Den Junior von morgen ausbilden

Vollständiger Quellennachweis dieses Dossiers. Die Links führen zu den Originalquellen.

1. DORA / Google Cloud (2025). State of AI-assisted Software Development. Version 2025.2 (4.867 Antworten; 90 % nutzen KI, 30 % misstrauen KI-generiertem Code; „AI adoption did not impact the perceived importance of any other skill“). Selbstauskunft, keine Messung. https://services.google.com/fh/files/misc/2025_state_of_ai_assisted_software_development.pdf (abgerufen 27.07.2026).
2. Beane, M. (2025). AI: A skill development threat – and opportunity. Gastbeitrag im DORA-Report 2025 („Default AI usage patterns are delivering breakthrough productivity and blocking skill development for most devs“). Meinungsbeitrag; Beane ist CEO des Kompetenzmess-Anbieters SkillBench. https://dora.dev/dora-report-2025/ (abgerufen 27.07.2026).
3. DORA / Google Cloud (2024). Accelerate State of DevOps Report 2024. Version 2024.3 (je 25 % mehr KI-Adoption geschätzt 1,5 % weniger Delivery-Durchsatz und 7,2 % weniger Stabilität). Gilt für 2024; 2025 verbessert KI den Durchsatz – nicht vermischen. https://services.google.com/fh/files/misc/2024_final_dora_report.pdf (abgerufen 27.07.2026).
4. Becker, J. u. a. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, arXiv:2507.09089 (RCT, n = 16, 246 Issues auf reifem Bestandscode: „they take 19% longer to complete issues“). Sehr kleine Stichprobe; nur mit dem Nachtrag zitieren. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ (abgerufen 27.07.2026).
5. METR (2026). Uplift update. Nachtrag vom 24.02.2026 zu Becker et al. (2025) (57 Entwickler, über 800 Aufgaben; neue Schätzung 18 % Zeitreduktion, KI −38 % bis +9 %). Das Intervall überschreitet die Null – laut Autoren „only very weak evidence“. https://metr.org/blog/2026-02-24-uplift-update/ (abgerufen 27.07.2026).
6. Peng, S. u. a. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv:2302.06590 (95 Programmierer, Greenfield-Aufgabe HTTP-Server: 55,8 % Zeitreduktion, p = 0,0017). Vendor-Studie, Modellstand 2022; nicht auf gewachsene Systeme übertragbar. https://arxiv.org/abs/2302.06590 (abgerufen 27.07.2026).
7. Cui, K. Z. u. a. (2025). The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. Management Science, DOI 10.1287/mnsc.2025.00535 (4.867 Entwickler; gepoolt +26,08 % abgeschlossene Aufgaben). Aktivitätsmetrik; Junior-/Senior-Unterschiede laut Autoren „noisy and not statistically significant“. https://doi.org/10.1287/mnsc.2025.00535 (abgerufen 27.07.2026).
8. Shihab, M. I. H. u. a. (2025). The Effects of GitHub Copilot on Computing Students’ Programming Effectiveness, Efficiency, and Processes in Brownfield Programming Tasks. ICER ’25, DOI 10.1145/3702652.3744219 (n = 10, fremde Bestandscodebasis: 34,9 % weniger Zeit, aber bestandene Tests 4,20 gegen 6,30). Peer-reviewed, aber n = 10 und eine einzige Hochschule. https://arxiv.org/abs/2506.10051 (abgerufen 27.07.2026).
9. Xia, X. u. a. (2018). Measuring Program Comprehension: A Large-Scale Field Study with Professionals. IEEE Transactions on Software Engineering, DOI 10.1109/TSE.2017.2734091 (79 Berufsentwickler: Verstehen 57,62 % der Zeit, Schreiben und Ändern von Code 5,02 %). Vor der Ära generativer KI erhoben. https://soarsmu.github.io/papers/2018/Xia2018ProgramComprehension.pdf (abgerufen 27.07.2026).
10. Borg, M. u. a. (2026). Echoes of AI: Investigating the Downstream Effects of AI Assistants on Software Maintainability. arXiv:2507.00788v3 (präregistriert, 151 Teilnehmende; in der RCT-Phase keine signifikanten Unterschiede in Zeit oder Codequalität). Gemessen wurde die Wartbarkeit des Artefakts, nicht der Kompetenzaufbau. https://arxiv.org/abs/2507.00788 (abgerufen 27.07.2026).
