Bewerbersichtung und Vorqualifikation mit KI

Das echte Ausmaß des Problems

Ein durchschnittliches Unternehmen mit 200 Mitarbeitenden schreibt jährlich 15 bis 30 Stellen aus. Für eine attraktive Position kommen dabei leicht 80 bis 200 Bewerbungen zusammen. Jede Bewerbung lesen, bewerten, kategorisieren: Bei 8 bis 15 Minuten je Bewerbung kosten 200 Bewerbungen eine erfahrene HR-Fachkraft 200 mal 8 bis 15 Minuten, rund 27 bis 50 Stunden reine Lesezeit, noch ohne Rückmeldungen, Abstimmungen oder Terminkoordination.

Für Top-Kandidaten mit mehreren Optionen ist jede Woche Wartezeit ein Risiko, Martinas Geschichte oben ist genau dieser Fall. Wie lange eure Bewerbenden bis zur ersten Rückmeldung warten, zeigt dir dein ATS oder Postfach: Eingangsdatum gegen Datum der ersten Antwort. Diese Zahl ist die Ausgangsmessung für den Pilot.

Das zweite Problem ist Konsistenz. Ohne strukturiertes Screening bewertet jede HR-Mitarbeiterin anders, nach Bauchgefühl, nach Tagesform, nach unbewussten Präferenzen. Ähnlich qualifizierte Kandidaten werden unterschiedlich bewertet, und am Ende kommen nicht unbedingt die Besten ins Interview, sondern die, die zufällig zu einem günstigen Zeitpunkt geöffnet wurden.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Zeit ohne KI ist unsere Annahme, keine Messung. Für die Zeit mit KI nennen wir keine Zahl, weil sie davon abhängt, wie gründlich du nachprüfst. Und nachprüfen musst du: Absagen darf nur, wer die Bewerbung selbst angesehen hat (siehe Rechtliches).

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Die direkte Zeitersparnis beim Sichten ist real. Wie groß sie ist, hängt davon ab, wie gründlich du die KI-Profile gegen die Unterlagen prüfst, und das zeigt erst der Pilot. Kein 5, weil die Kriterienentwicklung im Vorfeld Zeit kostet und der menschliche Review weiterhin notwendig bleibt. Im HR-Vergleich aber klar oben.

Kosteneinsparung, mittel (3/5) Gesparte Personalstunden sind Kapazität, Geld werden sie erst, wenn dafür Überstunden, Aushilfen oder ein externer Recruiter wegfallen. Strategisch wichtiger, aber schwerer zu isolieren: Schnellere Besetzung spart dort Geld, wo in der Vakanz tatsächlich Arbeit liegen bleibt oder Aufträge entgehen. Im Vergleich zu Zeugniserstellung (direkter Nutzen) oder Trennungsgesprächen (Risikovermeidung) liegt der monetäre ROI etwas weiter hinten. Mittelfeld.

Schnelle Umsetzung, mittel (3/5) Das Tool ist schnell eingerichtet, aber die Vorarbeit dauert: Anforderungsprofile schärfen, Kriterien definieren, Pilotläufe durchführen, Qualität validieren. Realistische Einführungszeit bis zum stabilen Betrieb: 2–4 Wochen. Nicht der schnellste Einstieg im HR-Bereich, aber handhabbar.

ROI-Sicherheit, mittel (3/5) Der Nutzen ist messbar, aber von der Kriterienqualität abhängig. Schlechte Anforderungsprofile ergeben schlechtes Screening, dann ist der ROI gering. Für Teams, die bereits strukturiert arbeiten, ist die ROI-Sicherheit hoch. Für Teams mit vagen Profilen: erst das Profil schärfen, dann das Screening optimieren.

Skalierbarkeit, hoch (4/5) Das Sichtungssystem skaliert gut mit steigendem Bewerbungsvolumen. Mehr Stellen, mehr Bewerbungen, der Prozess bleibt gleich effizient. Besonders wertvoll für wachsende Unternehmen, die ihren Recruiting-Output erhöhen ohne proportional mehr HR-Kapazität aufzubauen.

