KI-gestützte Kandidatenvorauswahl und Matching

Das echte Ausmaß des Problems

Disponenten in der Zeitarbeit sind das operative Herzstück des Geschäfts. Gleichzeitig verbringen sie einen großen Teil ihrer Arbeitszeit mit dem Durchsuchen, Filtern und Anrufen von Kandidaten, nicht mit dem, was eigentlich ihren Wert erzeugt: Kunden beraten, Kandidaten begleiten, Prozesse steuern. Wie groß dieser Teil ist, hat niemand belastbar erhoben; eine Woche Strichliste im eigenen Team beantwortet es besser als jede Branchenzahl.

Das strukturelle Problem dahinter ist simpel: Kandidatendaten wachsen. Aber die Fähigkeit des menschlichen Gehirns, große Datenmengen systematisch zu durchsuchen, wächst nicht mit. Wer 50 Kandidaten kennt, kann gut abgleichen. Wer 500 kennt, prüft nur noch die, die gerade oben im System auftauchen, oder die Köpfe, an die man sich zufällig erinnert.

Konkrete Auswirkungen:

• Besetzungsquote leidet: Geeignete Kandidaten werden übersehen, weil die Suche bei den ersten Treffern abbricht
• Reaktionszeit steigt: Kunden warten 4–8 Stunden auf erste Kandidatenvorschläge, nicht 30 Minuten
• Disponenten-Burnout: Gleichförmige, repetitive Sucharbeit frustriert erfahrene Fachkräfte und treibt Fluktuation
• Wachstumsgrenze: Mehr Aufträge bedeutet proportional mehr Suchaufwand, ein Disponent kann nicht 60 Aufträge parallel betreuen, wenn jeder 2 Stunden Kandidatenabgleich braucht

Laut iGZ (Interessenverband Deutscher Zeitarbeitsunternehmen) lag die Anzahl der Zeitarbeitnehmer in Deutschland 2023 bei rund 796.000. Der Wettbewerb um geeignete Kandidaten ist in vielen Branchen intensiv, wer langsamer reagiert als der Mitbewerber, verliert den Auftrag.

Mit vs. ohne KI, ein ehrlicher Vergleich

Für Besetzungsquote und Aufträge je Disponent gibt es keine belastbare Vergleichszahl, weder aus Studien noch von Anbietern, die sich prüfen ließe. Miss beides vier Wochen vor dem Start und wieder nach dem Pilot. Das Ergebnis hängt stark von Datenpflege und Kandidatenpool-Qualität ab.

Einschätzung auf einen Blick

Zeitersparnis, sehr hoch (5/5) Der Kandidatenabgleich ist die zeitintensivste Routineaufgabe in der Disposition. Ein gut konfiguriertes KI-System reduziert den Aufwand von 2–4 Stunden auf 10–20 Minuten je Auftrag, das ist der größte Zeithebel in dieser Kategorie. Der Disponent prüft die KI-Shortlist und trifft die finale Entscheidung, sucht aber nicht mehr manuell.

Kosteneinsparung, hoch (4/5) Ein Disponent, der deutlich mehr Aufträge pro Tag verarbeiten kann, ist ein klarer wirtschaftlicher Hebel. Die Einsparung lässt sich schwerer in einem einzigen Euro-Betrag ausdrücken als etwa bei Rechnungsverarbeitung, aber Mehrumsatz durch höhere Besetzungsquoten und Auftragsvolumen ist real messbar. Nicht ganz die höchste Bewertung, weil die Anfangsinvestition (Integration, Datenpflege) substanziell ist.

Schnelle Umsetzung, niedrig (2/5) Das ist der Haken: KI-gestützter Kandidatenabgleich funktioniert nur so gut wie die Kandidatendaten, auf denen er aufbaut. Unvollständige Profile, fehlende Skill-Tags, uneinheitliche Erfahrungsangaben, all das zerstört die Abgleich-Qualität. Vor der Einführung steht immer eine Datenanreicherungsphase. Dazu kommt die ATS-Integration. Bis alle Disponenten produktiv arbeiten, sind 14–16 Wochen realistisch, wie der Zeitplan weiter unten zeigt; die reine technische Anbindung ist nach 8–12 Wochen fertig, die Einarbeitung braucht den Rest.

