Die Herausforderung: Fragmentierte Preboarding-Kommunikation

Für viele HR-Teams ist Preboarding still und leise zu einem der chaotischsten Teile der Employee Journey geworden. Neue Mitarbeitende erhalten eine Flut an E-Mails von HR, IT, Führungskräften und teilweise externen Dienstleistern. Anhänge, Links, Formulare und Logins kommen zu unterschiedlichen Zeitpunkten, in unterschiedlichen Formaten und mit sehr unterschiedlicher Klarheit. Anstatt Vorfreude auf den ersten Arbeitstag aufzubauen, erzeugt der Prozess Verwirrung und unnötige Reibung.

Traditionelle Ansätze – E-Mail-Vorlagen, PDF-Willkommenspakete, Checklisten in Tabellen – passen nicht mehr zur Komplexität und Geschwindigkeit moderner Organisationen. Während Tools und Stakeholder immer mehr werden, ist es unrealistisch zu erwarten, dass HR jedes Detail manuell koordiniert und jede Nachricht vollkommen konsistent hält. Selbst mit den besten Absichten werden Informationen dupliziert, veralten oder widersprechen dem, was in Richtlinien und HR-Systemen steht.

Die geschäftlichen Auswirkungen sind real. Wichtige Compliance-Schritte verzögern sich, Hardware ist nicht rechtzeitig bereit, Systemzugänge fehlen am ersten Tag und Führungskräfte starten frustriert statt befähigt. HR Business Partner verbringen Stunden damit, Bestätigungen nachzuverfolgen und wiederkehrende Fragen zu beantworten, anstatt sich auf strategisches Onboarding zu konzentrieren. Neue Mitarbeitende hinterfragen die Professionalität des Unternehmens, bevor sie überhaupt angefangen haben – was frühe Bindung, Time-to-Productivity und letztlich Retention beeinträchtigen kann.

Diese Herausforderung ist sehr real – aber sie ist auch lösbar. Mit KI-Assistenten wie Claude kann HR Richtlinien, Verträge und Onboarding-Schritte in ein einziges kohärentes, dialogorientiertes Erlebnis für jede neue Person bündeln. Bei Reruption sehen wir, wie KI-first-Workflows zerstreute Kommunikation durch geführte, vorhersagbare Journeys ersetzen können. Im weiteren Verlauf dieser Seite finden Sie praktische Hinweise dazu, wie Sie eine solche Lösung in Ihrer HR-Organisation konzipieren, pilotieren und skalieren.

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-Sicht besteht der Schlüssel zur Lösung von fragmentierter Preboarding-Kommunikation darin, Claude als strukturierten HR-Preboarding-Assistenten zu behandeln – nicht nur als weiteren Chatbot. Auf Basis unserer praktischen Erfahrung beim Aufbau von KI-Automatisierung und HR-Assistenten für Enterprise-Umgebungen liegt die Chance darin, Claude in Ihren bestehenden HR-Stack einzubetten, sodass jede neue Person dieselbe präzise und regelkonforme Guidance über E-Mail, Slack oder Ihr HR-Portal erhält.

Beginnen Sie mit einem klaren Preboarding-Blueprint, bevor Sie KI hinzufügen

Claude ist nur so gut wie die Preboarding-Journey, deren Orchestrierung Sie ihm übertragen. Bevor Sie über Prompts oder Integrationen nachdenken, sollte HR sich mit IT, Legal und zentralen Business-Stakeholdern auf einen einheitlichen, durchgängigen Preboarding-Blueprint einigen: Welche Informationen müssen versendet werden? Welche Aufgaben müssen von wem bis wann erledigt werden?

Visualisieren Sie dies: Richtlinienbestätigungen, Vertragsunterzeichnung, Einwilligung zum Datenschutz, Beschaffung von Equipment, Systemzugänge, verpflichtende Trainings und Kontaktpunkte mit Führungskräften. Dieser Blueprint wird zum Rückgrat Ihres KI-gestützten Preboarding-Assistenten. Bei Reruption überführen wir dies häufig in ein strukturiertes Schema (Schritte, Verantwortliche, Abhängigkeiten), das Claude nutzen kann, um für jede Rolle, jeden Standort oder Vertragstyp maßgeschneiderte Guidance zu generieren.

