Ein Matching Score im Recruiting ist ein Prozentwert, der angibt, wie gut ein Kandidatenprofil zu den Anforderungen einer konkreten Position oder eines Projekts passt. Er ist dann nützlich, wenn drei Bedingungen erfüllt sind: Das Anforderungsprofil ist sauber gewichtet, die Kandidatendaten sind strukturiert erfasst, und der Score wird als begründete Empfehlung gelesen, nicht als Urteil. In diesem Beitrag erfährst du, wie ein Match Score technisch entsteht, wie du ihn an deine Rollen anpasst, wo seine Grenzen liegen und welche rechtlichen Pflichten in Deutschland und der EU damit verbunden sind.

Kurz gesagt

• Ein Matching Score ist nur so gut wie das Anforderungsprofil dahinter: Ohne klare Must-haves, Nice-to-haves und Gewichtungen misst er Zufall.

• Kontextuelles Matching versteht Zusammenhänge im Tech-Stack (etwa Spring Boot als Indiz für Java-Erfahrung) und liefert deutlich weniger Fehltreffer als reiner Keyword-Abgleich.

• Kalibrieren heißt: Score-Ergebnisse regelmäßig mit den Einschätzungen erfahrener Recruiter und mit tatsächlichen Vermittlungsergebnissen abgleichen und die Gewichtung nachjustieren.

• KI-Systeme, die Bewerbungen analysieren, filtern oder Kandidaten bewerten, gelten nach dem EU AI Act als Hochrisiko-Systeme; Transparenz, menschliche Aufsicht und Dokumentation sind deshalb Pflicht und kein Zusatz.

• Die beste Matching-Software erkennst du an erklärbaren Scores, sauberer Datenerfassung, Bias-Kontrollen und einem vollständigen Audit-Trail.

Inhaltsverzeichnis

• Was ein Matching Score tatsächlich misst

• Wie ein Match Score entsteht: die vier Bausteine

• Matching kalibrieren: in sechs Schritten zu verlässlichen Scores

• Den Score richtig lesen: typische Fehlinterpretationen

• Fairness und Bias: Warum ein genauer Score unfair sein kann

• Der rechtliche Rahmen in Deutschland und der EU

• Woran du gute Matching-Software erkennst

• Unsere Perspektive: Der Score ist der Anfang des Gesprächs

• Matching Score mit Recruitify einsetzen

• Häufige Fragen zum Matching Score

• Quellen

Was ein Matching Score tatsächlich misst

Ein Match Score beantwortet eine eng umrissene Frage: Wie stark überschneiden sich die dokumentierten Qualifikationen einer Person mit den formulierten Anforderungen einer Stelle? Er misst also Passung auf Basis vorhandener Daten, nicht Leistungsfähigkeit, Motivation oder Teamfit. Diese Unterscheidung ist wichtig, weil ein hoher Wert in der Praxis schnell als “bester Kandidat” missverstanden wird.

Typischerweise fließen folgende Dimensionen ein:

1. Fachliche Skills: Programmiersprachen, Frameworks, Tools, Zertifizierungen.

2. Erfahrungstiefe: Jahre in einer Technologie, Seniorität, Projektgröße.

3. Rahmenbedingungen: Standort, Remote-Bereitschaft, Verfügbarkeit, Tagessatz oder Gehaltsband.

4. Sprachen und Branche: etwa Deutsch auf C1-Niveau oder Erfahrung in regulierten Branchen wie Banken und Versicherungen.

Wie diese Dimensionen erkannt und verrechnet werden, unterscheidet die Systeme am Markt erheblich.

Keyword-Abgleich und kontextuelles Matching im Vergleich

Für IT-Personalvermittlungen ist der Unterschied besonders spürbar, weil Tech-Stacks schnell wechseln und Kandidaten dieselbe Erfahrung sehr unterschiedlich beschreiben. Wie sich die Suche nach dem echten Signal im Profil verändert hat, beschreiben wir ausführlicher im Beitrag Recruiter suchen nach dem echten Match.

Wie ein Match Score entsteht: die vier Bausteine

Hinter jedem Prozentwert stehen vier Schritte. Wer sie kennt, kann Ergebnisse einordnen und Fehlerquellen gezielt beheben.

