Kandidaten-Matching automatisieren

Das echte Ausmaß des Problems

Disponenten in der Zeitarbeit verbringen laut Branchenschätzungen 40 bis 60 Prozent ihrer Arbeitszeit mit dem Durchsuchen, Filtern und Koordinieren von Kandidatenprofilen. Das ist die bekannte Seite des Problems — die, die sich gut im ROI-Deck darstellen lässt.

Die weniger bekannte Seite: Ein Matching-System, das keine AÜG-Kenntnisse hat, ist gefährlich.

Das Arbeitnehmerüberlassungsgesetz regelt drei Dinge, die direkt im Matching-Prozess berücksichtigt werden müssen:

• Höchstüberlassungsdauer: Ein Zeitarbeitnehmer darf demselben Entleiher nicht länger als 18 aufeinanderfolgende Monate überlassen werden. Danach muss eine Unterbrechung von mindestens 3 Monaten eingehalten werden. Wer diese Frist überschreitet, riskiert Bußgelder bis zu 500.000 Euro — und die Umqualifikation als regulärer Arbeitgeber des Entleihers.

• Equal Pay: Nach 9 Monaten ununterbrochener Überlassung an denselben Kunden hat der Zeitarbeitnehmer Anspruch auf Equal Pay — das heißt, er ist mindestens so zu bezahlen wie ein vergleichbarer Stammarbeiter beim Kunden. Nicht wissen schützt nicht vor Nachzahlung.

• Branchenzuschläge: Die Tarifverträge von iGZ und BAP sehen gestaffelte Branchenzuschläge vor, die sich nach der Einsatzdauer richten. Wer nach 6 Wochen noch die Grundvergütung zahlt, zahlt zu wenig — und das fällt bei Betriebsprüfungen auf.

Ein KI-System, das nur auf Skills und Verfügbarkeit matcht, kennt diese Fristen nicht. Es empfiehlt den Kandidaten, der fachlich passt — unabhängig davon, ob er beim Kunden schon 16 Monate hängt und in 8 Wochen Equal Pay beansprucht. Der Disponent sieht die Empfehlung, schöpft keinen Verdacht, und macht die Buchung.

Das ist kein hypothetisches Risiko. Das ist der Normalfall ohne systematische AÜG-Integration.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Compliance-Fehlerzahl basiert auf Erfahrungswerten aus Praxisberichten — keine repräsentative Studie, aber konsistente Meldungen aus AÜG-Beratungsgesprächen. Tatsächliche Werte hängen stark von Datenpflege und der Vollständigkeit der Einsatzhistorien ab.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Die Matching-Zeit sinkt von 2–4 Stunden auf unter 20 Minuten je Auftrag — ein erheblicher Hebel. Dass es nicht auf 5 kommt: Die AÜG-Prüfschicht muss konfiguriert und gepflegt werden, was im laufenden Betrieb einen kleinen Overheadanteil erzeugt. Wer nur schnelles Matching ohne Compliance-Logik implementiert, spart zwar Zeit — schafft aber das rechtliche Problem, das oben beschrieben ist.

Kosteneinsparung — hoch (4/5) Zwei Hebel: Effizientere Disponenten (mehr Aufträge pro Tag ohne mehr Personal) und vermiedene AÜG-Verstöße. Ein einziges Bußgeldverfahren nach § 16 AÜG kann mehr kosten als die Softwarekosten über mehrere Jahre. Das macht die Kosten-Nutzen-Rechnung klar — sofern die Compliance-Logik tatsächlich implementiert ist und nicht nur auf der Folie steht.

Schnelle Umsetzung — niedrig (2/5) 8 bis 14 Wochen ATS-Integration sind realistisch — und das ist das untere Ende. Wer von Bullhorn auf eine Textkernel-Matching-Layer umstellt, braucht API-Anbindung, Testläufe, Kalibrierung der Match-Scores. Wer zvoove einsetzt, hat die KI-Agenten bereits integriert — aber die Compliance-Parameterierung braucht trotzdem Zeit. Kein Plug-and-Play.