Richtwerte, stark abhängig von Kriterienqualität, Bewerbungsvolumen und ATS-Integration.

Was KI bei der Bewerbersichtung konkret macht

Natural Language Processing (NLP), ein Unterbereich der Künstlichen Intelligenz, analysiert Bewerbungstexte semantisch, nicht nur nach Stichwörtern. Das bedeutet: Ein Kandidat, der „Projektsteuerung im Bauwesen” beschreibt, wird auch gefunden, wenn in der Anforderung „Baustellenkoordination” steht.

Schritt 1, Anforderungsprofil als Bewertungsrahmen Du definierst die Muss-, Soll- und Kann-Kriterien für die Stelle: Ausbildung, Berufserfahrung, Fachkenntnisse, Soft Skills. Dieser Rahmen gilt einheitlich für alle eingehenden Bewerbungen.

Schritt 2, Automatische Kandidatenprofile erstellen Die KI analysiert jeden eingehenden Lebenslauf und das Anschreiben: Sie extrahiert relevante Informationen, gleicht sie gegen das Anforderungsprofil ab und erstellt ein strukturiertes Kandidatenprofil, mit einer Zusammenfassung, Stärken in Bezug auf die Stelle und offenen Fragen.

Schritt 3, Priorisierte Shortlists Die analysierten Kandidaten werden nach Übereinstimmung gerankt. HR bekommt eine priorisierte Liste, top 20 %, mittleres Drittel, nicht qualifiziert, und fängt oben an. Die unteren Kategorien fallen damit nicht weg: Wer eine Absage bekommen soll, dessen Unterlagen sieht sich vorher ein Mensch an, nicht nur das KI-Etikett.

Schritt 4, Automatische Standardkommunikation Eingangsbestätigung, Einladungen und Absagen: Die KI erstellt Entwürfe. Eingangsbestätigungen können automatisch raus, eine Absage erst, nachdem ein Mensch die Bewerbung geprüft und die Absage freigegeben hat.

Rechtliche Besonderheiten

EU AI Act, Hochrisiko-KI-System

Bewerbersichtung mit KI fällt unter den EU AI Act (Verordnung (EU) 2024/1689) als Hochrisiko-Anwendung nach Anhang III Nummer 4 Buchstabe a, „KI-Systeme, die bestimmungsgemäß für die Einstellung oder Auswahl natürlicher Personen verwendet werden sollen”, ausdrücklich auch zum Sichten, Filtern und Bewerten von Bewerbungen. Die Pflichten aus Kapitel III Abschnitte 1 bis 3 gelten für Anhang-III-Systeme nach der Verordnung (EU) 2026/1744 ab dem 2. Dezember 2027. Wer ein fertiges ATS einsetzt, ist Betreiber und hat vor allem die Pflichten aus Artikel 26:

• Information der Bewerbenden: Wer mit Hilfe eines Hochrisiko-Systems über Personen entscheidet, muss sie darüber informieren (Art. 26 Abs. 11)
• Menschliche Aufsicht: durch Personen mit der nötigen Kompetenz und Befugnis, die Ergebnisse auch verwerfen dürfen
• Protokolle: die automatisch erzeugten Logs mindestens sechs Monate aufbewahren
• Information der Belegschaft: Arbeitnehmervertreter und Beschäftigte vor der Inbetriebnahme informieren (Art. 26 Abs. 7)

Technische Dokumentation, Risikomanagement und Konformitätsbewertung sind Pflichten des Anbieters. Anbieter wirst du aber auch selbst, wenn du ein allgemeines Sprachmodell wie ChatGPT oder Claude für die Bewerberauswahl einsetzt: Nach Artikel 25 Absatz 1 Buchstabe c kann, wer den Zweck eines Allzwecksystems so ändert, dass es ein Hochrisiko-System wird, dessen Anbieterpflichten übernehmen. Auch diese Pflichten greifen ab dem 2. Dezember 2027. Wer heute einen dauerhaften Screening-Prozess auf einem Chatbot aufbaut, baut ihn also auf diesen Stichtag zu.

