KI-gestützte Mitarbeitereinarbeitung

Das echte Ausmaß des Problems

Eine neue Mitarbeiterin fängt an. Erster Tag: Laptop einrichten, Passwörter vergeben, zehn Systeme erklären. Dritte Woche: Sie fragt dieselben Fragen noch einmal, weil die erste Erklärung zu viel auf einmal war. Dritter Monat: Sie ist endlich so weit, dass sie eigenständig arbeiten kann — wenn niemand krank ist und kein Ausnahmeprozess eintritt.

Die Zahlen dahinter sind nüchtern. Die Society for Human Resource Management (SHRM) schätzt, dass ein fehlgeschlagenes Onboarding ein Unternehmen bis zu 50 Prozent des Jahresgehalts der betroffenen Stelle kostet — durch verlorene Produktivität, Einarbeitungsaufwand anderer Mitarbeitender und erneute Rekrutierung, wenn die Person in den ersten sechs Monaten wieder geht. Bei einem Jahresgehalt von 48.000 Euro: bis zu 24.000 Euro für ein einziges misslungenes Onboarding.

Auch wenn die Person bleibt, sind die Kosten erheblich. Eine Gallup-Studie zeigt, dass neue Mitarbeitende im Durchschnitt acht Monate brauchen, um ihre volle Produktivität zu erreichen. Davon könnten vier bis sechs Wochen eingespart werden, wenn strukturiertes Wissen systematisch zugänglich wäre. Unternehmen, die KI im Onboarding einsetzen, berichten von 30 bis 50 Prozent kürzerer Einarbeitungszeit (Schätzwert aus Praxisberichten) — der Effekt hängt allerdings stark von der Qualität der Wissensbasis ab.

Drei Muster tauchen in fast jedem Unternehmen auf:

• Wissensinseln: Das wichtigste Prozesswissen steckt in den Köpfen von zwei, drei erfahrenen Kolleginnen und Kollegen — nicht in Dokumenten. Wer sie nicht fragen kann, bleibt stecken
• Inkonsistenz zwischen Teams und Standorten: Person A lernt beim Onboarding andere Prozesse als Person B, weil die Einarbeitung vom zufälligen Paten abhängt
• Belastung durch Onboarding: Erfahrene Kolleginnen und Kollegen verbringen in Onboarding-Phasen bis zu 30 Prozent ihrer Arbeitszeit mit Einarbeitungsfragen (Schätzwert aus Praxisberichten) — Zeit, die für ihre eigentliche Arbeit verloren geht

Seit Februar 2025 kommt ein weiterer Aspekt hinzu: Artikel 4 des EU AI Act verpflichtet Unternehmen, Mitarbeitende vor der Nutzung von KI-Systemen in den Grundlagen dieser Systeme zu schulen. Wer KI im Onboarding einsetzt, muss also gleichzeitig erklären, wie der Assistent funktioniert, welche Grenzen er hat und wie mit seinen Antworten umzugehen ist. Das ist kein bürokratischer Zusatzaufwand — es ist der Unterschied zwischen einem Tool, das akzeptiert wird, und einem, das ignoriert wird.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erfahrungswerte aus Projekten mit 20–80 Mitarbeitenden; kein repräsentativer Durchschnitt. Der Effekt ist stark abhängig von der Qualität der Dokumentenbasis.

Abgrenzung zu Use Case 01 (KI-Wissensassistent): Dieser Use Case unterscheidet sich bewusst vom allgemeinen KI-Wissensassistenten. Während der Wissensassistent für alle Mitarbeitenden als dauerhaftes Such-Tool gedacht ist und auf das gesamte Unternehmens-Know-how zugreift, fokussiert KI-gestützte Einarbeitung auf den Onboarding-Prozess selbst: rollenspezifische Checklisten, gestufte Lernpfade, temporäre Zugriffsrechte, HR-Systemintegration und eine dedizierte Feedback-Schleife für die ersten 90 Tage. In der Praxis ergänzen sich beide: Das Onboarding-System führt neue Mitarbeitende strukturiert ein — und übergibt sie danach an den allgemeinen Wissensassistenten, den das gesamte Team nutzt.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5)
Erfahrene Kolleginnen und Kollegen werden von Routinefragen entlastet — aber die Einsparung verteilt sich auf viele Personen in kleinen Mengen statt in einem konzentrierten täglichen Zeitblock. Verglichen mit Dokumentenverarbeitung oder E-Mail-Automatisierung, die einzelnen Personen Stunden täglich zurückgeben, fällt die Wirkung des Onboarding-Assistenten bescheidener aus.