ROI-Sicherheit — sehr hoch (5/5) Das ist der stärkste Punkt dieser Kategorie in dieser Branche: Besetzungsquote, Time-to-Fill und Compliance-Verstöße sind direkt messbar. Du weißt vorher, was ein Bußgeldverfahren kostet. Du weißt, was eine Disponenten-Stunde wert ist. Das macht diesen Use Case auf dem ROI-Blatt unschlagbar — kein anderer Anwendungsfall im Zeitarbeitsbereich hat so klare, direkte Kostenpositionen auf beiden Seiten der Rechnung.

Skalierbarkeit — hoch (4/5) Einmal konfiguriert, skaliert das System ohne proportionalen Mehraufwand. 500 Kandidaten oder 5.000 — die Matching-Zeit bleibt konstant. Die Compliance-Regeln gelten für jeden Kandidaten automatisch. Was nicht skaliert: die Datenpflege. Wenn Kandidatenprofile veralten, veralten auch die Matching-Ergebnisse. Das ist kein technisches Problem, sondern ein organisatorisches.

Richtwerte — stark abhängig von vorhandener ATS-Infrastruktur, Datenpflegestand und Niederlassungsgröße.

Was das System konkret macht

Das technische Fundament ist semantisches Matching — eine Form des Machine Learning: Das System versteht nicht nur Schlüsselwörter, sondern Bedeutungszusammenhänge. „Staplerfahrer mit Schein” und „Flurförderfahrzeug-Operator, Gabelstapler-Zertifikat” sind für das System dasselbe — auch wenn es im Profil und in der Stellenbeschreibung anders formuliert ist.

Was ein vollständiges Matching-System für Zeitarbeit verarbeitet:

Fachliche Dimension

• Skills und Qualifikationen aus dem Kandidatenprofil
• Berufsbezeichnungshistorie (war der Kandidat wirklich Schlosser oder hat er mal drei Monate in einer Schlosserei geholfen?)
• Zertifikate, Führerscheinklassen, Sprachkenntnisse
• Erfahrung in bestimmten Branchen oder bei bestimmten Maschinentypen

Logistische Dimension

• Verfügbarkeit (ab wann, welche Schichten, Wochenend-Bereitschaft)
• Mobilitätsradius und Pendelbereitschaft
• Wohnort vs. Einsatzort (Fahrzeit, nicht nur Luftlinie)

Zuverlässigkeits-Dimension

• Einsatzhistorie: Wie oft war der Kandidat beim letzten Einsatz krank?
• Kundenfeedback aus früheren Einsätzen
• Frühzeitige Abbrüche von Einsätzen

Compliance-Dimension ← das ist der Teil, der oft fehlt

• Verbleibende Überlassungszeit beim Zielkunden (Höchstüberlassungsdauer § 1 Abs. 1b AÜG: 18 Monate)
• Equal-Pay-Status: Ab welchem Monat tritt der Anspruch ein? (§ 8 AÜG: ab Monat 10 bei schrittweiser Annäherung)
• Aktuell geltende Branchenzuschlagsstufe (iGZ/BAP-Tarifvertrag)

Das letzte Paket ist das, was in den meisten Matching-Implementierungen fehlt — weil es in keinem Standard-ATS automatisch vorhanden ist. Es muss explizit konfiguriert werden.

AÜG-Compliance im Matching: Was das System kennen muss

Das ist kein Datenschutz-Abschnitt. Das ist Zeitarbeits-Realität.

Wenn ein KI-Matching-System für eine Zeitarbeitsfirma gebaut wird, ohne die folgenden Datenpunkte zu kennen, erzeugt es verlässlich Rechtsrisiken:

Höchstüberlassungsdauer (§ 1 Abs. 1b AÜG)

Das System muss für jeden Kandidaten-Kunden-Kombination wissen: Wie viele Monate wurde dieser Kandidat bereits an diesen Kunden überlassen? Und: Gibt es tarifvertragliche Abweichungen beim Kunden (Kunden können per Tarifvertrag bis zu 24 Monate vereinbaren)?

