KI-gestützte interne HR-Kommunikation und Richtlinienmanagement

Das echte Ausmaß des Problems

In deutschen Unternehmen ab 50 Mitarbeitenden gibt es im Schnitt 40 bis 80 aktive HR-Dokumente: Betriebsvereinbarungen, Arbeitsanweisungen, Urlaubsregelungen, Benefits-Übersichten, Datenschutzhinweise für Mitarbeitende, Verhaltenskodizes, Notfallpläne. Die meisten davon wurden von Juristen formuliert — präzise, aber unlesbar.

Die Haufe Group HR-Service-Experience-Studie 2024 (1.904 Teilnehmende, davon 647 HR-Fachkräfte aus Unternehmen mit 50+ Mitarbeitenden in DACH) kommt zu einem klaren Befund: HR-Fachkräfte in deutschen KMU verbringen durchschnittlich 35 bis 40 Prozent ihrer Arbeitszeit mit reaktivem Service — Fragen beantworten, Informationen suchen, weiterleiten. Gleichzeitig zeigt die Studie ein Automatisierungspotenzial von 45 Prozent für administrative HR-Tätigkeiten, das in den meisten Unternehmen ungenutzt bleibt.

Das eigentliche Problem liegt tiefer als die Fragen selbst. Die meisten HR-Anfragen entstehen nicht, weil Mitarbeitende nicht lesen wollen — sie entstehen, weil die vorhandenen Dokumente nicht für das Lesen geschrieben sind. Juristisch wasserdicht, kommunikativ wertlos.

Das erzeugt eine unsichtbare Compliance-Falle: Wenn Mitarbeitende die Homeoffice-Regelung nicht verstehen, handeln sie nach ihrer besten Interpretation — nicht nach der tatsächlichen Regelung. Das ist kein Disziplinproblem. Das ist ein Dokumentenproblem.

Ein zweites Problem kommt hinzu: Versionschaos. Nach Betriebsratverhandlungen, Gesetzesänderungen und Unternehmensumstrukturierungen existieren häufig drei oder vier Versionen desselben Dokuments an verschiedenen Orten. Mitarbeitende finden bei Google Drive die Version von 2020, im SharePoint den Nachtrag von 2022, und die aktuell gültige Fassung liegt als Anhang in einer E-Mail vom März 2024.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die letzten beiden Zeilen sind bewusst verbunden: Ein Chatbot für HR-Anfragen — wie er im HR-Chatbot für Mitarbeiteranfragen beschrieben wird — ist nur so gut wie die Dokumente, auf denen er basiert. Wer den Chatbot einführt, ohne vorher die Quellen zu bereinigen, hat einen sehr selbstsicheren Bot gebaut, der sehr selbstsicher falsche Antworten gibt.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Das Herunterbrechen einer sechsseitigen Betriebsvereinbarung in ein lesbares Zweiseiten-Dokument dauert manuell einen Nachmittag — inklusive mehrerer Abstimmungsschleifen. Mit einem LLM dauert das erste Rohdraft 20 Minuten, eine Überarbeitungsschleife weitere 15 Minuten. Die Zeitersparnis pro Dokument liegt real bei 70–80 Prozent. Über eine HR-Abteilung mit 20–30 aktiven Dokumenten summiert sich das schnell auf Hunderte von Stunden jährlich.

Kosteneinsparung — niedrig (2/5) Der direkte Euro-Nutzen ist schwer zu isolieren. Es entfallen keine Lizenzen, keine Drittanbieter und keine Prozesskosten auf der Gegenseite. Der Nutzen entsteht indirekt: mehr HR-Kapazität für strategische Aufgaben, weniger Rückfragen, potenziell weniger Compliance-Vorfälle. Das ist real — aber schwerer zu buchhalterisch zu erfassen als etwa die Zeitersparnis beim Fehlzeitenmanagement oder bei der automatisierten Zeugniserstellung.

Schnelle Umsetzung — hoch (4/5) Erste KI-vereinfachte Texte kannst du noch heute produzieren — kein Setup, kein Projekt, kein Budget. Ein ChatGPT- oder Claude-Konto reicht für die ersten Rohdrafts. Den Schritt zum strukturierten Versionierungs-System und zum internen FAQ-Bot kann man in 1–2 Wochen vollziehen. Damit gehört dieser Anwendungsfall zu den wenigen, bei denen “heute anfangen” keine Übertreibung ist.

