Die Herausforderung: Langsamer Zugang und Konto-Provisionierung

Viele Organisationen investieren massiv in das Gewinnen von Top-Talenten, verlieren dann aber in der ersten Woche an Schwung, weil grundlegende IT-Zugänge fehlen. Neue Mitarbeitende kommen ohne Laptops, können sich nicht in Kernsysteme einloggen und warten Tage auf Tool-Berechtigungen. HR jagt IT, Führungskräften und Dienstleistern per E-Mail und Tabellenkalkulationen hinterher, während neue Mitarbeitende untätig und frustriert herumsitzen, anstatt produktiv zu werden.

Traditionelle Onboarding-Workflows sind stark manuell geprägt und über HR, IT, Security und Linienmanager fragmentiert. Anfragen verschwinden in Posteingängen, Aufgaben befinden sich in unterschiedlichen Tools, und es gibt keine zentrale Sicht darauf, wer was bis wann benötigt. Selbst mit Ticketing-Systemen ist die Konfiguration oft generisch und statisch, sodass Sonderfälle, Rollenwechsel und Ausnahmen ad hoc gehandhabt werden – Arbeit, die ständig zu HR zurückschwappt.

Die Auswirkungen gehen weit über ein paar verlorene Tage hinaus. Langsamer Zugang und eine schleppende Konto-Provisionierung treiben die Onboarding-Kosten in die Höhe, verzögern die Zeit bis zur vollen Produktivität und schwächen Ihre Arbeitgebermarke. Führungskräfte verlieren das Vertrauen in HR und IT, neue Mitarbeitende hinterfragen ihre Entscheidung, dem Unternehmen beizutreten, und kritische Projekte verzögern sich, weil Menschen die Werkzeuge, für die sie eingestellt wurden, schlicht nicht nutzen können. Mit der Zeit summieren sich diese Reibungsverluste zu höherer Frühfluktuation und einem Wettbewerbsnachteil beim Gewinnen und Halten von Talenten.

Die gute Nachricht: Dieses Problem ist sehr gut lösbar. Mit dem richtigen Einsatz von KI im HR-Onboarding können Sie Zugriffsanfragen orchestrieren, die meisten Provisionierungs-Schritte automatisieren und jeder neuen Mitarbeitenden einen klaren, geführten Pfad durch die ersten Tage geben. Bei Reruption haben wir gesehen, wie KI-gestützte Workflows brüchige manuelle Abstimmung durch zuverlässige, prüfbare Automatisierung ersetzen können. Im Folgenden finden Sie praktische Hinweise, wie Sie Gemini nutzen können, um langsamen Zugang und Konto-Provisionierung in ein reibungsloses, planbares Erlebnis zu verwandeln.

Brauchen Sie einen Sparring-Partner für diese Herausforderung?

Lassen Sie uns unverbindlich sprechen und brainstormen.

Innovatoren bei diesen Unternehmen vertrauen uns:

Unsere Einschätzung

Eine strategische Einschätzung der Herausforderung und High-Level-Tipps, wie Sie sie angehen können.

Aus Reruption’s Arbeit beim Aufbau von KI-gestützten Workflows und Assistenten in Organisationen wissen wir, dass langsamer Onboarding-Zugang selten ein reines IT-Problem ist. Es ist ein Koordinations- und Entscheidungsproblem – ideal geeignet für Gemini als konversationale Schicht über HR-, Identity-Management- und Kollaborations-Tools hinweg. Richtig designt beantwortet Gemini nicht nur Fragen; es kann Onboarding-Engpässe analysieren, Automatisierungsregeln vorschlagen und den Fluss von Zugriffsanfragen zwischen HR, IT und Führungskräften orchestrieren.

Behandeln Sie Zugang & Provisionierung als Produkt, nicht als Ticket-Warteschlange

Damit Gemini Onboarding-Zugang und Konto-Provisionierung spürbar verbessert, müssen HR und IT aufhören, in isolierten Tickets zu denken, und in End-to-End-Reisen denken. Kartieren Sie den gesamten Lebenszyklus von „Vertrag unterschrieben“ bis „voll produktiv“ für jede Schlüsselrolle: Welche Systeme, Geräte und Berechtigungen werden in welcher Phase benötigt? Diese Produkt-Perspektive gibt Gemini einen klaren Zielzustand, auf den hin orchestriert wird.

Mit dieser Karte kann Gemini so konfiguriert werden, dass es HR-Daten (Rolle, Abteilung, Standort, Seniorität) interpretiert und ein standardisiertes Zugriffsbündel empfiehlt. Anstatt auf einzelne E-Mails zu reagieren, kuratieren und verbessern Ihre Teams ein Produkt: ein vorhersehbares, rollenbasiertes Zugangserlebnis, das Gemini gegenüber Stakeholdern pflegt und erklärt.

