Bot bewirbt sich bei Bot! KI im Recruiting heute

Die neue Realität: Maschine schreibt an Maschine

Ein Bewerber öffnet ein Sprachmodell, lässt sich in dreißig Sekunden ein Anschreiben generieren, das exakt die Schlüsselwörter aus der Stellenanzeige spiegelt. Auf der anderen Seite liest kein Mensch dieses Anschreiben zuerst, sondern eine Software, die Lebensläufe nach genau diesen Schlüsselwörtern durchsucht. Zwei Maschinen unterhalten sich, und der Mensch dazwischen bekommt nur noch das Ergebnis präsentiert. Das ist keine Zukunftsvision, das passiert heute in vielen Bewerbungsprozessen in Deutschland und Österreich gleichermaßen. Die Frage ist nicht mehr, ob KI im Recruiting vorkommt, sondern wie unbedacht sie eingesetzt wird. Genau da liegen die häufigsten Fehler, und die meisten davon sind hausgemacht, nicht technisch bedingt.

Fehler eins: Der Blackbox-Glaube

Viele Unternehmen kaufen ein Tool, das Bewerbungen vorsortiert oder bewertet, und vertrauen dem Ergebnis, ohne zu wissen, wonach eigentlich sortiert wird. Das Tool liefert einen Score, eine Ampel, eine Reihenfolge, und die Personalabteilung nimmt das als Fakt statt als Vorschlag. Das Problem: Diese Systeme lernen aus Mustern in vorhandenen Daten. Wenn frühere erfolgreiche Mitarbeitende überwiegend einen bestimmten Werdegang hatten, lernt das Modell, genau diesen Werdegang zu bevorzugen, auch wenn er mit der eigentlichen Eignung nichts zu tun hat. Eine Bewerberin mit Berufserfahrung aus einer anderen Branche, ein Quereinsteiger, jemand mit Lücken im Lebenslauf durch Elternzeit oder Pflege, all das kann ein System systematisch schlechter bewerten, ohne dass jemand das böswillig eingebaut hätte. Der Fehler ist nicht, ein solches Tool zu nutzen. Der Fehler ist, seine Kriterien nicht zu kennen und die Ergebnisse nicht stichprobenhaft von Menschen gegenzuprüfen.

Fehler zwei: Stellenanzeigen, die KI-Antworten provozieren, aber nicht erkennen

Viele Stellenanzeigen sind so formuliert, dass sie geradezu zum Copy-Paste in ein Sprachmodell einladen: lange Buzzword-Listen, generische Floskeln wie dynamisches Team oder Hands-on-Mentalität, Anforderungen, die eins zu eins aus zehn anderen Anzeigen kopiert wirken. Bewerbende reagieren rational darauf. Sie lassen ein Modell ein Anschreiben erzeugen, das exakt diese Begriffe zurückspiegelt. Das Ergebnis liest sich passend, sagt aber nichts über die tatsächliche Passung der Person aus. Wer dann noch mit einem automatisierten Screening arbeitet, das genau nach diesen Begriffen filtert, bekommt am Ende eine Auswahl von Bewerbungen, die alle gleich klingen, weil alle vom selben Werkzeug mit denselben Trainingsdaten erzeugt wurden. Die eigentliche Unterscheidung zwischen den Kandidatinnen und Kandidaten findet gar nicht mehr statt, sie wurde durch die Anzeige selbst unmöglich gemacht. Eine Stellenanzeige, die konkrete Aufgaben, echte Situationen und spezifische Fragen enthält, lässt sich viel schwerer generisch beantworten und filtert von selbst vor.

