Lebenslauf-Screening mit KI

Das echte Ausmaß des Problems

Zeitarbeitsfirmen sind im Grunde Matchmaking-Maschinen unter extremem Zeitdruck. Wenn ein Auftraggeber eine Stelle meldet, tickt die Uhr: Wer drei Kandidaten in 24 Stunden vorlegen kann, bekommt den Auftrag. Wer 72 Stunden braucht, verliert ihn — an den Wettbewerber, der schneller war.

Das Bewerbungsvolumen hat in den letzten Jahren deutlich zugenommen. Viele Zeitarbeitsfirmen berichten, dass ihre Postfächer täglich 50 bis 200 Eingänge verarbeiten — ein Volumen, das bei manueller Bearbeitung eine oder mehrere Vollzeitkräfte bindet. Branchenauswertungen zeigen, dass Disponenten im Personaldienstleistungsbereich im Schnitt 5 bis 10 Minuten pro eingehender Bewerbung für die manuelle Erstsichtung benötigen — bei 100 Bewerbungen täglich sind das 8 bis 17 Stunden reine Sichtungsarbeit.

Das führt zu drei konkreten Problemen:

• Qualifizierte Kandidaten gehen unter. In einem Stapel mit 80 CVs fällt der perfekt geeignete Kandidat auf Seite 60 oft dem Zeitdruck zum Opfer — die Shortlist wird fertig, bevor jemand ihn sieht.
• Parallele Stellen konkurrieren intern. Wer gleichzeitig für fünf offene Positionen screent, verteilt Aufmerksamkeit gleichmäßig — unabhängig davon, wie dringend die einzelne Stelle ist.
• Vertretbarkeit ist eingeschränkt. Wenn eine Disponentin krank ist, muss eine Kollegin deren Kandidaten aus Gedächtniseindrücken heraus verwalten — keine strukturierten Kurznotizen, keine priorisierte Liste.

Laut einer Deloitte-Studie verbringen HR-Verantwortliche durchschnittlich 57 Prozent ihrer Zeit mit administrativen Aufgaben — darunter fällt die manuelle Bewerbersichtung direkt. KI-gestütztes Screening setzt genau dort an: nicht um zu entscheiden, sondern um zu sortieren.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Kapazitätswerte basieren auf Erfahrungsangaben aus Zeitarbeitsfirmen mit 50–500 aktiven Kandidaten; eigene Erhebung.

Der Gewinn liegt nicht darin, dass KI besser einschätzt als erfahrene Disponenten. Der Gewinn liegt darin, dass erfahrene Disponenten nur noch die Kandidaten sehen, die wirklich relevant sind — und dabei keine Energie mehr für die 60 Prozent Unpassenden aufwenden müssen.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5)
Kein anderer KI-Einsatz in der Zeitarbeit spart so viel direkte Arbeitszeit pro Vorgang wie das Bewerbungsscreening. Eine manuelle Sichtung von 100 CVs dauert einen Arbeitstag — mit Textkernel oder softgarden reduziert sich das auf Minuten. Die eingesparte Zeit fließt direkt in Disponenten-Aktivitäten mit mehr Wertschöpfung: Kandidaten-Calls, Kundenakquise, Einsatzplanung.

Kosteneinsparung — hoch (4/5)
Die Einsparung ist real, aber indirekter Natur: Wer weniger Zeit mit Sichtung verbringt, kann mehr Aufträge bearbeiten — oder mit gleichem Team mehr Volumen handhaben. Eine direkte Kosteneinsparung wie bei der Rechnungsverarbeitung, wo du Skonto-Gewinne buchst, gibt es hier nicht. Die Wirtschaftlichkeit zeigt sich in der Kapazitätserweiterung ohne Headcount-Wachstum.

Schnelle Umsetzung — hoch (4/5)
Mit einem SaaS-Tool wie softgarden oder einem LLM-basierten Screening-Prompt in ChatGPT kannst du in zwei bis vier Wochen produktiv sein. Eine vollständige Integration in ein bestehendes ATS wie Bullhorn oder zvoove dauert vier bis acht Wochen, weil Anforderungsprofile konfiguriert, Datenformate abgestimmt und Tests durchgeführt werden müssen. Nicht der schnellste Einstieg im Branch, aber weit vom kompliziertesten Ende entfernt.