11. Stack Overflow (2025). Developer Survey 2025 – Kapitel „AI“ (48.915 Befragte; 84 % nutzen KI-Werkzeuge oder planen es, nur 3,1 % vertrauen der Genauigkeit „highly“). Offene Community-Befragung, keine Zufallsstichprobe. https://survey.stackoverflow.co/2025/ai (abgerufen 27.07.2026).
12. Prather, J. u. a. (2024). The Widening Gap: The Benefits and Harms of Generative AI for Novice Programmers. ICER 2024, arXiv:2405.17739 (21 Laborsitzungen mit Eye-Tracking; wer scheiterte, „thought they performed better than they did, and finished with an illusion of competence“). Kleine explorative Laborstudie. https://arxiv.org/abs/2405.17739 (abgerufen 27.07.2026).
13. Dratsch, T. u. a. (2023). Automation Bias in Mammography: The Impact of Artificial Intelligence BI-RADS Suggestions on Reader Performance. Radiology 307(4), DOI 10.1148/radiol.222176 (27 Radiologen; bei falschem KI-Vorschlag fiel der Anteil korrekter Bewertungen bei Unerfahrenen von 79,7 auf 19,8 %). Analogie aus der Medizin, kein Befund zur Softwareentwicklung. https://doi.org/10.1148/radiol.222176 (abgerufen 27.07.2026).
14. Perry, N. u. a. (2023). Do Users Write More Insecure Code with AI Assistants? CCS ’23, arXiv:2211.03622 (47 Teilnehmende; mit KI-Zugang „significantly less secure code“ und zugleich „more likely to believe they wrote secure code“). Laborstudie mit Studierenden, Modellstand 2022. https://arxiv.org/abs/2211.03622 (abgerufen 27.07.2026).
15. Lee, H.-P. u. a. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025, DOI 10.1145/3706598.3713778 (319 Wissensarbeitende: „Higher confidence in GenAI is associated with less critical thinking“). Selbstauskunft, Korrelation und keine Kausalität. https://doi.org/10.1145/3706598.3713778 (abgerufen 27.07.2026).
16. Budzyń, K. u. a. (2025). Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. The Lancet Gastroenterology & Hepatology, DOI 10.1016/S2468-1253(25)00133-5 (19 Endoskopiker; Adenom-Detektionsrate ohne KI 28,4 % vor gegenüber 22,4 % nach Einführung). Beobachtungsstudie, Kausalität nicht bewiesen. https://doi.org/10.1016/S2468-1253(25)00133-5 (abgerufen 27.07.2026).
17. Arthur, W. jr. u. a. (1998). Factors That Influence Skill Decay and Retention: A Quantitative Review and Analysis. Human Performance 11(1), S. 57–101 (Meta-Analyse, 189 Datenpunkte; Kompetenzverlust bei Nichtnutzung bis d = −1,4 nach über 365 Tagen). Militärische und industrielle Trainingskontexte, keine Softwareentwicklung. https://gwern.net/doc/psychology/spaced-repetition/1998-arthur.pdf (abgerufen 27.07.2026).
18. Beane, M. (2019). Shadow Learning: Building Robotic Surgical Skill When Approved Means Fail. Administrative Science Quarterly 64(1), S. 87–123 (Ethnografie an 13 US-Lehrkrankenhäusern; Kompetenzerwerb gelang nur über regelwidriges „shadow learning“). Domäne Chirurgie – die Übertragung ist eine Analogie. https://doi.org/10.1177/0001839217751692 (abgerufen 27.07.2026).
19. SFIA Foundation (2024). SFIA 9 – Skills Framework for the Information Age, Oktober 2024, mit SFIA AI Skills Framework (sieben Levels of Responsibility; Empfehlung: „Assign routine, structured tasks to AI (SFIA Level 1-2) and complex, unstructured tasks to higher levels (SFIA Level 4-7)“). Normativer Konsensrahmen, keine Studie. https://sfia-online.org/en/tools-and-resources/ai-skills-framework (abgerufen 27.07.2026).