Nutzen Sie Gemini als einzige Anlaufstelle für Zugangsfragen neuer Mitarbeitender

Langsames Onboarding wird häufig durch Informationsrauschen verstärkt. Neue Mitarbeitende wissen nicht, wen sie fragen sollen, HR kennt den Status einzelner IT-Aufgaben nicht, und Führungskräfte sind unsicher, was bereits bestellt wurde. Strategisch gesehen brauchen Sie eine zentrale Anlaufstelle für alle zugangsbezogenen Fragen. Gemini kann diese Schnittstelle werden – eingebettet in Google Chat, Gmail oder das Intranet.

Indem Sie Gemini mit HRIS-Daten, Ticketing-Systemen und Identity-Plattformen verbinden, können Sie es Fragen beantworten lassen wie „Habe ich bereits VPN-Zugang?“, „Welche Tools sollte ich als neue Sales Managerin in Berlin haben?“ oder „Wer genehmigt meinen Salesforce-Zugang?“. Gemini ersetzt Ihre ITSM- oder IAM-Tools nicht; es abstrahiert deren Komplexität und hält HR und Mitarbeitende von wenig wertschöpfender Status-Nachverfolgung fern.

Richten Sie HR, IT und Security auf eine gemeinsame Policy aus, bevor Sie automatisieren

Bevor Sie Gemini in den produktiven Einsatz bringen, sollten sich HR, IT und Security auf Zugangsrichtlinien verständigen: Was ist verpflichtend, was ist optional und was erfordert eine höhere Genehmigungsstufe. KI kann schlechte Prozesse genauso schnell beschleunigen wie gute – daher brauchen Sie Konsens zu den Regeln, die Gemini durchsetzen oder vorschlagen soll. Dazu gehören standardisierte, rollenbasierte Zugangsprofile, der Umgang mit Ausnahmen und Genehmigungsketten.

Nach unserer Erfahrung sind die erfolgreichsten Teams diejenigen, die das zunächst als Policy-Design-Übung und erst danach als Automatisierungsprojekt betrachten. Gemini wird dann zur lebendigen Dokumentation und Ausführungsebene dieser Richtlinien, erklärt Mitarbeitenden, warum sie bestimmte Berechtigungen haben (oder noch nicht haben), und löst die richtigen Workflows aus, ohne dass jedes Mal manuell interpretiert werden muss.

Mit Beobachtbarkeit starten: Lassen Sie Gemini zuerst Engpässe analysieren

Direkt in die Automatisierung einzusteigen ist verlockend, strategisch jedoch ist es klüger, mit einer Engpassanalyse zu beginnen. Verbinden Sie Gemini mit historischen Onboarding-Tickets, E-Mail-Verläufen und HR-Daten und lassen Sie wiederkehrende Verzögerungen identifizieren: Welche Rollen leiden am meisten, welche Tools sind immer zu spät, wo stocken Freigaben. Diese diagnostische Phase schafft eine gemeinsame Faktenbasis zwischen HR und IT.

Wenn Sie die tatsächlichen Reibungspunkte kennen, können Sie wirkungsstarke Automatisierungen priorisieren: zum Beispiel das automatische Auslösen der Kontoerstellung, sobald ein Vertrag unterschrieben ist, oder die Vorab-Genehmigung risikoarmer Tools für bestimmte Rollen. Gemini kann anschließend neue Regeln empfehlen und simulieren, bevor Sie sie dauerhaft in Identity- oder Ticketing-Systemen verankern.

In Change Management und klare Verantwortlichkeiten investieren

Selbst der beste KI-Onboarding-Assistent scheitert, wenn Menschen ihm nicht vertrauen oder ihn nicht nutzen. Definieren Sie deshalb strategisch klare Verantwortlichkeiten: Wer verantwortet den Gemini-Zugriffsassistenten, wer pflegt Prompts und Richtlinien, und wie werden Änderungen freigegeben? Stellen Sie sicher, dass sowohl HR als auch IT den Assistenten als Asset sehen – nicht als konkurrierenden Kanal zu bestehenden Tools.

Kommunizieren Sie gegenüber neuen Mitarbeitenden und Führungskräften klar, was Gemini leisten kann (und was nicht), und verankern Sie ihn in der bestehenden Onboarding-Kommunikation. Ermutigen Sie Teams, wiederkehrende Fragen an Gemini zu leiten, anstatt sie manuell zu beantworten. So entsteht im Lauf der Zeit ein positiver Kreislauf: Mehr Nutzung führt zu besseren Trainingsdaten und einem wirksameren Assistenten.

