Skill-Gap-Analyse für Kandidaten

Das echte Ausmaß des Problems

Zeitarbeitsfirmen investieren jährlich erhebliche Summen in Weiterbildungsmaßnahmen für ihre Kandidatenpools — und wissen oft nicht, ob das Geld an der richtigen Stelle sitzt.

Das Problem ist nicht mangelnde Bereitschaft, sondern mangelnde Information. Laut McKinsey Global Institute gaben 2024 87 Prozent der Unternehmen an, bereits heute oder in naher Zukunft mit ernsthaften Qualifikationslücken konfrontiert zu sein. Im Bereich Zeitarbeit ist das Problem schärfer als in anderen Branchen: Ein Zeitarbeitnehmer wechselt Branchen und Betriebe, erwirbt Kompetenzen informell und on-the-job — und keiner dieser Erfahrungsschritte landet vollständig in irgendeinem System.

Das Ergebnis: Disponenten urteilen aus dem Bauch heraus. Sie kennen ihre Kandidaten oft persönlich gut — wissen aber nicht systematisch, welche dieser Kandidaten mit drei Wochen gezielter Schulung in Stellenkategorien vermittelbar wären, für die sie aktuell nicht infrage kommen.

Die Folgen sind konkret:

• Schwierige Profile bleiben länger unvermittelt als nötig — weil niemand weiß, welche eine Lücke die entscheidende ist
• Weiterbildungsbudgets werden flächig verteilt statt dort zu konzentrieren, wo der ROI am höchsten ist
• Kandidaten wechseln zur Konkurrenz, wenn sie den Eindruck haben, dass ihre Entwicklung nicht aktiv gefördert wird
• Kundenbeschwerden entstehen, wenn Kandidaten in Positionen gesetzt werden, für die eine Schlüsselkompetenz fehlt — die niemand vorher geprüft hat

Eine strukturierte Skill-Gap-Analyse setzt genau hier an: nicht als Ersatz für das Disponenten-Urteil, sondern als Grundlage dafür.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zeitersparnis ist nicht der Hauptvorteil — ein gut eingeschätzter Kandidat ist es.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5)
Skill-Gap-Analyse ist kein täglicher Workflow-Beschleuniger. Disponenten führen diese Analyse nicht stündlich durch — sie greift bei Kandidaten, die längere Zeit unvermittelt sind, oder vor größeren Weiterbildungsinvestitionen. Verglichen mit KI-gestützter Kandidatenvorauswahl und Matching, die täglich Stunden spart, ist der Zeitgewinn marginal. Der Nutzen liegt im Entscheidungsgewinn, nicht im Zeitgewinn.

Kosteneinsparung — niedrig (2/5)
Der Kostenvorteil ist real, aber indirekt: gezielter eingesetzte Weiterbildungsbudgets, kürzere Nicht-Vermittlungsphasen, weniger Rückläufer beim Kunden. Diese Einsparungen lassen sich schwer von anderen Maßnahmen trennen. Keine andere Investition dieser Kategorie liefert so wenig direkt zuordenbare Kostensignale — deshalb ehrliche 2 von 5.

Schnelle Umsetzung — sehr niedrig (1/5)
Das ist der härteste Punkt in dieser Branche. Ein belastbares Skill-Gap-System braucht eine strukturierte Datenbasis: Kandidatenprofile mit echten Kompetenzen (nicht nur Berufsbezeichnungen), Anforderungsprofile für die häufigsten Auftragstypen, eine Skill-Taxonomie, die beide verbindet. Bis dieses Fundament steht, vergehen realistisch drei bis sechs Monate — länger als fast jedes andere Digitalisierungsvorhaben in dieser Kategorie. Die niedrigste Bewertung in der Zeitarbeit-Kategorie auf dieser Achse ist gerechtfertigt.

ROI-Sicherheit — mittel (3/5)
Wenn die Datenbasis steht, lässt sich messen: Wie viele der Kandidaten, die eine empfohlene Maßnahme abgeschlossen haben, wurden danach vermittelt? Was war die Vermittlungsquote vorher? Der Kausalzusammenhang ist nicht trivial — andere Faktoren (Marktlage, Kundenpräferenzen) spielen gleichzeitig eine Rolle. Aber er ist messbarer als bei vielen anderen Personalentwicklungsmaßnahmen.

