Offboarding und Exit-Interviews mit KI: Wissen sichern, Muster erkennen

Pulse-Checks setzen vor der Kündigung an und sollen Unzufriedenheit früh erkennen, solange man noch gegensteuern kann. KI im Offboarding setzt beim Austritt an: strukturiertes Exit-Interview, Auswertung des Feedbacks über alle Abgänge hinweg und gesicherter Wissenstransfer beim Weggang. Beides ergänzt sich - das eine verhindert Abgänge, das andere lernt aus den Abgängen, die trotzdem passieren.

Oft offener, ja - ein neutrales, schriftliches oder dialogbasiertes Format nimmt die Hemmung, der eigenen Führungskraft oder HR unangenehme Dinge ins Gesicht zu sagen. Garantiert ist Ehrlichkeit nie. Entscheidend sind ein klar kommuniziertes Ziel ('wir wollen besser werden'), Anonymität in der Auswertung und ein menschliches Gespräch als Ergänzung für heikle Fälle.

Die Mustererkennung läuft aggregiert: Sie zeigt, dass ein Kündigungsgrund in einem Team oder einer Rolle gehäuft auftritt, ohne Einzelpersonen rückverfolgbar zu machen. Schwellenwerte verhindern, dass bei sehr kleinen Gruppen Rückschlüsse auf einzelne Personen möglich werden. Einzelaussagen und aggregierte Muster werden bewusst getrennt behandelt.

Sehr. Exit-Feedback enthält persönliche und teils heikle Aussagen und fällt unter die DSGVO. Datenschutz gehört in den Aufbau: klare Zweckbindung, definierte Speicherfristen, anonymisierte Auswertung, dokumentierte Rechtsgrundlage und Transparenz gegenüber den Ausscheidenden. Bei der konkreten Ausgestaltung sollte die Datenschutzbeauftragte frühzeitig eingebunden sein.

Nein. Die KI übernimmt Struktur, Auswertung und Wissensdoku - also die wiederkehrende Arbeit. Das empathische Gespräch, das Auffangen von Emotionen und das Deuten zwischen den Zeilen bleiben menschlich. Gerade bei Konflikten oder erkennbarem Frust ist das persönliche Gespräch durch nichts zu ersetzen.

Die KI leitet aus den Aufgaben und Verantwortlichkeiten der ausscheidenden Person eine Übergabe-Checkliste ab: offene Vorgänge, wichtige Kontakte, undokumentierte Abläufe, Zugänge und Tools. Daraus entsteht eine strukturierte Wissensdokumentation, die die Person in ihren letzten Wochen ergänzt - statt dass das Wissen am letzten Arbeitstag einfach verschwindet.

Der Einzelfall bleibt Einzelfall - genau deshalb ist die Aggregation wertvoll. Erst über viele Austritte hinweg zeigt sich, ob ein Grund Zufall ist oder ein Muster: eine Führungskraft, ein Prozess, ein Vergütungsproblem, das immer wieder genannt wird. SHRM nennt unzureichende Bezahlung als häufigsten Austrittsgrund (74 % der HR-Fachleute) - ob das bei dir zutrifft, sieht man nur in der Aggregation.

Die operativen Schritte laufen mit: eine Aufgabenliste für HR und Führung, Erinnerungen zu Fristen, die Koordination der IT-Deaktivierung (Accounts, Zugänge, Geräte) und die geordnete Abmeldung aus Systemen. So wird Offboarding ein durchgängiger Prozess statt einer losen Sammlung von Einzelaufgaben.

Die Konsequenz. KI verdichtet das Feedback zu einem klaren Bild, aber die Entscheidung, was sich ändern muss - an Führung, Prozessen, Vergütung - trifft die Organisation. Ebenso das empathische Gespräch und der Umgang mit besonders sensiblen oder konfliktbeladenen Austritten. Die KI nimmt die Routinearbeit, nicht die Verantwortung.

Man muss nicht alles auf einmal bauen. Sinnvoll ist ein Einstieg über den Engpass: erst den Exit-Leitfaden vereinheitlichen und die Auswertung automatisieren, dann Mustererkennung und Wissenstransfer ergänzen. Wichtig ist, frühzeitig festzulegen, welche Daten erhoben werden, wer die ausgewerteten Muster sieht und wie der Datenschutz geregelt ist - sonst entsteht wieder eine Ablage, die niemand nutzt.

Für Gesprächsführung, Themen- und Sentiment-Analyse eignet sich ein starkes Sprachmodell wie Claude (Anthropic). Drumherum stehen ein Offboarding-Workflow, ein Survey- oder Interview-Tool, ein Wissensmanagement-System und eine IAM-Lösung für die geordnete Deaktivierung. Die konkrete Auswahl hängt von eurer bestehenden Systemlandschaft ab - hier geht es um das Prinzip, nicht um ein bestimmtes Produkt.