ROI-Sicherheit — sehr hoch (5/5)
Der Nutzen ist vom ersten Tag an messbar: Wie viele Bewerbungen wurden gescreent, in welcher Zeit, mit welchem Ergebnis? Das ist konkreter als bei Chatbots oder Wissensassistenten, deren Nutzen sich erst über Monate zeigt. Du kannst täglich kontrollieren, wie viele Stunden Sichtungsarbeit entfallen sind.

Skalierbarkeit — sehr hoch (5/5)
Das System bearbeitet 100 Bewerbungen genau so schnell wie 1.000. Wenn ein Zeitarbeit-Standort seinen Umsatz verdoppelt und das Bewerbungsvolumen verdreifacht, skaliert das Screening mit — ohne zusätzliche Disponenten-Kapazität für die Erstsichtung. Das ist strukturell der stärkste Hebel in dieser Kategorie.

Richtwerte — stark abhängig von bestehender ATS-Infrastruktur, Bewerbungsvolumen und Integrationstiefe.

Was das System konkret macht

NLP-basiertes Lebenslauf-Screening funktioniert in drei Schritten:

Schritt 1 — CV-Parsing. Das System liest den eingehenden Lebenslauf — ob als PDF, Word-Dokument oder Formular-Upload — und extrahiert strukturierte Informationen: Name, Kontaktdaten, Berufserfahrungen mit Zeiträumen, Qualifikationen, Sprachkenntnisse, Ausbildungen, Führerscheinklassen. Tools wie Textkernel verarbeiten dabei 20+ Sprachen und normalisieren inkonsistente Freitextangaben auf eine einheitliche Skill-Taxonomie. Aus „CNC-Dreher seit 3 Jahren” und „Drei Jahre Drehen an CNC-Maschinen” wird dieselbe strukturierte Information.

Schritt 2 — Matching gegen das Anforderungsprofil. Das geparste Kandidatenprofil wird automatisch gegen das hinterlegte Anforderungsprofil der offenen Stelle abgeglichen: Welche Pflichtqualifikationen sind vorhanden? Welche Wunschkriterien erfüllt der Kandidat? Was fehlt? Semantisches Matching — wie Textkernel es bietet — erkennt dabei inhaltliche Zusammenhänge, keine reinen Keyword-Treffer. Ein „QS-Beauftragter” wird für eine Stelle als „Qualitätsmanager Produktion” gefunden, auch wenn kein gemeinsames Wort in den Profilen steht.

Schritt 3 — Strukturierte Ausgabe für den Disponenten. Das Ergebnis ist kein automatisch versendeter Absagebrief. Es ist eine priorisierte Liste: Kandidaten mit hohem Match oben, mit Zusammenfassung der relevanten Qualifikationen und einer Begründung für die Bewertung. Der Disponent entscheidet — auf Basis besserer Informationen, in kürzerer Zeit.

Was das System nicht tut: Es beurteilt nicht, ob jemand gut zum Team passt. Es prüft nicht die Verlässlichkeit der Angaben. Es erkennt keine Soft Skills aus dem Lebenslauf. Diese Einschätzungen bleiben menschlich — das System liefert nur die strukturierte Faktenbasis.

Für kleine und mittlere Zeitarbeitsfirmen ohne eigenes ATS gibt es auch einen pragmatischeren Einstieg: LLM-basiertes Screening über ChatGPT oder Claude. Dabei wird ein gut konstruierter Prompt mit dem Anforderungsprofil und dem Lebenslauf-Text gefüttert — das Modell gibt eine strukturierte Bewertung zurück. Kein API-Anschluss, kein Integrationsprojekt. Als Einstieg für 5 bis 20 Bewerbungen täglich funktioniert das gut. Ab 50 Bewerbungen täglich wird es manuell zu aufwendig und ein echtes ATS-Screening lohnt sich.