Skalierbarkeit — hoch (4/5)
Wenn das System einmal aufgesetzt ist, ist der Aufwand pro Kandidat gering. Hundert oder zweihundert Kandidaten analysieren kostet kaum mehr als zehn. Das ist der eigentliche Langzeithebel: mit wachsendem Kandidatenpool steigt der Nutzen, ohne dass der Aufwand proportional steigt.

Richtwerte — stark abhängig von Datenbankqualität, Kandidatenvolumen und verfügbaren Weiterbildungspartnern.

Was die KI-gestützte Skill-Gap-Analyse konkret macht

Das System führt einen systematischen Soll-Ist-Abgleich durch — zwischen dem, was der Kandidat laut Profil mitbringt, und dem, was die Anforderungsprofile ähnlicher Positionen verlangen.

Technisch lässt sich das auf zwei Wegen umsetzen:

Weg 1 — LLM-basierte Analyse (einfacherer Einstieg): Ein strukturierter Prompt enthält das Kandidatenprofil (Berufserfahrung, Qualifikationen, vergangene Einsätze) und eine Liste typischer Anforderungen für die Zielpositionen. Das Large Language Model (LLM) identifiziert Lücken, bewertet deren Relevanz und schlägt priorisierte Maßnahmen vor. Das läuft ohne technisches Setup in ChatGPT oder Claude — aber erfordert gut strukturierte Eingabedaten und einen sorgfältig formulierten Prompt.

Weg 2 — Integriertes Assessment mit Kompetenzdatenbank: Kandidaten durchlaufen einen standardisierten Kompetenztest (etwa über TestGorilla). Die Ergebnisse werden gegen Anforderungsprofile gemappt, die im ATS hinterlegt sind. Das System berechnet Lücken automatisch und schlägt Maßnahmen aus einem Trainingskatalog vor. Dieser Weg ist belastbarer — erfordert aber deutlich mehr Aufwand beim Aufbau der Datenbasis.

In beiden Fällen beantwortet das System dieselbe Frage: Wo ist die Lücke zwischen dem, was der Kandidat kann, und dem, was der Markt in seiner Zielkategorie verlangt? Und: Welche der identifizierten Lücken hat den größten Hebel auf Vermittlungschancen? Die zweite Frage ist oft wichtiger als die erste — nicht jede Lücke lohnt denselben Aufwand.

Das Quelldaten-Problem: Wenn Kompetenzen nirgendwo stehen

Das ist der Elefant im Raum — und er kommt in diesem Use Case früher als bei den meisten anderen.

In der Zeitarbeit haben viele Kandidaten ihren Großteil der Berufserfahrung in Betrieben gesammelt, die keine formellen Weiterbildungsnachweise ausgestellt haben. Maschinen bedient, Systeme gelernt, Prozesse verstanden — aber nichts davon ist zertifiziert, nicht mal sauber dokumentiert. Im ATS steht: „Erfahrung in der Produktion, 6 Jahre.” Was genau? Welche Maschinen? Welche Systeme? Unbekannt.

Dieses Problem macht jede KI-Analyse unmittelbar anfällig: Garbage in, garbage out. Wenn das Kandidatenprofil aus generischen Berufsbezeichnungen und leeren Freifeldern besteht, kann kein System belastbare Lücken identifizieren. Es gibt dann nur unscharfe Schätzungen.

Die Lösung ist kein technisches Problem — es ist ein Gesprächsproblem:

Strukturiertes Kompetenzgespräch bei Aufnahme: Nicht „Welche Erfahrungen haben Sie gemacht?”, sondern „Welche Maschinen haben Sie bedient? Welche Software-Systeme kennen Sie? Bei welchen Aufgaben haben Sie sich unsicher gefühlt?” Leitfragen, die auf konkrete Fähigkeiten abzielen, nicht auf allgemeine Selbstbeschreibungen.

