Die Herausforderung: Fragmentierte Preboarding-Kommunikation

Für viele HR-Teams hat sich Preboarding leise in ein Labyrinth unkoordinierter Nachrichten verwandelt. Neue Mitarbeitende erhalten eine Flut von E-Mails von HR, IT, Führungskräften und Betriebsrat, dazu PDFs, Richtlinien-Links und verstreute Formulare. Anstatt Vorfreude und Klarheit aufzubauen, wirkt die Erfahrung oft chaotisch, und kritische Informationen gehen unterwegs verloren.

Traditionelle Ansätze stützen sich auf E-Mail-Threads, statische Checklisten und manuelle Nachverfolgung. Sie passen sich weder unterschiedlichen Rollen, Standorten oder Senioritätsstufen an, noch können sie die Dutzenden kleiner, aber wichtiger Fragen beantworten, die jede neue Mitarbeitende vor dem ersten Tag hat. Mit zunehmender Komplexität durch hybride Arbeit und globale Einstellungen ist es unrealistisch zu erwarten, dass HR-Teams personalisierte Preboarding-Journeys ausschließlich mit Tabellen und Posteingängen steuern.

Die geschäftlichen Auswirkungen gehen weit über ein paar verpasste E-Mails hinaus. Wenn die Preboarding-Kommunikation fragmentiert ist, verzögern sich Aufgaben wie Vertragsunterzeichnung, Systemzugänge, Compliance-Schulungen und Gerätebestellungen. Neue Mitarbeitende starten ohne Zugang zu zentralen Tools, Führungskräfte verlieren produktive Wochen, und HR verbringt Stunden damit, Bestätigungen hinterherzulaufen, statt sich auf strategische Talentthemen zu konzentrieren. Langfristig führt das zu höherem Frühfluktuationsrisiko, längerer Time-to-Productivity und einer schwächeren Arbeitgebermarke.

Die gute Nachricht: Dieses Problem ist lösbar. Moderne KI-Onboarding-Assistenten können als zentraler, intelligenter Hub agieren, der Preboarding-Aufgaben orchestriert, Informationen bündelt und alle Beteiligten auf Linie hält. Bei Reruption haben wir gesehen, wie KI-gestützte Workflows im Recruiting und HR den manuellen Koordinationsaufwand drastisch reduzieren können – bei gleichzeitig besserer Employee Experience. Im weiteren Verlauf dieser Seite finden Sie praxisnahe Schritt-für-Schritt-Anleitungen, wie Sie ChatGPT für das Preboarding nutzen können, um fragmentierte Kommunikation durch ein klares, skalierbares System zu ersetzen.

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 unserer Arbeit an KI-Assistenten, Recruiting-Chatbots und internen Tools wissen wir, dass die effektivsten HR-Teams ChatGPT als zentrale Schnittstelle für das Preboarding begreifen – nicht nur als ein weiteres Tool. Anstatt noch mehr E-Mails zu versenden, gestalten sie klare Workflows, in denen ein ChatGPT-basierter Assistent zur richtigen Zeit die richtigen Aufgaben, Antworten und Erinnerungen liefert. Mit der praktischen Engineering-Erfahrung von Reruption, einschließlich KI-gestützter Kandidatenkommunikation und Dokumentenautomatisierung, wissen wir, was nötig ist, um diese Systeme robust genug für echte HR-Enterprise-Umgebungen zu machen.

Definieren Sie eine Single Source of Truth für das Preboarding

Bevor Sie einen ChatGPT-Onboarding-Assistenten anbinden, sollten Sie klären, welche „Wahrheit“ er abbilden soll. Heute liegen Richtlinien in SharePoint, Aufgaben in Excel, Vorlagen in Outlook und implizites Wissen in den Köpfen der HR-Mitarbeitenden. Wenn Sie ChatGPT ohne Struktur einfach mit all dem verbinden, reproduzieren Sie dieselbe Fragmentierung in einer neuen Oberfläche.

Strategisch müssen Sie ein kanonisches Preboarding-Modell definieren: Welche Aufgaben gibt es pro Rolle, welche Dokumente sind Pflicht, welche Antworten sind freigegeben und welche Varianten gelten für Standorte oder Vertragstypen. ChatGPT bildet dann die Konversationsschicht über diesem Modell. Diese Denkweise stellt sicher, dass Sie bei einer Änderung von Richtlinien oder Prozessen nur einmal aktualisieren – und jede neue Mitarbeitende automatisch die aktuelle Version erhält.

Beginnen Sie mit einer fokussierten Pilot-Journey

Der Versuch, alle Preboarding-Szenarien auf einmal zu automatisieren, ist ein Rezept für Komplexität und Widerstand von Stakeholdern. Besser ist es, ein oder zwei volumenstarke, relativ standardisierte Journeys zu wählen – zum Beispiel unbefristete Büroangestellte in einem Land – und nur für diese eine vollständige KI-Preboarding-Flow mit ChatGPT aufzubauen.

Mit diesem Pilot-Ansatz können HR, IT und Legal Datenflüsse, Tonalität und Compliance-Grenzen in einer kontrollierten Umgebung validieren. Sie sehen schnell, wo ChatGPT sicher automatisieren kann (z. B. FAQs, Erinnerungen, Checklisten) und wo weiterhin ein menschlicher Review nötig ist (z. B. sensible Vertragsklauseln). Sobald der Pilot den Nutzen belegt, lässt er sich deutlich leichter auf andere Segmente ausweiten – mit echten Ergebnissen statt nur einer theoretischen Business-Case-Präsentation.