Konkrete Werkzeuge — was wann passt

Die richtige Lösung hängt davon ab, wie viel Volumen du verarbeitest und welche Infrastruktur bereits besteht.

softgarden — wenn du ein neues ATS einführen willst
Deutsches ATS speziell für den Mittelstand, DSGVO-konform auf deutschen Servern. Enthält integriertes KI-Matching, das Kandidatenprofile automatisch gegen Anforderungen abgleicht, Multiposting auf 1.200+ Jobbörsen und strukturierte Scorecards. Für Zeitarbeitsfirmen ohne bestehendes ATS oder mit veralteter Lösung der klarste Einstiegspfad. Preise auf Anfrage, Richtwert ab ca. 300–500 EUR/Monat. Stärke: Alles aus einer Hand, vollständig auf Deutsch, Betriebsrat-taugliche Dokumentation. Schwäche: KI-Matching ist regelbasiert, kein LLM-Deep-Matching.

Textkernel Source & Match — wenn du dein bestehendes ATS aufrüsten willst
API-Lösung, die semantisches Parsing und Matching in bestehende Systeme integriert. Besonders stark bei mehrsprachigem Parsing und der Normalisierung unstrukturierter Daten. Nativ in Bullhorn integriert, über offene API in 100+ andere Systeme einbettbar. EU-Hosting (Niederlande), ISO 27001 zertifiziert. Ab ca. 99 USD/Monat (Professional-Tier, 500–25.000 Credits); Enterprise auf Anfrage. Setzt Entwicklerressourcen für die Integration voraus.

Bullhorn — wenn ihr als Zeitarbeitsfirma skaliert
Das verbreitetste CRM und ATS für mittelgroße bis große Personaldienstleister. Enthält Textkernel nativ, unterstützt den gesamten Recruiting-Lifecycle von der Bewerbung bis zum Einsatz. Besonders sinnvoll, wenn ihr bereits auf Bullhorn seid oder auf eine professionelle Lösung migrieren wollt. Starter-Tarif ab ca. 99 USD/Nutzer/Monat. US-Hosting — für sensible Kandidatendaten den AVV prüfen.

zvoove — wenn AÜG-Compliance im Mittelpunkt steht
Speziell für die deutsche Zeitarbeit gebaut: Integriert Bewerbermanagement, Disposition, Lohnabrechnung und AÜG-Compliance-Tracking in einem System. Wenn ihr Überlassungshöchstdauern, Equal-Pay-Regelungen und branchenspezifische Zuschläge verwalten müsst, ist zvoove die einzige Lösung, die das vollständig abbildet. Preis auf Anfrage.

Personio — wenn ihr HR breiter digitalisieren wollt
Deckt nicht nur Recruiting, sondern den gesamten HR-Lifecycle ab. KI-Funktionen für Stellenanzeigen und Kandidatenbewertung sind vorhanden, aber weniger spezialisiert auf Zeitarbeit-Volumen als softgarden oder zvoove. Sinnvoll, wenn die Zeitarbeit nur ein Teil des Geschäfts ist. EU-Hosting (Frankfurt), DATEV-Integration.

ChatGPT oder Claude — als Soforteinstieg ohne ATS
Für Betriebe, die heute kein ATS haben und schnell starten wollen: Anforderungsprofil als System-Prompt definieren, Lebenslauf-Text als Input. Das Modell gibt eine strukturierte Bewertung zurück. Kein Setup, keine Kosten außer dem Abo (ab ca. 20 USD/Monat für Plus-/Pro-Pläne). Funktioniert gut für bis zu 20 Bewerbungen täglich; skaliert nicht elegant über 50 hinaus.

Zusammenfassung: Wann welcher Ansatz

• Kein ATS, niedriges Volumen → ChatGPT / Claude als Schnelleinstieg
• Kein ATS, mittleres bis hohes Volumen → softgarden neu einführen
• Bullhorn bereits im Einsatz → Textkernel-Module aktivieren
• Bestehende ERP/ATS-Infrastruktur → Textkernel via API nachrüsten
• Zeitarbeit mit AÜG-Fokus → zvoove als Gesamtlösung
• HR breiter digitalisieren → Personio mit Recruiting-Modul

Rechtliche Risiken: AGG, EU AI Act und Betriebsrat

Das ist der Abschnitt, den viele Anbieter weglassen. Er ist trotzdem entscheidend.

Das AGG-Risiko beim automatisierten Screening

Das Allgemeine Gleichbehandlungsgesetz (§ 7 AGG) verbietet Diskriminierung bei der Einstellung aufgrund von Geschlecht, Alter, Herkunft, Religion und weiteren Merkmalen. Das gilt auch für automatisierte Vorauswahl-Systeme — und zwar unabhängig davon, ob die Diskriminierung beabsichtigt war.