Kosteneinsparung — niedrig (2/5)
Das System reduziert Einarbeitungskosten je neuer Person — aber die konkreten Zahlen hängen stark vom Einstellungsvolumen ab. Wer zweimal im Jahr einstellt, sieht einen anderen ROI als wer zehnmal einstellt. Die Einrichtungskosten (3.000–7.000 Euro) sind real, der Effekt ist messbar, aber im Vergleich zu Use Cases mit direkter Fehler- oder Umsatzwirkung begrenzt.

Schnelle Umsetzung — niedrig (2/5)
Ein erster Chatbot mit hochgeladenen Dokumenten ist schnell eingerichtet — aber die Wissensbasis muss erst erstellt und strukturiert werden, bevor sie nützlich ist. Bis zum produktiven Piloteinsatz mit einer echten neuen Person vergehen realistisch vier bis sechs Wochen. Der Content-Erstellungsaufwand ist der entscheidende Engpass, nicht die Technik.

ROI-Sicherheit — hoch (4/5)
Einarbeitungsdauer ist direkt messbar. Wenn neue Mitarbeitende in sechs statt zwölf Wochen die volle Produktivität erreichen, lässt sich das zählen. Auch die Reduktion der Paten-Unterbrechungen ist trackbar, wenn man einmal damit anfängt. Der Nutzen tritt mit jeder neuen Einstellung ein und ist nicht abhängig von Marktbedingungen oder schwer nachvollziehbaren Kausalitäten.

Skalierbarkeit — hoch (4/5)
Das System skaliert ohne proportionalen Mehraufwand mit dem Headcount: Ob drei oder dreißig neue Mitarbeitende pro Jahr eingearbeitet werden — die Wissensbasis und der Assistent stehen jedem gleich zur Verfügung. Je mehr eingestellt wird, desto höher der Return auf die einmalige Content-Investition.

Richtwerte — stark abhängig von Einstellungsvolumen, Dokumentationsstand und Teamgröße.

Was das System konkret macht

KI-gestützte Einarbeitung bedeutet nicht, dass Menschen durch Chatbots ersetzt werden. Es bedeutet, dass neue Mitarbeitende rund um die Uhr Antworten auf Standardfragen bekommen — ohne ihren Paten um 16:30 Uhr noch einmal zu unterbrechen.

Der Ansatz besteht aus vier aufeinander aufbauenden Elementen:

1. Rollenspezifische Wissensbasis
Onboarding-Inhalte werden nicht einheitlich für alle zusammengestellt, sondern nach Rolle, Abteilung und ggf. Standort sortiert. Eine neue Vertriebsmitarbeiterin braucht andere Dokumente als eine neue IT-Kraft. Das ist kein technisches Detail — Untersuchungen zeigen, dass generische Onboarding-Inhalte eine Abschlussquote von nur etwa 12 Prozent haben, während rollenspezifische Inhalte dreimal so häufig vollständig gelesen werden. Die Wissensbasis wird mit Zugriffsrechten konfiguriert, die der jeweiligen Rolle entsprechen: Kein neues Vertriebsmitglied sieht automatisch die internen Gehaltsstrukturen oder Lieferanten-Konditionen, die nicht für die Rolle relevant sind.

2. Onboarding-Chatbot im bekannten Interface
Ein KI-Assistent wird mit der Wissensbasis verknüpft und in ein bekanntes Interface eingebunden: Microsoft 365 Copilot in Teams, Notion AI direkt im Wiki oder ChatGPT als Custom GPT per Link. Neue Mitarbeitende können jederzeit fragen: „Wie reiche ich Spesen ein?”, „Wo finde ich die Vorlage für Statusberichte?”, „Wer ist für Kundenreklamationen aus Bayern zuständig?” — und bekommen eine direkte Antwort mit Quellenangabe. Fragen, die nicht beantwortet werden können, werden protokolliert — das ist das wichtigste Signal für Dokumentationslücken.

