Du gibst bei Google „AI Scoring von Kandidaten“ ein und stößt meistens auf eine von zwei Antworten. Die erste lautet: Künstliche Intelligenz liest den Lebenslauf, vergibt einen Prozentsatz für die Übereinstimmung und zeigt die besten Personen an. Die zweite warnt, dass ein Algorithmus die Entscheidungen des Recruiters übernimmt, seelenlose Rankings erstellt und jemandem automatisch den Weg zum Job versperren kann. Beide Antworten vereinfachen das Thema so sehr, dass sie, anstatt es zu erklären, neue Missverständnisse aufbauen.

AI Scoring muss weder ein magischer Automat sein, der die „besten Leute“ auswählt, noch eine Blackbox, die Urteile fällt. In einem gut gestalteten Prozess ist es ein Werkzeug, das die Bewertung einer bestimmten Bewerbung oder eines bestimmten Kandidaten im Hinblick auf die Anforderungen eines konkreten Projekts unterstützt. Es kann ein Punkteergebnis anzeigen, beispielsweise von 0 bis 100, aber es kann auch eine kontextbezogene Bewertung liefern: Profilzusammenfassung, Stärken, schwächere Bereiche, Informationslücken und Fragen, die man im Gespräch stellen sollte. Den größten Wert bringt es dann, wenn es die menschliche Bewertung nicht ersetzt, sondern hilft, sie zu strukturieren, zu beschleunigen und besser zu begründen.

Dieser Leitfaden beantwortet die Frage „Was ist AI Scoring von Kandidaten?“ so, wie sie im Jahr 2026 beantwortet werden sollte: umfassend, praktisch und ohne Marketing-Abkürzungen. Wir erklären, was genau bewertet wird, woher das Ergebnis kommt, wie sich Scoring von AI Matching, CV-Parsern und K.-o.-Fragen unterscheidet, wie man gute Kriterien vorbereitet, welche Daten analysiert werden können, wo Risiken entstehen und was die DSGVO und der EU AI Act zum Einsatz von KI in der Rekrutierung sagen.

Inhaltsverzeichnis

1. Was ist AI Scoring von Kandidaten?

2. Was genau bewertet AI Scoring: den Menschen, den Kandidaten oder die Bewerbung?

3. Warum ist AI Scoring genau jetzt wichtig geworden?

4. Punktebewertung und kontextbezogene Bewertung – zwei Dimensionen eines guten Scorings

5. Wie funktioniert AI Scoring Schritt für Schritt?

6. Welche Daten kann AI Scoring nutzen?

7. Warum Projektanforderungen wichtiger sind als das KI-Modell selbst

8. Must-have, Nice-to-have und K.-o.-Kriterien

9. AI Scoring versus Keyword-Suche

10. Was bedeutet ein Ergebnis von 0 bis 100?

11. Stärken, Schwächen und Fragen für das Gespräch

12. Fehlende Information ist nicht gleichbedeutend mit fehlender Kompetenz

13. AI Scoring versus traditionelle Bewertungsbögen

14. AI Scoring und AI Matching – eine entscheidende Unterscheidung

15. AI Scoring versus CV-Parser, KI-Zusammenfassung und Killer Questions

16. AI Scoring in der Praxis – drei Bewertungsbeispiele

17. Vorteile für Recruiter und das Rekrutierungsteam

18. Vorteile für Agenturen, Inhouse-HR und Hiring Manager

19. Chancen und Risiken aus Sicht des Kandidaten

20. Wo bringt AI Scoring den größten Nutzen?

21. Wie führt man AI Scoring im Rekrutierungsprozess ein?

22. Die häufigsten Fehler beim Einsatz von AI Scoring

23. Grenzen von AI Scoring – was weiß das System nicht?

24. Bias, Diskriminierung und scheinbare Objektivität

25. Human-in-the-loop – was bedeutet echte menschliche Aufsicht?

26. AI Scoring und die DSGVO

27. AI Scoring und der AI Act

28. Wie wählt man das richtige Tool für AI Scoring aus?

29. Wie misst man die Effektivität von AI Scoring?

30. Wie funktioniert AI Scoring in Recruitify?

31. Die Zukunft von AI Scoring

32. FAQ – Häufig gestellte Fragen

33. Fazit – AI Scoring wählt nicht den Menschen aus, sondern unterstützt die Bewertung

1. Was ist AI Scoring von Kandidaten?

AI Scoring von Kandidaten ist eine Methode zur Unterstützung der Bewertung einer Bewerbung oder eines Kandidatenprofils mithilfe künstlicher Intelligenz. Das System analysiert die verfügbaren Informationen über den Kandidaten, setzt sie in Beziehung zu den Anforderungen eines konkreten Projekts und bereitet ein Ergebnis vor, das dem Recruiter bei der weiteren Arbeit helfen soll. Je nach Lösung kann das Ergebnis in Form einer Zahl, eines Prozentsatzes, einer Kategorie, einer Beschreibung oder einer Kombination aus mehreren Elementen ausgegeben werden. In Recruitify ist dies unter anderem eine Bewertung von 0 bis 100, eine kontextbezogene Beschreibung des Kandidaten, eine Gegenüberstellung von Stärken und schwächeren Bereichen sowie Vorschläge für Fragen, die im Gespräch gestellt werden können.

Entscheidend ist die Formulierung „im Hinblick auf die Anforderungen eines konkreten Projekts“. AI Scoring sollte nicht bewerten, ob jemand generell ein guter oder schlechter Kandidat ist. Es gibt keinen universellen beruflichen Wert eines Menschen, den man fair in einer einzigen Zahl ausdrücken könnte. Derselbe Kandidat kann bei einem Projekt, das jemanden für die Skalierung des B2B-Vertriebs im DACH-Raum sucht, eine hohe Punktzahl erzielen, und bei einem Projekt, das Erfahrung im internationalen Enterprise-Vertrieb erfordert, eine deutlich niedrigere. Das bedeutet nicht, dass sich seine Kompetenzen zwischen den beiden Messungen verändert haben. Der Kontext und das Ziel der Bewertung haben sich geändert.

Deshalb ist es am sichersten, AI Scoring nicht als Bewertung des Menschen zu betrachten, sondern als strukturierte Analyse der Passung der im jeweiligen Moment verfügbaren Informationen. Diese Formulierung ist zwar länger, aber viel präziser. Das System sieht nicht die gesamte berufliche Laufbahn, das Potenzial, den Charakter, die Motivation oder das Verhalten des Kandidaten im zukünftigen Job. Es sieht einen bestimmten Datensatz und vergleicht ihn mit einem bestimmten Kriteriensatz. Seine Nützlichkeit hängt daher von der Qualität beider Seiten dieses Vergleichs ab.

Es ist auch wichtig, das Scoring vom eigentlichen Ranking zu unterscheiden. Scoring ist der Prozess der Bewertung und Erklärung des Ergebnisses. Das Ranking ist eine der möglichen Arten, dieses Ergebnis zu nutzen, beispielsweise indem man Bewerbungen von der höchsten zur niedrigsten Bewertung sortiert. Du kannst ein Scoring ohne automatisches Ranking haben, und du kannst auch Rankings auf der Grundlage einfacher Regeln erstellen, die nichts mit KI zu tun haben. In der Praxis kombinieren ATS-Systeme oft beide Elemente, aber aus Sicht eines verantwortungsvollen Prozesses sollten sie nicht als Synonyme behandelt werden.

2. Was genau bewertet AI Scoring: den Menschen, den Kandidaten oder die Bewerbung?

Umgangssprachlich spricht man meist vom „Scoring von Kandidaten“, aber im Rekrutierungssystem kann das Bewertungsobjekt sowohl die Bewerbung als auch der dem Projekt zugeordnete Kandidat sein. Diese Unterscheidung hat praktische Bedeutung. Die Bewerbung ist eine konkrete Anmeldung für eine bestimmte Rekrutierung. Sie kann den als Antwort auf die Anzeige eingesandten Lebenslauf, Antworten aus dem Bewerbungsformular, die Quelle der Bewerbung sowie zusätzliche Dokumente und Informationen umfassen, die bei der Anmeldung übermittelt wurden. Der Kandidat hingegen ist eine in der Datenbank existierende Person, die vom Recruiter zu einem Projekt hinzugefügt, durch Sourcing gewonnen oder in einer nachfolgenden Rekrutierung ohne Einreichung einer neuen Bewerbung erneut in Betracht gezogen werden kann.

AI Scoring kann also eine eingehende Bewerbung bewerten, aber es kann auch für eine Person gestartet werden, die zuvor in der Datenbank gefunden oder vom Recruiter zum Projekt hinzugefügt wurde. In beiden Fällen sollte die Bewertung in den Anforderungen dieser konkreten Rekrutierung verankert sein. Der Umfang der verfügbaren Daten kann sich jedoch unterscheiden. Bei einer Bewerbung stehen dem System oft ein aktueller Lebenslauf und Antworten auf Bewerbungsfragen zur Verfügung. Bei einem Kandidaten aus der Datenbank kann es das Profil, frühere Dokumente, Daten aus LinkedIn und im System gesammelte Informationen nutzen. Wenn ein Teil der Daten veraltet ist, kann auch das Ergebnis weniger aktuell sein.

Dies führt zu einer wichtigen Erkenntnis: Die Bewertung ist kein dauerhaftes Label, das einem Menschen anheftet. Man sollte sich weder im Kopf noch in der Organisationskultur abspeichern, dass „Anna 64 Punkte hat“ oder „Peter ein 91-Prozent-Kandidat ist“. Die korrekte Formulierung lautet: „Basierend auf den aktuell verfügbaren Daten hat das System der Bewerbung von Anna im Hinblick auf die Anforderungen von Projekt X eine Punktzahl von 64/100 zugewiesen“. Dasselbe Profil kann in einem anderen Projekt eine völlig andere Bewertung erhalten. Sogar in derselben Rekrutierung kann sich das Ergebnis ändern, wenn der Recruiter die Anforderungen präzisiert, der Kandidat Informationen ergänzt oder ein neuer Lebenslauf auftaucht.

Dieser Ansatz schützt auch vor einer der größten Gefahren der Automatisierung: dass ein unterstützendes Ergebnis zu einem Stempel wird, der den Menschen beschreibt. In der Rekrutierung wirkt der Ankereffekt sehr leicht. Wenn ein Recruiter 92 Punkte sieht, fängt er möglicherweise an, nach Bestätigungen für diese hohe Bewertung zu suchen. Wenn er 48 sieht, liest er das Profil vielleicht kritischer. Deshalb sind neben dem numerischen Ergebnis Erklärungen erforderlich, und die Nutzer sollten darauf geschult werden, das Ergebnis als Ausgangspunkt für die Analyse zu betrachten, nicht als deren Ende.

3. Warum ist AI Scoring genau jetzt wichtig geworden?

Das Scoring von Kandidaten ist keine Erfindung der Ära der generativen KI. Recruiter nutzen seit Jahren Bewertungsbögen, Excel-Tabellen, K.-o.-Fragen, Gewichtungen von Kriterien und einfache Punktesysteme. In vielen Unternehmen hat der Rekrutierungsverantwortliche Kandidaten bereits zuvor Punkte für Erfahrung, Sprache, Verfügbarkeit oder die Kenntnis einer bestimmten Technologie vergeben. Das Problem war, dass ein solcher Prozess zeitaufwendig war, von der Disziplin des Nutzers abhing und oft bei einer Papiermethodik endete, die nach Erhalt der hundertsten Bewerbung niemand mehr konsequent anwandte.

Die Veränderung heute liegt weniger in der Existenz von Punktewertungen an sich, sondern in der Möglichkeit, große Mengen an unstrukturiertem Text automatisch zu analysieren. Klassische Regeln kommen gut mit Antworten wie „Ja“ oder „Nein“, einer bestimmten Anzahl von Jahren oder dem genauen Namen eines Zertifikats zurecht. Moderne Sprachmodelle können darüber hinaus die Bedeutung von Anforderungen mit den Beschreibungen von Projekten, Verantwortlichkeiten und Erfolgen vergleichen, die mit anderen Worten verfasst wurden. Dadurch muss sich das Scoring nicht auf das Zählen von Phrasen beschränken. Es kann eine vorläufige Zusammenfassung erstellen, potenzielle Stärken und Schwächen aufzeigen und Fragen vorschlagen, die helfen, Unklarheiten zu klären.

Gleichzeitig hat sich das Rekrutierungsumfeld rasant verändert. Einfaches Bewerben, One-Click-Bewerbungsformulare, automatische Benachrichtigungen und generative Tools, die beim Erstellen von Lebensläufen helfen, führen dazu, dass das Absenden einer Bewerbung heute weniger Aufwand erfordert als noch vor einigen Jahren. In vielen Prozessen wächst die Zahl der Bewerbungen schneller als die Fähigkeit des Teams, sie sorgfältig zu lesen. Ein höheres Volumen bedeutet jedoch nicht mehr Personen, die tatsächlich auf die Rolle passen. Der Recruiter muss wertvolle Profile unter Dokumenten finden, die zufällig, massenhaft versendet, sprachlich sehr ähnlich oder auf die Keywords der Anzeige optimiert sind.

In einem solchen Umfeld ist die Zeit nicht das einzige Problem. Ein Mensch liest den zweihundertsten Lebenslauf nicht mit derselben Frische wie den ersten. Die Konzentration lässt nach, der Druck steigt, und die erste Bewertung basiert immer öfter auf den wenigen auffälligsten Elementen. Ein Kandidat, der sich morgens beworben hat, erhält möglicherweise mehr Aufmerksamkeit als eine ebenso gute Person, deren Dokument am Ende des Tages im System gelandet ist. AI Scoring kann helfen, dieselbe Analysestruktur auf alle Bewerbungen anzuwenden, aber das bedeutet noch keine automatische Objektivität. Wenn die Kriterien fehlerhaft sind, kann das System den Fehler konsequenter wiederholen als ein Mensch.

Das Scoring ist also genau jetzt wichtig geworden, weil drei Phänomene aufeinandertreffen: die steigende Zahl von Bewerbungen, die wachsenden Möglichkeiten der Sprachanalyse und der Druck auf einen schnelleren und messbareren Prozess. Das bedeutet nicht, dass jede Rekrutierung KI benötigt. Es bedeutet jedoch, dass Teams einen Weg finden müssen, die Qualität der Bewertung in einer Situation zu sichern, in der das manuelle Sichten von Dokumenten immer häufiger zum Nadelöhr wird.

4. Punktebewertung und kontextbezogene Bewertung – zwei Dimensionen eines guten Scorings

Das sichtbarste Element des Scorings ist meistens die Zahl. Ein Ergebnis von 84/100 ermöglicht es, eine Bewerbung schnell zu bemerken, sie mit anderen zu vergleichen und die Reihenfolge der Sichtung festzulegen. Das ist besonders praktisch, wenn sich in einem Projekt Dutzende oder Hunderte von Profilen befinden. Die Zahl allein sagt jedoch überraschend wenig aus. Sie erklärt nicht, welche Kriterien erfüllt wurden, welche am schwersten gewogen haben, was in den Dokumenten nicht gefunden wurde oder ob eine niedrigere Bewertung auf eine echte Diskrepanz oder einfach auf fehlende Informationen zurückzuführen ist.

Deshalb sollte ein gutes AI Scoring zwei sich ergänzende Dimensionen haben. Die erste ist punktebasiert und strukturierend. Sie hilft, die Reihenfolge der Arbeit festzulegen und schnell Profile zu erfassen, die laut den definierten Kriterien Aufmerksamkeit erfordern. Die zweite ist kontextbezogen und erklärend. Sie zeigt, was das System in den Daten gefunden hat, wie es diese Informationen auf die Rolle bezogen hat, welche Elemente es als Stärken, welche als Schwächen oder unbestätigt eingestuft hat und was noch überprüft werden muss.

In Recruitify erhält der Nutzer ein Ergebnis von 0 bis 100, eine Beschreibung des Kandidaten im Kontext des Projekts, Stärken, Schwächen sowie Fragenvorschläge für das Gespräch. Diese Elemente sind kein bloßes Beiwerk zum Prozentsatz. Genau sie ermöglichen es dem Recruiter zu beurteilen, ob das Ergebnis Sinn ergibt. Wenn eine Person 88 Punkte erhalten hat, die Begründung aber ein wichtiges Must-have nicht bestätigt, sollte der Recruiter das Problem bemerken. Wenn ein Profil 58 Punkte hat, hauptsächlich weil Informationen zur Teamgröße oder zu den Gehaltserwartungen fehlen, ist die richtige Reaktion eine kurze Nachfrage und keine Ablehnung.

Die kontextbezogene Bewertung hilft auch, den Ankereffekt zu reduzieren. Eine große Zahl auf dem Bildschirm wird leicht zur ersten und wichtigsten Information über den Kandidaten. Der Mensch fängt an, nach Argumenten zu suchen, die das Ergebnis bestätigen, anstatt das Profil unabhängig zu analysieren. Wenn er neben der Zahl die Quellen der Bewertung, unbestätigte Bereiche und Fragen sieht, fällt es leichter, das Scoring als Arbeitshypothese und nicht als Urteil zu betrachten.

Die kontextbezogene Bewertung muss jedoch eine vorsichtige Sprache verwenden. „Der Kandidat leitete ein zehnköpfiges Team“ kann eine Tatsache sein, die sich aus dem Lebenslauf ergibt. „Der Kandidat ist eine hervorragende Führungskraft“ ist eine Schlussfolgerung, die das Dokument nicht beweist. „In den verfügbaren Materialien wurden keine Informationen zum Budgetmanagement gefunden“ bedeutet fehlender Nachweis, nicht bewiesener Mangel an Kompetenz. Ein gutes Tool und ein gut geschulter Nutzer unterscheiden zwischen Fakten, Interpretationen und Informationslücken.

