15.12.2023

So viel bringt die Abschaffung der kalten Progression deinen Mitarbeiter:innen

Die Abschaffung der kalten Progression soll ab 1. Jänner 2024 deutliche Steuervorteile entfalten. Wie gut der oder die Einzelne dabei wegkommt, lässt sich bereits auf einer Plattform berechnen.
/artikel/so-viel-bringt-die-abschaffung-der-kalten-progression-deinen-mitarbeiterinnen
Gehälter Startups, CEO Gehalt,
(c) Adobe Stock/ weyo

Durch die “Abschaffung der kalten Progression” warten im kommenden Jahr wieder geänderte Steuerstufen, Freibeträge und Sozialversicherungsabgaben. Damit einhergehend soll es zur Entlastung für Arbeitnehmende kommen. Wie man finanzielle Vorteile durch die Abschaffung, die mit 1. Jänner des kommenden Jahres in Kraft tritt, schon im Vorhinein berechnen kann, verrät die Plattform finanzrechner.at.

Das Hamsterrad der kalten Progression: Mehr Geld, mehr Abzüge

Die Kalte Progression ist eine steuerliche Mehrbelastung, die trotz Lohn- und Gehaltserhöhungen entsteht. Jährliche Lohnerhöhungen haben Arbeitnehmende steuerlich durchschnittlich mehr belastet, als sie durch ihren erhöhten Lohn entlastet werden konnten. Die Ursachen der kalten Progression sind die jährliche Inflation sowie die progressive Versteuerung des Einkommens. Wenn die Tarifstufen der Einkommenssteuer (kurz: ESt) nicht an die Teuerungen angepasst werden, kommt es zu einer “heimlichen” Steuererhöhung, die dazu führt, dass Mitarbeitenden jährlich weniger Geld zur Verfügung steht – trotz Lohnerhöhung.

Ergebnisse zeigen sich am Lohnzettel

Dieser Mechanismus soll nun bald Geschichte sein, denn die Österreichische Bundesregierung hat die kalte Progression mit 1. Jänner 2024 abgeschafft. Zwei Drittel der kalten Progression sollen damit automatisch via Anhebung der Tarifzonen “an die erwerbstätigen Menschen zurückgegeben” werden, so das Bundesministerium für Finanzen.

Die Steuerstufen werden dieses Jahr nun um bis zu 9,6 Prozent angepasst. Profitieren sollen davon vor allem mittlere und höhere Einkommen, heißt es vonseiten der Plattform finanzrechner.at. Beim Durchschnittseinkommen von unselbstständig Vollzeitbeschäftigten – 3.256,19 Euro brutto pro Monat – gibt es beispielsweise eine Ersparnis von 37,38 Euro monatlich. Die Lohnsteuer sinkt von 407,28 Euro auf 371,52 Euro. Spareffekte hat die Abschaffung der kalten Progression auch für Pensionist:innen, die im Beispiel bei einer Medianpension von 1.664 Euro brutto mit einer monatlichen Entlastung von 30,52 Euro rechnen können.

Was nächstes Jahr bleibt, kann man schon jetzt berechnen

Wie viel die Abschaffung der kalten Progression Mitarbeitenden nun tatsächlich bringt, lässt sich mit dem Brutto-Netto-Rechner von finanzrechner.at schnell einsehen. Die Plattform bezieht die beschlossenen Änderungen “bei der kalten Progression und bei der Arbeitslosengeldversicherung (minus 0,1 Prozentpunkte) ein”, erklärt finanzrechner.at-Projektleiter Bernhard Angeler. Auf der Plattform kann jede und jeder sein Gehalt mit dem Vorjahr vergleichen. Der monatliche Netto-Überschuss im Vergleich zum Vorjahr wird dabei explizit ersichtlich.

Die Plattform finanzrechner.at ermöglicht die Berechnung der künftigen steuerlichen Entlastung in 14 Sprachen. Aufgeschlüsselt dargestellt wird zudem, welchen Anteil Sozialversicherungs- und Lohnsteuerbeiträge monatlich und jährlich am Einkommen haben. Darüber hinaus wird auch der persönliche Durschnittssteuersatz ermittelt.

Deine ungelesenen Artikel:
vor 14 Stunden

Lösung gegen KI-Halluzinationen? So funktioniert Sepp Hochreiters SDLG-Methode

Halluzinationen sind ein großes Problem der KI-Szene. Und das weltweit. Während Google und Microsoft sich bei einer Lösung schwertun, kommt aus Österreich ein Modell, dass solche "KI-Unsicherheiten" besser erkennen soll. Es heißt: SDLG. Wie genau, erklärt KI-Experte Sepp Hochreiter in einem Gespräch mit uns.
/artikel/loesung-gegen-ki-halluzinationen-so-funktioniert-sepp-hochreiters-sdlg-methode
vor 14 Stunden

Lösung gegen KI-Halluzinationen? So funktioniert Sepp Hochreiters SDLG-Methode

Halluzinationen sind ein großes Problem der KI-Szene. Und das weltweit. Während Google und Microsoft sich bei einer Lösung schwertun, kommt aus Österreich ein Modell, dass solche "KI-Unsicherheiten" besser erkennen soll. Es heißt: SDLG. Wie genau, erklärt KI-Experte Sepp Hochreiter in einem Gespräch mit uns.
/artikel/loesung-gegen-ki-halluzinationen-so-funktioniert-sepp-hochreiters-sdlg-methode
SDLG, KI, Hochreiter, Halluzination
(c) brutkasten - Sepp Hochreiter zu SDLG.

