Die Herausforderung: Unstrukturiertes Onboarding-Feedback

Die meisten HR-Teams sammeln Onboarding-Feedback, aber es trifft in allen möglichen Formaten ein: Freitextfelder in Umfragen, E-Mails an Führungskräfte, Slack- oder Teams-Nachrichten, Kommentare in Lernplattformen, Exit-Interviews und Notizen von HR Business Partnern. Das Ergebnis ist unstrukturiertes Onboarding-Feedback, das in Silos lebt. Sie wissen, dass es Probleme gibt, aber es ist schwierig zu erkennen, was genau nicht funktioniert, für wen und wie dringend es behoben werden muss.

Traditionelle Ansätze stützen sich auf sporadische CSAT/NPS-Scores, manuelles Lesen von Originalkommentaren oder einmalige Excel-Analysen durch HR-Analysten. Das mag für sehr kleine Kohorten funktionieren, skaliert aber nicht. Analysten können nicht jedes Quartal Tausende von Kommentaren lesen, lokale HR-Teams interpretieren Feedback unterschiedlich, und wenn eine PowerPoint-Zusammenfassung endlich fertig ist, durchläuft die nächste Welle an Neueinsteiger:innen bereits dieselben Probleme. Ohne Automatisierung und intelligente Textanalyse findet Mustererkennung über Kohorten, Standorte und Rollen hinweg de facto nicht statt.

Die geschäftlichen Auswirkungen sind erheblich. Langsames oder ineffektives Onboarding verlängert die Time-to-Productivity, frustriert Führungskräfte und treibt leise die Frühfluktuation an. Kritische Probleme – zum Beispiel fehlende Ausstattung, unklare Verantwortlichkeiten oder inkonsistente Erwartungen – wiederholen sich, weil HR vor allem einzelne Beschwerden hört, statt datenbasierte Trends zu sehen. Unklar wahrgenommene Onboarding-Qualität erschwert Investitionsentscheidungen in bessere Enablement-Maßnahmen, Führungskräftetrainings oder lokalisierte Inhalte. Langfristig verlieren Sie Wettbewerbsvorteile bei Mitarbeiterbindung und Arbeitgebermarke, weil neue Mitarbeitende sich nicht gehört fühlen.

Die gute Nachricht: Diese Herausforderung ist sehr gut lösbar. Moderne KI, und Gemini im Besonderen, kann vielfältiges Onboarding-Feedback in großem Umfang verarbeiten, Themen und Stimmungen herausfiltern und granulare Insights nach Rolle, Standort oder Führungskraft sichtbar machen. Bei Reruption haben wir ähnliche Dynamiken in anderen HR- und People-Prozessen gesehen und wissen, wie man von anekdotischem Feedback zu einem datengetriebenen Verbesserungszyklus gelangt. Im Folgenden finden Sie praktische Hinweise, wie Sie Gemini nutzen können, um Ihr unstrukturiertes Onboarding-Feedback in einen kontinuierlichen Verbesserungsmotor für HR 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 an KI-first-HR-Lösungen sehen wir in Organisationen immer wieder dasselbe Muster: Es wird umfangreich Onboarding-Feedback gesammelt, aber es fehlt ein systematischer Ansatz, dieses zu analysieren und in Maßnahmen zu übersetzen. Gemini ist für dieses Problem besonders geeignet, weil es lange Texte, gemischte Sprachen und sogar angehängte Dokumente verarbeiten und anschließend zusammenfassen sowie in klare, HR-relevante Signale klassifizieren kann. Unsere Perspektive: Der eigentliche Mehrwert liegt nicht in spektakulären Dashboards, sondern darin, Gemini in den Onboarding-Workflow zu integrieren, sodass HR, Führungskräfte und lokale Teams kontinuierlich umsetzbare Insights erhalten – nicht nur Berichte.

Behandeln Sie Feedback-Analyse als kontinuierliches Produkt, nicht als Quartalsreport

Die meisten HR-Teams behandeln Onboarding-Feedback als periodische Reporting-Aufgabe: sammeln, analysieren, präsentieren, abhaken. Um echten Mehrwert aus Gemini für Onboarding-Feedback zu ziehen, müssen Sie die Insight-Ebene als Produkt verstehen, das sich monatlich weiterentwickelt. Definieren Sie, wer Ihre „User“ sind (zentrales HR, lokales HR, Linienführungskräfte, Verantwortliche für Onboarding-Programme) und welche Entscheidungen sie auf Basis des Feedbacks treffen sollen. Dieser Mindset-Shift hilft sicherzustellen, dass jede Gemini-Implementierung an reale, wiederkehrende Entscheidungen gekoppelt ist – nicht an abstrakte Analytik.

Strategisch bedeutet das, einen „Feedback Operating Rhythm“ zu gestalten: wie oft Insights erzeugt werden, wie sie reviewt werden und wie Änderungen priorisiert werden. Gemini kann wöchentliche oder monatliche Synthesen nach Kohorte, Rolle oder Region generieren, aber jemand muss die Verantwortung dafür übernehmen, diese in Experimente oder Prozessanpassungen zu übersetzen. Ziehen Sie in Betracht, eine:n „Feedback Product Owner“ im HR zu benennen, der bzw. die das Onboarding-Feedback-System als lebendiges Produkt behandelt, nicht als Nebentätigkeit.