Das ist kein theoretisches Risiko. In den USA hat die EEOC 2023 den ersten KI-Diskriminierungsfall vor Gericht gebracht und gewonnen: iTutorGroup zahlte 365.000 Dollar, weil ihre KI-Software automatisch weibliche Bewerberinnen über 55 und männliche Bewerber über 60 ablehnte — ohne dass ein Mensch eingriff. In Deutschland hat die Antidiskriminierungsstelle des Bundes 2023 ein Rechtsgutachten veröffentlicht, das explizit fordert, den AGG-Schutz auf automatisierte Entscheidungssysteme auszuweiten.

Eine Studie der University of Washington (2024) zeigt, dass aktuelle KI-Modelle bei CV-Screening rassistische und geschlechtsbezogene Bias reproduzieren: In Tests bevorzugten Modelle CVs mit als “weiß” kodierten Namen in 85 Prozent der Fälle gegenüber CVs mit “Black-coded” Namen. Wenn dein Screening-System auf einem ungeprüften LLM basiert und du keine Bias-Tests dokumentiert hast, trägst du dieses Risiko.

Was das konkret bedeutet:
Jedes KI-Screening muss durch menschliche Überprüfung vor der finalen Entscheidung abgesichert sein. Kein Bewerber darf rein algorithmisch abgelehnt werden. Die Bewertungskriterien müssen objektiv und berufsrelevant sein — “klingt jung” oder eine bestimmte Namensherkunft darf kein Matching-Kriterium sein, weder explizit noch als Proxy-Variable.

EU AI Act — Hochrisikosystem Hiring ab August 2026

Die EU-KI-Verordnung (EU AI Act) klassifiziert KI-Systeme zur Bewerbervorselektion und Personalentscheidung explizit als Hochrisiko-KI-System (Anhang III, Nr. 4). Für Betreiber bedeutet das:

• Pflicht zur Risikoabschätzung und Dokumentation
• Protokollierungspflicht aller Systementscheidungen
• Transparenzpflicht gegenüber Bewerberinnen und Bewerbern
• Mensch-in-der-Schleife (Human-in-the-Loop) als Pflicht, nicht Option
• Konformitätsbewertung durch zertifizierte Anbieter

Die vollständigen Anforderungen werden zum August 2026 vollständig durchsetzbar. Wer heute ein KI-Screening-System einführt, sollte darauf achten, dass der Anbieter EU AI Act-Konformität dokumentiert. Textkernel positioniert sich hier aktiv; für Cloud-LLMs wie ChatGPT oder Claude musst du das als Betreiber selbst sicherstellen.

Betriebsrat und § 95 BetrVG

Wenn in deinem Unternehmen ein Betriebsrat existiert, hat dieser bei der Einführung eines KI-gestützten Screening-Systems ein echtes Mitbestimmungsrecht — und zwar nach § 95 BetrVG (Auswahlrichtlinien) sowie nach § 87 Abs. 1 Nr. 6 BetrVG (technische Überwachung von Mitarbeitenden). Auch wenn das Screening primär Bewerbende und keine eigenen Mitarbeitenden betrifft, empfehlen Arbeitsrechtsanwälte, den Betriebsrat frühzeitig einzubeziehen. Nachträglich erzwungene Anpassungen sind teurer als eine transparente Abstimmung vor dem Launch.

Datenschutz und Datenhaltung

Bewerberdaten sind personenbezogene Daten im Sinne der DSGVO — und in der Zeitarbeit oft besonders sensibel: Gesundheitsdaten (z. B. Schwerbehinderung für bestimmte Stellen), Aufenthaltstitel, Referenzen früherer Einsätze.

Sobald du Bewerberdaten an ein KI-System übergibst, gilt:

Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO — Pflicht vor dem Produktivbetrieb. Alle genannten Anbieter stellen AVV-Vorlagen bereit. Nicht unterschriebener AVV = unzulässige Datenübermittlung.