“Großartige Arbeit meines Teams: Erkennen, ob LLMs (Anm.: Large Language Models) halluzinieren. Sie halluzinieren, wenn sie unsicher sind. Wir erkennen diese Unsicherheit und markieren Halluzinationen” – so beschreibt KI-Koryphäe Sepp Hocheiter auf LinkedIn die Errungenschaft, die er uns seine Forscher:innen am Institut für Machine Learning der Johannes Kepler Universität Linz vollbracht haben. Dabei spricht er von dem SDLG-Modell. Der Begriff steht für “Semantically Diverse Language Generation”.

Denn es ist ein großes Thema, das die KI-Community beherrscht. Bei Nutzung von Künstlicher Intelligenz (KI) kann es passieren, dass man eine Frage stellt und falsche Antworten bekommt. Im Fachjargon sagt man dazu, die KI halluziniert.

SDLG verbessert Erkennung von Halluzinationen

Wie brutkasten berichtete, tun sich Giganten wie Google und Microsoft schwer, dieser Problematik habhaft zu werden. Eine neuer Lösungsansatz kam heuer vom Wiener Startup datAInsights, die statt impliziten explizite Fakten bzw. explizites Wissen verwenden, das dokumentiert ist. “Wir reichern bestehende Knowledge-Systeme mit Quellen an, sodass sie für unsere Architektur verarbeitet werden können”, erklärte datAInsights-Co-Founder René Heinzl im März 2023.

Nun kommt ein weiterer Lösungsansatz aus dem Umfeld von Sepp Hochreiter: SDLG. Diese neue Methode verbessert die Erkennung von Halluzinationen in LLMs (Large Language Modellen), indem es die Unsicherheitsabschätzung vorantreibt oder anders gesagt, aufzeigt, wenn ein Large Language Modell “unsicher” ist.

Man muss wissen, dass LLMs als Basis für Künstliche Intelligenz dienen und wie eine Zeichenkette aufgebaut sind. Hier wirken Wahrscheinlichkeiten, die das nächste Zeichen (konkret das nächste Wort oder um noch genauer zu sein, die nächsten Buchstaben) produzieren und Antworten auf Fragen liefern. Da kann es zu Fehlern oder falschen Informationen kommen.

Einstein oder Newton?

“Hochreiter präzisiert gegenüber brutkasten: “Halluzinationen können entstehen, wenn ein Trainingsdaten-Set fehlende oder zu wenige Daten zu einem Thema hat”, sagt er. “‘Albert Einstein hat die Relativitätstheorie entwickelt’ kann in verschiedenen Varianten (Anm.: Einstein hat die Relativitätstheorie erfunden, die Relativitätstheorie wurde von Einstein erfunden oder entwickelt, Der Vater der Relativitätstheorie ist Alber Einstein, etc.) im Trainingsdaten-Set als Information dienen. Gibt es diese nicht oder nur ungenügend, und die KI weiß, dass das Relativität etwas mit Physik zu tun hat, kann es sein, dass die Antwort plötzlich Newton ist.”

SDLG erkennt ob “LLMs halluzinieren”

Lukas Aichberger, “ELLIS PhD”-Student am Institut für Machine Learning der JKU beschreibt per LinkedIn-Post die SDLG-Methode – die er, Kajetan Schweighofer, Mykyta Ielanskyi und Sepp Hochreiter entwickelt haben – wie folgt: “Wir schaffen eine theoretische Grundlage für Unsicherheitsmaße in LLMs und führen theoretisch begründete ‘Estimatoren’ (Schätzer) für semantische Unsicherheit ein. Und stellen eine Methode zur Verfügung, um semantisch vielfältige und dennoch wahrscheinliche Ausgabesequenzen zu erzeugen, indem wir die Texterzeugung eines LLMs so steuern, dass wichtige Informationen für den semantischen Unsicherheitsschätzer erfasst werden.”

SDGL, KI, Halluzinationen, Hochreiter
(c) zVg – (v.l.) Sepp Hochreiter, Lukas Aichberger, Mykyta Ielanskyi und Kajetan Schweighofer.

In anderen Worten hebt die SDGL-Methode jene Aussagen hervor, wo sich die KI nicht sicher ist und markiert sie, damit man die durch “semantische Unsicherheit” (des Large Language Models) hervorgerufenen Halluzinationen erkennt, wie Hochreiter präzisiert.

Im 23-seitigen Paper, das die Forscher herausgebracht haben, heißt es konkret: “SDLG steuert das LLM, um semantisch unterschiedliche, aber wahrscheinliche Alternativen für einen ursprünglich generierten Text zu erzeugen. Dieser Ansatz liefert ein präzises Maß für die aleatorische (Anm.: vom Zufall abhängige) semantische Unsicherheit und erkennt, ob der ursprüngliche Text wahrscheinlich halluziniert ist. Experimente mit Aufgaben zur Beantwortung von Fragen zeigen, dass SDLG bestehende Methoden durchgängig übertrifft und dabei rechnerisch am effizientesten ist, wodurch ein neuer Standard für die Unsicherheitsabschätzung in LLMs gesetzt wird.”

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

So viel bringt die Abschaffung der kalten Progression deinen Mitarbeiter:innen

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

So viel bringt die Abschaffung der kalten Progression deinen Mitarbeiter:innen

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

So viel bringt die Abschaffung der kalten Progression deinen Mitarbeiter:innen

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

So viel bringt die Abschaffung der kalten Progression deinen Mitarbeiter:innen

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

So viel bringt die Abschaffung der kalten Progression deinen Mitarbeiter:innen

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

So viel bringt die Abschaffung der kalten Progression deinen Mitarbeiter:innen

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

So viel bringt die Abschaffung der kalten Progression deinen Mitarbeiter:innen

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

So viel bringt die Abschaffung der kalten Progression deinen Mitarbeiter:innen

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

So viel bringt die Abschaffung der kalten Progression deinen Mitarbeiter:innen