Leiterin Talentakquise bei Thoughtworks verrät, wie KI Recruiting zu einem datengesteuerten und vorausschauenden Prozess macht

Im Laufe meiner Karriere hatte ich Führungspositionen in globalen Technologie- und Beratungsunternehmen wie Thoughtworks, Cognizant und Hewlett-Packard inne, wo ich große, länderübergreifende Talent Acquisition Teams leitete. Früher in meiner Karriere war ich zudem als strategischer Partner für Talentmanagement tätig und beriet Führungskräfte sowie Geschäftsleitung in Workforce Planning, Organisationsdesign und Personalstrategie.

Die Arbeit im großen Maßstab hat meinen Führungsweg geprägt — ich habe Teams mit über 50 Recruitern geleitet, jährlich zwischen 600 und 2.000 Einstellungen verantwortet und regelmäßig Rekordergebnisse in Sachen Einstellungseffizienz, Kandidatenerfahrung und organisatorischem Wachstum erzielt.

Zusätzlich zur Kernverantwortung in der Talentgewinnung habe ich strategische Programme im Bereich Arbeitgebermarke, Diversität und Inklusion sowie Hochschulrekrutierung aufgebaut und geleitet – unter anderem Initiativen, die die Einstellung von Frauen und Menschen mit Behinderungen deutlich erhöht und Karrierestarts in mehreren Ländern gefördert haben.

Neben meinen Unternehmensrollen bin ich auch als unabhängige Beraterin für beecrowd tätig, eine globale Plattform für Wettbewerbsprogrammierung und technische Assessments, die von Universitäten und Technologieunternehmen zur Evaluierung von Softwareentwicklungstalenten im großen Stil genutzt wird. In dieser Rolle berate ich zu Talentbewertungsrahmen, Kompetenzbewertungen und dem Zusammenspiel von technischer Exzellenz und Personalstrategie.

In den letzten Jahren habe ich mich zunehmend darauf konzentriert, wie KI und datengesteuerte Rekrutierung Führung, Talentstrategie und die Gestaltung leistungsstarker Organisationen in komplexen, länderübergreifenden Umgebungen verändern.

You should also read

• Führungskraft sagt: Trägheit und Schritt-für-Schritt-Denken verhindern KI-Transformation

• Strategische Geduld ist die Fähigkeit, die durch KI-Einführung zuerst zerstört wird

• Leiterin für Personal & Kultur sagt: KI-Transformationen können an Silos und technischer Altlast scheitern

Warum KI mehr verändert als nur Technik

Mit KI hat sich meine Rolle als Führungskraft im Talentmanagement von der reinen Ausführung hin zur Gestaltung strategischer Talentsysteme entwickelt, die KI nutzen, um zu transformieren, wie Unternehmen Talente gewinnen, bewerten und binden. Dieser Wandel ist nicht nur technologischer Natur — er verändert Führungsaufgaben, Organisationsstrukturen und die Beziehung zwischen Menschen und Daten.

Talentgewinnung ist traditionell transaktional, aber diese Transformation macht sie datengesteuert und prädiktiv. Anstatt uns auf manuelle Prüfungen und historische Durchschnittswerte zu verlassen, nutzen wir heute KI-basierte Lernagenten und prädiktive Modelle, die große Datensätze analysieren, Erfolgsmuster finden und Kandidaten mit größerer Präzision empfehlen.

Durch das Lernen aus historischen Daten übernehmen diese Systeme die repetitiven Aufgaben, sodass die Teams sich wieder auf ihre Kernkompetenzen konzentrieren können: Beziehungen aufbauen und strategische Entscheidungen treffen.

Am Ende bedeutet Führung im KI-geprägten Zeitalter, Entscheidungsarchitekturen zu gestalten: Systeme zu schaffen, in denen Menschen, Daten und KI zusammenarbeiten, um bessere Ergebnisse zu erzielen. Das heißt, ethische Governance aufzubauen, klare Kennzahlen zu definieren und integrierte Feedbackschleifen einzurichten, durch die Organisationen Bedürfnisse antizipieren, Auswahlprozesse fairer gestalten und die Fähigkeiten der Belegschaft an strategische Langfristziele angleichen können.

Wie KI HR-Workflows und Entscheidungsfindung verändert

Immer wenn wir einen Workflow mit KI überarbeiten, orientieren wir uns an einem klaren Grundsatz: KI nimmt die manuelle Arbeit ab, strukturiert quantitative Signale und liefert Erkenntnisse, während die Menschen weiterhin für qualitative Bewertungen und finale Entscheidungen verantwortlich bleiben.