Strategisch eingesetzt kann Gemini aus langsamer, intransparenter Zugangs-Provisionierung ein vorhersehbares, datengestütztes Onboarding-Erlebnis machen. Indem Sie Zugang als Produkt verstehen, Richtlinien ausrichten und Gemini den Fluss zwischen HR, IT und Identity-Systemen orchestrieren lassen, reduzieren Sie Verzögerungen und ermöglichen neuen Mitarbeitenden einen reibungslosen Start. Bei Reruption sind wir darauf spezialisiert, diese Ideen in funktionierende KI-Workflows in realen Organisationen zu übersetzen; wenn Sie erkunden möchten, wie Gemini in Ihren HR-Stack passt, helfen wir Ihnen, dies schnell und sicher zu testen.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

Von EdTech bis Energie: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

Duolingo

EdTech

Duolingo, ein Vorreiter im gamifizierten Sprachlernen, sah sich mit wesentlichen Einschränkungen bei der Bereitstellung von praktischer Konversationspraxis und tiefgehendem Feedback konfrontiert. Während die kurzen Lektionen Wortschatz und Grundlagen effektiv vermittelten, sehnten sich Nutzer nach immersiven Dialogen, die Alltagssituationen simulieren – etwas, das statische Übungen nicht leisten konnten . Diese Lücke behinderte den Fortschritt in Richtung Sprachflüssigkeit, da Lernende kaum Gelegenheiten für freies Sprechen und nuancierte Grammatik-Erklärungen ohne teure menschliche Tutoren hatten. Zudem war die Inhaltserstellung ein Engpass. Fachexperten erstellten Lektionen manuell, was die Einführung neuer Kurse und Sprachen bei schnellem Nutzerwachstum verlangsamte. Die Skalierung personalisierter Erfahrungen über 40+ Sprachen erforderte Innovation, um das Engagement ohne proportionale Ressourcensteigerung aufrechtzuerhalten . Diese Herausforderungen drohten erhöhte Abwanderung und begrenzte Monetarisierung in einem wettbewerbsintensiven EdTech-Markt.

Lösung

Duolingo startete Duolingo Max im März 2023 – ein Premium-Abo, das von GPT-4 angetrieben wird und Roleplay für dynamische Dialoge sowie Explain My Answer für kontextuelle Rückmeldungen einführte . Roleplay simuliert reale Interaktionen wie Kaffeebestellungen oder Urlaubsplanung mit KI-Charakteren und passt sich in Echtzeit an Nutzereingaben an. Explain My Answer liefert detaillierte Aufschlüsselungen richtiger/falscher Antworten und verbessert so das Verständnis. Ergänzend automatisiert Duolingo's Birdbrain-LLM (feinabgestimmt auf proprietären Daten) die Lektionserstellung, sodass Experten Inhalte 10× schneller produzieren können . Dieser hybride Mensch‑KI-Ansatz sicherte Qualität bei gleichzeitiger schneller Skalierung und wurde nahtlos in die App für alle Schwierigkeitsstufen integriert .

Ergebnisse

  • DAU-Wachstum: +59 % YoY auf 34,1 Mio. (Q2 2024)
  • DAU-Wachstum: +54 % YoY auf 31,4 Mio. (Q1 2024)
  • Umsatzwachstum: +41 % YoY auf 178,3 Mio. $ (Q2 2024)
  • Bereinigte EBITDA-Marge: 27,0 % (Q2 2024)
  • Lektionserstellung: 10× schneller mit KI
  • Selbstwirksamkeit der Nutzer: deutliche Steigerung nach KI-Nutzung (Studie 2025)
Fallstudie lesen →

Waymo (Alphabet)

Transport

Die Entwicklung von vollautonomen Fahrdienstangeboten verlangte das Überwinden extremer Herausforderungen in der Zuverlässigkeit von KI für reale Straßen. Waymo musste die Wahrnehmung beherrschen — Objekte bei Nebel, Regen, in der Nacht oder bei Verdeckungen allein mit Sensoren zu erkennen — und gleichzeitig unberechenbares menschliches Verhalten wie das Überqueren außerhalb von Fußgängerübergängen oder plötzliche Spurwechsel vorherzusagen. Die Planung komplexer Trajektorien im dichten, unvorhersehbaren Stadtverkehr sowie die präzise Steuerung zur kollisionsfreien Ausführung von Manövern erforderten nahezu perfekte Genauigkeit, da ein einzelner Fehler katastrophale Folgen haben konnte . Die Skalierung von Tests zu kommerziellen Flotten brachte Hindernisse wie den Umgang mit Randfällen (z. B. Schulbusse mit Haltzeichen, Einsatzfahrzeuge), behördliche Zulassungen in verschiedenen Städten und öffentliches Vertrauen unter Beobachtung. Vorfälle, etwa das Nichtanhalten bei Schulbussen, machten Softwarelücken sichtbar und führten zu Rückrufen. Enorme Datenanforderungen für das Training, rechenintensive Modelle und geografische Anpassungen (z. B. Rechts- vs. Linksverkehr) verschärften die Probleme, wobei Wettbewerber mit der Skalierbarkeit kämpften .

