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 Bankwesen bis Bankwesen: Erfahren Sie, wie Unternehmen Claude erfolgreich einsetzen.

Wells Fargo

Bankwesen

Wells Fargo, das 70 Millionen Kunden in 35 Ländern betreut, sah sich mit hoher Nachfrage nach 24/7-Kundendienst in seiner Mobile-Banking-App konfrontiert, in der Nutzer sofortige Unterstützung bei Transaktionen wie Überweisungen und Rechnungszahlungen benötigten. Traditionelle Systeme hatten Schwierigkeiten mit hohen Interaktionsvolumina, langen Wartezeiten und der Notwendigkeit schneller Antworten per Sprache und Text, insbesondere da die Kundenerwartungen sich hin zu nahtlosen digitalen Erlebnissen wandelten. Regulatorischer Druck im Bankwesen verschärfte die Herausforderungen und erforderte strenge Datenschutz-Maßnahmen, um PII-Exposition zu verhindern und KI ohne menschliches Eingreifen skalierbar zu machen. Zusätzlich steckten die meisten großen Banken in Proof-of-Concept-Phasen für generative KI fest und hatten keine produktionsreifen Lösungen, die Innovation und Compliance ausbalancierten. Wells Fargo benötigte einen virtuellen Assistenten, der komplexe Anfragen autonom bearbeiten, Ausgabenanalysen liefern und sich kontinuierlich verbessern konnte, ohne Sicherheit oder Effizienz zu gefährden.

Lösung

Wells Fargo entwickelte Fargo, einen generativen KI-Virtual-Assistenten, der in die Banking-App integriert ist und auf Google Cloud AI setzt, einschließlich Dialogflow für den Konversationsfluss und PaLM 2/Flash 2.0 LLMs für das Verständnis natürlicher Sprache. Diese modell-agnostische Architektur ermöglichte eine datenschutzorientierte Orchestrierung, die Anfragen routet, ohne PII an externe Modelle zu senden. Im März 2023 nach einer Ankündigung 2022 gestartet, unterstützt Fargo Sprach- und Textinteraktionen für Aufgaben wie Überweisungen, Rechnungszahlungen und Ausgabenanalysen. Kontinuierliche Updates ergänzten KI-gesteuerte Insights und agentische Fähigkeiten über Google Agentspace, wodurch keine menschlichen Übergaben erforderlich sind und die Lösung für regulierte Branchen skalierbar bleibt. Der Ansatz löste die Herausforderungen durch Fokus auf sichere, effiziente KI-Bereitstellung.

Ergebnisse

  • 245 Millionen Interaktionen in 2024
  • 20 Millionen Interaktionen bis Januar 2024 seit dem Start im März 2023
  • Prognose: 100 Millionen Interaktionen jährlich (Prognose 2024)
  • Keine menschlichen Übergaben bei allen Interaktionen
  • Keine PII an LLMs weitergegeben
  • Durchschnittlich 2,7 Interaktionen pro Nutzersitzung
Fallstudie lesen →

Unilever

Personalwesen

Unilever, ein Riese im Konsumgüterbereich, der jährlich 1,8 Millionen Bewerbungen bearbeitet, kämpfte mit einem manuellen Rekrutierungsprozess, der extrem zeitaufwendig und ineffizient war . Traditionelle Methoden dauerten bis zu vier Monate, um Positionen zu besetzen, was Recruiter überlastete und die Talentgewinnung in den globalen Einheiten verzögerte . Der Prozess barg zudem das Risiko unbewusster Verzerrungen bei der Sichtung von Lebensläufen und Interviews, schränkte die Workforce-Diversität ein und ließ potenziell geeignete Kandidaten aus unterrepräsentierten Gruppen übersehen . Hohe Volumina machten eine gründliche Bewertung jeder Bewerbung unmöglich, führten zu jährlichen Kosten in geschätzter Millionenhöhe und zu inkonsistenter Einstellungsqualität . Unilever benötigte ein skalierbares, faires System, um das Screening in frühen Phasen zu straffen und gleichzeitig psychometrische Strenge zu wahren.