Mit klaren Fragen starten, bevor Sie Daten in Gemini einspeisen

KI-Tools wie Gemini sind flexibel, aber ohne klare Fragen liefern sie generische Zusammenfassungen. Bevor Sie Daten integrieren, definieren Sie die strategischen Fragen, die Sie beantwortet haben möchten. Beispiele: „Welche Schritte in unserer Onboarding-Journey verursachen den größten Reibungsverlust?“, „Wo fühlen sich neue Mitarbeitende am wenigsten von ihrer Führungskraft unterstützt?“, „Welche Unterschiede gibt es zwischen Remote- und Vor-Ort-Onboarding-Erfahrungen?“ Diese Fragen bilden das Rückgrat für Ihre Prompts, Taxonomien und Dashboards.

Die Abstimmung von HR, People Analytics und Business-Stakeholdern auf diese Fragen ist ein entscheidender Vorbereitungsschritt. So vermeiden Sie eine Situation, in der jede Partei andere Kennzahlen möchte und das KI-Setup fragmentiert wird. Sobald die Fragen klar sind, kann Gemini angewiesen werden, Feedback nach Themen zu taggen, Kommentare bestimmten Onboarding-Phasen zuzuordnen und Root-Cause-Muster sichtbar zu machen, statt nur vage Sentiment-Scores zu liefern.

Ein Governance-Modell für sensible Personaldaten entwickeln

Onboarding-Feedback ist häufig reich an persönlichen und sensiblen Informationen. Strategisch benötigen Sie ein Governance-Modell, bevor Sie diese Daten durch Gemini-basierte Workflows laufen lassen. Klären Sie, welche Daten eingespeist werden, wie sie pseudonymisiert oder anonymisiert werden und welche Nutzergruppen identifizierbare versus aggregierte Insights sehen dürfen. Binden Sie Ihre:n Datenschutzbeauftragte:n und den Betriebsrat früh ein, um Vertrauen aufzubauen und spätere Reibungen zu vermeiden.

Aus Risikomanagement-Perspektive sollten Sie Leitplanken rund um Insights auf Führungskräfteebene definieren. Zeigen Sie zum Beispiel nur dann namentliche Manager-Ansichten, wenn Kohorten eine bestimmte Mindestgröße überschreiten, und nutzen Sie ansonsten standardmäßig aggregiertes Reporting für kleine Teams. Nutzen Sie Gemini, um Namen und personenbezogene Details in Zusammenfassungen automatisch zu maskieren, damit der Fokus auf strukturellen Onboarding-Problemen liegt – nicht auf Einzelpersonen.

HR und Führungskräfte darauf vorbereiten, mit KI-generierten Insights zu arbeiten

Auch die beste Gemini-Onboarding-Analyse scheitert, wenn HR und Führungskräfte nicht bereit sind, sie zu nutzen. Strategisch müssen Sie Datenkompetenz und KI-Kompetenz gemeinsam aufbauen. HR Business Partner sollten sich sicher fühlen, Themen zu interpretieren, mögliche Verzerrungen zu hinterfragen und Insights gemeinsam mit Linienführungskräften in konkrete Maßnahmen zu übersetzen. Führungskräfte sollten verstehen, dass KI-zusammengefasstes Feedback ein Input für Gespräche mit ihren Teams ist, nicht eine Leistungsbewertung.

Wir empfehlen, Gemini als „Insight Co-Pilot“ statt als Bewerter zu framen. Schulen Sie Führungskräfte darin, wie sie auf wiederkehrende Feedback-Muster in ihren Teams reagieren und wie sie die Feedbackschleife mit neuen Mitarbeitenden schließen, wenn Änderungen umgesetzt wurden. Diese kulturelle Vorarbeit hilft, datengetriebene Onboarding-Verbesserungen in den Führungsalltag zu integrieren, statt sie als reine HR-Initiative zu belassen.

Auf Iteration auslegen: Ihr erstes Modell ist nicht Ihr finales Modell

Es ist verlockend, von Anfang an die perfekte Taxonomie aus Themen, Stimmungen und Onboarding-Phasen zu entwerfen. In der Praxis beginnen die erfolgreichsten Implementierungen von Gemini für Onboarding-Feedback einfach und entwickeln sich weiter. Definieren Sie einen kleinen Satz an Kernthemen (z. B. Preboarding, erster Tag, Tools & Zugänge, Rollenklarheit, Führungskräfte-Support, Teamintegration, Kultur & Inclusion) und lassen Sie Gemini Feedback entsprechend klassifizieren. Überprüfen Sie dann alle paar Wochen Fehlklassifikationen und Grenzfälle und verfeinern Sie Prompts oder Kategorien.