Ein Matching-Ergebnis sollte Kandidaten, die beim Zielkunden in weniger als 3 Monaten die Frist erreichen, entweder ausblenden oder mit einem deutlichen Hinweis markieren. Alles andere ist eine tickende Uhr.

Equal Pay (§ 8 AÜG)

Equal Pay tritt ab dem 10. Einsatzmonat schrittweise ein — bei vollständiger Gleichstellung spätestens ab Monat 16. Wer einen Kandidaten matched, der beim Kunden schon 8 Monate ist, sollte automatisch sehen: Welche Kostendifferenz entsteht ab Monat 10? Ist der Marktlohn dieses Kunden so hoch, dass Equal Pay eine signifikante Nachzahlung erzeugt?

Das ist keine akademische Frage — es ist Kalkulationsbasis für das Angebot an den Kunden.

Branchenzuschlagsstufen (iGZ/BAP-Tarifvertrag)

Die Zeitarbeit-Tarifverträge kennen bis zu sechs Branchenzuschlagsstufen, die sich nach Einsatzdauer richten. Ein Kandidat, der im dritten Monat bei einem Metallbetrieb ist, kostet mehr als einer im ersten Monat. Das Matching-System sollte diese Stufensprünge kennen und in die Matching-Empfehlung einbeziehen — sonst rechnet der Disponent mit dem falschen Stundensatz.

Wer diese Logik einbaut

zvoove hat AÜG-Compliance-Tracking nativ in der Plattform. Die KI-Agenten in Cockpit X kennen die Fristen und zeigen Warnmeldungen ab 60 Tagen vor Überschreitung. Das ist der Vorteil einer deutschen Zeitarbeitssoftware gegenüber internationalen Lösungen wie Bullhorn: Bullhorn kennt Equal Pay nicht nativ — das muss manuell konfiguriert werden, und wer es nicht tut, läuft blind.

Textkernel als reine Matching-API kennt ebenfalls keine AÜG-Regeln — sie müssen in der Applikationslogik, die Textkernel nutzt, implementiert werden. Das ist machbar, aber erfordert Entwicklerarbeit.

Datenqualität als Voraussetzung

Hier versagen die meisten KI-Matching-Projekte — nicht an der Technologie, sondern an den Daten.

Das Problem ist nicht, dass Kandidatenprofile fehlen. Es ist, dass sie da sind — aber für ein semantisches Matching-System unbrauchbar sind.

Was “unbrauchbar” bedeutet:

Stell dir ein Profil vor, das seit zwei Jahren nicht angefasst wurde. Der Kandidat hat seither zwei neue Qualifikationen erworben, seinen Führerschein gemacht und ist von Duisburg nach Essen gezogen. Im System steht: alter Wohnort, keine neuen Skills, letzte Erreichbarkeit unbekannt. Das Matching-System empfiehlt ihn — für eine Stelle, für die er heute ideal wäre, aber vor zwei Jahren nicht war. Oder umgekehrt: für eine Stelle, bei der der Pendelweg jetzt unzumutbar ist, das System aber noch den alten Wohnort sieht.

Das ist keine Randerscheinung. Bullhorns eigene Dokumentation empfiehlt explizit, vor der Aktivierung des KI-Matchings einen “profile enrichment”-Prozess durchzuführen — weil Kandidatendatenbanken routinemäßig veraltet, lückenhaft und inkonsistent sind.

