Die Herausforderung: Überlastete HR-Teams durch wiederkehrende Fragen

Für viele HR-Teams bedeutet die Onboarding-Saison überquellende Postfächer und Chatkanäle voller immer gleicher Fragen: „Wo finde ich die Leistungs- und Benefits-Übersicht?“, „Wie beantrage ich Equipment?“, „Welches Tool nutzen wir für die Zeiterfassung?“. Anstatt sich auf strategisches Onboarding zu konzentrieren, verbringen HR Business Partner Stunden damit, Links zu Handbüchern, Intranet-Seiten und Richtliniendokumenten zu kopieren und einzufügen.

Traditionelle Ansätze wie lange PDF-Handbücher, statische FAQ-Seiten im Intranet oder eine einzige Onboarding-E-Mail funktionieren nicht mehr. Neue Mitarbeitende sind an digitale Erlebnisse auf Consumer-Niveau gewöhnt, bei denen Antworten sofort und im Kontext bereitstehen. Sie erinnern sich selten daran, wo sich dieser eine Link befand, und die Suche im Intranet liefert häufig zu viele oder irrelevante Ergebnisse. Mit dem Unternehmenswachstum kann HR das „manuelle Beantworten“ schlicht nicht skalieren, ohne das Team zu überlasten oder das Onboarding-Erlebnis zu verschlechtern.

Die geschäftlichen Auswirkungen, wenn man dieses Problem nicht löst, sind real. Die Reaktionszeiten auf Fragen neuer Mitarbeitender verlangsamen sich, was in den ersten Wochen zu Verwirrung und Frustration führt. Führungskräfte verlieren an Produktivität, weil sie als Ad-hoc-Support einspringen müssen. HR verliert Zeit, die eigentlich in Workforce-Planung, strategische Talentprogramme und kontinuierliche Onboarding-Optimierung fließen sollte. Langfristig führt dies zu einer langsameren Time-to-Productivity, schwächerer Bindung in den ersten 90 Tagen und einem höheren Risiko früher Fluktuation.

Die gute Nachricht: Dies ist ein klassischer Anwendungsfall, in dem KI die repetitiven Aufgaben übernehmen kann, ohne den menschlichen Kontakt zu verlieren. Mit einem dialogfähigen Assistenten wie Claude, der Ihre Handbücher, SOPs und Onboarding-Guides lesen kann, geben Sie jeder neuen Person schnelle, präzise Antworten und halten HR gleichzeitig für wertschöpfende Interaktionen frei. Bei Reruption haben wir aus erster Hand erlebt, wie gut designte KI-Assistenten dokumentenintensive Prozesse transformieren, und im weiteren Verlauf dieser Seite skizzieren wir einen pragmatischen, nicht überhitzten Weg, wie Sie das für Ihr Onboarding erreichen.

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.

Basierend auf Reruption’s Erfahrung in der Entwicklung von KI-Assistenten für dokumentenintensive HR- und Operations-Workflows ist Claude besonders gut geeignet, um wiederkehrende Onboarding-Fragen zu bewältigen. Seine starken Long-Context-Fähigkeiten ermöglichen es, umfangreiche Richtliniendokumente, Betriebsvereinbarungen und mehrstufige Onboarding-Checklisten aufzunehmen und zu durchlaufen und diese dann in prägnante, dialogorientierte Antworten zu übersetzen, die zu Ihrem HR-Ton und Ihren Compliance-Anforderungen passen.

Claude entlang der New-Hire-Journey designen, nicht entlang von Dokumenten

Ein häufiger Fehler ist, Claude als smartere Suchmaschine für HR-PDFs zu behandeln. Strategisch erzielen Sie mehr Mehrwert, wenn Sie zunächst die Onboarding-Journey (Woche 0–4, 4–12, 90+ Tage) abbilden und dann definieren, wie Claude jede Phase unterstützen soll. In der ersten Woche stehen zum Beispiel Basiszugänge, Payroll, Benefits und IT-Tools im Vordergrund; in späteren Wochen geht es stärker um Lerninhalte und Leistungserwartungen.

Beginnen Sie mit einem einfachen Service Blueprint: Welche Fragen treten in welcher Phase auf, welche Systeme sind betroffen (HRIS, LMS, ITSM) und wo liegen die Antworten heute. So lässt sich die Rolle von Claude leichter definieren: Erstkontakt für wiederkehrende Fragen, kontextsensitiver Guide zu internen Ressourcen und Eskalationspunkt zu Menschen, wenn etwas sensibel oder unklar ist. Das Denken in Journeys verhindert den überwältigenden Ansatz „alles hochladen und hoffen, dass es funktioniert“.

