KI-gestützte Kandidatenvorauswahl und Matching

Das echte Ausmaß des Problems

Disponenten in der Zeitarbeit sind das operative Herzstück des Geschäfts. Gleichzeitig verbringen sie nach Branchenschätzungen 40 bis 60 Prozent ihrer Arbeitszeit mit dem Durchsuchen, Filtern und Anrufen von Kandidaten — nicht mit dem, was eigentlich ihren Wert erzeugt: Kunden beraten, Kandidaten begleiten, Prozesse steuern.

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 matchen. Wer 500 kennt, matcht 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 Matching 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

Besetzungsquote und Auftragsvolumen basieren auf Erfahrungswerten aus Praxisberichten von Personaldienstleistern nach KI-Matching-Einführung — keine repräsentative Studie. Tatsächliche Werte hängen stark von Datenpflege und Kandidatenpool-Qualität ab.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Das Matching 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-Matching funktioniert nur so gut wie die Kandidatendaten, auf denen es aufbaut. Unvollständige Profile, fehlende Skill-Tags, uneinheitliche Erfahrungsangaben — all das zerstört die Matching-Qualität. Vor dem Rollout steht immer eine Datenanreicherungsphase. Dazu kommt die ATS-Integration: 8–14 Wochen sind realistisch, wenn bestehende Systeme angebunden werden müssen.

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 Matching-Ergebnisse. Wer weniger als 150–200 aktive Kandidaten im Pool hat, profitiert kaum. Und mit wachsendem Pool steigt der Pflegeaufwand für die Datenbasis.

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

Was das KI-Matching konkret macht

Der technische Kern ist semantisches Matching — 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 Matching-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 Matches. Wer ein ATS mit halbfertigen Profilen, fehlenden Zertifikatsangaben und veralteten Verfügbarkeitsstatus hat, bekommt rauschen. Vor dem Rollout 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 Matching-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-Matching 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 das Matching 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

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-Klassifizierung: KI-Systeme, die für die Vorauswahl von Beschäftigten eingesetzt werden, fallen unter Anhang III des EU AI Act als Hochrisikosysteme. Das bedeutet ab August 2026: Pflicht zu Risikobewertung, Bias-Testing, menschlicher Aufsicht und Dokumentation der KI-Entscheidungsprozesse. Zeitarbeitsfirmen, die KI-Matching 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: 2.000–6.000 Euro je nach Komplexität der Integration
• Bei zvoove: Aufpreis für KI-Module, konkrete Preise auf Anfrage

Laufende Kosten

• zvoove: Preise auf Anfrage; Richtwert für KI-Module: mehrere Hundert Euro/Monat je nach Nutzerzahl
• Bullhorn: ab ca. 99 USD/User/Monat (US-Marktrichtwert, DE-Konditionen auf Anfrage)
• Datenpflege-Aufwand: 2–4 Stunden/Woche intern, um Profilqualität zu halten

Was du dagegenrechnen kannst Ein Disponent mit einem Stundensatz von 25–35 Euro Brutto, der täglich 3 Stunden Matching-Aufwand einspart: 75–105 Euro täglich, rund 1.500–2.100 Euro monatlich je Person. Bei einem 5-köpfigen Dispositionsteam sind das 7.500–10.500 Euro monatliche Einsparung im Arbeitszeitäquivalent — noch nicht eingerechnet der Mehrumsatz durch höhere Besetzungsquoten.

Im konservativen Szenario (50 Prozent des theoretischen Effekts): immer noch 3.750–5.250 Euro monatlich je Team. Die Amortisation der Einrichtungskosten liegt damit bei 3–5 Monaten — sofern die Datenbasis stimmt.

Drei typische Einstiegsfehler

1. Das Matching geht live, bevor die Daten bereit sind. Das ist der häufigste Fehler — und der teuerste. Ein KI-Matching-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 müssen vollständige Profile mit strukturierten Skill-Tags haben, bevor das System produktiv geht. Das ist keine Daumenregel, sondern die Grenze, ab der Matching-Ergebnisse konsistent gut werden.

2. Die KI-Shortlist ersetzt das Disponenten-Urteil. KI-Matching rankt nach Datenpunkten — aber es kennt nicht den Kandidaten, der beim letzten Kunden eine schwierige Situation souverän gemeistert hat, und es weiß nicht, dass ein bestimmter Kunde besonders auf Pünktlichkeit besteht. Wenn Disponenten den 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 dem erfolgreichen Rollout passiert regelmäßig folgendes: Die Profilqualität stagniert, weil niemand für laufende Pflege verantwortlich ist. Kandidaten wechseln Qualifikationen, erwerben neue Scheine, ändern ihre Verfügbarkeit — und das Matching-System weiß es nicht. Sechs Monate nach dem Start produziert es zunehmend veraltete Empfehlungen. Lösung: Monatlicher Review-Prozess für aktive Kandidatenprofile, idealerweise automatisch angetriggert bei jedem Einsatzende.

Was mit der Einführung wirklich passiert — und was nicht

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

Erfahrungsgemäß gibt es in jedem Zeitarbeitsbetrieb zwei oder drei Disponenten, die den Kandidatenpool aus dem Kopf kennen. Sie kennen 200 Kandidaten beim Namen, erinnern sich an frühere Einsätze und haben ein Gespür für Passung, das kein Datensatz abbildet. Für diese Personen ist KI-Matching 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-Matching zur Rechtfertigung von Personalabbau dient, entsteht schnell — auch wenn das nie die Absicht war.

Konkrete Empfehlungen für den Rollout:

• 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, bis zum 150. Kandidaten. Ab 300 aktiven Profilen ist das persönliche Kennen selektiv — du kennst die, die zuletzt Kontakt hatten, und die, die gut im Kopf bleiben. KI-Matching macht den Rest sichtbar: die 50 Profile, die seit 3 Monaten nicht mehr geöffnet wurden und vielleicht den besten Match für den aktuellen Auftrag liefern.

“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 das Matching diese Bevorzugung. Gegenmaßnahmen: Matching ausschließlich auf Qualifikationen und Verfügbarkeit basieren, keine demografischen Merkmale; regelmäßiges Bias-Audit; menschliche Entscheidung als Pflicht, nicht Option. Der EU AI Act schreibt das für Hochrisiko-KI ab 2026 verbindlich vor.

“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 Matching von persönlichem Wissen abhängt statt von systematischer Suche

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

1. Unter 150 aktiven Kandidaten im Pool. Das Matching 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 Matching-System, sondern eine Daten-Grundstruktur. Das KI-System kommt danach.

3. Kein Zeitbudget für die Datenpflege-Phase. Ein Matching-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 formuliere 5 Kandidatenprofile aus eurem Pool in je 3–4 Sätzen. Gib beides in ChatGPT oder Claude ein und bitte um ein Ranking mit Begründung.

Das dauert 20 Minuten. Was du danach weißt: ob semantisches Matching 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.
• Disponenten-Zeitaufwand Matching 40–60 %: Erfahrungswerte aus Branchenpublikationen und Gesprächen mit Zeitarbeitsunternehmen; keine repräsentative Erhebung.
• EU AI Act, Hochrisiko-Klassifizierung Recruiting-KI: Anhang III, Nr. 4 der EU-Verordnung 2024/1689; Compliance-Pflicht ab 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).