Lösung

Unilever implementierte einen KI-gestützten Rekrutierungstrichter in Partnerschaft mit Pymetrics für neuro-wissenschaftlich basierte gamifizierte Assessments, die kognitive, emotionale und verhaltensbezogene Merkmale mittels ML-Algorithmen messen, die auf vielfältigen globalen Daten trainiert sind . Darauf folgten KI-analysierte Video-Interviews unter Einsatz von Computer Vision und NLP, um Körpersprache, Gesichtsausdrücke, Stimmlage und Wortwahl objektiv zu bewerten . Bewerbungen wurden anonymisiert, um Verzerrungen zu minimieren; die KI kürzte die Liste auf die Top 10–20 % der Kandidaten für die menschliche Prüfung und integrierte psychometrische ML-Modelle zur Persönlichkeitsprofilierung . Das System wurde zuerst bei volumenstarken Einstiegsrollen pilotiert, bevor es global ausgerollt wurde .

Ergebnisse

  • Time-to-hire: 90 % Reduktion (4 Monate auf 4 Wochen)
  • Recruiter time saved: 50.000 Stunden
  • Annual cost savings: £1 Million
  • Diversity hires increase: 16 % (inkl. neuro-atypischer Kandidaten)
  • Candidates shortlisted for humans: 90 % Reduktion
  • Applications processed: 1,8 Millionen/Jahr
Fallstudie lesen →

Cleveland Clinic

Gesundheitswesen

Bei Cleveland Clinic, einem der größten akademischen Medizinzentren, kämpften Ärztinnen und Ärzte mit einer hohen Dokumentationslast und verbrachten bis zu 2 Stunden pro Tag mit elektronischen Gesundheitsakten (EHR), was Zeit für die Patientenversorgung reduzierte. Zusätzlich erschwerte die rechtzeitige Erkennung von Sepsis die Versorgung – eine Erkrankung, die in den USA jährlich fast 350.000 Todesfälle verursacht, wobei frühe, subtile Symptome traditionelle Überwachungsmethoden häufig umgehen und so Verzögerungen bei Antibiotika sowie 20–30% Sterblichkeit in schweren Fällen nach sich ziehen. Die Sepsis‑Erkennung beruhte weitgehend auf manuellen Vitalzeichenkontrollen und klinischem Ermessen und verpasste oft Warnsignale 6–12 Stunden vor Ausbruch. Die Einbindung unstrukturierter Daten wie klinischer Notizen war manuell und inkonsistent, was das Risiko auf stark frequentierten Intensivstationen weiter erhöhte.

Lösung

Die Cleveland Clinic führte einen Pilotversuch mit der KI‑Plattform von Bayesian Health durch – ein prädiktives Analyse‑Tool, das strukturierte und unstrukturierte Daten (Vitalwerte, Laborwerte, Notizen) mittels Machine Learning verarbeitet, um das Sepsis‑Risiko bis zu 12 Stunden früher vorherzusagen und Echtzeit‑EHR‑Alarme für das Klinikpersonal zu erzeugen. Das System nutzt fortgeschrittenes NLP, um klinische Dokumentation nach subtilen Hinweisen zu durchsuchen. Ergänzend testete die Klinik Ambient‑KI‑Lösungen wie Sprache‑zu‑Text‑Systeme (ähnlich Nuance DAX oder Abridge), die passiv Arzt‑Patienten‑Gespräche mitschneiden, NLP für Transkription und Zusammenfassung anwenden und EHR‑Notizen automatisch vorbefüllen, wodurch die Dokumentationszeit um 50% oder mehr sinken kann. Diese Tools wurden in Arbeitsabläufe integriert, um sowohl Vorhersage‑ als auch Verwaltungsaufwände zu reduzieren.

Ergebnisse

  • 12 Stunden frühere Sepsis‑Vorhersage
  • 32% Steigerung der Früherkennungsrate
  • 87% Sensitivität und Spezifität in den KI‑Modellen
  • 50% Reduktion der Dokumentationszeit von Ärztinnen und Ärzten
  • 17% weniger falsch‑positive Ergebnisse im Vergleich zur alleinigen Beurteilung durch Ärzte
  • Nach Pilotphase auf vollständige Einführung ausgeweitet (Sep 2025)
Fallstudie lesen →

Capital One

Bankwesen

Capital One sah sich mit einem hohen Volumen routinemäßiger Kundenanfragen konfrontiert, die ihre Callcenter überschwemmten – darunter Kontostände, Transaktionshistorien und grundlegende Supportanfragen. Das führte zu steigenden Betriebskosten, Überlastung der Agenten und frustrierenden Wartezeiten für Kunden, die sofortige Hilfe erwarteten. Traditionelle Callcenter arbeiteten nur eingeschränkt rund um die Uhr und konnten die Anforderungen an 24/7-Verfügbarkeit im wettbewerbsintensiven Bankenmarkt, in dem Tempo und Komfort zentral sind, nicht erfüllen. Zusätzlich erschwerten die branchenspezifische Finanzterminologie und regulatorische Vorgaben die Lage, wodurch Standard-AI-Lösungen unzureichend waren. Kunden erwarteten personalisierte, sichere Interaktionen, doch die Skalierung menschlicher Unterstützung war angesichts der wachsenden Nutzung digitaler Bankangebote nicht nachhaltig.

