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

BP

Energie

BP, ein globaler Energieführer in Öl, Gas und Erneuerbaren, kämpfte mit hohen Energiekosten in Spitzenzeiten über sein umfangreiches Asset-Portfolio hinweg. Volatile Netzlasten und Preisspitzen während hoher Verbrauchsperioden belasteten den Betrieb und verschärften Ineffizienzen in der Energieproduktion und -nutzung. Die Integration intermittierender Erneuerbarer Energien brachte zusätzliche Prognoseprobleme mit sich, während traditionelle Managementansätze nicht dynamisch auf Echtzeit-Marktsignale reagierten, was zu erheblichen finanziellen Verlusten und Risiken für die Netzstabilität führte . Hinzu kamen bei BP Daten-Silos und Altsysteme, die für prädiktive Analytik ungeeignet waren – von Offshore-Anlagen bis zu datenintensiver Exploration. Spitzenenergiekosten schmälerten die Margen und behinderten den Übergang zu nachhaltigem Betrieb angesichts zunehmender regulatorischer Vorgaben zur Emissionsreduzierung. Das Unternehmen benötigte eine Lösung, um Lasten intelligent zu verschieben und Flexibilität in Energiemärkten zu monetarisieren .

Lösung

Um diese Probleme anzugehen, übernahm BP 2021 Open Energi und erhielt damit Zugriff auf die führende Plato AI-Plattform, die Machine Learning für prädiktive Analytik und Echtzeit-Optimierung einsetzt. Plato analysiert umfangreiche Datensätze von Assets, Wetterdaten und Netzsignalen, um Spitzen vorherzusagen und Demand Response zu automatisieren, indem nicht-kritische Lasten in Nebenzeiten verschoben werden und gleichzeitig an Frequenzregelungsdiensten teilgenommen wird . In die BP-Operationen integriert, ermöglicht die KI die Teilnahme an dynamischen Containment- und Flexibilitätsmärkten und optimiert den Verbrauch, ohne die Produktion zu stören. In Kombination mit BPs interner KI für Exploration und Simulation schafft sie End-to-End-Sichtbarkeit, reduziert die Abhängigkeit von fossilen Brennstoffen in Spitzenzeiten und verbessert die Integration erneuerbarer Energien . Diese Übernahme markierte eine strategische Wende, bei der Open Energis Nachfrageseitenspezialisierung mit BPs Lieferseitenskalierung verschmolz.

Ergebnisse

  • $10 Millionen jährliche Energieeinsparungen
  • >80 MW an Energieassets unter flexibler Steuerung
  • Stärkste Ölexplorationsleistung seit Jahren dank KI
  • Erheblicher Schub bei der Optimierung des Stromverbrauchs
  • Reduzierte Spitzenstromkosten durch dynamische Reaktion
  • Verbesserte Anlageneffizienz in Öl, Gas und Erneuerbaren
Fallstudie lesen →

Airbus

Luft- und Raumfahrt

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

Lösung

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

Ergebnisse

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

DBS Bank

Bankwesen

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

Lösung

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

Ergebnisse

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

Cruise (GM)

Automobilindustrie

Die Entwicklung eines selbstfahrenden Taxi‑Dienstes in dicht besiedelten urbanen Umgebungen stellte Cruise vor immense Herausforderungen. Komplexe Situationen wie unberechenbare Fußgänger, erratische Radfahrer, Baustellen und widrige Wetterbedingungen erforderten nahezu perfekte Wahrnehmung und Entscheidungsfindung in Echtzeit. Sicherheit hatte oberste Priorität, da jeder Fehler zu Unfällen, behördlicher Prüfung oder öffentlicher Empörung führen konnte. Frühe Tests zeigten Lücken bei der Handhabung von Randfällen, etwa Einsatzfahrzeuge oder verdeckte Objekte, und verlangten eine robuste KI, die die Leistung menschlicher Fahrer übertreffen sollte. Ein entscheidender Sicherheitsvorfall im Oktober 2023 verschärfte diese Probleme: Ein Cruise‑Fahrzeug erfasste eine Fußgängerin, die von einem Unfallfahrer in seinen Weg gedrängt worden war, und schleifte sie, als das Fahrzeug den Unfallort verließ, was zur Aussetzung der Betriebsführungen landesweit führte. Dies legte Schwachstellen im Nach‑Kollisions‑Verhalten, in der Sensorfusion unter chaotischen Bedingungen und in der regulatorischen Compliance offen. Die Skalierung zu kommerziellen Robotaxi‑Flotten bei gleichzeitiger Erreichung von Null schuldhaften Vorfällen erwies sich angesichts von $10 Mrd.+ Investitionen seitens GM als schwer realisierbar.