3. Rollenspezifische Onboarding-Checklisten
Parallel zum Chatbot werden Checklisten definiert: Was muss eine neue Vertriebsmitarbeiterin in Woche 1 erledigen? In Woche 2? In Monat 2? Diese Checklisten unterscheiden sich nach Abteilung, Standort und Funktion. Neue Mitarbeitende wissen oft nicht, was sie nicht wissen — sie fragen nicht nach der Urlaubsregelung, weil sie noch nicht ahnen, dass sie danach fragen sollten. Checklisten schließen diese Lücke strukturell, unabhängig davon, wie gut der Pate an einem bestimmten Tag verfügbar ist.

4. Feedback-Schleife für kontinuierliche Verbesserung
Unbeantwortete Fragen, Nutzer-Bewertungen einzelner Antworten und die protokollierten Lücken werden regelmäßig — mindestens einmal im Quartal — ausgewertet. Jede neue Einarbeitung macht das System besser. Dieser Kreislauf funktioniert nur, wenn jemand explizit für die Wissensbasis verantwortlich ist (siehe Abschnitt „Drei typische Einstiegsfehler”).

Konkrete Werkzeuge — was wann passt

Microsoft 365 Copilot — Für Unternehmen, die bereits M365 nutzen. Copilot kann in Teams als Onboarding-Assistent eingerichtet werden — neue Mitarbeitende stellen Fragen im vertrauten Teams-Interface, Copilot sucht in SharePoint-Dokumenten, OneNote-Notizbüchern und Teams-Kanälen nach Antworten. Naheliegend, wenn die Infrastruktur vorhanden ist. Ca. 30 Euro/Person/Monat zusätzlich zur bestehenden Lizenz. Vorteil: EU-Datenresidenz über das EU Data Boundary-Programm konfigurierbar.

Notion AI — Wenn das Unternehmen Notion als internes Wiki nutzt. Notion AI beantwortet Fragen auf Basis aller Notion-Inhalte — besonders gut, wenn Prozessdokumentation und Onboarding-Materialien bereits dort leben. Ab ca. 10 Euro/Person/Monat (Add-on). Einschränkung: Funktioniert nur mit Inhalten in Notion, und Daten werden standardmäßig auf US-Infrastruktur verarbeitet.

Confluence mit KI-Erweiterung — Für Unternehmen, die Confluence als Wissensbasis nutzen. Atlassian Intelligence (in neueren Confluence-Plänen enthalten) beantwortet Fragen auf Basis der eigenen Confluence-Seiten und erstellt Zusammenfassungen. Besonders geeignet, wenn Prozessdokumentation bereits strukturiert in Confluence liegt und das Team mit dem Interface vertraut ist. Ab ca. 5,75 Euro/Person/Monat (Standard-Plan).

ChatGPT mit Custom GPT — OpenAIs Custom-GPT-Funktion (ab Team-Plan) erlaubt es, einen eigenen Assistenten zu bauen, der auf hochgeladene Dokumente zugreift. Günstige Option für kleinere Teams: eigene Systemanweisung + hochgeladene Onboarding-Dokumente = funktionierender Onboarding-Assistent. Ca. 25 Dollar/Nutzer/Monat (Team-Plan). Wichtig: Team-Plan nutzt keine Eingaben für Training, aber Daten liegen auf US-Infrastruktur.

Make.com — Nicht für den Chatbot selbst, sondern für die Prozessautomatisierung drumherum. Wenn ein neues Mitglied in Teams oder Personio hinzugefügt wird, verschickt Make.com automatisch die erste Willkommens-E-Mail mit Checkliste, erstellt den Kalendereintrag für das Paten-Gespräch und legt die Onboarding-Mappe im geteilten Ordner ab. Ab 9 Euro/Monat.