Konkrete Datenmängel, die Matching-Qualität zerstören:

• Veraltete Verfügbarkeitsangaben: Der Kandidat ist längst beim Wettbewerber oder in Festanstellung
• Fehlende Skills in strukturierten Feldern: Der Disponent hat “Vielkönner, fleißig” in die Notiz geschrieben statt in strukturierte Skill-Felder
• Inkonsistente Berufsbezeichnungen: “Logistiker”, “Lagerarbeiter”, “Wareneingang” für denselben Job — das Matching-System versteht das, aber je uneinheitlicher die Daten, desto unschärfer die Ergebnisse
• Fehlende Einsatzhistorie: Wenn frühere Einsätze nicht im System dokumentiert sind, fehlt die Basis für die Compliance-Fristen-Berechnung

Was vor der Implementierung passieren muss:

Nimm einen repräsentativen Querschnitt von 100 Kandidatenprofilen und prüfe: Wie viele davon haben strukturierte Skills-Felder? Wie viele haben eine dokumentierte Einsatzhistorie der letzten 24 Monate? Wie viele haben einen verifizierten Wohnort und eine aktuelle Verfügbarkeitsangabe?

Wenn weniger als 60 Prozent dieser Felder ausgefüllt sind: Beginne mit der Datenpflege, bevor du das Matching-System aktivierst. Ein System, das auf schlechten Daten trainiert wird, gibt schlechte Ergebnisse zurück — und das vertrauensvoll und ohne Hinweis auf die Datenlücke.

Konkrete Werkzeuge — was wann passt

zvoove — wenn du eine integrierte Lösung willst Die KI-Agenten in Cockpit X sind die einzige Kombination, die Matching und AÜG-Compliance nativ zusammenbringt — entwickelt für den deutschen Markt, EU-Datenhosting, über 9.000 Kunden in DACH. Wenn du noch kein ATS hast oder bereit bist, das System zu wechseln: zvoove ist der Benchmark für compliance-bewusstes Matching in der deutschen Zeitarbeit. Laut Anbieterangaben: 40 % kürzere Time-to-Hire, bis zu 90 Minuten tägliche Zeitersparnis je Mitarbeitenden. Preis: nur auf Anfrage; bei 200+ aktiven Zeitarbeitnehmern schnell vierstellig pro Monat.

Bullhorn mit Amplify AI — wenn du internationale Reichweite brauchst Bullhorn Amplify bietet ein starkes semantisches Matching — aber ohne native AÜG-Compliance-Logik. Sinnvoll für Personaldienstleister, die gleichzeitig den deutschen und internationalen Markt bedienen und AÜG-Fristen separat im Back-Office tracken. US-Datenhosting: DSGVO-Folgenabschätzung erforderlich. Preis: verhandelt, ab ca. 99–249 USD je Recruiter/Monat.

Textkernel als Matching-API — wenn du dein bestehendes ATS aufrüsten willst Textkernel ist keine Endnutzerlösung, sondern eine Matching-Engine, die als API in bestehende Systeme eingebettet wird. Wenn du Bullhorn, Bullhorn Connexys, SAP SuccessFactors oder ähnliche Systeme einsetzt und das Matching verbessern willst, ohne das System zu wechseln: Textkernel ist der Standard-Baustein dafür. 100+ ATS-Integrationen, EU-Hosting, ab ca. 99 USD/Monat für die API. Die Compliance-Logik muss separat implementiert werden.

Zusammenfassung: Wann welcher Ansatz

• Keine Vorsystem-Bindung, Fokus Deutschland: → zvoove
• Internationale Aufstellung, Bullhorn bereits im Einsatz: → Bullhorn Amplify
• Bestehendes ATS soll mit Semantic Matching aufgerüstet werden: → Textkernel API

Datenschutz und Datenhaltung

Kandidatenprofile in der Zeitarbeit enthalten personenbezogene Daten der sensibelsten Kategorie: Qualifikationen, Einsatzhistorie, Arbeitsleistungs-Feedback, Zuverlässigkeitsbeurteilungen. Das sind Daten über das Berufsleben konkreter Menschen.