Ein rein punktebasiertes Scoring ist zwar möglich, aber es ist wenig transparent. Eine rein beschreibende Bewertung ist ebenfalls möglich, lässt sich jedoch bei einer großen Anzahl von Bewerbungen schwieriger für die Priorisierung nutzen. Den größten Wert bringt die Kombination beider Ebenen.

5. Wie funktioniert AI Scoring Schritt für Schritt?

Obwohl verschiedene Systeme unterschiedliche Modelle, Algorithmen und Benutzeroberflächen verwenden können, lässt sich der praktische Prozess des AI Scorings als eine Kette von mehreren zusammenhängenden Schritten darstellen. Das Wichtigste ist, dass die Bewertung nicht beim Lebenslauf beginnt. Sie beginnt mit der Definition der Rolle und der Entscheidung, welche Informationen für diese konkrete Rekrutierung von Bedeutung sind.

1. Der Recruiter erstellt das Projekt und beschreibt die Anforderungen. Das System benötigt einen Bezugspunkt. Der bloße Stellentitel oder der vollständige Anzeigentext reichen meist nicht aus. Die Anforderungen sollten echte Must-haves, wünschenswerte Elemente, akzeptable Alternativen sowie Fragen aufzeigen, die sich anhand der Dokumente nicht klären lassen.

2. Die Kriterien werden vom Menschen überprüft und freigegeben. KI kann helfen, die Beschreibung zu strukturieren, aber sie sollte nicht selbstständig entscheiden, dass genau fünf Jahre Erfahrung, die Arbeit in einem bestimmten Unternehmen oder eine bestimmte Hochschule zwingend erforderlich sind. Recruiter und Hiring Manager müssen bestätigen, dass die Kriterien jobrelevant, verhältnismäßig und überprüfbar sind.

3. Das System sammelt die verfügbaren Daten über die Bewerbung oder den Kandidaten. In Recruitify können dies Informationen aus dem Lebenslauf, dem LinkedIn-Profil und den im Bewerbungsformular gegebenen Antworten sein. Der Datenumfang kann sich zwischen den Personen unterscheiden, weshalb das Ergebnis immer im Kontext der Vollständigkeit des Materials gelesen werden muss.

4. Die Daten werden strukturiert und mit den Kriterien abgeglichen. Das System kann nicht nur identische Wörter, sondern auch Bedeutungszusammenhänge erkennen. Die Anforderung zur Leitung eines Vertriebsteams kann mit der Beschreibung der Führung einer Business-Development-Abteilung verknüpft werden. Eine solche Schlussfolgerung sollte jedoch für den Recruiter überprüfbar bleiben.

5. Die KI unterscheidet zwischen Bestätigtem und Unbekanntem. Eine gute Lösung sollte Schweigen nicht in eine negative Antwort verwandeln. Das Fehlen von Informationen über Kubernetes ist nicht dasselbe wie die Erklärung, Kubernetes nicht zu kennen. Die Information aus dem Formular, dass der Kandidat erst in einem halben Jahr anfangen kann, ist hingegen ein konkretes Signal, das im Widerspruch zur Anforderung eines Starts innerhalb eines Monats steht.

6. Es entstehen das Punkteergebnis und die kontextbezogene Bewertung. Das System kann eine Bewertung von 0 bis 100 vergeben, eine Profilbeschreibung erstellen, Stärken und Schwächen aufzeigen sowie Fragen für das weitere Gespräch vorschlagen. Das Ergebnis sollte eine Spur der Analyse sein, keine eigenständige Entscheidung über Weiterkommen oder Absage.

7. Der Recruiter prüft die Begründung und das Ausgangsmaterial. Wenn das Ergebnis zu hoch oder zu niedrig erscheint, muss die Ursache ermittelt werden. Das Problem kann in den Anforderungen, den Daten, der Extraktion aus dem Lebenslauf, der Interpretation des Modells oder einfach in der Unvollständigkeit des Profils liegen. Der Mensch sollte die Möglichkeit haben, eine andere Entscheidung zu treffen als die, die durch die Scoring-Reihenfolge nahegelegt wird.

8. Das Ergebnis führt zu einer Aktion. Der Recruiter kann mit den Profilen mit hoher Übereinstimmung beginnen, ein Gespräch planen, eine ergänzende Frage stellen oder mit der Bitte um Präzisierung des Briefings zum Hiring Manager zurückkehren. Ein Scoring schafft keinen Wert, wenn es bei einer bunten Zahl endet, die niemand nutzt.

9. Die Organisation überwacht Qualität und Auswirkungen. Das Team sollte beobachten, wo das Scoring gut funktioniert, wann es unzutreffende Schlussfolgerungen zieht, wie oft Recruiter mit der Bewertung nicht übereinstimmen und ob niedrigere Ergebnisse nicht zu einem automatischen Übergehen wertvoller Personen führen. Die Einführung endet nicht mit dem Einschalten der Funktion. Da beginnt erst das verantwortungsvolle Management ihrer Auswirkungen.

In der Praxis kann dieser Prozess aufseiten des Systems nur wenige Sekunden dauern, aber seine Qualität ist das Ergebnis der vorherigen Arbeit des Menschen. Je besser das Briefing, je adäquater die Daten und je bewusster der Nutzer, desto nützlicher ist das Ergebnis.

6. Welche Daten kann AI Scoring nutzen?

Die Qualität des Scorings hängt nicht nur vom KI-Modell ab, sondern vor allem von der Qualität, Aktualität und dem Umfang der Eingangsdaten. In Recruitify kann die Bewertung Informationen aus dem Lebenslauf, dem LinkedIn-Profil und den im Bewerbungsformular gegebenen Antworten berücksichtigen. Diese Quellen sind nicht gleichwertig und sollten nicht mechanisch in einen Topf geworfen werden. Jede von ihnen zeigt einen anderen Ausschnitt des Profils und hat eigene Grenzen.

Der Lebenslauf liefert meist die am besten strukturierte Berufshistorie: Positionen, Unternehmen, Daten, Verantwortungsbereiche, Ausbildung, Fähigkeiten und Erfolge. Er ist jedoch ein selektives Dokument. Der Kandidat entscheidet, was er auf ein oder zwei Seiten unterbringt, er kann ältere Erfahrungen kürzen, ein als weniger wichtig erachtetes Projekt weglassen oder für die vorherige Organisation spezifische Rollenbezeichnungen verwenden. Ein Lebenslauf kann auch veraltet sein oder allgemein vorbereitet worden sein, ohne Kenntnis der Kriterien des konkreten Projekts.

Das LinkedIn-Profil kann eine neuere Beschäftigungshistorie, breitere Projektbeschreibungen, Empfehlungen oder im Lebenslauf weggelassene Kompetenzen enthalten. Es sollte jedoch nicht automatisch als vertrauenswürdiger behandelt werden. Auch es wird vom Nutzer erstellt, kann unvollständig, veraltet oder im Marketing-Stil gehalten sein. Sein Wert liegt vor allem in der Ergänzung des Kontextes und dem Bemerken von Unstimmigkeiten, nicht darin, als externer Wahrheitsbeweis zu dienen.

Das Bewerbungsformular ermöglicht es, Informationen zu sammeln, die oft weder im Lebenslauf noch auf LinkedIn zu finden sind. Dies kann die Verfügbarkeit, Gehaltserwartungen, das bevorzugte Arbeitsmodell, das Arbeitsrecht im jeweiligen Land, die Umzugsbereitschaft, vorhandene Berechtigungen oder Erfahrungen in einem sehr spezifischen Bereich betreffen. Der Kandidat schreibt normalerweise nicht in den Lebenslauf, ob er im August anfangen kann, ob er zwei Tage pro Woche im Büro akzeptiert oder ob er zuvor mit einer bestimmten Version eines Systems gearbeitet hat. Er kann solche Fragen jedoch im Formular beantworten.

Erst die Kombination der Quellen ermöglicht es, ein vollständigeres Bild zu zeichnen. Stellen wir uns eine Kandidatin für die Position des Finance Managers vor. Im Lebenslauf beschreibt sie die Teamführung und Monatsabschlüsse, LinkedIn zeigt eine neuere Beförderung, und im Formular bestätigt sie die Kenntnis eines bestimmten ERP-Systems sowie die Verfügbarkeit zum gewünschten Termin. Ein rein auf dem Lebenslauf basierendes Scoring hätte die letzten beiden Elemente nicht gesehen. Gleichzeitig sollte das System nichts hinzudichten, was durch keine Quelle bestätigt wird.

Daten sollten nach drei Grundzuständen interpretiert werden: Kriterium bestätigt, Kriterium wahrscheinlich nicht erfüllt und keine ausreichenden Informationen. Diese Unterscheidung ist wichtiger als die technische Anzahl der Quellen. Zwei veraltete Profile liefern keinen besseren Beweis als eine frische und konkrete Antwort.

Es ist auch ratsam, eine Hierarchie der Aktualität und Regeln zur Lösung von Widersprüchen festzulegen. Was sollte das System tun, wenn der Lebenslauf das Ende einer Tätigkeit im Mai angibt, LinkedIn aber eine laufende Beschäftigung zeigt? Sollte die gestern eingereichte Antwort aus dem Formular Vorrang vor einem vor einem halben Jahr erstellten Lebenslauf haben? Ein guter Prozess verbirgt solche Abweichungen nicht unter einem einheitlichen Ergebnis. Er signalisiert sie dem Recruiter und verwandelt sie in eine Frage zur Überprüfung.

Die Verknüpfung mehrerer Quellen bedeutet auch nicht, dass alles analysiert werden sollte, was technisch verfügbar ist. Das Prinzip der Datenminimierung erfordert, nur Informationen zu nutzen, die für einen bestimmten Zweck benötigt werden. Alter, Foto, Familiensituation, Gesundheitszustand, Herkunft oder andere sensible Bereiche sollten das Scoring nicht beeinflussen, nur weil sie im Dokument oder Profil zu finden sind. Mehr Daten bedeuten nicht immer eine bessere Bewertung. Manchmal bedeuten sie nur mehr Rauschen und ein größeres Risiko für unzulässige Schlussfolgerungen.

7. Warum Projektanforderungen wichtiger sind als das KI-Modell selbst

Das fortschrittlichste Modell kann eine schlecht definierte Rekrutierung nicht reparieren. Wenn die Projektanforderungen allgemein, widersprüchlich, unrealistisch sind oder Vorurteile enthalten, kann die KI sie nur schneller und konsequenter anwenden. Genau diese Konsequenz, die oft als Vorteil der Automatisierung dargestellt wird, kann zum Problem werden: Ein Mensch bemerkt nach dem Lesen einiger Lebensläufe manchmal, dass ein Kriterium keinen Sinn ergibt. Das System wird es für jede Person wiederholen, bis es jemand ändert.

Eine gute Anforderung sollte konkret, mit der tatsächlichen Arbeit verbunden und in den verfügbaren Daten oder in einer späteren Phase des Prozesses überprüfbar sein. „Mindestens drei Jahre Erfahrung in der Leitung von ERP-Einführungsprojekten“ ist nützlicher als „große Projekterfahrung“. „Selbstständige Akquise von B2B-Kunden mit einem Vertragswert von über 100.000 Euro“ liefert mehr Kontext als „starke Vertriebskompetenzen“. „Englischkenntnisse auf einem Niveau, das Verhandlungen ermöglicht“ beschreibt den geschäftlichen Bedarf besser als bloßes „C1“, wenn die Organisation das Niveau nicht durch einen formellen Test überprüfen will.

Anforderungen sollten nicht die gesamte Stellenanzeige kopieren. Die Anzeige hat auch eine Kommunikations- und Employer-Branding-Funktion. Sie enthält eine Beschreibung des Unternehmens, Vorteile, den Verantwortungsbereich und eine Sprache, die zur Bewerbung einlädt. Das Scoring benötigt hingegen eine klare Bewertungslogik: Was ist eine zwingende Voraussetzung, was erhöht die Passung, welche Erfahrung ist gleichwertig, was kann nach der Einstellung gelernt werden und was kann tatsächlich nicht weggelassen werden.

Wichtig ist auch die Gewichtung der Kriterien. Fünf Jahre Erfahrung sind nicht immer doppelt so gut wie zweieinhalb Jahre. Das Fehlen einer Technologie kann leicht nachgeholt werden, während das Fehlen einer gesetzlich vorgeschriebenen Berechtigung den Arbeitsbeginn tatsächlich unmöglich macht. Das Scoring sollte die geschäftliche Bedeutung der Kriterien widerspiegeln, nicht die Anzahl der ihnen in der Anzeige gewidmeten Wörter. Wenn die Liste der „Nice-to-haves“ länger ist als die der Must-haves, sollte das System nicht automatisch zulassen, dass die Summe kleinerer Extras das Fehlen einer grundlegenden Kompetenz überschattet.

Vor dem Start des Scorings lohnt sich eine kurze Kalibrierung mit dem Hiring Manager. Anstatt nur zu fragen „Wen suchen wir?“, ist es besser festzulegen: Was soll diese Person in den ersten sechs Monaten liefern, welche Erfahrung erhöht die Erfolgschancen realistisch, welche Mängel sind akzeptabel und welche machen eine Einstellung unmöglich. Erst auf dieser Grundlage lassen sich Kriterien erstellen, die für die KI und für Menschen einen Wert haben.

8. Must-have, Nice-to-have und K.-o.-Kriterien

Einer der wichtigsten Schritte bei der Vorbereitung des Scorings ist die Trennung von drei Anforderungskategorien. Must-haves sind Bedingungen, die für die Ausführung der Arbeit oder deren Beginn zum geplanten Termin absolut notwendig sind. Nice-to-haves erhöhen die Passung, aber ihr Fehlen sollte den Weg in den Prozess nicht versperren. K.-o.-Kriterien sind hingegen Ja/Nein-Bedingungen, deren Nichterfüllung eine automatische oder halbautomatische Weiterleitung der Bewerbung in einen separaten Pfad rechtfertigen kann – vorausgesetzt, sie sind legal, verhältnismäßig und eindeutig.

In der Praxis übernutzen Organisationen die Kategorie Must-have. Ein Hiring Manager hält vielleicht Erfahrung in einem bestimmten Unternehmen, genau fünf Jahre Arbeit, die Kenntnis eines internen Tools oder den Abschluss an einer bevorzugten Hochschule für notwendig, obwohl keines dieser Elemente eine Bedingung für die erfolgreiche Ausführung der Rolle ist. Wenn das AI Scoring eine solche Liste unreflektiert erhält, wird es das enge Profil des „idealen Kandidaten“ verstärken und die Bewertungen von Personen mit anderen, aber wertvollen Karrierewegen senken.

K.-o.-Kriterien sollten besonders vorsichtig angewendet werden. Sie machen dort Sinn, wo die Antwort eindeutig ist und direkt mit der Möglichkeit zur Ausführung der Arbeit zusammenhängt: eine gesetzlich vorgeschriebene Berechtigung, das Arbeitsrecht am jeweiligen Standort, Verfügbarkeit zu den erforderlichen Zeiten oder die Bereitschaft, in einem Modell zu arbeiten, das die Organisation nicht ändern kann. Man sollte Elemente, die eine Interpretation erfordern, wie „passende Unternehmenskultur“, „ausreichende Erfahrung“ oder „passende Persönlichkeit“, nicht in Killer Questions verwandeln.

AI Scoring sollte K.-o.-Regeln auch nicht in einer undurchsichtigen Zahl verstecken. Wenn ein Kandidat aufgrund eines gesetzlich vorgeschriebenen fehlenden Zertifikats eine niedrige Punktzahl erhalten hat, sollte der Recruiter dies sehen. Wenn die Antwort aus dem Formular zeigt, dass der Kandidat nicht zu den geforderten Zeiten arbeiten kann, sollte das System diese Information von fehlenden Daten unterscheiden. Die Transparenz der Bewertungslogik ist sowohl für die Qualität der Entscheidungen als auch für die Möglichkeit, den Prozess dem Kandidaten zu erklären, von Bedeutung.

Die beste Praxis besteht darin, jedem Kriterium nicht nur eine Kategorie und Gewichtung, sondern auch eine Überprüfungsmethode zuzuordnen. Kann die Information aus dem Lebenslauf stammen? Ist eine Antwort im Formular erforderlich? Muss sie im Gespräch bestätigt werden? Erfordert sie ein Dokument? Dadurch täuscht das Scoring nicht vor, auf der Grundlage einer einzigen Quelle alles entscheiden zu können.

9. AI Scoring versus Keyword-Suche

Eine der häufigsten Vereinfachungen in Gesprächen über ATS ist der Glaube, dass das System „einen Lebenslauf ablehnt, wenn die passenden Wörter nicht darin enthalten sind“. In einigen älteren Lösungen spielten genaue Phrasen, einfache Filter und manuell erstellte Abfragen tatsächlich eine große Rolle. Die Keyword-Suche ist nach wie vor nützlich, aber sie ist nicht dasselbe wie AI Scoring und sollte nicht als dessen vollständiger Funktionsmechanismus dargestellt werden.