DSGVO Art. 22, Automatisierte Entscheidungen

Art. 22 DSGVO verbietet rein automatisierte Entscheidungen mit rechtlicher oder erheblicher Wirkung, dazu gehört der Ausschluss aus einem Bewerbungsverfahren. Das bedeutet in der Praxis: KI darf priorisieren und vorfiltern, aber nicht final entscheiden. Der finale Ausschluss eines Bewerbers muss immer durch einen Menschen bestätigt werden.

AGG, Allgemeines Gleichbehandlungsgesetz

Kriterien, die mittelbar diskriminierend wirken, etwa nach Alter (Abschluss-Jahrgänge als Proxy), Herkunft (Namens-Auswertung) oder Geschlecht, verstoßen gegen das Allgemeine Gleichbehandlungsgesetz (AGG). Wer KI-Screening einsetzt, sollte die genutzten Kriterien dokumentieren und regelmäßig auf Bias prüfen: Nach § 22 AGG genügen einer abgelehnten Person Indizien für eine Benachteiligung, dann trägst du die Beweislast. Einen ersten Bias-Check nach drei Monaten, danach halbjährlich; in kürzeren Abständen kommen bei Mittelstandsvolumen zu wenige Bewerbungen je Gruppe zusammen, um überhaupt etwas zu sehen.

BetrVG §§ 87 und 95, Mitbestimmung

Technische Einrichtungen, die geeignet sind, das Verhalten oder die Leistung von Arbeitnehmenden zu überwachen, unterliegen der Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG; ein Screening-System, das die Arbeit der Recruiterinnen protokolliert, ist das in aller Regel. Für die Bewerbenden selbst greift § 95 BetrVG: Richtlinien für die personelle Auswahl bei Einstellungen bedürfen der Zustimmung des Betriebsrats, und nach Absatz 2a gilt das ausdrücklich auch, wenn bei ihrer Aufstellung KI zum Einsatz kommt. Ein Kriterienraster, nach dem eine KI alle Bewerbungen sortiert, ist eine solche Auswahlrichtlinie. Bei einem vorhandenen Betriebsrat empfiehlt sich eine frühzeitige Abstimmung und idealerweise eine Betriebsvereinbarung vor der Einführung. Wie so eine Vereinbarung gegliedert wird, wie die Tool-Anlage gepflegt bleibt und an welchen fünf Klauseln Verhandlungen typischerweise hängen bleiben, steht in unserem Leitfaden zur Betriebsvereinbarung KI.

Hinweis: Die rechtlichen Anforderungen sind komplex und im Einzelfall zu prüfen. Für verbindliche Einschätzungen zum EU AI Act, DSGVO und BetrVG empfiehlt sich Rücksprache mit einem Fachanwalt für Arbeitsrecht und einem Datenschutzbeauftragten.

Konkrete Werkzeuge, was wann passt

ChatGPT , für die Analyse einzelner Bewerbungen: Lebenslauf hochladen, Anforderungsprofil als Kontext, strukturiertes Profil erhalten. Für echte Bewerbungen nur im Business-Tarif mit Auftragsverarbeitungsvertrag, der beginnt bei zwei Plätzen zu je 25 US-Dollar im Monat (20 US-Dollar bei Jahreszahlung). Free und Plus haben keinen AVV und nutzen Eingaben zum Training, solange du nicht widersprichst.

Claude , besonders geeignet für die Batch-Analyse mehrerer Bewerbungen in einem Schritt. Claude kann mehrere Dokumente gleichzeitig verarbeiten und vergleichende Zusammenfassungen erstellen. Für echte Bewerbungen im Team-Tarif, ab zwei Plätzen zu je 25 US-Dollar im Monat (20 US-Dollar bei Jahreszahlung), mit AVV und ohne Training auf euren Inhalten.