Retrospektive aus Einsatzberichten: Jeder Einsatz hinterlässt Informationen — über Rückmeldungen vom Kunden, über Einarbeitungszeiten, über Aufgaben, die der Kandidat übernommen oder abgelehnt hat. Diese Informationen werden in den meisten Zeitarbeitsfirmen erfasst, aber selten systematisch ausgewertet. Sie sind Gold für eine Skill-Datenbank.

Assessment-Werkzeuge: Für häufige Auftragsprofile (Lagerlogistik, kaufmännisch, IT-Support) lohnt ein kurzer standardisierter Test bei der Kandidatenaufnahme. Der Aufwand ist zehn bis fünfzehn Minuten — der Nutzen ist eine belastbare Ausgangslage statt einer Vermutung.

Erst wenn diese Datenbasis ansatzweise vorhanden ist, lohnt sich der nächste Schritt.

Was KI-gestützte Skill-Analyse definitiv nicht sieht

Das ist ein kritischer Abschnitt — weil viele Einführungen an diesem Punkt scheitern.

Eine KI-gestützte Skill-Gap-Analyse sieht, was sie an Daten bekommt: Qualifikationen, Testergebnisse, dokumentierte Erfahrungen. Sie sieht nicht:

Zuverlässigkeit und Pünktlichkeit. In der Zeitarbeit sind das die Schlüsselvariablen — nicht Zertifikate, sondern ob jemand morgens erscheint. Kein Kompetenztest misst das. Disponenten, die einen Kandidaten aus zehn Einsätzen kennen, haben hier ein Urteil, das kein System replizieren kann.

Teamfit und Arbeitsweise. Wie reagiert jemand auf Druck? Wie nimmt er Kritik an? Wie arbeitet er in einem Großraumbüro, in einem Lager mit 30 Kolleginnen, allein im Außendienst? Diese Dimensionen sind für Kundenzufriedenheit oft relevanter als formale Qualifikationen.

Motivation und Lernbereitschaft. Ob jemand eine Weiterbildung ernstnimmt oder nur absitzt, entscheidet über den Effekt — nicht das Curriculum. Das lässt sich aus einem Profil nicht ableiten.

Kontextspezifische Stärken. Ein Kandidat, der in einem kleinen Familienunternehmen jahrelang alles gemacht hat, bringt oft mehr mit als auf dem Papier sichtbar ist — aber eine andere Persönlichkeitsstruktur als jemand, der in einem Konzern mit klaren Prozessen gearbeitet hat. Welche Seite beim nächsten Kunden passt, weiß nur, wer den Kandidaten kennt.

Das bedeutet: Die Skill-Gap-Analyse liefert eine Grundlage für Entscheidungen — sie ersetzt kein Disponenten-Urteil. Wer das System einführt und erwartet, dass Weiterbildungsentscheidungen damit automatisiert werden, wird enttäuscht. Wer es als ein strukturiertes Hilfsmittel für ein Gespräch nutzt, bekommt echten Mehrwert.

Konkrete Werkzeuge — was wann passt

ChatGPT oder Claude (Einstieg ohne Setup)
Sofort verfügbar, keine technische Integration. Du füllst einen strukturierten Prompt mit Kandidatenprofil und Anforderungsliste — das Modell gibt eine begründete Einschätzung zurück. Kostenlos oder für 20–25 Euro/Monat. Einschränkung: Ergebnisse sind nur so gut wie der Input; kein systematischer Vergleich über den gesamten Pool möglich; keine Dokumentation im ATS.

TestGorilla (Skill-Assessment für häufige Auftragsprofile)
Über 400 vorgefertigte Tests — von Datenerfassung über Buchhaltungsgrundlagen bis Logistik-Grundwissen. Free-Plan für erste Assessments verfügbar, Pro-Plan für systematischen Einsatz ab ca. 300 Euro/Monat. Ergebnisse fließen als dokumentierte Ausgangslage in die Gap-Analyse. Einschränkung: kein deutschsprachiger Support, keine direkte Integration in zvoove; Ergebnisse müssen manuell ins ATS übertragen werden.

zvoove mit Skill-Datenbank (integrierter Ansatz)
zvoove Recruit enthält eine Skill-Datenbank, in der Kompetenzen pro Kandidat strukturiert hinterlegt werden. Wenn diese Datenbank sorgfältig befüllt ist, können Disponenten direkt im System einen Soll-Ist-Vergleich ziehen. Erfordert initialen Pflegeaufwand, ist dafür vollständig in den Zeitarbeit-Workflow integriert. Preise auf Anfrage.