Die klassische Suche prüft das Vorhandensein oder Fehlen bestimmter Begriffe. Wenn ein Recruiter „Salesforce“ eingibt, kann das System Personen finden, die diesen Namen im Profil platziert haben. Das Problem beginnt, wenn die Erfahrung in einer anderen Sprache beschrieben ist, der Kandidat den Namen einer breiteren Kategorie verwendet oder eine bestimmte Kompetenz sich aus dem Kontext ergibt. Eine Person, die „CRM-Lösungen in einer Salesforce-Umgebung eingeführt und verwaltet hat“, sollte mühelos gefunden werden. Ein schwierigerer Fall ist ein Kandidat, der „das Management einer cloudbasierten Vertriebsautomatisierungsplattform“ beschreibt, ohne die Marke zu nennen. Ein semantisches System kann eine potenzielle Verbindung erkennen, sollte sie jedoch als eine zu bestätigende Schlussfolgerung und nicht als sichere Tatsache behandeln.

Ein auf einem Sprachmodell basierendes AI Scoring kann die Bedeutung von Anforderungen mit dem Inhalt von Dokumenten vergleichen. Dies ermöglicht es, gleichwertige Erfahrungen, für die Organisation spezifische Stellenbezeichnungen und Kompetenzen zu erkennen, die in einer anderen Reihenfolge als in der Anzeige beschrieben sind. Beispielsweise kann die Anforderung „Leitung eines Customer-Success-Teams im SaaS-Modell“ mit der Beschreibung „Verantwortung für ein achtköpfiges Team zur Betreuung von Abonnementkunden“ verknüpft werden. Eine solche Argumentation ist nützlich, aber nicht unfehlbar. Je weiter entfernt die semantische Verbindung ist, desto größer ist das Bedürfnis, dem Recruiter zu zeigen, auf welchem Textausschnitt die Schlussfolgerung basiert.

Man sollte Keywords und KI daher nicht absolut gegeneinander ausspielen. Gute Tools können präzise Regeln mit kontextbezogener Analyse kombinieren. Für das Zertifikat „CISA“ ist die genaue Phrase von Bedeutung. Für die Erfahrung bei der Durchführung einer organisatorischen Transformation ist die Analyse der Bedeutung wichtiger als identische Wörter. Die Auswahl des Mechanismus sollte vom Charakter des Kriteriums abhängen.

Es ist auch Vorsicht geboten bei dem Versprechen, dass die KI „den Lebenslauf wie ein Mensch versteht“. Das ist zwar marketingtechnisch attraktiv, geht aber zu weit. Ein Modell kann Text auf eine Weise analysieren, die der sprachlichen Arbeit eines Menschen ähnelt, besitzt jedoch keine Berufserfahrung, Absichten oder den vollen Kontext. Es kann Synonyme richtig verknüpfen und gleichzeitig den Verantwortungsbereich völlig falsch interpretieren. Daher erweitert die Semantik die Möglichkeiten, beseitigt aber nicht den Bedarf an Überprüfung.

10. Was bedeutet ein Ergebnis von 0 bis 100?

Das Ergebnis von 0 bis 100 ist in erster Linie eine unterstützende Skala. Es ermöglicht es, schnell zu sehen, wie das System die Passung der verfügbaren Informationen zu den Projektkriterien bewertet hat. Es ist keine Wahrscheinlichkeit für eine Einstellung, keine Vorhersage des beruflichen Erfolgs und keine wissenschaftlich berechnete „Qualität des Kandidaten“. Ein Ergebnis von 86 bedeutet nicht, dass der Kandidat eine 86-prozentige Chance hat, in der Rolle erfolgreich zu sein. Es bedeutet auch nicht, dass er um genau 14 Punkte besser ist als die Person mit einem Ergebnis von 72.

Die Bedeutung der Zahl hängt von der Konstruktion des jeweiligen Systems, der Gewichtung der Kriterien und der Vollständigkeit der Daten ab. In einem Projekt können sich die Ergebnisse natürlicherweise zwischen 60 und 85 konzentrieren, in einem anderen zwischen 20 und 55, wenn die Anforderungen sehr speziell sind. Daher sind Schwellenwerte wie „wir lehnen jeden unter 70 ab“ gefährlich, wenn sie nicht für den konkreten Prozess getestet wurden. Selbst dann sollte der Schwellenwert die Überprüfung durch den Menschen nicht automatisch ersetzen, insbesondere wenn das Ergebnis den Zugang zur Beschäftigung beeinflusst.

Die Zahl kann als Werkzeug zur Priorisierung am nützlichsten sein. Der Recruiter kann die Analyse mit Personen beginnen, die eine hohe Bewertung haben, sollte aber auch eine Stichprobe von Profilen aus niedrigeren Bereichen durchsehen. Ein solches Audit ermöglicht es zu prüfen, ob das System nicht unkonventionelle Kandidaten übergeht, Ergebnisse wegen fehlender Informationen zu niedrig ansetzt oder Personen bevorzugt, die einfach die Sprache von Lebensläufen besser beherrschen. In der Praxis lohnt es sich, die Regel einer regelmäßigen Überprüfung des „Endes der Rangliste“ zu etablieren, insbesondere bei neuen Rollentypen.

Eine gute Benutzeroberfläche sollte die Zahl nicht isoliert von der Begründung hervorheben. Wenn das Ergebnis in großer Schrift angezeigt wird und die Erklärung unter einem weiteren Klick verborgen ist, werden Nutzer Entscheidungen auf der Grundlage des sichtbarsten Elements treffen. Das Screen-Design beeinflusst das Verhalten genauso wie das Modell selbst. In einem System, das verantwortungsvolle Entscheidungen unterstützt, sollten das Ergebnis, Stärken, schwächere Bereiche und Datenlücken zusammen verfügbar sein.

Es ist auch wichtig, an die Stabilität des Ergebnisses zu denken. Generative Modelle können in einigen Konfigurationen leicht unterschiedliche Antworten für dieselbe Eingabe erzeugen. Der Anbieter sollte diese Varianz begrenzen, die Wiederholbarkeit testen und klar beschreiben, was eine Neuberechnung auslösen kann. Der Nutzer wiederum sollte wissen, dass eine Änderung der Projektanforderungen oder der Kandidatendaten die Bewertung berechtigterweise ändern kann. Das Ergebnis ist keine für immer festgeschriebene Tatsache, sondern das Resultat eines bestimmten Vergleichs zu einem bestimmten Zeitpunkt.

11. Stärken, Schwächen und Fragen für das Gespräch

Der größte Wert des AI Scorings liegt oft nicht in der Zahl, sondern auf der kontextuellen Ebene. Der Recruiter benötigt nicht nur die Information, dass ein Profil hoch oder niedrig bewertet wurde. Er muss wissen, warum das so ist, welche Elemente für das Projekt von Bedeutung sind und was er als Nächstes tun sollte. Daher kann ein nützliches Scoring eine Beschreibung des Kandidaten vorbereiten, Stärken und Schwächen aufzeigen sowie Fragen für das Gespräch vorschlagen.

Die Beschreibung des Kandidaten sollte eine kurze Synthese und keine Zusammenfassung des gesamten Lebenslaufs sein. Ihre Rolle besteht darin, die Erfahrung mit dem konkreten Projekt zu verknüpfen. Anstelle eines allgemeinen „erfahrender Finanzmanager“ ist es besser aufzuzeigen, dass die Person ein Team ähnlicher Größe leitete, für das Reporting an eine internationale Gruppe verantwortlich war und an der Einführung eines ERP-Systems beteiligt war, was eine der Herausforderungen der neuen Rolle darstellt. Eine solche Information hilft dem Recruiter, das Profil schneller zu verstehen, bleibt aber in den Quellen überprüfbar.

Stärken sollten sich auf die Kriterien beziehen und sich aus konkreten Daten ergeben. Es geht nicht darum, Lob auszusprechen. „Hat als Sales Manager gearbeitet“ ist noch keine Stärke. „War drei Jahre lang für die selbstständige Akquise von Enterprise-Kunden im DACH-Markt verantwortlich und realisierte ein jährliches Target von über 2 Mio. Euro“ ist eine Information, die mit den Projektanforderungen in Beziehung gesetzt werden kann.

Schwächen erfordern noch größere Vorsicht. In der Produktsprache können wir von Schwächen sprechen, aber in der Praxis sollte das System mindestens drei Arten von Informationen unterscheiden. Die erste ist ein echter Widerspruch zu einer Anforderung, beispielsweise das Fehlen einer gesetzlich vorgeschriebenen Berechtigung oder eine spätere Verfügbarkeit, als es das Projekt zulässt. Die zweite ist eine wahrscheinliche Diskrepanz, wenn die Materialien auf eine Erfahrung hinweisen, die sich erheblich von der gesuchten unterscheidet. Die dritte ist das Fehlen von Daten, also eine Situation, in der die Dokumente es einfach nicht erlauben, über ein Kriterium zu entscheiden. Diese Kategorien dürfen nicht gleich behandelt werden.

Fragenvorschläge verwandeln das Scoring von einem Strukturierungsmechanismus in ein Werkzeug zur Gesprächsvorbereitung. Wenn im Lebenslauf Informationen zur Teamgröße fehlen, kann das System vorschlagen: „Wie viele Personen umfasste das Team und für welche Personalentscheidungen warst du verantwortlich?“. Wenn der Kandidat eine bestimmte Technologie ohne Kontext nennt: „In welchem Projekt hast du sie eingesetzt und wie groß war dein Grad an Selbstständigkeit?“. Wenn sich LinkedIn und Lebenslauf in den Daten unterscheiden: „Welche Information ist aktuell und woraus ergibt sich die Abweichung?“. Eine gute Frage soll nicht eine vorab getroffene Bewertung bestätigen. Sie soll Informationen liefern, die noch fehlen.

Es ist auch ratsam, zu allgemeine Fragen zu vermeiden, die die Antwort suggerieren oder Bereiche betreffen, die nicht mit der Arbeit zusammenhängen. Die KI kann einen Vorschlag generieren, aber der Recruiter muss ihn prüfen und an die Phase des Prozesses anpassen. Eine Frage zur Motivation beim ersten kurzen Screening kann Sinn machen. Eine Frage, die die Persönlichkeit auf der Grundlage einer stereotypen Annahme bewertet, dagegen nicht.

Die kontextuelle Ebene hat noch einen weiteren Vorteil: Sie erleichtert das Gespräch mit dem Hiring Manager oder Kunden. Anstatt nur die Zahl oder ein kurzes „Profil passt“ zu übermitteln, kann der Recruiter Argumente dafür, Risikobereiche und einen Überprüfungsplan aufzeigen. Das verbessert die Qualität der Shortlist und verlagert die Diskussion von einem intuitiven Gefühl auf konkrete Beweise.

12. Fehlende Information ist nicht gleichbedeutend mit fehlender Kompetenz

Dies ist eine der wichtigsten Regeln bei der Interpretation des AI Scorings. Bewerbungsunterlagen sind eine unvollständige Beschreibung eines Menschen. Der Kandidat hat eine Kompetenz möglicherweise nicht aufgeführt, weil er sie für selbstverständlich hielt, die Länge des Lebenslaufs begrenzen wollte, das Dokument an eine andere Rolle anpasste oder die genauen Anforderungen des Projekts nicht kannte. Das LinkedIn-Profil wird vielleicht nur alle paar Jahre aktualisiert. Das Formular enthält möglicherweise eine zu allgemeine Frage. Das Fehlen von Informationen ist daher in erster Linie ein Fehlen von Beweisen im analysierten Material und kein Beweis für das Fehlen von Kompetenz.

Das System sollte mindestens drei Zustände unterscheiden:

• Kriterium bestätigt – verfügbare Daten weisen eindeutig auf seine Erfüllung hin.

• Keine ausreichenden Informationen – das Material erlaubt es weder, die Erfüllung des Kriteriums zu bestätigen noch auszuschließen.

• Kriterium wahrscheinlich nicht erfüllt oder nicht erfüllt – die Daten enthalten eine Information, die im Widerspruch zur Anforderung steht, beispielsweise erklärt der Kandidat, in sechs Monaten verfügbar zu sein, während das Projekt einen Start innerhalb von vier Wochen erfordert.

Die Verknüpfung der zweiten und dritten Kategorie ist eine häufige Quelle für ungerechte Entscheidungen. Wenn im Lebenslauf eine bestimmte Technologie nicht erwähnt wird, kann das System schreiben „keine Bestätigung in den verfügbaren Daten“. Es sollte nicht ohne zusätzliche Grundlage behaupten „Kandidat kennt die Technologie nicht“. Wenn der Kandidat im Formular antwortet, dass er noch nie damit gearbeitet hat, sieht die Situation anders aus, aber selbst dann hängt die Bedeutung dieser Information davon Gehalt ab, ob die Technologie ein echtes Must-have ist oder eine Fähigkeit, die schnell erlernt werden kann.

Eine Rolle spielt auch der Stil des Dokuments. Ein ausführlicher Lebenslauf liefert mehr Text und mehr potenzielle Beweise als das knappe Profil eines Experten, der davon ausgeht, dass Firmennamen und Positionen ausreichen. Infolgedessen kann das System die Qualität der Selbstdarstellung teilweise belohnen. Das ist kein reines KI-Problem, da auch Recruiter gut geschriebenen Dokumenten erliegen, aber die Automatisierung kann das Ausmaß dieses Effekts verstärken und ihm den Anschein mathematischer Präzision verleihen.

Ein Weg, das Problem zu verringern, besteht darin, das Bewerbungsformular zu nutzen, um kritische Informationen standardisiert zu sammeln. Wenn Erfahrung in einem bestimmten Bereich wirklich wichtig ist, stellt man besser eine konkrete Frage, anstatt darauf zu hoffen, dass der Kandidat sie zufällig im Lebenslauf beschrieben hat. Der zweite Weg ist das Generieren von Fragen für das Gespräch. Der dritte – das regelmäßige Durchsehen eines Teils der Profile mit niedrigen Ergebnissen, um zu prüfen, ob das System nicht eine bescheidene Dokumentation mit fehlender Qualifikation verwechselt hat.

Diese Regel sollte auch in die Nutzerschulung einfließen. Der Recruiter muss wissen, dass „nicht gefunden“ nicht „besitzt nicht“ bedeutet und „das System schlägt vor“ nicht „die Tatsache wurde bestätigt“ bedeutet. Ohne dieses Bewusstsein können selbst gut gestaltete Erklärungen zu kategorisch verwendet werden.

13. AI Scoring versus traditionelle Bewertungsbögen

Ein traditioneller Bewertungsbogen, manchmal auch Scorecard genannt, basiert auf zuvor festgelegten Kriterien und einer Skala. Der Recruiter oder Hiring Manager vergibt nach dem Gespräch Punkte für Erfahrung, Kompetenzen, Motivation oder Aufgabenergebnisse. Ein gut angewendeter Bogen erhöht die Konsistenz des Prozesses, da er die Bewertenden zwingt, sich auf gemeinsame Kriterien zu beziehen, anstatt auf einen Gesamteindruck.

AI Scoring sollte einen solchen Bogen nicht ersetzen, sondern kann ihn in einer früheren Phase ergänzen. Es analysiert die vor dem Gespräch verfügbaren Daten und hilft, eine erste Bewertung vorzubereiten. Der traditionelle Bogen kann anschließend Informationen umfassen, die im Gespräch, bei einer Aufgabe, einem Test oder durch Referenzen gewonnen wurden. Die Kombination beider Werkzeuge macht Sinn, wenn die Kriterien konsistent sind und man weiß, welche Quelle welches Element bestätigen kann.

Der Unterschied betrifft auch die Verantwortung. Auf dem Bewertungsbogen vergibt der Mensch die Bewertung direkt. Beim AI Scoring übernimmt das System einen Teil der Interpretation, weshalb der Nutzer in der Lage sein muss, die Logik nachzuvollziehen, die Grundlage zu prüfen und das Ergebnis zu hinterfragen. Es reicht nicht zu sagen, dass „der Algorithmus gerechnet hat“. Die Organisation ist weiterhin dafür verantwortlich, wie die Bewertung im Prozess verwendet wird.

KI kann die Konsistenz der ersten Analyse verbessern, beseitigt jedoch keine menschlichen Vorurteile. Die Kriterien wurden von Menschen erstellt, die Daten werden von Menschen generiert, und das Ergebnis interpretieren Menschen. Mehr noch: Das KI-Ergebnis kann zu einer neuen Quelle von Bias werden – zu einem automatischen Bezugspunkt, an den die Bewertenden ihre eigenen Eindrücke anpassen. Daher lohnt es sich manchmal, das Ergebnis vor einem Teil der Personen bis zu deren unabhängiger Bewertung zu verbergen oder zumindest eine kurze, vom Ergebnis unabhängige Begründung der Entscheidung zu verlangen.

In der Praxis kann das beste Modell wie folgt aussehen: AI Scoring strukturiert die eingehenden Bewerbungen und zeigt Bereiche auf, die überprüft werden müssen; der Recruiter prüft das Profil; das Gespräch wird anhand standardisierter Fragen geführt; der Bewertungsbogen sammelt die Beweise aus dem Gespräch; der Hiring Manager trifft die Entscheidung auf der Grundlage des gesamten Materials. Die KI ist dann eines der Elemente des Prozesses und kein eigenständiger Richter.

14. AI Scoring und AI Matching – eine entscheidende Unterscheidung

AI Scoring und AI Matching werden oft in einen Topf geworfen, da beide Funktionen Kandidatenprofile mit den Projektanforderungen abgleichen. Ihre Aufgaben sind jedoch unterschiedlich, und in Artikeln, Produktdokumentationen und der Kommunikation mit Kunden sollten sie konsequent getrennt werden.