Bereiten Sie HR und Führungskräfte auf einen Co-Piloten, nicht auf einen Ersatz vor

Ein strategisches Risiko bei der Einführung von KI-Onboarding-Tools sind unrealistische Erwartungen. Führungskräfte hoffen möglicherweise sofort auf Einsparungen bei HR-Kapazitäten, während HR befürchtet, ersetzt zu werden. Beides ist kontraproduktiv. Der richtige Rahmen ist: ChatGPT ist ein Co-Pilot – es übernimmt Volumen und Konsistenz, damit HR und Führungskräfte sich auf menschliche Interaktion konzentrieren können.

Praktisch bedeutet das, HR Business Partner und Hiring Manager früh in die Konzeption einzubeziehen. Zeigen Sie ihnen, welche Fragen ChatGPT beantworten wird, wie sie Antworten übersteuern oder verfeinern können und wann Eskalationen wieder bei ihnen landen. Das stärkt Vertrauen und Akzeptanz. Gleichzeitig werden Randfälle sichtbar, die Sie vor einem großflächigen Rollout in Prompts, Guardrails oder Workflows abbilden müssen.

Gestalten Sie Governance und Compliance von Anfang an

Preboarding berührt personenbezogene Daten, Verträge und compliance-kritische Informationen. Wenn Sie ChatGPT im HR als Nebenexperiment behandeln, stoßen Sie spätestens bei der Skalierung auf Sicherheits- und Rechts-Hürden. Eine strategische Implementierung umfasst deshalb ab Tag eins Datengovernance, Zugriffskontrollen und Nachvollziehbarkeit.

Definieren Sie, auf welche Systeme ChatGPT lesend oder schreibend zugreifen darf (z. B. HRIS, Ticketing, LMS), welche Daten niemals exponiert werden und wie lange Interaktionen gespeichert werden. Beziehen Sie Legal und Datenschutzbeauftragte früh ein, damit sie eine konforme Architektur mitgestalten, statt das Projekt später zu stoppen. Bei Reruption sehen wir regelmäßig, dass klare Governance Skeptiker in Befürworter verwandelt, weil sie die Grenzen und Kontrollmechanismen verstehen.

Richten Sie KPIs an Business-Outcomes aus, nicht nur an KI-Nutzung

Es ist verlockend, Erfolg daran zu messen, wie viele Fragen Ihr ChatGPT-Onboarding-Assistent beantwortet. Doch Nutzungszahlen allein belegen keinen geschäftlichen Mehrwert. Sie brauchen KPIs, die direkt an HR- und Business-Ziele anknüpfen: reduzierte Time-to-Productive, weniger manuelle Nachverfolgungen, geringere Frühfluktuation oder höhere Zufriedenheitswerte neuer Mitarbeitender.

Definieren Sie aus strategischer Sicht vor der Implementierung 3–5 Kennzahlen und stimmen Sie diese mit Stakeholdern in Talent Acquisition, HR Operations und den Fachbereichen ab. Dieses gemeinsame Scorecard lenkt Entscheidungen wie: Welche Flows werden als Nächstes automatisiert, wie stark investieren wir in Integrationen und wann ist die Lösung reif für den unternehmensweiten Rollout.

Strategisch eingesetzt kann ChatGPT fragmentierte Preboarding-Kommunikation in einen einzigen, intelligenten Hub verwandeln, der jede neue Mitarbeitende durch eine konsistente, personalisierte Journey führt und HR gleichzeitig vom manuellen Nachfassen entlastet. Entscheidend ist, es als Teil Ihrer Kern-Onboarding-Architektur zu betrachten – mit klarer Verantwortlichkeit, Governance und KPIs – statt als Side-Project. Mit der Kombination aus KI-Engineering-Tiefe und Co-Preneur-Mindset kann Reruption Sie dabei unterstützen, von der Idee zu einem funktionierenden, konformen Preboarding-Assistenten zu kommen, der zu Ihrer HR-Realität passt. Wenn Sie dieses Thema prüfen, sprechen Sie uns an – gemeinsam können wir evaluieren, wie ein pragmatischer erster Schritt aussehen kann.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

Von Gesundheitswesen bis Nachrichtenmedien: Erfahren Sie, wie Unternehmen ChatGPT erfolgreich einsetzen.

AstraZeneca

Gesundheitswesen

In der stark regulierten pharmazeutischen Industrie stand AstraZeneca unter erheblichem Druck, die Wirkstoffforschung und klinischen Studien zu beschleunigen, die traditionell 10–15 Jahre dauern und Milliarden kosten, bei geringen Erfolgsraten von unter 10 %. Datensilos, strenge Compliance-Anforderungen (z. B. FDA-Regularien) und manuelle Wissensarbeit behinderten die Effizienz in F&E und Geschäftsbereichen. Forschende hatten Schwierigkeiten, riesige Datensets aus 3D-Bildgebung, Literaturauswertungen und Protokollentwürfen zu analysieren, was zu Verzögerungen bei der Therapiefindung für Patienten führte. Die Skalierung von KI wurde durch Datenschutz-Bedenken, Integration in Altsysteme und die Sicherstellung verlässlicher KI-Ergebnisse in einem hochkritischen Umfeld erschwert. Ohne schnelle Adoption riskierte AstraZeneca, gegenüber Wettbewerbern zurückzufallen, die KI für schnellere Innovationen zur Erreichung der 2030-Ziele nutzten.