Dieser iterative Ansatz hält das Risiko niedrig und entspricht einem Co-Preneur-Mindset: schnell etwas Nutzbares liefern und dann auf Basis realer Nutzung verbessern. Gleichzeitig lernen Sie, welche Granularität an Insights HR und Führungskräfte tatsächlich nutzen. Langfristig können Sie von einfachen Themen zu rollen- oder regionsspezifischen Taxonomien übergehen – aber erst, wenn bewiesen ist, dass die Basics Mehrwert liefern.

Bewusst eingesetzt kann Gemini Ihr unstrukturiertes Onboarding-Feedback in einen kontinuierlichen Insight-Motor verwandeln, der Programmdesign, Führungskräfte-Coaching und Content-Lokalisierung informiert. Der Schlüssel liegt nicht nur in der technischen Integration, sondern darin, Fragen, Governance und Entscheidungsprozesse auf die entstehenden Insights auszurichten. Reruption verbindet tiefgehende KI-Engineering-Kompetenz mit praxisnaher HR-Erfahrung, um solche Feedbacksysteme so zu gestalten und zu verankern, dass sie Onboarding-Ergebnisse tatsächlich verändern. Wenn Sie erkunden möchten, wie das in Ihrer Organisation aussehen könnte, arbeiten wir gerne als Partner an Ihrer Seite – nicht als Berater:innen von der Seitenlinie.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

Von Zahlungsverkehr bis Fintech: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

Visa

Zahlungsverkehr

Die Zahlungsbranche sah sich einem Anstieg an Online-Betrug gegenüber, insbesondere Enumeration-Angriffen, bei denen Angreifer automatisierte Skripte und Botnetze einsetzen, um gestohlene Kartendaten in großem Umfang zu testen. Diese Angriffe nutzen Schwachstellen bei Transaktionen ohne Kartenpräsenz (card-not-present) aus und verursachen weltweit jährliche Betrugsverluste in Höhe von 1,1 Mrd. $ sowie erhebliche Betriebskosten für Emittenten. Visa benötigte Echtzeiterkennung, um dem entgegenzuwirken, ohne hohe False-Positive-Raten zu erzeugen, die legitime Kundinnen und Kunden blockieren — insbesondere vor dem Hintergrund steigender E‑Commerce‑Volumina wie bei Cyber Monday-Spitzen. Traditionelle Betrugssysteme kämpften mit der Geschwindigkeit und Raffinesse dieser Angriffe, verstärkt durch KI-gesteuerte Bots. Die Herausforderung für Visa bestand darin, riesige Transaktionsdaten in Millisekunden zu analysieren, anomalische Muster zu erkennen und gleichzeitig nahtlose Nutzererfahrungen beizubehalten. Dafür waren fortgeschrittene KI- und Machine‑Learning‑Lösungen nötig, um Risiken präzise vorherzusagen und zu bewerten.

Lösung

Visa entwickelte den Visa Account Attack Intelligence (VAAI) Score, ein generative KI‑gestütztes Tool, das in Echtzeit die Wahrscheinlichkeit von Enumeration-Angriffen bei Transaktionen ohne Kartenpräsenz bewertet. Durch die Kombination von generativen KI‑Komponenten mit Machine‑Learning‑Modellen erkennt VAAI ausgeklügelte Muster von Botnetzen und Skripten, die legacy, regelbasierte Systeme umgehen. In Visa's breiterem KI-getriebenen Betrugs-Ökosystem, einschließlich Identity Behavior Analysis, verbessert die Lösung das Risikoscoring durch verhaltensbasierte Erkenntnisse. Zunächst 2024 für US‑Emittenten eingeführt, reduziert sie sowohl Betrug als auch falsche Ablehnungen und optimiert die Betriebsabläufe. Dieser Ansatz ermöglicht Emittenten, Bedrohungen in bislang ungekanntem Umfang proaktiv zu mindern.

Ergebnisse

  • 40 Mrd. $ an Betrug verhindert (Okt 2022–Sep 2023)
  • Fast 2x Steigerung YoY bei der Betrugsprävention
  • 1,1 Mrd. $ jährlich an globalen Verlusten durch Enumeration-Angriffe adressiert
  • 85 % mehr betrügerische Transaktionen an Cyber Monday 2024 YoY blockiert
  • 200 % Anstieg an Betrugsversuchen ohne Serviceunterbrechung abgewickelt
  • Verbesserte Genauigkeit des Risikoscorings durch ML und Identity Behavior Analysis
Fallstudie lesen →

Lunar

Bankwesen

Lunar, eine führende dänische Neobank, sah sich mit einem starken Anstieg der Kundendienstnachfrage außerhalb der Geschäftszeiten konfrontiert, wobei viele Nutzer die Sprachinteraktion gegenüber Apps aufgrund von Zugänglichkeitsproblemen bevorzugten. Lange Wartezeiten frustrierten Kunden, insbesondere ältere oder weniger technikaffine Personen, die mit digitalen Schnittstellen Schwierigkeiten hatten, was zu Ineffizienzen und höheren Betriebskosten führte. Hinzu kam die Notwendigkeit von rund-um-die-Uhr-Support in einem wettbewerbsintensiven Fintech-Umfeld, in dem eine 24/7-Verfügbarkeit entscheidend ist. Traditionelle Callcenter konnten nicht ohne explodierende Kosten skalieren, und die Präferenz für Stimme war deutlich, aber unterversorgt — mit Folgen für Zufriedenheit und potenziellen Kundenverlust.

