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 Fintech bis Fertigung: Erfahren Sie, wie Unternehmen Claude erfolgreich einsetzen.

Revolut

Fintech

Revolut sah sich einem zunehmenden Authorized Push Payment (APP)-Betrug gegenüber, bei dem Betrüger Kunden psychologisch manipulieren, damit diese Überweisungen an betrügerische Konten autorisieren – oft unter dem Vorwand von Anlageangeboten. Traditionelle regelbasierte Systeme kamen gegen ausgefeilte Social-Engineering-Taktiken kaum an, was trotz Revoluts schnellem Wachstum auf über 35 Millionen Kunden weltweit zu erheblichen finanziellen Verlusten führte. Der Anstieg digitaler Zahlungen verstärkte Verwundbarkeiten, da Betrüger Echtzeit-Überweisungen ausnutzten, die herkömmliche Kontrollen umgingen. APP-Betrügereien entzogen sich der Erkennung, indem sie legitimes Verhalten nachahmten, was weltweit zu jährlichen Milliardenverlusten führte und das Vertrauen in Fintech-Plattformen wie Revolut untergrub. Es bestand dringender Bedarf an intelligenter, adaptiver Anomalieerkennung, die eingreift, bevor Gelder freigegeben werden.

Lösung

Revolut führte eine KI-gestützte Betrugsabwehrfunktion ein, die maschinelles Lernen zur Anomalieerkennung verwendet, um Transaktionen und Nutzerverhalten in Echtzeit zu überwachen. Das System analysiert Muster, die auf Betrug hindeuten – etwa ungewöhnliche Zahlungsaufforderungen im Zusammenhang mit Anlageködern – und greift ein, indem es Nutzer warnt oder verdächtige Aktionen blockiert. Durch den Einsatz von überwachten und unüberwachten ML-Algorithmen erkennt es Abweichungen vom normalen Verhalten in risikoreichen Momenten und "bricht den Zauber" der Betrüger, bevor eine Autorisierung erfolgt. In die App integriert, verarbeitet es große Mengen an Transaktionsdaten für proaktive Betrugsprävention, ohne legitime Zahlungsflüsse zu stören.

Ergebnisse

  • 30% Reduktion der Betrugsverluste bei APP-bezogenen Kartenbetrugsfällen
  • Gezielte Bekämpfung von Anlagebetrugsversuchen
  • Echtzeit-Interventionen während der Testphase
  • Schützt 35 Millionen globale Kunden
  • Eingesetzt seit Februar 2024
Fallstudie lesen →

Royal Bank of Canada (RBC)

Finanzdienstleistungen

RBC‑Kunden sahen sich erheblichen Problemen bei der Verwaltung ihrer persönlichen Finanzen gegenüber, insbesondere beim Sparen von Kleingeld, klugen Investitionen und Einhalten des Budgets. Traditionelle Banktools boten allgemeine Ratschläge, die individuelle Ausgabemuster nicht berücksichtigten, was zu suboptimalen Finanzentscheidungen und geringer Nutzung von Sparprodukten führte. Viele Kunden kämpften mit unregelmäßigen Cashflows, Impulsausgaben und fehlender Sichtbarkeit künftiger Ausgaben, was zu niedrigeren Sparquoten und verpassten Investitionschancen führte. Als der Wettbewerb im Privatkundengeschäft zunahm, erkannte RBC die Notwendigkeit für hyper‑personalisierte Einsichten, um Kundenloyalität aufzubauen und Wachstum zu fördern. Ohne fortgeschrittene Analytik fehlten proaktive Anstöße wie das Aufrunden von Käufen zum Sparen oder die Vorhersage von Liquiditätsengpässen, was besonders nach der Pandemie finanziellen Stress verstärkte.

Lösung

RBC führte NOMI ein, einen KI‑gesteuerten Finanzassistenten in der mobilen Banking‑App, der maschinelles Lernen nutzt, um Transaktionsdaten zu analysieren, Ausgaben zu kategorisieren und maßgeschneiderte Empfehlungen zu liefern. Funktionen wie NOMI Insights beleuchten Ausgabentrends, NOMI Budgets generieren automatisch personalisierte Budgets und NOMI Find & Save identifiziert Kleingeld‑Potentiale für automatische Überweisungen auf verzinste Sparkonten oder in Investments. Über RBC Borealis, das KI‑Innovationszentrum der Bank, wurde NOMI skaliert und auf robuste Datenplattformen gestellt, die Datenschutz und Genauigkeit gewährleisten. Diese ML‑Personalisierungs‑Engine verarbeitet umfangreiche Datensätze in Echtzeit und bietet Anstöße wie 'Überweise 25 $ Kleingeld in ein GIC' oder 'Passe das Essensbudget um 15 % an', wodurch Nutzer umsetzbare, kontextbezogene Ratschläge erhalten.