ROI-Sicherheit, hoch (4/5) Besetzungsquote und Time-to-Fill lassen sich direkt messen, vor und nach Einführung. Das macht den Nutzen greifbar, nicht nur geschätzt. Ein leichtes Risiko bleibt: Wenn die Datenbasis schlecht ist, liefert das System schlechte Vorschläge, und der ROI tritt nicht ein. Daher nicht ganz 5.

Skalierbarkeit, mittel (3/5) Mehr Aufträge, mehr Kandidaten, das System skaliert grundsätzlich gut. Aber: Es braucht eine kritische Datenmasse für gute Abgleich-Ergebnisse. Unter 200 aktiven Kandidaten im Pool profitierst du kaum, das ist die Schwelle, die auf dieser Seite durchgehend gilt. Und mit wachsendem Pool steigt der Pflegeaufwand für die Datenbasis.

Richtwerte, stark abhängig von Kandidatenpool-Größe, Datenpflege-Qualität und ATS-Integration.

Was der KI-Abgleich konkret macht

Der technische Kern ist semantischer Kandidatenabgleich, ein Ansatz, der nicht nach Schlüsselwörtern sucht, sondern nach Bedeutung und Kontext.

Ein klassisches ATS filtert nach dem, was wörtlich im Profil steht: “Staplerschein” findet “Staplerschein”, nicht “Flurförderfahrzeuge Klasse B” oder “Lagertechnik mit Zertifizierung”. Ein semantisches Abgleich-System versteht, dass diese Begriffe dieselbe Qualifikation beschreiben, und findet auch den Kandidaten, der den Eintrag anders formuliert hat.

Was das System aus einem Kandidatenprofil liest

• Explizite Skills: Zertifikate, Lizenzen, abgeschlossene Ausbildungen
• Implizite Erfahrungen: Branchen, in denen jemand gearbeitet hat; Unternehmensgröße; Aufgabenbeschreibungen
• Soft Signals: Wie oft war die Person verfügbar, wenn gefragt? Hat sie den letzten Einsatz positiv bewertet? Wie lang war die durchschnittliche Einsatzdauer?
• Präferenzen und Einschränkungen: Maximale Pendelstrecke, Schichtbereitschaft, bevorzugte Branchen

Was das System aus einem Kundenauftrag liest

• Technische Anforderungen: Pflicht- und optionale Qualifikationen
• Einsatzbedingungen: Standort, Schichtmodell, Dauer
• Kundenprofil: Welche Kandidaten haben dort früher gut funktioniert?

Das Ergebnis ist eine Shortlist, gereiht nach Match-Score, mit Erklärung, warum jeder Kandidat auf welchem Rang landet. Der Disponent trifft die finale Entscheidung; das System eliminiert den Suchaufwand, nicht das menschliche Urteil.

Die wichtigste Voraussetzung

Das System ist nur so gut wie die Eingabedaten. Wer vollständige, gepflegte Kandidatenprofile hat, bekommt präzise Treffer. Wer ein ATS mit halbfertigen Profilen, fehlenden Zertifikatsangaben und veralteten Verfügbarkeitsstatus hat, bekommt Rauschen. Vor der Einführung steht daher immer eine ehrliche Bestandsaufnahme: Wie vollständig sind unsere Profile tatsächlich?

Konkrete Werkzeuge, was wann passt

zvoove mit KI-Assistent Zain, Wenn deine Zeitarbeitsfirma ohnehin zvoove (früher LANDWEHR L1) nutzt, ist der integrierte KI-Assistent der naheliegende erste Schritt. Zain liefert handlungsorientierte Abgleich-Empfehlungen und der integrierte Bewerbungsagent kann Kandidaten automatisch per E-Mail oder WhatsApp kontaktieren. Kein separates System, keine Datenmigration. Empfehlung für Firmen, die bereits in der zvoove-Welt sind.

