Leiterin der Talentakquise bei Thoughtworks erklärt, wie Recruiting mit KI datengetrieben und vorausschauend wird

Im Verlauf 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. Früh in meiner Karriere war ich außerdem als strategische Talent-Business-Partnerin tätig und beriet leitende und geschäftsführende Führungskräfte in Bezug auf Personalplanung, Organisationsdesign und Personalstrategie.

Die Arbeit im großen Maßstab hat meinen Führungsstil geprägt – ich habe Teams mit mehr als 50 Recruiter:innen gemanagt, 600 bis 2.000 Einstellungen pro Jahr verantwortet und dabei stets Rekordergebnisse bei Einstellungseffizienz, Kandidatenerfahrung und organisatorischem Wachstum erzielt.

Zusätzlich zu meiner Führungsverantwortung für die Talentgewinnung habe ich strategische Programme im Employer Branding, Diversity & Inclusion und Hochschulrecruiting aufgebaut und geleitet. Dazu gehörten Initiativen, die die Einstellung von Frauen und Menschen mit Behinderung deutlich erhöht und Einstiegsprogramme in mehreren Ländern ausgebaut haben.

Neben meinen Corporate-Rollen bin ich auch als unabhängige Beraterin für beecrowd tätig, eine globale Plattform für Wettbewerbsprogrammierung und technische Assessments, die von Universitäten und Technologieunternehmen genutzt wird, um Softwareentwicklungskompetenzen in großem Maßstab zu evaluieren. In dieser Rolle berate ich zu Bewertungsrahmen für Talente, Skill-Assessments und der Verbindung zwischen technischer Exzellenz und Personalstrategie.

In den letzten Jahren lag mein Schwerpunkt zunehmend darauf, wie KI und datenbasierte Rekrutierung Führung, Talentstrategie und das Design von Hochleistungsorganisationen in komplexen, internationalen Umgebungen verändern.

Warum KI mehr als nur Technologie verändert

Durch KI hat sich meine Rolle als Führungskraft in der Talentgewinnung von der reinen Umsetzung hin zur Entwicklung strategischer Talentsysteme gewandelt, die KI einsetzen, um zu transformieren, wie Organisationen Talente gewinnen, bewerten und binden. Dieser Wandel ist nicht nur technologisch – er verändert Führungsverantwortung, Organisationsdesign und das Zusammenspiel von Mensch und Daten.

Talentgewinnung war traditionell transaktional, doch diese Transformation macht sie datenbasiert und prognostizierend. Statt auf manuelles Screening und historische Durchschnittswerte zu setzen, nutzen wir nun KI-basierte Lernagenten und Prognosemodelle, die große Datenmengen analysieren, Erfolgsmuster erkennen und passgenaue Kandidat:innen empfehlen.

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

Führung in einer KI-First-Ära bedeutet letztlich, Entscheidungsarchitekturen zu gestalten: Systeme, in denen Menschen, Daten und KI zusammenarbeiten, um bessere Ergebnisse zu erzielen. Das heißt, es braucht ethische Governance, klare Kennzahlen und integrierte Feedbackschleifen, die es Organisationen ermöglichen, Bedarfe vorauszusehen, Vorurteile bei der Auswahl zu reduzieren und die Qualifikation der Belegschaft mit langfristigen strategischen Zielen zu verknüpfen.

Wie KI HR-Arbeitsabläufe und Entscheidungsfindung verändert

Wann immer wir einen Prozess mit KI neu aufstellen, orientieren wir uns an einem klaren Prinzip: KI nimmt manuelle Arbeit ab, strukturiert quantifizierbare Signale und liefert Erkenntnisse, während Menschen weiterhin für die qualitative Bewertung und die endgültigen Entscheidungen verantwortlich bleiben.

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

1. Umfrageauswertung und organisatorische Feedbackschleifen

Einer der effektivsten Einsatzbereiche von KI ist die Analyse großer Mengen an Umfragedaten. Mit mehreren individuell angepassten Gemini-Modellen verarbeiten wir offene Textantworten, um wiederkehrende Themen, Stimmungsbilder und aufkommende Risiken über Teams und Regionen hinweg zu identifizieren.