Fehler drei: Die menschliche Prüfung fehlt genau da, wo sie zählt

Ein häufiges Muster: Am Anfang des Prozesses, beim ersten Sichten der Bewerbungen, wird viel automatisiert. Am Ende, beim Vertragsangebot, entscheidet wieder ein Mensch. Dazwischen, in der Phase, in der Bewerbungen aussortiert werden, findet oft keine echte menschliche Kontrolle mehr statt. Genau dort entstehen die größten Schäden, weil aussortierte Bewerbungen nie wieder auftauchen. Niemand merkt, wenn eine gute Kandidatin durchgefallen ist, weil ihr Lebenslauf ein ungewöhnliches Format hatte oder weil sie ihre Fähigkeiten anders formuliert hat als das Modell es erwartet. Ein zweiter Fehler in dieselbe Richtung: Interviews, die komplett anhand eines von einer KI erstellten Fragenkatalogs geführt werden, ohne dass die Interviewenden von den vorgeschlagenen Fragen abweichen. Das führt zu Gesprächen, die sich für beide Seiten mechanisch anfühlen, und man verpasst genau die Momente, in denen ein echtes Gespräch mehr über eine Person verrät als jede Antwort auf eine Standardfrage.

Fehler vier: Fairness wird als Nebensache behandelt

Wenn ein KI-System Bewerbungen bewertet oder vorsortiert, stellt sich die Frage, ob und wie das gegenüber Bewerbenden transparent gemacht wird und welche Kriterien einbezogen werden. Wie genau das rechtlich in Deutschland und Österreich einzuordnen ist und welche Informationspflichten im Einzelfall gelten, ist an dieser Stelle nicht abschließend zu klären, das sollte im Zweifel mit rechtlicher Beratung geprüft werden. Unabhängig davon lohnt sich aber schon aus Eigeninteresse ein kritischer Blick: Ein System, das unbemerkt bestimmte Gruppen benachteiligt, sortiert nicht nur unfair, es sortiert auch Talent aus, das dem Unternehmen fehlt. Der Fehler ist, Fairness als moralisches Add-on zu behandeln, das man sich leisten kann, wenn Zeit übrig ist, statt als Qualitätsmerkmal des eigenen Auswahlprozesses.

Fehler fünf: Kein Blick auf das, was die KI nicht sieht

Ein Lebenslauf ist eine komprimierte, oft geschönte Zusammenfassung eines Berufslebens. Ein von einer KI optimiertes Anschreiben ist noch eine Ebene weiter von der Person entfernt, die sich tatsächlich bewirbt. Wer sich zu sehr auf diese Textebene verlässt, verliert den Blick auf das, was wirklich zählt: Wie hat jemand ein konkretes Problem gelöst, wie reagiert jemand auf eine unerwartete Frage, wie passt der Arbeitsstil einer Person zum Team. Diese Informationen bekommt man nicht aus einem optimierten Text, sondern aus einem echten Gespräch, einer Arbeitsprobe, einem Referenzgespräch. Der Fehler ist, den Aufwand für diese direkten Formate zu reduzieren, weil die vorgeschaltete KI-Auswahl ja schon eine Vorauswahl getroffen hat. Genau das Gegenteil wäre richtig: Je mehr am Anfang automatisiert wird, desto gründlicher sollte am Ende geprüft werden.

Was das für morgen bedeutet

Keiner dieser Fehler bedeutet, dass KI im Recruiting grundsätzlich falsch ist. Sie beschleunigt vieles, was vorher Stunden gedauert hat, und das ist ein echter Gewinn. Der Unterschied zwischen einem guten und einem schlechten Einsatz liegt darin, ob jemand im Unternehmen versteht, wonach ein Tool eigentlich filtert, ob die eigenen Stellenanzeigen so konkret sind, dass sie sich nicht generisch beantworten lassen, ob an den entscheidenden Stellen im Prozess noch ein Mensch genau hinschaut, und ob am Ende ein echtes Gespräch steht, das mehr zeigt als ein optimierter Text. Wer diese vier Punkte im eigenen Prozess ehrlich durchgeht, findet meist schnell heraus, wo gerade zwei Maschinen miteinander reden, während die eigentliche Entscheidung woanders getroffen werden sollte.