HR, Legal und IT frühzeitig zu Leitplanken und Tonalität ausrichten

Der Einsatz von KI für HR-Onboarding-Support berührt sensible Themen wie Verträge, Benefits oder lokale Arbeitsgesetze. Strategisch brauchen Sie Klarheit darüber, was Claude eigenständig beantworten darf, was nur mit Hinweisen und Disclaimer zusammengefasst werden sollte und was zwingend an HR oder Legal übergeben werden muss. Wenn HR, Legal und IT frühzeitig zusammenkommen, um diese Leitplanken zu definieren, vermeiden Sie spätere Reibungen.

Gleichzeitig sollten Sie sich auf die Tonalität des Assistenten einigen: freundlich und unterstützend, aber präzise und compliant. Claude kann so konfiguriert werden, dass Quellen immer angegeben werden (z. B. Richtlinienseite, aktueller Handbuchabschnitt) und Unklarheiten aktiv markiert werden. Diese Kombination aus klaren Governance-Regeln und einer konsistenten Stimme schafft Vertrauen bei neuen Mitarbeitenden und Stakeholdern.

Ihr Team auf KI-unterstütztes statt KI-ersetztes Onboarding vorbereiten

KI im HR-Bereich weckt oft Sorgen, menschlichen Kontakt zu ersetzen. Claude strategisch als digitalen HR-Assistenten zu positionieren, der wiederkehrende Fragen übernimmt, während HR sich auf menschliche Interaktionen konzentriert, ist entscheidend für die Akzeptanz. Neue Mitarbeitende brauchen weiterhin Willkommensgespräche, Feedback-Schleifen und kulturelles Onboarding, das kein Chatbot ersetzen kann.

Binden Sie HR Business Partner und Recruiter ein, um typische Fragen zu definieren, Claudes erste Antworten zu prüfen und Eskalations-Workflows zu gestalten. Wenn sie sehen, dass der Assistent ihre wenig wertschöpfende Arbeit reduziert, werden sie zu Fürsprechern und identifizieren zusätzliche Use Cases: Onboarding-Checklisten, rollenbezogene Erläuterungen von Richtlinien oder schnelle Übersetzungen für internationale Neueinstellungen.

Mit einem engen Pilot und klaren Kennzahlen starten

Statt Claude direkt für alle HR-Themen auszurollen, wählen Sie strategisch einen fokussierten Pilotumfang, etwa „Onboarding-Fragen in den ersten 30 Tagen für Office-Mitarbeitende in einem Land“. So können Sie schnell vorgehen, das Risiko begrenzen und messbare Verbesserungen wie kürzere Antwortzeiten und weniger wiederkehrende Fragen beobachten.

Definieren Sie im Voraus 3–5 Kennzahlen: Anteil der Fragen, die Claude ohne menschliches Eingreifen beantwortet, durchschnittliche Antwortzeit, eingesparte HR-Stunden und Zufriedenheit neuer Mitarbeitender mit dem Support. Mit diesen Zahlen können Sie fundiert entscheiden, ob der Assistent auf weitere Standorte, Beschäftigungsarten oder Lebenszyklusphasen ausgedehnt werden soll.

Auf kontinuierliche Verbesserung statt einmalige Implementierung setzen

Onboarding-Richtlinien, Tools und Benefits entwickeln sich ständig weiter. Strategisch sollte Ihr Claude-Onboarding-Assistent daher wie ein Produkt und nicht wie ein Projekt behandelt werden. Legen Sie Verantwortlichkeiten für die Pflege der Wissensbasis und die Auswertung der Analysen fest und planen Sie regelmäßige Inhaltsaktualisierungen ein, wenn sich Richtlinien oder Tools ändern.

Nutzen Sie Feedback-Schleifen: Ermöglichen Sie neuen Mitarbeitenden, Antworten zu bewerten oder anzugeben, wenn etwas unklar war. HR kann dann Prompts verfeinern, die Content-Struktur anpassen oder neue Beispiele ergänzen. Diese Haltung der kontinuierlichen Verbesserung stellt sicher, dass der Assistent auch bei organisatorischen Veränderungen präzise und wertvoll bleibt.

Den Einsatz von Claude als HR-Wissensbot für Onboarding zu nutzen, bedeutet weniger, einen „cleveren Chatbot“ einzuführen, als vielmehr, den Zugang zu Informationen für neue Mitarbeitende neu zu denken. Mit dem richtigen Scope, klaren Leitplanken und einem tragfähigen Ownership-Modell lassen sich die meisten wiederkehrenden Fragen eliminieren und gleichzeitig die menschliche Seite von HR stärken. Reruption verfügt über praktische Erfahrung beim Aufbau und Finetuning von KI-Assistenten auf Basis komplexer Dokumentationen und wir unterstützen Sie gerne bei einem fokussierten Proof of Concept oder einer End-to-End-Implementierung, wenn Sie dies mit Ihren realen Onboarding-Flows erproben möchten.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

Von Telekommunikation bis Lebensmittelproduktion: Erfahren Sie, wie Unternehmen Claude erfolgreich einsetzen.