AI Scoring bewertet eine Bewerbung oder einen Kandidaten, den wir bereits im Kontext des Projekts analysieren. Ausgangspunkt ist ein konkretes Profil. Das System bereitet das Ergebnis und die Erklärung vor: Inwieweit entsprechen die verfügbaren Informationen den Kriterien, was sind Stärken und schwächere Bereiche und was sollte überprüft werden. Es kann eine Person betreffen, die sich selbst beworben hat, oder einen Kandidaten, der vom Recruiter zum Projekt hinzugefügt wurde.

AI Matching funktioniert von der anderen Seite aus. Ausgangspunkt ist das Projekt und die Notwendigkeit, potenziell passende Personen zu finden. Die Funktion durchsucht die Kandidatendatenbank, vergleicht Profile mit Anforderungen und schlägt dem Recruiter vor, wen er in Betracht ziehen sollte. Seine Hauptaufgabe ist Discovery und internes Sourcing: das Finden von Personen, die der Recruiter dem Projekt noch nicht hinzugefügt hat oder an die er vielleicht nicht gedacht hat.

Die einfachste Unterscheidung lautet:

• AI Scoring: „Wie schneidet dieser Kandidat oder diese Bewerbung im Vergleich zu den Projektanforderungen ab?“

• AI Matching: „Welche Kandidaten in der Datenbank könnten zu diesem Projekt passen und sollten dem Recruiter vorgeschlagen werden?“

In Recruitify ist AI Scoring eine Bewertungsfunktion, während AI Matching als separater Mechanismus zum Suchen und Vorschlagen von Kandidaten aus der Datenbank entwickelt wird. Man sollte Scoring nicht als „nächsten Schritt nach dem Matching“ darstellen, da der Prozess auch ohne Matching ablaufen kann. Ein Kandidat kann sich auf eine Anzeige bewerben, manuell hinzugefügt werden oder aus einer Empfehlung stammen und anschließend vom AI Scoring bewertet werden.

Beide Funktionen können sich in Zukunft ergänzen. Das Matching findet potenzielle Profile, der Recruiter fügt ausgewählte Personen zum Projekt hinzu, und das Scoring bereitet eine detailliertere Bewertung im Kontext der Kriterien vor. Dennoch sind separate Qualitätsregeln erforderlich. Das Matching sollte unter anderem an der Relevanz der Vorschläge und der Fähigkeit, wertvolle Profile zu finden, gemessen werden. Das Scoring sollte im Hinblick auf Konsistenz, Erklärbarkeit und Nützlichkeit bei der Analyse einer konkreten Person bewertet werden.

15. AI Scoring versus CV-Parser, KI-Zusammenfassung und Killer Questions

In einem modernen ATS können mehrere Funktionen mit ähnlichen Daten arbeiten, aber völlig unterschiedliche Aufgaben erfüllen. Ihre Vermischung führt zu unrealistischen Erwartungen und erschwert die Risikobewertung. AI Scoring sollte von CV-Parsern, Kandidatenzusammenfassungen, Suchen, K.-o.-Fragen, Workflow-Automatisierung und der einfachen Nutzung eines öffentlichen Chatbots unterschieden werden.

Ein CV-Parser liest ein Dokument und wandelt es in strukturierte Daten um: Kontaktdaten, Beschäftigungshistorie, Ausbildung, Fähigkeiten oder Sprachen. Seine primäre Aufgabe ist die Extraktion, nicht die Bewertung. Ein Parser kann einen Fehler machen, beispielsweise ein Datum dem falschen Unternehmen zuordnen, und dieser Fehler kann sich später auf das Scoring auswirken. Daher ist die Qualität der Extraktion eines der Fundamente für die Qualität der Bewertung.

Die KI-Zusammenfassung erstellt eine Kurzfassung des Profils. Sie kann die Erfahrung, die wichtigsten Kompetenzen und den Werdegang beschreiben, muss diese jedoch nicht auf die Projektkriterien beziehen oder ein Ergebnis vergeben. Die Zusammenfassung beantwortet in erster Linie die Frage „Was ist über diesen Kandidaten bekannt?“, während das Scoring fragt „Wie beziehen sich diese Informationen auf die Anforderungen dieser Rekrutierung?“. In der Praxis können beide Elemente zusammen präsentiert werden, sie sind jedoch nicht dasselbe.

Killer Questions oder K.-o.-Fragen sind Regeln, die auf konkreten Antworten basieren. Wenn die Arbeit einen gültigen Führerschein erfordert und der Kandidat mit „Nein“ antwortet, kann das System einen zuvor festgelegten Pfad anwenden. Das ist nicht zwingend KI. Das ist eine regelbasierte Automatisierung, deren Logik vom Menschen definiert wurde. Sie hat Vorteile in eindeutigen Fällen, kann aber gnadenloser sein als das Scoring, wenn das Kriterium schlecht gewählt wurde.

Die Workflow-Automatisierung führt Aktionen nach Erfüllung einer Bedingung aus: Sie versendet eine Nachricht, fügt ein Label hinzu, ändert die Phase, erstellt eine Aufgabe oder benachrichtigt den Projektbesitzer. Sie kann das Scoring-Ergebnis als eine der Bedingungen nutzen, aber eine solche Verknüpfung erfordert besondere Vorsicht. Das automatische Ablehnen jeder Person unter einem bestimmten Ergebnis verwandelt eine unterstützende Funktion in einen echten Entscheidungsmechanismus und erhöht das rechtliche sowie ethische Risiko erheblich.

Ein Sonderfall ist das Kopieren von Lebenslauf und Stellenbeschreibung in einen öffentlichen Chatbot mit dem Befehl „Bewerte diesen Kandidaten“. Technisch lässt sich so ein Prozentsatz, eine Zusammenfassung und Fragen generieren, aber das ist nicht gleichbedeutend mit einem sicheren, im ATS verankerten AI Scoring. Der Recruiter weiß möglicherweise nicht, wohin die Daten fließen, wie lange sie gespeichert werden, ob sie zur Verbesserung des Dienstes dienen, wer Zugriff auf den Gesprächsverlauf hat und ob die Organisation einen entsprechenden Vertrag mit dem Anbieter hat. Es ist auch schwieriger, einheitliche Kriterien beizubehalten, die Version der Anforderungen zu protokollieren, Berechtigungen zu kontrollieren und zu dokumentieren, wie das Ergebnis den Prozess beeinflusst hat.

Eine Funktion, die direkt im Rekrutierungssystem verfügbar ist, sollte im Rahmen einer festgelegten Umgebung für Datenverarbeitung, Zugriffskontrolle, Aufbewahrung, Protokollierung und Verträgen mit Anbietern arbeiten. Allein die Integration in das ATS garantiert keine Compliance oder Sicherheit, gibt der Organisation jedoch die Möglichkeit, den Prozess auf eine Weise zu steuern, die das spontane Kopieren von Daten in ein beliebiges Tool normalerweise nicht bietet.

Die wichtigste Frage lautet daher nicht „Kann die KI eine Bewertung generieren?“. Sie kann es. Die Frage lautet: Entsteht die Bewertung nach freigegebenen Kriterien, auf angemessenen Daten, in einer kontrollierten Umgebung und mit der Möglichkeit der Überprüfung durch einen Menschen?

16. AI Scoring in der Praxis – drei Bewertungsbeispiele

Die Theorie wird verständlicher, wenn wir sehen, wie derselbe Mechanismus in verschiedenen Rekrutierungen funktionieren kann. Die folgenden Beispiele stellen keine fertige Punkteformel dar. Sie zeigen vielmehr, wie Anforderungen, Daten und kontextuelle Interpretation zusammenwirken sollten.

Beispiel 1: CFO in einem wachsenden Unternehmen

Nehmen wir an, ein Unternehmen sucht einen CFO, der die Organisation auf schnelles Wachstum vorbereiten, das Controlling strukturieren, die Finanzierung verwalten und mit Investoren zusammenarbeiten soll. Eine schlecht beschriebene Anforderung könnte lauten: „Mindestens zehn Jahre Erfahrung, renommierte Firma im Lebenslauf, starke Führungskompetenz und strategisches Denken“. Ein solches Briefing ist schwer fair zu scoren. „Renommee“ ist subjektiv, „strategisches Denken“ ergibt sich nicht direkt aus dem Dokument, und die Anzahl der Jahre hat möglicherweise keinen Bezug zur Herausforderung.

Bessere Kriterien beziehen sich auf Ergebnisse und das Arbeitsumfeld: Verantwortung für die gesamte GuV, Erfahrung im Aufbau des Controllings, Beteiligung an der Beschaffung von Finanzierungen, Leitung des Finanzteams, Reporting an den Vorstand oder Investoren sowie Arbeit in einer Organisation mit ähnlicher Wachstumsgröße. Der Lebenslauf kann einen Teil dieser Elemente bestätigen. LinkedIn kann eine neuere Rolle zeigen. Das Bewerbungsformular kann die Verfügbarkeit, Erwartungen und die Antwort auf die Frage nach der größten durchgeführten Finanzierungsrunde erfassen.

Ein Kandidat kann ein hohes Ergebnis erzielen, weil er die Finanzen in einem von 50 auf 300 Personen gewachsenen Unternehmen leitete, das Controlling einführte und an Gesprächen mit einem Fonds beteiligt war. Eine Schwachstelle oder ein Risikobereich könnte das Fehlen einer Bestätigung für die selbstständige Verantwortung bei der Finanzierungsbeschaffung sein. Anstatt anzunehmen, dass diese Kompetenz fehlt, kann das System eine Frage vorschlagen: „Wie groß war dein persönlicher Verantwortungsbereich im Finanzierungsprozess und welche Elemente hast du selbstständig geleitet?“.

Beispiel 2: Java Developer in einem Migrationsprojekt

Im zweiten Projekt sucht ein Unternehmen einen Java Developer für die Migration einer älteren Anwendung auf eine neue Architektur. Must-haves können kommerzielle Erfahrung mit Java, Arbeit mit Spring Boot, relationalen Datenbanken und verteilten Systemen umfassen. Nice-to-haves sind Kubernetes, Public Cloud und Erfahrung mit der schrittweisen Modernisierung eines Monolithen.

Ein Kandidat nennt Java und Spring, verwendet im Lebenslauf jedoch nicht die genaue Formulierung „Mikroservices“. Er beschreibt jedoch die Aufteilung einer monolithischen Anwendung in unabhängig bereitstellbare Module, die über APIs kommunizieren. Eine rein auf Keywords basierende Analyse könnte dieses wichtige Signal übersehen. Eine semantische Analyse kann die Verbindung erkennen, sollte jedoch den Textabschnitt aufzeigen, auf dem die Schlussfolgerung basiert.

Im Lebenslauf finden sich keine Informationen zu Kubernetes. Das sollte nicht automatisch eine Schwachstelle im Sinne von fehlender Kompetenz bedeuten. Wenn Kubernetes ein Nice-to-have ist, kann das System das Fehlen einer Bestätigung markieren und die Frage vorschlagen: „Hast du Anwendungen in einer Container-Umgebung bereitgestellt und welche Orchestrierungs-Tools hast du genutzt?“. Wenn der Kandidat im Formular antwortet, dass er zwei Jahre mit Kubernetes gearbeitet hat, kann diese Information das Profil ergänzen. Wenn er mit „Nein“ antwortet, sollte das Scoring dies als echten Mangel berücksichtigen, jedoch entsprechend der Gewichtung des Kriteriums und nicht als automatische Absage.

Beispiel 3: B2B-Vertriebsmitarbeiter für einen neuen Markt

Das dritte Projekt betrifft eine Person, die den B2B-Vertrieb im deutschen Markt aufbauen soll. Der bloße Titel „Sales Manager“ sagt wenig aus. Für die Rolle können die selbstständige Akquise von Neukunden, die Länge des Vertriebszyklus, der Vertragswert, die Arbeit mit Entscheidungsträgern, die Kenntnis des DACH-Marktes und verhandlungssicheres Deutsch von Bedeutung sein.

Ein Kandidat hat beeindruckende Vertriebsergebnisse vorzuweisen, aber der Großteil seiner Erfahrung stammt aus der Betreuung bestehender Kunden im polnischen Markt. Eine zweite Person hat geringere Umsätze erzielt, aber den deutschen Markt selbstständig erschlossen, die Pipeline von Grund auf aufgebaut und Enterprise-Verhandlungen geführt. Ein einfaches Scoring, das auf der Summe der Vertriebsergebnisse basiert, könnte die erste Person bevorzugen. Ein in den echten Projektanforderungen verankertes Scoring sollte erkennen, dass das zweite Profil besser zur konkreten Aufgabe passt.

Das Bewerbungsformular kann zusätzlich Informationen zur Reisebereitschaft, zu Gehaltserwartungen und zum tatsächlichen Sprachniveau erfassen. Das System kann die Erfahrung im Marktaufbau als Stärke hervorheben und das Fehlen von Informationen über den durchschnittlichen Vertragswert als zu überprüfenden Bereich markieren. Die Frage für das Gespräch könnte lauten: „Erzähle uns von dem größten Kunden, den du selbstständig im DACH-Markt gewonnen hast – wie sah der Prozess vom Erstkontakt bis zur Vertragsunterzeichnung aus?“.

Diese drei Beispiele zeigen, warum es kein universelles Scoring für den „guten Kandidaten“ gibt. Ein CFO, ein Java Developer und ein Vertriebsmitarbeiter werden nach völlig unterschiedlichen Kriterien bewertet. Selbst zwei Kandidaten mit einem ähnlichen Stellentitel können je nach Projektziel unterschiedlich abschneiden. Die KI kann helfen, die Anforderungen konsequent durchzugehen, entbindet die Organisation jedoch nicht von der Beantwortung der schwierigsten Frage: Was genau brauchen wir von der Person in dieser Rolle?

17. Vorteile für Recruiter und das Rekrutierungsteam

Der offensichtlichste Vorteil ist die Zeitersparnis, aber man sollte den Wert des AI Scorings nicht auf das schnellere Lesen von Lebensläufen reduzieren. Eine gut genutzte Funktion verändert die Art und Weise, wie die erste Analyse organisiert wird. Sie hilft, Bewerbungen, die viele Kriterien erfüllen, schneller zu bemerken, Bereiche zu identifizieren, die einer Überprüfung bedürfen, und ein strukturierteres Gespräch vorzubereiten. Der Recruiter sichtet weiterhin Profile, beginnt aber nicht jedes Mal bei einem leeren Blatt Papier.

Die Ersparnis besteht auch nicht darin, dass der Mensch überhaupt keine Dokumente mehr liest. Sie liegt in einer anderen Verteilung der Aufmerksamkeit. Anstatt jedem Teil jedes Lebenslaufs die gleiche Zeit zu widmen, kann der Recruiter sofort sehen, welche Anforderungen bestätigt wurden, wo ein Widerspruch besteht und was fehlt. Dadurch verbringt er mehr Zeit mit der Interpretation, dem Kontakt und der Überprüfung und weniger mit dem manuellen Suchen verstreuter Informationen.

Der zweite Vorteil ist eine höhere Konsistenz. Bei Hunderten von Bewerbungen unterscheiden sich Menschen natürlicherweise in ihrer Aufmerksamkeit und der Interpretation von Kriterien. Das System kann auf jedes Profil dieselbe Analysestruktur anwenden. Das bedeutet nicht automatisch mehr Gerechtigkeit, da man auch fehlerhafte Regeln konsequent anwenden kann. Wenn die Kriterien jedoch gut vorbereitet und die Ergebnisse kontrolliert werden, schränkt die Konsistenz die Zufälligkeit der ersten Sichtung ein und erleichtert den Vergleich von Entscheidungen im Team.

Der dritte Vorteil ist eine bessere Begründung. Der Recruiter kann Argumente für den Hiring Manager oder Kunden schneller vorbereiten, anstatt nur den Lebenslauf und ein allgemeines „Es lohnt sich zu sprechen“ zu übermitteln. Stärken, Schwächen, Informationslücken und Fragen zur Überprüfung bilden eine gemeinsame Bewertungssprache. Das bedeutet nicht, dass die generierte Beschreibung unkontrolliert kopiert werden sollte. Ihr Wert liegt in der Vorbereitung einer Arbeitsanalyse, die der Mensch prüft und verfeinert.

Der vierte Vorteil betrifft die Gesprächsvorbereitung. Der Recruiter kann mit einer Liste konkreter Bereiche, die vertieft werden sollen, in das Treffen gehen, anstatt allen dieselbe Reihe allgemeiner Fragen zu stellen. Das ermöglicht es, die Zeit des Kandidaten besser zu nutzen und echte Erfahrung schneller von einer attraktiven Beschreibung zu trennen.

Der fünfte Vorteil hängt mit der Teamarbeit und dem Onboarding neuer Personen zusammen. Wenn jeder Consultant seine eigene informelle Art hat, Lebensläufe zu lesen, ist es schwierig, Projekte zu übergeben, die Qualität zu analysieren und weniger erfahrene Recruiter anzulernen. AI Scoring kann einen gemeinsamen Ausgangspunkt bieten. Das Team kann diskutieren, warum es mit einer Bewertung nicht übereinstimmt, welche Anforderung schlecht formuliert war und wie das Briefing verbessert werden kann. Allein die Differenz zwischen der Bewertung des Menschen und des Systems wird dann zu Lernmaterial.