Datenhaltung im Überblick:

• softgarden: Deutschland (EU) — kein US-Transfer
• Textkernel: Niederlande (EU) — ISO 27001, SOC II
• Personio: Deutschland (Frankfurt/AWS) — EU-konform
• Bullhorn: USA — DPF-Zertifizierung, SCCs vorhanden; US-Datenverarbeitung bleibt strukturell
• ChatGPT / Claude (Consumer): USA — für echte Kandidatendaten ungeeignet; Enterprise-Varianten über AWS Bedrock (EU) möglich

Löschfristen für Bewerberdaten: Nach dem Ende des Bewerbungsverfahrens empfehlen Datenschutzbeauftragte maximal 6 Monate Aufbewahrung (§ 61c Abs. 2 ArbGG). Viele ATS bieten automatisierte Lösch-Routinen — aktiviere sie aktiv.

Besondere Kategorien sensibler Daten: Schwerbehinderungsangaben, Nationalität, Religionszugehörigkeit dürfen nicht als Matching-Kriterien verwendet werden und müssen aus dem Scoring explizit ausgeschlossen sein.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• SaaS-ATS (z. B. softgarden): primär Konfigurationsaufwand intern, 2–4 Wochen Implementierungszeit, ca. 500–2.000 EUR externer Implementierungsaufwand (Anforderungsprofile, Schulung)
• ATS-Nachrüstung mit Textkernel-API: Entwicklungskosten für Integration, üblicherweise 5.000–15.000 EUR einmalig je nach Komplexität des bestehenden Systems
• LLM-basierter Soforteinstieg ohne ATS: praktisch kein Einrichtungsaufwand, nur Prompt-Entwicklung (1–3 Tage)

Laufende Kosten (monatlich)

• softgarden: ca. 300–1.500 EUR/Monat je nach Firmengröße
• Textkernel Professional: ab 99 USD/Monat (500 Credits); für Zeitarbeit mit 5.000–10.000 CVs/Monat eher vier- bis fünfstellig
• Bullhorn Starter: ab 99 USD/Nutzer/Monat
• ChatGPT Plus / Claude Pro: 20–25 USD/Monat — reicht für kleines Volumen

Wie du den ROI tatsächlich misst
Der ehrlichste Beweis: Wie viele Stunden Sichtungszeit hat dein Team pro Woche eingespart — und was macht ihr stattdessen? Messe vor der Einführung die durchschnittliche Zeit pro CV (Stoppuhr, eine Woche). Messe vier Wochen nach dem Launch erneut. Der Unterschied multipliziert mit dem Durchschnittsstundensatz der Disponenten ist deine Basis-Kennzahl.

Konservatives Rechenbeispiel
Zwei Disponenten mit je 100 Bewerbungen täglich, bisher je 7 Minuten pro CV = 23 Stunden täglich. Mit KI-Screening auf 2 Stunden Nachprüfung und Entscheidung reduziert. Gesparte Zeit: 21 Stunden täglich. Bei einem Bruttostundensatz von 25–35 EUR sind das 525–735 EUR täglich, also 10.000–15.000 EUR monatlich. Software- und Integrationskosten von 500–1.500 EUR/Monat stehen gegen diese Einsparung — Amortisation in Wochen, nicht Monaten.

Diese Rechnung setzt voraus, dass die eingesparte Zeit für produktive Aufgaben genutzt wird. Wer die Zeitersparnis nur zur Reduktion von Überstunden nutzt und nicht in mehr Kundenakquise oder bessere Kandidatenbetreuung investiert, erzielt einen geringeren wirtschaftlichen Effekt.

Typische Einstiegsfehler

1. Zu viele Kriterien, zu wenig Priorisierung.
Der häufigste Fehler bei der Konfiguration von Anforderungsprofilen: Alles ist gleich wichtig, deshalb filtert das System kaum. Wenn Gabelstaplerschein, Erfahrung im Lager, Deutschkenntnisse B2, Flexibilität für Wechselschicht, Lkw-Führerschein Klasse C und Staplerausweis alle gleich gewichtet sind, landet das Matching irgendwo in der Mitte. Lösung: Maximal drei bis vier Pflichtkriterien definieren, Rest als Wunschkriterien gewichten. Das System priorisiert dann tatsächlich.