Lösung

AstraZeneca startete eine unternehmensweite Strategie für generative KI und setzte ChatGPT Enterprise ein, maßgeschneidert für Pharma-Workflows. Dazu gehörten KI-Assistenten für die Analyse 3D-molekularer Bildgebung, automatische Entwürfe von Protokollen für klinische Studien und die Synthese von Wissen aus wissenschaftlicher Literatur. Sie gingen Partnerschaften mit OpenAI für sichere, skalierbare LLMs ein und investierten in Schulungen: Rund 12.000 Mitarbeitende aus F&E und anderen Funktionen schlossen bis Mitte 2025 GenAI-Programme ab. Infrastruktur-Upgrades wie AMD Instinct MI300X GPUs optimierten das Modelltraining. Governance-Rahmen stellten Compliance sicher, mit menschlicher Validierung in kritischen Aufgaben. Der Rollout erfolgte phasenweise von Pilotprojekten in 2023–2024 bis zur vollständigen Skalierung 2025, mit Schwerpunkt auf der Beschleunigung der F&E durch GenAI für Moleküldesign und Real-World-Evidence-Analysen.

Ergebnisse

  • ~12.000 Mitarbeitende bis Mitte 2025 in generativer KI geschult
  • 85–93 % der Mitarbeitenden berichteten von Produktivitätssteigerungen
  • 80 % der Medical Writer fanden KI-Protokollentwürfe nützlich
  • Signifikante Reduktion der Trainingszeit für Life-Sciences-Modelle durch MI300X-GPUs
  • Hohe AI-Maturity-Bewertung laut IMD-Index (weltweit oben)
  • GenAI ermöglicht schnellere Studienplanung und Dosiswahl
Fallstudie lesen →

AT&T

Telekommunikation

Als führender Netzbetreiber verwaltet AT&T eines der weltweit größten und komplexesten Netzwerke, das Millionen von Funkzellen, Glasfasern und 5G-Infrastruktur umfasst. Die zentralen Herausforderungen umfassten ineffiziente Netzplanung und -optimierung, etwa die Festlegung optimaler Standorte für Funkzellen und die Frequenzakquisition vor dem Hintergrund explodierender Datenanforderungen durch den 5G-Rollout und das Wachstum des IoT. Traditionelle Methoden beruhten auf manueller Analyse, was zu suboptimaler Ressourcenzuteilung und höheren Kapitalaufwendungen führte. Zusätzlich verursachte die reaktive Netzwartung häufige Ausfälle, da die Anomalieerkennung nicht mit den Echtzeitanforderungen Schritt hielt. Probleme proaktiv zu erkennen und zu beheben war entscheidend, um Ausfallzeiten zu minimieren, doch die enormen Datenmengen aus Netzwerksensoren überforderten die Altsysteme. Dies führte zu erhöhten Betriebskosten, Kundenunzufriedenheit und verzögerter 5G-Bereitstellung. AT&T benötigte skalierbare KI, um Ausfälle vorherzusagen, Selbstheilung zu automatisieren und die Nachfrage präzise zu prognostizieren.

Lösung

AT&T integrierte Maschinelles Lernen und Vorhersageanalytik über seine AT&T Labs und entwickelte Modelle für das Netzwerkdesign, einschließlich Spektrum-Refarming und Optimierung von Funkzellenstandorten. KI-Algorithmen analysieren Geodaten, Verkehrsprofile und historische Leistungsdaten, um ideale Standorte für Sendemasten zu empfehlen und so Baukosten zu reduzieren. Für den Betrieb nutzen Systeme zur Anomalieerkennung und Selbstheilung prädiktive Modelle auf NFV (Network Function Virtualization), um Ausfälle vorherzusagen und automatisierte Behebungen durchzuführen, etwa durch Umleitung von Traffic. Kausale KI geht über Korrelationen hinaus und liefert Ursachenanalysen bei Abwanderung und Netzproblemen. Die Implementierung umfasste Edge-to-Edge-Intelligenz und die Bereitstellung von KI in den Arbeitsabläufen von über 100.000 Ingenieurinnen und Ingenieuren.