20. CEN – European Committee for Standardization: EN 16234-1 e-Competence Framework (e-CF), in Deutschland DIN EN 16234-1 (fünf Kompetenzbereiche A PLAN, B BUILD, C RUN, D ENABLE, E MANAGE, 41 e-Competences, fünf Levels e-1 bis e-5). Normvolltext kostenpflichtig; nur die Struktur zitieren. https://itprofessionalism.org/professionalism/e-competence-framework/ (abgerufen 27.07.2026).
21. Vuorikari, R., Kluzer, S. & Punie, Y. (2022). DigComp 2.2: The Digital Competence Framework for Citizens. Publications Office of the European Union, JRC128415, DOI 10.2760/115376 (fünf Kompetenzbereiche, 21 Einzelkompetenzen, über 250 Beispiele, darunter KI-gestützte Systeme). Rahmen für Bürgerinnen und Bürger, nicht für IT-Fachkräfte. https://doi.org/10.2760/115376 (abgerufen 27.07.2026).
22. OWASP GenAI Security Project (2025). OWASP Top 10 for LLM Applications, Version 2025, 12.03.2025 (LLM01 Prompt Injection bis LLM10 Unbounded Consumption, darunter LLM06 Excessive Agency). Konsensdokument; in Version 1.1 hieß LLM09 noch „Overreliance“ – Jahr immer nennen. https://genai.owasp.org/llm-top-10/ (abgerufen 27.07.2026).
23. Verordnung über die Berufsausbildung zum Fachinformatiker und zur Fachinformatikerin (FIAusbV) vom 28. Februar 2020, BGBl. I S. 250, in Kraft seit 1. August 2020, bei Abruf im Juli 2026 ohne Änderungsvermerk (§ 2: drei Jahre; § 4 Abs. 1: vier Fachrichtungen; § 7: gestreckte Abschlussprüfung; § 16, Anwendungsentwicklung: Softwareprojekt 50 %). Die einzige rechtsverbindliche Curriculum-Vorgabe stammt aus der Zeit vor generativer KI. https://www.gesetze-im-internet.de/fiausbv/BJNR025000020.html (abgerufen 27.07.2026).
24. Berufsbildungsgesetz (BBiG), § 14 – Berufsausbildung, Stand bei Abruf 27.07.2026 (Abs. 1 Nr. 1: Vermittlung der beruflichen Handlungsfähigkeit; Nr. 3: kostenlose Ausbildungsmittel, „insbesondere Werkzeuge, Werkstoffe und Fachliteratur“; Abs. 3: nur Aufgaben, „die dem Ausbildungszweck dienen“). Ob ein betrieblicher KI-Zugang ein Ausbildungsmittel nach Nr. 3 ist, ist eine These. Keine Rechtsberatung. https://www.gesetze-im-internet.de/bbig_2005/__14.html (abgerufen 27.07.2026).
25. Statistisches Bundesamt (2025). Berufsbildungsstatistik 2024, Statistik-Code 21211, Tabelle 21211-46, und Pressemitteilung Nr. 314 vom 28. August 2025 (neu abgeschlossene Ausbildungsverträge Fachinformatiker/-in Anwendungsentwicklung: 6.024; Zeitreihe 2021–2024: 6.117, 6.717, 7.137, 6.024). Auf Vielfache von drei gerundet; „Fachinformatiker (15 300)“ zählt nur Männer. https://www.destatis.de/DE/Presse/Pressemitteilungen/2025/08/PD25_314_212.html (abgerufen 27.07.2026).
26. Bundesinstitut für Berufsbildung (2025/2026). Tarifliche Ausbildungsvergütungen in dualen Ausbildungsberufen 2025 (Stichtag 1. Oktober; Fachinformatiker/-in, Industrie und Handel: 1.211 €, 1.279 € und 1.356 € je Ausbildungsjahr). Tarifliche Werte – in der IT-Branche gibt es laut BIBB kaum Tarifverträge. https://www.bibb.de/ausbildungsverguetung (abgerufen 27.07.2026).
27. Wenzelmann, F. u. a. (2025). Eigene Ausbildung oder externe Fachkräftegewinnung – mit welchen Kosten müssen Betriebe rechnen? BIBB Report 2/2025, Ausbildungsjahr 2022/2023 (Nettokosten je Auszubildendem und Jahr über alle Berufe 8.086 €; Fachinformatiker/-in 7.707 €, n = 111). Bezugsjahr 2022/23; ausgewiesen sind Kosten, keine Betreuungsstunden. https://www.bibb.de/dienst/publikationen/de/20504 (abgerufen 27.07.2026).