2. Anforderungsprofile einmalig erstellt, nie aktualisiert.
Das ist der stille Qualitätsverfall. Wenn sich die Anforderungen eines Auftraggebers ändern — neue Zertifizierungspflicht, andere Schichtzeiten, verändertes Tätigkeitsprofil — und das Screening-Profil nicht angepasst wird, arbeitet das System gegen die Realität. Kandidaten werden als passend bewertet, die es nicht mehr sind. Lösung: Anforderungsprofile quartalsweise mit den jeweiligen Auftraggebern abgleichen, Änderungen sofort einpflegen. Wer das überspringt, hat nach 12 Monaten ein System, das strukturiert die falschen Kandidaten vorschlägt.

3. System als Endentscheidung verstehen, nicht als Werkzeug.
Es gibt Zeitarbeitsfirmen, die die KI-Bewertung unreflektiert übernehmen: Wer unter 60 Prozent Match liegt, bekommt keine Rückmeldung. Das ist rechtlich problematisch (AGG, EU AI Act) und inhaltlich auch falsch — KI-Matching ist nicht unfehlbar, und ein erfahrener Disponent erkennt oft, dass ein Kandidat mit 55 Prozent Match auf dem Papier in der Praxis perfekt passt. Lösung: Das System priorisiert, der Mensch entscheidet. Diese Rollenverteilung muss explizit kommuniziert und dokumentiert sein.

4. Bias im Modell ungeprüft übernehmen.
Wenn du ein allgemeines LLM (ChatGPT, Claude) für das Screening verwendest, ohne die Kriterien explizit auf berufsrelevante Qualifikationen zu beschränken, kann das Modell subtile demografische Präferenzen reproduzieren. Die University of Washington hat 2024 gezeigt, dass aktuelle Sprachmodelle bei CV-Screening Kandidaten mit als “weiß” kodierten Namen in 85 Prozent der Fälle bevorzugen. Lösung: Screening-Prompts ausschließlich auf berufsrelevante, nachweisbare Kriterien einschränken. Keine Namen im Scoring berücksichtigen. Bias-Tests dokumentieren.

5. Das System einführen und dann sich selbst überlassen.
Kein ATS-Screening-System ist fertig konfiguriert, wenn es live geht. Die ersten vier Wochen sind Kalibration: Wo weicht das Ranking von der Einschätzung erfahrener Disponenten ab? Warum werden bestimmte Kandidaten falsch eingestuft? Was fehlt im Anforderungsprofil? Wer diese Feedback-Phase überspringt, fixiert die Einstiegsfehler dauerhaft im System.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Einrichtung ist der einfachere Teil. Das Schwierigere ist, das System in den Arbeitsalltag zu integrieren.

Drei Muster treten fast immer auf:

Die „Das macht mich überflüssig”-Sorge. Disponenten, die seit Jahren Bewerbungen manuell sichten, können das KI-Screening als Angriff auf ihre Expertise empfinden — „jetzt entscheidet ein Computer, wer gut genug ist.” Das ist sachlich falsch, aber die Sorge ist verständlich. Was hilft: Das System explizit als Werkzeug zur Vorauswahl positionieren, nicht als Entscheider. „Du bekommst ab heute eine priorisierte Liste statt 80 unsortierten CVs — du entscheidest weiterhin, wer angerufen wird.” Wer das System mitgestalten darf (welche Kriterien sollen wie gewichtet werden?), identifiziert sich mit dem Ergebnis statt es zu bekämpfen.

Die „Einmal falsch — nie wieder”-Reaktion. Wenn ein erfahrener Disponent in der ersten Woche zwei Kandidaten auf der Shortlist findet, die offensichtlich nicht passen, verliert das System seinen Vertrauensvorschuss sofort. Dieser Fehler ist vermeidbar: Starte mit einer zweiwöchigen Parallelphase, in der das KI-Ranking neben dem manuellen Prozess läuft. Identifiziere Diskrepanzen, justiere die Gewichtungen, bevor das alte Verfahren abgelöst wird.

Das Delegations-Paradoxon. Manche Disponenten nutzen das Tool intensiv — andere fast gar nicht, auch wenn beide in derselben Firma sitzen. Der häufigste Grund: Das Ranking fühlt sich nicht transparent genug an. Wenn ein Kandidat auf Platz 3 landet, aber niemand weiß warum, schaut man lieber selbst. Lösung: Systeme wählen oder konfigurieren, die eine Begründung für die Bewertung liefern, nicht nur eine Zahl.