Lösung

Der Stack Waymo Driver integriert Deep Learning End-to-End: Die Wahrnehmung verschaltet Lidar, Radar und Kameras mithilfe von Faltungsnetzwerken (CNNs) und Transformer-Modellen für 3D-Objekterkennung, Tracking und semantisches Mapping mit hoher Genauigkeit. Prognose-Modelle sagen das Verhalten mehrerer Akteure mit Graph-Neural-Networks und Video-Transformern voraus, die auf Milliarden simulierter und realer Meilen trainiert sind . Für die Planung wandte Waymo Skalierungsgesetze an — größere Modelle mit mehr Daten/Compute liefern Potenzgesetz-geprägte Verbesserungen bei Vorhersagegenauigkeit und Trajektorienqualität — und verlagerte sich von regelbasierten zu ML-getriebenen Bewegungsplanern für menschenähnliche Entscheidungen. Die Steuerung nutzt eine Hybridisierung aus Reinforcement Learning und modellprädiktiver Regelung in Kombination mit neuronalen Policies für eine sanfte, sichere Ausführung. Umfangreiche Datensätze aus über 96 Mio. autonomen Meilen sowie Simulationen ermöglichen kontinuierliche Verbesserungen; die jüngste KI-Strategie betont modulare, skalierbare Stacks .

Ergebnisse

  • 450.000+ wöchentliche bezahlte Robotaxi-Fahrten (Dez 2025)
  • 96 Millionen autonome Meilen gefahren (Stand Juni 2025)
  • 3,5x bessere Vermeidung von Unfällen mit Personenschaden gegenüber Menschen
  • 2x bessere Vermeidung von polizeilich gemeldeten Unfällen gegenüber Menschen
  • Über 71 Mio. Meilen mit detaillierter Sicherheitsunfallanalyse
  • 250.000 wöchentliche Fahrten (April 2025 Basis, seitdem verdoppelt)
Fallstudie lesen →

UPS

Logistik

UPS sah sich mit enormen Ineffizienzen bei der Zustellroutenplanung konfrontiert: Fahrer mussten eine astronomische Anzahl möglicher Routenvarianten berücksichtigen — weit mehr als die Nanosekunden seit der Entstehung der Erde. Traditionelle manuelle Planung führte zu längeren Fahrzeiten, höherem Kraftstoffverbrauch und steigenden Betriebskosten, verschärft durch dynamische Faktoren wie Verkehr, Paketaufkommen, Gelände und Kundenverfügbarkeit. Diese Probleme trieben nicht nur die Kosten in die Höhe, sondern trugen auch erheblich zu CO2‑Emissionen in einer Branche bei, die unter Druck steht, nachhaltiger zu werden. Zu den zentralen Herausforderungen gehörten Widerstand der Fahrer gegenüber neuer Technologie, die Integration in Altsysteme und die Gewährleistung von Echtzeitanpassungsfähigkeit, ohne den täglichen Betrieb zu stören. Pilotversuche zeigten Annahmehürden, da Fahrer, die an vertraute Routen gewöhnt waren, die Vorschläge der KI infrage stellten — ein Hinweis auf die menschliche Komponente bei Technikeinführungen. Die Skalierung auf 55.000 Fahrzeuge erforderte robuste Infrastruktur und die Verarbeitung von Milliarden von Datenpunkten täglich.

Lösung

UPS entwickelte ORION (On‑Road Integrated Optimization and Navigation), ein KI‑gestütztes System, das Operations Research für mathematische Optimierung mit Maschinellem Lernen für prädiktive Analysen zu Verkehr, Wetter und Zustellmustern kombiniert. Es berechnet Routen dynamisch in Echtzeit neu und berücksichtigt Paketziele, Fahrzeugkapazität, Effizienz von Rechts-/Linksabbiegungen und Stoppsequenzen, um Meilen und Zeit zu minimieren. Die Lösung entwickelte sich von statischer Planung zu dynamischer Routenführung weiter und integrierte agentenfähige KI für autonome Entscheidungsfindung. Das Training basierte auf umfangreichen Datensätzen aus GPS‑Telematik, wobei kontinuierliche ML‑Verbesserungen die Algorithmen verfeinerten. Um Akzeptanzbarrieren zu überwinden, wurden Fahrerschulungen und Gamification‑Anreize eingeführt; die Integration erfolgte nahtlos über Fahrzeuginnen‑Displays.

Ergebnisse

  • 100 Millionen Meilen jährlich eingespart
  • 300–400 Millionen $ Kosteneinsparung pro Jahr
  • 10 Millionen Gallonen Kraftstoff jährlich reduziert
  • 100.000 Tonnen CO2‑Emissionen eingespart
  • 2–4 Meilen kürzere Routen pro Fahrer täglich
  • 97 % Flotteneinführung bis 2021
Fallstudie lesen →

UC San Francisco Health

Gesundheitswesen

Bei UC San Francisco Health (UCSF Health), einem der führenden akademischen Medizinzentren des Landes, sahen sich Klinikteams mit enormen Dokumentationslasten konfrontiert. Ärzt:innen verbrachten nahezu zwei Stunden mit Aufgaben im elektronischen Gesundheitsaktensystem (EHR) für jede Stunde direkter Patientenversorgung, was zu Burnout und vermindertem Patientenkontakt beitrug . In hoch-akuten Bereichen wie der ICU verschärfte sich die Lage: Das manuelle Durchforsten großer, komplexer Datenströme für Echtzeit-Erkenntnisse war fehleranfällig und verzögerte kritische Interventionen bei Patientenverschlechterungen . Das Fehlen integrierter Werkzeuge führte dazu, dass prädiktive Analytik kaum genutzt wurde; traditionelle regelbasierte Systeme erfassten feingliedrige Muster in multimodalen Daten (Vitalwerte, Laborwerte, Notizen) nicht zuverlässig. Das führte zu verpassten Frühwarnungen bei Sepsis oder Verschlechterungen, längeren Verweildauern und suboptimalen Ergebnissen in einem System, das Millionen von Begegnungen pro Jahr verarbeitet . UCSF wollte Ärzt:innen Zeit zurückgeben und gleichzeitig die Entscheidungsgenauigkeit verbessern.

