Personalwesen & HR

Stellenanzeigen sind oft zu generisch oder zu technisch formuliert — sie sprechen die falschen Kandidaten an oder schrecken gute ab. Gleichzeitig verschlingt die Bewerbungssichtung enorm viel Zeit.

Ein Large Language Model (LLM) analysiert erfolgreiche Anzeigen und erstellt auf Basis von Anforderungsprofilen zielgruppenoptimierte Stellenausschreibungen — inklusive NLP-gestützter Vorfilterung eingehender Bewerbungen nach definierten Kriterien.

Mehr qualifizierte Bewerbungen kommen rein, die Sichtungszeit pro Stelle sinkt um 60–80 % (Schätzwert aus Praxisberichten) und HR-Teams können sich auf Gespräche statt Papier konzentrieren.

ChatGPT direkt (kein Setup, sofort nutzbar)HR-Plattform mit KI-Modul (Personio, Greenhouse)Vollautomatisierte ATS-Pipeline mit API-Anbindung

Arbeitszeugnisse zu schreiben ist zeitintensiv und rechtlich heikel — die Zeugnissprache hat ungeschriebene Regeln, die man kennen muss. Fehler können zu Klagen führen.

Ein Large Language Model (LLM) generiert Zeugnisentwürfe auf Basis von Beurteilungsbogen-Eingaben, kennt die Kodierungen der deutschen Zeugnissprache und erstellt rechtssichere, individuell wirkende Texte.

HR spart pro Zeugnis 1–2,5 Stunden, Mitarbeiter bekommen schnellere Zeugnisse und die Qualität ist konsistent hoch — ohne Rechtsrisiko.

ChatGPT mit Zeugnissprache-Prompt (kein Setup)HR-Plattform mit Zeugnis-Workflow (Personio, rexx)Custom-Lösung mit HRIS-Integration

Bewerbungssichtung kostet HR-Teams täglich Stunden — und trotzdem werden relevante Kandidaten übersehen oder qualifizierte Bewerber warten zu lange.

Natural Language Processing (NLP) analysiert Lebensläufe und Anschreiben semantisch nach konfigurierten Anforderungen und erstellt priorisierte Kandidatenlisten mit Begründungen — ohne reine Stichwortsuche.

Sichtungszeit sinkt um 70–80 % (Schätzwert aus Praxisberichten), Shortlisting geht schneller und kein relevanter Kandidat geht mehr verloren.

ChatGPT / Claude direkt (kein Setup)Workflow-Automatisierung via Make.comATS mit KI-Screening (Personio, Greenhouse)

Onboarding läuft in vielen Unternehmen unstrukturiert ab — neue Mitarbeiter fühlen sich überfordert oder allein gelassen, was Frühfluktuation begünstigt.

Ein RAG-basierter KI-Assistent beantwortet Fragen neuer Mitarbeitender rund um die Uhr aus einer strukturierten Wissensbasis — und automatisierte Workflows erinnern HR und Führungskräfte an ausstehende Onboarding-Schritte.

Neue Mitarbeiter erreichen volle Produktivität 4–8 Wochen früher, Frühfluktuation sinkt messbar und HR spart 2–4 Stunden pro Woche bei Standardfragen.

ChatGPT/Claude für Onboarding-Pläne (kein Setup)Notion AI + Make.com als Onboarding-Wiki mit AutomatisierungPersonio oder HR-Software mit integriertem KI-Onboarding

Interviews verlaufen oft unstrukturiert und subjektiv — verschiedene Interviewer bewerten gleiche Kandidaten sehr unterschiedlich, was die Vergleichbarkeit erschwert.

Ein LLM übersetzt das Anforderungsprofil in strukturierte Interviewleitfäden mit verhaltensbezogenen STAR-Fragen, Bewertungsrubriken und Notizvorlagen — rollen- und kompetenzspezifisch in 20–40 Minuten.

Interviewleitfäden entstehen in 20–40 Minuten statt 2–4 Stunden, Interviews werden vergleichbarer und fairer, und neue Führungskräfte können sofort strukturiert interviewen.

ChatGPT direkt (kein Setup, sofort nutzbar)KI + Notion als Interview-DatenbankHR-Software mit integriertem Interview-Modul (Personio)

Feedbackgespräche sind wichtig, aber selten gut vorbereitet — ohne Struktur bleiben sie oberflächlich und verfehlen ihren Entwicklungszweck.

Ein LLM erstellt Gesprächsleitfäden aus strukturierten Eingaben und formuliert konstruktives Feedback — NLP-basierte Sentiment-Analyse wertet Freitextantworten aus Mitarbeiterbefragungen systematisch aus.