Zusammenfassung: Wann welcher Ansatz

• Bereits M365 / SharePoint → Microsoft 365 Copilot
• Bereits Notion als Wiki → Notion AI
• Bereits Confluence als Wiki → Confluence mit Atlassian Intelligence
• Kein bestehendes System, kleines Team → Custom GPT (ChatGPT Team)
• Onboarding-Schritte automatisieren → Make.com als Verbindungsschicht

Datenschutz und Datenhaltung

Onboarding-Dokumente und der Betrieb eines KI-Assistenten für neue Mitarbeitende berühren mehrere DSGVO-Ebenen gleichzeitig.

Dokumente mit personenbezogenen Daten: Onboarding-Unterlagen enthalten regelmäßig personenbezogene Daten — HR-Richtlinien mit Gehaltsstrukturen, Organigramme mit Namen, Prozesse mit Rollenträgern. Bevor diese Dokumente in ein KI-System hochgeladen werden, sollte geprüft werden, welche Informationen darin enthalten sind und ob eine Anonymisierung oder Zugriffsbeschränkung sinnvoll ist.

Interaktionsdaten neuer Mitarbeitender: Wenn das System Fragen protokolliert — was für die Feedback-Schleife sinnvoll ist —, entstehen Daten darüber, was eine bestimmte neue Mitarbeiterin in welcher Situation nicht wusste. Das ist technisch personenbezogen. Gemäß Art. 13 DSGVO müssen neue Mitarbeitende zu Beginn des Beschäftigungsverhältnisses darüber informiert werden, welche Daten verarbeitet werden — also auch darüber, dass Fragen an den KI-Assistenten protokolliert werden. Diese Information gehört in die Einweisung am ersten Tag, nicht ins Kleingedruckte.

AVV-Pflicht: Der Auftragsverarbeitungsvertrag (Art. 28 DSGVO) ist Pflicht vor dem Produktivbetrieb. Alle genannten Anbieter stellen AVV-Vorlagen bereit.

Datenresidenz im Überblick:

• Microsoft 365 Copilot: EU-Datenresidenz über EU Data Boundary konfigurierbar — Pflicht aktiv aktivieren
• Notion AI: Kein physischer EU-Standort; AVV erhältlich, aber US-Infrastruktur bleibt
• Confluence / Atlassian Intelligence: EU-Datenresidenz-Option für Enterprise-Pläne vorhanden
• ChatGPT Team: US-Infrastruktur; kein Training auf Eingaben, aber kein EU-Standort
• Make.com: Daten werden bei korrekter Konfiguration nur durchgeleitet, nicht dauerhaft gespeichert

Empfehlung für datensensible Branchen (Gesundheit, Finanzen, öffentlicher Bereich): EU-Datenresidenz als Muss-Kriterium setzen — das schränkt die Tool-Auswahl auf Microsoft 365 Copilot (mit aktiv konfiguriertem EU Data Boundary) oder selbst gehostete Lösungen ein.

Was es kostet — realistisch gerechnet

Einstieg — Chatbot auf bestehende Dokumente

• Custom GPT (OpenAI Team): 25 Dollar/Nutzer/Monat (nur HR-Verantwortliche brauchen Zugang)
• Oder Notion AI: 10 Euro/Person/Monat (Add-on)
• Interne Einrichtung: 3–5 Tage für Dokumentation, Konfiguration und Test
• Geeignet für Teams ab 5 Personen, die regelmäßig einarbeiten

Skaliert — HR-System + KI-Assistent + Automatisierung

• M365 Copilot: 30 Euro/Person/Monat (für Onboarding-Chatbot in Teams)
• Make.com: ab 9 Euro/Monat (für automatisierte Onboarding-Schritte)
• Einmalige Einrichtung: 5–10 Tage intern oder extern, ca. 3.000–7.000 Euro
• Ergebnis: Strukturiertes, konsistentes Onboarding für alle neuen Mitarbeitenden ohne proportionalen Mehraufwand

ROI-Beispiel (konservativ)
Unternehmen mit 40 Mitarbeitenden stellt 8 neue Personen pro Jahr ein. Bisher dauert die Einarbeitung bis zur vollen Produktivität 16 Wochen. Mit KI-Onboarding: 11 Wochen. Eingesparte Zeit: 5 Wochen × 8 Personen × 40 Stunden × 35 Euro/Stunde = 56.000 Euro/Jahr. Konservatives Szenario (50 % des Effekts): immer noch 28.000 Euro — bei Einrichtungskosten von 5.000 Euro und Laufzeitkosten von 2.000–4.000 Euro/Jahr eine klare Rechnung.