Lösung

UCSF Health baute eine sichere, interne KI‑Plattform, die generative KI (LLMs) für „digitale Schreibassistenten“ nutzt, die Notizen, Nachrichten und Zusammenfassungen automatisch vorentwerfen und direkt in ihr Epic EHR integriert sind – dabei kommt GPT‑4 über Microsoft Azure zum Einsatz . Für prädiktive Anwendungsfälle wurden ML‑Modelle für Echtzeit‑ICU‑Verschlechterungswarnungen implementiert, die EHR‑Daten verarbeiten, um Risiken wie Sepsis vorherzusagen . In Partnerschaft mit H2O.ai für Document AI automatisierten sie die Extraktion unstrukturierter Daten aus PDFs und Scans und speisten diese sowohl in die Scribe‑ als auch in die Prädiktions‑Pipelines ein . Ein klinikerzentrierter Ansatz stellte HIPAA‑Konformität sicher: Modelle wurden auf de‑identifizierten Daten trainiert und durch Human‑in‑the‑loop‑Validierung abgesichert, um regulatorische Hürden zu überwinden . Diese ganzheitliche Lösung beseitigte sowohl administrative Lasten als auch Lücken in der klinischen Vorhersagefähigkeit.

Ergebnisse

  • 50% Reduktion der Nachtdokumentationszeit
  • 76% schnellere Notizerstellung mit digitalen Schreibassistenten
  • 30% Verbesserung der Genauigkeit bei ICU‑Verschlechterungs‑Vorhersagen
  • 25% Verringerung unerwarteter ICU‑Verlegungen
  • 2x mehr Face‑Time zwischen Klinikteam und Patient:innen
  • 80% Automatisierung der Verarbeitung von Überweisungsdokumenten
Fallstudie lesen →

Tesla, Inc.

Automobilindustrie

Die Automobilindustrie steht vor der alarmierenden Tatsache, dass 94 % aller Verkehrsunfälle auf menschliches Versagen zurückzuführen sind — einschließlich Ablenkung, Ermüdung und Fehlentscheidungen — was weltweit über 1,3 Millionen Verkehrstote pro Jahr zur Folge hat. In den USA zeigen NHTSA‑Daten im Durchschnitt einen Unfall pro 670.000 Meilen, was den dringenden Bedarf an fortschrittlichen Fahrerassistenzsystemen (ADAS) zur Verbesserung der Sicherheit und Reduzierung von Todesfällen unterstreicht. Tesla stand vor spezifischen Hürden beim Skalieren einer rein visionbasierten Autonomie, indem Radar und LiDAR zugunsten kamerabasierter Systeme verworfen wurden, die auf KI angewiesen sind, um menschliche Wahrnehmung nachzubilden. Zu den Herausforderungen gehörten die variable KI‑Leistung unter unterschiedlichen Bedingungen wie Nebel, Nacht oder Baustellen, regulatorische Prüfungen wegen irreführender Level‑2‑Kennzeichnung trotz Level‑4‑ähnlicher Demos sowie die Gewährleistung robuster Fahrerüberwachung, um Überverlass zu verhindern. Frühere Vorfälle und Studien kritisierten die inkonsistente Zuverlässigkeit der Computer Vision.

Lösung

Teslas Autopilot und Full Self-Driving (FSD) Supervised setzen auf End-to-End Deep Learning‑Neuronale Netze, die auf Milliarden realer Meilen trainiert wurden und Kameradaten für Wahrnehmung, Vorhersage und Steuerung verarbeiten — ohne modulare Regeln. Der Übergang von HydraNet (Multi‑Task‑Learning für 30+ Outputs) zu reinen End‑to‑End‑Modellen brachte FSD v14 das Tür‑zu‑Tür‑Fahren mittels video‑basiertem Imitationslernen. Um die Herausforderungen zu meistern, skalierte Tesla die Datenerfassung über seine Flotte von über 6 Mio. Fahrzeugen und nutzte Dojo‑Supercomputer zum Training auf Petabytes an Videodaten. Der rein visionbasierte Ansatz senkt Kosten gegenüber LiDAR‑Konkurrenten; aktuelle Upgrades wie neue Kameras adressieren Randfälle. Regulatorisch zielt Tesla auf unüberwachtes FSD bis Ende 2025, wobei eine Zulassung in China für 2026 angepeilt ist.