Lösung

Lunar implementierte Europas ersten GenAI-nativen Sprachassistenten, betrieben von GPT-4, der natürliche, telefonbasierte Gespräche ermöglicht, um Anfragen jederzeit ohne Warteschlangen zu bearbeiten. Der Agent verarbeitet komplexe Bankanfragen wie Kontostände, Überweisungen und Support auf Dänisch und Englisch. Integriert mit fortschrittlicher Sprach-zu-Text- und Text-zu-Sprache-Technologie ahmt er menschliche Agenten nach und eskaliert nur Randfälle an Menschen. Dieser Ansatz der konversationellen KI überwand Skalierungsgrenzen und nutzte OpenAIs Technologie für Genauigkeit in regulierten Fintech-Umgebungen.

Ergebnisse

  • ~75% aller Kundenanrufe sollen autonom bearbeitet werden
  • 24/7-Verfügbarkeit eliminiert Wartezeiten für Sprach-Anfragen
  • Positives frühes Feedback von App-gestörten Nutzern
  • Erste europäische Bank mit GenAI-nativer Sprachtechnologie
  • Signifikante projizierte Einsparungen bei Betriebskosten
Fallstudie lesen →

Mastercard

Zahlungsverkehr

In der hochbrisanten Welt der digitalen Zahlungen stellten sich Card-Testing-Angriffe als kritische Bedrohung für das Mastercard-Ökosystem heraus. Betrüger setzen automatisierte Bots ein, um gestohlene Kartendaten mittels Mikrotransaktionen bei Tausenden von Händlern zu testen und damit Zugang für größere Betrugsschemata zu validieren. Traditionelle regelbasierte und klassische Machine-Learning-Systeme erkannten diese Angriffe häufig erst, nachdem erste Tests Erfolg hatten, was zu jährlichen Verlusten in Milliardenhöhe führte und legitimen Handel störte. Die Subtilität dieser Angriffe – geringwertige, hochfrequente Tests, die normales Verhalten imitieren – überforderte Legacy-Modelle, verstärkt durch den Einsatz von KI durch Betrüger, um Erkennungsmuster zu umgehen. Als die Transaktionsvolumina nach der Pandemie explodierten, stand Mastercard unter steigendem Druck, von reaktiver zu proaktiver Betrugsprävention überzugehen. Fehlalarme durch überharte Warnungen führten zu abgelehnten legitimen Transaktionen und damit zu Vertrauensverlust bei Kunden, während ausgeklügelte Methoden wie Card-Testing in Echtzeit der Erkennung entgingen. Das Unternehmen benötigte eine Lösung, die kompromittierte Karten präventiv identifizieren kann und dabei riesige Netze miteinander verbundener Transaktionen analysiert, ohne Geschwindigkeit oder Genauigkeit zu opfern.

Lösung

Mastercards Decision Intelligence (DI)-Plattform integrierte generative KI mit graphbasiertem Machine Learning, um die Betrugserkennung zu revolutionieren. Generative KI simuliert Betrugsszenarien und erzeugt synthetische Transaktionsdaten, was das Modelltraining und die Anomalieerkennung beschleunigt, indem seltene Angriffsvarianten nachgebildet werden, die in echten Daten fehlen. Die Graph-Technologie bildet Entitäten wie Karten, Händler, IP-Adressen und Geräte als miteinander verbundene Knoten ab und macht verborgene Betrugsringe sowie Ausbreitungspfade in Transaktionsgraphen sichtbar. Dieser hybride Ansatz verarbeitet Signale in bislang ungekanntem Umfang, nutzt die generative KI zur Priorisierung risikoreicher Muster und Graphen, um Beziehungen zu kontextualisieren. Über Mastercards AI Garage implementiert, ermöglicht er die Echtzeit-Bewertung des Kompromittierungsrisikos von Karten und alarmiert ausgebende Institute, bevor Betrug eskaliert. Das System bekämpft Card-Testing, indem es anomale Testcluster frühzeitig markiert. Die Einführung erfolgte mit iterativen Tests bei Finanzinstituten, wobei Mastercards globales Netzwerk für robuste Validierung genutzt wurde, gleichzeitig wurde auf Erklärbarkeit geachtet, um das Vertrauen der Emittenten zu stärken.