Personio , HR-Software mit integrierter Bewerberverwaltung und KI-gestütztem Screening: zentrales System für den gesamten Recruiting-Prozess, mit automatischem Versand von Statusmeldungen. Öffentlich nennt Personio nur einen Einstiegspreis, HR-Lösungen ab 7,60 Euro je Mitarbeiter und Monat netto; Recruiting-App und einmalige Einrichtungsgebühr kommen dazu, ihren Preis nennt Personio erst im Angebot.

Greenhouse , spezialisiertes ATS mit strukturierter Interview-Pipeline und KI-Matching. Für Unternehmen, die professionelles Recruiting-Management brauchen. Greenhouse nennt keine öffentlichen Preise, das Angebot hängt von Hiring-Volumen und Plan ab.

Make.com , für automatisierte Screening-Workflows: neue Bewerbung eingegangen → KI analysiert → Profil erstellt → in Bewerbermanagementsystem eingetragen. Make Core kostet 9 US-Dollar im Monat bei Jahreszahlung, 10,59 US-Dollar bei monatlicher, dazu die API-Kosten des Sprachmodells. Ein solcher Workflow ist genau das dauerhafte Screening-System, für das die Anbieterfrage aus dem Rechtsteil gilt.

Datenschutz und Datenhaltung

Bewerberdaten sind Beschäftigtendaten, datenschutzrechtlich beginnt das Beschäftigungsverhältnis mit der Bewerbung. Rechtsgrundlage für die Sichtung ist Art. 6 Abs. 1 Buchst. b DSGVO, die Anbahnung des Beschäftigungsverhältnisses; § 26 BDSG gilt seit dem EuGH-Urteil vom 30.03.2023 (C-34/21) als kaum noch tragfähige eigenständige Grundlage.

Für den Einsatz externer KI-Tools gilt: Mit jedem Anbieter, der Bewerberdaten verarbeitet, ist ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO abzuschließen. Was du Bewerbern mitteilen musst: In deiner Datenschutzerklärung und im Bewerbungsprozess muss transparent gemacht werden, dass KI-Systeme bei der Vorauswahl eingesetzt werden (Art. 13 DSGVO).

Löschfristen: Bewerberdaten müssen nach Abschluss des Verfahrens gelöscht werden, in der Regel nach 6 Monaten.

Was es kostet, realistisch gerechnet

Einstieg (manuelle KI-Unterstützung)

• ChatGPT Business mit AVV: ab zwei Plätzen, 2 mal 25 US-Dollar im Monat, 2 mal 20 US-Dollar bei Jahreszahlung
• Claude Team als Alternative: ebenfalls ab zwei Plätzen zu je 25 US-Dollar im Monat
• Zeitersparnis: im Pilot messen. Rechenweg zum Einsetzen: gesparte Minuten je Bewerbung mal Bewerbungen im Jahr. Wer 10 Stellen mit je 50 Bewerbungen besetzt und je Bewerbung 5 Minuten spart, gewinnt 500 mal 5 Minuten, gut 40 Stunden im Jahr
• Keine technische Integration nötig

Automatisiert (workflow-integriert)

• Personio + Make.com: Personio laut Preisseite ab 7,60 Euro je Mitarbeiter und Monat netto, bei 30 Mitarbeitenden also mindestens 30 × 7,60 = 228 Euro; dazu Recruiting-App, Einrichtungsgebühr und Make.com
• Einmalige Einrichtung: 1.000–2.500 Euro
• Ergebnis: automatischer Erstkontakt und priorisierte Shortlists; Absagen weiterhin nur nach menschlicher Prüfung