Ergebnisse

  • Unfallrate Autopilot: 1 pro 6,36 Mio. Meilen (Q3 2025)
  • Sicherheitsfaktor: 9x sicherer als US‑Durchschnitt (670.000 Meilen/Unfall)
  • Flottendaten: Milliarden von Meilen für das Training
  • FSD v14: Tür‑zu‑Tür‑Autonomie erreicht
  • Q2 2025: 1 Unfall pro 6,69 Mio. Meilen
  • Rekord Q4 2024: 5,94 Mio. Meilen zwischen Unfällen
Fallstudie lesen →

Best Practices

Erfolgreiche Implementierungen folgen bewährten Mustern. Werfen Sie einen Blick auf unsere taktischen Ratschläge für den Einstieg.

Gemini als Basis mit Ihrem HRIS und Google Workspace verbinden

Der erste taktische Schritt besteht darin, Gemini mit den Systemen zu verbinden, die Ihre zentralen Onboarding-Daten enthalten. In einer Google-zentrierten Umgebung bedeutet das typischerweise Ihr HRIS (für Rolle, Standort, Startdatum) und Google Workspace (für E-Mail, Gruppen und grundlegende Zugriffe). Verwenden Sie sichere Konnektoren oder APIs, sodass Gemini in der Anfangsphase lesen, aber nicht beliebig in diese Systeme schreiben kann.

Ist die Verbindung hergestellt, konfigurieren Sie Gemini so, dass es grundlegende Fragen wie „Wann ist mein Startdatum?“, „Wer ist meine Führungskraft?“ und „In welchen Google-Gruppen bin ich?“ beantworten kann. So entlasten Sie HR bereits von einem erheblichen Teil wiederkehrender Anfragen, noch bevor Sie Zugangs-Workflows zur Provisionierung anfassen.

Gemini zur Erstellung rollenbasierter Zugangs-Bundles nutzen

Definieren Sie Standard-Zugangs-Bundles für typische Rollen (z. B. Sales Manager, Backend Engineer, HR Business Partner). Speichern Sie diese Bundles in einem strukturierten Format (z. B. ein Google Sheet oder eine schlanke Konfigurationsdatenbank), auf das Gemini zugreifen kann. Jedes Bundle sollte die benötigten Systeme, Gruppen und Berechtigungen definieren.

Fordern Sie Gemini dann auf, auf Basis der HRIS-Daten das passende Bundle zu empfehlen und eine menschenlesbare Zusammenfassung zu erstellen, die HR und Führungskräfte validieren können:

Beispiel für einen System-Prompt:
Sie sind ein Assistent für HR-Onboarding und Zugangs-Provisionierung.
Sie erhalten Mitarbeiterdaten (Rolle, Abteilung, Standort, Seniorität)
und einen Katalog von Zugangs-Bundles.
Ihre Aufgaben:
1) Wählen Sie das passendste Zugangs-Bundle bzw. die passendsten Zugangs-Bundles für die Mitarbeiterin bzw. den Mitarbeiter aus.
2) Erklären Sie in klarer, verständlicher Geschäftssprache, welche Zugänge gewährt werden und warum.
3) Markieren Sie alle Zugänge, die eine zusätzliche Genehmigung erfordern.
Antworten Sie im JSON-Format mit den Feldern: selected_bundles, explanation, approvals_required.

Erwartetes Ergebnis: HR kann Geminis Vorschlag schnell prüfen und freigeben, wodurch manuelle Entscheidungsarbeit und Inkonsistenzen zwischen verschiedenen Einstellungen reduziert werden.

Ticket-Erstellung und -Routing aus Gemini-Konversationen automatisieren

Sobald Gemini Zugangs-Bundles vorschlagen kann, verbinden Sie es mit Ihrem ITSM- oder Ticketing-Tool (z. B. Jira Service Management, ServiceNow oder einen Google-Chat-basierten Workflow), um strukturierte Tickets automatisch zu erstellen. Verwenden Sie konsistente Vorlagen, sodass IT alle notwendigen Informationen ohne Rückfragen per E-Mail erhält.

Beispiel-Prompt für Gemini zur Ticket-Erstellung:
Sie sind mit der IT-Ticketing-API integriert.
Erstellen Sie auf Basis des ausgewählten Zugangs-Bundles
und der Mitarbeiterdaten separate Tickets für:
- Hardware (Laptop, Zubehör)
- Kern-Accounts (E-Mail, SSO)
- Business-Anwendungen (CRM, ERP, HR-Tools)
Enthalten sein müssen: due_date (vor dem Startdatum),
priority und approver.
Geben Sie ein JSON-Array von Ticket-Objekten aus,
das direkt von der API verarbeitet werden kann.

Erwartetes Ergebnis: Neueinstellungen lösen eine einzige HR-Aktion aus (oder sogar eine automatische Aktion bei Vertragsunterzeichnung), und Gemini verteilt daraus gut strukturierte Tickets in die richtigen Warteschlangen – die manuelle Koordinationszeit sinkt drastisch.

