Die Herausforderung: Fragmentierte Preboarding-Kommunikation

Für viele HR-Teams ist Preboarding zu einem chaotischen Mix aus E-Mails, PDFs, Tabellen und Ad-hoc-Nachrichten verschiedener Stakeholder geworden. Die IT versendet Zugangsdaten, Führungskräfte schicken Rolleninformationen, HR teilt Richtlinien und Formulare, und die Facility-Teams ergänzen eigene Anweisungen. Neue Mitarbeitende müssen sich all dies meist selbst zusammensuchen – oft über mehrere Threads und Kanäle hinweg.

Traditionelle Ansätze stützen sich auf manuelle Koordination, generische E-Mail-Vorlagen und statische Checklisten in geteilten Laufwerken. Sie passen sich weder Rolle, Standort, Seniorität noch Startdatum der neuen Mitarbeitenden an. Es gibt keine zentrale „Single Source of Truth“ dafür, was bereits versendet wurde, was erledigt ist und was noch offen ist. Mit steigenden Einstellungszahlen und mehr Remote-Arbeit skaliert dieses Modell schlicht nicht.

Die geschäftlichen Auswirkungen sind erheblich. Wichtige Aufgaben gehen in Posteingängen unter, Vertragsunterzeichnungen und Compliance-Schulungen verzögern sich, und Ausstattung ist am ersten Tag nicht einsatzbereit. HR verbringt Stunden damit, Bestätigungen hinterherzulaufen und immer wieder dieselben Fragen zu beantworten, statt sich auf strategisches Onboarding und Kulturaufbau zu konzentrieren. Die Time-to-Productivity steigt, und der erste Eindruck Ihres Unternehmens ist eher Verwirrung als Klarheit – was die Bindung in den kritischen ersten 90 Tagen direkt beeinträchtigt.

Diese Herausforderung ist real, aber sie ist auch sehr gut lösbar. Mit dem richtigen Einsatz von KI kann Preboarding zu einer strukturierten, personalisierten und weitgehend selbststeuernden Experience werden, die nahtlos über Gmail, Docs und Chat hinweg funktioniert. Bei Reruption verfügen wir über praktische Erfahrung darin, ähnlich informationsintensive, manuelle Prozesse in KI-gestützte Workflows zu verwandeln. Der Rest dieser Seite zeigt, wie HR-Verantwortliche Gemini nutzen können, um fragmentierte Preboarding-Kommunikation in eine kohärente, ansprechende Journey für jede neue Mitarbeitende zu transformieren.

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 Sicht von Reruption ist Gemini in Google Workspace hervorragend dafür geeignet, fragmentierte Preboarding-Kommunikation zu lösen, weil es genau dort lebt, wo HR-Arbeit bereits stattfindet: in Gmail, Docs, Sheets, Calendar und Chat. Anstatt ein weiteres Portal einzuführen, können Sie Preboarding mit KI direkt in Ihren bestehenden Tools orchestrieren. Auf Basis unserer Erfahrung im Aufbau realer KI-Produkte und -Automatisierungen liegt die Chance nicht nur darin, „E-Mails zu beschleunigen“, sondern den gesamten Preboarding-Prozess als personalisierte, KI-gestützte Experience für jede neue Mitarbeitende neu zu denken.

Definieren Sie Preboarding als wiederholbaren Prozess, nicht als Reihe von E-Mails

Bevor Sie Gemini für HR-Preboarding einführen, brauchen Sie eine klare Definition, wie „gutes“ Preboarding in Ihrer Organisation aussieht. Kartieren Sie den End-to-End-Prozess: Trigger (Angebot angenommen), notwendige Aufgaben (Verträge, IT-Zugänge, Compliance-Schulungen), Stakeholder (HR, Führungskraft, IT, Facility Management) und Meilensteine (alle Voraussetzungen vor Tag eins erfüllt). Behandeln Sie dies als Exercise im Prozessdesign, nicht als Copy-Paste Ihrer aktuellen E-Mail-Gewohnheiten.

Mit dieser Blaupause kann Gemini den Flow orchestrieren: rollenbasierte Zeitpläne generieren, die richtigen Dokumente zum richtigen Zeitpunkt bereitstellen und Stakeholder anstoßen, wenn sie zum Engpass werden. Ohne dieses Fundament wird KI nur die bestehende Fragmentierung beschleunigen, statt sie zu beseitigen.