Feedbackgespräche werden konkreter, die Vorbereitungszeit sinkt von 1–3 Stunden auf 20–40 Minuten, und 200 Freitextantworten aus Mitarbeiterbefragungen lassen sich in 2–4 Stunden statt wochenlang auswerten.

ChatGPT / Claude direkt (kein Setup)HR-Software mit KI-Modul (z.B. Personio)Eigener Feedback-Assistent mit RAG + Dokumentenanbindung

Gehaltsentscheidungen werden oft bauchgefühlsbasiert getroffen — ohne Marktvergleich entstehen Vergütungsungerechtigkeiten, die Fluktuation und Unzufriedenheit verursachen.

NLP-basierte Tools aggregieren Marktgehaltsdaten aus strukturierten Quellen, statistische Vergleichsmodelle spiegeln die interne Vergütungsstruktur gegen externe Benchmarks und zeigen Ausreißer und Handlungsfelder auf.

Vergütungsentscheidungen sind fairer und marktgerecht, eine Gehaltsmarktanalyse dauert 45–90 Minuten statt 3–8 Stunden, und Unterbezahlungen werden systematisch erkannt bevor sie zur Kündigung führen.

ChatGPT/Claude direkt mit Prompt-TemplatesJulius AI für strukturierte TabellenanalyseHRIS-Anbindung via Personio + BI-Tooling

Fortbildungsbudgets werden oft ineffizient eingesetzt, weil Bedarf nicht systematisch erhoben wird — teure Maßnahmen verpuffen wirkungslos.

Ein LLM wertet Kompetenzprofile, Feedbackdaten und Unternehmensziele aus — kollaboratives Filtern und Soll-Ist-Abgleich empfehlen gezielt Fortbildungsmaßnahmen mit erwartetem ROI.

Bis zu 20 % des Fortbildungsbudgets wird wirksamer eingesetzt, Kompetenzlücken werden proaktiv erkannt und individuelle Lernpfade entstehen in 1–3 Tagen statt wochenlang.

ChatGPT/Claude direkt (kein Setup, sofort nutzbar)HR-Software mit Kompetenz-Modul (z.B. Personio)Integriertes LMS mit KI-Lernpfaden (z.B. Viva Learning)

Trennungsgespräche sind emotional belastend und rechtlich heikel — ohne Vorbereitung passieren Fehler, die teuer werden oder Menschen unnötig verletzen.

Ein LLM (Large Language Model) erstellt auf Basis des geschilderten Sachverhalts einen strukturierten Gesprächsleitfaden mit empfohlenen Formulierungen, einer Do-not-say-Liste und rechtlichen Hinweisen.

Gespräche verlaufen professioneller und menschlicher, rechtliche Risiken sinken — ein vermiedener Arbeitsgerichtsprozess spart 15.000–35.000 Euro.

ChatGPT / Claude direkt (kein Setup)Eigener Prompt-Leitfaden im HR-WikiHR-System mit integriertem Prozessmodul (z. B. Personio)

Personalentwicklung läuft in vielen Unternehmen reaktiv statt strategisch — Schlüsselpositionen werden erst dann neu besetzt, wenn sie frei werden.

Predictive Analytics und LLM-gestützte Auswertung analysieren Mitarbeiterpotenziale, Fluktuationsrisiken und Kompetenzlücken — und erstellen auf dieser Basis konkrete Vorschläge für Nachfolgeplanung und Talentförderung.

Unternehmen sind bei Abgängen besser vorbereitet, Talente werden früher erkannt und gefördert — eine verhinderte Schlüsselfluktuation spart 40.000–80.000 Euro Wiederbeschaffungskosten.

ChatGPT/Claude direkt (kein Setup)HR-Software mit Talent-Modul (Personio)Enterprise People Analytics (Workday)

HR-Teams in KMU verbringen bis zu 40 Prozent ihrer Zeit mit wiederkehrenden Mitarbeiteranfragen zu Standardthemen, die keine individuelle Beratung erfordern.

Ein RAG-basierter KI-Assistent (Retrieval-Augmented Generation) durchsucht die eigene HR-Dokumentation semantisch und beantwortet Standard-Anfragen sofort — komplexe Fälle werden automatisch an die zuständige Person weitergeleitet.

70–80 Prozent der Standard-Anfragen automatisch beantworten (Schätzwert aus Praxisberichten), HR-Kapazität für strategische Aufgaben freisetzen.

ChatGPT Custom GPT oder Notion AI (kein Dev-Aufwand)Microsoft 365 Copilot (Teams-Integration, hohe Adoption)nele.ai (DSGVO-konform, Serverstandort Deutschland, RAG auf HR-Docs)

Gehaltsverhandlungen scheitern oder verlaufen unbefriedigend, weil HR ohne aktuelle Marktdaten agiert und Gesprächsführung nicht systematisch vorbereitet wird.