Positionieren Sie Claude als föderierte Schicht über bestehenden HR-Systemen

Ein häufiger strategischer Fehler besteht darin, alle bestehenden HR-Tools durch eine einzige KI-Oberfläche ersetzen zu wollen. Denken Sie stattdessen an Claude als föderierte Schicht, die Informationen aus HRIS, LMS, ITSM und Richtlinien-Repositories bündelt und in eine einzige, leicht verständliche Konversation für neue Mitarbeitende übersetzt. Die Systeme bleiben die Source of Truth; Claude wird zum Koordinator und Erklärer.

Strategisch bedeutet dies, Claude so zu gestalten, dass er kritische Daten und Richtlinien nach Möglichkeit referenziert statt kopiert. Links, Zusammenfassungen und Schritt-für-Schritt-Guidance sollten immer im zugrunde liegenden System verankert sein. Das reduziert Compliance-Risiken, vermeidet Data Drift und erleichtert die Wartung der Lösung, wenn sich Prozesse ändern.

Definieren Sie Guardrails und Compliance-Regeln im Voraus

Bei der Nutzung von Claude für HR-Kommunikation, insbesondere im Preboarding, zählen Compliance und Konsistenz mehr als Kreativität. Ihre Strategie sollte klare Guardrails enthalten: Zu welchen Themen Claude eigenständig antworten darf, wo er wörtlich aus freigegebenen Richtlinien zitieren muss und welche Fragen an HR oder Legal eskaliert werden müssen.

Wir empfehlen, diese Regeln im System-Prompt und in der Orchestrierungsschicht zu kodifizieren. Beispielsweise dürfen Vergütungsdetails oder sensible Vertragsklauseln nur anhand des exakten Vertragstextes wiedergegeben werden. Dieser Ansatz hält Antworten konsistent, reduziert rechtliche Risiken und schafft intern Vertrauen, dass KI keine „HR-Regeln erfindet“.

Bereiten Sie HR und Führungskräfte auf ein neues Kollaborationsmodell mit KI vor

Wenn Sie Claude als Preboarding-Assistenten einsetzen, verändert das die Arbeitsweise von HR Business Partnern, Recruiter:innen und Hiring Manager:innen. Strategisch sollten Sie dies als Change-Initiative verstehen, nicht als Tool-Rollout. Klären Sie, wer für die Pflege der Inhalte verantwortlich ist, die Claude nutzt, wer Konversationen auf Sonderfälle überwacht und wie Führungskräfte mit dem System interagieren sollen.

Die besten Ergebnisse sehen wir oft, wenn HR Claude als Teammitglied versteht, das die „Fleißarbeit“ übernimmt: das Formulieren von Kommunikation, das Erinnern neuer Mitarbeitender an Aufgaben und das Beantworten von FAQs. HR konzentriert sich dann auf die menschlichen Momente – Willkommensgespräche, Coaching von Führungskräften und persönliche Check-ins. Machen Sie diesen Shift explizit, um Ängste vor Ersatz abzubauen und HR aktiv in die Weiterentwicklung des Assistenten einzubinden.

Pilotieren Sie fokussiert, messen Sie konsequent und skalieren Sie dann über Rollen und Regionen

Strategisch ist der sicherste und schnellste Weg, KI im HR-Onboarding einzuführen, ein enger, aber geschäftlich relevanter Ausschnitt der Preboarding-Journey. Konzentrieren Sie sich beispielsweise auf eine Region, einen Beschäftigungstyp (z. B. Vollzeit-Bürostellen) und den Zeitraum von der Vertragsunterschrift bis zum ersten Arbeitstag.