Starten Sie mit einem fokussierten Pilot für ein oder zwei Rollen

Strategisch ist es riskant, sofort alle Onboarding-Szenarien zu „ver-KI-en“. Wählen Sie stattdessen ein oder zwei volumenstarke Rollen (zum Beispiel Vertriebsmitarbeitende oder Customer-Service-Agents) und entwerfen Sie einen fokussierten Gemini-Preboarding-Pilot speziell für diese Zielgruppe. So bleibt der Umfang beherrschbar und Sie erhalten schnell Feedback aus einer relevanten Nutzendengruppe.

Im Pilot sollten Sie Metriken wie Abschlussquoten von Preboarding-Aufgaben, Anzahl der HR-Nachfass-E-Mails und die subjektiv wahrgenommene Klarheit neuer Mitarbeitender verfolgen. Nutzen Sie diese Erkenntnisse, um Prompts, Vorlagen und Workflows zu verfeinern, bevor Sie auf weitere Rollen oder Regionen ausrollen. Dieser iterative Ansatz ist zentral für Reruption’s Co-Preneur-Mindset: schnell etwas Reales liefern und dann datenbasiert verbessern.

Positionieren Sie Gemini als Co-Pilot für HR, nicht als Ersatz für den menschlichen Kontakt

Menschenbezogene Prozesse erfordern Vertrauen. Intern könnten sich HR und Hiring Manager sorgen, dass der Einsatz von KI im Onboarding Interaktionen unpersönlich oder geskriptet wirken lässt. Strategisch sollten Sie Gemini als Co-Piloten positionieren, der Koordination, Informationsrecherche und Routinefragen übernimmt, während Menschen Kontext, Empathie und Kultur vermitteln.

Kommunizieren Sie klar: Gemini hilft, Informationen zu konsolidieren, Checklisten zu personalisieren und Standardfragen rund um die Uhr zu beantworten, aber Führungskräfte bleiben verantwortlich für Willkommensgespräche, Teamvorstellungen und Feedback-Dialoge. Diese Einordnung reduziert Widerstände und ermutigt HR-Teams, KI als Hebel und nicht als Bedrohung zu sehen.

Gestalten Sie ab Tag eins funktionsübergreifende Abstimmung

Preboarding liegt an der Schnittstelle von HR, IT, Security, Facility Management und Linienführungskräften. Wenn Sie Gemini für Onboarding-Workflows ohne diese Teams am Tisch implementieren, schaffen Sie neue Reibungspunkte. Binden Sie strategisch Vertreter:innen aller Funktionen ein, wenn Sie Vorlagen und Trigger definieren: Was soll Gemini versenden, wer gibt es frei, auf welche Daten darf es zugreifen und wie sehen Eskalationspfade aus?

Diese Abstimmung stellt sicher, dass KI-generierte Zeitpläne und Erinnerungen die Realität abbilden – zum Beispiel realistische Vorlaufzeiten für die Bereitstellung von Laptops oder Zugangsfreigaben. Außerdem können Sie so Sicherheits- und Compliance-Bedenken früh adressieren, insbesondere dazu, welche Mitarbeiterdaten Gemini innerhalb von Google Workspace verarbeiten darf.

Definieren Sie klare Guardrails, Governance und Erfolgskennzahlen

Um Gemini im HR verantwortungsvoll einzusetzen, sollten Sie Governance im Vorfeld definieren: Wer darf Prompts und Vorlagen anpassen, welche Inhalte sind für KI-Generierung tabu, und wie überwachen Sie die Qualität? In regulierten Umgebungen sollten Sie dokumentieren, welche Teile der Preboarding-Kommunikation KI-generiert sein dürfen und welche zwingend von Menschen verfasst oder rechtlich geprüft werden müssen.

Definieren Sie gleichzeitig einen überschaubaren Satz an Erfolgskennzahlen, die direkt mit Business Value verknüpft sind: weniger HR-Zeitaufwand für Preboarding, verbesserte Time-to-Productivity, weniger vergessene Aufgaben vor Tag eins und höhere Zufriedenheitswerte neuer Mitarbeitender. Diese KPIs erleichtern die interne Kommunikation des Impacts und sichern weitere Investitionen in KI-getriebene HR-Initiativen ab.