ROI-Sicherheit — mittel (3/5) Die Zeitersparnis bei der Dokumentenerstellung ist direkt messbar. Was schwerer zu beziffern ist: der Compliance-Nutzen (weniger Fehlinterpretationen, weniger Arbeitsrechtsvorfälle) und die indirekten Rückfragenreduktion. Die IBM AskHR-Implementierung (zitiert in McKinsey und IBM Watson Talent, 2024) dokumentiert eine 75-prozentige Reduktion von HR-Supporttickets — aber das betrifft einen Konzern mit 250.000+ Mitarbeitenden, keine mittelständische HR-Abteilung. Für KMU ist die Größenordnung bescheidener und die Messung indirekter.

Skalierbarkeit — mittel (3/5) Mit zunehmender Dokumentenzahl und Unternehmensgröße wächst der Nutzen — aber auch der Pflegeaufwand. Neue Betriebsvereinbarungen müssen vereinfacht werden. Gesetzesänderungen erfordern Dokumentenaktualisierungen. Wenn niemand aktiv die Pflege übernimmt, veralten die Texte — und dann ist die KI-Version genauso falsch wie die ursprüngliche juristische. Der Pflegeaufwand wächst proportional zum Dokumentenvolumen mit, anders als beim reinen Chatbot-Ansatz.

Richtwerte — stark abhängig von Unternehmensgröße, vorhandener Dokumentationsbasis und HR-Teamkapazität.

Was KI bei HR-Kommunikation konkret macht

Es gibt zwei klar trennbare Einsatzbereiche, die sich gut kombinieren lassen:

Bereich 1: Texterstellung und -vereinfachung

Ein LLM kann bestehende juristische HR-Dokumente in klare, lesbare Sprache übersetzen — ohne den rechtlichen Kern zu verfälschen. Der Prozess läuft typischerweise so:

1. Du gibst dem LLM die Originalversion der Betriebsvereinbarung oder Richtlinie.
2. Du definierst die Zielgruppe (“schreibe für Mitarbeitende ohne juristische Kenntnisse, max. 2 Seiten, aktive Sprache, Du-Form”).
3. Das LLM erstellt einen Rohdraft — einen verständlichen Begleittext zur Originalversion.
4. Du prüfst: Sind alle wesentlichen Punkte korrekt wiedergegeben? Wurde etwas weggelassen oder verändert?
5. Feedback → Überarbeitung → finale Version.

Wichtig: Das vereinfachte Dokument ergänzt die juristische Originalversion, es ersetzt sie nicht. Der Originaltext bleibt das rechtsverbindliche Dokument. Die vereinfachte Version ist eine Lesehilfe, kein Ersatz.

Das LLM erstellt auch neue HR-Kommunikation — Elternzeit-Hinweise nach Gesetzesänderungen, Benefits-Übersichten, Onboarding-FAQ, Willkommensschreiben für neue Mitarbeitende. Was früher einen Nachmittag mit mehreren Abstimmungsrunden kostete, braucht jetzt eine Dreiviertelstunde.

Bereich 2: Interner FAQ-Bot auf Basis sauberer Dokumente

Wenn die Dokumentenbasis erst bereinigt und vereinfacht ist, kannst du darauf einen RAG-basierten FAQ-Bot aufbauen. Dieser Bot beantwortet Standardanfragen zu Urlaub, Elternzeit, Homeoffice-Regelungen und Benefits direkt — mit Quellenangabe. Details zum Bot-Aufbau beschreibt der HR-Chatbot für Mitarbeiteranfragen ausführlicher; hier ist die Kernbotschaft: Ohne saubere Dokumente funktioniert der Bot nicht zuverlässig.

Der häufigste Fehler bei der Bot-Einführung: Man indexiert die alten, unbereinigten Dokumente — inklusive Versionen von 2019, Nachträgen aus 2021 und dem E-Mail-Anhang von 2023, der irgendwann mal die offizielle Ergänzung zur Betriebsvereinbarung war. Der Bot zieht dann aus drei widersprüchlichen Quellen seine Antworten — mit vollständiger Selbstsicherheit.

Konkrete Werkzeuge — was wann passt

ChatGPT (GPT-4o) — Der direkteste Einstieg für Texterstellung und -vereinfachung. Du lädst das HR-Dokument hoch, gibst eine klare Anweisung und bekommst innerhalb von Minuten einen Rohdraft. Für einmalige Vereinfachungsaufgaben oder neue Kommunikationstexte ideal. Nachteil: Kein eingebautes Versionierungssystem, keine persistente Wissensbasis. Kosten: ab 20 USD/Monat (Plus), für Teams mit 5+ Personen ab 25 USD/Person/Monat.