Bullhorn mit Amplify AI, Für Zeitarbeitsfirmen und Personalvermittler mit internationalem Fokus oder großem Volumen (500+ Positionen/Jahr) ist Bullhorn mit seiner Amplify-KI-Suite eine starke Option. Amplify umfasst Match, Screen, Outreach und Candidate Presentation als eigene KI-Skills. Einschränkung: US-Datenhosting und englische Hauptsprache, für rein deutsche Betriebe mit DSGVO-Sensibilität prüfen, ob zvoove passender ist.

Personio mit ATS-Modul, Wenn du noch kein spezialisiertes Zeitarbeitssystem nutzt und dein Betrieb unter 200 Mitarbeitende hat, kann Personios ATS-Modul als Einstieg in strukturiertes Kandidatenmanagement dienen. Kein KI-Abgleich in der Tiefe von zvoove oder Bullhorn, aber solide Grundlage. Sinnvoll als Sprungbrett, wenn ihr aus Excel kommt.

Hybrid-Ansatz mit ChatGPT oder Claude , Für kleinere Betriebe ohne spezialisierte Software: Kandidatenprofile als strukturierten Text aufbereiten und ein LLM für den Abgleich nutzen. Kein vollständiges System, aber funktioniert als Proof of Concept ohne Softwareinvestition. Nicht skalierbar über 100 Kandidaten, aber gut als erstes Experiment.

Wann welcher Ansatz

• Bestehende zvoove-Nutzer → zvoove Zain
• Internationaler Fokus, hohes Volumen → Bullhorn Amplify
• Bis 200 Mitarbeitende ohne Zeitarbeitsspezialsoftware → Personio ATS + spätere Migration
• Proof of Concept ohne Investition → ChatGPT/Claude mit strukturierten Profilen zum Abgleich

Datenschutz und Datenhaltung

Kandidatenprofile enthalten personenbezogene Daten nach Art. 4 Nr. 1 DSGVO, Name, Qualifikationen, Arbeitshistorie, Kontaktdaten, oft auch Lichtbilder. Sobald ein KI-System diese Daten verarbeitet, um Entscheidungsempfehlungen zu generieren, kommen drei Rechtsfragen zusammen:

AVV nach Art. 28 DSGVO: Jeder KI-Tool-Anbieter, der eure Bewerberdaten verarbeitet, muss einen Auftragsverarbeitungsvertrag unterzeichnen. Das gilt auch für zvoove und Bullhorn. Bei US-gehosteten Diensten wie Bullhorn kommen Standardvertragsklauseln (SCCs) nach Art. 46 DSGVO hinzu.

EU AI Act, Hochrisiko-Einstufung: Anhang III Nummer 4 Buchstabe a nennt KI-Systeme, die dazu bestimmt sind, Bewerbungen zu sichten oder zu filtern und Bewerber zu bewerten. Ein Matching-Score für Kandidaten fällt eindeutig darunter, und die Ausnahme in Artikel 6 Absatz 3 greift nicht, weil ein Anhang-III-System immer als hochriskant gilt, sobald es ein Profiling natürlicher Personen vornimmt. Die zugehörigen Pflichten, also Risikobewertung, Bias-Testing, menschliche Aufsicht und Dokumentation der KI-Entscheidungsprozesse, gelten nach der Verordnung (EU) 2026/1744 vom 8. Juli 2026 ab dem 2. Dezember 2027, ursprünglich war der 2. August 2026 vorgesehen. Die Registrierung nach Artikel 49 und die Transparenzpflichten nach Artikel 50 gelten dagegen seit dem 2. August 2026, und die Beweislastumkehr nach § 22 AGG greift ab der ersten Absage. Zeitarbeitsfirmen, die KI-gestützten Kandidatenabgleich einsetzen, müssen das in ihrer Compliance-Planung berücksichtigen.

Transparenzpflicht gegenüber Kandidaten: Wenn KI-Systeme Kandidatenprofile bewerten und ranken, müssen Kandidaten darüber informiert werden, sowohl in der Datenschutzerklärung als auch, wenn relevant, durch individuelle Information. Das ist keine optionale Höflichkeit, sondern Pflicht nach Art. 13/14 DSGVO.