Sorgfältig eingesetzt kann Gemini in Google Workspace fragmentiertes Preboarding in eine strukturierte, KI-orchestrierte Experience verwandeln, die manuellen HR-Aufwand reduziert und neuen Mitarbeitenden zugleich einen klaren, personalisierten Pfad bis zum ersten Arbeitstag bietet. Der eigentliche Mehrwert entsteht durch die Kombination des Tools mit solidem Prozessdesign, funktionsübergreifender Abstimmung und pragmatischen Guardrails. Das Team von Reruption ist es gewohnt, genau solche KI-first-Workflows in bestehende Systeme einzubauen; wenn Sie einen fokussierten Preboarding-Pilot prüfen oder die Machbarkeit mit einem technischen PoC validieren möchten, arbeiten wir gerne eng mit Ihren HR- und IT-Teams zusammen, um das Vorhaben in die Praxis zu bringen.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

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

PayPal

Fintech

PayPal, als globaler Marktführer im Online-Zahlungsverkehr, sieht sich unablässigen, sich weiterentwickelnden Betrugstaktiken durch hochentwickelte Cyberkriminelle gegenüber. Mit Milliarden von Transaktionen, die monatlich verarbeitet werden—über 500 Millionen Zahlungen—muss die Plattform Anomalien in Echtzeit erkennen, um massive finanzielle Verluste und Vertrauensverluste bei Kunden zu verhindern. Traditionelle regelbasierte Systeme kämpften mit False Positives und verpassten neuartige Betrugsmuster, was pro Vorfall potenziell zu Millionenverlusten führen konnte. Der Umfang verstärkte die Herausforderungen: hochfrequente Datenströme erforderten Entscheidungen in Bruchteilen einer Sekunde, während unausgewogene Datensätze (Betrug <0.1% der Transaktionen) die Modellgenauigkeit behinderte. Regulatorischer Druck und Nutzererwartungen an nahtlose Erlebnisse verlangten eine Lösung, die Sicherheit und Geschwindigkeit ausbalanciert, da unentdeckter Betrug $2B+ pro Jahr kosten und dem Ruf schaden könnte.

Lösung

PayPal implementierte Machine-Learning-Ensembles mit Deep-Learning-Modellen zur Anomalieerkennung und bewertet jede Transaktion anhand von 250+ Signalen wie Geräte-Fingerprinting, verhaltensbiometrischen Merkmalen und Netzwerkdaten. Die Modelle werden kontinuierlich mit aktuellen Daten retrainiert, um sich an neue Bedrohungen anzupassen, wobei Plattformen wie H2O Driverless AI für automatisiertes Feature Engineering und Deployment genutzt werden. Das System integriert Echtzeit-Inferenz über fortschrittliche Hardware und markiert Hochrisiko-Transaktionen sofort zur Prüfung oder Sperrung. Hybride Ansätze kombinieren überwachtes Lernen für bekannten Betrug und unüberwachte Anomalieerkennung für Zero-Day-Angriffe, wodurch manuelle Prüfungen um 50% reduziert werden.

Ergebnisse

  • 10% Verbesserung der Betrugserkennungsgenauigkeit
  • $500 million an Betrug, vierteljährlich blockiert (~$2B jährlich)
  • 25 million Angriffe täglich verhindert
  • 50% Reduktion der manuellen Prüfungsaufwände
  • 99.99% Genehmigungsrate für legitime Zahlungen
  • Latenz für Echtzeit-Inferenz unter 50ms
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 →

Three UK

Telekommunikation

Three UK, ein führender Mobilfunkanbieter im Vereinigten Königreich, stand unter erheblichem Druck durch den stark ansteigenden Datenverkehr, getrieben vom 5G‑Ausbau, Video‑Streaming, Online‑Gaming und Remote‑Arbeit. Mit über 10 Millionen Kund:innen führten Spitzenzeiten‑Überlastungen in städtischen Gebieten zu Verbindungsabbrüchen, Buffering bei Streams und hoher Latenz, die das Gaming‑Erlebnis beeinträchtigte. Traditionelle Monitoring‑Tools kamen mit dem Volumen an Big‑Data aus Netzprobes nicht zurecht, sodass Echtzeit‑Optimierung unmöglich war und Kundenabwanderung drohte. Hinzu kam, dass Legacy On‑Premises‑Systeme nicht für 5G‑Network‑Slicing und dynamische Ressourcenallokation skalierten, was zu ineffizienter Spektrumnutzung und steigenden OPEX führte. Three UK benötigte eine Lösung, die Netzengpässe proaktiv vorhersagen und verhindern kann, um niedriglatenzige Dienste für latenzsensible Anwendungen sicherzustellen und gleichzeitig die QoS über verschiedene Verkehrsarten hinweg aufrechtzuerhalten.