Für die DSGVO bedeutet das:

Auftragsverarbeitungsvertrag (AVV): Jedes System, das Kandidatendaten verarbeitet, benötigt einen AVV nach Art. 28 DSGVO. zvoove schließt diesen standardmäßig ab — EU-Hosting, kein Transfer in Drittstaaten. Bullhorn ist beim EU-U.S. Data Privacy Framework zertifiziert, speichert aber primär in den USA; eine Datenschutz-Folgenabschätzung ist vor dem Einsatz empfehlenswert.

Zweckbindung und Löschfristen: Kandidatenprofile dürfen nur für den Zweck genutzt werden, für den sie erhoben wurden. Wenn ein Kandidat seit 3 Jahren nicht mehr kontaktiert wurde, stellt sich die Frage, ob das Profil noch im System sein darf. Das Matching-System sollte nicht einfach alle historischen Profile anfragen, sondern nur solche, bei denen eine aktive Einwilligung vorliegt oder ein berechtigtes Interesse glaubhaft dokumentiert ist.

KI-Entscheidungen und Transparenzpflicht: Art. 22 DSGVO regelt automatisierte Entscheidungen. Eine reine Shortlist-Empfehlung durch das KI-Matching ist kein rechtserheblicher Bescheid — die finale Entscheidung trifft der Disponent. Trotzdem empfiehlt es sich, im System zu dokumentieren, dass es sich um eine KI-Unterstützung handelt und wie Kandidaten gegen dieses Verfahren Einspruch einlegen können. Das ist keine bürokratische Pflicht, sondern Vertrauensschutz gegenüber dem Kandidaten.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• API-Integration Textkernel in bestehendes ATS: 10.000–25.000 Euro (externe Entwicklungskosten, 6–12 Wochen)
• Datenpflege und -bereinigung vor der Aktivierung: 3.000–8.000 Euro intern oder extern, abhängig von Datenbankgröße
• Bei zvoove (Komplettlösung): Implementierungsprojekt 4.000–15.000 Euro je nach Datenmigrationsbedarf

Laufende Kosten (monatlich)

• Textkernel API Professional: ab ca. 99 USD/Monat für unter 500 Parsing-Vorgänge täglich; Enterprise auf Anfrage
• zvoove (inkl. KI-Agenten): ab ca. 1.000–3.000 Euro/Monat bei 200+ aktiven Zeitarbeitnehmern (Richtwert aus Marktberichten — kein Listenpreis)
• Bullhorn mit Amplify: ca. 150–300 USD je Recruiter/Monat (Marktrichtwert, kein Listenpreis)

Wie du den ROI tatsächlich misst

Nicht mit Stundensatz-Hochrechnungen. Sondern mit drei Kennzahlen:

1. Time-to-Fill: Wie lange von Auftragseingang bis bestätigtem Kandidat? Vorher und nachher.
2. Besetzungsquote: Wie viel Prozent der offenen Aufträge werden besetzt (nicht zurückgegeben, weil kein passender Kandidat gefunden wurde)?
3. Compliance-Vorfälle: Wie viele AÜG-bezogene Nachforderungen, Bußgeldverfahren oder Korrekturrechnungen pro Jahr?

Für Kennzahl 3 gilt: Ein einziger vermiedener Compliance-Vorfall kann die Systemkosten eines gesamten Jahres aufwiegen.

Konservatives Rechenbeispiel

3 Disponenten, jede/r spart täglich 1,5 Stunden Matching-Zeit: 4,5 Stunden täglich, ca. 90 Stunden monatlich. Bei einem internen Kostensatz von 28–35 Euro/Stunde: 2.520 bis 3.150 Euro monatlich eingesparte Arbeitszeit (orientiert an Destatis-Verdienstdaten 2024 für kaufmännische Angestellte). Hinzu kommt ein jährlich vermiedener Compliance-Vorfall, konservativ geschätzt auf 5.000–15.000 Euro (Anwalts- und Bearbeitungskosten, Nachzahlung, Kundenbeziehungskosten). Das Gesamtbild: Amortisation in 6–18 Monaten bei mittlerer Teamgröße.