Empfehlung: Wer zvoove nutzt (deutsches Rechenzentrum), hat den einfachsten Datenschutzpfad. Wer Bullhorn oder andere US-Tools nutzt, muss DPA + SCCs aktiv einfordern und in der Datenschutzerklärung transparent kommunizieren.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

• Datenbereinigung und Profilanreicherung im ATS: 3–6 Wochen interner Aufwand (oder externe Unterstützung: 3.000–8.000 Euro)
• ATS-Konfiguration und KI-Kalibrierung: externe Leistung, den Betrag nennt dir nur ein Angebot, er hängt an der Komplexität der Integration
• Bei zvoove: Aufpreis für KI-Module, konkrete Preise auf Anfrage

Laufende Kosten

• zvoove: Preise auf Anfrage, auch für die KI-Module
• Bullhorn: ab ca. 99 USD/User/Monat (laut unserer Toolseite ein Richtwert aus dem US-Markt, DE-Konditionen auf Anfrage)
• Datenpflege-Aufwand: 2–4 Stunden/Woche intern, um Profilqualität zu halten

Was du dagegenrechnen kannst Ein Disponent, der täglich 3 Stunden Abgleich-Aufwand einspart, gewinnt bei Vollkosten von 25–35 Euro je Stunde rund 1.500–2.100 Euro Kapazität im Monat. Bei einem 5-köpfigen Dispositionsteam sind das 7.500–10.500 Euro monatlich. Drei Stunden täglich sind dabei eine Annahme am oberen Ende, keine Messung: Sie setzen voraus, dass heute mehr als drei Stunden am Tag aufs Suchen entfallen, und das System nimmt dir davon nicht alles ab. Zähl vorher nach.

Wichtiger als die Höhe ist die Art dieser Zahl. Sie ist Arbeitszeitäquivalent, kein Geld auf dem Konto. Kassenwirksam wird sie erst, wenn die gewonnene Zeit in zusätzlich besetzte Aufträge fließt, und genau das ist der Grund, warum Time-to-Fill und Besetzungsquote die Kennzahlen sind, nicht der Stundensatz.

Dagegen zu rechnen sind die laufenden Kosten: Lizenzen, die du bei zvoove nur per Angebot erfährst (bei Bullhorn nach unserer Toolseite ab 5 mal 99 USD für ein Fünferteam), plus 2–4 Stunden wöchentliche Datenpflege, bei 25–35 Euro je Stunde rund 220 bis 600 Euro im Monat. Dazu kommt die Einrichtung: drei bis sechs Wochen Datenpflege intern und die ATS-Konfiguration nach Angebot. Wann sich das zurückverdient, hängt allein an den zusätzlich besetzten Aufträgen: zusätzliche Einsätze mal Einsatzstunden mal Rohertrag je Stunde. Eine seriöse Zahl dafür können wir dir nicht vorrechnen, sie steht erst nach der Messung fest. Bleibt die Besetzungsquote gleich, amortisiert sich gar nichts, dann hast du ein schnelleres Team bei gleichem Umsatz.

Drei typische Einstiegsfehler

1. Das System geht live, bevor die Daten bereit sind. Das ist der häufigste Fehler, und der teuerste. Ein KI-Abgleich-System, das auf unvollständigen Profilen arbeitet, liefert schlechte Vorschläge. Disponenten vertrauen ihm nicht, schalten es mental ab und arbeiten weiter wie vorher. Lösung: Mindestens 60 Prozent des aktiven Kandidatenpools sollten vollständige Profile mit strukturierten Skill-Tags haben, bevor das System produktiv geht. Die 60 Prozent sind eine Setzung dieser Seite, keine gemessene Schwelle. Der Punkt dahinter ist belastbar: Unterhalb einer soliden Mehrheit gepflegter Profile bewertet das Team die Ergebnisse nach den Ausreißern, nicht nach dem Durchschnitt, und steigt aus.

