Die Architektur hinter Rippling AI

KI im HR ist kein Zukunftsthema mehr – sie ist schon längst im Geschäftsalltag angekommen.

Das zeigen unsere Daten: Wir haben über 1.000 HR- und People-Operations-Verantwortliche befragt. 67 % geben an, ihr Unternehmen hat AI bereits auf mittlerem oder fortgeschrittenem Niveau eingeführt. Gleichzeitig bleibt eine grundlegende Frage offen: Wie lässt sich AI so einsetzen, dass Datenschutz, Compliance und menschliche Urteilsfähigkeit nicht auf der Strecke bleiben?

Das war für uns nicht irgendein nachgelagertes Design-Problem, sondern unser Ausgangspunkt. HR-Daten sind keine gewöhnlichen Unternehmensdaten. Sie umfassen Payroll-Daten, Vergütungshistorien, Performance-Informationen und länderspezifische Compliance-Anforderungen. Ein generischer AI-Assistent kann das nicht abbilden, geschweige denn Berechtigungen verlässlich respektieren. Rippling AI ist direkt in das System eingebettet, in dem diese Daten ohnehin liegen – mit denselben Berechtigungen, denselben Governance-Strukturen, von Anfang an.

HR-Teams bekommen so nicht nur schnelle, verlässliche Antworten, sondern direkt auch Handlungsempfehlungen und Handlungsmöglichkeiten – ohne Abstriche bei Kontrolle oder Datensicherheit.

Wir haben uns mit Stephen Pieper, unserem Product Lead in Deutschland, zusammengesetzt. Er erklärt, wie Rippling AI entstanden ist – und was das für HR-Teams in der DACH-Region bedeutet. Rippling reinvestiert in diesem Jahr 59 % des Umsatzes in Forschung und Entwicklung. Hier erfahren Sie, wofür.

Welches Kundenproblem hat uns gezeigt, dass HR eine grundsätzlich andere AI-Erfahrung braucht?

Das Problem war nicht, dass HR-Teams zu wenig Daten haben. Das Problem ist, dass die relevanten Daten oft in vielen Systemen liegen und gleichzeitig extrem sensibel sind. In Deutschland kann schon eine einfache Mitarbeiterfrage Payroll-Daten, Arbeitszeiterfassung, Abwesenheiten, Krankenkasse, Steuerklasse, Beitragsgruppenschlüssel oder eine Lohnsteuerbescheinigung betreffen.

Generische AI-Tools sind dafür nicht gebaut. Man kann nicht einfach Gehaltsdaten, Krankheitszeiten, Payroll-Historie oder Sozialversicherungsdaten in einen allgemeinen Chatbot kopieren und Governance später hinzufügen. HR braucht AI, die den Mitarbeiterdatensatz, den lokalen Payroll-Kontext und die Berechtigungen bereits versteht.

Deshalb musste Rippling AI anders funktionieren. Sie sitzt in dem System, in dem Mitarbeiterdaten, Berechtigungen und Workflows ohnehin liegen. So kann AI bei echter HR-Arbeit helfen, nicht nur bei generischem Text.

Was haben wir von HR-Führungskräften gehört, bevor wir das gebaut haben?

HR-Führungskräfte wollten Geschwindigkeit, aber keine unkontrollierte Automatisierung. Sie wollten AI für Reporting, Mitarbeiterfragen und wiederkehrende Admin-Aufgaben nutzen, aber nicht für automatische Entscheidungen über Menschen.

Gerade in Deutschland ist diese Zurückhaltung verständlich. HR-Teams arbeiten mit hohen Erwartungen an Datenschutz, Betriebsratsfähigkeit, Payroll-Compliance, Arbeitszeiterfassung und Themen wie dem Entgelttransparenzgesetz. Eine gute AI darf deshalb nicht nur schlau wirken. Sie muss erklärbar, berechtigt und sicher genug für sensible Mitarbeiterdaten sein.

Die Botschaft aus Kundengesprächen war klar: AI ist dann wertvoll, wenn sie Zeit spart, ohne Vertrauen zu schwächen. HR möchte Fragen in natürlicher Sprache stellen, Antworten aus echten Daten bekommen und trotzdem die Verantwortung für Entscheidungen zu Gehalt, Performance, Beschäftigung und Compliance behalten.

Wie funktioniert Rippling AI im Hintergrund?

Wenn ein Nutzer eine Frage stellt, versteht Rippling AI zuerst die Absicht: Geht es um einen Report, eine Policy-Frage, eine Payroll-Frage, einen Workflow oder eine Analyse über mehrere Systeme hinweg? Danach holt das System den relevanten Kontext aus Ripplings einheitlichem Datenmodell, etwa Mitarbeiterdaten, Payroll, Arbeitszeiten, Abwesenheiten, Dokumente, Freigaben, Apps und Workflows.

Wichtig ist: Das passiert innerhalb des Berechtigungsmodells. Wenn ein Manager Gehalt, Krankenkasse oder Payroll-Daten in Rippling nicht sehen darf, bekommt er diese Informationen auch nicht über AI. Wenn ein HR- oder Payroll-Admin Zugriff hat, kann AI helfen, diese Daten zu finden und zu erklären, aber nur im Rahmen der bestehenden Rechte.