Der sechste Vorteil ist eine schnellere Reaktion. In einer Agentur können wenige Stunden darüber entscheiden, welches Unternehmen einen wertvollen Kandidaten zuerst präsentiert. In der Inhouse-Rekrutierung beeinflusst ein schneller Kontakt das Candidate Experience und verringert das Risiko, eine Person an einen anderen Prozess zu verlieren. Das Scoring kann die Zeit von der Bewerbung bis zur ersten sinnvollen Analyse verkürzen, aber nur, wenn es in den Workflow eingebettet ist und zu einer Aktion führt. Wenn es eine bloße Zahl im System bleibt, bringt es keinen realen Wert.

18. Vorteile für Agenturen, Inhouse-HR und Hiring Manager

In einer Rekrutierungsagentur kann AI Scoring vor allem das Delivery unterstützen. Ein Recruiter leitet oft mehrere Projekte parallel, und die Anforderungen der Kunden sind mitunter unvollständig und ändern sich im Laufe des Prozesses. Die kontextbezogene Bewertung hilft, ein Profil schneller zu verstehen, das Screening vorzubereiten und die Argumentation für die Shortlist aufzubauen. Sie kann auch die Übergabe eines Projekts zwischen Consultants erleichtern. Eine neue Person muss die gesamte Logik nicht mühsam aus Notizen rekonstruieren, wenn sie die freigegebenen Kriterien und die Art und Weise sieht, wie die Kandidaten darauf bezogen wurden.

Wichtig ist auch die Geschwindigkeit der Arbeit mit der eigenen Datenbank. Scoring ist kein AI Matching und sucht nicht selbstständig automatisch nach den besten Personen für das Projekt, aber es kann Kandidaten bewerten, die der Recruiter aus früheren Prozessen, Empfehlungen oder dem Sourcing hinzugefügt hat. Dadurch hört die Datenbank auf, ein reines Lebenslaufarchiv zu sein. Voraussetzung ist die Aktualität der Daten und die Rechtsgrundlage für deren weitere Verwendung.

In der Inhouse-Rekrutierung zeigt sich der größte Wert oft bei einem hohen Volumen, beschränkt sich jedoch nicht darauf. Selbst bei wenigen Dutzend Bewerbungen kann das Tool helfen, die erste Bewertung zwischen Standorten und Recruitern zu standardisieren. Es kann auch ein Problem im Briefing aufdecken. Wenn die Mehrheit der Kandidaten aufgrund einer einzigen Anforderung niedrige Ergebnisse erhält, lohnt es sich zu prüfen, ob der Markt solche Profile tatsächlich nicht hergibt oder ob das Kriterium einfach zu eng oder schlecht kommuniziert ist.

Der Hiring Manager erhält besser strukturiertes Material. Anstatt jeden Lebenslauf ohne Kontext selbst lesen zu müssen, kann er eine Zusammenfassung, Argumente dafür und dagegen sowie Bereiche zur Überprüfung erhalten. Er sollte jedoch nicht nur das KI-Ergebnis sehen. Eine große Zahl ohne Zugriff auf das Dokument und die Begründung kann zu blindem Vertrauen führen. Das beste Modell bietet einfachen Zugriff sowohl auf die kontextbezogene Analyse als auch auf das vollständige Profil und die Entscheidung des Recruiters.

AI Scoring kann auch die Qualität des Gesprächs zwischen HR und dem Fachbereich verbessern. Anstatt einer Diskussion à la „Dieser Kandidat gefällt mir“ versus „Dieser Kandidat passt nicht“ gibt es eine Liste von Anforderungen, Beweisen, Lücken und Fragen. Das beseitigt die Subjektivität nicht, macht sie aber sichtbarer. Wenn der Hiring Manager eine Person mit hoher Übereinstimmung ablehnt, lohnt es sich zu fragen, welches Kriterium zuvor nicht festgehalten wurde. Wenn er ein Profil mit niedrigem Ergebnis akzeptiert, hat das System die Daten vielleicht falsch interpretiert oder die Anforderungen erforderten eine Korrektur.

Für die Organisation liegt der Vorteil in einer besseren Prozessanalyse. Es lässt sich überprüfen, ob hohe Ergebnisse mit dem Erreichen der nächsten Phasen korrelieren, wo Recruiter am häufigsten mit der Bewertung nicht übereinstimmen, welche Anforderungen regelmäßig unbestätigt bleiben und ob Kandidaten aus niedrigeren Bereichen manchmal fälschlicherweise übergangen werden. Man muss jedoch aufpassen, historische Entscheidungen nicht als objektive Wahrheit zu betrachten. Wenn der bisherige Prozess voreingenommen war, kann das blinde Lernen aus dessen Ergebnissen das Problem zementieren.

19. Chancen und Risiken aus Sicht des Kandidaten

Aus Sicht des Kandidaten kann AI Scoring echte Vorteile bringen. Jede Bewerbung kann derselben Analysestruktur unterzogen werden, selbst wenn sie als zweihundertste eingegangen ist. Das System kann eine Erfahrung bemerken, die anders als in der Anzeige beschrieben wurde, Informationen aus dem Formular und dem Lebenslauf verknüpfen und dem Recruiter eine Frage vorschlagen, die dem Kandidaten die Chance gibt, ein fehlendes Element zu erklären. Eine schnellere Vorauswahl kann auch eine schnellere Antwort und eine kürzere Wartezeit bedeuten.

Die Vorteile stellen sich jedoch nicht von selbst ein. Ein Kandidat kann durch einen unvollständigen Lebenslauf, einen ungewöhnlichen Karriereweg, einen Branchenwechsel, eine berufliche Pause oder eine von der Standardanzeige abweichende Sprache ungerechtfertigt herabgestuft werden. Er weiß möglicherweise nicht, dass seine Daten durch eine KI analysiert werden, versteht die Rolle des Ergebnisses bei der Entscheidung nicht und hat keinen einfachen Weg, einen Fehler anzufechten. Wenn die Organisation Personen unterhalb eines Schwellenwerts automatisch ablehnt, kann eine einzige Fehlinterpretation erhebliche Auswirkungen haben.

Das Candidate Experience hängt daher von der Transparenz und der Art der Nutzung ab. Die Organisation sollte klar darüber informieren, dass im Prozess KI-Tools eingesetzt werden, deren Rolle beschreiben und betonen, ob die Entscheidung von einem Menschen getroffen wird. Der Kandidat sollte die Möglichkeit haben, unrichtige Daten zu korrigieren sowie Informationen über die Verwendung seiner Daten gemäß geltendem Recht zu erhalten. Bei Prozessen mit größerer Tragweite lohnt es sich, einen Beschwerdekanal oder die Möglichkeit eines Human Reviews vorzusehen.

Man sollte die Verantwortung auch nicht mit der Aussage „Wenn sie etwas nicht reingeschrieben haben, sind sie selbst schuld“ vollständig auf die Kandidaten abwälzen. Der Lebenslauf ist ein Kommunikationswerkzeug, aber die Organisation gestaltet den Prozess und entscheidet, welche Daten benötigt werden. Wenn ein Kriterium entscheidend ist, sollte es kommuniziert und verhältnismäßig erhoben werden. Das Scoring kann eine fairere Bewertung nur unterstützen, wenn der gesamte Prozess fair gestaltet ist.

20. Wo bringt AI Scoring den größten Nutzen?

AI Scoring bringt nicht in jedem Prozess denselben Nutzen. Die offensichtlichste Anwendung sind Rekrutierungen mit einer hohen Anzahl von Bewerbungen, bei denen es schwierig ist, jedes Dokument mit der gleichen Aufmerksamkeit manuell zu lesen. Dies betrifft unter anderem beliebte Junior-Rollen, Remote-Stellen, internationale Rekrutierungen sowie Prozesse, die auf Portalen beworben werden, die eine schnelle Bewerbung ermöglichen. In solchen Situationen kann das Scoring helfen, die Reihenfolge der Sichtung festzulegen und Profile zu identifizieren, die dringend kontaktiert werden müssen.

Die zweite Anwendung sind Projekte mit klar definierten, überprüfbaren Anforderungen. Wenn die Rolle bestimmte Technologien, Berechtigungen, Erfahrung in einem bestimmten Umfeld, Vertriebsmodell oder einer bestimmten operativen Skalierung erfordert, kann die KI diese Elemente mit den Dokumenten vergleichen. Je unklarer und subjektiver die Kriterien sind, desto geringer ist der Wert einer automatischen Bewertung. Das Scoring kommt viel besser mit der Frage zurecht „Hat der Kandidat ERP-Systemeinführungen in Organisationen mit mehr als 500 Personen geleitet?“ als mit der Frage „Hat er die Ausstrahlung einer Führungspersönlichkeit?“.

Der dritte Bereich ist die Wiederverwendung der Kandidatendatenbank. Der Recruiter kann Personen, die aus früheren Prozessen bekannt sind, zu einem neuen Projekt hinzufügen und ihre Profile im Hinblick auf die neuen Anforderungen bewerten. Man muss jedoch die Aktualität der Daten und die Rechtsgrundlage für die weitere Verarbeitung prüfen. Ein Scoring auf einem veralteten Lebenslauf kann ein scheinbar präzises, aber wenig wertvolles Ergebnis liefern.

Die vierte Anwendung sind Agenturrekrutierungen, bei denen es auf die Schnelligkeit der Shortlist-Erstellung und die Qualität der Kandidatenpräsentation ankommt. Die kontextbezogene Bewertung kann dem Consultant helfen, das Screening vorzubereiten, Risiken zu erkennen und Argumente für den Kunden aufzubauen. Sie sollte jedoch nicht ohne Kontrolle direkt in das Kandidatenprofil kopiert werden. Eine von einer KI generierte Formulierung kann zu kategorisch, unpräzise oder für einen externen Empfänger ungeeignet sein.

Einen geringeren Nutzen kann das Scoring bei Executive-Search-Prozessen haben, bei denen die Anzahl der Kandidaten gering ist und wichtige Informationen aus Interviews, dem Marktruf, Referenzen und dem Verständnis des komplexen Organisationskontextes stammen. Selbst dort kann es die Strukturierung von Daten unterstützen, aber es ist kaum zu erwarten, dass ein Ergebnis aus dem Lebenslauf die Fähigkeit zur Durchführung einer Transformation, zum Aufbau von Vorstandsvertrauen oder zum Agieren in einer bestimmten Eigentümerkultur erfasst.

Scoring sollte nicht nur eingesetzt werden, weil die Funktion verfügbar ist. Vor der Einführung lohnt es sich, drei Fragen zu beantworten: Welches konkrete Problem lösen wir, wie werden wir die Qualität des Ergebnisses überprüfen und was soll der Nutzer tun, wenn er es erhält? Wenn es keine klare Antwort gibt, kann eine weitere Zahl im ATS die Komplexität erhöhen, statt die Produktivität zu steigern.

21. Wie führt man AI Scoring im Rekrutierungsprozess ein?

Eine gute Einführung beginnt beim Prozess, nicht beim Button im System. Der erste Schritt sollte darin bestehen, eine begrenzte Gruppe von Rollen auszuwählen, für die die Anforderungen relativ klar sind und eine ausreichende Anzahl von Bewerbungen für Tests zur Verfügung steht. Ein Pilotprojekt bei allen Projekten gleichzeitig erschwert es zu erkennen, was funktioniert und was verbessert werden muss.

Als Nächstes müssen die Regeln für die Erstellung von Anforderungen definiert werden. Wer bereitet die Kriterien vor, wer gibt sie frei, wie werden zwingende und wünschenswerte Bedingungen unterschieden, wie oft können sie geändert werden und was passiert nach einer Änderung mit den Bewertungen? Es lohnt sich, eine einfache Briefing-Vorlage vorzubereiten. Sie sollte die Beschreibung des Rollenziels, die wichtigsten Ergebnisse, die notwendigen Kompetenzen, akzeptable Alternativen und die im Gespräch zu überprüfenden Bereiche erfordern.

Der nächste Schritt ist der Test mit bekannten Profilen. Das Team kann beispielhafte Lebensläufe von Kandidaten auswählen, die es zuvor bewertet hat, das Scoring starten und das Ergebnis mit der unabhängigen Bewertung der Recruiter vergleichen. Es geht nicht darum, dass das System jede historische Entscheidung perfekt nachbildet. Die Historie kann Fehler enthalten. Es geht darum zu prüfen, ob die Begründungen logisch sind, ob das System Schlüsselkompetenzen erkennt, wie es mit fehlenden Daten umgeht und ob unerwünschte Muster auftreten.

Eine Schulung der Nutzer ist unerlässlich. Sie sollte nicht nur die Bedienung der Funktion umfassen, sondern auch die Interpretation des Ergebnisses, Automation Bias, den Unterschied zwischen fehlenden Informationen und fehlender Kompetenz, Datenschutzprinzipien und Eskalationsszenarien. Der Recruiter sollte wissen, wann er das Scoring zur Priorisierung nutzen kann und wann er auf dieser Grundlage keine Entscheidung ohne zusätzliche Analyse treffen darf.

Es empfiehlt sich, die Praxis des Human Reviews zu etablieren. Man kann beispielsweise verlangen, dass der Recruiter vor der Ablehnung von Kandidaten aus einem bestimmten Bereich das Dokument sichtet und einen eigenen Grund für die Entscheidung angibt. Man kann auch stichprobenartig einen Teil der Bewerbungen mit niedrigen Ergebnissen kontrollieren. Wichtig ist, dass die Aufsicht echt und nicht nur formell ist. Das Klicken auf „Bestätigen“, ohne das Profil gelesen zu haben, ist keine nennenswerte menschliche Beteiligung.

Schließlich muss das Monitoring definiert werden. Jeden Monat oder jedes Quartal kann das Team die Verteilung der Ergebnisse, Unterschiede zwischen den Rollen, die Übereinstimmung der Bewertungen mit den Entscheidungen der Recruiter, die Anzahl der Korrekturen, die vom Scoring übergangenen Profile und die Rückmeldungen der Kandidaten analysieren. Die Einführung sollte einen Verantwortlichen haben, der sowohl für die Effizienz als auch für die Risiken zuständig ist.

22. Die häufigsten Fehler beim Einsatz von AI Scoring

Der erste Fehler besteht darin, das Scoring mit einem schlechten Briefing zu starten. Ein allgemeiner Stellentitel und eine kopierte Anzeige ergeben noch keine Bewertungslogik. Wenn der Hiring Manager nicht angeben kann, welche Anforderungen wirklich wichtig sind, wird die KI dies auch nicht vertrauenswürdig festlegen können. Sie kann Kriterien vorschlagen, aber der Mensch sollte sie überprüfen.

Der zweite Fehler ist die Gleichsetzung eines hohen Ergebnisses mit einer Einstellungsempfehlung. Das Scoring betrifft die Passung der Daten zu den Kriterien in einer bestimmten Phase. Es umfasst nicht alles, was den Erfolg im Job beeinflusst. Ein Kandidat kann eine perfekt beschriebene Erfahrung und eine geringe Motivation haben, er kann die angegebenen Kompetenzen nicht bestätigen oder die Bedingungen des Angebots nicht akzeptieren.

Der dritte Fehler ist das automatische Ablehnen auf der Grundlage eines Schwellenwerts. Eine solche Einstellung ist verlockend, da sie die Zeitersparnis maximiert, kann aber dazu führen, dass Personen mit unvollständigen Lebensläufen systematisch übergangen werden, und erhöht das Gewicht eines einzelnen Fehlers. Sie kann das unterstützende Tool auch in ein System verwandeln, das tatsächlich Entscheidungen trifft, was rechtliche Konsequenzen hat.

Der vierte Fehler ist das fehlende Unterscheiden zwischen Daten und Schlussfolgerungen. Wenn eine KI-Zusammenfassung überzeugend klingt, vergisst der Nutzer vielleicht, dass es sich um eine Interpretation handelt. Jede wesentliche Schlussfolgerung sollte mit einem Textabschnitt verknüpft werden können oder als klärungsbedürftig markiert sein.

Der fünfte Fehler ist die Analyse eines zu breiten Datenumfangs. Mehr Daten bedeuten nicht immer besser. Foto, Alter, Adresse, Familienstand, Gesundheitsdaten oder Social-Media-Aktivitäten können unnötig und riskant sein. Die Organisation sollte bewusst festlegen, welche Quellen und Felder das Scoring beeinflussen dürfen.

Der sechste Fehler ist das Fehlen von Tests nach einer Änderung des Modells, des Prompts oder der Logik. Eine KI-Funktion kann sich nach einem Update anders verhalten, selbst wenn die Benutzeroberfläche gleich aussieht. Der Anbieter sollte Änderungen managen, und der Kunde sollte wissen, wann sich ein Ergebnis ändern kann.

Der siebte Fehler besteht in der Annahme, dass der Mensch die Probleme des Systems automatisch korrigiert. Studien zur Zusammenarbeit zwischen Mensch und KI zeigen, dass Menschen sich übermäßig auf Empfehlungen verlassen und ihre eigenen Entscheidungen an das Ergebnis anpassen können. Die Aufsicht erfordert Kompetenz, Zeit und das Recht, dem System zu widersprechen, und nicht nur die bloße Präsenz des Namens eines Recruiters im Prozess.

23. Grenzen von AI Scoring – was weiß das System nicht?

AI Scoring sieht die Informationen, die ihm zur Verfügung gestellt wurden, und nichts weiter. Es kennt keine Kompetenzen, die nicht im Lebenslauf stehen, weiß nicht, ob ein Erfolg präzise beschrieben wurde, bestätigt die Richtigkeit von Angaben nicht selbstständig und beobachtet den Kandidaten nicht bei der Arbeit. Es kann Schlussfolgerungen aus dem Text ziehen, sollte jedoch keine Kompetenztests, Verhaltensinterviews, Referenzen oder eine im realen Kontext durchgeführte Bewertung ersetzen.