2. Die KI-Shortlist ersetzt das Disponenten-Urteil. Der KI-Abgleich reiht nach Datenpunkten, aber er kennt nicht den Kandidaten, der beim letzten Kunden eine schwierige Situation souverän gemeistert hat, und er weiß nicht, dass ein bestimmter Kunde besonders auf Pünktlichkeit besteht. Wenn Disponenten die Shortlist blind übernehmen, ohne eigene Einschätzung einzubringen, entstehen Fehlbesetzungen. Das System soll Suchen ersparen, nicht Urteile.

3. Niemand pflegt die Profile, nachdem das System läuft. Nach der erfolgreichen Einführung passiert regelmäßig folgendes: Die Profilqualität stagniert, weil niemand für laufende Pflege verantwortlich ist. Kandidaten wechseln Qualifikationen, erwerben neue Scheine, ändern ihre Verfügbarkeit, und das Abgleich-System weiß es nicht. Sechs Monate nach dem Start produziert es zunehmend veraltete Empfehlungen. Lösung: Monatlicher Prüfzyklus für aktive Kandidatenprofile, ausgelöst automatisch bei jedem Einsatzende als System-Ereignis.

Was mit der Einführung wirklich passiert, und was nicht

Die Technik ist nicht das Problem. Das Problem ist die Daten-DNA des Unternehmens.

Meist gibt es im Team Disponenten, die den Kandidatenpool aus dem Kopf kennen. Sie kennen ihre Kandidaten beim Namen, erinnern sich an frühere Einsätze und haben ein Gespür für Passung, das kein Datensatz abbildet. Für diese Personen ist KI-gestützter Kandidatenabgleich keine Erleichterung, sondern zunächst eine Infragestellung ihrer Expertise.

Was funktioniert: Diese Personen zur Kalibrierung einbinden. Lass sie 20 aktuelle Aufträge mit dem neuen System matchen und dann mit ihren eigenen Ergebnissen vergleichen. Was findet das System, das sie übersehen hätten? Was ordnet es falsch ein? Diese Diskussion verbessert das System, und schafft Vertrauen.

Was definitiv nicht funktioniert: Das System als “Effizienzmaßnahme” ankündigen, ohne klar zu kommunizieren, was sich für die Disponenten konkret ändert. Der Verdacht, dass KI-gestützter Kandidatenabgleich zur Rechtfertigung von Personalabbau dient, entsteht schnell, auch wenn das nie die Absicht war.

Konkrete Empfehlungen für die Einführung:

• 2–3-monatige Pilotphase mit freiwilligen Disponenten, die Feedback geben wollen
• Klare Ansage: Das System macht einen Vorschlag, die Person entscheidet
• Monatliche Auswertung: Wie viele KI-Empfehlungen wurden umgesetzt? Wo lag das System daneben?
• Datenpflege als explizite Aufgabe, nicht “irgendwie nebenbei”

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

“Wir kennen unsere Kandidaten persönlich, das braucht keine KI.” Stimmt, solange der Pool klein bleibt. Ab etwa 200 aktiven Profilen ist das persönliche Kennen selektiv, du kennst die, die zuletzt Kontakt hatten, und die, die gut im Kopf bleiben. KI-gestützter Abgleich macht den Rest sichtbar: die 50 Profile, die seit 3 Monaten nicht mehr geöffnet wurden und vielleicht am besten zum aktuellen Auftrag passen.

“Was ist, wenn das System diskriminierende Empfehlungen macht?” Eine berechtigte Frage, die oft als Vorwand genutzt wird, um das Thema zu meiden, aber ernst genommen werden muss. KI-Systeme können Bias aus historischen Daten übernehmen: Wenn in der Vergangenheit bestimmte Gruppen bevorzugt wurden, lernt der Abgleich diese Bevorzugung. Gegenmaßnahmen: Abgleich ausschließlich auf Qualifikationen und Verfügbarkeit basieren, keine demografischen Merkmale; regelmäßiges Bias-Audit; menschliche Entscheidung als Pflicht, nicht Option. Der EU AI Act schreibt die menschliche Aufsicht für Hochrisiko-KI nach Anhang III ab dem 2. Dezember 2027 verbindlich vor, das AGG verlangt die diskriminierungsfreie Auswahl schon heute.