Three UK

Telekommunikation

Three UK, ein führender Mobilfunkanbieter im Vereinigten Königreich, stand unter erheblichem Druck durch den stark ansteigenden Datenverkehr, getrieben vom 5G‑Ausbau, Video‑Streaming, Online‑Gaming und Remote‑Arbeit. Mit über 10 Millionen Kund:innen führten Spitzenzeiten‑Überlastungen in städtischen Gebieten zu Verbindungsabbrüchen, Buffering bei Streams und hoher Latenz, die das Gaming‑Erlebnis beeinträchtigte. Traditionelle Monitoring‑Tools kamen mit dem Volumen an Big‑Data aus Netzprobes nicht zurecht, sodass Echtzeit‑Optimierung unmöglich war und Kundenabwanderung drohte. Hinzu kam, dass Legacy On‑Premises‑Systeme nicht für 5G‑Network‑Slicing und dynamische Ressourcenallokation skalierten, was zu ineffizienter Spektrumnutzung und steigenden OPEX führte. Three UK benötigte eine Lösung, die Netzengpässe proaktiv vorhersagen und verhindern kann, um niedriglatenzige Dienste für latenzsensible Anwendungen sicherzustellen und gleichzeitig die QoS über verschiedene Verkehrsarten hinweg aufrechtzuerhalten.

Lösung

Microsoft Azure Operator Insights etablierte sich als cloudbasierte KI‑Plattform speziell für Telekommunikationsanbieter und nutzt Big‑Data‑Maschinelles Lernen, um Petabytes an Netztelemetrie in Echtzeit zu verarbeiten. Die Plattform analysiert KPIs wie Durchsatz, Paketverlust und Handover‑Erfolgsraten, erkennt Anomalien und sagt Überlastungen voraus. Three UK integrierte sie in sein Core‑Netzwerk, um automatisierte Erkenntnisse und Handlungsempfehlungen zu erhalten. Die Lösung setzte ML‑Modelle für Root‑Cause‑Analysen, Verkehrsvorhersagen und Optimierungsmaßnahmen wie Beamforming‑Anpassungen und Load‑Balancing ein. Auf Azure's skalierbarer Cloud betrieben, erleichterte sie die Migration von Legacy‑Tools, verringerte die Abhängigkeit von manuellen Eingriffen und stattete Ingenieurteams mit umsetzbaren Dashboards aus.

Ergebnisse

  • 25% Reduktion von Netzüberlastungsereignissen
  • 20% Verbesserung der durchschnittlichen Download‑Geschwindigkeiten
  • 15% Verringerung der End‑to‑End‑Latenz
  • 30% schnellere Anomalieerkennung
  • 10% OPEX‑Einsparungen im Netzbetrieb
  • NPS um 12 Punkte verbessert
Fallstudie lesen →

Bank of America

Bankwesen

Die Bank of America sah sich einem hohen Volumen routinemäßiger Kundenanfragen gegenüber, etwa Kontostände, Zahlungen und Transaktionsverläufe, was traditionelle Callcenter und Supportkanäle überlastete. Bei Millionen täglicher Nutzer des digitalen Bankings fiel es der Bank schwer, rund um die Uhr personalisierte Finanzberatung in großem Maßstab anzubieten, was zu Ineffizienzen, längeren Wartezeiten und uneinheitlicher Servicequalität führte. Kunden forderten proaktive Erkenntnisse über einfache Abfragen hinaus, etwa Ausgabemuster oder finanzielle Empfehlungen, doch menschliche Mitarbeitende konnten das Volumen nicht ohne steigende Kosten bewältigen. Zudem stellte die Sicherstellung von konversationeller Natürlichkeit in einer regulierten Branche wie dem Bankwesen eine Herausforderung dar, einschließlich der Einhaltung von Datenschutzbestimmungen im Finanzwesen, der präzisen Interpretation komplexer Anfragen und der nahtlosen Integration in die Mobile App, ohne die Nutzererfahrung zu stören. Die Bank musste KI-Automatisierung mit menschlicher Empathie ausbalancieren, um Vertrauen und hohe Zufriedenheitswerte zu erhalten.