28. Sozialgesetzbuch Drittes Buch (SGB III), § 81 – Grundsatz, Stand bei Abruf 27.07.2026 (Abs. 2: „Der nachträgliche Erwerb eines Berufsabschlusses . . . wird durch Übernahme der Weiterbildungskosten gefördert“, wenn kein mindestens zweijähriger Abschluss vorliegt; Abs. 4: Bildungsgutschein; Umfang nach §§ 83, 84). Grundlage der Umschulung, nicht § 82; die Kosten werden vollständig übernommen. Keine Rechtsberatung. https://www.gesetze-im-internet.de/sgb_3/__81.html (abgerufen 27.07.2026).
29. Sozialgesetzbuch Drittes Buch (SGB III), § 82 – Förderung beschäftigter Arbeitnehmerinnen und Arbeitnehmer, Fassung seit 1. April 2024 (Abs. 2, Eigenanteil des Arbeitgebers an den Lehrgangskosten: keiner bei unter 50 Beschäftigten, 50 % bei 50 bis unter 500, 75 % ab 500). Setzt einen mindestens zwei Jahre zurückliegenden Berufsabschluss voraus – für Junioren nicht einschlägig. Keine Rechtsberatung. https://www.gesetze-im-internet.de/sgb_3/__82.html (abgerufen 27.07.2026).
30. Sozialgesetzbuch Drittes Buch (SGB III), §§ 82a–82c – Qualifizierungsgeld, geltend seit 1. April 2024 (mindestens 20 % der Beschäftigten mit strukturwandelbedingtem Qualifizierungsbedarf ab 250 Beschäftigten, sonst 10 %; Betriebsvereinbarung erforderlich; § 82b: Entgeltersatz 67 bzw. 60 % der Nettoentgeltdifferenz). Instrument für Bestandsbelegschaften, nicht für die Junior-Ausbildung. Keine Rechtsberatung. https://www.gesetze-im-internet.de/sgb_3/__82a.html (abgerufen 27.07.2026).
31. Sozialgesetzbuch Drittes Buch (SGB III), § 87a – Weiterbildungsprämie und Weiterbildungsgeld, Stand bei Abruf 27.07.2026 (Abs. 1: 1.000 € nach bestandener Zwischenprüfung bzw. Teil 1, 1.500 € nach bestandener Abschlussprüfung; Abs. 2: 150 € monatlich für arbeitslose Arbeitnehmerinnen und Arbeitnehmer). Setzt einen Abschluss in einem mindestens zweijährigen Ausbildungsberuf voraus – Bootcamps lösen die Leistungen nicht aus. Keine Rechtsberatung. https://www.gesetze-im-internet.de/sgb_3/__87a.html (abgerufen 27.07.2026).
32. Cohen, J. / Smart Bear Software (2006). Best Kept Secrets of Peer Code Review, Kapitel „Code Review at Cisco Systems“, S. 63–87. Größte Fallstudie zum Lightweight-Review (2.500 Reviews, 3,2 Mio. Zeilen): Reviewumfang unter 200, maximal 400 Zeilen; Dauer unter 60 Min., maximal 90 (S. 85). Vor-KI-Basiswert; die Zeitgrenze stammt aus der älteren Inspektionsliteratur. https://static1.smartbear.co/support/media/resources/cc/book/code-review-cisco-case-study.pdf (abgerufen 27.07.2026).
33. Bacchelli, A. & Bird, C. (2013). Expectations, Outcomes, and Challenges of Modern Code Review. ICSE ’13, S. 712–721 (Feldstudie bei Microsoft; von 570 Review-Kommentaren betreffen nur 14 % Defekte – „code and change understanding is the key aspect of code reviewing“). Ein Unternehmen, 2012/13, vor KI-generiertem Code. https://sback.it/publications/icse2013.pdf (abgerufen 27.07.2026).