Hier sind einige Beispiele für Überarbeitungen, die wir vorgenommen haben:

1. Umfrageanalyse und organisatorische Feedbackschleifen

Eine der effektivsten Anwendungen von KI ist die Analyse großer Mengen an Umfragedaten. Mit mehreren angepassten Gemini-Modellen werten wir offene Textantworten aus, um wiederkehrende Themen, Stimmungsmuster und aufkommende Risiken in Teams und Regionen zu erkennen.

Anstatt uns auf manuelles Tagging oder anekdotische Interpretation zu verlassen, ermöglicht uns KI, Feedback in großem Maßstab zu strukturieren und qualitative Eingaben in strukturierte Signale zu verwandeln, die aufzeigen, wo Eingriffe am dringendsten erforderlich sind. Dies hat die Geschwindigkeit, Konsistenz und Objektivität der Organisationsentwicklungsplanung deutlich verbessert.

2. Interne Workflows und Beseitigung manueller Prozesse

Wir haben auch KI auf interne Workflows angewendet, um manuelle, sich wiederholende Arbeiten zu reduzieren. KI priorisiert Anfragen, strukturiert unformatierte Eingaben und unterstützt die Entscheidungsfindung in internen Abläufen.

Dadurch konnten wir den operativen Aufwand spürbar verringern, sodass sich Teams auf wertschöpfendere Tätigkeiten wie strategisches Problemlösen, die Einbindung von Stakeholdern und kontinuierliche Verbesserung statt auf administrative Ausführung konzentrieren können.

3. Leistungs- und Bewertungsprozesse

In internen Bewertungs- und Leistungsprozessen spielt KI eine entscheidende Rolle bei der quantitativen Analyse. KI durchsucht, aggregiert und verknüpft strukturierte Datenpunkte über die Zeit hinweg, sodass Bewertungen auf Langzeitbelegen statt auf jüngsten oder isolierten Ereignissen basieren.

So können Führungskräfte sich auf die qualitativen Aspekte der Bewertung konzentrieren – Beurteilung, Kontext, Entwicklungsgespräche und zukünftiges Potenzial – anstatt Daten zu sammeln. Dadurch entstehen diszipliniertere, gerechtere und evidenzbasierte Bewertungen.

4. Wissensaustausch und Alignment

Wir nutzen NotebookLM als gemeinsame Wissensbasis, um Prozesse, Entscheidungen und wiederkehrende Themen zu dokumentieren und so einen schnellen, sicheren Zugriff auf institutionelles Wissen zu gewährleisten. Informationen, die in diesem System erfasst werden, teilen wir transparent und angemessen, was das Alignment verbessert, Fehlinterpretationen reduziert und eine gemeinsame faktenbasierte Grundlage für alle Teams schafft.

5. Strategie, Entscheidungsfindung und Organisationsgestaltung

Auf strategischer Ebene unterstützt KI uns dabei, Unsicherheiten, Prioritäten und Zielkonflikte zu analysieren. Anstatt Entscheidungen vorzugeben, hilft KI dabei, Muster sichtbar zu machen, Ungewissheiten zu quantifizieren und Annahmen zu testen – besonders in Bereichen wie Rollengestaltung, Organisationseffektivität und Veränderungsinitiativen.

Wie prädiktive Analysen die Qualität von Einstellungsentscheidungen verbessern

Im Bereich Talentgewinnung waren unsere Durchlaufzeiten bereits konstant stark, im Bereich von 30 bis 35 Tagen, deshalb ging es uns nicht darum, die Geschwindigkeit zu verbessern. Die eigentliche Veränderung kam, als wir beschlossen, die Qualität des Bewerbertrichters statt die Prozessgeschwindigkeit zu optimieren.

Zuerst haben wir das Talentgewinnungsteam in prädiktiver Analyse und skills-basierter Workforce-Segmentierung geschult. Anstatt auf Volumen zu optimieren, haben wir unsere Intake- und Screening-Modelle so neugestaltet, dass sie vorhersagen, welche Profile am wahrscheinlichsten in bestimmten Rollen, Märkten und Teams erfolgreich sind. Dadurch konnten wir ganz bewusst die Anzahl der Kandidat:innen in jeder Prozessstufe reduzieren.