Definieren Sie konkrete Erfolgskennzahlen: Reduktion der HR-Kontaktpunkte pro Hire, Abschlussquoten von Preboarding-Aufgaben, Time-to-Access am ersten Tag sowie NPS- oder Zufriedenheitswerte neuer Mitarbeitender. In unseren Projekten nutzen wir diese Signale, um Prompts, Workflows und Integrationen zu iterieren, bevor wir auf weitere Rollen, Geschäftseinheiten oder Länder ausrollen. Dieser „Pilotieren, Messen, Skalieren“-Ansatz begrenzt Risiken und schafft eine solide interne Grundlage für eine breitere Einführung.

Mit dem richtigen Blueprint, klaren Guardrails und aktivem Change Management kann Claude fragmentiertes Preboarding in ein geführtes, vorhersagbares Erlebnis für jede neue Person und jedes HR-Team verwandeln. Reruption bringt die Kombination aus tiefem KI-Engineering-Know-how und Verständnis für HR-Prozesse mit, die benötigt wird, um von der Idee zu einem funktionierenden Preboarding-Assistenten zu gelangen, der wirklich zu Ihrer Umgebung passt. Wenn Sie diesen Schritt erwägen, unterstützen wir Sie gerne mit einem fokussierten Proof of Concept und zeigen, wie eine solche Lösung in Ihrem Kontext aussehen könnte.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

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

Commonwealth Bank of Australia (CBA)

Bankwesen

Als Australiens größte Bank sah sich CBA zunehmenden Betrugs- und Scam-Bedrohungen gegenüber, wobei Kunden erhebliche finanzielle Verluste erlitten. Betrüger nutzten schnelle digitale Zahlungen wie PayID aus, bei denen nicht übereinstimmende Empfängernamen zu unumkehrbaren Überweisungen führten. Traditionelle Erkennungssysteme hinkten hinter komplexen Angriffen her, was zu hohem Kundenschaden und regulatorischem Druck führte. Parallel dazu waren die Contact Center überlastet und bearbeiteten Millionen von Anfragen zu Betrugswarnungen und Transaktionen. Das führte zu langen Wartezeiten, steigenden Betriebskosten und angespannten Ressourcen. CBA benötigte proaktive, skalierbare KI, um in Echtzeit einzugreifen und gleichzeitig die Abhängigkeit von menschlichen Agenten zu reduzieren.

Lösung

CBA setzte einen hybriden KI-Stack ein, der Maschinelles Lernen zur Anomalieerkennung und generative KI für personalisierte Warnungen kombiniert. NameCheck überprüft Empfängernamen gegen PayID in Echtzeit und warnt Nutzer bei Abweichungen. CallerCheck authentifiziert eingehende Anrufe und blockiert Nachahmungs-Betrugsversuche. In Partnerschaft mit H2O.ai implementierte CBA von GenAI angetriebene prädiktive Modelle zur Scam-Intelligence. Ein KI-virtueller Assistent in der CommBank-App bearbeitet Routineanfragen, generiert natürliche Antworten und eskaliert komplexe Fälle. Die Integration mit Apate.ai liefert nahezu in Echtzeit Scam-Intelligence und verbessert das proaktive Blockieren über alle Kanäle hinweg.

Ergebnisse

  • 70 % Reduktion der Betrugsverluste
  • 50 % Verringerung der Kundenschäden durch Betrug bis 2024
  • 30 % Rückgang der Betrugsfälle durch proaktive Warnungen
  • 40 % Reduktion der Wartezeiten im Contact Center
  • 95 %+ Genauigkeit bei NameCheck-Empfängerabgleichen
Fallstudie lesen →