Was konkret hilft:

• Vor dem Launch klären, welche drei Stellen-Typen zuerst profitieren sollen — mit diesen starten
• Gemeinsam mit erfahrenen Disponenten die Anforderungsprofile bauen, nicht im HR-Büro alleine
• Ersten Monat als offizielle Kalibrationsphase kommunizieren — Fehler sind Feedback, keine Systemversagen
• Regelmäßiges Monitoring: Werden Kandidaten abgelehnt, die sich hinterher bei der Konkurrenz durchsetzen?

Realistischer Zeitplan mit Risikohinweisen

Wichtig für ATS-Integrationen (Textkernel, Bullhorn, zvoove): Plant zusätzlich zwei bis vier Wochen für technische Integration, Testing und Datenmigration ein — besonders wenn Kandidatenprofile aus einem alten System migriert werden.

Häufige Einwände — und was dahintersteckt

„Eine KI kann nicht beurteilen, was ein guter Zeitarbeiter ist.”
Richtig. Kann sie nicht. Sie kann aber in fünf Sekunden prüfen, ob der Bewerber einen Gabelstaplerschein hat, ob er die kommunizierte Verfügbarkeit abdeckt und ob seine Erfahrung im Bereich liegt. Das ist kein Urteil über Qualität — das ist die Filterarbeit vor dem Urteil. Der Disponent bewertet dann einen aus 20 statt einen aus 80.

„Wir verlieren gute Kandidaten, die das System falsch bewertet.”
Dieses Risiko besteht — und ist in der manuellen Sichtung genauso real. In einem Stapel von 80 CVs, den eine Disponentin in drei Stunden durcharbeiten muss, gehen statistisch genauso Kandidaten verloren — nur ohne Protokoll. KI-Screening reduziert dieses Risiko, wenn die Anforderungsprofile gut konfiguriert sind, und macht den Prozess nachvollziehbar. Wo früher ein Bauchgefühl entschied, steht jetzt ein dokumentiertes Kriterium.

„Was ist mit dem Datenschutz? Dürfen wir Bewerberdaten in ein KI-System eingeben?”
Ja — wenn ein AVV vorliegt und die Daten auf einem DSGVO-konformen System verarbeitet werden. Das ist nicht fundamentell anders als die Nutzung eines beliebigen anderen ATS. Entscheidend ist die Wahl des Tools (EU-Hosting bevorzugen), der abgeschlossene AVV und die dokumentierten Löschfristen. Consumer-Versionen von ChatGPT oder Claude sind für echte Bewerberdaten nicht geeignet — Enterprise-Varianten über AWS Bedrock (EU-Region) hingegen schon.

„Unsere Auftraggeber schicken uns Anforderungen per E-Mail oder Telefon — kein strukturiertes Profil.”
Das ist die häufigste strukturelle Hürde. Ein KI-Matching-System braucht strukturierte Anforderungsprofile als Referenzpunkt. Die gute Nachricht: Diese müssen nicht vom Auftraggeber kommen — du kannst sie intern aufbauen, basierend auf wiederkehrenden Stellentypen. „Lagerhelfer Schicht Nürnberg” hat immer dieselben Basis-Anforderungen; die spezifischen Ergänzungen kommen aus dem Auftraggeber-Briefing. Das Profil für den Standard-Fall wird einmalig gebaut und angepasst — nicht für jeden Auftrag neu.

Woran du merkst, dass das zu dir passt

• Du oder dein Team verbringen täglich mehr als zwei Stunden rein mit der Erstsichtung eingehender Bewerbungen — also mit Lesen und Aussortieren, ohne Anrufe oder Qualifizierungsgespräche
• Dein Bewerbungsvolumen übersteigt 30–40 CVs täglich über alle offenen Positionen hinweg
• Du hast wiederkehrende Stellentypen, für die du klare, stabile Anforderungsprofile aufbauen kannst: Gabelstaplerfahrer, CNC-Dreher, Lagerhelfer, Kommissionierer, Pflegefachkräfte — nicht hochindividuelle Nischenpositionen
• Disponenten berichten, dass Kandidaten unter Zeitdruck übersehen werden — weil der Stapel zu groß war, als die Shortlist fertig sein musste
• Du nutzt bereits ein ATS (Bullhorn, zvoove, Personio), das eine KI-Erweiterung unterstützt — oder du bist bereit, ein neues einzuführen

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

1. Unter 20–25 eingehenden Bewerbungen täglich. Bei diesem Volumen ist der Konfigurationsaufwand — Anforderungsprofile bauen, System einrichten, kalibrieren — größer als der Gewinn. Eine strukturierte manuelle Sichtung mit einer einheitlichen Vorlage (Checkliste pro Stellentyp) reicht aus. Einführen, wenn das Volumen wächst.