34. Bosu, A. u. a. (2017). Process Aspects and Social Dynamics of Contemporary Code Review: Insights from Open Source Development and Industrial Practice at Microsoft. IEEE Transactions on Software Engineering 43(1), S. 56–75 (Microsoft: im Mittel 4,7 Std./Woche Review; 10–15 % der Arbeitszeit). Volltext frei in Bosu, A. (2015), Dissertation Univ. of Alabama. Vor-KI-Basiswert. https://www.amiangshu.com/papers/bosu-dissertation.pdf (abgerufen 27.07.2026).
35. Google (2026). Google Engineering Practices – Code Review Developer Guide („One business day is the maximum time it should take to respond to a code review request“; nicht zwingende Lehrkommentare mit „Nit:“ kennzeichnen). Praxisempfehlung, keine Studie; Google nennt keine Zeilenobergrenze – die 200/400-Regel stammt aus der Cisco-Fallstudie. https://google.github.io/eng-practices/review/ (abgerufen 27.07.2026).
36. Eby, L. T. u. a. (2008). Does mentoring matter? A multidisciplinary meta-analysis comparing mentored and non-mentored individuals. Journal of Vocational Behavior 72(2), S. 254–267 (116 Stichproben; betriebliches Mentoring: Leistung rc = .06, Bindung .16). Die Autoren: „All of the effect sizes were small in magnitude.“ https://pmc.ncbi.nlm.nih.gov/articles/PMC2352144/ (abgerufen 27.07.2026).
37. Forsgren, N. u. a. (2021). The SPACE of Developer Productivity: There’s more to it than you think. acmqueue 19(1), DOI 10.1145/3454122.3454124 (fünf Dimensionen; Regel: mindestens drei Kennzahlen, darunter eine perzeptive; „Activity metrics alone . . . should never be used in isolation“). Konzeptioneller Beitrag ohne Messdaten. https://dl.acm.org/doi/10.1145/3454122.3454124 (abgerufen 27.07.2026).
38. TÜV-Verband / Forsa (2026). TÜV Weiterbildungsstudie 2026, Pressemitteilung vom 28. April 2026 (500 Unternehmen ab 20 Beschäftigten: 56 % nutzen generative KI, aber nur 27 % haben ihre Beschäftigten geschult; 2024: 12 %). Verbandsstudie, Selbstauskunft. https://www.tuev-verband.de/pressemitteilungen/ki-schulungen-in-unternehmen-innerhalb-von-zwei-jahren-verdoppelt (abgerufen 27.07.2026).
39. Verordnung (EU) 2026/1744 des Europäischen Parlaments und des Rates vom 8. Juli 2026 zur Änderung u. a. der Verordnung (EU) 2024/1689 („Digital Omnibus on AI“), ABl. L, 2026/1744, 24.7.2026, in Kraft seit 27.7.2026 (Art. 4 KI-VO: Anbieter und Betreiber „ergreifen Maßnahmen, um die Entwicklung der KI-Kompetenz ihres Personals . . . zu unterstützen“, müssen aber kein „bestimmtes Niveau“ garantieren; Anhang III-Pflichten auf den 2. Dezember 2027 verschoben). Aus der Erfolgs- wird eine Förderpflicht; „nach besten Kräften sicherzustellen“ ist nicht mehr geltendes Recht. Keine Rechtsberatung. https://eur-lex.europa.eu/eli/reg/2026/1744/oj (abgerufen 27.07.2026).
40. Verordnung (EU) 2024/1689 des Europäischen Parlaments und des Rates zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz (KI-Verordnung), ABl. L, 2024/1689, 12.7.2024, in der durch die Verordnung (EU) 2026/1744 geänderten Fassung (Art. 3 Nr. 56: Legaldefinition der KI-Kompetenz; Art. 4 gilt seit dem 2. Februar 2025; Anhang III Nr. 3 lit. b: KI-Systeme „für die Bewertung von Lernergebnissen“ sind Hochrisiko). Art. 4 fehlt im Bußgeldkatalog des Art. 99 Abs. 4; ob ein Ausbildungsbetrieb unter Anhang III fällt, ist ungeklärt. https://eur-lex.europa.eu/eli/reg/2024/1689/oj (abgerufen 27.07.2026).