Claude (Anthropic) — Besonders geeignet für längere, komplexe Dokumente wie mehrseitige Betriebsvereinbarungen. Das 200.000-Token-Kontextfenster erlaubt die Verarbeitung ganzer Dokumentenpakete auf einmal. Die Schreibqualität bei formalen deutschen Texten ist überdurchschnittlich. Kosten: ab 20 USD/Monat (Pro). Wichtig: claude.ai läuft über US-Server — für sensible Mitarbeiterdaten den Weg über AWS Bedrock (Frankfurt) oder Google Vertex AI prüfen.

Microsoft 365 Copilot — Wenn dein Unternehmen bereits Microsoft 365 nutzt, kann Copilot direkt in Word und SharePoint arbeiten: Dokument vereinfachen, Zusammenfassung erstellen, neue Texte im Kontext bestehender Dokumente formulieren. EU Data Boundary für DSGVO-konforme Verarbeitung verfügbar. Kosten: 15,60 EUR/Person/Monat zusätzlich zur M365-Lizenz.

Notion AI — Wenn ihr Notion bereits als HR-Wiki verwendet, ist Notion AI der natürliche Einstieg. Seiten zusammenfassen, neue Richtlinientexte vorformulieren, Dokumente durchsuchen. Einschränkung: Nur für Inhalte in Notion, keine externen PDFs. Kosten: Business-Tarif, ca. 20 EUR/Person/Monat.

Confluence mit Atlassian Rovo — Für Unternehmen im Atlassian-Ökosystem. Rovo ist seit Ende 2024 in allen bezahlten Confluence-Plänen enthalten — kein separates Add-on. Für HR-Dokumentation, die eng mit Projektmanagement und IT-Teams verknüpft ist.

Guru — Dedizierte Knowledge-Management-Plattform mit eingebautem Governance-Mechanismus: Jede Wissenskarte hat einen festen Besitzer und ein Ablaufdatum. Das System markiert veraltete Inhalte automatisch — genau das, was HR-Dokumente brauchen. Kosten: ca. 15 EUR/Nutzer/Monat. Sinnvoll, wenn Aktualität und Verantwortlichkeit wichtiger sind als die reine Texterstellungsfunktion.

Zusammenfassung — wann welcher Ansatz:

• Erste Tests und gelegentliche Vereinfachungen → ChatGPT oder Claude direkt
• Alles in Microsoft 365 → Microsoft 365 Copilot in Word und SharePoint
• Alles in Notion → Notion AI
• Governance und Review-Zyklen im Vordergrund → Guru
• Bot auf sauberer Wissensbasis → RAG-Ansatz auf Basis einer der obigen Optionen

Versionierungs-System: Wer pflegt was, und wann

Das ist der Teil, den die meisten überspringen — und es ist der wichtigste.

Ein KI-vereinfachtes Dokument hat am Tag der Erstellung einen Wert. In zwei Jahren, wenn eine Gesetzesänderung die Elternzeitregelung modifiziert hat oder die neue Betriebsvereinbarung einen Nachtrag bekommen hat, ist dieses Dokument gefährlicher als kein Dokument: Es klingt korrekt und aktuell, ist es aber nicht.

Deswegen braucht jedes HR-Dokument in deiner Wissensbasis drei Dinge:

1. Einen namentlichen Besitzer Nicht “HR-Abteilung”. Eine konkrete Person, die für dieses Dokument verantwortlich ist — die entscheidet: Ist dieser Inhalt noch korrekt? Muss er nach dieser Gesetzesänderung aktualisiert werden?

2. Einen klaren Auslöser für die Überprüfung Zwei Typen funktionieren in der Praxis:

• Zeitbasiert: alle 12 Monate eine feste Prüfrunde für das gesamte Dokumentenset. Wer in Guru arbeitet, kann das systemseitig erzwingen.
• Ereignisbasiert: Neue Gesetzgebung (z.B. Änderungen im Mutterschutzgesetz, BEEG, Arbeitszeitgesetz), Betriebsratswahl oder neue Betriebsvereinbarung, größere Umstrukturierung im Unternehmen.