Maersk

Seelogistik

In der anspruchsvollen Welt der Seelogistik sah sich Maersk, das weltweit größte Containerreederei-Unternehmen, mit erheblichen Problemen durch unerwartete Motorausfälle konfrontiert. Diese Ausfälle, häufig verursacht durch Verschleiß an kritischen Komponenten wie Zweitakt‑Dieselmotoren unter konstant hoher Belastung, führten zu kostspieligen Verzögerungen, Notreparaturen und mehrmillionenschweren Verlusten durch Ausfallzeiten. Bei einer Flotte von über 700 Schiffen, die weltweite Routen befahren, kann bereits ein einzelner Ausfall Lieferketten stören, die Kraftstoffeffizienz verringern und die Emissionen erhöhen . Suboptimale Schiffsoperationen verschärften das Problem. Traditionelle Festgeschwindigkeitsrouten ignorierten Echtzeitfaktoren wie Wetter, Strömungen und Motorkondition, was zu übermäßigem Kraftstoffverbrauch führte — der bis zu 50% der Betriebskosten ausmachen kann — und zu höheren CO2‑Emissionen. Verzögerungen durch Ausfälle dauerten im Schnitt Tage pro Vorfall und verstärkten logistische Engpässe in einer Branche, in der Zuverlässigkeit oberste Priorität hat .

Lösung

Maersk ging diese Probleme mit Maschinellem Lernen (ML) für vorausschauende Wartung und Optimierung an. Durch die Analyse großer Datensätze aus Motorsensoren, AIS (Automatic Identification System) und meteorologischen Daten sagen ML‑Modelle Ausfälle Tage bis Wochen im Voraus voraus und ermöglichen proaktive Eingriffe. Dies wird mit Algorithmen zur Routen‑ und Geschwindigkeitsoptimierung verknüpft, die Fahrten dynamisch für Kraftstoffeffizienz anpassen . Die Implementierung erfolgte in Partnerschaft mit Technologieführern wie Wärtsilä für Flottenlösungen und der internen digitalen Transformation, wobei MLOps für skalierbare Bereitstellung über die gesamte Flotte genutzt wurde. KI‑Dashboards liefern Echtzeit‑Einblicke für Besatzungen und Landteams und verlagern den Betrieb vom Reaktiven zum Vorausschauenden .

Ergebnisse

  • Kraftstoffverbrauch um 5–10% reduziert durch KI‑basierte Routenoptimierung
  • Ungeplante Motor‑Ausfallzeiten um 20–30% verringert
  • Wartungskosten um 15–25% gesenkt
  • Betriebliche Effizienz um 10–15% verbessert
  • CO2‑Emissionen um bis zu 8% reduziert
  • Vorhersagegenauigkeit für Ausfälle: 85–95%
Fallstudie lesen →

Mayo Clinic

Gesundheitswesen

Als führendes akademisches medizinisches Zentrum verwaltet die Mayo Clinic jährlich Millionen von Patientenakten, doch die früherkennung von Herzinsuffizienz bleibt schwierig. Traditionelle Echokardiographie erkennt niedrige linksventrikuläre Ejektionsfraktionen (LVEF <50%) meist erst bei Symptomen und übersieht asymptomatische Fälle, die bis zu 50 % des Herzinsuffizienzrisikos ausmachen können. Kliniker kämpfen mit umfangreichen unstrukturierten Daten, was die Gewinnung patientenspezifischer Erkenntnisse verlangsamt und Entscheidungen in der kardiologischen Spitzenmedizin verzögert. Zudem verschärfen Personalengpässe und steigende Kosten die Lage; kardiovaskuläre Erkrankungen verursachen weltweit 17,9 Mio. Todesfälle pro Jahr. Manuelle EKG-Interpretation übersieht subtile Muster, die auf niedrige LVEF hinweisen, und das Durchsuchen elektronischer Gesundheitsakten (EHRs) dauert Stunden, was die personalisierte Medizin behindert. Mayo benötigte skalierbare KI, um reaktive Versorgung in proaktive Vorhersage zu verwandeln.