Typische Einstiegsfehler

1. Das Matching aktivieren, ohne die Compliance-Logik zu konfigurieren.

Das ist der häufigste Fehler — und der gefährlichste. Ein KI-System, das Skills matcht, aber AÜG-Fristen ignoriert, ist funktional nutzlos für eine deutsche Zeitarbeitsfirma, die das Ergebnis direkt zur Disposition nutzt. Es empfiehlt verlässlich — und es empfiehlt manchmal Kandidaten, die rechtlich nicht einsetzbar sind. Der Disponent sieht die Empfehlung und hat keinen Anlass, sie zu hinterfragen.

Lösung: Bevor das System live geht, sicherstellen, dass Überlassungshistorien im System sind. Ohne diese Daten kann keine Compliance-Prüfung stattfinden.

2. Mit einem nicht bereinigten Kandidatenpool starten.

Veraltete Profile produzieren veraltete Empfehlungen. Wer 3.000 Kandidaten hat, von denen 60 Prozent in den letzten 18 Monaten nicht angefasst wurden, hat keine Datenbank — er hat eine historische Sammlung. Das Matching-System sortiert diese Personen trotzdem in die Shortlist.

Lösung: Vor dem Launch eine Datenqualitäts-Kampagne durchführen: Alle Kandidaten ohne Kontakt in den letzten 12 Monaten reaktivieren, aktualisieren oder deaktivieren. Dann das System einschalten.

3. Matching-Ergebnisse ohne menschliche Prüfung verwenden.

KI-Matching ist kein Auftragssystem. Es ist ein Vorschlagssystem. Die finale Entscheidung trifft der Disponent — mit Kontextinformationen, die das System nicht kennt: persönliche Stärken, ein Gespräch letzte Woche, ein Konflikt mit dem Teamleiter beim Kunden. Wer die Top-3-Empfehlung des Systems direkt weitergibt, ohne noch mal reinzuschauen, hat den Sinn des Systems missverstanden.

4. Die Datenpflege nach dem Launch vergessen.

Das System liefert am Tag nach dem Launch die besten Ergebnisse — dann werden die Daten täglich älter. Wer keine organisatorischen Regeln einführt (Kandidatenprofile nach jedem Einsatz aktualisieren, Verfügbarkeit monatlich prüfen), hat nach 12 Monaten ein System, das auf frischen Aufträgen mit veralteten Profilen matcht. Die Ergebnisqualität degradiert still.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik funktioniert schneller als erwartet. Die Integration ist aufwendiger als erwartet.

Erfahrungsgemäß tauchen in den ersten Wochen drei Widerstands-Muster auf:

Die erfahrene Disponentin mit dem Gedächtnis. Sie kennt jeden ihrer 300 Kandidaten persönlich. Sie weiß, dass Herr K. nie morgens antritt und dass Frau M. sich immer zuverlässig meldet, auch wenn das Profil nichts davon sagt. Für sie ist das Matching-System eine Beleidigung ihres Erfahrungsschatzes — oder sie nutzt es selektiv als Bestätigungssystem für Namen, die sie ohnehin schon im Kopf hatte.

Was hilft: Das System nicht als Ersatz positionieren, sondern als Netz. Die erfahrene Disponentin kennt die 30 Namen im Kopf — das System findet die 470 anderen. Das ist keine Konkurrenz, das ist eine Erweiterung. Und wenn das System einen Kandidaten vorschlägt, den sie nicht auf dem Schirm hatte und der sich dann als gute Wahl erweist: Das ist der Moment, der die Skepsis abbaut.

Die Compliance-Überraschung. Im Datenbankcheck stellt sich heraus, dass bei 15–20 Prozent der aktiven Kandidaten die Einsatzhistorie unvollständig ist. Das ist keine Katastrophe, aber es bedeutet: Die AÜG-Prüfung dieser Kandidaten läuft ins Leere. Das System kann nur checken, was dokumentiert ist.