Lösung

Bank of America entwickelte Erica, einen internen durch NLP unterstützten virtuellen Assistenten, der direkt in die Mobile-Banking-App integriert ist und Natural Language Processing sowie prädiktive Analytik nutzt, um Anfragen konversationell zu bearbeiten. Erica fungiert als Einstiegspunkt für Self-Service, bearbeitet Routineaufgaben sofort und liefert gleichzeitig personalisierte Einblicke, wie Liquiditätsprognosen oder maßgeschneiderte Empfehlungen, wobei Kundendaten sicher verwendet werden. Die Lösung entwickelte sich von einem einfachen Navigationstool zu einer ausgefeilten KI und integrierte Generative-AI-Komponenten für natürlichere Interaktionen sowie das nahtlose Eskalieren komplexer Fälle an menschliche Agenten. Mit dem Fokus auf interne Sprachmodelle gewährleistet sie Kontrolle über Datenschutz und Anpassung, treibt die unternehmensweite KI-Einführung voran und steigert das digitale Engagement.

Ergebnisse

  • Über 3 Milliarden Kundeninteraktionen insgesamt seit 2018
  • Nahezu 50 Millionen eindeutige Nutzer unterstützt
  • Über 58 Millionen Interaktionen pro Monat (2025)
  • 2 Milliarden Interaktionen bis April 2024 erreicht (Verdoppelung von 1 Mrd. in 18 Monaten)
  • Bis 2024 wurden 42 Millionen Kunden unterstützt
  • 19 % Gewinnanstieg, verbunden mit Effizienzgewinnen
Fallstudie lesen →

Associated Press (AP)

Nachrichtenmedien

In der Mitte der 2010er Jahre sah sich die Associated Press (AP) im Wirtschaftsressort mit erheblichen Einschränkungen aufgrund begrenzter manueller Ressourcen konfrontiert. Mit nur wenigen Journalisten, die sich der Berichterstattung zu Quartalszahlen widmeten, konnte AP lediglich rund 300 Quartalsberichte pro Quartal erstellen und konzentrierte sich dabei hauptsächlich auf große S&P-500-Unternehmen. Dieser manuelle Prozess war arbeitsintensiv: Reporter mussten Daten aus Finanzberichten extrahieren, Kennzahlen wie Umsatz, Gewinne und Wachstumsraten analysieren und unter engen Fristen prägnante Texte formulieren. Mit der Zunahme börsennotierter Unternehmen geriet AP zunehmend in die Lage, kleinere Firmen nicht abzudecken, sodass viele markt­relevante Informationen unberichtet blieben. Diese Beschränkung reduzierte nicht nur APs umfassende Marktabdeckung, sondern band Journalisten auch an monotone Aufgaben und verhinderte, dass sie investigativen Geschichten oder tiefergehenden Analysen nachgehen konnten. Der Druck während der Quartalssaison verschärfte diese Probleme, da viele Fristen gleichzeitig bei tausenden Unternehmen anstanden und skalierbare Berichterstattung ohne Innovation unmöglich machte.

Lösung

Um dem entgegenzuwirken, ging AP 2014 eine Partnerschaft mit Automated Insights ein und implementierte deren Wordsmith NLG-Plattform. Wordsmith verwendet template-basierte Algorithmen, um strukturierte Finanzdaten—wie Gewinn je Aktie, Umsatzzahlen und jährliche Veränderungen—in lesbaren, journalistischen Text zu überführen. Reporter geben verifizierte Daten aus Quellen wie Zacks Investment Research ein, und die KI erzeugt Entwürfe in Sekundenschnelle, die Menschen anschließend leicht für Genauigkeit und Stil redigieren. Die Lösung umfasste die Erstellung von kundenspezifischen NLG-Templates, die an den Stil der AP angepasst wurden, sodass die Artikel menschlich geschrieben wirkten und journalistischen Standards entsprachen. Dieser hybride Ansatz—KI für die Menge, Menschen für die Aufsicht—überwand Qualitätsbedenken. Bis 2015 kündigte AP an, die Mehrheit der US-Unternehmensberichterstattung zu Quartalszahlen zu automatisieren und die Abdeckung dramatisch zu skalieren, ohne das Personal proportional zu erhöhen.