3. Eine Versionsnummer und ein “Gültig ab”-Datum Im Dokument selbst, sichtbar. Kein Dateiname wie “Homeoffice_Regelung_final_v3_NEU.docx” — sondern im Header des Dokuments: “Version 2.1, gültig seit 01.03.2024, verantwortlich: Sandra Hartmann”.

Das ist keine KI-Aufgabe — das ist eine Organisationsentscheidung. KI hilft beim schnellen Aktualisieren eines Dokuments, wenn ein Auslöser eingetreten ist. Die Entscheidung, ob ein Auslöser eingetreten ist, und wer sie trifft, liegt beim Menschen.

Tools wie Guru lösen diesen Pflege-Zyklus technisch über erzwungene Review-Erinnerungen — aber das Prinzip gilt unabhängig vom Tool.

Betriebsrat-Dimension: Was § 87 BetrVG hier bedeutet

Wenn du einen internen HR-Chatbot oder ein FAQ-System einführst, das Nutzungsdaten von Mitarbeitenden aufzeichnet, greift § 87 Abs. 1 Nr. 6 BetrVG: Der Betriebsrat hat ein Mitbestimmungsrecht bei technischen Einrichtungen, die zur Überwachung von Verhalten oder Leistung der Arbeitnehmenden geeignet sind.

Das Arbeitsgericht Hamburg hat Anfang 2024 klargestellt: Wenn der Arbeitgeber keinen Zugriff auf Nutzungsdaten hat (z.B. Mitarbeitende nutzen ChatGPT über private Accounts), entfällt das Mitbestimmungsrecht. Wenn das Unternehmen aber ein System über eigene Infrastruktur betreibt — und nachvollziehen kann, wer wann welche Frage gestellt hat — greift § 87 Abs. 1 Nr. 6 BetrVG, und eine Betriebsvereinbarung ist vor dem Start erforderlich.

Für die Texterstellungs- und Vereinfachungsseite dieses Anwendungsfalls (HR-Mitarbeitende nutzen KI für ihre eigene Arbeit, nicht für die Überwachung anderer) ist die Rechtslage weniger eindeutig, aber ähnlich: Auch hier sollte der Betriebsrat frühzeitig eingebunden werden — nicht erst nachdem das System läuft, sondern während der Planung.

Praktische Empfehlung: Rede in der Planungsphase mit dem Betriebsrat. Nicht um eine Genehmigung zu bitten, sondern um eine gemeinsame Betriebsvereinbarung zu entwickeln, die den Einsatzbereich, den Datenzugriff und die Datenlöschung regelt. Das verhindert Blockaden nach der Einführung — und stärkt das Vertrauen der Mitarbeitenden in das System. Der Betriebsrat ist dabei kein Bremser, sondern ein Qualitätssicherungsinstrument für die Einführung. Ein eingebundener Betriebsrat, der die Vereinbarung mitgeprägt hat, ist der beste Fürsprecher bei skeptischen Mitarbeitenden.

§ 26 BDSG: Beschäftigtendatenschutz geht weiter als normaler AVV

HR-Kommunikation und HR-Richtlinien beziehen sich oft auf personenbezogene Situationen: Elternzeit, Erkrankungen, Teilzeitarbeitsmodelle, Schwerbehinderungen, Gehaltsregelungen. Wenn ein LLM dabei eingesetzt wird, diese Informationen zu verarbeiten — auch nur als Kontext für Dokumentenverbesserungen — greift nicht nur die allgemeine DSGVO, sondern spezifisch § 26 BDSG (Datenverarbeitung für Zwecke des Beschäftigungsverhältnisses).

Das bedeutet in der Praxis:

• Konkrete Mitarbeiterdaten (auch Einzelfall-Anfragen wie “Mitarbeiterin M ist seit 3 Wochen krank, wie formuliere ich das Rückkehrgespräch?”) dürfen nicht ungefiltert in externe Cloud-Modelle eingegeben werden.
• Generative KI darf für allgemeine Richtlinientexte und Kommunikationsvorlagen eingesetzt werden — ohne dass konkrete Personendaten einfließen.
• Wenn doch Personenbezug nötig ist: lokales Modell oder EU-hosted API mit AVV und nachgewiesener Löschverpflichtung.