Ergebnisse

  • 700 Mio. $–1 Mrd. $ Unternehmenswert durch KI‑Investitionen bis 2027
  • Top‑3 Platzierung in der globalen KI‑Reife unter Banken
  • Über 98.000 Mitarbeitende, die KI in den Betriebsprozessen nutzen
  • 57 Mrd. $ Jahresumsatz mit KI‑getriebenem Wachstum
  • Millionen NOMI‑Nutzer mit verbesserten Sparquoten
  • 20–30% Zuwachs bei Sparbeiträgen durch gezielte Anstöße
Fallstudie lesen →

Cleveland Clinic

Gesundheitswesen

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

Lösung

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

Ergebnisse

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

UC San Diego Health

Gesundheitswesen

Sepsis, eine lebensbedrohliche Erkrankung, stellt in Notaufnahmen eine große Gefahr dar, da verzögerte Erkennung zu hohen Sterblichkeitsraten führt – in schweren Fällen bis zu 20–30 %. Bei UC San Diego Health, einem akademischen Medizinzentrum mit über 1 Million Patientenbesuchen jährlich, erschwerten unspezifische Frühsymptome rechtzeitige Interventionen und verschlechterten die Ergebnisse in stark ausgelasteten Notaufnahmen . Eine randomisierte Studie unterstrich die Notwendigkeit proaktiver Werkzeuge jenseits traditioneller Scores wie qSOFA. Das Kapazitätsmanagement und der Patientenfluss standen nach COVID weiter unter Druck: Bettenknappheit führte zu verlängerten Aufnahmewartezeiten und Verzögerungen bei Verlegungen. Die Ausbalancierung von elektiven Eingriffen, Notfällen und Entlassungen erforderte Echtzeiteinblicke . Die sichere Integration generativer KI, etwa GPT-4 in Epic, barg Risiken wie Datenschutzverletzungen und ungenaue klinische Empfehlungen . Diese Herausforderungen verlangten skalierbare KI-Lösungen zur Vorhersage von Risiken, zur Straffung der Abläufe und zur verantwortungsvollen Einführung neuer Technologien, ohne die Versorgungsqualität zu gefährden.

Lösung

UC San Diego Health implementierte COMPOSER, ein Deep-Learning-Modell, das auf elektronischen Gesundheitsakten trainiert wurde, um das Sepsisrisiko 6–12 Stunden im Voraus vorherzusagen und Epic Best Practice Advisory (BPA)-Alarme für Pflegekräfte auszulösen . Dieser quasi-experimentelle Ansatz in zwei Notaufnahmen integrierte sich nahtlos in Arbeitsabläufe. Mission Control, ein KI-gestütztes Operations-Kommandozentrum, finanziert durch eine Investition von 22 Mio. USD, nutzt prädiktive Analytik für Echtzeit-Bettenzuweisungen, Verlegungen und Kapazitätsprognosen und reduziert so Engpässe . Unter der Leitung des Chief Health AI Officer Karandeep Singh werden Daten aus Epic für ganzheitliche Transparenz genutzt. Für generative KI werden Pilotprojekte mit Epic GPT-4 durchgeführt, die NLP-Abfragen und automatisierte Patientenantworten ermöglichen; diese stehen unter strengen Sicherheitsprotokollen, um Halluzinationen zu minimieren und HIPAA-Konformität zu gewährleisten . Die mehrgleisige Strategie adressierte Erkennung, Ablaufsteuerung und Innovationsintegration.

Ergebnisse

  • Sepsis-In-Hospital-Sterblichkeit: 17 % Reduktion
  • Jährlich gerettete Leben: 50 in zwei Notaufnahmen
  • Einhaltung des Sepsis-Bundles: deutliche Verbesserung
  • 72‑Stunden‑SOFA-Verlauf: reduzierte Verschlechterung
  • Intensivstationskontakte: Rückgang nach Implementierung
  • Patientendurchsatz: verbessert durch Mission Control
Fallstudie lesen →

Nubank (Pix Payments)

Fintech

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

Lösung

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

Ergebnisse

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

Best Practices

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

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