KI-Matching statt Stichwortsuche: Warum Filter die Falschen aussortieren

Viele Bewerbermanagementsysteme filtern nach Stichworten. Du gibst „React“ ein, das System zeigt alle Lebensläufe, in denen „React“ steht. Das klingt vernünftig und ist der Grund, warum viele passende Bewerber nie gesichtet werden.

Wie verbreitet das Problem ist, hat eine Studie der Harvard Business School gemeinsam mit Accenture untersucht. Die befragten Arbeitgeber räumten mehrheitlich ein, dass ihre Systeme geeignete Bewerber aussortieren, weil diese nicht exakt den vorgegebenen Kriterien entsprechen¹. Die Autoren sprechen von „Hidden Workers“: Menschen, die arbeiten könnten und wollen, aber an Filtern scheitern.

Das Grundproblem

Ein Lebenslauf ist kein Formular. Zwei Menschen mit derselben Qualifikation beschreiben sie unterschiedlich.

Wer seit vier Jahren mit Next.js arbeitet, beherrscht React, denn Next.js baut darauf auf. Steht „React“ aber nicht ausdrücklich im Lebenslauf, fällt die Person durch den Filter. Dasselbe gilt für PostgreSQL und SQL, für „Teamleitung“ und „Führungserfahrung“, für „Debitorenbuchhaltung“ und „Rechnungswesen“, für „Kfz-Mechatroniker“ und „Kraftfahrzeugtechniker“.

Die Aussortierten sind dabei nicht zufällig verteilt. Es trifft eher Quereinsteiger, Menschen mit Lücken im Lebenslauf und alle, die ihre Unterlagen nicht auf Suchbegriffe hin optimiert haben¹.

Warum das auch rechtlich heikel ist

Starre Filter wirken neutral, können aber mittelbar benachteiligen. Eine scheinbar harmlose Vorgabe, die bestimmte Gruppen überdurchschnittlich oft ausschließt, kann nach dem Gleichbehandlungsrecht eine mittelbare Benachteiligung sein, wenn sie sachlich nicht gerechtfertigt ist². Ein Filter auf „Muttersprache Deutsch“ für eine Stelle, die gutes Deutsch braucht, aber keine Muttersprache, ist ein typisches Beispiel.

Die europäische KI-Verordnung verlangt von Anbietern von Hochrisiko-Systemen im Recruiting außerdem, die Daten auf mögliche Verzerrungen zu prüfen und gegenzusteuern³. Ein Werkzeug, das nur Wörter zählt, hat dafür wenig zu bieten.

Was inhaltliches Matching anders macht

Ein System, das Inhalte versteht, prüft nicht die Schreibweise, sondern die Sache. Es erkennt, dass Next.js React einschließt, und kann das auch begründen.

Der entscheidende Punkt ist die Begründung. Ein Abgleich, der „passt zu 84 Prozent“ ausgibt und sonst nichts, hat dir die Blackbox nur verschoben. Brauchbar wird es, wenn dabeisteht, welche Anforderung durch welche Erfahrung gedeckt ist, und welche nicht.

Woran du echtes Verständnis erkennst

• Das System nennt zu jeder geforderten Fähigkeit, wodurch sie gedeckt ist, oder dass sie fehlt.
• Es unterscheidet, ob eine Fähigkeit nur in einer Liste steht oder in einer Position tatsächlich angewendet wurde.
• Es erkennt Lücken im Lebenslauf und benennt sie, statt sie zu überspielen.
• Es sagt, wenn eine Angabe unklar ist, statt eine Zahl zu erfinden.
• Es hält Muss-Kriterien getrennt fest. Fehlt eine zwingende Qualifikation, etwa eine Berufszulassung, kann eine gute Gesamtpassung das nicht ausgleichen.

Der vierte Punkt ist der wichtigste und der seltenste. Systeme, die bei fehlender Information wohlwollend raten, produzieren Zahlen, die gut aussehen und wenig bedeuten.

Gelistet oder belegt

Eine Skill-Liste am Ende des Lebenslaufs ist eine Behauptung. Dieselbe Fähigkeit, die in einer beschriebenen Position vorkommt, ist ein Beleg.

Wer „Projektmanagement“ in der Liste stehen hat, kann alles zwischen einem Wochenendkurs und acht Jahren Verantwortung meinen. Wer schreibt, dass er die Einführung einer Warenwirtschaft mit sechs Beteiligten geleitet hat, hat es gezeigt. Ein gutes System behandelt diese beiden Fälle unterschiedlich. Ein Stichwortfilter kann es nicht.

Die Frage ist nicht, ob ein Wort im Lebenslauf steht. Die Frage ist, ob die Person die Sache kann.

Grenzen, die du kennen solltest

Auch inhaltliches Matching ist kein Orakel. Es arbeitet mit dem, was in den Unterlagen steht. Wer seine Erfahrung schlecht beschreibt, wird auch hier unterschätzt, nur seltener. Und versteckter Text in einem PDF, etwa weiße Schrift mit Schlagworten, sollte ein gutes System erkennen und ignorieren, statt sich davon beeinflussen zu lassen.

Darum gehört am Ende ein Mensch an die Entscheidung. Das Matching ordnet und begründet, du prüfst die Begründung und entscheidest. So sieht es auch das Datenschutzrecht vor, das rein automatisierte Entscheidungen mit erheblicher Wirkung nur in engen Ausnahmen zulässt⁴.

Was sich in der Praxis ändert

Rechne nicht damit, dass die Umstellung dir sofort mehr Spitzenkandidaten liefert. Der erste sichtbare Effekt ist meist ein anderer: Bewerbungen, die vorher unten lagen, rutschen nach oben, und beim Lesen ergibt ihre Position Sinn.

Der zweite Effekt zeigt sich bei den Absagen. Wenn du begründen kannst, warum jemand nicht passt, wird auch die Rückmeldung besser. Und der dritte ist leiser: Du verlierst weniger Leute, die du nie zu Gesicht bekommen hättest.