ROI-Szenario Angenommen, KI-Screening spart je Bewerbung 5 Minuten. Bei 20 Stellenbesetzungen mit je 50 Bewerbungen sind das 1.000 mal 5 Minuten, gut 83 Stunden im Jahr. Eine HR-Fachkraft mit 55.000 Euro Jahresgehalt kostet bei rund 1.700 Arbeitsstunden gut 32 Euro je Stunde, der Gegenwert liegt bei 83 mal 32, rund 2.650 Euro. Das ist Kapazität, keine Einsparung, solange die Stelle bleibt. Dagegen steht der AVV-Tarif: ChatGPT Business mit zwei Plätzen kostet 12 mal 2 mal 20 US-Dollar im Jahr bei Jahreszahlung. Eine neu eingeführte Personio-Lizenz kommt schon bei 30 Mitarbeitenden auf mindestens 12 × 228 = 2.736 Euro im Jahr, noch ohne Recruiting-App, und trägt sich über die Sichtung allein nicht. Der eigentliche Wert liegt woanders: Wer schneller zur Shortlist kommt, erreicht Top-Kandidaten, bevor der Wettbewerb ein Angebot macht.

Typische Einstiegsfehler

1. Anforderungsprofile zu vage lassen. Wer der KI sagt „such nach guten Kandidaten”, bekommt nichts Brauchbares. KI-Screening funktioniert nur mit klar definierten Kriterien: Welche Qualifikationen sind Pflicht? Welche Erfahrung ist ein K.O.-Kriterium? Was sind Nice-to-haves? Schreib vor dem ersten KI-Einsatz ein Scoring-Schema, 5 Must-haves, 3 Nice-to-haves, 2 K.O.-Kriterien.

2. AGG-Prüfung weglassen. Wenn das Kriterienraster mittelbar diskriminierend ist, z. B. bestimmte Studienabschlüsse als Proxy für Bildungsstand, oder Lücken im Lebenslauf als negatives Signal, verstärkt KI diesen Bias statt ihn zu reduzieren. Vor dem Einsatz explizit prüfen: Welche der Kriterien könnten bestimmte Gruppen systematisch benachteiligen?

3. KI als letzte Entscheidungsinstanz behandeln. KI priorisiert, sortiert und fasst zusammen. Sie entscheidet nicht. Jeder Ausschluss aus dem Verfahren muss von einem Menschen bestätigt werden, das ist nicht nur Best Practice, sondern rechtliche Anforderung (Art. 22 DSGVO, EU AI Act). Baue den Prozess explizit so, dass HR-Personen die finale Freigabe geben.

4. Bias-Check nie durchführen. Nach 3 Monaten Betrieb: Prüfe, ob bestimmte Kandidatengruppen (Frauen, ältere Kandidaten, bestimmte Bildungshintergründe) systematisch schlechter abschneiden als andere. Das ist kein einmaliger Check, sondern ein laufender Prozess, danach halbjährlich.

Was mit der Einführung wirklich passiert

Die erste Überraschung: Das Anforderungsprofil war nicht so scharf, wie man dachte. Wenn die KI aus einem vagen Profil schlechte Ergebnisse liefert, liegt es fast immer an der Qualität der Kriterien, nicht am Modell. Das ist eine wertvolle Rückmeldung.

Die zweite: Führungskräfte misstrauen KI-Empfehlungen anfangs. Das Vertrauen wächst, wenn sie ihre eigene Shortlist neben die KI-Liste legen und viele Namen wiederfinden. Übereinstimmung beweist aber wenig, wenn Mensch und Modell dieselben Vorurteile teilen. Aufschlussreicher sind die Bewerbungen, bei denen beide weit auseinanderliegen: Dort lernst du, ob das Kriterienraster oder das Bauchgefühl danebenliegt.

Wichtig für die Compliance: Wenn ein Betriebsrat vorhanden ist, sollte der vor der Einführung einbezogen werden. Ein Betriebsrat, der nachträglich von einem KI-Screening-System erfährt, ist ein Betriebsrat, der dem Projekt misstraut. Frühzeitige Transparenz schützt.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„KI-Screening diskriminiert, wir wollen keine Algorithmen bei Personalentscheidungen.” KI entscheidet nicht, sie strukturiert und priorisiert. Die finale Entscheidung trifft immer ein Mensch. Konsistenter als manuelle Sichtung ist KI nur bedingt: Sie wird nicht müde, aber Sprachmodelle bewerten dieselbe Bewerbung bei zwei Durchläufen nicht immer gleich, und sie können Vorurteile aus ihren Trainingsdaten mitbringen. Prüf das im Pilot, indem du dieselben Bewerbungen zweimal laufen lässt. Entscheidend bleibt, dass das Anforderungsprofil selbst nicht diskriminierend ist, das liegt in deiner Verantwortung.