Ergebnisse

  • Milliarden von Dollar an Einsparungen bei Netzwerkkosten
  • 20–30% Verbesserung der Netzauslastung und Effizienz
  • Signifikante Reduktion von Vor-Ort-Einsätzen (Truck Rolls) und manuellen Eingriffen
  • Proaktive Erkennung von Anomalien, die größere Ausfälle verhindert
  • Optimierte Standortwahl für Funkzellen, die CapEx um Millionen reduziert
  • Bis zu 40% bessere Genauigkeit bei 5G-Nachfrageprognosen
Fallstudie lesen →

Airbus

Luft- und Raumfahrt

In der Flugzeugentwicklung sind Computational Fluid Dynamics (CFD)-Simulationen essenziell, um den Luftstrom um Tragflächen, Rümpfe und neuartige Konfigurationen vorherzusagen — entscheidend für Treibstoffeffizienz und Emissionsreduzierung. Herkömmliche hochgenaue RANS-Solver benötigen jedoch Stunden bis Tage pro Lauf auf Supercomputern, wodurch Ingenieure nur wenige Dutzend Iterationen pro Designzyklus durchführen können und die Innovationsfähigkeit für nächste Generationen wie das hydrogenbetriebene ZEROe eingeschränkt wird. Dieses Rechenengpassproblem war besonders akut im Kontext von Airbus' Vorstoß zur Dekarbonisierung der Luftfahrt bis 2035, bei dem komplexe Geometrien eine umfassende Exploration erfordern, um Auftriebs-Widerstands-Verhältnisse zu optimieren und gleichzeitig Gewicht zu minimieren. Kooperationen mit DLR und ONERA zeigten den Bedarf an schnelleren Werkzeugen auf, da manuelle Abstimmungen nicht skalieren, um die Tausenden Varianten zu testen, die für laminares Strömungsverhalten oder Blended-Wing-Body-Konzepte nötig sind.

Lösung

Maschinelle Lern-Surrogatmodelle, einschließlich physik-informierter neuronaler Netze (PINNs), wurden auf umfangreichen CFD-Datensätzen trainiert, um komplette Simulationen in Millisekunden zu emulieren. Airbus integrierte diese in eine generative Design-Pipeline, in der KI Druckfelder, Geschwindigkeiten und Kräfte vorhersagt und dabei die Navier-Stokes-Physik über hybride Verlustfunktionen zur Genauigkeit erzwingt. Die Entwicklung umfasste die Aufbereitung von Millionen von Simulations-Snapshots aus Legacy-Läufen, GPU-beschleunigtes Training und iterative Feinabstimmung mit experimentellen Windkanaldaten. Dadurch wurden schnelle Iterationen möglich: Die KI sichtet Designs, während hochauflösende CFD nur die besten Kandidaten verifiziert, wodurch der Gesamtaufwand um Größenordnungen reduziert wird und gleichzeitig ein <5% Fehler bei Schlüsselmetriken gehalten wird.

Ergebnisse

  • Simulationszeit: 1 Stunde → 30 ms (120.000x Beschleunigung)
  • Design-Iterationen: +10.000 pro Zyklus im gleichen Zeitraum
  • Vorhersagegenauigkeit: 95%+ für Auftriebs-/Widerstandskoeffizienten
  • 50% Verkürzung der Designphasenlaufzeit
  • 30–40% weniger hochauflösende CFD-Läufe erforderlich
  • Treibstoffverbrauchsoptimierung: bis zu 5% Verbesserung in Vorhersagen
Fallstudie lesen →

Amazon

Einzelhandel

In der weiten E‑Commerce‑Landschaft stehen Online‑Käufer vor erheblichen Hürden bei der Produktsuche und Entscheidungsfindung. Bei Millionen von Produkten fällt es Kund:innen häufig schwer, Artikel zu finden, die genau ihren Anforderungen entsprechen, Optionen zu vergleichen oder schnelle Antworten auf nuancierte Fragen zu Funktionen, Kompatibilität und Nutzung zu erhalten. Traditionelle Suchleisten und statische Auflistungen stoßen an ihre Grenzen, was zu Warenkorbabbrüchen von branchenweit bis zu 70 % und verlängerten Entscheidungszeiträumen führt, die Nutzer:innen frustrieren. Amazon, das über 300 Millionen aktive Kund:innen bedient, sah sich besonders während Spitzenereignissen wie dem Prime Day mit stark steigenden Anfragevolumina konfrontiert. Käufer:innen verlangten personalisierte, konversationelle Unterstützung ähnlich der Hilfe im Laden, doch die Skalierung menschlicher Unterstützung war nicht möglich. Zu den Problemen gehörten die Bewältigung komplexer Multi‑Turn‑Anfragen, die Einbindung von Echtzeit‑Bestands‑ und Preisangaben sowie die Sicherstellung, dass Empfehlungen Sicherheits‑ und Genauigkeitsstandards erfüllen vor einem Katalog von über $500B.

Lösung

Amazon entwickelte Rufus, einen generativen, KI‑gestützten konversationellen Einkaufsassistenten, der in die Amazon Shopping‑App und die Desktop‑Version integriert ist. Rufus nutzt ein maßgeschneidertes Large Language Model (LLM), das auf Amazons Produktkatalog, Kundenbewertungen und Webdaten feinabgestimmt wurde, um natürliche, mehrstufige Gespräche zu führen, Fragen zu beantworten, Produkte zu vergleichen und maßgeschneiderte Empfehlungen zu geben. Angetrieben von Amazon Bedrock für Skalierbarkeit und AWS Trainium/Inferentia‑Chips für effiziente Inferenz, skaliert Rufus zu Millionen von Sitzungen ohne spürbare Latenz. Es integriert agentische Fähigkeiten für Aufgaben wie Warenkorb‑Hinzufügen, Preisverfolgung und Deal‑Suche und überwindet frühere Personalisierungsgrenzen durch sicheren Zugriff auf Nutzungsverlauf und Präferenzen. Die Implementierung erfolgte iterativ: Beginnend mit einer Beta im Februar 2024, Ausweitung auf alle US‑Nutzer bis September und anschließende globale Rollouts, wobei Halluzinationsrisiken durch Grounding‑Techniken und Mensch‑in‑der‑Schleife‑Sicherungen adressiert wurden.

