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.

Bauen Sie jetzt ein KI-System mit uns!

Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.

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.

Bauen Sie jetzt ein KI-System mit uns!

Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.

Fallbeispiele aus der Praxis

Von Mode‑Einzelhandel bis Britisches Bankwesen: Erfahren Sie, wie Unternehmen Claude erfolgreich einsetzen.

Forever 21

Mode‑Einzelhandel
Forever 21, ein führender Fast‑Fashion‑Händler, stand vor erheblichen Herausforderungen bei der Online-Produktentdeckung. Kund:innen hatten Schwierigkeiten mit textbasierten Suchanfragen, die subtile visuelle Details wie Stoffstrukturen, Farbabstufungen oder genaue Styles in einem riesigen Katalog mit Millionen von SKUs nicht erfassen konnten.

Lösung

Um dem entgegenzuwirken, führte Forever 21 eine KI‑gestützte visuelle Suche in App und Website ein, die Nutzer:innen ermöglicht, Bilder hochzuladen und so ähnliche Artikel zu finden. Mithilfe von Computervision-Techniken extrahiert das System Merkmale mit vortrainierten CNN‑Modellen wie VGG16, berechnet Embeddings und rankt Produkte über Metriken wie Cosinus‑Ähnlichkeit oder euklidische Distanz.

Ergebnisse

  • 25% Steigerung der Conversion-Raten durch visuelle Suchen
  • 35% Reduktion der durchschnittlichen Suchzeit
  • 40% höhere Engagement‑Rate (Seiten pro Sitzung)
  • 18% Wachstum im durchschnittlichen Bestellwert
  • 92% Matching‑Genauigkeit für ähnliche Artikel
  • 50% Rückgang der Absprungrate auf Suchseiten
Fallstudie lesen →

Netflix

Unterhaltung
Mit über 17.000 Titeln und weiter wachsendem Katalog stand Netflix vor dem klassischen Cold‑Start‑Problem und der Daten‑Sparsität bei Empfehlungen: Neue Nutzer oder wenig beachtete Inhalte hatten zu wenig Interaktionsdaten, was zu schlechter Personalisierung und höheren Abwanderungsraten führte . Zuschauer hatten oft Schwierigkeiten, aus Tausenden Optionen fesselnde Inhalte zu entdecken; dadurch verlängerten sich die Suchzeiten und es kam zu Desinteresse — Schätzungen zufolge gingen bis zu 75 % der Sitzungszeit für Suchen statt fürs Schauen verloren .

Lösung

Netflix entwickelte ein hybrides Empfehlungssystem, das kollaboratives Filtern (CF) — angefangen bei FunkSVD und Probabilistic Matrix Factorization aus dem Netflix Prize — mit fortgeschrittenen Deep‑Learning-Modellen für Embeddings und Vorhersagen kombiniert . Zahlreiche Anwendungsmodell‑Silos wurden in ein einheitliches Multi‑Task‑Neurales Netzwerk überführt, was Leistung und Wartbarkeit verbesserte und gleichzeitig Suche, Startseite und Zeilenempfehlungen unterstützte .

Ergebnisse

  • 80 % der Sehstunden stammen aus Empfehlungen
  • $1 Mrd.+ jährliche Einsparungen durch reduzierte Abwanderung
  • 75 % Reduktion der Zeit, die Nutzer mit Browsen statt Schauen verbringen
  • 10 % RMSE‑Verbesserung durch Netflix Prize CF‑Techniken
  • 93 % der Views stammen aus personalisierten Reihen
  • Verarbeitet Milliarden täglicher Interaktionen für 270M Abonnenten
Fallstudie lesen →

NYU Langone Health

Gesundheitswesen
At NYU Langone Health, one of the largest U.S. academic medical centers, 80% of electronic health record (EHR) data exists as unstructured free-text clinical notes, rich in nuanced patient insights but notoriously difficult to process for predictive analytics . Traditional machine learning models depend on structured data like vital signs and labs, missing subtle signals in physician narratives that could forecast critical outcomes such as in-hospital mortality, prolonged length of stay (LOS), readmissions, and even operational issues like appointment no-shows .

Lösung

NYU Langone's Division of Applied AI Technologies at the Center for Healthcare Innovation and Delivery Science created NYUTron, a foundational 6.7-billion-parameter large language model (LLM) pretrained on 10+ years of de-identified inpatient clinical notes—4 billion words from 4.4 million encounters . Using a GPT-like architecture, NYUTron learns medical language intricacies, enabling it to serve as an 'all-purpose clinical prediction engine' .

Ergebnisse

  • AUROC für stationäre Mortalität: 0.932 (vs. strukturiertes Baseline-Modell 0.886)
  • AUROC für verlängerte Verweildauer (LOS): 0.906 (vs. 0.870)
  • AUROC für 30‑Tage‑Wiederaufnahmen: 0.773 (vs. 0.727)
  • AUROC für 48‑Stunden‑Mortalität: 0.969
  • AUROC für Vorhersage von Hochkostenaufenthalten: 0.842 (vs. 0.808)
  • Durchschnittlicher AUROC‑Zuwachs gegenüber Top‑Baselines: 4.4 Punkte
  • Korpusgröße: 4 Mrd. Wörter aus 10 Jahren von 4.4 Mio. Begegnungen
Fallstudie lesen →

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.

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.

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 →

Maersk

Seelogistik
In der anspruchsvollen Welt der Seelogistik sah sich Maersk, das weltweit größte Containerreederei-Unternehmen, mit erheblichen Problemen durch unerwartete Motorausfälle konfrontiert. Diese Ausfälle, häufig verursacht durch Verschleiß an kritischen Komponenten wie Zweitakt‑Dieselmotoren unter konstant hoher Belastung, führten zu kostspieligen Verzögerungen, Notreparaturen und mehrmillionenschweren Verlusten durch Ausfallzeiten.

Lösung

Maersk ging diese Probleme mit Maschinellem Lernen (ML) für vorausschauende Wartung und Optimierung an. Durch die Analyse großer Datensätze aus Motorsensoren, AIS (Automatic Identification System) und meteorologischen Daten sagen ML‑Modelle Ausfälle Tage bis Wochen im Voraus voraus und ermöglichen proaktive Eingriffe.

Ergebnisse

  • Kraftstoffverbrauch um 5–10% reduziert durch KI‑basierte Routenoptimierung
  • Ungeplante Motor‑Ausfallzeiten um 20–30% verringert
  • Wartungskosten um 15–25% gesenkt
  • Betriebliche Effizienz um 10–15% verbessert
  • CO2‑Emissionen um bis zu 8% reduziert
  • Vorhersagegenauigkeit für Ausfälle: 85–95%
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 „[email protected]“ 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.

Bauen Sie jetzt ein KI-System mit uns!

Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.

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