TalentLMS oder 360Learning (Weiterbildungsabschluss)
Wenn die Gap-Analyse eine konkrete Weiterbildungsmaßnahme ergibt, braucht es eine Plattform, über die diese Maßnahme bereitgestellt wird. TalentLMS (ab 119 USD/Monat für bis zu 100 Nutzende) eignet sich für strukturierte E-Learning-Kurse. 360Learning (ab 8 USD/Nutzenden/Monat, mind. 100 Nutzende) ist stärker auf kollaboratives Lernen und die Integration eigener Fachexpertise ausgelegt.

Zusammenfassung: Wann welcher Ansatz

• Erster Einstieg, keine Infrastruktur → ChatGPT oder Claude mit strukturiertem Prompt
• Standardisierte Messung vor der Weiterbildung → TestGorilla
• Vollständige Integration in den Zeitarbeit-Workflow → zvoove mit gepflegter Skill-Datenbank
• Maßnahmenabwicklung digital → TalentLMS (Standard-Kurse) oder 360Learning (eigene Inhalte)

DSGVO, BetrVG §94 und AÜG: Was das Dreiecksverhältnis für KI-gestütztes Profiling bedeutet

In der Zeitarbeit ist die rechtliche Ausgangslage für KI-gestützte Kompetenzanalysen komplizierter als in anderen Branchen — weil drei Rechtsverhältnisse gleichzeitig zu beachten sind.

DSGVO und BDSG §26 — Kandidatenprofiling
Das Kandidatenprofil enthält personenbezogene Daten. Sobald eine KI diese Daten verarbeitet, gilt Art. 6 Abs. 1 lit. b DSGVO (Verarbeitung zur Begründung oder Durchführung des Beschäftigungsverhältnisses) als Rechtsgrundlage — aber nur für das, was für die Vermittlung unmittelbar erforderlich ist. Eine tiefgreifende automatisierte Persönlichkeitsbewertung, die über fachliche Kompetenzen hinausgeht, braucht ausdrückliche Einwilligung. Psychologische Eignungsdiagnostik muss von Fachleuten verantwortet werden.

BetrVG §94 — Mitbestimmung bei Beurteilungsgrundsätzen
Wenn deine Zeitarbeitsfirma einen Betriebsrat hat, hat er Mitbestimmungsrechte bei der Einführung von KI-Systemen zur Kandidatenbewertung. §94 BetrVG regelt Personalfragebögen und Beurteilungsgrundsätze — KI-gestützte Skill-Assessments fallen darunter. Nicht als Formalität, sondern mit realem Veto-Potenzial: Der Betriebsrat kann die Einführung blockieren, wenn er das System als ungeeignet oder zu weitreichend einschätzt. Plane diesen Dialog von Anfang an ein — nicht als Nachgedanke.

AÜG — Die Dreieckskonstellation
Das Arbeitnehmerüberlassungsgesetz betrifft nicht nur die Überlassung selbst, sondern auch die Informationen, die dabei ausgetauscht werden. Anforderungsprofile, die der Entleiher kommuniziert, gelten rechtlich als bindend für die Auswahlentscheidung. Wenn ein KI-System die Kandidatenauswahl auf Basis dieser Profile mitgestaltet, trägt die Zeitarbeitsfirma die Verantwortung dafür, dass die Auswahlentscheidung nicht diskriminierend ist — auch wenn die KI das System ist, das filtert. Das AGG gilt ohne Einschränkung.