41. Bundesnetzagentur (2025). KI-Kompetenzen nach Artikel 4 KI-Verordnung – Hinweispapier, Stand Juni 2025 (verpflichtet sind Anbieter und Betreiber „unabhängig von Wirtschaftszweig oder Organisationsgröße“; „Ein Mangel an KI-Kompetenz kann als Verletzung der Sorgfaltspflicht angesehen werden“). Keine verbindliche Auslegung; datiert vor der Änderung des Art. 4 durch die Verordnung (EU) 2026/1744. https://www.bundesnetzagentur.de/DE/Fachthemen/Digitales/KI/7_Kompetenz/start.html (abgerufen 27.07.2026).
42. Betriebsverfassungsgesetz (BetrVG), Stand bei Abruf 27.07.2026: § 87 Abs. 1 Nr. 6 – erzwingbare Mitbestimmung bei technischen Einrichtungen, die zur Überwachung „bestimmt sind“ (objektive Eignung genügt); § 90 Abs. 1 Nr. 3 – Beratung „einschließlich des Einsatzes von Künstlicher Intelligenz“; § 95 Abs. 2a; § 80 Abs. 3 Satz 2 – Sachverständiger gilt als erforderlich. Ergänzend ArbG Hamburg, 16.01.2024, Az. 24 BVGa 1/24. § 90 begründet ein Beteiligungs-, kein Mitbestimmungsrecht. Keine Rechtsberatung. https://www.gesetze-im-internet.de/betrvg/ (abgerufen 27.07.2026).
43. Konferenz der unabhängigen Datenschutzaufsichtsbehörden des Bundes und der Länder (2024). Orientierungshilfe Künstliche Intelligenz und Datenschutz, Version 1.0 vom 6. Mai 2024 (Rn. 41–43: betriebliche Geräte und Accounts bereitstellen, Voreinstellungen ohne Trainingsnutzung; Rn. 36–37: dokumentierte Weisungen mit „konkreten Beispielen der zugelassenen und der untersagten Einsatzszenarien“). „Kein abschließender Anforderungskatalog.“ Keine Rechtsberatung. https://www.datenschutzkonferenz-online.de/media/oh/20240506_DSK_Orientierungshilfe_KI_und_Datenschutz.pdf (abgerufen 27.07.2026).
44. Ng, K. K. B. u. a. (2024). Harnessing the Potential of Gen-AI Coding Assistants in Public Sector Software Development. GovTech Singapur, arXiv:2409.17434 (rund 40 Fragebögen; selbstberichtete „Produktivitätssteigerung“: Junior 44 % bei n = 6, Senior 17 % bei n = 10). Selbstauskunft ohne Kontrollgruppe; die Junior-Zahl ist laut Autoren „presumed“. https://arxiv.org/abs/2409.17434 (abgerufen 27.07.2026).
45. Macnamara, B. N., Hambrick, D. Z. & Oswald, F. L. (2014). Deliberate Practice and Performance in Music, Games, Sports, Education, and Professions: A Meta-Analysis. Psychological Science 25(8), S. 1608–1618 (erklärte Leistungsvarianz: Musik 21 %, Bildung 4 %, Berufe unter 1 %). Streit nicht entschieden – kein Beleg für Ausbildungsdauern. https://gwern.net/doc/psychology/2014-macnamara.pdf (abgerufen 27.07.2026).
46. Hannay, J. E. u. a. (2009). The effectiveness of pair programming: A meta-analysis. Information and Software Technology 51(7), DOI 10.1016/j.infsof.2009.02.001 (rund 8 % kürzere Dauer, 84 % höherer Aufwand, 7 % höhere Korrektheit). Gemessen werden Qualität, Dauer und Aufwand – nicht Lernen. https://doi.org/10.1016/j.infsof.2009.02.001 (abgerufen 27.07.2026).
47. Bauer, T. N. (2010). Onboarding New Employees: Maximizing Success. SHRM Foundation’s Effective Practice Guidelines Series, Report Nr. 12 (die vier C: Compliance, Clarification, Culture, Connection; Zeithorizont „pre-hire to 12 months post-entry“). Praxis-Handreichung; die vielzitierten Wirkungszahlen stammen aus Anbieterbenchmarks. https://www.shrm.org/content/dam/en/shrm/topics-tools/news/talent-acquisition/Onboarding-New-Employees.pdf (abgerufen 27.07.2026).