Lösung

Cruise begegnete diesen Herausforderungen mit einem integrierten KI‑Stack, der Computervision für die Wahrnehmung und verstärkendes Lernen für die Planung nutzte. Lidar, Radar und mehr als 30 Kameras speisten CNNs und Transformers für Objekterkennung, semantische Segmentierung und Szenenvorhersage, wodurch 360°‑Ansichten mit hoher Detailtreue selbst bei schwachem Licht oder Regen verarbeitet wurden. Verstärkendes Lernen optimierte Trajektorienplanung und Verhaltensentscheidungen, trainiert auf Millionen simulierten Meilen, um seltene Ereignisse zu bewältigen. End‑to‑end‑Neuronale Netze verfeinerten die Bewegungsprognose, während Simulationsframeworks die Iteration ohne reales Risiko beschleunigten. Nach dem Vorfall verstärkte Cruise die Sicherheitsprotokolle und nahm 2024 mit verbesserten Disengagement‑Raten wieder beaufsichtigte Tests auf. GMs Strategiewechsel integrierte diese Technologie in die Weiterentwicklung von Super Cruise für Privatfahrzeuge.

Ergebnisse

  • 1.000.000+ Meilen vollständig autonom gefahren bis 2023
  • 5 Millionen fahrerlose Meilen für das KI‑Modelltraining verwendet
  • $10 Mrd.+ kumulative Investition von GM in Cruise (2016–2024)
  • 30.000+ Meilen pro Eingriff in frühen unbeaufsichtigten Tests
  • Betrieb ausgesetzt Okt 2023; im Mai 2024 mit beaufsichtigten Tests wieder aufgenommen
  • Keine kommerziellen Robotaxi‑Einnahmen; Strategiewechsel Dez 2024
Fallstudie lesen →

IBM

Technologie

In einer weltweiten Belegschaft von mehr als 280.000 Mitarbeitenden kämpfte IBM mit hohen Mitarbeiterfluktuationsraten, insbesondere bei Leistungsträgern und Schlüsselpersonal. Die Kosten für die Ersetzung einer einzelnen Fachkraft – inklusive Rekrutierung, Onboarding und Produktivitätsverlust – können $4.000–$10.000 pro Einstellung übersteigen, was in einem umkämpften Tech-Arbeitsmarkt die Verluste verstärkt. Das manuelle Erkennen gefährdeter Mitarbeitender war angesichts umfangreicher HR-Datensilos mit Informationen zu Demografie, Leistungsbeurteilungen, Vergütung, Mitarbeiterzufriedenheitsbefragungen und Work-Life-Balance nahezu unmöglich. Traditionelle HR-Ansätze stützten sich auf Austrittsgespräche und anekdotisches Feedback, die reaktiv und für Prävention ungeeignet waren. Da die Fluktuationsraten bei branchenüblichen 10–20 % pro Jahr lagen, entstanden IBM jährliche Kosten in den hunderten Millionen durch Neueinstellungen und Schulungen, ergänzt durch Wissensverluste und sinkende Moral in einem engen Arbeitsmarkt. Die Herausforderung verschärfte sich, weil die Bindung knapper KI- und Tech-Fachkräfte für IBMs Innovationsfähigkeit entscheidend war.

Lösung

IBM entwickelte ein prädiktives Fluktuations-ML-Modell auf Basis der Watson-KI-Plattform und analysierte 34+ HR-Variablen wie Alter, Gehalt, Überstunden, Stellenfunktion, Leistungsbewertungen und Entfernung vom Wohnort anhand eines anonymisierten Datensatzes von 1.470 Mitarbeitenden. Algorithmen wie logistische Regression, Entscheidungsbäume, Random Forests und Gradient Boosting wurden trainiert, um Mitarbeitende mit hoher Weggangsgefährdung zu identifizieren, und erreichten eine 95%ige Genauigkeit bei der Vorhersage, wer innerhalb von sechs Monaten das Unternehmen verlassen würde. Das Modell wurde in HR-Systeme für Echtzeit-Bewertungen integriert und löste personalisierte Maßnahmen wie Karriere-Coaching, Gehaltsanpassungen oder flexible Arbeitsoptionen aus. Dieser datengetriebene Ansatz ermöglichte es CHROs und Führungskräften, proaktiv zu handeln und vorrangig Top-Performer zu halten.

Ergebnisse

  • 95% Genauigkeit bei der Vorhersage von Mitarbeiterfluktuation
  • Verarbeitete 1.470+ Mitarbeiterdatensätze mit 34 Variablen
  • 93% Genauigkeit im optimierten Extra-Trees-Modell
  • Reduzierte Einstellungskosten durch Vermeidung wertvoller Abgänge
  • Potenzielle Jährliche Einsparungen von über $300M durch verbesserte Bindung (berichtet)
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