmen in Deutschland
- wenig Support vom Implemetierungspartner, sprich dem Softwarehouse
- Drohendes Wegbrechen der firmeninternen Wissensträger
- keine Testumgebung aber Go live seit bereits 26 Tagen (!)
Wir operierten quasi am „offenen Herzen“ und die Bewertung und Auszahlung der Nachtzuschläge musste bis zum Vierten des Folgemonats über die Bühne gehen! Denn wenn die Arbeitnehmer keine Löhne und Gehälter bekommen – oder auch nur inkorrekte Zahlungen, dann brennt der Hut, wie jeder Geschäftsführer oder Head of HR weiß.
Was ich vorfand war eine sehr rudimentär eingerichtete Software. Keine korrekten Bewertungen von Überstunden und Nachtzuschlägen, keinerlei Auswertungen, unvollständige Saldoüberträge von Gleitzeitguthaben und Urlaubssalden, keine Zeitjournale, kein Einblick für die Mitarbeiter in ihre täglich geleisteten Stunden, falsche Pausenbewertungen, unterschiedliche Schichtmodelle und noch mehr derartiger Baustellen. Eine schöne Herausforderung, die ich Schritt nach Schritt zusammen mit dem Kunden auflöste.
Alles im Grunde kein Problem, bis auf die Deadline der Auszahlung der Nachtzuschläge: das musste innerhalb von zwei Tagen für 60 Schichtmitarbeiter erhoben, bewertet und mit korrekten Lohnarten an die Payroll zur Auszahlung übermittelt werden.
Die eigentliche Herausforderung: Bewertung statt Berechnung
Was wir hatten: Gebuchte Kommen und Gehen Zeiten in horizontaler Listung, Echtminuten, keine Dezimalzahlen, denn mit denen rechnet man dann doch schon mal schneller. Übernachtbuchungen aus der Nachtschicht. Fixe Pausenzeiten und teilweise bezahlte Pausen, natürlich ohne Zuschläge. Und unterschiedliche Zuschlagshöhen der Nachtzuschläge in den unterschiedlichen Perioden der Nacht – und das am Wochenende mit anderen Prozentsätzen als in der Woche. Und dies galt nicht für alle Schichten! Ganz schön komplex.
Zwei Tage. Tatsächlich zweifelte ich nicht, dass wir das hinbekommen würden. Die Frage war nur wie. Abklärung mit der Leitung der Lohnverrechnung war schnell erledigt, Lohnarten klar, Art und Struktur des Importfiles auch klar, Deadline ebenso.
Excel war hier keine Option mehr, die Quellstruktur verkomplizierte diesen Lösungsweg.
Warum KI hier sinnvoll war – und in vielen Fällen nicht
Die Lösung kam dann doch recht schnell zu mir, denn ich hatte mich schon seit Monaten mit KI beschäftigt. Gerade in HR Services Bereich schwierig, Datenschutz lässt grüßen. In diesem Fall bestand die Lösung in einem Custom GPT, der uns genau die Summen pro Lohnart pro Mitarbeiter in genau der Listung für das Importfile liefern konnte. Unter Berücksichtigung der DSGVO, natürlich!
Alternativen zu einer KI Lösung
Bevor ich erzähle, wie ich zu den korrekten Werten kam, möchte ich noch erwähnen, warum andere Wege bewusst verworfen wurden.
Variante 1: Software System mit Hochdruck zum funktionieren bringen.
Keine Option, war in der kurzen Zeit nicht möglich, es gab keinen verfügbaren Ansprechpartner des Softwarehouses – noch dazu am Wochenende.
Variante 2: Auszahlung der Zuschläge analog des Vormonats.
Schwierig. Man kann in derlei Fällen, die Auszahlung des Vormonats wiederholen. Man geht von ähnlichen Werten aus, die Mitarbeiter erhalten zumindest ein Entgelt, die genauen, richtig ermittelten Werte werden dann im Folgemonat angepasst und nachbezahlt oder auch wieder einbehalten. Je nachdem.