Lösung

Die Mayo Clinic setzte einen Deep-Learning-EKG-Algorithmus ein, der auf über 1 Million EKGs trainiert wurde und niedrige LVEF aus routinemäßigen 10-Sekunden-Ableitungen mit hoher Genauigkeit identifiziert. Dieses ML-Modell extrahiert Merkmale, die für Menschen nicht sichtbar sind, und wurde intern sowie extern validiert. Parallel dazu beschleunigt ein generatives KI-Suchtool in Partnerschaft mit Google Cloud EHR-Abfragen. Eingeführt 2023, nutzt es Large Language Models (LLMs) für natürliche Sprachsuche und liefert klinische Erkenntnisse sofort. Integriert in die Mayo Clinic Platform, unterstützt es über 200 KI-Initiativen. Diese Lösungen überwinden Datensilos durch föderiertes Lernen und eine sichere Cloud-Infrastruktur.

Ergebnisse

  • EKG-KI AUC: 0,93 (intern), 0,92 (externe Validierung)
  • Sensitivität bei Niedriger EF: 82 % bei 90 % Spezifität
  • Erkannte asymptomatische niedrige EF: 1,5 % Prävalenz in der gescreenten Population
  • GenAI-Suche Geschwindigkeit: 40 % Reduktion der Abfragezeit für Kliniker
  • Modell trainiert auf: 1,1 Mio. EKGs von 44.000 Patienten
  • Einsatzreichweite: Seit 2021 in kardiologischen Workflows der Mayo integriert
Fallstudie lesen →

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 →

Best Practices

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

Verwandeln Sie Ihre Preboarding-Checkliste in eine strukturierte Wissensbasis für Claude

Bevor Claude neue Mitarbeitende führen kann, benötigt er eine saubere, strukturierte Sicht darauf, was Preboarding tatsächlich umfasst. Beginnen Sie damit, alle bestehenden Checklisten, E-Mail-Vorlagen und PDFs zu einer kanonischen Preboarding-Checkliste pro Rolle oder Mitarbeitersegment (z. B. Büro vs. Produktion, Praktikant:in vs. unbefristet) zu konsolidieren.

Überführen Sie diese in ein strukturiertes Format (JSON, Tabelle oder Datenbank) mit Feldern wie: Schrittname, Beschreibung, Verantwortliche:r (HR, IT, Führungskraft, neue Person), Fälligkeitsdatum relativ zum Startdatum, Abhängigkeiten und Quellsystem. Ihre Integrationsschicht kann diese Informationen an Claude übergeben, sobald eine neue Person in Ihrem HRIS angelegt wird, sodass der Assistent genau weiß, welche Schritte gelten, und sie konversational erklären kann.

Beispiel für ein System-Prompt-Skelett für Claude:
Sie sind ein HR-Preboarding-Assistent.
Sie erhalten eine strukturierte Liste mit erforderlichen Schritten für diese neue Person.
Für jeden Schritt werden Sie:
- In einfacher Sprache erklären, was zu tun ist und warum
- Klare Fälligkeiten oder Zeiträume angeben
- Nach Möglichkeit auf das richtige System oder Dokument verlinken
- Um Bestätigung bitten, sobald die Person den Schritt abgeschlossen hat
Verwenden Sie nur Informationen aus der bereitgestellten Checkliste und freigegebenen Richtlinientexten.

Dieser Ansatz stellt sicher, dass Claudes Guidance direkt mit dem realen Prozess verknüpft ist und reduziert das Risiko veralteter oder inkonsistenter Informationen.

Personalisierte Preboarding-Guides in E-Mail, Slack oder MS Teams automatisieren

Sobald Sie strukturierte Schritte definiert haben, nutzen Sie Claude, um eine personalisierte Preboarding-Übersicht für jede neue Person zu generieren und in ihren bevorzugten Kanal zu pushen. Lösen Sie zum Beispiel nach Vertragsunterzeichnung im HRIS einen Workflow aus, der Claude Rolle, Standort und Startdatum der Person sowie die relevante Checkliste übergibt und daraufhin maßgeschneiderten Text zurückerhält.