1. Das Anforderungsprofil

Am Anfang steht eine strukturierte Anforderung, ähnlich einer Job-Scorecard: Welche Kriterien sind zwingend, welche wünschenswert, welche irrelevant? Eine unscharfe Stellenbeschreibung (“Erfahrung mit modernen Technologien”) erzeugt unscharfe Scores. Eine präzise Anforderung (“mindestens vier Jahre Java 17+, Spring Boot, produktive Kubernetes-Erfahrung”) gibt dem Algorithmus etwas Messbares.

2. Die Datenaufbereitung

Der zweite Baustein ist die strukturierte Erfassung des Kandidatenprofils. CVs kommen als PDF, DOCX, Scan oder Foto, und jedes Format birgt Lesefehler. Ein CV-Parser mit OCR extrahiert Skills, Stationen und Zeiträume in ein einheitliches Profil und erkennt Duplikate. Fehlt dieser Schritt oder arbeitet er ungenau, rechnet das beste Matching mit falschen Daten.

3. Die Gewichtung

Im dritten Schritt werden die Kriterien gewichtet und verrechnet. Must-haves wirken häufig als Schwelle (fehlt das Kriterium, sinkt der Score stark), Nice-to-haves als Bonus. Hier entscheidet sich, ob der Score die Logik deines Kunden abbildet oder eine generische Standardlogik.

4. Ausgabe und Begründung

Am Ende steht der Prozentwert, idealerweise mit Teilwerten pro Kriterium und einer nachvollziehbaren Begründung. Ein Score ohne Begründung ist für Recruiter kaum prüfbar und gegenüber Kandidaten schwer zu vertreten.

Matching kalibrieren: in sechs Schritten zu verlässlichen Scores

Kalibrieren bedeutet, den Score so einzustellen, dass er die tatsächliche Einschätzung erfahrener Recruiter und die Erfahrung aus abgeschlossenen Vermittlungen zuverlässig widerspiegelt. Die folgenden Schritte haben sich in der Praxis bewährt.

1. Must-haves radikal begrenzen. Mehr als drei bis vier zwingende Kriterien führen dazu, dass fast niemand die Schwelle erreicht. Prüfe mit dem Hiring Manager oder Endkunden, welche Kriterien wirklich nicht verhandelbar sind.

2. Gewichtungen explizit festlegen. Verteile 100 Punkte auf die Kriterien und dokumentiere, warum. So wird die Logik für alle Beteiligten sichtbar.

3. Eine Referenzgruppe bilden. Lass zwei Recruiter 15 bis 20 bekannte Profile unabhängig voneinander einschätzen und vergleiche das Ergebnis mit dem System-Score.

4. Abweichungen analysieren. Wo System und Recruiter deutlich auseinanderliegen, liegt die Ursache meist im Anforderungsprofil, in fehlerhaft geparsten Daten oder in einer zu starken Gewichtung eines Einzelkriteriums.

5. Schwellenwerte rollenbezogen setzen. Ein Wert von 70 % kann bei einer Nischenrolle exzellent und bei einer Standardrolle mittelmäßig sein. Lege Schwellen pro Rollentyp fest, nicht global.

6. Mit Ergebnissen zurückkoppeln. Gleiche nach einigen Monaten ab, welche Score-Bereiche zu Interviews, Angeboten und erfolgreichen Vermittlungen geführt haben, und justiere nach.

Ein Rechenbeispiel aus der IT-Vermittlung

Angenommen, du besetzt für einen Kunden eine Rolle als Senior Backend Developer. Die Gewichtung (100 Punkte) könnte so aussehen: Java und Spring Boot 40 Punkte, Kubernetes im Produktivbetrieb 20 Punkte, Deutsch auf mindestens C1-Niveau 20 Punkte, Erfahrung in der Finanzbranche 10 Punkte, Verfügbarkeit innerhalb von vier Wochen 10 Punkte.