Ergebnisse

  • 2x schnellere Erkennung potenziell kompromittierter Karten
  • Bis zu 300% Steigerung der Effektivität der Betrugserkennung
  • Verdopplung der Rate proaktiver Benachrichtigungen über kompromittierte Karten
  • Deutliche Reduktion betrügerischer Transaktionen nach Erkennung
  • Minimierung falsch abgelehnter legitimer Transaktionen
  • Echtzeit-Verarbeitung von Milliarden von Transaktionen
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 →

DBS Bank

Bankwesen

DBS Bank, die führende Finanzinstitution in Südostasien, kämpfte damit, KI von Experimenten in die Produktion zu skalieren, während Betrugsbedrohungen zunahmen, die Nachfrage nach hyperpersonalisierten Kundenerlebnissen stieg und operative Ineffizienzen im Service-Support bestanden. Traditionelle Systeme zur Betrugserkennung hatten Schwierigkeiten, bis zu 15.000 Datenpunkte pro Kunde in Echtzeit zu verarbeiten, was zu übersehenen Bedrohungen und suboptimalen Risikobewertungen führte. Personalisierungsbemühungen wurden durch isolierte Datensilos und fehlende skalierbare Algorithmen für Millionen von Nutzern in unterschiedlichen Märkten behindert. Zusätzlich sahen sich Kundendienstteams mit überwältigenden Anfragevolumina konfrontiert, wobei manuelle Prozesse die Reaktionszeiten verlangsamten und die Kosten erhöhten. Regulatorischer Druck im Bankwesen erforderte verantwortungsvolle KI-Governance, während Fachkräftemangel und Integrationsherausforderungen eine unternehmensweite Einführung erschwerten. DBS benötigte einen robusten Rahmen, um Datenqualitätsprobleme, Modell-Drift und ethische Bedenken bei der Einführung generativer KI zu überwinden und gleichzeitig Vertrauen und Compliance in einem wettbewerbsintensiven südostasiatischen Umfeld sicherzustellen.

Lösung

DBS startete ein konzernweites KI-Programm mit über 20 Anwendungsfällen, nutzte maschinelles Lernen für fortschrittliche Betrugsrisikomodelle und Personalisierung und ergänzte dies durch generative KI für einen internen Support-Assistenten. Die Betrugsmodelle integrierten umfangreiche Datensätze für die Erkennung von Anomalien in Echtzeit, während Personalisierungsalgorithmen hyperzielgerichtete Hinweise und Anlageideen über die digibank-App lieferten. Ein Mensch-KI-Synergie-Ansatz befähigte Serviceteams mit einem GenAI-Assistenten, der Routineanfragen aus internen Wissensdatenbanken bearbeitet. DBS legte Wert auf verantwortungsvolle KI durch Governance-Rahmenwerke, Qualifizierungsmaßnahmen für über 40.000 Mitarbeitende und eine gestaffelte Einführung, beginnend mit Pilotprojekten 2021 und Skalierung in die Produktion bis 2024. Partnerschaften mit Technologieführern und eine von Harvard unterstützte Strategie sicherten ein ethisches Skalieren in den Bereichen Betrug, Personalisierung und Betrieb.

Ergebnisse

  • 17 % Steigerung der Einsparungen durch verhinderte Betrugsversuche
  • Über 100 maßgeschneiderte Algorithmen für Kundenanalysen
  • 250.000 monatliche Anfragen effizient vom GenAI-Assistenten bearbeitet
  • Mehr als 20 konzernweite KI-Anwendungsfälle eingeführt
  • Analysiert bis zu 15.000 Datenpunkte pro Kunde zur Betrugserkennung
  • Produktivitätssteigerung um 20 % durch KI-Einführung (CEO-Aussage)
Fallstudie lesen →

Best Practices

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

Alle Onboarding-Feedbacks in eine zentrale Gemini-Pipeline überführen

Der erste taktische Schritt besteht darin, sämtliches relevantes Onboarding-Feedback an einem Ort zu bündeln, sodass Gemini es konsistent analysieren kann. Typischerweise umfasst dies Freitextfelder aus Umfragen, E-Mail-Feedback an HR oder Führungskräfte, Nachrichten aus Kollaborationstools (Teams, Slack), Kommentare aus Ihrem LMS oder Ihrer Onboarding-Plattform sowie – sofern verfügbar und angemessen – Notizen aus HR-Gesprächen.

Nutzen Sie Ihren bestehenden Integrations-Stack oder leichte Skripte, um Daten in einen zentralen Speicher zu ziehen (z. B. ein Data Warehouse, Google BigQuery oder einen sicheren Dokumentenspeicher). Taggen Sie jedes Feedback mit Metadaten wie Hire-ID oder anonymem Identifier, Rolle, Bereich, Standort, Führungskraft sowie Onboarding-Phase oder Datum. Konfigurieren Sie anschließend einen zeitgesteuerten Prozess, der neue Feedback-Batches zur Analyse an Gemini übergibt, sodass manuelle Exporte entfallen.

Konfiguration des Workflows auf hoher Ebene:
1) Sammeln Sie Feedback aus:
   - Survey-Tool-API (z. B. Typeform, Qualtrics)
   - E-Mail-Postfach (z. B. onboarding@company.com)
   - Slack-/Teams-Channel-Exports
   - LMS-/Onboarding-Plattform-Kommentaren
2) Normalisieren in ein gemeinsames Schema:
   - feedback_text
   - channel
   - date
   - location, role, department
   - manager_id, cohort_id
3) Senden Sie Batches täglich/wöchentlich zur Verarbeitung per API an Gemini.
4) Speichern Sie die Gemini-Ausgaben (Themen, Sentiment, Priorität) wieder in Ihrem Warehouse.