Lösung

Microsoft Azure Operator Insights etablierte sich als cloudbasierte KI‑Plattform speziell für Telekommunikationsanbieter und nutzt Big‑Data‑Maschinelles Lernen, um Petabytes an Netztelemetrie in Echtzeit zu verarbeiten. Die Plattform analysiert KPIs wie Durchsatz, Paketverlust und Handover‑Erfolgsraten, erkennt Anomalien und sagt Überlastungen voraus. Three UK integrierte sie in sein Core‑Netzwerk, um automatisierte Erkenntnisse und Handlungsempfehlungen zu erhalten. Die Lösung setzte ML‑Modelle für Root‑Cause‑Analysen, Verkehrsvorhersagen und Optimierungsmaßnahmen wie Beamforming‑Anpassungen und Load‑Balancing ein. Auf Azure's skalierbarer Cloud betrieben, erleichterte sie die Migration von Legacy‑Tools, verringerte die Abhängigkeit von manuellen Eingriffen und stattete Ingenieurteams mit umsetzbaren Dashboards aus.

Ergebnisse

  • 25% Reduktion von Netzüberlastungsereignissen
  • 20% Verbesserung der durchschnittlichen Download‑Geschwindigkeiten
  • 15% Verringerung der End‑to‑End‑Latenz
  • 30% schnellere Anomalieerkennung
  • 10% OPEX‑Einsparungen im Netzbetrieb
  • NPS um 12 Punkte verbessert
Fallstudie lesen →

HSBC

Bankwesen

Als eine der weltweit größten Banken nach Vermögenswerten verarbeitet HSBCMilliarden von Transaktionen, wodurch die Betrugserkennung und die Geldwäschebekämpfung (AML) zu einer enormen Herausforderung werden. Traditionelle regelbasierte Systeme litten unter hohen Falsch-Positiv-Raten, was zu übermäßigen manuellen Prüfungen führte, Compliance-Teams belastete, Kosten erhöhte und Kunden-Transaktionen verlangsamte . Die Gewährleistung der regulatorischen Compliance in 62 Ländern bei gleichzeitiger Minimierung finanzieller Kriminalität war kritisch, doch Legacy-Systeme fehlte die Raffinesse für Echtzeit- und nuancierte Bedrohungserkennung. Die Skalierung des Kundenservice stellte eine weitere Hürde dar, da die Nachfrage nach 24/7 personalisiertem Support menschliche Agenten überwältigte. NLP-Chatbots waren erforderlich, um komplexe Anfragen effizient zu bearbeiten, ohne Datenschutz oder Genauigkeit zu gefährden. Gleichzeitig brachte die Erforschung von generativer KI (GenAI) Herausforderungen bei ethischer Implementierung, Bias-Minderung und Integration mit strengen Bankvorschriften wie GDPR und Basel III mit sich, da schnelle technologische Fortschritte das Risiko von Non-Compliance erhöhten . Die Umsetzungsherausforderungen umfassten länderübergreifend isolierte Daten, Fachkräftemangel im KI-Bereich und die Balance zwischen Innovationsgeschwindigkeit und robuster Governance .

Lösung

HSBC begegnete Betrug mit Google Cloud KI-gestützten ML-Modellen für AML, die fortschrittliche Algorithmen nutzen, um Transaktionsmuster, Kundenverhalten und externe Daten für präzise Anomalieerkennung zu analysieren und so Falsch-Positiv-Raten drastisch zu senken . Dies war Teil einer breiteren Strategie, die global Hunderte von KI-Anwendungsfällen implementierte, von Risikomodellen bis zu Überwachungssystemen . Für das Kundenengagement wurden NLP-getriebene Chatbots eingeführt, die natürliche Sprachverarbeitung nutzen, um Anfragen zu interpretieren, maßgeschneiderte Beratung zu liefern und komplexe Fälle nahtlos weiterzuleiten, während Compliance-Standards eingehalten werden . Im GenAI-F&E-Bereich nahm HSBC an einem GenAI-Sandbox-Programm teil und schloss Ende 2025 eine mehrjährige Partnerschaft mit Mistral AI, um generative Werkzeuge bankweit zu integrieren. Ziel ist die Automatisierung interner Aufgaben, personalisierte Kundeninsights, Verstärkung der Betrugserkennung und Produktivitätssteigerungen, untermauert von einem starken ethischen KI-Rahmen, der die menschliche Aufsicht betont .