Drei Situationen, die in der Praxis häufig vorkommen und besondere Sorgfalt brauchen:

1. Einzelfall-Kommunikation (z.B. “formuliere ein Rückkehrgespräch für Mitarbeiterin M, die nach 8 Wochen Krankenstand zurückkommt”): Keine konkreten Personendaten in externe Modelle — entweder anonymisieren oder lokale Lösung nutzen.

2. HR-Dokumente mit konkreten Personenbezügen (z.B. eine Betriebsvereinbarung mit namentlicher Regelung für bestimmte Mitarbeitende): Originaldokument anonymisieren, bevor es ins LLM geht.

3. Chatbot-Fragen mit implizitem Personenbezug (z.B. “Ich bin schwanger, wie viele Urlaubstage stehen mir noch zu?”): Wenn der Bot die Frage verarbeitet und speichert, ist das personenbezogene Verarbeitung nach § 26 BDSG — mit entsprechenden Löschfristen und Zugriffsprotokollen.

Faustregel: Richtlinientexte und allgemeine Kommunikation → LLM unkritisch nutzbar. Individuelle Mitarbeiterfälle → Anonymisieren oder lokale Lösung.

Datenschutz und Datenhaltung

Jenseits des § 26 BDSG gelten die üblichen DSGVO-Anforderungen:

• Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO — Bei allen Cloud-Anbietern (ChatGPT, Claude, Microsoft 365 Copilot) ist ein AVV vor dem Produktivbetrieb mit echten HR-Daten abzuschließen. Alle genannten Anbieter stellen Self-Service-Portale bereit.
• Microsoft 365 Copilot — EU Data Boundary-Programm verfügbar: Daten bleiben bei korrekter Konfiguration in europäischen Rechenzentren.
• ChatGPT und Claude — Standardmäßig US-seitige Verarbeitung; für HR-Kommunikation mit allgemeinen Richtlinientexten (ohne Personenbezug) vertretbar. Für individuelle Mitarbeiterdaten: nicht geeignet ohne EU-Infrastruktur.
• Notion AI — AVV verfügbar, physische Verarbeitung primär US-seitig. Für allgemeine HR-Texte vertretbar; für sensible Daten Datenschutzbeauftragten einbinden.
• Guru — EU-konform nutzbar, bietet DPA/AVV; kein eigenes EU-Rechenzentrum, aber Daten werden nach DSGVO-Standards verarbeitet.

Datenschutz-Folgenabschätzung (DSFA): Wenn ihr einen internen FAQ-Bot einführt, der Mitarbeiterfragen protokolliert, ist je nach Verarbeitungsumfang eine DSFA nach Art. 35 DSGVO erforderlich. Gebt das früh in die Planung.

Was es kostet — realistisch gerechnet

Einstieg ohne Investition (sofort möglich) Für die reine Texterstellung und -vereinfachung reicht ein ChatGPT-Plus- oder Claude-Pro-Konto — 20 USD/Monat. Das ist kein Projekt, das ist ein Tool. Eine HR-Person vereinfacht in der ersten Woche testweise drei Richtlinien — der Aufwand für das Testen ist null.

Kleines Setup (1–2 Wochen, unter 500 EUR)

• LLM-Lizenzen für 2–4 HR-Mitarbeitende: 40–120 EUR/Monat
• Notion AI (Business-Tarif) oder Confluence mit Rovo: 20–40 EUR/Person/Monat — wenn das Team die Plattform ohnehin nutzt, kommt kein Mehrpreis
• Zeit für initiale Dokumentenbereinigung: 2–4 Arbeitstage intern

Strukturiertes Setup mit FAQ-Bot (2–6 Wochen, 2.000–8.000 EUR Einrichtung)

• Externe Unterstützung für RAG-Aufbau: 2.000–5.000 EUR einmalig
• Laufend: 100–400 EUR/Monat für Infrastruktur und LLM-Kosten
• Guru als Governance-Layer: ca. 15 EUR/Nutzer/Monat

Was du dagegenrechnen kannst Drei HR-Mitarbeitende, die je 30 Minuten täglich weniger mit Rückfragen verbringen: 1,5 Stunden täglich. Bei 220 Arbeitstagen im Jahr und einem Bruttostundensatz von 30–45 EUR (Orientierungswert nach Destatis Verdienstdaten 2024): 9.900 bis 14.850 EUR jährlich in eingesparter Arbeitszeit — konservativ gerechnet, ohne den Compliance-Effekt.