Strukturierte Prompts nutzen, um Themen, Sentiment und Onboarding-Phasen zu extrahieren

Sobald Daten in Gemini fließen, gestalten Sie Prompts, die konsistent die Dimensionen extrahieren, die Ihnen wichtig sind: Themen, Sentiment, Schweregrad und Onboarding-Phase. Behandeln Sie den Prompt wie eine kleine Spezifikation und verfeinern Sie ihn im Zeitverlauf anhand von Beispielen aus Ihrem eigenen Feedback. Ziel ist es, die Gemini-Ausgaben so zu gestalten, dass sie direkt für Reporting und Root-Cause-Analysen nutzbar sind.

Unten finden Sie eine Beispiel-Promptstruktur, die Sie an Ihren Kontext anpassen können:

Beispiel-Prompt für Gemini zur Analyse von Onboarding-Feedback:
Sie sind ein HR-Analytics-Assistent, der hilft, das Mitarbeiter-Onboarding zu verbessern.

Aufgabe:
Analysieren Sie das folgende Onboarding-Feedback und antworten Sie im JSON-Format mit:
- primary_theme: eines von ["pre-boarding", "first-day-experience", "tools-and-access",
  "role-clarity", "manager-support", "team-integration", "culture-and-inclusion",
  "learning-and-training", "other"]
- secondary_themes: Liste zusätzlicher relevanter Themen aus derselben Liste
- onboarding_stage: eines von ["before-start", "week-1", "month-1", "month-3", "later"]
- sentiment: eines von ["very-negative", "negative", "neutral", "positive", "very-positive"]
- severity: 1-5 (5 = dringendes Problem, das Produktivität blockiert)
- summary: 1–2 Sätze Zusammenfassung des Feedbacks
- improvement_ideas: bis zu 3 konkrete Vorschläge, die das Unternehmen umsetzen könnte

Feedback-Text:
"""
{{feedback_text}}
"""

Führen Sie diesen Prompt per API oder internem Tool über Ihren Feedback-Korpus aus und protokollieren Sie die strukturierten Ausgaben. Diese strukturierten Felder bilden die Grundlage für Dashboards und automatische Alerts.

Rollen- und regionsspezifische Dashboards für HR und Führungskräfte aufbauen

Nachdem Gemini Feedback konsistent klassifiziert, visualisieren Sie die Ergebnisse für die Teams, die sie benötigen. Für HR erstellen Sie Dashboards, die Trends über die Zeit zeigen: welche Themen sich verbessern oder verschlechtern, welche Kohorten höhere negative Stimmung aufweisen und in welchen Onboarding-Phasen die meisten Probleme mit hohem Schweregrad auftreten. Für Linienführungskräfte stellen Sie gefilterte Ansichten bereit, die Feedback zu ihren Teams zeigen (aggregiert und anonymisiert, wo erforderlich).

Ein praxisnahes Setup könnte sein: HR sieht ein globales „Onboarding Health“-Dashboard mit Filtern für Region, Rollenfamilie und Kohorte, während Führungskräfte monatlich eine E-Mail mit einer Zusammenfassung der wichtigsten Muster für ihren Verantwortungsbereich erhalten. Nutzen Sie Gemini, um die erläuternden Kommentare für diese Berichte zu generieren.

Beispiel-Prompt für Gemini für narrative Dashboards:
Sie unterstützen HR dabei, Insights aus Onboarding-Feedback
verständlich an Führungskräfte zu kommunizieren.

Erstellen Sie auf Basis der folgenden aggregierten Daten (JSON) eine prägnante
Zusammenfassung für Führungskräfte mit:
- den 3 wichtigsten positiven Themen
- den 3 gravierendsten Problemen mit höchstem Schweregrad
- 3 konkreten Maßnahmen, die Führungskräfte im nächsten Monat ergreifen können

Daten:
{{aggregated_feedback_json}}

Dieser Ansatz verwandelt rohe Analysen in verständliche, handlungsorientierte Kommunikation für nicht-technische Stakeholder.

Automatische Alerts für schwerwiegende oder wiederkehrende Probleme einrichten

Geminis Ausgaben zu Schweregrad und Themen können in einfache Alert-Regeln überführt werden. Beispielsweise können Sie einen Alert auslösen, wenn mehr als fünf neue Mitarbeitende in einer Kohorte Probleme bei „tools-and-access“ mit einem Schweregrad von 4 oder 5 melden oder wenn negatives Sentiment zu „manager-support“ an einem bestimmten Standort sprunghaft ansteigt. Diese Alerts können direkt in HR-Ticketingsysteme oder Kollaborationstools eingespeist werden.

Konfigurieren Sie einen zeitgesteuerten Job, der neue Gemini-Ausgaben scannt und regelbasierte Checks anwendet. Wenn Bedingungen erfüllt sind, kann das System eine HR-Aufgabe eröffnen, zuständige HRBPs taggen und eine von Gemini generierte Zusammenfassung anhängen.