Beispiel-Prompt für die Erstellung einer personalisierten Preboarding-Zusammenfassung:
Sie erstellen eine Willkommens-E-Mail für eine neue Mitarbeiterin bzw. einen neuen Mitarbeiter.
Eingaben:
- Rolle: <ROLLE>
- Standort: <LAND/STADT>
- Startdatum: <DATUM>
- Preboarding-Schritte: <STRUKTURIERTE_LISTE>
Aufgabe:
- Schreiben Sie eine freundliche, aber prägnante Willkommens-E-Mail.
- Fassen Sie die 3–5 wichtigsten Aufgaben zusammen, die vor dem ersten Arbeitstag erledigt werden müssen.
- Fügen Sie eine Aufzählungsliste mit Links für jeden Schritt hinzu.
- Heben Sie rechtliche oder compliance-relevante Schritte mit klaren Fristen hervor.

Integrieren Sie dies in Ihr E-Mail-System oder Ihre Kollaborationstools (Slack, MS Teams), sodass HR nur noch prüfen und bei Bedarf auf „Senden“ klicken muss – oder den Prozess für risikoarme Segmente wie Praktika oder Standard-Bürostellen sogar vollständig automatisiert ausführen kann.

Nutzten Sie Claude als Self-Service-FAQ-Assistenten für Preboarding-Fragen

Neue Mitarbeitende stellen häufig ähnliche Fragen: Dresscode, Parkmöglichkeiten, Regeln für Remote Work, Ausstattung, Ablauf des ersten Tages. Anstatt diese manuell zu beantworten, richten Sie Claude als Preboarding-FAQ-Assistenten ein, eingebettet in Ihr Intranet oder HR-Portal. Speisen Sie ihn mit freigegebenen Richtlinientexten, Standortinformationen und Benefit-Übersichten und beschränken Sie ihn auf diese Quellen.

Beispiel für einen System-Prompt für einen FAQ-Assistenten:
Sie sind ein HR-Preboarding-FAQ-Assistent.
Ihr Wissen ist auf die folgenden Dokumente beschränkt:
- Mitarbeiterhandbuch (vX.X)
- Reise- und Spesenrichtlinie
- Remote-Work-Richtlinie
- <OFFICE_NAME>-Office-Guide
Anweisungen:
- Antworten Sie ausschließlich mit Informationen aus diesen Dokumenten.
- Wenn Informationen nicht verfügbar sind, sagen Sie: "Ich habe dazu keine Information. Ich verbinde Sie mit HR."
- Geben Sie kurze, klare Antworten und verlinken Sie nach Möglichkeit auf die relevante Stelle.

Leiten Sie unbeantwortete oder sensible Fragen per Ticket oder E-Mail an HR weiter, damit das Team die Wissensbasis schrittweise erweitert und die manuelle Arbeitslast mit jeder Iteration sinkt.

Aufgaben zwischen neuer Person, HR, IT und Führungskraft mit smarten Erinnerungen koordinieren

Fragmentierung betrifft nicht nur Informationen, sondern auch die Umsetzung. Nutzen Sie Claude, um klare, rollenspezifische Aufgabenlisten und Erinnerungen für alle Stakeholder zu generieren. Sobald eine neue Person angelegt ist, kann Ihr Workflow Claude beispielsweise bitten, Aufgaben für IT (Laptop, Accounts), die Führungskraft (Agenda für die erste Woche, Teamvorstellung) und die neue Person (Dokumentenuploads, Pflichttrainings) zu entwerfen.

Beispiel-Prompt für die Generierung von Stakeholder-Aufgaben:
Sie erhalten:
- Profil der neuen Person (Rolle, Bereich, Seniorität, Standort)
- Preboarding-Schritte mit Verantwortlichen
Aufgabe:
- Fassen Sie für jede:n Verantwortliche:n (HR, IT, Führungskraft, neue Person) die Aufgaben in einer umsetzbaren Liste zusammen.
- Geben Sie für jede Aufgabe an: Beschreibung, Fälligkeitsdatum und in einem Satz „warum das wichtig ist“.
- Geben Sie das Ergebnis in einem strukturierten Format aus, das in Aufgaben überführt werden kann (z. B. für Jira, Asana oder Outlook).