Praktische Schlussfolgerung:

• Schriftliche Einwilligung der Kandidaten vor Assessment-Durchführung einholen
• AVV mit allen Tool-Anbietern abschließen (zvoove, TestGorilla, ChatGPT Business)
• Wenn Betriebsrat vorhanden: frühzeitig einbinden, Betriebsvereinbarung aushandeln
• Keine vollautomatisierten Ablehnungsentscheidungen — menschliche Entscheidung bleibt Pflicht
• Datenschutz-Folgenabschätzung bei systematischer KI-Nutzung zur Profilbewertung

Was es kostet — realistisch gerechnet

Einstieg (LLM-basiert, kein eigenes System)

• ChatGPT Plus oder Claude Pro: 20–25 Euro/Monat je Nutzer
• Aufwand für Prompt-Entwicklung und Prozessdokumentation: 4–8 Stunden intern
• Einmalige Kosten Assessment-Entwicklung (Anforderungsprofile): ca. 20–40 Stunden intern

Mittelstufe (TestGorilla + manuelle ATS-Nachverfolgung)

• TestGorilla Pro: ca. 300 Euro/Monat (für ca. 500 Kandidaten-Assessments/Monat)
• Aufwand Datenbank-Aufbau: 6–10 Wochen intern (1 FTE 20 %)
• Jährliche Gesamtkosten inkl. Tool-Abonnement: ca. 5.000–8.000 Euro

Vollintegration (zvoove Skill-Datenbank + TalentLMS)

• zvoove-Erweiterung: Preise auf Anfrage; typisch 4-stelliger Monatsbetrag für Vollausbau
• TalentLMS: ab 2.748 USD/Jahr (Grow-Plan, jährlich)
• Einmalige Setup- und Beratungskosten: 8.000–20.000 Euro
• Jährliche Gesamtkosten: 15.000–35.000 Euro für mittelgroße Zeitarbeitsfirma

Was du dagegen rechnen kannst
Ein unvermittelter Zeitarbeitnehmer, der sich mit einer Weiterbildung vier Wochen früher vermitteln lässt: Bei 20 Euro Marge/Stunde und 40 Stunden/Woche sind das 3.200 Euro zurückgewonnene Marge pro Person. Bei zehn solchen Fällen pro Jahr: 32.000 Euro — genug, um die Vollintegrationsvariante zu rechtfertigen, wenn die Kausalzuordnung stimmt. Das ist ein ehrliches Rechenbeispiel, kein Garantieversprechen: Du musst die Zahl für deinen Pool selbst validieren.

Drei typische Einstiegsfehler

1. Mit dem Tool starten, bevor die Datenbasis steht.
Der häufigste Fehler: Eine Zeitarbeitsfirma kauft ein Assessment-Tool und stellt fest, dass die Anforderungsprofile für die eigenen Auftragskategorien gar nicht strukturiert vorliegen. Das Tool arbeitet dann gegen generische Stellenbeschreibungen aus dem Internet — und produziert Empfehlungen, die nicht auf den eigenen Markt passen. Lösung: Erst die fünf bis sieben häufigsten Auftragskategorien definieren und mit konkreten Skill-Anforderungen füllen, dann das Tool aktivieren.

2. Skill-Erfassung als Einmalaktion behandeln.
Eine Skill-Datenbank, die einmalig befüllt und dann nicht gepflegt wird, altert schnell. Kandidaten machen neue Einsätze, lernen neue Systeme, scheitern an unerwarteten Anforderungen — und nichts davon fließt zurück. Wer nach 18 Monaten die Empfehlungen des Systems noch als belastbar behandelt, hat ein System, das selbstbewusst auf veralteter Basis empfiehlt. Lösung: Nach jedem abgeschlossenen Einsatz ein kurzes Aktualisierungsprotokoll — drei Felder, fünf Minuten. Das muss ins ATS-Workflow eingebaut sein, nicht in eine separate Aufgabe.

3. Soft Skills systematisch ignorieren — oder fälschlicherweise erfassen.
Manche Zeitarbeitsfirmen versuchen, Zuverlässigkeit, Teamfähigkeit oder Belastbarkeit in die Skill-Datenbank aufzunehmen und von einem System bewerten zu lassen. Das produziert scheinbar objektive Urteile über subjektive Einschätzungen — und damit Entscheidungen, die rechtlich heikel und inhaltlich nicht besser sind als ein Disponenten-Bauchgefühl. Lösung: Soft-Skills-Einschätzungen bleiben Disponenten-Domäne und werden separat dokumentiert, nicht als Systemwert.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Seite dieser Einführung ist die einfachere Hälfte. Die schwierigere Hälfte ist kulturell.