Ein LLM (Large Language Model) recherchiert und synthetisiert aktuelle Gehaltsmarktdaten für spezifische Positionen, simuliert Verhandlungsszenarien per Rollenspiel-Prompting und erstellt Argumentationsrahmen für typische Einwände.

Bessere Verhandlungspositionen auf Datenbasis, weniger Kandidatenverluste durch marktfremde Angebote — jede verhinderte Absage nach langem Recruiting-Prozess spart 6.000–12.000 Euro Wiederbeschaffungskosten.

ChatGPT / Perplexity direkt (kein Setup)KI + strukturiertes Dokumentations-FrameworkIntegriert in HR-Tool (Notion AI, M365 Copilot)

HR-Kennzahlen werden entweder gar nicht systematisch ausgewertet oder das Erstellen von Reports kostet wertvolle Zeit, die für strategische Aufgaben fehlt.

Ein LLM aggregiert und interpretiert Daten aus HR-Systemen, erstellt automatische Monatsberichte und identifiziert per statistischer Trendanalyse Auffälligkeiten bei Fluktuation, Fehlzeiten und Recruiting-Performance.

Monatlichen Report-Aufwand von 4–6 Stunden auf 30 Minuten reduzieren, Frühwarnsystem für Fluktuation und Fehlzeiten-Trends etablieren.

ChatGPT + CSV-Export (kein Setup, sofort nutzbar)Julius AI + Make.com (automatischer Monatsreport)Power BI + HR-System-API (professionelles Dashboard)

Fehlzeiten werden erst dann zum Thema, wenn sie sich häufen und die Produktion oder das Team belasten. Frühwarnsignale werden übersehen, weil keine systematische Auswertung stattfindet.

Machine-Learning-Mustererkennung analysiert Fehlzeitendaten nach statistischen Auffälligkeiten (Wochentag, Abteilung, Jahreszeit); ein LLM generiert darauf aufbauend automatische Gesprächsvorbereitungen für HR-Manager.

Fehlzeitenquote um 15–20% senken durch frühzeitige Gesprächsführung (Schätzwert aus Praxisberichten); monatliche Auswertungszeit von 3 Stunden auf 20 Minuten reduzieren.

HR-System-Analytics (Personio, rexx)HR-Export + Power BI Custom-DashboardCustom-Mustererkennungsmodell + LLM-Gesprächsvorbereitung

Unternehmen wissen nicht, warum qualifizierte Kandidaten absagen oder weshalb die Fluktuation in bestimmten Teams höher ist — und geben deshalb Geld für generisches Employer-Branding aus, das nichts ändert.

NLP-basierte Sentiment-Analyse und Topic-Modelling clustern Feedback aus Kununu, Exit-Interviews und Mitarbeiterbefragungen; ein LLM synthetisiert die Muster zu konkreten Handlungsempfehlungen zu Schwachpunkten der Arbeitgeberwahrnehmung.

Gezieltere Employer-Branding-Investitionen durch datengestützte Priorisierung; Feedback-Analyse in 4–8 Stunden statt 3–6 Tagen; Bewerberqualität und Retention verbessern sich durch authentischere Kommunikation.

LLM-Prompt auf Kununu + Exit-InterviewsLeapsome/Haiilo für strukturiertes FeedbackBrandwatch/Talkwalker für externe Wahrnehmung

HR-Dokumente in Amtsdeutsch werden selten gelesen und bei Änderungen nicht systematisch aktualisiert — was zu Unwissenheit und Compliance-Risiken führt.

LLM vereinfacht HR-Dokumente, erstellt verständliche Zusammenfassungen und pflegt einen internen FAQ-Bot für Urlaub, Elternzeit, Homeoffice und Benefits.

HR-Standardanfragen um 40–50 % reduzieren; Erstellungszeit für neue HR-Kommunikation von 4 Stunden auf unter 45 Minuten senken.

ChatGPT/Claude für DokumentenvereinfachungMicrosoft 365 Copilot oder Notion AI im WikiGuru/Confluence + RAG-FAQ-Bot mit Versionierung

Wenn Schlüsselpersonen das Unternehmen verlassen, fehlt oft ein klarer Nachfolgeplan. Nachfolger werden ad hoc und subjektiv bestimmt, weil keine systematische Talentdatenbank existiert.

Ein LLM synthetisiert unstrukturierte Gesprächsprotokolle zu verdichteten Kompetenzprofilen; NLP-basiertes Matching vergleicht Kandidatenprofile systematisch mit Anforderungsprofilen und erstellt strukturierte Talent-Maps mit Nachfolgeempfehlungen und Entwicklungslücken je Kandidat.

Time-to-Fill für Schlüsselpositionen von 90 auf 30 Tage reduzieren, interne Besetzungsrate um 25% steigern, Wissenstransfer systematischer gestalten.