Eine Kandidatin mit sieben Jahren Spring Boot (40 von 40), Kubernetes nur in Testumgebungen (10 von 20), Deutsch C1 (20 von 20), ohne Finanzerfahrung (0 von 10) und sofort verfügbar (10 von 10) erreicht 80 %. Ein Kandidat mit Finanzerfahrung, aber nur zwei Jahren Java, landet trotz passender Branche womöglich bei 60 %. Dieses Beispiel ist bewusst vereinfacht, zeigt aber den Kern: Der Score folgt deiner Gewichtung. Wenn dem Kunden die Branchenerfahrung in Wahrheit wichtiger ist, muss die Gewichtung angepasst werden, nicht der Kandidat.

Den Score richtig lesen: typische Fehlinterpretationen

Auch ein gut kalibrierter Score verlangt eine bewusste Lesart. Diese vier Missverständnisse begegnen uns besonders häufig:

• “92 % ist besser als 88 %.” Kleine Abstände sind selten aussagekräftig. Sinnvoller ist es, Kandidaten in Bänder einzuteilen (zum Beispiel stark passend, prüfenswert, eher unpassend) und innerhalb eines Bandes qualitativ zu entscheiden.

• “Niedriger Score heißt ungeeignet.” Häufig bedeutet ein niedriger Wert nur ein unvollständiges Profil. Ein veralteter CV aus der eigenen Datenbank kann einen Kandidaten unterbewerten, der inzwischen genau die gesuchte Erfahrung hat.

• “Der Score ersetzt das Gespräch.” Motivation, Kommunikationsfähigkeit und Wechselbereitschaft stehen in keinem CV vollständig. Der Score sortiert vor, das Gespräch entscheidet.

• “Der Score ist objektiv.” Er ist so objektiv wie seine Daten und Regeln. Dazu mehr im nächsten Abschnitt.

Fairness und Bias: Warum ein genauer Score unfair sein kann

Ein häufig unterschätztes Risiko: Algorithmen, die mit historischen Daten arbeiten, übernehmen deren Muster. Der AI Act Service Desk der EU-Kommission weist ausdrücklich darauf hin, dass KI-Systeme im Recruiting historische Diskriminierungsmuster fortschreiben können.

Wie das konkret aussieht, zeigt eine Studie in Business & Information Systems Engineering aus dem Jahr 2020: Auf Basis von rund 10.000 Videoclips zeigte sich, dass auch hochgenaue Algorithmen Verzerrungen aus unausgewogenen Trainingsdaten übernahmen und Kandidaten je nach Geschlecht oder ethnischer Herkunft über- oder unterschätzten. Eine systematische Literaturübersicht in Business Research kommt für HR-Recruiting und Personalentwicklung zu einem ähnlichen Befund. Für Agenturen in Deutschland ist das keine akademische Frage: Ein Score, der bestimmte Gruppen systematisch benachteiligt, kann das Allgemeine Gleichbehandlungsgesetz (AGG) berühren.

Daraus ergeben sich praktische Regeln:

1. Geschützte Merkmale aus dem Matching heraushalten. Alter, Geschlecht, Herkunft, Foto oder Familienstand gehören nicht in die Gewichtung, auch nicht indirekt über Stellvertretermerkmale wie Abschlussjahr oder Wohnort.

2. Ergebnisse stichprobenartig prüfen. Vergleiche regelmäßig, ob sich Score-Verteilungen zwischen Gruppen auffällig unterscheiden, sofern du solche Auswertungen datenschutzkonform durchführen kannst.

3. Anonymisiert präsentieren. Blind-CVs lenken die Bewertung beim Endkunden auf Qualifikationen statt auf persönliche Merkmale.

Auch die Wirkung nach außen zählt. Eine Studie im International Journal of Selection and Assessment zeigt, dass Bewerbende algorithmische Auswahl unterschiedlich wahrnehmen, abhängig unter anderem von eigenen Diskriminierungserfahrungen. Eine multidisziplinäre Übersicht zu Fairness im Algorithmic Hiring betont zudem, dass technische Genauigkeit allein keine faire Auswahl garantiert. Kommuniziere deshalb offen, dass die KI unterstützt und Menschen entscheiden. Wie Technologie die Wahrnehmung deiner Marke prägt, beleuchten wir im Beitrag zur Candidate Experience.

Der rechtliche Rahmen in Deutschland und der EU

Wer Matching Scores einsetzt, bewegt sich gleichzeitig im Datenschutzrecht und in der KI-Verordnung. Die folgenden Punkte ersetzen keine Rechtsberatung; für die konkrete Ausgestaltung solltest du deine Datenschutzbeauftragte oder eine auf Arbeits- und IT-Recht spezialisierte Kanzlei einbeziehen.