Im konservativen Szenario (30 % der theoretischen Einsparung tatsächlich realisiert): ca. 3.000–4.500 EUR jährlich. Das sind mehr als die Lizenzkosten in der kleinen Setup-Variante — ab dem ersten Jahr ein positives ROI-Verhältnis, sofern die Mitarbeitenden das System tatsächlich nutzen.

Wie du den ROI tatsächlich misst Die ehrlichste Messmethode: Zähle HR-Standardanfragen vor der Einführung (vier Wochen lang verfolgen), und zähle sie sechs Monate nach der Einführung. Die Differenz — bereinigt um Saisoneffekte — ist dein messbarer Effekt.

Typische Einstiegsfehler

1. Die Originalversion durch die vereinfachte ersetzen Ein häufiger Impuls: Die vereinfachte Fassung ist so viel besser — warum noch die alte juristische Version aufheben? Weil die vereinfachte Version den Rechtsraum vereinfacht, aber nicht immer vollständig abbildet. Im Zweifel ist die juristische Originalversion die rechtsverbindliche Quelle — auch wenn niemand sie liest. Halte beide Versionen parallel, mit klarer Kennzeichnung.

2. Den FAQ-Bot ohne Dokumentenbereinigung starten Der Reflex: “Wir laden erst alle HR-Dokumente in die Wissensbasis, dann kann der Bot sofort loslegen.” Das Ergebnis: Ein Bot, der in einem widersprüchlichen Dokumentendschungel fischt und mit Zuversicht die Elternzeitregelung aus 2019 zitiert. Lösung: Erst die Wissensbasis bereinigen — Versionen konsolidieren, veraltete Dokumente aussondern, Konflikte auflösen. Dann den Bot starten.

3. Das Versionierungs-System nicht vor dem Start definieren Richtlinien ändern sich: Mutterschutzgesetz, Arbeitszeitgesetz, BEEG, individuelle Betriebsvereinbarungen. Wer kein System definiert hat, wer für welches Dokument verantwortlich ist und was den Aktualisierungsprozess auslöst, hat nach 18 Monaten eine Wissensbasis, die selbstbewusst veraltete Informationen liefert. Das ist das gefährlichste Ergebnis — nicht “keine Antwort”, sondern “falsche Antwort mit Quellenangabe”.

4. Den Betriebsrat erst informieren, wenn das System schon läuft § 87 BetrVG gilt nach dem Start genauso wie vorher — aber eine Betriebsvereinbarung im Nachhinein zu verhandeln kostet deutlich mehr Zeit und Vertrauen als eine gemeinsame Planung vorab. Betriebsräte, die erst in Kenntnis gesetzt werden, wenn das System bereits Daten sammelt, haben berechtigte Kritik — und die Möglichkeit, die weitere Nutzung bis zur Einigung auszusetzen.

5. Allgemeine KI-Fehler als Grundstein einplanen Halluzinationen von LLMs sind bei faktenbasierten HR-Texten besonders heikel. Ein LLM, das bei der Vereinfachung einer Betriebsvereinbarung aus dem Gedächtnis Paragraphennummern erfindet, die im Original nicht existieren, produziert einen rechtsrelevanten Fehler. Lösung: Jedes vereinfachte Dokument gegen das Original gegenprüfen — immer. Das ist kein optionaler Schritt.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist schnell eingerichtet. Was länger dauert: die organisatorischen Muster zu ändern.

Muster 1: “Die Dokumente sind gut genug.” In fast jeder HR-Abteilung gibt es eine Person, die die bestehenden Dokumente selbst geschrieben hat — oder eng in die Entstehung eingebunden war. Für sie sind die Dokumente gut formuliert, weil sie den juristischen Hintergrund kennt. Sie versteht nicht, warum Mitarbeitende immer wieder fragen kommen.

Was hilft: Eine kurze Nutzerforschung. Fünf zufällig ausgewählte Mitarbeitende bitten, die aktuellen Homeoffice-Regeln zu erklären — ohne nachzuschauen. Das Ergebnis ist fast immer ernüchternd und überzeugender als jedes Argument.

Muster 2: “Das überprüft doch eh jeder selbst nochmal.” HR-Mitarbeitende, die mit dem LLM arbeiten, tendieren dazu, die vereinfachten Versionen ohne vollständigen Abgleich mit dem Original zu veröffentlichen. Der Zeitdruck ist hoch, das Draft klingt gut — also geht es so raus.