Ergebnisse

  • Hunderte von global eingesetzten KI-Anwendungsfällen in den Betriebsbereichen
  • Mehrjährige Partnerschaft mit Mistral AI beschleunigt GenAI-Einführung bankweit
  • Verbesserte AML-Erkennung mit reduzierten Falsch-Positiven durch Google Cloud ML
  • Echtzeit-Betrugskennzeichnung für Milliarden täglicher Transaktionen
  • GenAI-Tools zielen auf 20–40% Produktivitätssteigerungen bei Bankaufgaben
  • Transformierter Kundenservice mit 24/7 skalierbaren NLP-Chatbots
Fallstudie lesen →

Rapid Flow Technologies (Surtrac)

Intelligente Städte

Pittsburghs East Liberty-Bezirk sah sich starker städtischer Verkehrsüberlastung gegenüber, wobei zeitgesteuerte Signalanlagen lange Wartezeiten und ineffiziente Verkehrsflüsse verursachten. Traditionelle Systeme arbeiteten nach festen Zeitplänen und ignorierten Echtzeitvariationen wie Stoßzeiten oder Unfälle, was zu 25–40% erhöhten Reisezeiten und höheren Emissionen führte. Das unregelmäßige Straßennetz der Stadt und unvorhersehbare Verkehrsverläufe verschärften die Probleme, frustrierten Verkehrsteilnehmer und bremsten die wirtschaftliche Aktivität. Stadtverantwortliche suchten eine skalierbare Lösung jenseits teurer Infrastrukturmaßnahmen. Sensoren waren zwar vorhanden, es fehlte jedoch an intelligenter Verarbeitung; Datensilos verhinderten die Koordination zwischen Kreuzungen, was zu wellenartigen Rückstaus führte. Durch stehende Fahrzeuge stiegen die Emissionen, was den Nachhaltigkeitszielen widersprach.

Lösung

Rapid Flow Technologies entwickelte Surtrac, ein dezentralisiertes KI-System, das maschinelles Lernen für Echtzeitverkehrsvorhersagen und Signaloptimierung nutzt. Angekoppelte Sensoren erkennen Fahrzeuge und speisen Daten in ML-Modelle, die Ströme Sekunden voraus vorhersagen und Grünphasen dynamisch anpassen. Im Gegensatz zu zentralisierten Systemen ermöglicht Surtrac durch Peer-to-Peer-Koordination, dass Kreuzungen miteinander 'sprechen' und Fahrzeugkolonnen priorisieren, um einen flüssigeren Verkehrsverlauf zu erzielen. Diese Optimierungs-Engine balanciert Gerechtigkeit und Effizienz und passt sich in jedem Zyklus an. Aus der Carnegie Mellon University ausgegründet, ließ es sich nahtlos in vorhandene Hardware integrieren.

Ergebnisse

  • 25% Reduktion der Reisezeiten
  • 40% Verringerung der Warte-/Leerlaufzeiten
  • 21% Reduktion der Emissionen
  • 16% Verbesserung der Progression
  • 50% mehr Fahrzeuge pro Stunde in einigen Korridoren
Fallstudie lesen →

Best Practices

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

Zentralisieren Sie Preboarding-Daten in einer Single Source of Truth

Bevor Sie mit Gemini irgendetwas automatisieren können, sollten Sie Ihre Preboarding-Daten an einem Ort konsolidieren. Nutzen Sie ein Google Sheet oder einen HRIS-Export als Master-Tabelle mit Schlüsselfeldern: Name, Rolle, Führungskraft, Standort, Startdatum, erforderliche Schulungen, Ausstattungsbedarfe und besondere Hinweise. Diese Tabelle wird zur strukturierten Eingabe, auf die Gemini bei der Generierung von Kommunikation und Zeitplänen zugreifen kann.