Beispielhafte Konfigurationslogik (Pseudo-Code):
IF count(feedback where primary_theme = "tools-and-access" 
   AND severity >= 4 AND cohort_id = "2025-Q1") >= 5 THEN
   create_alert(
      type = "Access Issues Spike",
      owners = ["HR_Onboarding_Team"],
      summary = Gemini.summarise(feedback_subset),
      recommended_actions = Gemini.suggest_actions(feedback_subset)
   )

So stellt HR sicher, dass strukturelle Blocker im Onboarding-Prozess nicht erst bei Quartalsreviews angegangen werden.

Gemini zur Erstellung gezielter Verbesserungen und Kommunikation nutzen

Über die Analyse hinaus kann Gemini auch bei der Ausarbeitung von Lösungen helfen: überarbeiteten Onboarding-Checklisten, Führungskräfte-Guidelines, FAQ-Einträgen oder Micro-Learnings, die wiederkehrende Probleme direkt adressieren. Speisen Sie Gemini mit gebündeltem Feedback zu einem bestimmten Thema und lassen Sie sich aktualisierte Onboarding-Schritte oder Kommunikationsvorlagen vorschlagen.

Wenn beispielsweise viele neue Mitarbeitende im ersten Monat unklare Rollenerwartungen melden, können Sie Gemini bitten, einen neuen Gesprächsleitfaden „Die ersten 30 Tage“ für Führungskräfte zu entwerfen.

Beispiel-Prompt für Gemini zur Erstellung von Verbesserungsinhalten:
Sie unterstützen HR bei der Verbesserung des Onboarding-Prozesses.

Hier sind 30 anonymisierte Feedback-Kommentare von neuen Mitarbeitenden
in ihrem ersten Monat zum Thema "role-clarity":
{{role_clarity_feedback}}

Bitte:
1) Fassen Sie die 5 häufigsten Ursachen der Verwirrung zusammen.
2) Schlagen Sie eine 30-Tage-Checkliste für Führungskräfte vor, um diese
   Ursachen zu adressieren.
3) Entwerfen Sie eine einseitige "Erwartungen in den ersten 30 Tagen"-
   Übersicht, die Führungskräfte mit neuen Mitarbeitenden teilen können.

HR kann diese Inhalte anschließend reviewen, lokalisieren und mit internen Richtlinien abgleichen, bevor sie ausgerollt werden. So verkürzt sich die Zeitspanne von Insight zu konkreter Onboarding-Verbesserung deutlich.

Die Schleife mit neuen Mitarbeitenden schließen und Wirkung messen

Damit das System sich selbst verbessert, nutzen Sie Gemini sowohl zum Schließen der Feedbackschleife mit Mitarbeitenden als auch zur Wirkungsmessung von Änderungen. Wenn Sie einen neuen Onboarding-Schritt oder eine neue Kommunikation auf Basis von Feedback einführen, taggen Sie diese Änderung in Ihrem Datenmodell. Vergleichen Sie in den folgenden Kohorten Sentiment und Schweregrad der zugehörigen Themen vor und nach der Änderung.

Gemini kann unterstützen, indem es Follow-up-Umfragefragen zu dem aktualisierten Bereich generiert und zusammenfasst, ob sich die Stimmung verändert hat. Sie können es auch nutzen, um personalisierte Follow-up-Nachrichten zu erstellen, in denen Sie erklären, dass das Feedback zu Veränderungen geführt hat – das stärkt Vertrauen.

Beispiel-Prompt für Gemini für Follow-ups:
Wir haben unseren Onboarding-Prozess kürzlich basierend auf Feedback
zu "tools-and-access"-Problemen geändert.

1) Formulieren Sie 3 kurze Umfragefragen, um zu bewerten, ob der neue
   Prozess die Hauptprobleme gelöst hat.
2) Verfassen Sie eine kurze Nachricht (max. 120 Wörter), die wir an
   kürzlich eingestellte Mitarbeitende senden können, um zu erklären,
   was sich geändert hat, und ihnen für ihr offenes Feedback zu danken.

Mit der Zeit sollten Sie messbare Verbesserungen sehen, etwa eine Reduktion hochgradiger Probleme pro Kohorte, höhere Zufriedenheit mit dem Onboarding und eine kürzere Time-to-Productivity. Realistischerweise können Unternehmen, die diese Praktiken umsetzen, innerhalb von 3–6 Monaten damit rechnen, wiederkehrende Onboarding-Probleme um 20–40 % zu reduzieren, den manuellen Aufwand für Feedback-Analyse um 60–80 % zu senken und HR sowie Führungskräften einen deutlich klareren Blick darauf zu geben, wie Onboarding über Rollen und Regionen hinweg performt.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

Gemini ist darauf ausgelegt, mit unstrukturierten und semistrukturierten Daten zu arbeiten und eignet sich daher sehr gut für Onboarding-Feedback. Sie können rohen Text aus Umfragekommentaren, E-Mail-Inhalten, Chat-Exports oder aus HR-Systemen kopierten Notizen einspeisen. In einem typischen Setup extrahiert eine leichte Integrationsschicht den relevanten Text und Metadaten (Rolle, Standort, Datum, Kanal) und sendet diese per API an Gemini.

