Warum ein US-Matching-Modell im DACH-Markt scheitert
Die meisten KI-Recruiting-Plattformen, die heute im Markt sind, wurden auf englischsprachigen Daten trainiert und haben ihre Matching-Logik am US- oder UK-Arbeitsmarkt entwickelt. Das ist nachvollziehbar: Diese Markte sind grosser, haben mehr Daten und haben fruher mit KI im Recruiting experimentiert.
Das Problem entsteht, wenn dieselben Modelle fur den DACH-Markt eingesetzt werden, ohne dass die strukturellen Unterschiede berucksichtigt werden. Diese Unterschiede sind real und haben direkte Auswirkungen auf die Qualitat der Matching-Ergebnisse. Wer ein Matching-Tool importiert, das fur einen anderen Kontext gebaut wurde, bekommt Ergebnisse, die systematisch verzerrt sein konnen, und zwar nicht durch Fehler im Einzelfall, sondern durch die strukturellen Eigenschaften des Modells.
Vier wesentliche Unterschiede zwischen DACH und angelsachsischen Markten
Der erste Unterschied betrifft den Lebenslauf-Stil. Deutscher Lebenslauf-Konventionen sind anderen Mustern als US-amerikanische oder britische. Tabellformat statt Fliestext, Angabe von Geburtsdatum und haufig ein Bewerbungsfoto sind im deutschsprachigen Raum immer noch Standard, auch wenn sich das langsam andert. Matching-Modelle, die fur US-Profile trainiert wurden, erkennen die strukturellen Merkmale eines deutschen Lebenslaufs moglicherweise nicht korrekt und konnen relevante Information anders gewichten als ein menschlicher Recruiter es tun wurde.
Der zweite Unterschied sind Berufsbezeichnungen und Karrierepfade. Im DACH-Raum sind Berufsbezeichnungen haufig starker an formale Ausbildungen und Abschlusse gekoppelt als in den USA. "Kaufmann fur Buroorganisation", "Industriekaufmann" oder "Dipl.-Ing." sind Bezeichnungen, die spezifische Ausbildungswege beschreiben. Ein Matching-Modell, das diese Bezeichnungen nicht kennt oder sie nur als Textmuster behandelt, kann die tatsachliche Qualifikation dahinter nicht korrekt einordnen.
Der dritte Unterschied ist die Bedeutung von Abschlussen. Im deutschsprachigen Raum hat die formale Ausbildung, ob Ausbildungsabschluss, Bachelor, Master oder Diplom, weiterhin eine andere Signalwirkung im Recruiting-Kontext als in den USA, wo Skills-basiertes Hiring starker an Boden gewonnen hat. Eine Matching-Logik, die formale Abschlusse untergewichtet, passt moglicherweise gut fur den US-Markt, aber nicht fur viele DACH-Positionen.
Der vierte Unterschied betrifft die Arbeitnehmerrechte und die Vertragsgestaltung. Kudigungsfristen, Betriebsratsbeteiligung bei Einstellungen, Tarif-bindung und die Bedeutung des Betriebsklimas bei Wechselentscheidungen sind Faktoren, die die Mobilitat von Kandidaten im DACH-Markt beeinflussen. Ein Matching-Modell, das Kandidatenmobilitat nach US-Massstaben einschatzt, kann systematisch falsche Annahmen daruber machen, welche Kandidaten tatsachlich wechselbereit sind.
Was das fur die Shortlist bedeutet
Die Konsequenz dieser strukturellen Unterschiede ist nicht, dass KI-Matching im DACH-Markt generell nicht funktioniert. Die Konsequenz ist, dass Matching-Logik, die nicht fur den DACH-Kontext entwickelt oder angepasst wurde, systematische Verzerrungen produzieren kann. Kandidaten, die im DACH-Kontext stark sind, werden moglicherweise nicht an die Spitze der Ergebnisliste gesetzt. Kandidaten, die die richtigen US-ublichen Schlusselworter haben, werden bevorzugt, auch wenn ihre tatsachliche Eignung fur eine deutschsprachige Position geringer ist.
Fur Recruiter und Hiring Manager bedeutet das: Die Qualitat eines Matching-Systems muss im DACH-Kontext bewertet werden, nicht auf Basis von US-Benchmarks oder Marketingmaterialien. Die Frage ist nicht "Hat dieses Tool gute Reviews in den USA?" sondern "Produziert dieses Tool fur unsere spezifischen DACH-Positionen bessere Shortlists als unser bisheriger Prozess?"
Wie WhyBrilliant den DACH-Kontext einarbeitet
Wir haben WhyBrilliant von Anfang an fur den DACH-Markt gebaut. Das bedeutet konkret: Die Gesprächsstruktur ist auf DACH-ubliche Berufspfade, Ausbildungskonventionen und Karrierelogiken ausgerichtet. Die Frageformulierungen sind auf Deutsch optimiert, nicht ubersetzt. Das Matching gegen Stellenausschreibungen berucksichtigt den deutschen Stellenmarkt mit seinen spezifischen Anforderungsformulierungen.
Das ist keine Floskel. Der Unterschied zwischen einem deutschen "Kaufmannischen Leiter" und einem amerikanischen "Finance Manager" ist nicht nur sprachlich. Er beschreibt in vielen Unternehmen unterschiedliche Verantwortungsbereiche, Entscheidungskompetenzen und Abgrenzungen zu anderen Rollen. Eine Matching-Logik, die das nicht unterscheidet, produziert Shortlists, die fur den Hiring Manager in Deutschland nicht das leisten, was er braucht.
Das Problem der Sprache im Gespräch
Ein weiterer DACH-spezifischer Aspekt ist die Sprache des strukturierten Gesprächs selbst. Deutsche Bewerber, die ein KI-Gespräch auf Englisch fuhren sollen, performen anders als in ihrer Muttersprache. Fur Stellen, die keine Englischkenntnisse erfordern, ware ein Screening auf Englisch eine systematische Benachteiligung deutschsprachiger Kandidaten und kein valides Abbild ihrer beruflichen Kompetenz.
WhyBrilliant fuhrt strukturierte Gespräche auf Deutsch. Das ist keine technische Selbstverstandlichkeit, es erfordert deutschsprachige Gesprächsmodelle, DACH-spezifische Fragebibliotheken und ein Auswertungssystem, das deutschsprachige Antworten korrekt einordnet. Der Aufwand dahinter ist hoher als bei einem englischsprachigen Tool. Aber er ist notwendig, um im DACH-Markt valide Ergebnisse zu produzieren.
Eine Marktfrage, keine Praferenzfrage
Wir sagen nicht, dass alle internationalen HR-Tech-Plattformen fur den DACH-Markt ungeeignet sind. Viele haben DACH-Versionen entwickelt und investieren in Lokalisierung. Was wir sagen: Die Frage, ob ein Tool fur den DACH-Markt passt, ist eine Frage der Ergebnisqualitat in konkreten DACH-Positionen. Diese Frage lasst sich nur beantworten, wenn man die Shortlists des Tools mit den eigenen Erfahrungen und Erwartungen abgleicht, nicht durch das Lesen der Produktbeschreibung. Der DACH-Markt hat eigene Regeln. Plattformen, die das ignorieren, produzieren Ergebnisse, die diesen Regeln nicht folgen. Das ist kein kleiner Makel, es ist ein systematisches Qualitasproblem.