Was hilft: Eine interne Checkliste für jeden vereinfachten Text: Wurde jeder Abschnitt mit der Originalversion verglichen? Ist die Version mit Datum und Verantwortlichen versehen?

Muster 3: Der FAQ-Bot ist nach der Einführung auf sich allein gestellt. Die ersten zwei Wochen nach der Einführung gibt es Begeisterung. Mitarbeitende probieren den Bot aus, fragen ihn nach den Urlaubstagen, nach der Elternzeit-Regelung. Nach zwei Monaten fehlt ein neuer Nachtrag zur Homeoffice-Regelung in der Wissensbasis — und der Bot gibt die alte Antwort. Kein Fehler, den man sieht. Erst ein Compliance-Vorfall später zeigt sich, dass der Bot monatelang veraltete Informationen gegeben hat.

Was hilft: Eine namentlich verantwortliche Person für die Wissensbasis — mit konkretem Kalender-Slot für monatliche Überprüfungen. Nicht “die IT”, nicht “alle”, sondern eine Person.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Unsere Mitarbeitenden lesen Richtlinien ohnehin nicht.” Das stimmt — wenn die Richtlinien wie Betriebsvereinbarungen geschrieben sind. Vereinfachte, klar strukturierte Dokumente mit konkreten Antworten auf häufige Fragen werden gelesen. Nicht alle, aber deutlich mehr. Die Messung ist einfach: Schaue auf die Rückfragenanzahl drei Monate nach Einführung eines vereinfachten Dokuments. Der Rückgang ist konsistent.

“KI kann juristische Texte nicht korrekt vereinfachen.” Korrekt formuliert: KI kann juristische Texte vereinfachen, aber nicht ohne Prüfung veröffentlichen. Wenn ein HR-Mitarbeitender jeden vereinfachten Text gegen das Original gegencheckt — was 15 Minuten dauert statt drei Stunden für die Gesamterstellung — ist die Qualitätssicherung gewährleistet. Das ist weniger ein Einwand gegen KI als ein Qualitätssicherungsargument, dem man zustimmen sollte.

“Wir haben keinen Betriebsrat, das ist also einfacher.” Teilweise. Ohne Betriebsrat gibt es keine § 87 BetrVG-Verpflichtung. Aber § 26 BDSG gilt trotzdem — und die Frage, wer Zugriff auf welche Nutzungsdaten hat, bleibt relevant. Außerdem: In Unternehmen ohne Betriebsrat ist das Vertrauen der Mitarbeitenden in neue Systeme oft fragiler, weil keine formale Mitarbeitervertretung die Einführung begleitet hat. Transparente Kommunikation darüber, was das System tut und was nicht, ist deswegen besonders wichtig.

“Das können wir uns nicht leisten.” Für die Texterstellungs-Funktionen reicht ein ChatGPT-Konto für 20 USD. Das ist kein Investitionsprojekt. Wenn das Argument auf den strukturierten FAQ-Bot und das Versionierungs-System zielt: Dann stimmt es — das kostet Zeit und Geld. Aber die Frage ist, was die Alternative kostet. Drei HR-Mitarbeitende, die jeden Montag zusammen 10 Stunden mit Standardanfragen verbringen, kosten beim genannten Stundensatz über das Jahr mehr als jede realistisch kalkulierte KI-Lösung.

Woran du merkst, dass das zu dir passt

• Deine HR-Abteilung beantwortet dieselben fünf Fragen immer wieder — Urlaub, Elternzeit, Homeoffice, Krankmeldung, Benefits. Du kannst diese Fragen auswendig.
• Du hast mehr als zwei Versionen derselben Richtlinie im Umlauf — und bist nicht sicher, welche die aktuell gültige ist.
• Mitarbeitende fragen Kollegen statt ins Intranet zu schauen, weil das Intranet nicht hilfreich ist.
• Du schreibst dieselbe Art von Kommunikation mehr als zweimal im Jahr — neue Mitarbeitende willkommen heißen, Compliance-Rundschreiben, Elternzeit-Hinweise.
• Du hast einen Betriebsrat, der prinzipiell offen für moderne Lösungen ist und frühzeitig eingebunden werden kann.

Drei harte Ausschlusskriterien — wann es sich (noch) nicht lohnt:

1. Unter 30 Mitarbeitenden oder weniger als 15 aktiv genutzten HR-Dokumenten. Der Einrichtungsaufwand für ein strukturiertes System ist hier nicht gerechtfertigt. Ein gut strukturierter Google-Drive- oder SharePoint-Ordner mit klarer Benennung reicht. Die Texterstellungsfunktion kann trotzdem sinnvoll sein — aber nicht als System, sondern als gelegentliches Tool.