Das System kann Probleme mit unkonventionellen Karrierewegen haben. Eine Person, die vom Militär in die Wirtschaft, von der Wissenschaft zum Produkt, vom Unternehmertum in einen Konzern oder aus einer anderen Branche wechselt, besitzt möglicherweise übertragbare Kompetenzen, die sie nicht in der Sprache der Zielrolle beschreibt. Ein semantisches Modell kann einen Teil davon bemerken, aber Anforderungen, die auf historischen Stellentiteln basieren, können die Bewertung dennoch senken.

Schwierig sind auch Soft Skills. Ein Lebenslauf kann die Aussage „hervorragende Kommunikationsfähigkeit“ enthalten, aber das ist kein verlässlicher Beweis. Das System sollte für die bloße Behauptung keine hohe Bewertung vergeben. Es kann jedoch Erfahrungen aufzeigen, bei denen Kommunikation wahrscheinlich wichtig war, und Fragen für das Gespräch vorschlagen. Die Bewertung des tatsächlichen Verhaltens erfordert jedoch andere Methoden.

Die KI kennt auch nicht den vollen Kontext der Organisation. Zwei Unternehmen können denselben Stellentitel für völlig unterschiedliche Bereiche verwenden. Das Leiten eines zehnköpfigen Teams in einer stabilen Abteilung unterscheidet sich vom Aufbau eines Teams von Grund auf in einem Startup. Ein Budget von einer Million Euro kann in einer Branche eine andere Bedeutung haben als in einer anderen. Daher müssen die Anforderungen den Kontext beschreiben und nicht nur Labels.

Grenzen setzen auch Fehler in Daten und Dokumenten. Der Parser kann eine Tabelle falsch lesen, das System kann Daten verwechseln und das LinkedIn-Profil kann veraltet sein. Je präziser das numerische Ergebnis ist, desto leichter vergisst man die Unsicherheit der Eingabe. Das Prinzip „Garbage in, garbage out“ bleibt auch in der Ära der Sprachmodelle aktuell.

Schließlich trägt die KI keine Verantwortung für die Entscheidung. Sie kann eine Bewertung vorbereiten, spricht aber nicht mit dem Kandidaten, kennt nicht alle Umstände und ist weder gegenüber der Organisation, dem Kunden noch der Regulierungsbehörde verantwortlich. Die Verantwortung verbleibt bei den Menschen und Einheiten, die das System gestalten und nutzen.

24. Bias, Diskriminierung und scheinbare Objektivität

Eines der verlockendsten Versprechen der KI in der Rekrutierung ist die Objektivität. Eine Maschine ist nicht müde, hat keine Lieblingsuniversität und bewertet ein Foto nicht so wie ein Mensch – vorausgesetzt, das Foto und andere unnötige Daten beeinflussen das Modell nicht. Daraus folgt jedoch nicht, dass das Ergebnis neutral ist. Das System kann Vorurteile reproduzieren, die in den Daten, den Kriterien, der Art der Kennzeichnung oder dem Prozessdesign selbst vorhanden sind.

Bias kann auf vielen Ebenen in das Scoring einfließen. Kriterien können Wege bevorzugen, die für bestimmte Gruppen häufiger zugänglich sind, beispielsweise eine unbegründete Anforderung an die Kontinuität der Beschäftigung. Historische Daten können frühere Präferenzen der Organisation widerspiegeln. Namen von Unternehmen und Universitäten können als indirekte Indikatoren für den sozialen Status dienen. Die Sprache des Lebenslaufs kann sich kulturell und geschlechtsspezifisch unterscheiden. Fehlende Daten können häufiger Personen mit einem untypischeren Werdegang betreffen.

Sprachmodelle können auch Schlussfolgerungen auf der Grundlage indirekter Merkmale ziehen. Studien zur Bewertung von Lebensläufen durch LLMs zeigen, dass die Änderung von Elementen, die auf das Geschlecht oder die Herkunft hindeuten, das Ergebnis beeinflussen kann, obwohl das Ausmaß und die Richtung des Bias zwischen den Modellen variieren. Der FAIRE-Benchmark aus dem Jahr 2025 zeigte ein gewisses Maß an Bias in den getesteten Modellen beim direkten Scoring und Ranking von Lebensläufen [7]. Das bedeutet nicht, dass sich jedes Rekrutierungssystem identisch verhält, bestätigt jedoch die Notwendigkeit, die konkrete Konfiguration zu testen, anstatt sich auf allgemeine Erklärungen des Modellherstellers zu verlassen.

Eine scheinbare Objektivität ist besonders gefährlich, da eine Zahl wissenschaftlich aussieht. Ein Ergebnis von 78,4 kann den Eindruck einer Messung ähnlich der Temperatur erwecken, obwohl es das Resultat der gewählten Kriterien und der Textinterpretation ist. Die Präzision der Darstellung ist kein Beweis für die Richtigkeit. Die Organisation sollte fragen: Was misst das Ergebnis, wie wurde es getestet, für welche Gruppen funktioniert es schlechter und welche Konsequenzen hat ein Fehler.

Die Reduzierung von Bias besteht nicht nur darin, den Namen und das Foto zu entfernen. Eine Anonymisierung hilft zwar, aber andere Elemente können geschützte Merkmale dennoch offenbaren oder indirekt darauf hinweisen. Erforderlich sind Ergebnistests, die Analyse von Unterschieden zwischen Gruppen, wo dies legal und methodisch begründet ist, die Überprüfung von Kriterien, Mechanismen zur Fehlermeldung und die Möglichkeit, die Funktion zu deaktivieren, wenn das Risiko nicht gemindert werden kann.

Es ist auch wichtig, daran zu denken, dass Menschen kein neutraler Bezugspunkt sind. KI kann in bestimmten Situationen die Zufälligkeit und unbewusste Vorlieben des Recruiters reduzieren. Das Ziel sollte nicht sein zu beweisen, dass „die KI objektiver als der Mensch ist“ oder umgekehrt. Das Ziel ist es, einen Prozess zu gestalten, in dem die Fehler beider Seiten sichtbar, messbar und korrigierbar sind.

25. Human-in-the-loop – was bedeutet echte menschliche Aufsicht?

Der Begriff Human-in-the-loop taucht in fast jeder Beschreibung einer verantwortungsvollen KI auf. Allein den Menschen in den Prozess einzubinden, reicht nicht aus. Wenn der Recruiter das Ergebnis sieht, die Empfehlung automatisch akzeptiert und keine Zeit für eine Analyse hat, ist seine Beteiligung rein formell. Echte Aufsicht bedeutet die Fähigkeit, die Möglichkeiten und Grenzen des Systems zu verstehen, die Grundlagen des Ergebnisses zu prüfen, es zu hinterfragen und die Aktion zu stoppen oder zu ändern, wenn ein Problem auftritt.

Der AI Act fordert für Hochrisikosysteme die Gestaltung von Lösungen so, dass sie von natürlichen Personen wirksam beaufsichtigt werden können. Er weist auch auf das Risiko von Automation Bias hin, d. h. dem automatischen oder übermäßigen Vertrauen in das Systemergebnis [4]. Die aufsichtführende Person sollte über angemessene Kompetenzen, Schulungen, Befugnisse und Unterstützung verfügen. Im Rekrutierungskontext bedeutet dies, dass ein Junior-Recruiter nicht die einzige „Sicherheitsebene“ sein kann, wenn die Organisation von ihm die Bewältigung eines riesigen Volumens erwartet und ihn ausschließlich nach Schnelligkeit abrechnet.

Echte Aufsicht kann mehrere Praktiken umfassen. Der Recruiter sollte die Begründung sowie das Ausgangsmaterial sehen. Er sollte in der Lage sein, die Entscheidung ohne negative organisatorische Konsequenzen zu ändern. Das System sollte Korrekturen protokollieren und eine Analyse ermöglichen, wo Menschen der KI am häufigsten widersprechen. Bei automatischen Aktionen ist ein Stopp-Mechanismus erforderlich. Der Kandidat sollte die Möglichkeit haben, Unregelmäßigkeiten zu melden, und die Organisation sollte über ein Verfahren zur Prüfung einer solchen Meldung verfügen.

Es ist ratsam, Human Review von der manuellen Erledigung der gesamten Arbeit zu trennen. Aufsicht bedeutet nicht, dass der Mensch jedes Element wieder von Grund auf analysieren muss, da das Tool sonst seinen Sinn verliert. Er sollte jedoch entscheidende Fragen prüfen, insbesondere vor einer negativen Entscheidung. Man kann einen verhältnismäßigen Ansatz wählen: mehr Automatisierung bei administrativen Aufgaben mit geringem Risiko, mehr Kontrolle dort, wo das Ergebnis den Zugang des Kandidaten zur nächsten Phase beeinflusst.

Die Organisation sollte die Nutzer auch darin schulen, Situationen zu erkennen, in denen das System versagen kann: ungewöhnliche Lebensläufe, Branchenwechsel, Dokumente in einer anderen Sprache, berufliche Pausen, unvollständige Daten, widersprüchliche Quellen oder sehr enge Kriterien. Human-in-the-loop ist nur dann wirksam, wenn der Mensch weiß, wonach er suchen muss.

26. AI Scoring und die DSGVO

Der AI Act ersetzt nicht die DSGVO. Wenn das AI Scoring personenbezogene Daten von Kandidaten verarbeitet, muss die Organisation weiterhin die Pflichten aus den Datenschutzvorschriften erfüllen. Dies betrifft unter anderem die Rechtsgrundlage, Transparenz, Datenminimierung, Zweckbindung, Richtigkeit der Informationen, Sicherheit, Aufbewahrung und die Wahrnehmung der Rechte der betroffenen Personen.

Die erste Frage lautet: Wer ist der Verantwortliche und wer der Auftragsverarbeiter. Das rekrutierende Unternehmen legt in der Regel die Zwecke und Mittel der Verarbeitung der Kandidatendaten fest, und der ATS-Anbieter agiert in einem bestimmten Rahmen als Auftragsverarbeiter. Die tatsächliche Aufteilung hängt jedoch von der Ausgestaltung des Dienstes ab, einschließlich der Frage, ob der Anbieter oder seine Unterauftragnehmer die Daten für eigene Zwecke, das Training von Modellen, Tests oder die Verbesserung des Dienstes nutzen. Rollen, Weisungen und Unterauftragsverarbeiter sollten im Vertrag klar beschrieben sein.

Die zweite Frage betrifft den Zweck und die Rechtsgrundlage. Man kann nicht davon ausgehen, dass die Einwilligung des Kandidaten jedes Problem löst. Die Grundlage hängt von der Art der Rekrutierung, der Phase, dem nationalen Recht und der Frage ab, ob die Daten auch in zukünftigen Projekten verwendet werden sollen. Besondere Kategorien von Daten müssen separat analysiert werden. Wenn das Modell technisch in der Lage ist, die Herkunft, den Gesundheitszustand, Überzeugungen oder andere sensible Merkmale abzuleiten, bedeutet dies nicht, dass die Organisation solche Erkenntnisse im Scoring nutzen darf.

Der dritte Bereich ist die Minimierung. Das System sollte nur Informationen analysieren, die für den Zweck angemessen sind. Foto, Alter, Wohnadresse, Familiensituation oder nicht arbeitsrelevante Aktivitäten sollten die Bewertung nicht beeinflussen, nur weil sie im Dokument oder Profil enthalten sind. Besondere Vorsicht ist bei der Nutzung von Daten aus LinkedIn und anderen externen Quellen geboten. Die Verfügbarkeit von Informationen im Internet bedeutet nicht automatisch, dass sie beliebig verarbeitet werden dürfen.

Der vierte Bereich ist die Informationspflicht. Der Kandidat sollte eine verständliche Information darüber erhalten, dass seine Daten unter Einsatz von KI analysiert werden, zu welchem Zweck, welche Datenkategorien verwendet werden, woher sie stammen, wem sie offengelegt werden, wie lange sie gespeichert werden und welche Rechte ihm zustehen. Die Information sollte wichtige Fakten nicht hinter der allgemeinen Formulierung „Wir nutzen moderne Technologien“ verbergen. Es empfiehlt sich auch, die Rolle des Ergebnisses zu erklären: Unterstützt es nur die Arbeit des Recruiters oder löst es weitere Aktionen aus.

Besondere Bedeutung hat Art. 22 DSGVO, der Entscheidungen betrifft, die ausschließlich auf einer automatisierten Verarbeitung beruhen und der betroffenen Person gegenüber rechtliche Wirkung entfalten oder sie in ähnlicher Weise erheblich beeinträchtigen [2]. Das bloße Scoring zur Unterstützung des Recruiters muss nicht automatisch eine ausschließlich automatisierte Entscheidung bedeuten. Wenn das Ergebnis jedoch ohne echten menschlichen Beitrag zur Ablehnung der Bewerbung, zur Blockierung der nächsten Phase oder zum Verbergen des Profils vor dem Recruiter führt, ist das Risiko, in diesen Bereich zu fallen, wesentlich höher. Der „Mensch im Prozess“ muss einen echten Einfluss haben und nicht nur die technische Möglichkeit, die Entscheidung des Systems zu bestätigen.

Der fünfte Bereich ist die Richtigkeit der Daten und die Möglichkeit zu deren Korrektur. Wenn der Parser ein Datum falsch liest, LinkedIn veraltet ist oder das Formular eine fehlerhafte Antwort enthält, kann das Ergebnis unrichtig sein. Der Kandidat sollte in der Lage sein, die Daten zu korrigieren, und die Organisation sollte festlegen, ob das Scoring nach der Korrektur neu berechnet wird.

Vor der Einführung empfiehlt sich die Durchführung einer Datenschutz-Folgenabschätzung (DSFA), insbesondere wenn die Technologie Personen systematisch bewertet und deren Situation erheblich beeinflussen kann. Das britische ICO ist zwar kein Organ, das EU-Recht anwendet, aber seine Audits von Rekrutierungstools stellen einen praktischen Bezugspunkt dar. Die Aufsichtsbehörde wies unter anderem auf die Notwendigkeit hin, eine DSFA bereits in der Beschaffungsphase durchzuführen, Verantwortlichkeiten klar aufzuteilen, Daten zu minimieren, Fairness zu testen und Kandidaten transparent zu informieren [6].

Wichtig ist auch die Aufbewahrung. Daten und Scoring-Ergebnisse sollten nicht unbegrenzt aufbewahrt werden, nur weil eine große Datenbank irgendwann nützlich sein könnte. Die Organisation sollte festlegen, wie lange sie Lebensläufe, Antworten, das Ergebnis, die Begründung und Protokolle aufbewahrt und was mit ihnen nach dem Widerruf der Einwilligung oder dem Ablauf des Verarbeitungszwecks geschieht.

27. AI Scoring und der AI Act

Der EU AI Act verfolgt einen risikobasierten Ansatz. In Anhang III listet er KI-Systeme auf, die für die Rekrutierung oder Auswahl von Personen bestimmt sind, insbesondere zum Analysieren und Filtern von Bewerbungen und Bewerten von Kandidaten [1]. Dies bedeutet, dass sich AI Scoring im Rekrutierungsbereich in einer Zone besonderer regulatorischer Aufmerksamkeit befindet. Man sollte dies jedoch nicht so vereinfachen, dass jede Funktion, die KI und Lebensläufe enthält, automatisch denselben rechtlichen Status hat.

Die Klassifizierung hängt vom beabsichtigten Zweck, der Konstruktion sowie den tatsächlichen Auswirkungen auf den Prozess ab. Art. 6 Abs. 3 sieht vor, einen Teil der in Anhang III genannten Systeme als nicht hochriskant einzustufen, wenn sie kein erhebliches Risiko für die Gesundheit, die Sicherheit oder die Grundrechte darstellen, einschließlich der Tatsache, dass sie das Ergebnis der Entscheidung nicht wesentlich beeinflussen, und bestimmte Bedingungen erfüllen. Das System bleibt jedoch hochriskant, wenn es ein Profiling natürlicher Personen durchführt, und ein Anbieter, der die Lösung als nicht hochriskant eingestuft hat, muss seine Bewertung dokumentieren. Die Kommission hat im Jahr 2026 den Entwurf detaillierter Leitlinien zu dieser Klassifizierung veröffentlicht [3].

In der Praxis erfordert eine Funktion, die Kandidaten ein Ergebnis zuweist und die Reihenfolge der Sichtung, das Weiterkommen in die nächste Phase oder die Ablehnung real beeinflusst, eine besonders sorgfältige Analyse. Man kann die Klassifizierung nicht ausschließlich anhand der Bezeichnung „Assistent“, „Empfehlung“ oder „Scoring“ entscheiden. Es zählen die vom Anbieter beschriebene beabsichtigte Verwendung und die Art und Weise, wie die Organisation das Ergebnis tatsächlich nutzt.

Für Systeme, die als hochriskant eingestuft werden, sieht der AI Act umfangreiche Anforderungen aufseiten der Anbieter vor. Diese umfassen unter anderem ein Risikomanagementsystem, Qualitäts- und Datenmanagement, technische Dokumentation, automatische Ereignisprotokollierung, Transparenz für den Nutzer, die Möglichkeit des Human Oversight, ein angemessenes Maß an Genauigkeit, Robustheit und Cybersicherheit sowie ein Post-Market-Monitoring. Je nach Situation sind auch eine Konformitätsbewertung, eine Konformitätserklärung, die CE-Kennzeichnung und die Registrierung in der EU-Datenbank erforderlich.