Ergebnisse

  • 60 % höhere Kaufabschlussrate bei Rufus‑Nutzer:innen
  • Prognostizierte zusätzliche Umsätze von $10B durch Rufus
  • 250M+ Kund:innen nutzten Rufus im Jahr 2025
  • Monatlich aktive Nutzer:innen +140 % YoY
  • Interaktionen stiegen um 210 % YoY
  • Black‑Friday‑Verkaufssitzungen +100 % mit Rufus
  • Kürzlicher Anstieg der Rufus‑Nutzer:innen um 149 %
Fallstudie lesen →

American Eagle Outfitters

Bekleidungs-Einzelhandel

In der wettbewerbsintensiven Bekleidungs-Einzelhandel-Landschaft stand American Eagle Outfitters vor erheblichen Herausforderungen in den Ankleidekabinen, wo Kund:innen nach Styling-Beratung, präziser Größenempfehlung und ergänzenden Artikelvorschlägen verlangen, ohne auf überlastete Mitarbeitende warten zu müssen . Während Stoßzeiten führten Personalknappheiten häufig dazu, dass frustrierte Käufer:innen Waren zurückließen, die Anprobefrequenz sanken und Konversionschancen verpasst wurden, da traditionelle In-Store-Erfahrungen hinter der personalisierten E‑Commerce-Welt zurückblieben . Frühe Ansätze wie Beacon-Technologie im Jahr 2014 verdoppelten zwar die Wahrscheinlichkeit des Betretens der Umkleide, fehlte es ihnen jedoch an Tiefe für Echtzeit-Personalisierung . Hinzu kamen Daten-Silos zwischen Online und Offline, die einheitliche Kundenkenntnisse erschwerten und es schwierig machten, Artikel dynamisch an individuelle Stilpräferenzen, Körpertypen oder sogar Hauttöne anzupassen. American Eagle benötigte eine skalierbare Lösung, um Engagement und Kundentreue in Flagship-Stores zu steigern und gleichzeitig mit KI breiter zu experimentieren .

Lösung

American Eagle ging eine Partnerschaft mit Aila Technologies ein, um interaktive Ankleidekabinen-Kioske einzusetzen, die von Computervision und Maschinellem Lernen angetrieben werden; diese wurden 2019 in Flagship-Filialen in Boston, Las Vegas und San Francisco eingeführt . Kund:innen scannen Kleidungsstücke über iOS-Geräte, wodurch CV‑Algorithmen die Artikel identifizieren und ML‑Modelle — trainiert auf Kaufhistorie und Google Cloud‑Daten — optimale Größen, Farben und Outfit‑Ergänzungen vorschlagen, zugeschnitten auf inferierte Stilpräferenzen . Integriert mit den ML-Funktionen von Google Cloud ermöglicht das System Echtzeit-Empfehlungen, Benachrichtigungen an Mitarbeitende und nahtlose Bestandsabfragen und entwickelte sich von Beacon‑Gimmicks zu einem vollwertigen smarten Assistenten . Dieser experimentelle Ansatz, gefördert vom CMO Craig Brommers, fördert eine KI‑Kultur für Personalisierung im großen Maßstab .

Ergebnisse

  • Zweistellige Conversion-Steigerungen durch KI‑Personalisierung
  • 11% Wachstum der vergleichbaren Verkäufe für die Marke Aerie im Q3 2025
  • 4% Anstieg der gesamten vergleichbaren Verkäufe im Q3 2025
  • 29% EPS‑Wachstum auf $0,53 im Q3 2025
  • Verdoppelte Anprobewahrscheinlichkeit in Ankleidekabinen durch frühe Technik
  • Rekordumsatz im Q3 von $1,36 Mrd.
Fallstudie lesen →

Best Practices

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

Preboarding-Aufgaben in einer von ChatGPT generierten Checkliste zentralisieren

Der erste taktische Schritt besteht darin, verstreute Inputs von HR, IT, Facility Management und Führungskräften in eine einzige, rollenbasierte Checkliste zu überführen, die ChatGPT für jede neue Mitarbeitende auf Abruf generieren kann. Anstatt dass jeder Stakeholder seine eigenen Anweisungen per E-Mail verschickt, liefern sie Aufgaben in ein gemeinsames Aufgabenschema (z. B. Systemzugänge, Verträge, Pflichtschulungen, Introductions).

Richten Sie einen Workflow ein, in dem HR zentrale Attribute eingibt (Rolle, Standort, Seniorität, Vertragstyp) und ChatGPT daraus einen vollständigen Preboarding-Plan sowie eine versandfertige E-Mail-Zusammenfassung erzeugt. Dies kann in Tools wie Teams, Slack oder Ihrem HR-Portal laufen. Eine einfache Prompt-Vorlage könnte so aussehen:

Sie sind ein HR-Preboarding-Assistent.

Ziel: Erstellen Sie eine klare, schrittweise Preboarding-Checkliste für eine neue Mitarbeitende.