AI hilft dort, wo Sprache und Kontext wichtig sind: beim Verstehen der Frage, beim Finden der passenden Daten, beim Erklären von Ergebnissen und beim Vorbereiten nächster Schritte. Payroll-Berechnungen, Berechtigungsprüfungen, Audit Trails und Ausführung bleiben kontrollierte, deterministische Produktprozesse. Nutzer prüfen und genehmigen, bevor etwas geändert wird.

Warum waren Berechtigungen und Governance von Anfang an fundamental und kein Add-on?

HR-Daten sind keine normalen Unternehmensdaten. Sie umfassen Gehalt, Performance, Abwesenheitsgründe, Steuerdaten, Sozialversicherung, Krankenkasse und Payroll-Filings. In Deutschland gehören dazu sehr konkrete Felder wie Beitragsgruppenschlüssel, Personengruppenschlüssel, Krankenkasse, eAU-Kontext oder Daten rund um die Lohnsteuerbescheinigung.

Wenn ein AI-Tool außerhalb des Systems of Record sitzt, muss man all diese Berechtigungen dort neu nachbauen: Wer darf Gehalt sehen? Wer darf Payroll sehen? Wer darf Abwesenheitsgründe sehen? Wer darf Reports erstellen oder Workflows auslösen? Das ist bei sensiblen HR-Daten ein fragiler Ansatz.

Rippling AI startet mit dem bestehenden Berechtigungsmodell der Plattform. Sie erbt die Rechte, die Kunden bereits für HR, Payroll, IT, Finance, Recruiting und Workflows nutzen. Governance ist dadurch kein nachträglicher Schutzfilm, sondern Teil des Fundaments.

Was waren die schwierigsten Engineering- oder Produkt-Herausforderungen?

Die größte Herausforderung war, AI flexibel zu machen, ohne sie unkontrolliert werden zu lassen. In HR kann eine plausibel klingende, aber falsche Antwort echte Risiken erzeugen. Eine Halluzination zu Payroll, Gehalt oder einer deutschen Meldung ist nicht nur ärgerlich, sondern potenziell compliance-relevant.

Deutschland macht das sehr konkret. Payroll bedeutet hier ITSG-Anforderungen, monatliche Lohnläufe, formale Korrekturen, Sozialversicherungsmeldungen, Lohnsteuerbescheinigungen, Beitragsnachweise, eAU-Prozesse und viele länderspezifische Felder. Eine generische Antwort reicht nicht; das System muss die strukturierte Realität darunter verstehen.

Die Produktfrage war: Wie geben wir Nutzern eine natürliche Sprachoberfläche, ohne die Kontrollen darunter aufzuweichen? AI kann erklären, zusammenfassen und Arbeit vorbereiten. Aber bei Payroll, Compliance und Aktionen, die Mitarbeiter betreffen, bleiben deterministische Systeme und menschliche Freigabe entscheidend.

Was hat dich am meisten überrascht, nachdem echte Kunden angefangen haben, Rippling AI zu nutzen?

Am meisten überrascht hat mich, wie schnell Kunden von Einzelfragen zu operativen Workflows gegangen sind. Sie wollten nicht nur wissen: "Wer hatte letzten Monat Überstunden?" Sie wollten daraus einen Report, eine Benachrichtigung oder einen wiederkehrenden Workflow machen.

Die deutschen Beispiele liegen auf der Hand: Informationen für eine Krankenkasse nach der Elternzeit vorbereiten, Muster in der Arbeitszeiterfassung prüfen, Vergütungsdaten im Kontext des Entgelttransparenzgesetzes analysieren oder payroll-relevante Felder für einen Mitarbeiter zusammenziehen, ohne HR-, Zeit-, Abwesenheits- und Payroll-Daten manuell zu verbinden.

Das hat gezeigt: Der eigentliche Wert liegt nicht nur im Chat. Der Wert liegt darin, HR-Teams von der Frage zur Erkenntnis und dann zur Aktion zu bringen, ohne das kontrollierte System zu verlassen.

Wie sieht die Zukunft von AI in HR aus und was sollte sich nie ändern?

Die Zukunft ist, dass das HR-System of Record zu einem System of Intelligence wird. HR-Teams sollten nicht wissen müssen, in welchem Modul jedes Feld liegt oder jeden Report manuell bauen. Sie sollten eine Frage in natürlicher Sprache stellen und eine Antwort bekommen, die auf den richtigen Mitarbeiter-, Payroll-, Zeit- und Workflow-Daten basiert.

Für Deutschland heißt das: AI sollte komplexe HR-Arbeit einfacher machen, etwa Payroll-Korrekturen, Krankenkassenanfragen, Lohnsteuerbescheinigungen, Arbeitszeiterfassung, Entgelttransparenz und länderspezifische Compliance. Sie sollte manuelle Arbeit reduzieren, ohne eine Blackbox zu erzeugen.

Was sich nie ändern sollte, ist menschliche Verantwortung. AI sollte administrative Last reduzieren und besseren Kontext liefern, aber Entscheidungen über Gehalt, Performance, Beschäftigung und Vertrauen gehören weiterhin Menschen.