Ergebnisse

  • 14-fache Steigerung der Quartalsberichte: 300 auf 4.200
  • Abdeckung ausgeweitet auf über 4.000 börsennotierte US-Unternehmen pro Quartal
  • Entspricht der Freisetzung von 20 Vollzeitreportern
  • Artikel werden in Sekunden statt in manuell benötigten Stunden veröffentlicht
  • Nach der Implementierung keine gemeldeten Fehler in automatisierten Artikeln
  • Dauerhafte Nutzung wurde auf Sport, Wetter und Lotterieberichte ausgeweitet
Fallstudie lesen →

Walmart (Marketplace)

Einzelhandel

Im umkämpften Umfeld des Walmart Marketplace konkurrieren Drittanbieter‑Verkäufer hart um die Buy Box, die den Großteil der Verkaufsabschlüsse ausmacht . Diese Verkäufer verwalten umfangreiche Bestände, haben aber mit manuellen Preisänderungen zu kämpfen, die zu langsam sind, um mit sich schnell ändernden Wettbewerberpreisen, Nachfrageschwankungen und Markttrends Schritt zu halten. Das führt häufig zum Verlust der Buy Box, verpassten Verkaufschancen und geschwächten Gewinnmargen auf einer Plattform, auf der Preis das wichtigste Schlachtfeld ist . Zusätzlich sehen sich Verkäufer einer Datenflut gegenüber, wenn sie Tausende von SKUs überwachen, optimale Preisniveaus prognostizieren und Wettbewerbsfähigkeit gegen Profitabilität abwägen müssen. Traditionelle statische Preisstrategien versagen in diesem dynamischen E‑Commerce‑Umfeld, was zu suboptimaler Leistung und übermäßigem manuellen Aufwand führt – oft Stunden pro Tag und Verkäufer . Walmart erkannte den Bedarf an einer automatisierten Lösung, um Verkäufer zu stärken und das Plattformwachstum voranzutreiben.

Lösung

Walmart führte den Repricer ein, ein kostenloses KI‑gesteuertes automatisiertes Preiswerkzeug, das in Seller Center integriert ist und generative KI zur Entscheidungsunterstützung neben Machine‑Learning‑Modellen wie sequentieller Entscheidungsintelligenz nutzt, um Preise in Echtzeit dynamisch anzupassen . Das Tool analysiert Wettbewerberpreise, historische Verkaufsdaten, Nachfrageindikatoren und Marktbedingungen, um optimale Preise zu empfehlen und umzusetzen, die die Buy‑Box‑Berechtigung und die Verkaufsgeschwindigkeit maximieren . Ergänzend dazu liefert das Pricing Insights‑Dashboard Kontoebenen‑Metriken und KI‑generierte Empfehlungen, einschließlich vorgeschlagener Preise für Aktionen, sodass Verkäufer Chancen ohne manuelle Analyse erkennen können . Für fortgeschrittene Nutzer erweitern Drittanbietertools wie Biviar's AI repricer – im Auftrag von Walmart entwickelt – dies durch Reinforcement Learning zur profitmaximierenden täglichen Preisfindung . Dieses Ökosystem verschiebt Verkäufer von reaktiven zu proaktiven Preisstrategien.

Ergebnisse

  • 25% Steigerung der Conversion‑Raten durch dynamische KI‑Preisgestaltung
  • Höhere Buy‑Box‑Gewinnraten durch Echtzeit‑Wettbewerbsanalyse
  • Maximierte Verkaufsgeschwindigkeit für Drittanbieter im Marketplace
  • 850 Millionen Katalognachdatenverbesserungen durch GenAI (breitere Wirkung)
  • Potenzial für über 40% Conversion‑Steigerung durch KI‑gesteuerte Angebote
  • Reduzierung der manuellen Preisfindung um täglich mehrere Stunden pro Verkäufer
Fallstudie lesen →

Revolut

Fintech

Revolut sah sich einem zunehmenden Authorized Push Payment (APP)-Betrug gegenüber, bei dem Betrüger Kunden psychologisch manipulieren, damit diese Überweisungen an betrügerische Konten autorisieren – oft unter dem Vorwand von Anlageangeboten. Traditionelle regelbasierte Systeme kamen gegen ausgefeilte Social-Engineering-Taktiken kaum an, was trotz Revoluts schnellem Wachstum auf über 35 Millionen Kunden weltweit zu erheblichen finanziellen Verlusten führte. Der Anstieg digitaler Zahlungen verstärkte Verwundbarkeiten, da Betrüger Echtzeit-Überweisungen ausnutzten, die herkömmliche Kontrollen umgingen. APP-Betrügereien entzogen sich der Erkennung, indem sie legitimes Verhalten nachahmten, was weltweit zu jährlichen Milliardenverlusten führte und das Vertrauen in Fintech-Plattformen wie Revolut untergrub. Es bestand dringender Bedarf an intelligenter, adaptiver Anomalieerkennung, die eingreift, bevor Gelder freigegeben werden.