Disponenten, die seit Jahren aus dem Bauch heraus wissen, wer für was passt, reagieren auf systematische Analysen oft mit Skepsis: „Das sagt mir das System, aber ich kenne Stefan K. seit drei Jahren.” Das ist kein Widerstand gegen Digitalisierung — das ist berechtigte Fachkenntnis, die nicht ignoriert werden darf. Wer das System als Autoritätsentscheider präsentiert, verliert das Vertrauen der Disponenten sofort.

Was stattdessen funktioniert: Das System als Checkliste für die eigene Einschätzung präsentieren. „Hast du das schon in Betracht gezogen? Was weißt du darüber, was das System nicht sehen kann?” Die Analyse ersetzt das Gespräch nicht — sie strukturiert es.

Typische Widerstands-Muster:

„Das kennt meinen Pool nicht.” Stimmt — anfangs. Wenn der erste Kandidat dank einer system-gestützten Weiterbildung nach vier Wochen doch vermittelt wird, ändert sich das Urteil. Erste Erfolge sichtbar machen, nicht nur Prozesse einführen.

„Der Aufwand ist zu hoch.” Oft stimmt das im ersten Monat. Die Lernkurve für strukturierte Skill-Erfassung ist real. Wer aber nach sechs Wochen merkt, dass die Kandidatenprofile belastbarer geworden sind, rechtfertigt den Aufwand von selbst.

Was konkret hilft:

• Zwei Disponenten als Early Adopters gewinnen, die das System aktiv mitgestalten
• Erste drei Monate als Pilotphase ohne Leistungserwartungen kommunizieren
• Ergebnisse der Pilot-Fälle dokumentieren und im Team teilen — nicht als Beweis, sondern als Diskussionsgrundlage

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Kandidaten haben keine Zeit für Tests.”
Richtig — ein stundenlanger Kompetenztest ist unrealistisch. Aber fünfzehn Minuten für drei gezielte Fachfragen sind in der Praxis meist möglich, wenn der Nutzen klar kommuniziert wird: „Wir wollen wissen, welche Schulung für dich am meisten bringt, damit wir dich schneller in eine gute Stelle bringen.” Aus Kandidatenperspektive ist das ein konkretes Interesse an ihrer Entwicklung — das kommt positiver an als befürchtet.

„Wir haben das immer aus dem Bauchgefühl gemacht — und es hat funktioniert.”
Ja, für Kandidaten, die ihr Profil kennt und für die es Aufträge gibt. Die Frage ist: Was passiert mit den zwanzig Prozent, die länger unvermittelt bleiben? Die Methode funktioniert für wen sie skaliert — nicht für die Lücken. Ein System hilft vor allem dort, wo das Bauchgefühl nicht ausreicht.

„Das kostet zu viel.”
Der LLM-Einstieg kostet 20–25 Euro/Monat. Das ist kein Investitionshindernis — es ist eine Frage der Prozessdisziplin. Die aufwändigere Variante (vollintegriertes System) sollte erst dann investiert werden, wenn der Pilot zeigt, dass der Ansatz für euren Pool funktioniert. Erst beweisen, dann skalieren.

Woran du merkst, dass das zu dir passt

• Du hast 100 oder mehr Kandidaten im Pool, von denen regelmäßig 10–20 Prozent länger als vier Wochen unvermittelt sind — ohne dass klar ist, warum
• Du investierst jährlich in Weiterbildungsmaßnahmen für Kandidaten, ohne systematisch zu verfolgen, ob die Maßnahmen die Vermittlungsquote verbessern
• Deine Disponenten kennen ihre Kandidaten — aber es gibt keine strukturierte Wissensbasis, die bei Urlaub oder Personalwechsel übertragbar ist
• Deine Auftragsprofile haben ähnliche Anforderungen, die sich gut kategorisieren lassen: Lagerhaltung, kaufmännisch, IT-Support, Kundenservice, Produktion

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

1. Unter 80–100 Kandidaten im aktiven Pool. Der Aufwand für den Aufbau einer strukturierten Skill-Datenbasis ist fest — der Nutzen skaliert mit der Poolgröße. Bei kleinen Pools überwiegt der Aufwand klar. Stattdessen lohnt sich ein persönlicheres Kandidatenmanagement durch die Disponenten selbst.