Schwierig, denn es gab kein Upload File aus dem Vormonat, das alte System stand nicht mehr zur Verfügung. Alterativ hätte die Payroll die Werte manuell erfassen müssen.
Variante 3: Excel oder Visualbasic.
Zu komplex für Excel (auch für XVerweise oder verschachtelte Wenn/dann Formeln 😃): Echtminuten, Über-Mitternacht-Buchungen, unterschiedliche Zeitzonen, unterschiedlich viele Buchungsfolgen pro Mitarbeiter, Darstellung für Uploadfile und Makros nicht meine Kompetenz. Der Zeitaufwand wäre zu hoch gewesen.
Warum KI hier sinnvoll war – und warum oft sonst nicht
Ich baute einen Prompt für ein Custom GPT, in dem ich der LLM genau sagte, was es wie bekam, was es bewerten soll und was ich wie als Output will.
Die KI hat nicht entschieden – sondern sie hat strukturiert. Viel schneller als ein Mensch das jemals hätte können. Noch dazu völlig nachvollziehbar.
Die Daten konnten absolut anonymisiert in das GPT geladen werden und ließen keinerlei Rückschlüsse auf Unternehmen oder sogar Mitarbeiter zu. Das geht oft nicht, in den meisten Fällen allerdings schon. Vor allem, wenn man sich eine Art Schlüsselsystem außerhalb der LLM baut.
Vorgehenslogik: So wurde die Bewertung prüfbar
Bilder sagen mehr als viele Worte:
Der Custom GPT stellte mir in Bruchteilen von Sekunden die korrekten Werte von rund 60 Mitarbeitern zur Verfügung. Umgerechnet von Echt- auf Dezimalwerte und diese konnten dann sehr einfach in das Upload File kopiert werden.
Gewisse Spotchecks machten allerdings Sinn. Halluzinieren ist immer noch möglich. Bei jedem Ergebnis warf ich einen Plausibilität-Blick: waren die Zeiträume von 22:00 bis 00:00 immer mit 2 Stunden angeführt, wenn keine Pause genommen wurde? Oder: waren maximal 2 Stunden angeführt zwischen 04:00 und 06:00? Passten Wochenendstunden? Dies führte auch zum Nachschärfen des Prompts. Zusätzlich machte ich Screenshots – rein für die spätere Nachvollziehbarkeit – denn das Zeitsystem musste in den kommenden vier Wochen zum Laufen gebracht werden und dann diese Zuschläge nachbewerten!
Grenzen dieses Ansatzes
Dieser Lösungsweg eignete sich wunderbar für die Größe des Unternehmens, für die Art der Datenquelle und für den Zeitdruck.
Hätte es sich um tausende Arbeitnehmer gehandelt oder wären die Zeit-Stempelungen nicht entkoppelt vom Namen des Mitarbeiters erschienen, wäre dieser Weg nicht möglich gewesen. Außerdem war es sehr hilfreich, dass ich um die Möglichketen der LLMs / KI wusste. Und ein wenig Out-of-the-box-Denken ist auch immer nützlich 😃
Vor allem sollte man aber bedenken: dies war eine Notlösung – ein Zeitwirtschaftssystem braucht eine Testphase und muss auch für den Echtbetrieb fertig abgenommen sein – dann stellt sich dieses Dilemma gar nicht.
Und aktuell?
Das System läuft seit Wochen stabil, wir bauen aktuell ein passendes Mitarbeiterportal auf, damit jeder Arbeitnehmern jederzeit Zugriff auf seine Buchungen und Salden hat.
Übrigens: Beim Rollen des Monats, den wir mittels KI bewertet hatten, fielen nur minimale Differenzen auf. 95% der Werte, die das LLM ermittelt hatte, waren korrekt! 2,5% waren Rundungsunschärfen und 2,5% menschliche Fehler – ich hatte doch tatsächlich eine Personalnummer zweimal erfasst!
KI war hier ein wunderbares Werkzeug – entscheidend war allerdings das Verständnis für Zeitwirtschafts- und Payroll-Logik, rechtliche Hintergründe und Projektkonsequenzen!