Gemini analysiert die Inhalte dann auf Themen, Sentiment, Schweregrad und Onboarding-Phase und gibt strukturierte Ausgaben zurück, die in Ihrer HR-Analytics-Umgebung gespeichert werden können. Anhänge wie PDFs oder Dokumente lassen sich vor der Analyse in Text konvertieren, sodass Sie auch formellere Feedbackdokumente oder Berichte in dieselbe Pipeline integrieren können.

Sie benötigen kein großes Data-Science-Team für den Einstieg, aber Sie brauchen eine Kombination aus HR-Ownership und grundlegenden technischen Integrationsfähigkeiten. In der Regel definiert HR die Ziele, Themen und Governance-Regeln, während ein internes IT- oder Datenteam (oder ein Partner wie Reruption) die Datenpipeline aufbaut und Gemini anbindet.

Die wichtigsten Rollen sind: eine HR-Produktverantwortung für Onboarding-Feedback, jemand mit Integrations-/Automatisierungs-Know-how (zur Anbindung von Umfragetools, E-Mail, Kollaborationsplattformen) und optional ein Analytics- oder BI-Spezialist für den Aufbau von Dashboards. Reruption arbeitet häufig mit bestehenden IT-Teams zusammen, um Gemini-Prompts, API-Nutzung und Sicherheitskonfiguration zu übernehmen, damit HR sich auf die Interpretation und Nutzung der Insights konzentrieren kann.

Für die meisten Organisationen zeigen sich erste aussagekräftige Ergebnisse innerhalb von 4–8 Wochen, wenn der Scope fokussiert ist. In den ersten 1–2 Wochen verbinden Sie eine oder zwei Hauptfeedbackquellen (z. B. Onboarding-Umfragen und HR-Postfach) und entwerfen die initialen Gemini-Prompts. Innerhalb eines Monats können Sie in der Regel den ersten Satz strukturierter Insights und einfache Dashboards generieren und reviewen.

Verbesserungen in der Onboarding-Qualität folgen typischerweise in den nächsten 1–3 Kohorten, sobald Sie beginnen, auf wiederkehrende Probleme zu reagieren, die Gemini aufdeckt. Realistische Zeiträume für messbare Effekte liegen bei 3–6 Monaten für die Reduktion hochgradiger Probleme und des manuellen Analyseaufwands sowie bei 6–12 Monaten für Veränderungen bei Onboarding-Zufriedenheit, Time-to-Productivity und Frühfluktuation.

Die Kostenseite besteht im Wesentlichen aus drei Elementen: Gemini-Nutzung (API- oder Plattformkonsum), Integrations- und Setup-Aufwand sowie leichtem laufenden Betrieb. Im Vergleich zur manuellen Analyse ist die Investition in der Regel moderat – insbesondere, wenn Sie bereits eine grundlegende Integrationsinfrastruktur haben.

Der ROI ergibt sich aus mehreren Richtungen: weniger Zeitaufwand für HR-Analyst:innen beim Lesen und Kategorisieren von Kommentaren, schnellere Erkennung und Behebung von Onboarding-Problemen, die Produktivität verzögern, bessere Unterstützung von Führungskräften durch gezielte Insights und letztlich geringere Frühfluktuation und eine stärkere Arbeitgebermarke. Selbst kleine Verbesserungen bei Retention oder Time-to-Productivity können die laufenden Kosten sehr schnell übersteigen. Schon die Vermeidung einiger weniger frühzeitiger Ersatzrekrutierungen pro Jahr deckt in der Regel die Kosten für eine robuste Gemini-Onboarding-Feedback-Pipeline mehr als ab.

Reruption arbeitet als Co-Preneur Seite an Seite mit Ihren HR- und IT-Teams – nicht als distanzierter Berater. Wir starten mit einem fokussierten KI-PoC für 9.900 €, um zu beweisen, dass Gemini Ihr reales Onboarding-Feedback aus Umfragen, E-Mails und Chats verlässlich analysieren kann. In diesem PoC definieren wir den Use Case, entwerfen und testen Prompts, bauen eine leichte Pipeline auf und liefern einen funktionsfähigen Prototypen plus Leistungskennzahlen und Implementierungsfahrplan.

Über den PoC hinaus unterstützen wir bei der operativen Verankerung der Lösung: Integration zusätzlicher Datenquellen, Einrichtung von Dashboards und automatisierten Alerts, Definition von Governance gemeinsam mit Ihren Compliance-Stakeholdern sowie Schulung von HR und Führungskräften im Umgang mit KI-generierten Insights. Unser Co-Preneur-Ansatz bedeutet, dass wir unternehmerische Verantwortung dafür übernehmen, eine Lösung zu liefern, die Ihr Onboarding tatsächlich verbessert – nicht nur Folien darüber, was KI theoretisch leisten könnte.

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