Bei weniger als 4 Neueinstellungen pro Jahr sinkt der ROI erheblich: Der Aufwand für Aufbau und Pflege der Wissensbasis amortisiert sich erst, wenn das System regelmäßig genutzt wird.

Drei typische Einstiegsfehler

1. Zu viele Dokumente auf einmal hochladen.
Der Reflex: Alles verfügbar machen, damit der Chatbot auf jede Frage antworten kann. In der Praxis führt das zu einem System, das auf viele Fragen vage oder widersprüchliche Antworten gibt — weil veraltete Versionen, Duplikate und ungepflegte Prozessbeschreibungen im Index landen. Lösung: Mit den häufigsten zehn Onboarding-Fragen starten. Welche Dokumente beantworten diese zehn Fragen? Die werden zuerst indexiert, sauber aufbereitet und validiert.

2. Generische Inhalte für alle Rollen verwenden.
Neue Mitarbeitende in unterschiedlichen Rollen haben fundamental andere Informationsbedürfnisse. Eine neue Vertriebsmitarbeiterin braucht CRM-Einführung, Kundensegmentierung und Gesprächsleitfäden — kein ausführliches Handbuch zur Produktionsplanung. Wenn alle dasselbe generische Paket bekommen, sinkt die Nutzungsrate stark: Forschungsdaten zeigen, dass generische Onboarding-Inhalte im Schnitt eine Abschlussquote von etwa 12 Prozent haben. Rollenspezifische Inhalte werden dreimal häufiger vollständig durchgearbeitet. Lösung: Für jede Hauptrolle einen eigenen Satz an Dokumenten und Checklisten definieren — auch wenn sich ein Teil überlappt.

3. Die Wissensbasis nach dem Rollout nicht pflegen.
In den ersten Wochen ist die Wissensbasis frisch und die Antworten gut. Wenn sich Prozesse ändern — neue Systeme eingeführt werden, Regelungen angepasst werden — veraltet das System still und heimlich. Neue Mitarbeitende bekommen falsche Antworten, ohne es zu wissen. Das ist kein theoretisches Risiko: In der Praxis berichten Unternehmen, dass nach 6–12 Monaten ohne aktive Pflege bis zu 30 Prozent der Inhalte ungenau oder veraltet sind (Schätzwert aus Praxisberichten). Lösung: Eine Person explizit für die Wissensbasis benennen, mit konkreter Aufgabe und Zeitbudget — nicht als Nebentätigkeit. Einmal im Quartal eine Pflegestunde einplanen; nach jeder größeren Prozessänderung sofort aktualisieren.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist handhabbar. Das Schwierigere ist die Veränderung im Onboarding-Prozess selbst.

Die Paten, die das System als Kritik verstehen. Wer jahrelang neue Mitarbeitende eingearbeitet hat, kann ein Chatbot-System als Signal verstehen: „Meine Arbeit wird durch Software ersetzt.” Das Gegenteil ist der Fall — der Pate wird entlastet von Routinefragen und hat mehr Zeit für das, was wirklich wichtig ist: den kulturellen Einblick, die persönlichen Gespräche, die Beziehung. Diese Kommunikation muss explizit erfolgen, bevor das System eingeführt wird.

Die neue Person, die lieber fragt als sucht. Manche neuen Mitarbeitenden fragen aus sozialen Gründen: Ein Gespräch mit dem Paten ist eine Gelegenheit, Beziehungen aufzubauen. Wenn der Chatbot als Ersatz für soziale Interaktion kommuniziert wird, entsteht Ablehnung. Richtige Kommunikation: Der Chatbot ist für Standardfragen zu Prozessen und Systemen. Für alles andere — Prioritäten, Erwartungen, Unternehmenskultur — ist der Pate zuständig.