EU AI Act. Anhang III der KI-Verordnung stuft KI-Systeme als Hochrisiko ein, die für die Einstellung oder Auswahl von Personen bestimmt sind, insbesondere um gezielte Stellenanzeigen zu schalten, Bewerbungen zu analysieren und zu filtern oder Kandidaten zu bewerten. Ein automatisiertes Matching mit Ranking fällt typischerweise darunter. Nach Angaben der EU-Kommission gelten die verpflichtenden Anforderungen für diese Hochrisiko-Systeme ab dem 2. Dezember 2027. Da sich Fristen im Gesetzgebungsverfahren verschieben können, lohnt sich ein regelmäßiger Blick auf die offiziellen Seiten. Wichtig für die Praxis: Dass am Ende ein Recruiter die Shortlist prüft, nimmt das System in der Regel nicht aus der Hochrisiko-Einstufung heraus.

DSGVO und BDSG. Bewerbende gelten nach § 26 Abs. 8 Satz 2 BDSG als Beschäftigte, wie der Bundesbeauftragte für den Datenschutz in seinen FAQ erläutert. Damit greifen die Regeln des Beschäftigtendatenschutzes bereits in der Bewerbungsphase. Die Datenschutzkonferenz von Bund und Ländern hat schon 2022 gesetzliche Regelungen für die Datenverarbeitung in der Bewerbungsphase gefordert. Hinzu kommt die Grenze rein automatisierter Entscheidungen: Eine rechtliche Einordnung zur Nutzung von KI im Bewerbungsverfahren zeigt, wie DSGVO und KI-Verordnung dabei zusammenwirken.

Für den Alltag bedeutet das: Dokumentiere, wie Scores zustande kommen, wer sie geprüft hat und auf welcher Grundlage eine Absage erfolgte. Ein vollständiger Audit-Trail ist dafür die praktische Voraussetzung. Weitere Hinweise zur Umsetzung findest du in unserem Beitrag EU AI Act einhalten mit KI im Recruiting.

Woran du gute Matching-Software erkennst

Wer nach der besten Software für Kandidaten-Matching sucht, findet viele Versprechen. Diese Kriterien helfen, Angebote sachlich zu vergleichen:

Besonders der letzte Punkt wird unterschätzt. In Agenturen entsteht der Kontext für ein gutes Matching oft im Vertrieb: Was hat der Kunde im Gespräch wirklich priorisiert? Liegt diese Information in einem getrennten Tool, fehlt sie dem Score. Wie viel Aufwand allein der Wechsel zwischen Systemen verursacht, zeigt unser Beitrag, warum Recruiting-Prozesse selbst mit KI ausbremsen.

Unsere Perspektive: Der Score ist der Anfang des Gesprächs

Wir entwickeln Recruitify für IT-Personalvermittlungen, Headhunter und HR-Teams, und in vielen Gesprächen mit Agenturen sehen wir dasselbe Muster: Das Problem ist selten der Algorithmus, sondern die Trennung von Daten. Die Kundenanforderung steht im CRM oder in einer E-Mail, der CV liegt als Scan im Postfach, die Notizen aus dem Telefonat in einer Tabelle. Ein Matching Score, der nur einen Teil dieser Informationen sieht, kann nicht besser sein als dieser Teil.

Deshalb haben wir unsere Contextual Matching AI so gebaut, dass sie Zusammenhänge im Tech-Stack versteht, Bewerbungen anhand der konkreten Projektanforderungen bewertet und Shortlists mit einem prozentualen Match-Score liefert, eingebettet in ein System, in dem ATS, Sales CRM und IT-Contracting zusammenlaufen. Ebenso wichtig ist uns, was der Score nicht tut: Er trifft keine Entscheidung. Er zeigt Recruitern, wo sich ein genauer Blick lohnt, und er macht nachvollziehbar, warum.