Eingaben, die Sie erhalten:
- Stellenbezeichnung
- Abteilung
- Standort
- Vertragstyp (unbefristet, befristet, Praktikant:in usw.)
- Startdatum

Anweisungen:
1. Erstellen Sie eine Checkliste, gruppiert nach Abschnitten: "Vor dem 1. Tag", "Erster Tag", "Erste Woche".
2. Berücksichtigen Sie Aufgaben für HR, IT, Führungskraft und die neue Mitarbeitende. Kennzeichnen Sie jede Aufgabe mit der verantwortlichen Partei.
3. Verwenden Sie klare, freundliche Sprache, geeignet für einen professionellen Onboarding-Kontext.
4. Heben Sie zeitkritische Aufgaben mit Fälligkeitsdaten relativ zum Startdatum hervor.

Geben Sie das Ergebnis in HTML-Aufzählungspunkten zurück, die wir in eine E-Mail oder ein Portal einbetten können.

Erwartetes Ergebnis: Jede neue Mitarbeitende erhält einen einheitlichen, strukturierten Plan statt mehrerer unzusammenhängender Nachrichten, und HR hat eine zentrale Stelle, an der Prozesse angepasst werden können.

Einen Self-Service-Preboarding-FAQ-Assistenten aufbauen

Ein großer Teil des Preboarding-Lärms entsteht durch sich wiederholende Fragen: „Wann bekomme ich meinen Laptop?“, „Wie reiche ich Reisekosten ein?“, „Kann ich vor meinem ersten Tag remote arbeiten?“. Ein ChatGPT-FAQ-Assistent für neue Mitarbeitende kann den Großteil dieser Anfragen abfangen und gleichzeitig konsistente, compliance-konforme Antworten liefern.

Starten Sie, indem Sie bestehende FAQ-Dokumente, Onboarding-Guides und relevante Richtlinienausschnitte aus Ihrem Intranet exportieren. Speisen Sie diese als kuratierten Wissensbestand in ein sicheres ChatGPT-Setup ein (oder via Retrieval-Augmented Generation). Ergänzen Sie diesen durch einen System-Prompt, der Tonalität, Geltungsbereich und Eskalationsregeln festlegt, zum Beispiel:

Sie sind der Preboarding-FAQ-Assistent für <Unternehmen>.

Ihre Aufgabe:
- Beantworten Sie Fragen von neuen Mitarbeitenden zwischen Vertragsunterschrift und den ersten 90 Tagen.
- Nutzen Sie ausschließlich Informationen aus der bereitgestellten Wissensbasis. Wenn Sie unsicher sind, sagen Sie, dass Sie sich nicht sicher sind, und schlagen Sie vor, HR zu kontaktieren.
- Halten Sie Antworten präzise, freundlich und konkret. Bieten Sie, wo möglich, Links zu relevanten internen Seiten an.
- Geben Sie niemals Rechts- oder Steuerberatung; verweisen Sie stattdessen auf offizielle Ressourcen.

Wenn eine Frage außerhalb des Geltungsbereichs liegt (z. B. Gehaltsverhandlungen, Performance-Themen), antworten Sie:
"Dies besprechen Sie am besten direkt mit Ihrem HR-Kontakt oder Ihrer Führungskraft. Ich kann Ihnen helfen, Fragen dafür vorzubereiten, wenn Sie möchten."

Stellen Sie diesen Assistenten über Ihr Onboarding-Portal, einen Teams-Kanal oder E-Mail-basiertes Q&A bereit. Messen Sie die Reduktion wiederkehrender Anfragen an HR und die Zufriedenheit neuer Mitarbeitender.

Personalisierte Willkommens- und Orientierungs-E-Mails automatisieren

Anstatt Willkommens- und Orientierungs-E-Mails manuell zu verfassen, können Sie ChatGPT nutzen, um auf Basis strukturierter Eingaben von Recruiter:innen und Hiring Managern maßgeschneiderte Kommunikation zu generieren. So erhält jede neue Mitarbeitende eine warme, rollenbezogene Begrüßung mit einer Zusammenfassung der Erwartungen – ohne dass HR täglich ähnliche E-Mails neu schreibt.

Erstellen Sie ein einfaches Formular (in Ihrem HRIS, SharePoint oder sogar einer Tabelle), in das der Recruiter Angaben wie Rolle, Team, Name der Führungskraft, erstes Projekt und besondere Hinweise einträgt. Diese Daten fließen in einen ChatGPT-Prompt, der eine ausformulierte E-Mail erzeugt, die HR prüfen oder automatisch versenden kann:

Sie sind eine HR-Kommunikationsspezialist:in.

Erstellen Sie eine personalisierte Preboarding-Willkommens-E-Mail mit den folgenden Daten:
- Vorname der neuen Mitarbeitenden: {{first_name}}
- Rolle: {{role_title}}
- Abteilung: {{department}}
- Name der Führungskraft: {{manager_name}}
- Startdatum: {{start_date}}
- Arbeitsmodell (Office/Remote/Hybrid): {{location_model}}
- Erstes Projekt oder Fokusbereich: {{first_project}}

Anforderungen:
- Beginnen Sie mit einer warmen, authentischen Begrüßung.
- Nennen Sie 3–5 konkrete Erwartungen für die Zeit vor dem ersten Tag und die erste Woche.
- Erwähnen Sie, wer Ansprechpartner:in für HR-Fragen, technische Themen und teambezogene Anliegen ist.
- Ton: professionell, aber menschlich; 250–350 Wörter.