Verbinden Sie dieses Sheet mit Ihren Workflows: Wenn eine neue Zeile hinzugefügt wird (Angebot angenommen), sollte dies eine Sequenz Gemini-gestützter Aufgaben in Gmail, Docs und Calendar auslösen. Selbst ohne eigenen Code können Sie Google Apps Script mit Gemini-Prompts kombinieren, um Daten aus dem Sheet auszulesen und maßgeschneiderte Inhalte zu generieren.

Nutzen Sie Gemini zur Erstellung rollenspezifischer Preboarding-Zeitpläne

Anstatt eine lange generische E-Mail zu versenden, lassen Sie Gemini für HR-Preboarding einen prägnanten, rollenspezifischen Plan für jede neue Mitarbeitende erstellen. In Google Docs können Sie eine Basistemplate pflegen und Gemini nutzen, um Daten, Links und Aufgaben auf Basis von Startdatum, Land und Seniorität der Rolle auszufüllen.

Beispiel für einen Prompt in einem mit Ihrer Datentabelle verbundenen Doc:

Agieren Sie als HR-Onboarding-Assistent:in.
Erstellen Sie einen Preboarding-Plan für folgende neue Mitarbeitende:
- Name: {{Name}}
- Rolle: {{Role}}
- Standort: {{Location}}
- Startdatum: {{Start_Date}}
- Führungskraft: {{Manager_Name}}

Der Plan soll:
- Nach Wochen vor dem Startdatum strukturiert sein
- Pflichtaufgaben hervorheben (Verträge, Ausweis-Upload, Compliance-Schulungen)
- Links (Platzhalter) zu relevanten Richtlinien und Tools enthalten
- Einen freundlichen, professionellen Ton verwenden
- Maximal 600 Wörter umfassen

Der generierte Plan kann als Doc-Link geteilt oder von Gemini erneut zu einer kürzeren E-Mail für Gmail zusammengefasst werden.

Klare, konsolidierte Preboarding-E-Mails in Gmail automatisieren

Dank der Gemini-Integration in Gmail kann HR personalisierte, konsolidierte Preboarding-E-Mails versenden, die alle wichtigen Aufgaben an einem Ort bündeln, statt in zehn verschiedenen Nachrichten. Beginnen Sie mit einem Standardentwurf und bitten Sie Gemini, diesen anhand der Daten aus Ihrem Master-Sheet anzupassen.

Beispiel-Prompt in Gmail:

Sie unterstützen HR bei der Preboarding-Kommunikation.
Formulieren Sie die folgende Entwurfs-E-Mail anhand der untenstehenden Details neu, sodass sie:
- Alle Preboarding-Aufgaben in einer klaren Checkliste aufführt
- Aufgaben nach Priorität und Fälligkeit sortiert
- Pflichtaufgaben fett hervorhebt
- Einen warmen, einladenden Ton verwendet, der zu einer neuen Kollegin/einem neuen Kollegen passt

Details zur neuen Mitarbeitenden:
{{Zeile aus dem Preboarding-Sheet einfügen}}

Bestehender Entwurf:
{{Inhalt der Entwurfs-E-Mail}}

Erwartetes Ergebnis: Neue Mitarbeitende erhalten eine einzige, gut strukturierte E-Mail, die mehrere verstreute Nachrichten ersetzt und so Verwirrung und Rückfragen reduziert.

Gemini in Google Chat als Preboarding-Q&A-Assistent einsetzen

Viele Fragen in der ersten Woche wiederholen sich: „Wo lade ich meinen Ausweis hoch?“, „Wie erhalte ich Zugriff auf das LMS?“, „Wer genehmigt meine Hardware-Bestellung?“. Sie können einen Gemini-gestützten Chat-Bereich konfigurieren (oder Gemini in Chat nutzen), der als Preboarding-Q&A-Assistent fungiert und auf die richtigen Docs, Richtlinien und Kontakte verweist.

Speisen Sie Gemini mit zentralen Ressourcen: ein kuratiertes FAQ-Dokument, Links zu internen Wissensdatenbanken und Ihre HR-Richtliniendokumente. Verwenden Sie dann einen System-Prompt wie:

Sie sind ein interner HR-Preboarding-Assistent für ACME.
Beantworten Sie Fragen neuer Mitarbeitender AUSSCHLIESSLICH mit folgenden Quellen:
- HR-Preboarding-FAQ: <Link>
- IT-Onboarding-Wiki: <Link>
- Übersicht Unternehmensrichtlinien: <Link>

Richtlinien:
- Wenn Sie unsicher sind, bitten Sie die Nutzer:innen, HR unter hr@company.com zu kontaktieren
- Geben Sie kurze, umsetzbare Antworten mit Links zu den passenden Dokumenten
- Seien Sie freundlich und ermutigend

Dies ersetzt HR nicht, reduziert aber einfache, wiederkehrende Anfragen deutlich und schafft Freiraum für wertschöpfendere Gespräche.