2. Keine strukturierte Skill-Erfassung im ATS. Wenn eure Kandidatenprofile aus Freifeldern bestehen, in denen Berufsbezeichnungen und allgemeine Erfahrungsangaben stehen, habt ihr kein Datenmaterial für eine Gap-Analyse. Dieser Zustand lässt sich beheben — aber erst nach einigen Monaten Datenpflege, nicht sofort.

3. Kein dedizierter interner Eigentümer für die Skill-Taxonomie. Die Skill-Datenbank veraltet ohne regelmäßige Pflege. Wenn keine Person klar verantwortlich ist — die bestimmt, welche Skills in welcher Granularität erfasst werden, die Aktualisierungen einfordert, die Prüfungen durchführt — ist das Ergebnis nach einem Jahr eine Datenbank, die niemand mehr vertraut. Ohne namentliche Verantwortlichkeit ist dieses Projekt kein Digitalisierungsvorhaben, sondern eine Datenbefüllungsübung.

Das kannst du heute noch tun

Öffne ChatGPT oder Claude (kostenlose Version reicht für den Einstieg) und teste den folgenden Prompt mit einem echten Kandidatenprofil und einem echten Anforderungsprofil aus deinem Pool. Wähle einen Kandidaten, bei dem du dir unsicher bist, welche Weiterbildung am meisten bringt.

Das Ergebnis ist keine Garantie — aber es zeigt dir, ob dieser Ansatz für deinen Kontext überhaupt informative Antworten liefert. Das weißt du nach zwanzig Minuten, nicht nach einem Projekt.

Quellen & Methodik

• McKinsey Global Institute, „State of Skills” (2024): 87 Prozent der Unternehmen berichten über akute oder bevorstehende Qualifikationslücken; 56 Prozent der deutschen Beschäftigten bezweifeln, dass sie die nötigen Kompetenzen für ihre aktuelle Rolle haben. Quelle: McKinsey & Company, abgerufen über Haufe (Studienüberblick, 2024).
• Boston Consulting Group, Mitarbeiterbefragung (2023): Von knapp 13.000 befragten Beschäftigten benötigten 86 Prozent KI-Training, aber nur 14 Prozent erhielten es. Quelle: BCG, zitiert in: InformationWeek, „The AI Skills Gap and How to Address It” (2024).
• Randstad Press Release (2024), „AI skills gap widens”: Dokumentiert gestiegenen KI-Adoptionsdruck auf Zeitarbeitsfirmen und Weiterbildungslücken; AI-Adoption unter Personaldienstleistern stieg 2024 auf 2025 von 48 % auf 61 %. Quelle: randstad.com/press/2024/ai-skills-gap-widens/.
• TestGorilla Pricing (2026): Free-Plan verfügbar, Pro ab ca. 300 €/Monat (500 Credits). Quelle: testgorilla.com/pricing (verifiziert Mai 2026).
• BetrVG §94 (Personalfragebögen und Beurteilungsgrundsätze): Mitbestimmungsrecht des Betriebsrats bei Einführung von KI-gestützten Auswahlwerkzeugen. Quelle: Dejure.org/gesetze/BetrVG/94.html; DSGVO Art. 6 Abs. 1 lit. b und BDSG §26 zur Verarbeitung von Bewerberdaten.
• KI im Bewerbungsverfahren: Übersicht zu Mitbestimmungspflichten nach §95 BetrVG und Datenschutz-Folgenabschätzungspflicht. Quelle: DeutscherAnwaltSpiegel, „KI im Bewerbungsverfahren — welche Fallstricke lauern?” (2024).
• Implementierungskosten und ROI-Schätzwerte: Eigene Erfahrungswerte aus Gesprächen mit mittelgroßen Zeitarbeitsfirmen (2–4 Disponenten, 150–600 aktive Kandidaten) sowie Tool-Anbieter-Dokumentation.

Du willst wissen, welche Kandidaten in deinem Pool am stärksten von einer gezielten Weiterbildungsmaßnahme profitieren würden — und wie du das strukturiert analysierst? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.