Diese Aufgaben können dann in Ihre bestehenden Aufgaben- oder Ticketingsysteme übertragen werden. Der Mehrwert von Claude besteht hier darin, eine lange Checkliste in verständliche, zielgruppengerechte Aktionen zu übersetzen und so Rückfragen und übersehene Verantwortlichkeiten zu reduzieren.

Rollenbezogene Lern- und Orientierungspfade vor dem ersten Tag generieren

Preboarding ist ein idealer Zeitpunkt, um mit Lernen und Orientierung zu beginnen – aber generische Content-Fluten wirken schnell überfordernd. Nutzen Sie Claude, um einen kurzen, fokussierten Learning Path basierend auf Rolle, Seniorität und Business Unit zusammenzustellen und dabei auf Ihr bestehendes LMS, Ihre Wissensbasis und Aufzeichnungen zurückzugreifen.

Beispiel-Prompt für die Erstellung eines Learning Paths:
Sie erstellen einen Lernpfad vor dem Start für eine neue Mitarbeiterin bzw. einen neuen Mitarbeiter.
Eingaben:
- Rolle: <ROLLE>
- Seniorität: <LEVEL>
- Bereich: <BEREICH>
- Verfügbare Ressourcen: <LISTE_VON_INHALTEN_MIT_TAGS>
Aufgabe:
- Wählen Sie 3–7 Ressourcen aus, die helfen, Unternehmen, Team und Tools zu verstehen.
- Begrenzen Sie die gesamte erwartete Zeit auf <X> Stunden.
- Geben Sie eine nummerierte Liste mit Titel, Link und Begründung der Relevanz aus.

Teilen Sie diesen Pfad als Teil der Preboarding-E-Mail oder auf der Portal-Seite. Das erhöht die Engagement-Rate neuer Mitarbeitender und hilft ihnen, am ersten Tag bereits mit Kontext zu starten.

Preboarding-Gesundheit mit KI-generierten Dashboards und Alerts monitoren

Nutzen Sie schließlich Claude, um Rohdaten aus dem Preboarding in umsetzbare Insights für HR zu verwandeln. Exportieren Sie Daten zu Aufgabenabschluss, Antwortzeiten und häufigen FAQ-Themen aus Ihren Systemen und lassen Sie Claude Risiken und Muster hervorheben.

Beispiel-Prompt für Insights und Alerts:
Sie erhalten anonymisierte Daten zu Preboarding-Aufgaben der letzten 60 Tage:
- Status und Datum des Abschlusses
- Rolle, Bereich, Region
- Anzahl und Art der FAQ-Fragen pro Person
Aufgabe:
- Identifizieren Sie Engpässe und wiederkehrende Probleme.
- Markieren Sie compliance-kritische Schritte, die häufig verspätet abgeschlossen werden.
- Schlagen Sie 3 konkrete Prozessverbesserungen vor.
- Formulieren Sie eine kurze Zusammenfassung zur "Preboarding-Gesundheit" für die HR-Leitung.

Durch die regelmäßige Überprüfung dieser Zusammenfassungen kann HR Schwachstellen im Preboarding-Prozess proaktiv beheben, statt erst zu reagieren, wenn Probleme am ersten Arbeitstag sichtbar werden.

Schrittweise umgesetzt können diese Best Practices den manuellen HR-Nachfassaufwand realistisch um 30–50 % senken, die fristgerechte Erledigung kritischer Preboarding-Aufgaben erhöhen und die Zufriedenheit neuer Mitarbeitender in der Preboarding-Phase verbessern – und das alles, ohne Ihre bestehenden HR-Systeme zu ersetzen.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

Claude agiert als einheitlicher, konsistenter HR-Preboarding-Assistent, der über Ihren bestehenden HR-Tools liegt. Anstatt dass HR, IT und Führungskräfte separate E-Mails und PDFs verschicken, nutzt Claude eine strukturierte Preboarding-Checkliste, um für neue Mitarbeitende einen kohärenten Guidance-Flow zu erstellen.

