Der KI-Markt im deutschen Recruiting: viel Bewegung, wenig Klarheit
Wer in den letzten zwölf Monaten Produkte für den Recruiting-Einsatz bewertet hat, kennt das Problem: Der Markt ist unubersichtlich geworden. Fast jede HR-Softwarekategorie hat jetzt eine KI-Komponente, und fast jeder Anbieter kommuniziert, wie seine Lösung den Auswahlprozess verbessert. Für Entscheider in Recruiting-Teams oder HR-Abteilungen in Deutschland bedeutet das: mehr Evaluierungsaufwand, nicht weniger.
Das ist kein Zeichen von Marktsättigung, sondern von Marktfrühe. In einer frühen Phase einer Technologiekategorie ist die Spanne zwischen dem, was tools versprechen, und dem, was sie tatsächlich leisten, am größten. Das gilt für KI im Recruiting genauso wie es für ATS-Systeme vor zwanzig Jahren galt. Die Frage ist nicht, ob KI im Recruiting sinnvoll einsetzbar ist, sondern welche Art von KI-Anwendung tatsächlich Einfluss auf die Qualität der Einstellungsentscheidungen hat und welche nur schneller macht, was vorher schon fehlerhaft war.
Zwei Klassen von KI-Anwendungen im Recruiting
Man kann die aktuellen KI-Anwendungen im Recruiting grob in zwei Klassen unterteilen. Die erste Klasse beschleunigt bestehende Prozessschritte. Sie liest Lebensläufe schneller, sortiert Bewerber nach Stichwörtern, generiert Stellenbeschreibungen, fasst Kandidatenprofile zusammen oder sendet automatisierte Nachrichten. Diese Anwendungen sind oft nützlich, weil sie Zeit sparen. Aber sie verändern nicht die Qualität der Informationsbasis, auf der Entscheidungen getroffen werden. Sie machen denselben Prozess nur schneller.
Die zweite Klasse versucht, die Qualität der Informationen über Kandidaten zu verbessern. Dazu gehören Anwendungen, die strukturierte Gespräche mit Kandidaten führen und die Ergebnisse als strukturierte Datensätze aufzeichnen. Diese Klasse ist kleiner, methodisch anspruchsvoller und im Markt noch weniger etabliert. Aber sie ist die einzige Klasse, die das fundamentale Problem des Recruitings adressiert: dass die Hauptquelle der Information über Kandidaten, der Lebenslauf, nur Behauptungen enthält und keine überprüfbaren Nachweise.
Die Stichwort-Falle
Ein großer Teil der aktuellen KI-Recruiting-Tools operiert auf Stichwortebene. Das Matching läuft über semantische Ähnlichkeit zwischen Stellenbeschreibungen und Kandidatenprofilen. Das ist eine Verbesserung gegenüber einfachem Keyword-Matching, aber es bleibt eine Verbesserung auf der Ebene der Textbeschreibung, nicht auf der Ebene der belegten Kompetenz.
Das Problem: Gute Kandidaten verwenden nicht immer die gängigen Branchenbegriffe. Berufswechsler, Quereinsteiger und Kandidaten mit internationaler Erfahrung haben häufig relevante Kompetenz unter anderen Bezeichnungen. Umgekehrt gibt es Kandidaten, die die richtigen Schlagwörter kennen und sie in ihren Profilen platzieren, ohne die dahinter liegende Tiefe zu haben. Semantisches Matching verbessert die Stichwort-Treffquote. Es löst das Grundproblem der unverifizierten Behauptung nicht.
Was "Signal" im Recruiting tatsächlich bedeutet
Signal im Kontext der Personalauswahl ist Information, die einen Unterschied für die Qualität der Einstellungsentscheidung macht. Nicht Information, die vorhanden ist, sondern Information, die tatsächlich prädiktiven Wert für die Frage hat, ob ein Kandidat in einer Stelle gut performen wird.