Was hilft: Einen strukturierten “Compliance-Datenpflege”-Sprint vor dem Launch einplanen — 2–3 Wochen, in denen ein Teammitglied systematisch alle aktiven Kandidaten mit Einsatzhistorie bei Kunden reviewed.

Die Erwartung, dass alles sofort besser wird. Das System optimiert über Zeit. Die ersten Matching-Ergebnisse sind gut — aber die Match-Kalibrierung verbessert sich, wenn Disponenten aktiv Feedback geben: War dieser Vorschlag gut? Hat der Kandidat den Einsatz angenommen? Der Algorithmus lernt aus dem Feedback.

Realistischer Zeitplan mit Risikohinweisen

Die Zeitangaben gelten für eine mittelständische Zeitarbeitsfirma mit 500–2.000 Kandidaten im Pool. Wer mehr als 3.000 Kandidaten hat, sollte 2–4 Wochen mehr einplanen.

Häufige Einwände — und was dahintersteckt

„Unser ATS kann das auch.”

Viele ATS bieten eine Filterfunktion, die sie als Matching-Funktion bezeichnen. Der Unterschied: Klassische Filter matchen Felder exakt — Staplerschein ja/nein, Wohnort im Radius ja/nein. Semantisches Matching versteht, dass „Mitarbeiter in der Produktion” und „Fertigungshelfer” denselben Hintergrund beschreiben können, auch wenn sie in verschiedenen Feldern stehen. Wer seinen Kandidatenpool wirklich ausschöpfen will, braucht den zweiten Ansatz.

„Das macht unsere Disponenten arbeitslos.”

Das tut es nicht — weil die Entscheidung beim Menschen bleibt und weil die Aufgabe nicht kleiner wird. Wer heute 5 Aufträge täglich matched, kann mit KI-Unterstützung 10–12 Aufträge täglich bearbeiten. Das Matching ist schneller geworden, das Geschäftsvolumen wächst. Wenn ein Disponent Zeit gewinnt, gibt es in einer Zeitarbeitsfirma immer genug andere Aufgaben: Kandidaten-Beziehungspflege, Neukundengewinnung, Compliance-Dokumentation.

„Die Daten sind zu alt und zu chaotisch.”

Das stimmt fast immer — und ist kein Ausschlusskriterium, sondern eine Reihenfolge-Frage. Die Datenpflege kommt vor der KI-Aktivierung, nicht danach. Wer das umdreht, bekommt schlechte Ergebnisse und schreibt sie der KI zu, obwohl die Daten das Problem sind.

„Wir erfüllen AÜG auch ohne System.”

Vielleicht. Aber: Wie? Bei einer Prüfung durch die Bundesagentur für Arbeit oder einem arbeitsgerichtlichen Verfahren wird der Nachweis erwartet, dass Equal Pay und Überlassungshöchstdauer systematisch überwacht werden. „Wir schauen das manuell nach” ist kein Nachweis. Ein System, das jeden Kandidaten-Kunden-Einsatz dokumentiert und Fristen automatisch prüft, ist.

Woran du merkst, dass das zu dir passt

• Du hast 200 oder mehr aktive Kandidaten und deine Disponenten kennen nicht jeden persönlich
• Deine Disponenten verbringen täglich 2+ Stunden mit Suchen, nicht mit Entscheiden
• Du hast schon einmal einen AÜG-Fehler gehabt — oder hast Angst, dass du einen hattest, ohne es zu wissen
• Dein ATS hat strukturierte Skill-Felder, die auch tatsächlich gepflegt werden (oder du bist bereit, das zu ändern)
• Du willst Wachstum ohne proportional mehr Personal: 30 Prozent mehr Aufträge, gleiche Disponentenzahl

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter ca. 150–200 aktive Kandidaten. Kein Matching-System entwickelt bei kleinen Pools sinnvolle Kalibrierung — das Rauschen ist zu hoch, die Daten zu dünn. Bei diesen Größen hilft ein strukturiertes Excel mit AÜG-Fristen mehr als ein KI-System. Investiere zuerst in Datenpflege und ATS-Grunddisziplin.