Anstatt uns auf manuelles Tagging oder anekdotische Auswertung zu verlassen, ermöglicht KI es uns, Feedback in großem Maßstab zu parametrisieren und qualitative Eingaben in strukturierte Signale zu überführen, die aufzeigen, wo Interventionen am dringendsten benötigt werden. Das hat die Geschwindigkeit, Konsistenz und Objektivität der organisatorischen Verbesserungsplanung deutlich gesteigert.

2. Interne Arbeitsabläufe und Beseitigung manueller Prozesse

Wir haben außerdem KI auf interne Arbeitsabläufe angewendet, um manuelle, repetitive Aufgaben zu reduzieren. KI priorisiert Anfragen, strukturiert unformatierte Eingaben und unterstützt die Entscheidungsfindung in internen Prozessen.

Dadurch konnten die operativen Aufwände spürbar gesenkt werden, sodass sich Teams auf höherwertige Aufgaben wie strategische Problemlösung, Zusammenarbeit mit Interessengruppen und kontinuierliche Verbesserungen konzentrieren können, anstatt Verwaltungsaufgaben abzuarbeiten.

3. Leistungs- und Bewertungsprozesse

In internen Bewertungs- und Leistungsprozessen spielt KI eine entscheidende Rolle bei der quantitativen Analyse. KI durchsucht, aggregiert und vergleicht strukturierte Datenpunkte über längere Zeiträume, sodass Bewertungen auf langfristigen Erkenntnissen beruhen statt auf der jüngsten oder einzelnen Ereignissen.

Dadurch können Führungskräfte sich auf die qualitativen Aspekte der Bewertung konzentrieren – Urteilsvermögen, Kontext, Entwicklungsgespräche und zukünftiges Potenzial – statt auf die Datensammlung. Das Ergebnis sind diszipliniertere, fairere und evidenzbasierte Bewertungen.

4. Wissenstransfer und Abstimmung

Wir nutzen NotebookLM als gemeinsame Wissensplattform, um Prozesse, Entscheidungen und wiederkehrende Themen zu dokumentieren und so einen schnellen und sicheren Zugriff auf institutionelles Wissen zu gewährleisten. Die in diesem System erfassten Informationen teilen wir dort, wo es angemessen ist, transparent. Dies verbessert die Abstimmung, reduziert Missverständnisse und sorgt für eine gemeinsame Faktengrundlage in den Teams.

5. Strategie, Entscheidungsfindung und Organisationsgestaltung

Auf strategischer Ebene unterstützt KI unsere Überlegungen zu Unsicherheiten, Prioritäten und Zielkonflikten. Anstatt Entscheidungen vorzugeben, hilft KI dabei, Muster deutlich zu machen, Unklarheiten zu quantifizieren und Annahmen zu testen – insbesondere in Bereichen wie Rollengestaltung, organisatorischer Effektivität und Veränderungsinitiativen.

Wie prädiktive Analytik die Qualität von Einstellungsentscheidungen verbessert

Im Recruiting war unsere Durchlaufzeit bereits konstant stark – im Bereich von 30 bis 35 Tagen. Unser Ziel war daher nicht die Geschwindigkeit, sondern die Qualität des Funnels und nicht das Tempo des Prozesses.

Als Erstes schulten wir das Recruiting-Team in prädiktiver Analyse und segmentierten die Belegschaft nach Fähigkeiten. Anstatt auf Masse zu optimieren, haben wir unser Intake- und Screening-Modell so ausgerichtet, dass es vorhersagen kann, welche Profile in bestimmten Rollen, Märkten und Teams am wahrscheinlichsten erfolgreich sein würden. So konnten wir die Zahl der Kandidat:innen in jedem Verfahrensschritt gezielt verringern.