Lösung

Capital One begegnete diesen Problemen durch die Entwicklung von Eno, einem proprietären konversationellen KI-Assistenten, der auf firmeneigener NLP beruht und für Banking-Vokabular angepasst wurde. Ursprünglich 2017 als SMS-Chatbot eingeführt, wurde Eno auf mobile Apps, Weboberflächen und Sprachintegration mit Alexa ausgeweitet und ermöglicht Multichannel-Support per Text oder Sprache für Aufgaben wie Kontostandsabfragen, Ausgabenanalysen und proaktive Benachrichtigungen. Das Team meisterte die Terminologie-Herausforderungen durch die Entwicklung domänenspezifischer NLP-Modelle, die auf Capital One–Daten trainiert wurden und so natürliche, kontextbewusste Gespräche gewährleisteten. Eno eskaliert komplexe Anfragen nahtlos an Agenten und bietet gleichzeitig Betrugsschutz durch Echtzeitüberwachung – bei gleichbleibend hohen Sicherheitsstandards.

Ergebnisse

  • 50% Reduzierung des Callcenter-Kontaktvolumens bis 2024
  • Rund-um-die-Uhr-Verfügbarkeit, die jährlich Millionen von Interaktionen abwickelt
  • Über 100 Millionen verarbeitete Kundengespräche
  • Bedeutende Einsparungen bei den Betriebskosten im Kundenservice
  • Beinahe sofortige Antwortzeiten bei Routineanfragen
  • Verbesserte Kundenzufriedenheit durch personalisierten Support
Fallstudie lesen →

Nubank (Pix Payments)

Fintech

Nubank, Lateinamerikas größte digitale Bank mit über 114 Millionen Kunden in Brasilien, Mexiko und Kolumbien, stand vor der Herausforderung, sein Pix-Sofortzahlungssystem angesichts explosionsartiger Nachfrage zu skalieren. Traditionelle Pix-Transaktionen erforderten, dass Nutzer sich manuell durch die App navigieren, was Reibung erzeugte — insbesondere bei schnellen Zahlungen unterwegs. Dieser Navigationsengpass erhöhte die Verarbeitungszeit und schränkte die Zugänglichkeit für Nutzer ein, die bevorzugt konversationelle Schnittstellen wie WhatsApp nutzen, über die 80% der Brasilianer täglich kommunizieren. Hinzu kam, dass die sichere und genaue Interpretation diverser Eingaben — Sprachbefehle, natürliche Texte und Bilder (z. B. handschriftliche Notizen oder Belege) — erhebliche Hürden darstellte. Nubank musste Probleme in der multimodalen Verständigung lösen, die Einhaltung der Vorgaben der Zentralbank Brasiliens sicherstellen und Vertrauen in einem finanziell sensiblen Umfeld bewahren, während täglich Millionen Transaktionen abgewickelt werden.

Lösung

Nubank setzte eine multimodale generative KI-Lösung ein, angetrieben durch OpenAI-Modelle, die es Kunden ermöglicht, Pix-Zahlungen per Sprachnachricht, Textanweisung oder Bild-Upload direkt in der App oder über WhatsApp zu initiieren. Die KI verarbeitet Speech-to-Text, Natural Language Processing zur Intent-Extraktion und optische Zeichenerkennung (OCR) für Bilder und wandelt diese in ausführbare Pix-Überweisungen um. Nahtlos in Nubanks Backend integriert, verifiziert das System die Nutzeridentität, extrahiert Schlüsseldaten wie Betrag und Empfänger und führt Transaktionen in Sekunden aus — ohne die traditionellen App-Bildschirme. Dieser KI-first-Ansatz erhöht Bequemlichkeit, Geschwindigkeit und Sicherheit und skaliert den Betrieb, ohne proportionalen menschlichen Aufwand zu benötigen.

Ergebnisse

  • 60% Reduktion der Transaktionsverarbeitungszeit
  • Bis Ende 2024 mit 2 Millionen Nutzern getestet
  • Bedient 114 Millionen Kunden in 3 Ländern
  • Tests begonnen im August 2024
  • Verarbeitet Sprach-, Text- und Bildeingaben für Pix
  • Ermöglicht Sofortzahlungen über WhatsApp-Integration
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