Ein zweiter Punkt liegt uns am Herzen: die eigene Datenbank. Viele Agenturen haben tausende Profile, die nach einem einzigen Projekt nie wieder angesehen wurden. Ein sauber kalibriertes Matching über den eigenen Bestand macht diese Kandidaten wieder sichtbar und reduziert die Abhängigkeit von teuren externen Plattformlizenzen. Verantwortungsvoll eingesetzt, ist das für uns der eigentliche Wert von AI Scoring: mehr Zeit für Gespräche, bessere Begründungen gegenüber Kunden und Kandidaten, weniger Zufall.

- Recruitify Team

Matching Score mit Recruitify einsetzen

Recruitify verbindet die Bausteine, die ein verlässlicher Score braucht: Der CV-Parser mit OCR erstellt aus PDF, DOCX, Scans und Fotos in rund 3 Sekunden ein strukturiertes Profil und erkennt Duplikate. Die KI-Funktionen umfassen Contextual Matching und Scoring, Blind CV AI für anonymisierte Kundenpräsentationen sowie eine X-Ray- und Boolean-Suche über das offene Web und die eigene Datenbank. Das Sales CRM hält Kundenanforderungen und Recruiting-Pipeline in einem Tab zusammen, DSGVO-Anonymisierung und Audit-Trail sind integriert.

Der Plan HR Team kostet 61 € pro Monat und Nutzer, der Plan Agency 67 € pro Monat und Nutzer; Enterprise wird individuell angeboten. Alle Details findest du auf der Preisseite von Recruitify.

Häufige Fragen zum Matching Score

Ab welchem Matching Score sollte ich einen Kandidaten kontaktieren?

Einen allgemeingültigen Grenzwert gibt es nicht, weil der Score von deiner Gewichtung und vom Rollentyp abhängt. Bewährt hat sich, Schwellen pro Rollentyp festzulegen und sie anhand vergangener Vermittlungen zu prüfen. Bei Nischenrollen lohnt sich oft auch ein Blick auf Profile knapp unter der Schwelle.

Wie oft muss ein Matching neu kalibriert werden?

Mindestens dann, wenn sich Anforderungen eines Kunden oder der Tech-Stack deutlich ändern. Darüber hinaus empfiehlt sich ein regelmäßiger Abgleich, etwa quartalsweise, zwischen Score-Bändern und tatsächlichen Ergebnissen wie Interviews und Vermittlungen.

Darf ein Matching Score allein über eine Absage entscheiden?

Davon ist abzuraten. KI-Systeme zur Bewerberauswahl gelten nach dem EU AI Act als Hochrisiko-Systeme, und das Datenschutzrecht setzt rein automatisierten Entscheidungen enge Grenzen. Ein Mensch sollte den Score prüfen und die Entscheidung dokumentiert treffen; im Zweifel klärst du die Ausgestaltung mit deiner Datenschutzbeauftragten.

Was unterscheidet einen Match Score von einer Job-Scorecard?

Die Job-Scorecard definiert, was eine Rolle verlangt und wie Kriterien gewichtet werden. Der Match Score misst, wie gut ein Profil diese Kriterien erfüllt. Die Scorecard ist damit die Grundlage, auf der ein sinnvoller Score überhaupt erst berechnet werden kann.

Quellen

• AI Act Service Desk: Employment

• AI Act Service Desk: Annex III

• EU-Kommission: Guidelines for providers and deployers of AI high-risk systems

• Highly Accurate, But Still Discriminatory (Business & Information Systems Engineering, 2020)

• Discriminated by an algorithm (Business Research, 2020)

• Applicants’ experiences with discrimination explain their reactions to algorithms in personnel selection (IJSA, 2023)

• Fairness and Bias in Algorithmic Hiring: a Multidisciplinary Survey

• BfDI: FAQ Beschäftigtendatenschutz

• Entschließung der Datenschutzkonferenz vom 29. April 2022

• anwalt.de: Nutzung von KI im Recruiting und im Bewerbungsverfahren

Empfehlungen

• Scorecards für Interviews mit 3–7 Kriterien: Kalibrieren, DSGVO konform

• Kandidaten-Matching mit KI: Was funktioniert und was HR beachten muss

• AI Scoring in der Rekrutierung: Der schlauere Weg zur Selektion – ohne das menschliche Urteil zu verlieren

• Semantisches Matching: Hybride Methoden und Bewertung für Job-Matching