Praktisch gesprochen haben wir prädiktive Dashboards aufgebaut, die historische Einstellungsresultate, Leistungsdaten und Marktsignale kombinieren. Recruiter:innen nutzten diese Modelle daraufhin, um sich ausschließlich auf erfolgsversprechende Skills zu konzentrieren, das heißt: Von Qualität durch Volumen hin zu Qualität durch Präzision.

Aber nochmals: KI soll nicht menschliches Urteilsvermögen ersetzen, sondern es schärfen. Wir haben gezielt einen hohen Anteil an persönlichem Kontakt in Interviews, Kalibrierungsrunden und Endentscheidungen beibehalten. Diese Kombination ermöglichte es uns, eine bessere Candidate Experience zu bieten, differenziertere Bewertungen vorzunehmen und faire sowie konsistentere Entscheidungen zu erzielen.

Wie die Gestaltung von Stellenprofilen KI-gestützte Einstellungsresultate beeinflusst

Bevor ich mit prädiktiven Modellen arbeitete, habe ich unterschätzt, wie sehr mehrdeutige, inkonsistente oder aufgeblähte Stellenbeschreibungen die Einstellungsresultate und das Lernverhalten von KI-Systemen verfälschen können. Mit KI bestimmen die Ausgestaltung der Stellenausschreibung und deren Qualität jede nachgelagerte Entscheidung.

Die Analyse unserer historischen Einstelldaten mit prädiktiven Methoden zeigte sogar ein deutliches Muster: Variabilität in Rollenbeschreibungen führte zu schlechteren Ergebnissen – noch mehr als schwache Kandidatenqualität. Mit anderen Worten: Rollen mit unspezifischen Anforderungen, unrealistischen Erwartungen oder inkonsistenter Erfahrungsebene führten durchweg zu niedrigeren Umwandlungsraten, mehr Ablehnungen in späten Prozessphasen und schwächeren frühen Leistungen, unabhängig von der Stärke des Kandidatenpools.

Das hat unsere Strategie grundlegend verändert. Anstatt Stellenbeschreibungen als statische Vorgaben zu behandeln, haben wir sie als prädiktive Werkzeuge neu aufgesetzt. Wir nutzten historische Ergebnisse, um zwischen Anforderungen zu unterscheiden, die mit Erfolg korrelieren, und solchen, die nur Unruhe und Mehrdeutigkeit verstärkt haben. Mit der Zeit konnten wir so Rollendefinitionen vereinfachen, nicht-prädiktive Anforderungen streichen und die Auswahl auf eine kleinere Zahl von hochrelevanten Skills fokussieren.

Warum die Einführung von KI institutionalisiert und nicht nur als Pilotprojekt behandelt werden sollte

Die größte Diskrepanz, die ich kontinuierlich zwischen dem Versprechen von KI und der organisatorischen Realität beobachte, ist nicht technologisch, sondern organisatorisch und menschlich. Die meisten Unternehmen investieren viel in KI-Tools und erwarten Verbesserungen. Aber sie behalten die gleichen Anreize, die gleichen hierarchischen Strukturen und das weiterhin niedrige Datenverständnis in der Führungsebene bei.

Das Resultat ist, dass KI entweder ungenutzt bleibt oder falsch eingesetzt wird: Leistungsfähige Modelle liefern Erkenntnisse, denen nicht vertraut, die nicht verstanden oder auf die nicht reagiert wird.

Wir haben diese Diskrepanz überwunden, indem wir die Einführung von KI institutionalisiert haben, anstatt sie als eine Reihe von Pilotprojekten zu behandeln. Wir haben eine dedizierte, bereichsübergreifende Arbeitsgruppe gegründet, die sich auf KI-gestützte Entscheidungsfindung im Bereich Talentakquise konzentriert.

Die Arbeitsgruppe arbeitet mit expliziten, unternehmensweiten Zielen. Ihre beiden Hauptziele sind, die Konversionsraten entlang des Einstellungsprozesses mittels prädiktiver Segmentierung und Neugestaltung der Entscheidungsfindung um 50 % zu steigern und die Interviewstunden zusätzlich um 30 % zu reduzieren, indem Kandidat:innen mit geringer Erfolgsaussicht früher im Prozess aussortiert werden. Diese Zielsetzungen zwingen die Organisation dazu, sich nicht auf Experimente, sondern auf nachhaltige, systemische Leistungssteigerungen zu konzentrieren.