Personio-Export + LLM-Auswertung in ExcelVisier People Analytics für mittlere UnternehmenSAP SuccessFactors oder Workday Succession-Modul

Unternehmen investieren in Benefits, die kaum jemand kennt oder nutzt. HR kommuniziert einmal beim Onboarding und danach nicht mehr — und fragt sich, warum die Benefits-Budgets keine Wirkung auf Zufriedenheit und Retention haben.

Ein LLM analysiert Nutzungsstatistiken der Benefits-Plattform per NLP, identifiziert blinde Flecken nach Zielgruppe und Lebensphase, und erstellt personalisierte Kommunikation — von gezielten E-Mail-Sequenzen bis zu Push-Nachrichten in der Mitarbeiter-App.

Benefits-Nutzungsrate um 35–55 % steigern, wahrgenommenen Wert des Vergütungspakets ohne Mehrinvestition erhöhen, Zufriedenheit messbar verbessern.

ChatGPT/Claude + manueller E-Mail-VersandBrevo + Make.com für automatisierte SequenzenBenify/Staffbase als komplette Plattform

Unternehmen wissen oft nicht, ob ihre Personalprozesse systematische Benachteiligungen produzieren. Ohne Daten bleibt Diversity-Arbeit auf Absichtserklärungen beschränkt — und wird nicht ernst genommen.

Statistische Regressionsanalyse und ein LLM untersuchen aggregierte HR-Daten auf Ungleichgewichte in Einstellungs-, Beförderungs- und Vergütungsprozessen und generieren einen strukturierten Bias-Report mit konkreten Verbesserungsempfehlungen.

Erstellung eines Gehaltsgleichheits-Reports von 3–6 Wochen auf 2–5 Tage verkürzen, rechtliche Angriffsfläche nach AGG reduzieren, CSRD- und ESG-Berichtspflichten strukturiert erfüllen.

Statistische Analyse aggregierter HR-DatenLLM-Interpretation und HandlungsempfehlungenAutomatisierte ESG-Berichtsvorlagen

Wenn Mitarbeitende kündigen, geht wertvolles implizites Wissen verloren — Kundenkontakte, Prozess-Know-how, Netzwerke. Das Offboarding wird oft als reine Formalität behandelt, nicht als Wissenstransfer-Chance.

Ein LLM strukturiert Exit-Interview-Transkripte in rollenspezifische Wissensartikel, generiert maßgeschneiderte Wissenstransfer-Checklisten je Stelle und extrahiert automatisch Übergabedokumente aus bestehenden Aufzeichnungen.

Wissenstransfer-Dokumentation um rund 40 % schneller abschließen, Exit-Interview-Erkenntnisse systematisch für HR-Verbesserungen aggregieren, Einarbeitungszeit des Nachfolgers durch strukturierte Übergabe messbar verkürzen.

LLM-Analyse von Exit-Interview-TranskriptenWissenstransfer-Templates je Rolle generierenSentiment-Analyse für HR-Insights

IT-Recruiting ist zeitintensiv: Hunderte Bewerbungen manuell sichten, unklare Anforderungsprofile und lange Time-to-Hire kosten Projekte qualifizierte Entwickler.

NLP-basierte Systeme extrahieren Skills und Qualifikationen aus Bewerbungsunterlagen, ranken Kandidaten per Scoring-Modell gegen definierte Muss- und Wunschkriterien und automatisieren die Kommunikation bis zur Intervieweinladung.

Sichtungsaufwand pro Stelle von 8–10 Stunden auf 2–3 Stunden senken, Time-to-Hire von 6–8 Wochen auf 2–4 Wochen verkürzen — 3 Wochen kürzere Besetzungszeit pro Stelle entspricht 4.500–9.000 Euro weniger Opportunitätskosten.

ChatGPT/Claude als Screening-Assistent (kein ATS nötig)Personio oder Greenhouse mit KI-Add-onEnterprise ATS mit integriertem KI-Matching (Workday)

Mitarbeiterumfragen erzeugen Hunderte Freitextantworten, die manuell niemand vollständig liest — und so wertlos bleiben, obwohl sie Kündigungsabsichten und Führungsprobleme enthalten.

Ein LLM analysiert alle Freitextantworten auf Themen, Sentiment und kritische Muster — in Stunden, nicht Wochen. Das Ergebnis: priorisierte Handlungsfelder mit Belegen aus dem Datenmaterial.

Auswertungszeit von 2–3 Wochen auf 4–8 Stunden, keine relevanten Signale mehr übersehen, Handlungsbedarf in 48 Stunden kommunizierbar.

ChatGPT / Claude direkt (kein Setup)Spezialisiertes Survey-Tool mit KI-AuswertungCustom-Workflow mit n8n/Make + LLM-API