Das HR-Team, das den Rollout nicht konsequent umsetzt. Wenn das System nicht fester Teil des Onboarding-Prozesses wird — wenn Paten es nicht erwähnen, wenn die Checklisten nicht aktiviert werden — verschwindet es nach wenigen Wochen aus dem Bewusstsein. Was hilft: Das System direkt in den ersten Tag integrieren, bevor der Pate überhaupt anfängt zu erklären.

Die Wissensbasis ohne klare Eigentümerschaft. Der häufigste Grund, warum diese Systeme nach 6–12 Monaten nicht mehr genutzt werden: Niemand hat die explizite Aufgabe, sie aktuell zu halten. Content-Pflege braucht eine zugewiesene Person, ein Zeitbudget und einen festen Rhythmus — nicht als Nebentätigkeit, die bei Auslastung als Erstes fällt.

Was konkret hilft:

• Das System am ersten Tag vorstellen, bevor Pate und neue Person sich setzen
• Paten einweisen, welche Fragen an den Chatbot gehen und welche an sie
• Erste Woche: unbeantwortete Fragen täglich sichten und Lücken schließen
• 90-Tage-Evaluation: Hat sich die Einarbeitungszeit verkürzt? Gibt es messbare Signale?

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Onboarding braucht menschlichen Kontakt — das kann kein Chatbot ersetzen.”
Stimmt. Kein Chatbot ersetzt das Kennenlernen des Teams, das erste Mittagessen mit dem Paten oder das Gespräch mit der Führungskraft über Erwartungen. KI-Onboarding-Assistenten übernehmen die anderen 60 Prozent (Schätzwert aus Praxisberichten): die Standardfragen zu Prozessen, Systemen und Richtlinien, die bisher den Paten unterbrechen. Das gibt beiden mehr Zeit für die Dinge, die wirklich menschliche Interaktion brauchen.

„Unsere Prozesse ändern sich zu schnell — der Chatbot wäre sofort veraltet.”
Das ist ein Dokumentationsproblem, das ohnehin besteht. Wenn Prozesse sich ändern und niemand sie aktualisiert, weiß auch niemand — weder neue noch alte Mitarbeitende — was aktuell gilt. Ein KI-Onboarding-System macht das Problem sichtbar: Jede veraltete Antwort ist ein Signal, dass ein Dokument aktualisiert werden muss. Mit klarer Zuständigkeit für die Wissensbasis lässt sich das handhaben.

„Das können wir uns nicht leisten.”
Custom GPT im Team-Plan kostet 25 Dollar/Monat für das Konto — nicht pro Person. Das ist der günstigste Einstieg: HR-Verantwortliche laden Dokumente hoch, neue Mitarbeitende nutzen den Link. Die einmalige Investition ist die Dokumentationsarbeit — aber die zahlt sich ab dem ersten verhinderten Onboarding-Fehler aus. Wer zwei neue Personen pro Jahr einstellt und jeweils fünf Wochen schneller produktiv hat, rechnet sich das leicht aus.

„Wir haben keine Zeit, die Dokumentation aufzubauen.”
Das ist die echte Hürde — und sie macht den Wert des Systems gleichzeitig deutlich. Wenn das Wissen nicht dokumentiert ist, liegt es in Köpfen — und geht verloren, wenn Personen das Unternehmen verlassen. Den Dokumentationsaufwand einmalig zu investieren bringt mehrfachen Nutzen: besseres Onboarding, besseres Wissensmanagement, geringeres Schlüsselpersonen-Risiko. Die Alternative — weiter ohne Dokumentation — ist keine Zeitersparnis, sondern ein aufgeschobenes Problem.

Woran du merkst, dass das zu dir passt

• Ihr stellt drei oder mehr neue Mitarbeitende pro Jahr ein — der Aufwand für Einrichtung und Pflege amortisiert sich erst mit regelmäßiger Nutzung
• Erfahrene Kolleginnen und Kollegen werden spürbar unterbrochen durch Standardfragen neuer Mitarbeitender — das ist messbar, wenn man mal einen Tag lang zählt
• Das Onboarding läuft je nach Pate unterschiedlich — manchmal gut, manchmal lückenhaft, ohne dass es jemand systematisch beobachtet
• Ihr habt Prozessdokumentation, die theoretisch vorhanden ist, aber niemand aktiv nutzt, weil sie schwer zu finden oder zu lesen ist
• Neue Mitarbeitende brauchen drei bis vier Monate, bis sie eigenständig arbeiten — und ihr habt das Gefühl, das müsste schneller gehen