Über Kennzahlen hinaus ist die Gruppe verantwortlich für die Neugestaltung von Entscheidungsabläufen, bevor Automatisierung eingeführt wird. Wir erfassen, wo kritische Einstellungen vorgenommen werden, wer sie verantwortet, welche Daten erforderlich sind und wo menschliches Urteilsvermögen weiterhin zentral bleiben muss. Erst wenn die Entscheidungsarchitektur klar ist, implementieren wir KI, um gezielt einzelne Schritte zu unterstützen, anstatt Tools auf ineffiziente Prozesse zu legen.

Wir verankern außerdem Governance von Anfang an im Design. Dazu gehören menschliche Übersteuerung, Überwachung von Verzerrungen und Modellabweichungen, klare Verantwortlichkeiten für Modellergebnisse und ethische Prüfungen von Anwendungsfällen mit großer Auswirkung. Ohne solche Strukturen skaliert KI sowohl gute als auch schlechte Entscheidungen gleichzeitig.

Was es bedeutet, im HR-Bereich und bei der Talentakquise KI-bereit zu sein

Wir sehen KI weniger als eine Ansammlung von Tools, sondern als eine Denkweise zur Entscheidungsfindung. In unserer Organisation bedeutet KI-bereit zu sein, ständig bessere Fragen zu stellen: Welche Signale sind entscheidend, wo bestehen Unsicherheiten und wie kann die Datenlage menschliches Urteilsvermögen unterstützen?

KI-Kompetenz wird bei uns im Arbeitsalltag aufgebaut, nicht durch formale Trainings. Teams lernen, KI zu nutzen, um Muster sichtbar zu machen, Annahmen zu testen und Entscheidungsprozesse in Umfragen, Bewertungen und operativen Abläufen zu strukturieren.

In der Praxis spiegelt sich das darin wider, wie wir Entscheidungen treffen: durch evidenzbasierte Diskussionen, klarere Annahmen, bessere Dokumentation und eine gemeinsame Sprache für den Umgang mit Unsicherheit. KI trifft keine Entscheidungen für uns, sondern prägt, wie wir vor einer Entscheidung denken.

Carla’s dreistufiger Werkzeug-Stack

Für KI-gestützte Ausführung verwenden wir verschiedene Tool-Kategorien. Für Sprachverständnis, Stellenentwicklung und strukturierte Wissensunterstützung nutzen wir Gemini, einen internen KI-Agenten, und NotebookLM. NotebookLM dient als sichere interne Wissensschicht zur Dokumentation von Abläufen und für den schnellen, gesteuerten Zugriff auf institutionelles Wissen.

Für Interview-Intelligenz setzen wir BrightHire ein, um strukturierte Interview-Signale zu erfassen und die Kalibrierung sowie die Qualität des Feedbacks zu verbessern.

Innerhalb unserer zentralen Recruiting-Plattform nutzen wir Greenhouse AI vor allem zur Zusammenfassung von Bewertungsbögen und zur strukturierten Aufbereitung von Interview-Feedback, wobei die Entscheidungsgewalt immer vollständig bei den Menschen verbleibt.

Warum NotebookLM und ChatGPT eine unverzichtbare kognitive Infrastruktur sind

Ich bin aktuell besonders fasziniert von zwei Tools: NotebookLM und ChatGPT. Ich setze sie in sehr unterschiedlichen Kontexten ein.

ChatGPT nutze ich ausschließlich für persönliche Zwecke, außerhalb meines Unternehmensumfelds. Es ist zu meinem wichtigsten persönlichen Lern- und Denk-Tool geworden. Ich nutze es für alles — von strukturiertem Lernen und Schreiben bis hin zum Erkunden von Ideen, zur Planung und Reflexion.

Die Plattform selbst zeigt an, dass ich zu den Vielnutzern gehöre — was verdeutlicht, wie sehr ChatGPT inzwischen Teil meines persönlichen kognitiven Workflows geworden ist. Die größte Auswirkung besteht darin, meine Lernprozesse zu beschleunigen, meine Gedankenklarheit zu verbessern und mir dabei zu helfen, komplexe Themen noch fundierter zu durchdenken.

Im beruflichen Kontext investiere ich am meisten in NotebookLM. Ich nutze es intensiv, um meine Einzelgespräche zu dokumentieren und zu strukturieren, wiederkehrende Themen zu verfolgen und eine konsistente, evidenzbasierte Sicht auf die individuelle Entwicklung und Leistung über die Zeit zu wahren.