“Das kostet uns Monate, bis das wirklich funktioniert.” Ja, das stimmt. Der Aufwand für Datenpflege und Integration ist real, aber er ist einmalig. Danach läuft das System mit minimalem Wartungsaufwand. Die Alternative, jedes Jahr neue Disponenten einstellen, die mehr Aufträge manuell bearbeiten, skaliert auch nicht.

Woran du merkst, dass das zu dir passt

• Dein Disponenten-Team verbringt mehr als 30 Prozent der Zeit mit Suchen, nicht mit Beraten, Vermitteln und Pflegen von Kandidaten- und Kundenbeziehungen
• Ihr habt mehr als 200 aktive Kandidaten im Pool und regelmäßig mehr als 20 offene Aufträge gleichzeitig
• Die Reaktionszeit auf Kundenanfragen liegt regelmäßig über 2 Stunden, und ihr verliert deshalb gelegentlich Aufträge an schnellere Mitbewerber
• Eure Besetzungsquote schwankt stark je nachdem, welcher Disponent an einem Auftrag arbeitet, ein Zeichen, dass der Kandidatenabgleich von persönlichem Wissen abhängt statt von systematischer Suche

Wann es (noch) nicht passt, drei harte Ausschlusskriterien:

1. Unter 200 aktiven Kandidaten im Pool. Der KI-Abgleich braucht Masse, um besser zu sein als ein erfahrener Disponent. Wer 80 Kandidaten hat, kennt sie wirklich alle, da hilft ein System nicht.

2. Kandidatenprofile sind nicht strukturiert erfasst. Wenn Qualifikationen als Freitext in Notizfeldern stehen, kein Skill-Tag-System existiert und Zertifikate nirgends systematisch hinterlegt sind, ist der erste Schritt nicht ein Abgleich-System, sondern eine Daten-Grundstruktur. Das KI-System kommt danach.

3. Kein Zeitbudget für die Datenpflege-Phase. Ein Abgleich-System einzuführen, ohne 4–8 Wochen für die Profilanreicherung einzuplanen, ist Geldverschwendung. Das Ergebnis sind schlechte Empfehlungen, die das Team nicht nutzt.

Das kannst du heute noch tun

Mach einen schnellen Selbsttest: Nimm einen aktuellen offenen Auftrag und beschreibe ihn in 3–5 Sätzen. Dann erfinde 5 Kandidatenprofile in je 3–4 Sätzen, nach dem Muster typischer Leute aus eurem Pool, aber ohne Namen, Adressen oder sonst etwas, das auf eine echte Person zeigt. Echte Profile gehören erst in ein Tool mit Auftragsverarbeitungsvertrag, siehe Datenschutz oben. Gib beides in ChatGPT oder Claude ein und bitte um ein Ranking mit Begründung.

Das dauert 20 Minuten. Was du danach weißt: ob semantischer Kandidatenabgleich grundsätzlich für eure Auftragsstruktur funktioniert, und was die KI besser oder schlechter beurteilt als dein Team.

Quellen & Methodik

• Zeitarbeit-Beschäftigtenzahl 796.000 (2023): iGZ Interessenverband Deutscher Zeitarbeitsunternehmen / Bundesagentur für Arbeit, Statistik zur Zeitarbeit 2023.
• EU AI Act, Hochrisiko-Einstufung Recruiting-KI: Anhang III Nr. 4 Buchst. a der Verordnung (EU) 2024/1689. Die Pflichten aus Kapitel III Abschnitte 1 bis 3 gelten nach der Verordnung (EU) 2026/1744 ab dem 2. Dezember 2027, Artikel 49 und Artikel 50 seit dem 2. August 2026.
• AÜG-Grundlagen: Arbeitnehmerüberlassungsgesetz in der aktuell gültigen Fassung; § 8 AÜG (Equal Pay), § 1 Abs. 1b AÜG (Überlassungshöchstdauer 18 Monate).
• Bullhorn Amplify AI: Produktdokumentation bullhorn.com (Stand April 2026).
• zvoove KI-Assistent Zain: Produktinformationen zvoove.de (Stand April 2026).