2. Keine standardisierten Anforderungsprofile vorhanden und keine Bereitschaft, sie zu entwickeln. KI-Matching braucht eine Referenz, gegen die es matcht. Wer für jede Stelle ein Unikat erstellt und keine wiederkehrenden Muster hat — z. B. reine Executive-Search oder hochindividuelle Projektstellen — bekommt aus dem System keinen Mehrwert. Das Matching wäre so spezifisch, dass es die manuelle Sichtung nicht wirklich beschleunigt.

3. Kein digitaler Bewerbungseingang (nur Papier, Fax oder unstrukturierte E-Mails). CV-Parsing setzt voraus, dass Lebensläufe als digitale Dokumente vorliegen. Wer Bewerbungen hauptsächlich per Fax oder als handgeschriebene Formulare erhält, muss zuerst den Eingangskanal digitalisieren — der KI-Schritt kommt danach.

Das kannst du heute noch tun

Starte ohne ATS-Integration, ohne Entwicklerressourcen, ohne Kosten: Öffne ChatGPT oder Claude und baue deinen ersten Screening-Prompt. Nimm drei Lebensläufe aus den letzten 14 Tagen — einen, den du als stark eingestuft hast, einen als mittel, einen als schwach — und teste, ob das Modell dieselbe Einschätzung trifft.

Das dauert 30 Minuten. Was du danach weißt: Ob die Qualitätsbewertung des Systems mit deiner Einschätzung übereinstimmt, und wo du die Kriterien im Prompt schärfen müsstest.

Für den produktiven Einsatz brauchst du einen klaren System-Prompt mit deinen Anforderungsprofilen. Hier ist eine Vorlage:

Quellen & Methodik

• Bias in KI-Screening (2024): University of Washington, „AI tools show biases in ranking job applicants’ names according to perceived race and gender” (Oktober 2024). Studie zeigt, dass drei führende LLMs CVs mit als „weiß” kodierten Namen in 85 Prozent der Tests bevorzugen. Quelle: washington.edu
• Erster EEOC AI-Diskriminierungsfall (2023): EEOC v. iTutorGroup, Inc. — Settlement 365.000 USD für algorithmische Altersdiskriminierung im Recruiting; KI-Software lehnte automatisch Bewerberinnen über 55 und Bewerber über 60 ab. Quelle: sullcrom.com
• AGG und automatisierte Entscheidungen: Antidiskriminierungsstelle des Bundes, Rechtsgutachten „Schutz vor Diskriminierung durch KI” (August 2023). Fordert AGG-Reform für automatisierte Entscheidungssysteme. Quelle: antidiskriminierungsstelle.de
• EU AI Act — Hochrisikosystem Hiring: EU-KI-Verordnung Anhang III Nr. 4; vollständige Durchsetzung ab August 2026. Brancheneinordnung: activate-hr.de (April 2026)
• HR-Zeitaufwand administrative Aufgaben (57 %): Deloitte, Auswertung zitiert via staffingUP (2024). Quelle: staffingup.de
• Textkernel Pricing und Funktionsumfang: Anbieter-Dokumentation, Stand Mai 2026. Quelle: textkernel.com
• Softgarden Pricing: Marktangaben und Anbieter-Dokumentation, Stand Mai 2026. Quelle: softgarden.com
• Betriebsrat-Mitbestimmung § 95 BetrVG / § 87 BetrVG: Deutsches Betriebsverfassungsgesetz in aktuell gültiger Fassung; Empfehlung frühzeitiger Einbindung aus Praxisberichten Zeitarbeit.

Du willst wissen, ob dein aktuelles Bewerbungsvolumen und deine ATS-Landschaft für KI-Screening geeignet sind? Meld dich — das klären wir in einem kurzen Gespräch.