Die Forschung zur Eignungsdiagnostik zeigt konsistent, dass die stärksten Prädiktoren strukturierte Interviews mit verhaltensbasierten Fragen sind, kombiniert mit kognitiven Fähigkeitstests und Arbeitsproben. Lebensläufe und unstrukturierte Gespräche rangieren deutlich darunter. Das ist kein neues Ergebnis. Es ist seit Jahrzehnten bekannt. Was sich verändert hat, ist die Möglichkeit, verhaltensbasierte strukturierte Gespräche skalierbar durchzuführen, ohne dass für jeden Kandidaten ein ausgebildeter Interviewer verfügbar sein muss.
Das ist das Signal, das KI im Recruiting liefern kann: strukturierte Gespräche mit verhaltensbasierten Fragen für jeden Kandidaten in der Pipeline, mit aufgezeichneten und auswertbaren Antworten. Alles andere ist Rauschen, wenn auch manchmal nützliches.
Wie man beim Evaluieren vorgeht
Für Recruiting-Teams, die KI-Tools evaluieren, ist die entscheidende Frage nicht "Welche Funktionen hat dieses Tool?" sondern "Verbessert dieses Tool die Qualität der Informationen, auf die ich meine Shortlist-Entscheidungen stütze?" Das ist eine andere Frage, und sie hat andere Antworten.
Tools, die Lebensläufe schneller lesen, verbessern die Informationsqualität nicht. Sie beschleunigen die Verarbeitung unvollständiger Informationen. Tools, die strukturierte Gespräche führen und die Ergebnisse als auswertbare Datensätze liefern, verbessern die Informationsqualität. Die Shortlist, die auf diesen Datensätzen basiert, ist eine andere Shortlist als die, die auf Lebensläufen allein basiert.
Beim Evaluieren lohnt sich die Frage: Wenn dieses Tool vollständig implementiert ist, was genau liegt vor mir, wenn ich eine Shortlist-Entscheidung treffe? Ist es mehr Information als heute, und ist es Information anderer Qualität? Wenn die Antwort auf beide Fragen "nein" lautet, dann ist das Tool vielleicht nützlich, aber es ist kein Signal. Es ist Effizienz.
Was wir bei WhyBrilliant für uns entschieden haben
Wir haben bei der Konzeption von WhyBrilliant entschieden, dass wir uns auf die Informationsqualität konzentrieren, nicht auf die Prozessgeschwindigkeit. Das bedeutet: strukturierte Gespräche für jeden Kandidaten, Aufzeichnung als Evidenzdatensatz, Abgleich mit Stellenanforderungen auf Kompetenzebene statt Stichwortebene. Das ist technisch aufwendiger und erfordert mehr Entwicklungsarbeit als ein schnelleres Screening-Tool. Aber es adressiert das Problem, das wir für zentral halten: die Lücke zwischen Behauptung und belegbarer Kompetenz.
Wir sagen nicht, dass Geschwindigkeit irrelevant ist. Ein strukturierter Prozess, der drei Mal so lange dauert wie das bisherige Screening, wird nicht akzeptiert. Aber wenn die Wahl zwischen Geschwindigkeit und Qualität besteht, haben wir uns für Qualität als primäres Ziel entschieden. Geschwindigkeit als Mitnahmeeffekt, nicht als Zweck.
Woran Sie erkennen, ob KI bei Ihnen Signal liefert
Eine einfache Probe: Stellen Sie sich vor, ein Hiring Manager schaut auf Ihre Shortlist. Was kann er mit der Information anfangen, die dabei ist? Wenn die Antwort ist "dasselbe wie immer, nur schneller sortiert", dann hat das KI-Tool kein Signal geliefert. Wenn die Antwort ist "er kann sehen, was jeder Kandidat konkret über seine Erfahrung belegen konnte, und er hat eine strukturierte Zusammenfassung dieser Belege", dann haben Sie Signal. Die Unterscheidung ist einfach. Die Umsetzung ist es weniger. Aber das ist der Grund, warum wir an ihr arbeiten.