Pflichten treffen auch die Einheiten, die das System nutzen, die sogenannten Betreiber (Deployer). Die rekrutierende Organisation sollte die Lösung gemäß den Anweisungen nutzen, kompetente Personen mit der Aufsicht betrauen, die Angemessenheit der Eingangsdaten in dem von ihr kontrollierten Bereich sicherstellen, den Betrieb überwachen und auf Probleme reagieren. In bestimmten Situationen sollten die Personen, bei denen ein Hochrisikosystem eingesetzt wird, über dessen Verwendung sowie über die Art der unterstützten Entscheidungen informiert werden [1]. Der AI Act sieht in den in Art. 86 genannten Situationen auch das Recht auf eine klare und aussagekräftige Erklärung der Rolle der KI und der Hauptelemente der Entscheidung vor.

Human Oversight darf nicht nur zum Schein erfolgen. Die aufsichtführende Person sollte die Möglichkeiten und Grenzen des Systems verstehen, sich des Automation Bias bewusst sein, Zugang zu ausreichenden Informationen haben sowie die tatsächliche Befugnis besitzen, die Aktion zu ignorieren, umzukehren oder zu stoppen. Ein Recruiter, der jeden Vorschlag automatisch akzeptiert, gewährleistet keine echte Aufsicht, nur weil er formell auf einen Button geklickt hat.

Bedeutung hat auch die AI Literacy. Organisationen sollten sicherstellen, dass Personen, die KI nutzen, über ein angemessenes Maß an Wissen und Kompetenz verfügen, das ihre Rolle, ihre Erfahrung, den Nutzungskontext und die Personen berücksichtigt, auf die sich das System auswirkt. In der Praxis sollte die Schulung des Recruiters nicht nur die Bedienung der Funktion umfassen, sondern auch die Interpretation des Ergebnisses, die Unterscheidung von fehlenden Daten und fehlender Kompetenz, das Diskriminierungsrisiko, den Datenschutz sowie das Verfahren zur Fehlermeldung [5].

Nicht jedes private Unternehmen, das ein Rekrutierungssystem nutzt, ist verpflichtet, eine Grundrechte-Folgenabschätzung gemäß Art. 27 durchzuführen. Diese Pflicht betrifft bestimmte Kategorien von Betreibern und Anwendungen. Dennoch kann eine Folgenabschätzung eine gute Praxis sein, und eine DSFA im Rahmen der DSGVO kann unabhängig vom AI Act erforderlich sein.

Wichtig ist der Zeitplan. Nach den aktuellen Informationen der Kommission sollen die Anforderungen für Hochrisikosysteme aus Anhang III, der unter anderem die Beschäftigung umfasst, nach den durch den AI Omnibus eingeführten Änderungen ab dem 2. Dezember 2027 gelten [4]. Das bedeutet nicht, dass Organisationen das Thema bis Ende 2027 ignorieren können. Die Pflichten zur AI Literacy gelten ab dem 2. Februar 2025, und deren Überwachung beginnt laut Zeitplan der Kommission im Jahr 2026 [5]. Die DSGVO, Antidiskriminierungsvorschriften und das Arbeitsrecht gelten unabhängig von diesem Zeitplan bereits jetzt.

Für Organisationen ist der praktische Schluss einfach: Nicht bis zum letzten Moment warten. Es empfiehlt sich, ein Register der genutzten KI-Funktionen zu erstellen, deren Verwendungszweck, Anbieter, Datenquellen, Einfluss auf Entscheidungen, Aufsichtsmechanismen und Verfahren zur Problemmeldung festzulegen. Anbieter sollten nach Klassifizierung, Dokumentation, Tests, Protokollen, Unterauftragnehmern, Verarbeitungsort, Modelländerungen und dem Compliance-Plan gefragt werden. Der AI Act ist kein reines Problem des Rechtsteams. Er beeinflusst das Produktdesign, das Procurement, HR, die Sicherheit und die tägliche Arbeit der Recruiter.

28. Wie wählt man das richtige Tool für AI Scoring aus?

Der Vergleich von Tools ausschließlich anhand der Qualität von Präsentationen ist riskant. Bei einer Demo kann man perfekt beschriebene Lebensläufe und Rollen auswählen, bei denen das Ergebnis überzeugend aussieht. Die wahre Qualität zeigt sich bei unvollständigen, untypischen, mehrsprachigen, widersprüchlichen Dokumenten, die aus verschiedenen Branchen stammen. Daher sollte die Anschaffung Tests mit eigenen, entsprechend geschützten Daten oder einem vorbereiteten Satz repräsentativer Profile umfassen.

Die erste Gruppe von Fragen betrifft die Funktionen. Was wird bewertet: die Bewerbung, der Kandidat oder beide Objekte? Wie werden die Anforderungen definiert? Kann der Nutzer sie bearbeiten und gewichten? Wie unterscheidet das System das Fehlen von Daten vom Nichterfüllen eines Kriteriums? Zeigt es die Begründung und die Quellentextabschnitte an? Generiert es Fragen? Kann das Ergebnis nach einer Datenänderung neu berechnet werden? Funktioniert das Scoring in mehreren Sprachen?

Die zweite Gruppe betrifft die Kontrolle. Können automatische Aktionen abgeschaltet werden? Protokolliert das System, wer die Bewertung gestartet hat und welche Kriterienversion verwendet wurde? Kann der Nutzer einen Fehler melden? Informiert der Anbieter über Modelländerungen? Kann der Administrator den Zugriff auf die Funktion einschränken und Nutzungsregeln festlegen?

Die dritte Gruppe betrifft die Qualität. Wie testet der Anbieter Genauigkeit, Stabilität und Bias? Bei welchen Rollen und Sprachen? Stellt er die Methodik und bekannte Einschränkungen zur Verfügung? Wie reagiert er auf Fehler? Misst er Unterschiede zwischen Gruppen gesetzeskonform? Generiert das Modell deterministische oder ausreichend wiederholbare Antworten?

Die vierte Gruppe betrifft Daten und Sicherheit. Wo werden die Daten verarbeitet und gespeichert? Werden sie an externe Modellanbieter gesendet? Dienen sie dem Training öffentlicher oder eigener Modelle? Wie lange werden sie in Protokollen aufbewahrt? Was sind die Grundlagen für Übermittlungen außerhalb des EWR? Wie sehen Verschlüsselung, Zugriffskontrolle, Auditierung und Datenlöschung aus? Wer ist Unterauftragsverarbeiter?

Die fünfte Gruppe betrifft das Recht. Wie klassifiziert der Anbieter die Funktion im Rahmen des AI Acts und auf welcher Grundlage? Wie sieht der Compliance-Plan aus? Welche Anweisungen erhält der Betreiber? Werden Dokumente zur Verfügung stehen, die für eine DSFA, Risikobewertung und die Erfüllung von Informationspflichten benötigt werden? Definiert der Vertrag die Rollen im Datenschutz klar?

Die sechste Gruppe betrifft die Einführung. Schult der Anbieter das Team nicht nur in der Bedienung, sondern auch in der verantwortungsvollen Interpretation? Hilft er, die Kriterien zu kalibrieren? Ermöglicht er den Start mit einem Pilotprojekt? Kann der Kunde die Effekte messen? Der beste Algorithmus hilft nicht, wenn die Nutzer dem System nicht vertrauen oder ihm zu sehr vertrauen.

29. Wie misst man die Effektivität von AI Scoring?

Die Einführung des AI Scorings sollte ein messbares Ziel haben. Die einfachsten Indikatoren betreffen die Effizienz: Zeit von der Bewerbung bis zur ersten Analyse, durchschnittliche Profilsichtungszeit, Anzahl der in einer bestimmten Zeit analysierten Bewerbungen und Zeit bis zum Erstkontakt. Diese Daten zeigen, ob das Tool das Team tatsächlich entlastet.

Die zweite Gruppe von Indikatoren betrifft die Nützlichkeit. Man kann messen, wie oft der Recruiter mit der Bewertung übereinstimmt, wie oft er sie korrigiert, ob er die vorgeschlagenen Fragen nutzt und ob die Zusammenfassungen den Bedarf an einer erneuten Lektüre verringern. Die bloße Übereinstimmung mit dem Menschen ist jedoch kein Maß für die Wahrheit. Es empfiehlt sich, die Begründungen und Fälle von Abweichungen zu analysieren, nicht nur den Prozentsatz der Übereinstimmung.

Die dritte Gruppe betrifft die Qualität des Prozesses. Kommen Kandidaten mit hohem Ergebnis nach Bestätigung der Kompetenzen häufiger durch das Screening? Wie viele wertvolle Kandidaten wurden in niedrigeren Bereichen gefunden? Unterscheidet sich das Ergebnis erheblich zwischen Recruitern, die dieselben Kriterien verwenden? Warten weniger Kandidaten lange auf eine Antwort?

Die vierte Gruppe betrifft das Risiko. Zu überwachen sind Beschwerden, Datenfehler, unzutreffende Erklärungen, ungleiche Ergebnisverteilungen und automatische Aktionen mit negativen Auswirkungen. Soweit möglich und gesetzeskonform, sollten Fairness-Tests durchgeführt werden. Es reicht nicht aus, das System einmal vor der Einführung zu überprüfen. Rollen, Daten, Modelle und die Arbeitsweise der Nutzer ändern sich.

Die fünfte Gruppe betrifft das Verhalten der Menschen. Sichten die Recruiter schlechter bewertete Profile? Lehnen sie Kandidaten schneller, aber ohne Begründung ab? Schaut der Hiring Manager zuerst auf das Ergebnis und erst dann auf den Lebenslauf? Man kann Protokolle analysieren und kurze qualitative Audits durchführen. Ziel ist es, Automation Bias und Situationen aufzudecken, in denen die Funktion eine größere Rolle übernimmt als geplant.

Man sollte den Erfolg nicht ausschließlich an der Anzahl der Einstellungen mit hohem Scoring messen. Wenn Recruiter hauptsächlich mit dieser Gruppe Kontakt aufnehmen, ist ein solches Ergebnis teilweise eine selbsterfüllende Prophezeiung. Erforderlich sind Vergleiche, Kontrollstichproben und eine bewusste Analyse von Kandidaten außerhalb der Spitzenpositionen.

30. Wie funktioniert AI Scoring in Recruitify?

AI Scoring in Recruitify dient dazu, die Bewerbung oder den Kandidaten im Kontext eines konkreten Rekrutierungsprojekts zu bewerten. Die Funktion weist einem Menschen keinen dauerhaften Wert zu und sucht nicht automatisch nach Personen in der Datenbank. Ausgangspunkt ist das Profil, das sich bereits im Projekt befindet, sowie die für diese Rekrutierung festgelegten Anforderungen.

Der Prozess beginnt mit dem Feld Requirements. Darin beschreibt der Recruiter, was das Projekt tatsächlich erfordert: Welche Erfahrung ist notwendig, welche Elemente erhöhen die Passung, welche Mängel sind akzeptabel und was sollte im Gespräch überprüft werden. Je konkreter und arbeitsrelevanter die Anforderungen sind, desto nützlicher ist die Bewertung. Allgemeine Floskeln wie „guter Kommunikator“, „dynamische Person“ oder „passt zur Kultur“ bieten weder der KI noch dem Recruiter einen ausreichend präzisen Bezugspunkt.

Recruitify analysiert die verfügbaren Informationen aus dem Lebenslauf, dem LinkedIn-Profil und den im Bewerbungsformular gegebenen Antworten. Dadurch muss das Ergebnis nicht auf einem einzigen Dokument basieren. Das Formular kann Daten zu Verfügbarkeit, Erwartungen, Arbeitsmodell, Berechtigungen oder Erfahrungen in einem Bereich liefern, den der Kandidat nicht im Lebenslauf beschrieben hat. LinkedIn kann den Werdegang ergänzen, wird jedoch nicht automatisch als vertrauenswürdiger als das Bewerbungsdokument behandelt. Abweichungen sollten zu einer Überprüfung führen.

Das Ergebnis hat eine punktebasierte und eine kontextbezogene Dimension. Recruitify vergibt eine Bewertung von 0 bis 100, beschränkt sich jedoch nicht auf die Zahl. Der Nutzer erhält eine Beschreibung des Kandidaten im Kontext der Rolle, Stärken, Schwächen sowie Fragenvorschläge, die man im Gespräch stellen sollte. Ziel ist es, bei der Priorisierung der Arbeit zu helfen, das Profil schneller zu verstehen und das Screening besser vorzubereiten.

Ein Ergebnis von 0 bis 100 ist keine Wahrscheinlichkeit für eine Einstellung. Ein Kandidat mit einem Ergebnis von 90 ist nicht „zehn Prozent besser“ als eine Person mit einem Ergebnis von 80. Die Zahl zeigt das Resultat des Vergleichs der verfügbaren Daten mit den Kriterien eines konkreten Projekts. Derselbe Kandidat kann in zwei Rekrutierungen ein anderes Ergebnis erhalten, da sich die Anforderungen ändern. Das Ergebnis kann sich auch nach einer Aktualisierung der Daten oder einer Präzisierung der Requirements ändern.

Nach dem Generieren der Bewertung sollte der Recruiter die Begründung lesen und mit dem Ausgangsmaterial abgleichen. Besondere Aufmerksamkeit erfordern die Schwächen sowie Bereiche, die das System nicht bestätigen konnte. Das Fehlen einer Erwähnung im Lebenslauf muss nicht bedeuten, dass keine Kompetenz vorliegt. In vielen Fällen ist die beste nächste Aktion die Nutzung einer vorgeschlagenen Frage oder die Bitte an den Kandidaten, Informationen zu ergänzen.

Recruitify trennt AI Scoring klar von AI Matching. Das Scoring bewertet eine Bewerbung oder einen bereits im Projekt analysierten Kandidaten. Das AI Matching, an dem derzeit gearbeitet wird, soll die Datenbank durchsuchen und dem Recruiter potenziell zum Projekt passende Personen vorschlagen. Das sind zwei unterschiedliche Aufgaben: Die Bewertung eines konkreten Profils versus das Finden und Empfehlen von Profilen aus der Datenbank.

Eine gute Praxis ist es, mit Tests bei einigen Projekten mit klaren Anforderungen zu beginnen. Das Team kann die Ergebnisse mit der eigenen Bewertung vergleichen, die Qualität der Begründungen prüfen, auch einen Teil der Profile mit niedrigeren Ergebnissen sichten und die Art der Formulierung der Requirements verfeinern. AI Scoring soll die Entscheidung des Recruiters unterstützen und nicht den Kandidaten automatisch ablehnen.

31. Die Zukunft von AI Scoring

AI Scoring wird sich von einem einfachen Prozentsatz hin zu einer komplexeren, aber auch kontrollierteren Entscheidungsunterstützung verschieben. Die wertvollsten Lösungen werden nicht versuchen, eine einzige „Wahrheit über den Kandidaten“ zu schaffen. Sie werden verschiedene Quellen verknüpfen, Unsicherheiten aufzeigen, die Grundlage von Schlussfolgerungen ausweisen und die Bewertungsart an die Phase des Prozesses anpassen.

Zu erwarten ist eine größere Rolle strukturierter Rubriken. Anstelle des allgemeinen Prompts „Bewerte den Kandidaten“ wird das System mit Kriterien arbeiten, die eine Definition, Gewichtung, Nachweisquelle und ein Konfidenzniveau aufweisen. Die Entwicklung kann den Vergleich von Kandidaten umfassen, sollte jedoch Situationen vermeiden, in denen eine Differenz von wenigen Punkten als objektiver Vorteil eines Menschen gegenüber einem anderen behandelt wird.

Die zweite Richtung wird die Integration mit den folgenden Phasen sein. Das Scoring vor dem Gespräch kann Fragen generieren, und nach dem Gespräch kann das System helfen, die Notizen anhand derselben Scorecard zu strukturieren. Wichtig wird es sein, deklarierte von bestätigten Informationen zu trennen und sicherzustellen, dass Daten aus Gesprächen gesetzeskonform verarbeitet werden.

Die dritte Richtung wird das Testen und die Auditierbarkeit sein. Vorschriften, Kundenanforderungen und die Reife des Marktes werden den Druck erhöhen, Modelle, Logik, Daten, Genauigkeit und Bias zu dokumentieren. Anbieter werden nicht nur eine attraktive Benutzeroberfläche zeigen müssen, sondern auch den Prozess des Risiko- und Änderungsmanagements.

Die vierte Richtung wird die Verbindung von Scoring mit AI Matching und Talent Intelligence sein. Das System kann zuerst Profile aus der Datenbank vorschlagen, diese anschließend im Projekt bewerten und später die Kommunikation und Prozessanalyse unterstützen. Eine solche Verknüpfung erhöht die Produktivität, aber auch das Risiko, eine geschlossene Kette automatischer Empfehlungen zu schaffen. Jede Phase sollte ein klares Ziel, eigene Metriken und die Möglichkeit des menschlichen Eingreifens haben.

Die wichtigste Veränderung wird jedoch organisatorischer Natur sein. Unternehmen werden aufhören, nur zu fragen „Haben wir eine KI-Funktion?“, und anfangen zu fragen „Welche Entscheidung unterstützt diese Funktion, auf welchen Daten, mit welchem Risiko und wer ist für die Kontrolle verantwortlich?“. Genau von den Antworten auf diese Fragen wird es abhängen, ob AI Scoring die Rekrutierung verbessert oder alten Problemen lediglich eine moderne Oberfläche verleiht.