Geben Sie ausschließlich den finalen E-Mail-Text zurück, keine Erklärungen.

Erwartetes Ergebnis: konsistente, hochwertige Preboarding-Kommunikation, geringerer Schreibaufwand für HR und Führungskräfte und ein klareres Bild für neue Mitarbeitende vor ihrem Start.

Intelligente Erinnerungen und Eskalationen für kritische Aufgaben anstoßen

Verpasste Fristen für Verträge, Background-Checks oder Compliance-Trainings entstehen oft, weil niemand sie ganzheitlich im Blick hat. Sie können ChatGPT mit leichter Automatisierung (z. B. Power Automate, Zapier oder dem Workflow-Engine Ihres HRIS) kombinieren, um intelligente Erinnerungen zu versenden und bei Bedarf Themen an HR oder Führungskräfte zu eskalieren.

Definieren Sie, welche Aufgaben zeitkritisch sind (z. B. Vertragsunterschrift 10 Tage vor Start, Gerätebestellung 7 Tage vor Start, Pflichtschulungen in der ersten Woche) und speichern Sie diese als strukturierte Daten, verknüpft mit jeder neuen Mitarbeitenden. Verwenden Sie Automatisierungen, um ChatGPT regelmäßig aufzurufen und kontextbezogene Erinnerungstexte generieren zu lassen. Zum Beispiel:

Sie sind ein HR-Assistent, der beim Preboarding unterstützt.

Aufgabendetails:
- Aufgabenname: {{task_name}}
- Verantwortlich: {{responsible_party}} (neue Mitarbeitende / HR / IT / Führungskraft)
- Fälligkeitsdatum: {{due_date}}
- Status: {{status}}
- Tage bis zum Fälligkeitsdatum: {{days_to_due}}

Wenn der Status "offen" ist und days_to_due <= 5:
- Erstellen Sie eine höfliche Erinnerungs-E-Mail.
- Erklären Sie neuen Mitarbeitenden noch einmal, warum die Aufgabe wichtig ist.
- Halten Sie die E-Mail zwischen 120 und 180 Wörtern.

Wenn days_to_due < 0:
- Erstellen Sie eine kurze Eskalationsnachricht an HR mit Vorschlägen für nächste Schritte.

Erwartetes Ergebnis: weniger Überraschungen in letzter Minute, höhere Einhaltung von Pflichtschritten und weniger manuelles Nachfassen durch HR-Koordinator:innen.

ChatGPT in Ihre Kollaborationstools integrieren, nicht nur in E-Mail

Um fragmentierte Preboarding-Kommunikation wirklich zu reduzieren, sollten Sie den Assistenten in die bereits genutzten Tools bringen – Teams, Slack, Ihr HR-Portal oder Ihr Service-Desk-System – statt eine weitere isolierte App zu schaffen. Neue Mitarbeitende können Fragen stellen, den Status ihrer Checkliste prüfen und Dokumente über eine vertraute Oberfläche abrufen.

Technisch bedeutet das, ChatGPT per API mit Ihrer Kollaborationsplattform zu verbinden und den Funktionsumfang auf Preboarding-bezogene Features zu begrenzen. In Microsoft Teams könnten Sie beispielsweise einen „New@Company“-Kanal anlegen, in dem ein ChatGPT-Bot Folgendes kann:

  • Fragen mithilfe der Preboarding-Wissensbasis beantworten
  • Die personalisierte Checkliste posten, wenn eine neue Mitarbeitende hinzugefügt wird
  • Automatische Updates senden, wenn Schlüsselaufgaben erledigt sind

Kombinieren Sie dies mit rollenbasierten Zugriffsrechten, sodass nur die jeweils relevanten HR-Mitarbeitenden, Führungskräfte und jede neue Mitarbeitende ihre eigenen Informationen sehen.

Die Journey mit Daten und Feedbackschleifen instrumentieren

Sobald Ihr KI-unterstützter Preboarding-Prozess live ist, sollten Sie seine Performance messen. Erfassen Sie einfache Kennzahlen wie: durchschnittliche Zeit von der Vertragsunterschrift bis zur Erledigung der wichtigsten Preboarding-Aufgaben; Anteil neuer Mitarbeitender, die mit vollständigen Systemzugängen starten; Volumen an HR-Tickets rund um Preboarding; und Chatbot-Containment-Rate (Anfragen, die ohne menschliches Eingreifen gelöst werden).

Nutzen Sie ChatGPT selbst, um diese Daten für die HR-Leitung zusammenzufassen. Exportieren Sie beispielsweise wöchentliche Logs aus Ihrem Ticketing- oder Chatsystem und geben Sie ChatGPT den Auftrag, Muster und Verbesserungsansätze zu extrahieren:

Sie unterstützen das HR-Operations-Team.