Lassen Sie Gemini Richtlinien in verständliche Übersichten für Menschen zusammenfassen

Neue Mitarbeitende lesen selten 30-seitige Richtliniendokumente. Nutzen Sie Gemini zur Dokumentenzusammenfassung, um kurze, rollenrelevante Übersichten zu erstellen, die in einfacher Sprache erklären, „was das für Sie bedeutet“. Arbeiten Sie in Google Docs: Fügen Sie die Richtlinie ein oder verlinken Sie sie und bitten Sie Gemini, eine Zusammenfassung für neue Mitarbeitende zu erstellen.

Beispiel-Prompt in Docs:

Fassen Sie die folgende Richtlinie für eine neue Mitarbeitende in {{Location}} zusammen, die als {{Role}} arbeitet.

Anforderungen an die Ausgabe:
- 3–5 kurze Abschnitte mit Überschriften
- Fokus darauf, was die Mitarbeitende tun oder unterlassen muss
- Etwaige Fristen oder Pflichtschulungen hervorheben
- Neutraler, klarer Ton
- Maximal 700 Wörter

Inhalt der Richtlinie:
{{Richtlinientext oder relevante Abschnitte einfügen}}

Sie können diese Zusammenfassungen direkt in Preboarding-E-Mails oder Zeitplänen verlinken und so sicherstellen, dass Compliance-Informationen sowohl zugänglich als auch verständlich sind.

Abschluss und Risiken mit Gemini-generierten Statuszusammenfassungen verfolgen

Um über manuelles Hinterhertelefonieren hinauszukommen, können Sie Gemini nutzen, um Preboarding-Statuszusammenfassungen für HR und Führungskräfte auf Basis Ihres Master-Sheets oder von Checklisten zu erstellen. Erfassen Sie zum Beispiel Vertragsunterzeichnung, Identitätsprüfung, Gerätebestellung und Pflichtschulungen in einem Google Sheet. Lassen Sie Gemini anschließend wöchentliche Zusammenfassungen pro Führungskraft oder Abteilung generieren.

Beispiel für einen Status-Prompt in Sheets oder Docs:

Analysieren Sie die folgende Preboarding-Status-Tabelle.
Fassen Sie für jede Führungskraft zusammen:
- Neue Mitarbeitende, die in den nächsten 3 Wochen starten
- Fehlende kritische Aufgaben (Verträge, Ausstattung, Compliance)
- Klare Maßnahmen, die die Führungskraft oder HR in dieser Woche ergreifen muss

Seien Sie prägnant und handlungsorientiert.

Daten:
{{Gefilterte Tabelle aus Sheets einfügen}}

Erwartetes Ergebnis: HR kann Risiken proaktiv erkennen (z. B. Laptop nicht bestellt, Pflichtschulung nicht absolviert) und Stakeholder gezielt anstoßen – so werden Überraschungen am ersten Tag reduziert.

Wenn diese Praktiken schrittweise implementiert werden, führt das typischerweise zu spürbaren Verbesserungen: 20–40 % weniger HR-Zeitaufwand für Preboarding-Koordination, ein deutlicher Rückgang fehlender Dokumente oder Zugänge am ersten Tag und höhere Zufriedenheitswerte neuer Mitarbeitender in Onboarding-Umfragen. Die genauen Kennzahlen hängen von Ihrem Ausgangsniveau ab, aber mit einem fokussierten Gemini-Pilot und klaren KPIs sollten Sie innerhalb von ein bis zwei Einstellungszyklen einen signifikanten Effekt sehen.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

Gemini reduziert Fragmentierung, indem Informationen zentralisiert und personalisierte Ausgaben in den Tools generiert werden, die Sie in Google Workspace bereits nutzen. Anstatt dass mehrere Stakeholder einzelne E-Mails verschicken, kann Gemini Daten aus einem Master-Sheet oder HR-System bündeln und für jede neue Mitarbeitende einen einzigen, rollenspezifischen Preboarding-Plan und eine dazugehörige E-Mail erstellen.