„Wir verpassen gute Kandidaten mit ungewöhnlichen Lebensläufen.” Berechtigter Einwand, deshalb sollte KI-Screening die manuelle Sichtung nicht vollständig ersetzen, sondern die Arbeitslast reduzieren. Wenn die KI 80 % als klar ungeeignet oder klar geeignet einordnet, hat HR mehr Zeit für die 20 % Grenzfälle, bei denen ein unkonventioneller Lebenslauf relevant sein könnte.

„Das braucht einen Betriebsrat-Prozess und das dauert Monate.” Ja, wenn ein Betriebsrat vorhanden ist, braucht es Mitbestimmung. Das ist kein Argument gegen das Tool, sondern für eine kluge Einführungsstrategie: Betriebsrat frühzeitig einbinden, Konzept transparent machen, Betriebsvereinbarung erarbeiten. Das dauert 4–8 Wochen, planbar, nicht endlos.

Woran du merkst, dass das zu dir passt

• Bewerbungssichtung frisst mehr als 20 % der HR-Kapazität
• Top-Kandidaten sagen ab, bevor ihr sie kontaktiert habt, Time-to-Contact ist zu langsam
• Verschiedene HR-Mitarbeitende bewerten gleiche Kandidaten sehr unterschiedlich
• Ihr besetzt mehr als 10 Stellen pro Jahr mit 50+ Bewerbungen je Stelle

Das passt noch nicht zu dir, wenn: Ihr noch keinen stabilen Anforderungsprofil-Prozess habt, oder wenn ein Betriebsrat vorhanden ist und das Thema noch nicht besprochen wurde. Auch wenn eure Stellen sehr nischig sind und weniger als 20 Bewerbungen generieren, ist der Setup-Aufwand relativ groß.

Das kannst du heute noch tun

Nimm eine aktuelle oder kürzlich besetzte Stelle und schreib für sie ein Scoring-Schema: 5 Must-haves, 3 Nice-to-haves, 2 K.O.-Kriterien. Dann teste den folgenden Prompt mit einer erfundenen Musterbewerbung. Echte Bewerbungen gehören nur in einen Tarif mit Auftragsverarbeitungsvertrag (ChatGPT Business, Claude Team), und in Betrieben mit Betriebsrat erst, wenn das Kriterienraster abgestimmt ist.

Quellen & Methodik

• EU AI Act (Verordnung (EU) 2024/1689), Anhang III Nr. 4 Buchst. a, Artikel 25 und 26: Hochrisiko-Einstufung, Anbieterwechsel, Betreiberpflichten; die Pflichten aus Kapitel III Abschnitte 1 bis 3 gelten für Anhang-III-Systeme nach der Verordnung (EU) 2026/1744 ab dem 2. Dezember 2027
• DSGVO Art. 6 und 22, Rechtsgrundlage und automatisierte Entscheidungen; EuGH, Urteil vom 30.03.2023, C-34/21, zur Tragfähigkeit von § 26 BDSG
• AGG §§ 1, 7 und 22, Diskriminierungsverbot im Bewerbungsverfahren und Beweislast
• § 95 BetrVG, Auswahlrichtlinien, Absatz 2a zum KI-Einsatz; § 87 Abs. 1 Nr. 6 BetrVG
• Preise: Personio laut Preisseite (abgerufen am 3. Oktober 2026, sichtbar ist nur der Einstiegspreis für HR-Lösungen), ChatGPT, Claude, Make.com und Greenhouse laut unseren Toolseiten, Stand September 2026. Die Zeitangaben sind unsere Annahmen, keine Messung. Für rechtlich verbindliche Einschätzungen Rücksprache mit Fachanwalt für Arbeitsrecht und Datenschutzbeauftragtem empfehlenswert