Diese Notizen und Zusammenfassungen teile ich transparent mit den Personen, mit denen ich mich austausche – was besonders wirkungsvoll ist. Es entsteht ein einheitliches, abgestimmtes Protokoll zu Erwartungen, Feedback und Vereinbarungen, wodurch Vertrauen, Fairness und Konsistenz bei der Leistungsbeurteilung deutlich verbessert werden. Beide Seiten arbeiten auf der gleichen Faktenbasis, statt sich auf Erinnerung oder subjektive Interpretation zu verlassen.

Das hat zu einem disziplinierteren und gerechteren Ansatz im Leistungsmanagement geführt: besseres Einhalten von Entwicklungsmaßnahmen, weniger Missverständnisse und höhere Übereinstimmung zwischen Führungskräften und Teammitgliedern.

Was ich an diesen Tools am meisten schätze, ist, dass sie keine Automatisierungswerkzeuge sind, sondern kognitive Infrastruktur. Richtig eingesetzt, ersetzen sie kein Urteilsvermögen – sie verbessern die Qualität, Fairness und Transparenz, wie Urteile gefällt werden.

Wie sich Talent Acquisition in den nächsten fünf Jahren verändern wird

Talent Acquisition wird künftig nicht mehr vorrangig an Geschwindigkeit oder Menge gemessen, sondern wird zu einer Funktion für Entscheidungsqualität. In den nächsten fünf Jahren wird sich die Rolle davon wegbewegen, nur Einstellungsprozesse auszuführen, hin dazu, wie Organisationen die Gestaltung und Steuerung von Talententscheidungen unter Unsicherheit übernehmen.

KI wird zunehmend Skalierung, Mustererkennung und Signalextraktion übernehmen – von der Stellenbeschreibung bis zum Matching mit dem Markt – während Talentteams viel präziser und bewusster Auswahlsysteme entwerfen und umsetzen. Der Wettbewerbsvorteil wird aus einer klareren Rollenbeschreibung, besserer Signalqualität entlang des Auswahltrichters und konsistenteren, evidenzbasierten Auswahlentscheidungen entstehen.

Branchenweit wird es meiner Ansicht nach eine deutliche Trennung geben: Organisationen, die KI als Mindset in ihr Betriebsmodell integrieren, werden denen, die sie nur als eine Sammlung von Tools sehen, grundsätzlich überlegen sein. Die Zukunft der Funktion liegt bei Teams, die bessere Entscheidungen gestalten, nicht nur schnellere Prozesse.

Wie Führungskräfte KI gezielt im HR-Bereich einsetzen können

Für Menschen in Positionen wie meiner ist mein Ratschlag, aufzuhören, KI als optionale Ergänzung zu betrachten und sie stattdessen zu einem festen Bestandteil des modus operandi der Arbeitsweise zu machen. Das bedeutet, sich zunächst darauf zu konzentrieren, administrative Reibungen mit KI zu beseitigen. An diesem Punkt ist es ein Widerspruch, sich KI zu verweigern: Die Frage ist nicht mehr, ob wir sie einsetzen, sondern wie bewusst und verantwortungsvoll wir sie in alltägliche Entscheidungen und Arbeitsabläufe einbinden.

Gleichzeitig müssen wir klarstellen, was weiterhin vom Menschen übernommen werden sollte. KI ist extrem effizient bei der Bewältigung von Skalierung, Strukturierung von Informationen und Reduzierung von Störgeräuschen. Richtig genutzt, verschafft sie Menschen mehr – nicht weniger – Freiraum, sich auf das Wesentliche zu konzentrieren: Urteilsvermögen, Beziehungen, Ethik, Kreativität und sinnvollen Dialog.

Allgemeiner gesprochen lautet mein Rat an Führungskräfte, KI als einen Faktor zu betrachten, der Prioritäten klärt. Erfolgreiche Unternehmen setzen KI ein, um Aufgaben zu eliminieren, die Technologie besser erledigt als Menschen, und investieren diese gewonnene Zeit und Aufmerksamkeit bewusst in hochwertigere zwischenmenschliche Interaktionen.

Statt Führungskräfte zu schwächen, schafft KI die Voraussetzungen dafür, dass durchdachtere, fokussierte und menschlichere Führung entsteht.

Bleiben Sie dran

Sie können Carlas Arbeit zur Revolutionierung der Talent Acquisition auf LinkedIn verfolgen.

Weitere Experten-Interviews folgen bei People Managing People!