Lösung

Revolut führte eine KI-gestützte Betrugsabwehrfunktion ein, die maschinelles Lernen zur Anomalieerkennung verwendet, um Transaktionen und Nutzerverhalten in Echtzeit zu überwachen. Das System analysiert Muster, die auf Betrug hindeuten – etwa ungewöhnliche Zahlungsaufforderungen im Zusammenhang mit Anlageködern – und greift ein, indem es Nutzer warnt oder verdächtige Aktionen blockiert. Durch den Einsatz von überwachten und unüberwachten ML-Algorithmen erkennt es Abweichungen vom normalen Verhalten in risikoreichen Momenten und "bricht den Zauber" der Betrüger, bevor eine Autorisierung erfolgt. In die App integriert, verarbeitet es große Mengen an Transaktionsdaten für proaktive Betrugsprävention, ohne legitime Zahlungsflüsse zu stören.

Ergebnisse

  • 30% Reduktion der Betrugsverluste bei APP-bezogenen Kartenbetrugsfällen
  • Gezielte Bekämpfung von Anlagebetrugsversuchen
  • Echtzeit-Interventionen während der Testphase
  • Schützt 35 Millionen globale Kunden
  • Eingesetzt seit Februar 2024
Fallstudie lesen →

Best Practices

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

Onboarding-Wissen vor der Anbindung zentralisieren und strukturieren

Claude arbeitet am effektivsten, wenn Ihre Onboarding-Inhalte konsistent und aktuell sind. Bevor Sie Dokumente anbinden, konsolidieren Sie die wichtigsten Quellen, die neue Mitarbeitende in den ersten 90 Tagen benötigen: Mitarbeiterhandbuch, Benefits-Übersicht, IT-Onboarding-Guides, rollenspezifische Checklisten und Kernrichtlinien (Remote Work, Reisen, Sicherheit). Entfernen Sie Dubletten und kennzeichnen Sie veraltete Versionen eindeutig.

Wo immer möglich, teilen Sie sehr lange Dokumente in logische Abschnitte auf (z. B. „Benefits & Vergütung“, „IT-Zugänge & Tools“, „Checkliste für die erste Woche“). Verwenden Sie klare Überschriften und eine konsistente Wortwahl, damit Claude Abschnitte in seinen Antworten referenzieren und zitieren kann. Diese Vorarbeit ist meist ein einmaliger Aufwand, der die Antwortqualität deutlich erhöht und das Risiko veralteter Informationen reduziert.

Einen starken System-Prompt für Ihren HR-Onboarding-Assistenten erstellen

Der „System Prompt“ definiert Claudes Rolle als HR-Onboarding-Assistent. Investieren Sie Zeit, um Tonalität, Grenzen und Verhalten bei sensiblen Themen zu präzisieren. Für das Initial-Setup und spätere Feintuning können Sie z. B. diese Vorlage nutzen:

Sie sind „Clara“, die HR-Onboarding-Assistentin für <Unternehmensname>.
Ihre Ziele:
- Geben Sie klare, prägnante Antworten auf Fragen neuer Mitarbeitender zu Onboarding, Richtlinien, Tools und Prozessen.
- Bleiben Sie stets compliant mit unseren HR-Richtlinien und lokalen arbeitsrechtlichen Vorschriften.
- Seien Sie freundlich und unterstützend, erfinden Sie jedoch niemals Fakten.

Regeln:
- Wenn die Antwort in den bereitgestellten Dokumenten enthalten ist, zitieren oder fassen Sie sie zusammen und verlinken Sie auf den exakten Abschnitt.
- Wenn Sie nicht sicher sind oder Inhalte fehlen, sagen Sie, dass Sie sich nicht sicher sind, und schlagen Sie vor, das HR-Team über <Kanal> zu kontaktieren.
- Bei rechtlichen, vertragsbezogenen oder leistungsbezogenen Fragen geben Sie allgemeine Orientierung und empfehlen Sie, mit HR oder der Führungskraft zu sprechen.
- Respektieren Sie die Privatsphäre: Spekulieren Sie niemals über einzelne Mitarbeitende oder vertrauliche Fälle.

Iterieren Sie diesen Prompt anhand realer Gespräche. Passen Sie die Sprache an Ihre Kultur an, ergänzen Sie Eskalationsregeln und hinterlegen Sie konkrete Kanäle (HR-Ticketsystem, E-Mail, Chat) für die Übergabe an Menschen.

Kanal-spezifische Erlebnisse implementieren (E-Mail, Chat, Portal)

Neue Mitarbeitende nutzen je nach Kontext unterschiedliche Kanäle, daher sollte Ihr Claude-basierter HR-Bot sie dort abholen, wo sie bereits sind. Ein praxisnahes Setup umfasst häufig: ein Chat-Widget im Onboarding-Portal, einen dedizierten MS-Teams- oder Slack-Kanal mit dem Assistenten sowie einen einfachen E-Mail-Assistenten für alle, die weiterhin an „hr@company.com“ schreiben.