Einen Gemini-Assistenten für neue Mitarbeitende in Google Chat oder im Intranet bereitstellen

Stellen Sie Gemini neuen Mitarbeitenden direkt in den Kanälen zur Verfügung, die sie ohnehin nutzen, etwa in Google Chat, im Gmail-Seitenpanel oder im Intranet. Geben Sie ihm einen klaren Scope: Onboarding-Fragen beantworten, den Status von Zugangs-Anfragen anzeigen und fehlende Berechtigungen über einen geführten Flow anfordern lassen.

Beispiel-Prompt für einen Gemini-Assistenten für neue Mitarbeitende:
Sie sind ein Onboarding- und Zugangs-Assistent für neue Mitarbeitende.
Ziele:
- Beantworten Sie Fragen zu Onboarding-Aufgaben und IT-Zugängen.
- Zeigen Sie den aktuellen Status von Laptop-, Account-
  und Tool-Provisionierung an.
- Sammeln Sie klare Informationen, wenn die Mitarbeiterin
  bzw. der Mitarbeiter zusätzliche Zugänge anfordert.
Immer:
- Verwenden Sie einfache, verständliche Sprache.
- Verlinken Sie, wenn verfügbar, auf die relevante interne
  Seite oder Richtlinie.
- Eskalieren Sie an HR oder IT, wenn die Frage außerhalb
  des Scopes liegt oder die Richtlinie unklar ist.

Erwartetes Ergebnis: Weniger direkte E-Mails an HR und IT, schnellere Antworten für Mitarbeitende und eine konsistente Onboarding-Kommunikation.

Gemini SLAs überwachen und Verzögerungen proaktiv eskalieren lassen

Definieren Sie realistische SLAs für jedes Onboarding-Asset (z. B. Laptop 3 Tage vor Start einsatzbereit, Kern-Accounts 1 Tag vor Start, Business-Apps innerhalb von 2 Tagen nach Start). Geben Sie Gemini Leserechte auf Ticket-Status und Zeitstempel, damit es berechnen kann, ob Sie im Plan sind oder ein Risiko besteht.

Konfigurieren Sie Gemini so, dass es proaktive Alerts sendet, wenn SLAs gefährdet sind. Wenn z. B. ein Laptop-Ticket 5 Tage vor Start noch keinem Bearbeitenden zugewiesen ist, pingt Gemini die verantwortliche IT-Queue und HR mit einer kompakten Zusammenfassung und Vorschlägen für nächste Schritte.

Beispiel-Prompt für Gemini zur SLA-Überwachung:
Sie überwachen Onboarding-Tickets mit SLA-Zielen.
Jede Stunde erhalten Sie aktualisierte Ticketdaten.
Bestimmen Sie für jedes Ticket:
- Ist es im Plan, gefährdet oder verletzt?
- Wer muss informiert werden (IT, HR, Führungskraft)?
Formulieren Sie eine kurze Statusnachricht und
empfohlene Aktion.
Eskalieren Sie nur, wenn ein klares SLA-Risiko besteht.

Erwartetes Ergebnis: Weniger Last-Minute-Überraschungen am ersten Arbeitstag, höhere Einhaltung der SLAs und bessere Transparenz für HR und Führungskräfte.

Ausnahmen erfassen und zur Verbesserung von Richtlinien nutzen

Nicht jede Neueinstellung passt in ein Standard-Bundle. Nutzen Sie Gemini, um Ausnahme-Anfragen (z. B. Spezialtools für eine Senior-Architektin) strukturiert zu erfassen und die Gründe für Genehmigungen zu dokumentieren. Analysieren Sie diese Ausnahmen im Zeitverlauf mit Gemini, um Muster zu erkennen und Anpassungen an Standard-Bundles oder Richtlinien vorzuschlagen.

Sie können Gemini zum Beispiel regelmäßig Ausnahme-Tickets überprüfen lassen und Fragen beantworten lassen wie: „Welche Rollen fordern am häufigsten nicht-standardisierte Tools an?“ oder „Welche Ausnahmen werden praktisch immer genehmigt und sollten zum Standard werden?“. So schließen Sie die Feedback-Schleife zwischen täglicher Onboarding-Praxis und der Weiterentwicklung Ihrer Policies.

Schrittweise umgesetzt können diese Gemini-Onboarding-Best Practices den manuellen Koordinationsaufwand zwischen HR und IT realistisch um 30–50 % reduzieren, durchschnittliche Zugangsverzögerungen für viele Rollen von Tagen auf Stunden verkürzen und die Zufriedenheit neuer Mitarbeitender in den ersten 30–60 Tagen steigern. Die genauen Kennzahlen hängen von Ihrem Ausgangspunkt ab, aber das Muster ist konsistent: weniger Hinterherlaufen, klarere Verantwortlichkeiten und schnellere Zeit bis zur Produktivität.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

Gemini beschleunigt die Onboarding-Zugangs-Provisionierung, indem es zwischen HR-Daten, Identity-Systemen und IT-Ticketing sitzt. Es kann Informationen zu neuen Mitarbeitenden aus Ihrem HRIS lesen, das passende rollenbasierte Zugangs-Bundle vorschlagen und automatisch gut strukturierte Tickets für Hardware, Accounts und Tools erstellen.