32. AI Scoring FAQ – Häufig gestellte Fragen

Was ist AI Scoring von Kandidaten?

AI Scoring ist eine durch künstliche Intelligenz unterstützte Bewertung einer bestimmten Bewerbung oder eines Kandidaten im Hinblick auf die Anforderungen eines konkreten Projekts. Es kann in Form eines Punkteergebnisses, einer kontextbezogenen Beschreibung oder beider Elemente gleichzeitig erfolgen. Es sollte nicht als universelle Bewertung des Wertes eines Menschen verstanden werden.

Bewertet AI Scoring den Kandidaten oder die Bewerbung?

Es kann beide Objekte bewerten. Die Bewerbung ist eine konkrete Anmeldung zum Projekt, oft zusammen mit Antworten aus dem Formular. Der Kandidat kann vom Recruiter ohne neue Bewerbung zum Projekt hinzugefügt werden. In beiden Fällen sollte sich das Ergebnis auf die Passung zu den Anforderungen des jeweiligen Projekts beziehen.

Ist AI Scoring und AI Matching dasselbe?

Nein. AI Scoring bewertet die Bewerbung oder den bereits im Projekt analysierten Kandidaten. AI Matching durchsucht die Datenbank und schlägt Kandidaten vor, die potenziell zum Projekt passen. Die erste Funktion beantwortet die Frage „Wie schneidet dieses Profil ab?“, die zweite „Wen lohnt es sich zu finden und in Betracht zu ziehen?“.

Bedeutet ein Ergebnis von 85 eine 85-prozentige Chance auf eine Einstellung?

Nein. Ein Ergebnis von 0 bis 100 ist eine von einem konkreten System angewendete Übereinstimmungsskala. Es ist keine Wahrscheinlichkeit für eine Einstellung oder einen Erfolg im Job. Seine Bedeutung hängt von den Kriterien, den Daten und der Berechnungsmethode ab.

Ist ein Kandidat mit einem Ergebnis von 90 besser als ein Kandidat mit einem Ergebnis von 80?

Das lässt sich nicht ausschließlich auf der Grundlage des Scorings sagen. Der Unterschied kann sich aus der Vollständigkeit des Lebenslaufs, der Art der Erfahrungsbeschreibung oder einem Kriterium mit hoher Gewichtung ergeben. Das Ergebnis hilft, die Priorität der Analyse festzulegen, ersetzt jedoch nicht die Bewertung des gesamten Profils.

Kann AI Scoring Kandidaten automatisch ablehnen?

Technisch kann das Ergebnis mit einer Automatisierung verknüpft werden, aber ein automatisches Ablehnen ausschließlich auf der Grundlage eines Schwellenwerts erhöht das Risiko von Fehlern, Diskriminierung und dem Eintritt in den Bereich rein automatisierter Entscheidungen erheblich. Ein sichererer Ansatz besteht darin, das Scoring zur Priorisierung zu nutzen und eine echte Überprüfung durch den Menschen sicherzustellen.

Muss der Recruiter nach Erhalt des Ergebnisses den gesamten Lebenslauf lesen?

Das Scoring kann die Analyse verkürzen und auf die wichtigsten Abschnitte hinweisen, aber vor einer wesentlichen Entscheidung sollte der Recruiter das Ausgangsmaterial prüfen. Der Umfang der Prüfung kann von der Phase und dem Risiko abhängen. Das Ergebnis selbst und die generierte Zusammenfassung sollten nicht die einzige Grundlage für eine Ablehnung sein.

Welche Daten analysiert das AI Scoring in Recruitify?

In Recruitify kann das Scoring die Projektanforderungen sowie Informationen aus dem Lebenslauf, dem LinkedIn-Profil und Antworten aus dem Bewerbungsformular berücksichtigen. Der Umfang der genutzten Informationen hängt von den im Profil und Projekt verfügbaren Daten ab.

Ist LinkedIn vertrauenswürdiger als ein Lebenslauf?

Nicht automatisch. Ein LinkedIn-Profil kann neuer oder breiter gefasst sein, wird jedoch ebenfalls vom Kandidaten erstellt und kann Lücken enthalten. Am besten ist es, die Quellen als sich ergänzend zu betrachten und Unstimmigkeiten zur Überprüfung zu signalisieren.

Was passiert, wenn im Lebenslauf eine wichtige Information fehlt?

Ein gutes System sollte das Fehlen einer Bestätigung aufzeigen und nicht automatisch von einem Mangel an Kompetenz ausgehen. Der Recruiter kann andere Quellen prüfen oder im Gespräch eine Frage stellen. Kritische Daten sollten idealerweise im Bewerbungsformular erhoben werden.

Erkennt AI Scoring Synonyme und den Kontext?

Moderne Sprachmodelle sind in der Lage, ähnliche Bedeutungen zu verknüpfen und Erfahrungen zu erkennen, die mit anderen Worten beschrieben wurden. Sie sind jedoch nicht unfehlbar. Semantische Verbindungen sollten erklärt werden und im Dokument überprüfbar sein.

Erkennt AI Scoring, ob ein Lebenslauf mit KI geschrieben wurde?

Dies ist nicht die Hauptaufgabe des Scorings, und es gibt keine zuverlässige Methode, um jeden von einer KI generierten Text zu erkennen. Wichtiger ist es zu prüfen, ob die angegebenen Kompetenzen der Wahrheit entsprechen. Fragenvorschläge können bei deren Überprüfung im Gespräch helfen.

Kann AI Scoring eine Lüge im Lebenslauf erkennen?

Nein. Es kann Unstimmigkeiten zwischen Quellen oder unklare Abschnitte bemerken, bestätigt jedoch nicht die Richtigkeit der Erfahrung. Eine Überprüfung erfordert ein Gespräch, einen Test, Referenzen oder Dokumente.

Bewertet AI Scoring Soft Skills?

Es kann Informationen analysieren, die bestimmte Erfahrungen nahelegen, aber ein Lebenslauf ist keine ausreichende Quelle für eine verlässliche Bewertung von Empathie, Kommunikation, Resilienz oder Führungsstil. Das System sollte eher Fragen vorschlagen, als kategorische Bewertungen abzugeben.

Kann sich ein Ergebnis ändern?

Ja. Ein Ergebnis kann sich nach der Aktualisierung des Lebenslaufs, dem Ausfüllen des Formulars, einer Änderung der Projektanforderungen oder einem Funktionsupdate ändern. Daher sollte es als Ergebnis einer konkreten Analyse zu einem bestimmten Zeitpunkt behandelt werden.

Kann man Ergebnisse zwischen verschiedenen Projekten vergleichen?

Normalerweise macht das keinen Sinn. Jedes Projekt hat andere Kriterien, Gewichtungen und Ergebnisverteilungen. Ein Ergebnis von 70 in einer Rekrutierung muss nicht dasselbe bedeuten wie eine 70 in einer anderen.

Kann AI Scoring den Bias des Recruiters reduzieren?

Es kann die Konsistenz erhöhen und einen Teil der zufälligen Bewertungen einschränken, kann jedoch auch Bias einführen oder verstärken, der sich aus den Kriterien, den Daten und dem Modell ergibt. Erforderlich sind Tests, Monitoring und Korrekturmöglichkeiten.

Löst das Entfernen des Namens und des Fotos das Problem der Diskriminierung?

Nicht vollständig. Eine Anonymisierung schränkt einen Teil der Signale ein, aber andere Informationen können indirekt auf Geschlecht, Alter, Herkunft oder sozialen Status hinweisen. Bias muss auf der Ebene des gesamten Prozesses analysiert werden.

Muss man Kandidaten über den Einsatz von KI informieren?

In vielen Situationen ergeben sich Informationspflichten aus der DSGVO, und für Hochrisikosysteme sieht der AI Act zusätzliche Regeln zur Information der Personen vor, bei denen das System eingesetzt wird. Der Informationsumfang hängt von der konkreten Einführung ab, aber Transparenz sollte auch dann Standard sein, wenn das Gesetz nur ein Minimum fordert.

Unterliegt AI Scoring dem AI Act?

Systeme, die zum Analysieren und Filtern von Bewerbungen und Bewerten von Kandidaten bestimmt sind, werden in Anhang III des AI Acts als beschäftigungsbezogene Anwendungen aufgeführt. Die endgültige Klassifizierung einer konkreten Funktion hängt von deren Zweckbestimmung, Einfluss, Nutzungsart und den Ausnahmen aus Art. 6 Abs. 3 ab. Dies erfordert eine individuelle Analyse.

Wann beginnen die Vorschriften des AI Acts für Hochrisikosysteme in der Rekrutierung zu gelten?

Nach dem aktuellen Zeitplan sollen die Regeln für Hochrisikosysteme aus Anhang III nach dem Inkrafttreten des AI Omnibus ab dem 2. Dezember 2027 gelten. Ein Teil der anderen Vorschriften, einschließlich derer zur AI Literacy, gilt bereits früher.

Ist AI Scoring DSGVO-konform?

Der bloße Name einer Funktion entscheidet nicht über die Konformität. Die Konformität hängt von der Rechtsgrundlage, dem Datenumfang, der Transparenz, der Aufbewahrung, der Sicherheit, der Rollenverteilung, der Möglichkeit zur Wahrnehmung von Kandidatenrechten und der Art der Entscheidungsfindung ab. Ein Tool kann einen konformen Prozess unterstützen, erledigt die DSGVO aber nicht für die Organisation.

Muss eine DSFA durchgeführt werden?

Bei vielen Einführungen des Kandidaten-Scorings kann eine Datenschutz-Folgenabschätzung aufgrund der systematischen Bewertung von Personen und der potenziell erheblichen Auswirkungen erforderlich oder zumindest sehr ratsam sein. Die Entscheidung sollte auf der Grundlage des konkreten Prozesses und in Absprache mit dem Datenschutzbeauftragten oder einem Anwalt getroffen werden.

Was bedeutet Human-in-the-loop?

Es bedeutet eine echte und keine scheinbare Beteiligung des Menschen. Der Recruiter sollte die Grenzen verstehen, die Grundlage des Ergebnisses sehen, es hinterfragen können und die tatsächliche Befugnis besitzen, eine andere Entscheidung zu treffen. Das bloße Klicken auf eine Bestätigung reicht nicht aus.

Wird AI Scoring Recruiter ersetzen?

Das sollte es nicht. Es automatisiert einen Teil der Analyse und Strukturierung von Informationen, ersetzt jedoch nicht das Gespräch, das Verständnis des Kontextes, die Bewertung der Motivation, Verhandlungen oder die Verantwortung für die Entscheidung. Es verlagert vielmehr den Schwerpunkt der Arbeit des Recruiters von der manuellen Sichtung hin zu Interpretation, Überprüfung und dem Kontakt mit Menschen.

Für welche Rekrutierungen ist Scoring keine gute Lösung?

Es kann in Prozessen mit einer sehr geringen Anzahl von Kandidaten, unklaren Kriterien, einer Schlüsselrolle von vertraulichem Marktwissen oder einem starken Fokus auf Kompetenzen, die erst in der Interaktion bewertet werden können, einen geringeren Nutzen bringen. Man sollte es nicht erzwingen, nur weil es verfügbar ist.

Wie startet man Tests für AI Scoring?

Am besten wählt man einige Rollen mit klaren Anforderungen aus, bereitet Kriterien vor, testet die Funktion an repräsentativen Profilen und vergleicht die Ergebnisse mit der unabhängigen Bewertung der Recruiter. Anschließend sollten die Regeln für das Human Review festgelegt, die Nutzer geschult und sowohl die Zeit als auch die Qualität und Risiken gemessen werden.

33. Fazit – AI Scoring wählt nicht den Menschen aus, sondern unterstützt die Bewertung

AI Scoring von Kandidaten ist eine der praktischsten Anwendungen künstlicher Intelligenz in einem modernen Rekrutierungssystem. Es kann Teams helfen, den Bewerbungseingang schneller zu strukturieren, Profile konsequenter mit Anforderungen abzugleichen, Gespräche besser vorzubereiten und effizienter mit Hiring Managern oder Kunden zusammenzuarbeiten. Sein Wert ergibt sich jedoch nicht aus dem bloßen Ergebnis von 0 bis 100. Am wichtigsten sind der Kontext, die Erklärung, die Qualität der Kriterien sowie die Möglichkeit, die Bewertung zu überprüfen und zu hinterfragen.

Scoring ist kein AI Matching. Es dient nicht in erster Linie dem Finden von Kandidaten in der Datenbank, sondern der Bewertung der Bewerbung oder des Kandidaten in einem konkreten Projekt. Es ist kein CV-Parser, obwohl es die ausgelesenen Daten nutzt. Es ist auch keine einfache K.-o.-Frage oder eine automatische Ablehnungsentscheidung. Es kann sich mit diesen Funktionen verbinden, aber jede von ihnen hat eine andere Aufgabe und ein anderes Risiko.

Der größte Fehler wäre es anzunehmen, dass die Zahl die Diskussion beendet. Das Ergebnis kann helfen, die Reihenfolge der Arbeit festzulegen, sollte jedoch nicht den Wert des Kandidaten definieren oder das Gespräch ersetzen. Dokumente sind unvollständig, Kriterien können fehlerhaft sein, und Modelle können unzutreffende oder voreingenommene Schlussfolgerungen ziehen. Deshalb zeigt ein gutes System nicht nur die Passung, sondern auch Informationslücken, Grenzen und Fragen zur Überprüfung auf.

Im Jahr 2026 erfordert eine verantwortungsvolle Einführung des AI Scorings die Verbindung von drei Perspektiven. Die erste ist die Produktivität: ob die Funktion tatsächlich Zeit spart und die Qualität des Prozesses verbessert. Die zweite ist die Rekrutierungspraxis: ob die Kriterien arbeitsrelevant sind und der Recruiter sein eigenes Urteilsvermögen bewahrt. Die dritte ist die Governance: ob die Organisation die Daten, den Bias, die Sicherheit, die Transparenz und die Compliance mit der DSGVO sowie dem AI Act kontrolliert.

Quellen und weiterführende Literatur

[1] Europäisches Parlament und Rat der EU, Verordnung (EU) 2024/1689 - Artificial Intelligence Act, insbesondere Anhang III Nr. 4 bezüglich Rekrutierung und Bewertung von Kandidaten: https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32024R1689

[2] Europäisches Parlament und Rat der EU, Verordnung (EU) 2016/679 - DSGVO, insbesondere Art. 22 bezüglich Entscheidungen, die ausschließlich auf einer automatisierten Verarbeitung beruhen: https://eur-lex.europa.eu/eli/reg/2016/679/oj

[3] Europäische Kommission, Draft Commission guidelines on the classification of high-risk AI systems, einschließlich Materialien zu Anhang III des AI Acts, 2026: https://digital-strategy.ec.europa.eu/en/library/draft-commission-guidelines-classification-high-risk-ai-systems

[4] Europäische Kommission, Guidelines for providers and deployers of AI high-risk systems – aktueller Zeitplan zur Anwendung der Regeln für Hochrisikosysteme, 2026: https://digital-strategy.ec.europa.eu/en/policies/guidelines-ai-high-risk-systems

[5] Europäische Kommission, AI Literacy - Questions & Answers, aktuelle Informationen zu Art. 4 des AI Acts: https://digital-strategy.ec.europa.eu/en/faqs/ai-literacy-questions-answers

[6] Information Commissioner’s Office, Thinking of using AI to assist recruitment? Our key data protection considerations, 2024: https://ico.org.uk/about-the-ico/media-centre/news-and-blogs/2024/11/thinking-of-using-ai-to-assist-recruitment-our-key-data-protection-considerations/

[7] Wen A. u. a., FAIRE: Assessing Racial and Gender Bias in AI-Driven Resume Evaluations, 2025: https://arxiv.org/abs/2504.01420

[8] Hunkenschroer A. L., Luetge C., Ethics of AI-Enabled Recruiting and Selection: A Review and Research Agenda, Journal of Business Ethics, 2022: https://link.springer.com/article/10.1007/s10551-022-05049-6

[9] Information Commissioner’s Office, AI tools used in recruitment – audit outcomes and recommendations, 2024: https://ico.org.uk/action-weve-taken/audits-and-overview-reports/2024/11/ai-tools-used-in-recruitment/

[10] National Institute of Standards and Technology, Artificial Intelligence Risk Management Framework (AI RMF 1.0): https://www.nist.gov/itl/ai-risk-management-framework

[11] Information Commissioner’s Office, Automated decisions can streamline the hiring process with the right safeguards in place, 2026: https://ico.org.uk/about-the-ico/media-centre/news-and-blogs/2026/03/automated-decisions-can-streamline-the-hiring-process-with-the-right-safeguards-in-place/

[12] Recruitify, Was ist ein ATS? Ein kompletter Leitfaden zu Rekrutierungssystemen (2026): https://www.recruitify.ai/blog/co-to-jest-ats-kompletny-przewodnik-po-systemach-rekrutacyjnych-(2026)/

Redaktioneller Hinweis: Der Artikel beschreibt Prinzipien und bewährte Verfahren auf allgemeiner Ebene. Er stellt keine Rechtsberatung dar. Die Klassifizierung und die Pflichten bezüglich eines konkreten KI-Systems hängen von dessen Zweckbestimmung, Konstruktion, Daten, Einführungsart und den tatsächlichen Auswirkungen auf Entscheidungen ab.