Außerdem hilft Gemini dabei, Richtlinien zusammenzufassen, Checklisten zu generieren und einen Q&A-Assistenten in Google Chat zu betreiben. Das bedeutet weniger Ad-hoc-Nachrichten, klarere Zeitpläne für neue Mitarbeitende und weniger manuelle Koordination für HR.

Für den Einstieg benötigen Sie kein großes Data-Science-Team. Für einen ersten Gemini-Preboarding-Pilot brauchen Sie typischerweise:

  • Eine:n HR-Prozessverantwortliche:n, die/der die aktuellen Preboarding-Schritte und den gewünschten Zielzustand kennt.
  • Zugriff auf die Google-Workspace-Administration/-Konfiguration (zur Einrichtung von Docs, Sheets, Gmail und Chat).
  • Basiskenntnisse in Scripting oder IT-Support, wenn Sie Workflows automatisch auslösen möchten (z. B. via Apps Script oder einfache Integrationen).

Reruption arbeitet in der Regel mit einem kleinen, funktionsübergreifenden Squad (HR, IT, teilweise Legal), um Prompts, Vorlagen und Guardrails zu gestalten. Mit der Zeit können HR-Teams diese Assets selbst pflegen und anpassen.

Bei klar begrenztem Umfang können Sie sichtbare Verbesserungen innerhalb von ein bis zwei Einstellungszyklen erwarten. Ein typischer Zeitplan sieht so aus:

  • Woche 1–2: Preboarding-Prozess für eine Zielrolle kartieren, Masterdaten (Sheet) aufsetzen und erste Gemini-Prompts/Vorlagen entwerfen.
  • Woche 3–4: Live-Pilot mit einer kleinen Gruppe neuer Mitarbeitender durchführen; Feedback von ihnen, HR und Führungskräften einholen.
  • Woche 5–6: Prompts, Vorlagen und Governance verfeinern; bei positiven Ergebnissen auf weitere Rollen oder Regionen ausweiten.

Kund:innen berichten häufig schon bei der ersten Kohorte im neuen, Gemini-gestützten Workflow von weniger Nachfass-E-Mails und klarerer Kommunikation für neue Mitarbeitende.

Der ROI entsteht durch eingesparte HR-Zeit, weniger Fehler und eine schnellere Time-to-Productivity. Wenn Ihr HR-Team beispielsweise pro Einstellung mehrere Stunden mit manuellen Preboarding-E-Mails, dem Nachfordern von Dokumenten und dem Beantworten wiederkehrender Fragen verbringt, kann automatisierte Kommunikation mit Gemini diesen Aufwand für volumenstarke Rollen um 20–40 % reduzieren.

Neben Zeitersparnissen reduziert verbessertes Preboarding auch Probleme am ersten Tag (fehlende Zugänge, unvollständige Compliance-Schritte), was wiederum die Einarbeitungszeit verkürzt und die frühe Bindung stärkt. Die exakten Zahlen hängen von Ihrem Ausgangspunkt ab, lassen sich aber in der Regel leicht in einem Business Case abbilden, wenn Sie eingesparte HR-Zeit mit reduzierten Verzögerungen und weniger vermeidbaren Tickets an IT- oder HR-Support kombinieren.

Reruption unterstützt Unternehmen End-to-End – von der Idee bis zur funktionierenden Lösung. Mit unserem AI-PoC-Angebot (9.900 €) können wir schnell testen, ob Ihr spezifischer Preboarding-Use-Case in der Praxis funktioniert: Wir definieren den Scope, entwickeln Gemini-Prompts und Workflows in Google Workspace, messen die Performance und skizzieren eine produktionsreife Architektur.

Über den PoC hinaus bedeutet unser Co-Preneur-Ansatz, dass wir uns eng mit Ihren HR- und IT-Teams verzahnen, um die Lösung tatsächlich zu bauen und auszurollen: Preboarding-Daten strukturieren, Vorlagen gestalten, Governance einrichten und auf Basis realen Nutzerfeedbacks iterieren. Wir bleiben nicht bei Folien stehen, sondern liefern einen funktionsfähigen, Gemini-gestützten Preboarding-Flow, der zu Ihrer Organisation passt und über Rollen und Standorte hinweg skalierbar 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