Sie erhalten wöchentlich Daten zum Preboarding:
- Anzahl neuer Mitarbeitender
- Abschlussquoten für zentrale Aufgaben
- Liste der häufigsten Fragen an den Assistenten
- Manuell bearbeitete Tickets

Analysieren Sie diese Daten und liefern Sie:
1. Eine kurze Zusammenfassung, was gut läuft.
2. 3 konkrete Verbesserungsvorschläge für Inhalte, Prozesse oder Automatisierung.
3. Eventuelle Risiken, die Sie sehen (z. B. wiederkehrende Unklarheit zu einer Richtlinie).

Verwenden Sie Aufzählungspunkte und halten Sie die Gesamtlänge unter 400 Wörtern.

Erwartetes Ergebnis: Innerhalb von 3–6 Monaten sollte HR 20–40 % weniger manuelle Preboarding-E-Mails sehen, einen messbaren Rückgang von Zeitverlust durch fehlende Zugänge am ersten Tag und höhere Zufriedenheitswerte neuer Mitarbeitender hinsichtlich Klarheit und Unterstützung vor dem Start.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

ChatGPT fungiert als zentrale, intelligente Schicht zwischen Ihren HR-Prozessen und der neuen Mitarbeitenden. Anstatt getrennte E-Mails von HR, IT und Führungskräften zu erhalten, interagiert die neue Mitarbeitende mit einem zentralen Preboarding-Assistenten, der:

  • Eine einheitliche Checkliste basierend auf Rolle, Standort und Startdatum generiert
  • Standardfragen mithilfe einer freigegebenen Wissensbasis beantwortet
  • Pünktliche Erinnerungen und Orientierungsnachrichten versendet
  • Nur außergewöhnliche oder sensible Themen zurück an HR routet

Das Ergebnis sind weniger sich überschneidende Nachrichten, klarere Erwartungen für die neue Mitarbeitende und weniger manueller Koordinationsaufwand für HR.

Aus praktischer Sicht benötigen Sie drei Bausteine: strukturierte Preboarding-Inhalte, eine Grundintegration in Ihre bestehenden Tools und klare Governance. HR stellt Aufgaben, Richtlinien und FAQs bereit; IT oder ein Implementierungspartner bindet ChatGPT sicher an Ihr HRIS, Ihre Kollaborationstools oder Ihr Portal an; und Legal/Compliance definiert Regeln für Datenverarbeitung und Freigaben.

Mit einem fokussierten Scope (z. B. ein Land und einige Rollentypen) lässt sich ein erster funktionsfähiger Pilot häufig in 4–8 Wochen aufbauen – abhängig von Ihrer internen Entscheidungsgeschwindigkeit und Ihrer Integrationslandschaft.

Nach unserer Erfahrung mit ähnlichen KI-Workflows in HR und Recruiting zeigt sich der erste Effekt vor allem in reduzierter manueller Arbeit und schnellerer Problemlösung – nicht in sofortigen Einsparungen bei FTEs. In den ersten 3 Monaten eines Piloten sind typische Ergebnisse:

  • 20–40 % weniger wiederkehrende Preboarding-Fragen an HR
  • Höhere Abschlussquoten kritischer Preboarding-Aufgaben vor dem ersten Tag
  • Konsistentere, qualitativ hochwertigere Willkommens- und Orientierungs-Kommunikation

Über 6–12 Monate, wenn Inhalte und Automatisierung verfeinert werden, können Sie Verbesserungen in der Time-to-Productive neuer Mitarbeitender und besseren Werten in Onboarding-Zufriedenheitsumfragen erwarten.

Die Kosten verteilen sich in der Regel auf drei Bereiche: Setup (Konzeption, Integration, Prompt-Design), laufender Betrieb (API-Nutzung, Wartung, Content-Pflege) und interne Aufwände (Zeit von HR, IT, Legal). Für die meisten Organisationen ist das Setup die größte Anfangsinvestition, während die Nutzungskosten für ChatGPT selbst im Vergleich zu HR-Gehältern relativ niedrig bleiben.

Der ROI ergibt sich aus reduzierter manueller Koordination, weniger Onboarding-Fehlern (z. B. fehlende Zugänge am ersten Tag) und besserer Bindung neuer Mitarbeitender durch ein reibungsloseres Erlebnis. Viele Unternehmen berücksichtigen auch vermiedene Opportunitätskosten, wenn Führungskräfte schneller produktive Teammitglieder an Bord haben. Ein klar abgegrenzter Pilot mit definierten KPIs erleichtert es, diese Effekte zu quantifizieren und über weitere Rollouts zu entscheiden.

Reruption vereint KI-Strategie, Engineering und Enablement, um schnell von der Idee zur funktionierenden Lösung zu kommen. Mit unserem 9.900 € KI-PoC können wir in wenigen Wochen validieren, ob ein ChatGPT-basierter Preboarding-Assistent mit Ihren Daten, Tools und Compliance-Anforderungen funktioniert – inklusive Prototyp, Performance-Kennzahlen und Implementierungs-Roadmap.

Über den PoC hinaus bedeutet unser Co-Preneur-Ansatz, dass wir eng mit Ihren HR- und IT-Teams zusammenarbeiten, um Workflows zu gestalten, sichere Integrationen aufzubauen und Ihre Mitarbeitenden zu befähigen, die Lösung zu betreiben und weiterzuentwickeln. Wir bleiben nicht bei Folien stehen, sondern arbeiten mit Ihnen, bis eine reale, messbare Verbesserung der Preboarding-Kommunikation live ist.

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