Darüber hinaus agiert Gemini als konversationale Schnittstelle für neue Mitarbeitende und HR: Es beantwortet Statusfragen, sammelt fehlende Informationen ein und erinnert IT, wenn SLAs gefährdet sind. Dies reduziert manuelles E-Mail-Ping-Pong und stellt sicher, dass Provisionierungsarbeit früher startet und konsistenter abläuft.

Sie benötigen kein großes Data-Science-Team, um zu starten. Die meisten Implementierungen erfordern:

  • Eine HR- oder People-Ops-Verantwortliche bzw. einen -Verantwortlichen, die bzw. der Ihren aktuellen Onboarding-Prozess und Ihre Richtlinien versteht.
  • Eine IT-/Identity-Ansprechperson, die Zugriff auf Systeme wie HRIS, Google Workspace und Ihr Ticketing-Tool bereitstellen kann.
  • Eine kleine Engineering-Kapazität (intern oder extern), um sichere Integrationen und grundlegende Workflows aufzusetzen.

Gemini selbst übernimmt die Schicht für natürliche Sprache und „Reasoning“; die Hauptarbeit besteht darin, klare Zugangsregeln zu definieren, Ihren aktuellen Prozess zu kartieren und Gemini über APIs oder bestehende Konnektoren anzubinden. Reruption hilft Kundinnen und Kunden typischerweise dabei, dies in einen fokussierten PoC zu verdichten, statt in ein langes IT-Projekt.

Wenn der Scope klar fokussiert ist, können Sie Ergebnisse in Wochen statt Monaten sehen. Ein realistischer Zeitplan sieht so aus:

  • Woche 1–2: Aktuelle Onboarding-Flows aufnehmen, Ziel-Zugangs-Bundles definieren, Gemini mit Testdaten verbinden.
  • Woche 3–4: Einen Pilot-Gemini-Assistenten nur für HR ausrollen (Bundles empfehlen, Tickets generieren, Engpässe analysieren).
  • Woche 5–8: Auf eine begrenzte Gruppe neuer Mitarbeitender und Führungskräfte erweitern, Monitoring und SLA-Alerts ergänzen.

Verbesserungen zeigen sich oft sofort in Form von weniger Status-E-Mails und höherer Ticketqualität. Zeit bis zum Zugang und Zufriedenheit neuer Mitarbeitender verbessern sich üblicherweise über die ersten 1–2 Onboarding-Zyklen hinweg, während Sie Workflows und Bundles verfeinern.

Der ROI speist sich aus drei Hauptbereichen: weniger manueller Aufwand, schnellere Zeit bis zur Produktivität und bessere Bindung. Die Automatisierung von Zugangsentscheidungen und Ticket-Erstellung kann HR und IT leicht mehrere Stunden pro Neueinstellung einsparen. Wenn Sie pro Jahr Dutzende oder Hunderte Menschen onboarden, entsteht daraus eine erhebliche Kostenreduktion.

Noch wichtiger ist, dass rechtzeitig bereitstehende Laptops und Accounts die unproduktive Phase in der Anfangszeit verkürzen. Wenn Gemini jeder Mitarbeiterin und jedem Mitarbeiter hilft, auch nur einen Tag früher produktiv zu werden, kann der Produktivitätsgewinn über die gesamte Belegschaft die Implementierungskosten schnell übersteigen. Schließlich wirkt sich ein reibungsloseres Onboarding positiv auf Arbeitgebermarke und Frühfluktuation aus – beides wesentliche versteckte Kosten in vielen Organisationen.

Reruption arbeitet als Co-Preneur in Ihrer Organisation: Wir beraten nicht nur, wir bauen mit. Mit unserem KI-PoC-Angebot (9.900 €) können wir schnell testen, ob ein Gemini-basierter Onboarding-Assistent mit Ihrem realen HR- und IT-Stack funktioniert. Das umfasst die Konkretisierung des Use Cases, die Auswahl der passenden Architektur, das Prototyping der Workflows und die Erfolgsmessung.

Über den PoC hinaus helfen wir Ihnen, den Prototyp in ein robustes internes Produkt zu überführen: Integration mit HRIS und Google Workspace, Verfeinerung von Prompts und Richtlinien sowie Aufbau von Monitoring und Governance. Unser Fokus auf KI-Strategie, KI-Engineering, Security & Compliance sowie Enablement stellt sicher, dass die Lösung nicht nur ein Demo bleibt, sondern ein verlässlicher Bestandteil Ihres Onboarding-Prozesses wird.

Kontaktieren Sie uns!

0/10 min.

Direkt Kontaktieren

Your Contact

Philipp M. W. Hoffmann

Founder & Partner

Adresse

Reruption GmbH

Falkertstraße 2

70176 Stuttgart

Kontakt

Social Media