2. Keine Person bereit oder in der Lage, die Wissensbasis dauerhaft zu pflegen. Das ist das zentrale Ausschlusskriterium. Ohne eine namentlich verantwortliche Person — mit Zeit und Zuständigkeit — produzierst du nach 18 Monaten ein System, das Mitarbeitenden mit Selbstsicherheit veraltete Informationen liefert. Das ist schlechter als kein System.

3. HR-Arbeit besteht überwiegend aus individualisierten Einzelfällen, nicht aus Standardkommunikation. In Unternehmen mit hoher Fluktuation und sehr heterogener Belegschaft (z.B. unterschiedliche Tarifverträge, viele Sondervereinbarungen) überwiegen individuelle Arbeitsverträge und Einzelfallentscheidungen so stark, dass der Nutzen aus standardisierten Richtlinientexten gering bleibt. Dann ist die Zeugniserstellung oder das HR-Reporting der wirkungsvollere Hebel.

Das kannst du heute noch tun

Öffne ChatGPT oder Claude und wähle eines der am häufigsten gefragten HR-Dokumente in eurem Unternehmen — die Homeoffice-Regelung, die Urlaubsrichtlinie oder das Elternzeit-Merkblatt.

Lade es hoch (oder kopiere den Text in das Chatfeld) und gib diesen Prompt ein:

Das dauert 15–20 Minuten. Was du danach hast: Eine klare Einschätzung, ob das Konzept für euer Unternehmen funktioniert — und einen ersten Draft, den du mit dem Original gegenchecken und dann veröffentlichen kannst.

Quellen & Methodik

• Haufe Group HR-Service-Experience-Studie 2024: 1.904 Teilnehmende, davon 647 HR-Fachkräfte aus Unternehmen mit 50+ Mitarbeitenden in DACH. Kernbefund: HR-Fachkräfte verbringen 35–40 % der Arbeitszeit mit reaktivem Service; Automatisierungspotenzial von 45 % bleibt ungenutzt. Quelle: haufe.de/hr/studien
• IBM AskHR (IBM Watson Talent, 2024): 94 % Containment-Rate für Standardanfragen, 75 % Reduktion von HR-Support-Tickets, 40 % Kostensenkung über 4 Jahre — dokumentiert in IBM Business Case for AI in HR. Gilt für Großunternehmen mit 250.000+ Mitarbeitenden; Übertragbarkeit auf KMU eingeschränkt. Quelle: forms.workday.com/ibm-business-case-ai-in-hr
• § 87 Abs. 1 Nr. 6 BetrVG (Mitbestimmung): Arbeitsgericht Hamburg, Januar 2024: ChatGPT über private Accounts → kein Mitbestimmungsrecht; Unternehmensinfrastruktur mit Nutzerprotokollierung → Mitbestimmungsrecht ausgelöst. Quelle: cmshs-bloggt.de
• § 26 BDSG (Beschäftigtendatenschutz): dejure.org/gesetze/BDSG/26.html; Anwendung auf KI-Systeme im HR-Kontext: LfDI Baden-Württemberg, Rechtsgrundlagen im Datenschutz beim Einsatz von KI (2024)
• Stale-Content-Problem bei RAG-Systemen: GrowwStacks, “Why Your RAG Chatbot Fails Users” (2025); Evidently AI, AI Failure Examples (2024). Dokumentiert: Ältere Dokumente ranken in Ähnlichkeitssuche gelegentlich höher als neuere, wenn die Wissensbasis nicht gepflegt wird.
• Kostenkalkulation und Zeitaufwand: Erfahrungswerte aus RAG-Projekten bei KMU mit 30–200 Mitarbeitenden (Stand Mai 2026). Bruttostundensatz nach Destatis Verdienstdaten 2024.
• Tool-Preise (ChatGPT, Claude, M365 Copilot, Notion AI, Guru): Veröffentlichte Tarife der jeweiligen Anbieter, Stand Mai 2026.

Du willst die Dokumentenlage in eurem Unternehmen aufräumen und weißt nicht, wo du anfangen sollst? Schreib uns — wir helfen dir, die richtigen fünf Dokumente als Einstieg zu identifizieren.