Für Chat sollten Sie Claude so konfigurieren, dass er in kurzen, dialogorientierten Antworten mit Links zu internen Ressourcen reagiert. Für E-Mails sollte er etwas formellere Antworten erzeugen, die sich zum Weiterleiten eignen. In beiden Fällen sollten Interaktionen (ohne sensible personenbezogene Daten) in Ihrem Ticketsystem protokolliert werden, damit HR die Übersicht behält und bei Bedarf eingreifen kann.

Rollen- und standortbewusste Prompts für höhere Relevanz nutzen

Onboarding-Fragen unterscheiden sich stark nach Funktion, Senioritätslevel und Land. Um die Antwortqualität zu erhöhen, sollten Sie strukturierte Informationen über die fragende Person an Claude übergeben (unter Wahrung von Datenschutz und Sicherheit). Dazu können Rolle, Abteilung, Standort, Beschäftigungsart und Eintrittsdatum gehören.

Beispielsweise können Sie das Gespräch wie folgt einleiten:

Kontext für dieses Gespräch:
- Rolle der Mitarbeiterin / des Mitarbeiters: Junior Software Engineer
- Abteilung: Product & Engineering
- Standort: Berlin, Deutschland
- Beschäftigungsart: Vollzeit, unbefristet
- Tag im Onboarding: 5

Nutzen Sie diesen Kontext, um die relevantesten Richtlinien, Tools und nächsten Schritte zu priorisieren.

Mit diesem Kontext kann Claude die passenden IT-Guides, länderspezifische Benefits-Erklärungen und Sicherheits-Trainings priorisieren und damit Rückfragen und Missverständnisse reduzieren.

Eskalations- und Übergabe-Flows für komplexe Fälle designen

So gut Ihr HR-Wissensbot auch ist, manche Fragen gehören immer zu Menschen: Konflikte, individuelle Vertragsfragen, Performance-Themen oder persönliche Spannungen. Implementieren Sie explizite Regeln in den Prompts („wenn die Frage sich auf … bezieht, dann Kontakt vorschlagen“) und integrieren Sie Ihr HR-Ticketsystem oder Case-Management-Tool.

Sie können Claude zum Beispiel folgendes Muster für Übergabe-Tickets geben:

Wenn Sie eine Frage erkennen, die eine*n menschliche*n HR-Ansprechpartner*in erfordert:
- Stellen Sie 2–3 Rückfragen, um den relevanten Kontext zu erfassen.
- Geben Sie anschließend ein strukturiertes Ticket in diesem JSON-Format aus:
{
  "category": "benefits" | "payroll" | "contract" | "conflict" | ...,
  "summary": <einzeilige Zusammenfassung>,
  "details": <Stichpunktliste mit wichtigsten Fakten>,
  "employee_location": <Land>,
  "urgency": "low" | "medium" | "high"
}

Diese Struktur kann von einer einfachen Integration genutzt werden, um Tickets in Ihrem HR-System zu erstellen. So geht nichts verloren und HR erhält den gesamten Kontext direkt zu Beginn.

Impact messen und anhand realer Gespräche optimieren

Um über einen „netten Chatbot“ hinauszukommen, sollten Sie konkrete KPIs für Ihre Claude-Onboarding-Implementierung tracken. Mindestens sollten Sie messen: Anzahl der Konversationen pro neuer Person, Deflection-Rate (Fragen, die ohne menschliche Hilfe beantwortet werden), mediane Antwortzeit und Kategorien von Fragen, die weiterhin bei HR landen.

Führen Sie regelmäßige Reviews durch (z. B. monatlich), in denen HR eine kleine Stichprobe von Gesprächen analysiert: wiederkehrende unbeantwortete Fragen, verwirrende Antworten oder Themen, zu denen Inhalte fehlen. Aktualisieren Sie Ihre Dokumente und Prompts entsprechend. Über 2–3 Onboarding-Zyklen sind realistisch: 40–60 % weniger wiederkehrende E-Mail-Anfragen, schnellere Antwortzeiten (Sekunden statt Stunden) und höhere Zufriedenheitswerte in Ihren New-Hire-Surveys.