2. Kandidatendaten sind nicht strukturiert gepflegt und niemand ist bereit, das zu ändern. Ein Matching-System auf unstrukturierten, veralteten Freitextprofilen produziert keine nützlichen Ergebnisse — es produziert selbstbewusste Fehlerempfehlungen. Ohne den Willen, Datenpflege als Daueraufgabe zu verankern, ist das Budget besser woanders investiert.

3. Es gibt keine dokumentierte Einsatzhistorie der letzten 24 Monate im ATS. Die AÜG-Compliance-Schicht funktioniert nur, wenn das System weiß, wie lange ein Kandidat bereits bei welchem Kunden war. Ohne diese Daten ist die Compliance-Logik wertlos — und das ist das Kerndifferenzierungsmerkmal dieses Use Cases gegenüber einem einfachen Skill-Filter.

Das kannst du heute noch tun

Starte mit dem Datenpflege-Check, bevor du ein System kaufst.

Exportiere alle aktiven Kandidatenprofile aus deinem ATS und prüfe folgende drei Felder:

1. Letzter Einsatz dokumentiert? (Datum + Kunden-ID)
2. Skill-Felder strukturiert ausgefüllt (nicht nur Freitext)?
3. Wohnort aktuell?

Zähl, wie viele Profile alle drei Punkte erfüllen. Wenn das Ergebnis unter 50 Prozent liegt, weißt du, was vor einer Matching-Einführung passieren muss.

Für die operative Ebene — wenn du sofort mit einem einfachen KI-Matching ohne System-Einführung testen willst — hier ist ein Prompt, den du in ChatGPT oder Claude direkt ausprobieren kannst:

Quellen & Methodik

• AÜG § 1 Abs. 1b (Höchstüberlassungsdauer 18 Monate) und § 8 (Equal Pay): Arbeitnehmerüberlassungsgesetz in der Fassung vom 21. Februar 2017, zuletzt geändert 2024. Quelle: bundesrecht.juris.de.
• Bußgeld bis 500.000 Euro (§ 16 AÜG): Arbeitnehmerüberlassungsgesetz § 16 Abs. 1 Nr. 1a in Verbindung mit § 16 Abs. 2.
• 40–60 % Dispositionszeit für manuelles Matching: iGZ-Branchenbericht und zvoove Industry Pulse 2024. Quelle: zvoove.de/wissen/whitepaper/zvoove-industry-pulse-2024-personaldienstleistung.
• CoRecruit-Umfrage unter 159 Staffing Agencies (2024): 73 % der Nutzer sparen 4+ Stunden wöchentlich durch Recruiting-Software. Quelle: corecruit.com/post/recruitment-software-for-staffing-agencies-roi-survey.
• Textkernel Pricing (Professional ab 99 USD/Monat): Veröffentlichte Preisseite textkernel.com, Stand April 2026. Quelle: textkernel.com/products-solutions/source-and-match/pricing/.
• Profile enrichment als Voraussetzung für Matching-Qualität: Bullhorn Amplify Best Practices Knowledge Base, Stand April 2026. Quelle: kb.bullhorn.com/amplify/Content/GettingStarted/Topics/SearchMatchBestPractice.htm.
• zvoove KI-Agenten — 40 % kürzere Time-to-Hire: Anbieterangabe zvoove Cockpit X (Mai 2025). Eigene Einschätzung: plausibel, aber keine unabhängige Studie; als Anbieterkennzahl zu werten.
• Implementierungskosten und Laufzeitkosten: Erfahrungswerte aus Projektberichten und öffentlich zugänglichen Marktberichten für Zeitarbeitssoftware, Stand April 2026.