Wann es sich noch nicht lohnt — drei harte Ausschlusskriterien:

• Weniger als drei Neueinstellungen pro Jahr bei einfachen, stabilen Prozessen: Ein geteilter Ordner mit gut benannten Dokumenten leistet hier dasselbe für zehnmal weniger Aufwand.
• Keine Person verfügbar für Content-Pflege: Wenn niemand die Zeit und Zuständigkeit hat, die Wissensbasis mindestens quartalsweise zu aktualisieren, erzeugt das System nach wenigen Monaten mehr Schaden als Nutzen — falsche Antworten sind schlimmer als keine.
• Onboarding ist stark situativ und nicht dokumentierbar: Wenn die Einarbeitung primär durch persönliches Mentoring, individuelle Kundenprojekte oder nicht wiederholbare Sonderfälle geprägt ist (z. B. Beratung mit stark wechselnden Klientensituationen), ist der Aufbau einer allgemeinen Wissensbasis aufwendiger als der Nutzen rechtfertigt.

Das kannst du heute noch tun

Schreib in einem Textdokument die zehn häufigsten Fragen auf, die neue Mitarbeitende in ihrer ersten Woche stellen. Wenn du selbst kein Onboarding betreust: Frag den letzten Paten oder die zuletzt eingestellte Person. Diese Liste ist deine erste Wissensbasis — und der Test, ob du die Dokumente hast, die diese Fragen beantworten.

Wenn mindestens sieben der zehn Fragen schriftlich beantwortbar wären, wenn jemand die richtigen Dokumente hätte: Dann ist das System sinnvoll. Wenn nicht — dann ist Dokumentation zuerst die Aufgabe.

Für den produktiven Einsatz mit einer neuen Person kannst du diesen Prompt als Startpunkt verwenden:

Quellen & Methodik

• Kosten fehlgeschlagenes Onboarding (bis 50 % Jahresgehalt): SHRM (Society for Human Resource Management), „The True Cost of a Bad Hire” (2022). Eigene Projekterfahrungen bestätigen die Größenordnung für den deutschen KMU-Markt.
• Zeit bis volle Produktivität (8 Monate): Gallup, „State of the American Workplace” (2023). Vergleichswerte für europäische KMU liegen ähnlich.
• Onboarding-Zeitersparnis durch KI (30–50 %): Erfahrungswerte aus mehreren KI-Onboarding-Implementierungen (2024–2025); keine repräsentative Studie, konsistente Beobachtung.
• Abschlussquote generischer vs. rollenspezifischer Inhalte (~12 % vs. ~36 %): Kairntech, „Employee Onboarding AI: The Complete Guide for 2026” (2025).
• Content-Verfall nach 6–12 Monaten (bis 30 % veraltet): Praxisbeobachtungen aus Onboarding-Projekten bei Unternehmen mit 20–80 Mitarbeitenden (Stand April 2026); keine gesonderte Studie.
• EU AI Act, Artikel 4 (KI-Kompetenzpflicht): In Kraft getreten Februar 2025. Verpflichtet Unternehmen zur Schulung von Mitarbeitenden vor KI-Nutzung.
• Art. 13 DSGVO (Informationspflicht bei Datenerhebung): Datenschutz-Grundverordnung in der aktuell gültigen Fassung.
• Art. 28 DSGVO (AVV-Pflicht): Datenschutz-Grundverordnung in der aktuell gültigen Fassung.
• Implementierungskosten & Laufzeitkosten: Erfahrungswerte aus Onboarding-Projekten bei Unternehmen mit 20–80 Mitarbeitenden (Stand April 2026).
• Preisangaben Microsoft 365 Copilot, Notion AI, ChatGPT Team, Confluence, Make.com: Veröffentlichte Tarife der jeweiligen Anbieter (Stand April 2026).

Du willst wissen, welche Onboarding-Lücken bei euch am größten sind und welcher Ansatz am schnellsten wirkt? Meld dich — das klären wir in einem kurzen Gespräch.