Zu den erwarteten Ergebnissen bei sorgfältiger Anwendung dieser Best Practices gehören: eine deutliche Reduktion wiederkehrender HR-Fragen während des Onboardings, 30–50 % Zeitersparnis für HR-Operations-Teams bei Anfragen mit geringer Komplexität, eine schnellere Time-to-Productivity für neue Mitarbeitende durch sofortige Unterstützung sowie ein konsistenteres Onboarding-Erlebnis über Teams und Standorte hinweg.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

Claude agiert als dialogfähiger HR-Wissensbot, der Ihre Onboarding-Handbücher, FAQs, Richtlinien und Tool-Guides lesen und Fragen neuer Mitarbeitender in natürlicher Sprache beantworten kann. Anstatt HR zu mailen mit Fragen wie „Wo reiche ich Spesen ein?“ oder „Wie buche ich Urlaub?“, stellen neue Mitarbeitende ihre Fragen an Claude – per Chat oder über Ihr Onboarding-Portal.

Da Claude mit langem Kontext umgehen kann, arbeitet er auch über großen Richtliniendokumenten und liefert dennoch prägnante, korrekte Antworten inklusive Links zu den relevanten Abschnitten. In der Praxis werden so viele wiederkehrende Fragen von HR-Postfächern und -Kanälen weggeleitet, sodass sich Ihr Team auf Ausnahmen und komplexe Fälle konzentrieren kann.

Für einen fokussierten Onboarding-Scope (z. B. erste 30 Tage, ein Hauptstandort) erreichen Unternehmen in der Regel innerhalb von 4–8 Wochen einen funktionierenden Claude-Onboarding-Assistenten. Der größte Zeitaufwand entfällt auf die Konsolidierung der Inhalte und die Abstimmung der Leitplanken, nicht auf das technische Setup.

Sie benötigen: eine*n HR-Owner (für Inhalte und Prozesse), eine*n Legal-/Compliance-Ansprechpartner*in (für Leitplanken) und IT-Support für die Integration in Ihre Chat-Tools oder Ihr Portal. Reruption stellt das KI-Engineering und das Prompt-Design bereit, sodass Ihr internes Team schlank bleiben und sich auf Entscheidungen statt Implementierungsdetails konzentrieren kann.

Nein, der tägliche Betrieb erfordert vor allem Ownership durch HR und Operations, keine tiefgehenden KI-Kenntnisse. Nach der Erstimplementierung besteht der Großteil der Arbeit darin, Onboarding-Dokumente und Richtlinien aktuell zu halten sowie Analysen und Feedback neuer Mitarbeitender zu prüfen.

In der Regel etablieren wir klare Prozesse, damit HR die erneute Verarbeitung aktualisierter Dokumente anstoßen und einige Prompt-Parameter ohne Programmierung anpassen kann. Für weitergehende Änderungen oder neue Use Cases können Ihre IT oder ein Partner wie Reruption unterstützen – das Ziel ist jedoch, dass HR rund 80 % der Anpassungen eigenständig vornehmen kann.

Die Ergebnisse hängen von Ihrer Ausgangssituation und der Anzahl neuer Mitarbeitender ab, aber häufig sehen Unternehmen 30–60 % weniger wiederkehrende HR-Anfragen in den ersten 90 Tagen nach Eintritt, sobald der Assistent in die Onboarding-Journey eingebettet ist. Antwortzeiten sinken von Stunden auf Sekunden und HR kann pro neuer Person mehrere Stunden von der Beantwortung grundlegender Fragen auf Tätigkeiten mit höherem Impact umschichten.

Der ROI ergibt sich aus eingesparter Zeit in HR und Linienmanagement, einer schnelleren Time-to-Productivity für neue Mitarbeitende und einer verbesserten Employee Experience in der frühen Phase. In einem Proof of Concept quantifizieren wir dies üblicherweise, indem wir Deflection-Rates, Zeitersparnis pro Frage und Zufriedenheitswerte in Onboarding-Umfragen messen.

Reruption unterstützt Sie End-to-End – von der Identifikation der passenden Onboarding-Use-Cases für Claude bis hin zur Bereitstellung eines funktionierenden Assistenten. Mit unserem 9.900 € KI-PoC testen wir schnell die technische Machbarkeit auf Basis Ihrer realen Dokumente und Onboarding-Flows: Wir definieren den Scope, bauen einen Prototyp, evaluieren die Performance und skizzieren einen Produktionsplan.

Über den PoC hinaus bedeutet unser Co-Preneur-Ansatz, dass wir eng mit Ihrem Team zusammenarbeiten, statt nur aus der Distanz zu beraten. Wir helfen bei der Strukturierung Ihrer Inhalte, dem Design von Prompts und Leitplanken, der Integration von Claude in Ihre bestehenden Tools sowie beim Aufsetzen von Analytics und Verbesserungszyklen. Ziel ist eine Lösung, die Ihr HR-Team souverän betreiben kann, während wir die Verantwortung dafür übernehmen, von der Idee zu etwas zu kommen, das in Ihrem P&L tatsächlich Wirkung zeigt.

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