Er kann alle Aufgaben zusammenfassen, erklären, warum jeder Schritt wichtig ist, auf die richtigen Systeme verlinken und Standard-Preboarding-FAQs beantworten. Das reduziert überlappende Nachrichten, verringert Verwirrung bei neuen Mitarbeitenden und spart HR wertvolle Zeit, die bisher in manuelle Nachfassaktionen geflossen ist.

Praktisch benötigen Sie drei zentrale Bausteine: eine klare Definition Ihres Preboarding-Prozesses, Zugriff auf Ihre Kern-HR-Systeme (HRIS, LMS, Ticketing/ITSM) und eine technische Integrationsschicht, die Claude mit diesen Systemen verbindet.

Auf der Kompetenzseite brauchen Sie Prozessverantwortliche aus HR, eine:n IT- oder HRIS-Admin sowie jemand mit Erfahrung in KI-Orchestrierung und Prompt-Design. Reruption unterstützt Kund:innen typischerweise dabei, den Preboarding-Blueprint zu strukturieren, robuste Prompts und Guardrails zu entwerfen und die technische Brücke zwischen Claude und Ihren bestehenden Tools zu bauen.

Für einen fokussierten Pilot, der eine bestimmte Rolle oder Region abdeckt, können Organisationen häufig innerhalb von 6–8 Wochen messbare Ergebnisse sehen. Die ersten 2–3 Wochen werden in der Regel für die Konsolidierung der Preboarding-Schritte, die Definition von Guardrails sowie das Design erster Prompts und Workflows genutzt.

In den darauffolgenden Wochen wird Claude mit Ihren HR-Systemen integriert, mit einer kleinen Gruppe neuer Mitarbeitender getestet und auf Basis des Feedbacks iteriert. Verbesserungen wie weniger HR-E-Mails pro Hire, höhere Abschlussquoten bei Aufgaben und besseres Feedback neuer Mitarbeitender zeigen sich meist schon in den ersten ein bis zwei Onboarding-Zyklen.

Der größte Teil des ROI entsteht durch weniger manuelle Arbeit für HR und hochwertigere Erlebnisse für neue Mitarbeitende. Durch die Zentralisierung der Kommunikation und die Automatisierung von FAQs und Erinnerungen sehen Unternehmen häufig eine Reduktion manueller Preboarding-Kontaktpunkte pro Hire um 30–50 %.

Darüber hinaus sinkt das Risiko verpasster Compliance-Schritte, die Day-one-Readiness (Systemzugänge, Ausstattung) verbessert sich und die frühe Bindung wird gestärkt – mit positivem Effekt auf Retention. Entscheidend ist, Kennzahlen wie HR-Aufwand pro Hire, Preboarding-Abschlussquoten und NPS neuer Mitarbeitender vor und nach der Implementierung zu tracken, um den Impact in Ihrem Kontext zu quantifizieren.

Reruption verbindet tiefgreifendes KI-Engineering mit einem pragmatischen Verständnis von HR-Prozessen. Typischerweise starten wir mit einem fokussierten KI-PoC für 9.900 €, um zu beweisen, dass Ihr spezifischer Preboarding-Use-Case End-to-End funktioniert – von strukturierten Checklisten über Claude-Prompts bis hin zu realen Interaktionen mit Testnutzer:innen.

Mit unserem Co-Preneur-Ansatz schreiben wir nicht nur Konzepte – wir arbeiten eng mit Ihrem Team, challengen Annahmen und bauen einen funktionierenden Assistenten, der sich in Ihren HR-Stack integriert. Nach dem PoC können wir Sie dabei unterstützen, die Lösung zu härten, auf weitere Rollen oder Regionen auszuweiten und Ihre HR- und IT-Teams zu befähigen, den Assistenten langfristig selbst zu betreiben und weiterzuentwickeln.

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