Praktisch gesehen haben wir prädiktive Dashboards erstellt, die historische Einstellungsdaten, Leistungsdaten und Marktsignale kombinieren. Recruiter nutzen diese Modelle nun gezielt, um sich auf erfolgsversprechende Fähigkeiten zu konzentrieren – also von Qualität durch Masse hin zu Qualität durch Präzision.

Doch noch einmal: KI sollte das menschliche Urteilsvermögen nicht ersetzen, sondern es schärfen. Wir haben bewusst darauf geachtet, dass der Mensch im Zentrum bleibt: bei Interviews, Kalibrierungsgesprächen und endgültigen Entscheidungen. Diese Kombination verschaffte uns eine bessere Candidate Experience, durchdachtere Bewertungen sowie fairere und konsistentere Entscheidungen.

Wie Stellenkonfiguration die KI-gestützten Recruiting-Ergebnisse beeinflusst

Bevor ich mit prädiktiven Modellen gearbeitet habe, habe ich häufig unterschätzt, wie sehr unklare, inkonsistente oder überzogene Stellenbeschreibungen sowohl die Ergebnisse im Recruiting als auch das Lernverhalten von KI-Systemen verfälschen können. Mit KI bestimmen die Stellenkonfiguration und die Qualität der Positionsbeschreibung jede nachgelagerte Entscheidung.

Tatsächlich zeigte die Auswertung unserer historischen Einstellungsdaten ein klares Muster: Variabilität in der Rollendefinition führte zu schlechteren Ergebnissen – und zwar noch stärker als geringe Kandidatenqualität. Konkret: Rollen mit schlecht beschriebenen Kompetenzen, unrealistischen Anforderungen oder uneinheitlichen Senioritätskriterien führten konsistent zu niedrigerer Umwandlungsrate, mehr Ablehnungen in späten Prozessphasen und schwächerer Anfangsperformance – ungeachtet der Stärke des Bewerberpools.

Dies veränderte unsere Strategie grundlegend. Anstatt Stellenbeschreibungen als statische Vorgabe zu sehen, haben wir sie als prädiktive Artefakte konzipiert. Mithilfe historischer Daten haben wir die Anforderungen, die mit Erfolg korrelieren, von solchen unterschieden, die nur Rauschen und Verwirrung erzeugen. Im Zeitverlauf wurden so Rollendefinitionen vereinfacht, nicht-prädiktive Anforderungen entfernt und der Fokus beim Recruiting auf einen kleineren Kreis von klaren Schlüsselfähigkeiten gelegt.

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

Die größte Diskrepanz, die ich immer wieder zwischen dem Versprechen von KI und der organisatorischen Realität sehe, ist nicht technologischer, sondern organisatorischer und menschlicher Natur. Die meisten Unternehmen investieren stark in KI-Tools und erwarten Verbesserungen. Doch sie behalten die gleichen Anreizsysteme, die gleiche hierarchische Struktur und die nach wie vor geringe Datenkompetenz in der Führungsebene bei.

Das Ergebnis ist, dass KI entweder zu wenig oder falsch eingesetzt wird: Leistungsstarke Modelle liefern Erkenntnisse, denen nicht vertraut wird, die nicht verstanden oder nicht umgesetzt werden.

Wir haben diese Diskrepanz überwunden, indem wir die Einführung von KI institutionalisiert und nicht nur als Abfolge von Pilotprojekten betrachtet haben. Wir haben eine dedizierte, funktionsübergreifende Arbeitsgruppe gegründet, die sich auf KI-gestütztes Entscheidungsdesign im Talentmanagement konzentriert.

Die Arbeitsgruppe arbeitet mit expliziten Geschäftszielen auf Unternehmensebene. Ihre beiden Hauptziele sind: die Conversion-Raten im gesamten Einstellungsprozess durch prädiktive Segmentierung und Redesign der Entscheidungswege um 50 % zu erhöhen und die Interviewstunden zusätzlich um 30 % zu senken, indem Kandidaten mit geringer Erfolgschance früher im Prozess aussortiert werden. Diese Vorgaben zwingen die Organisation dazu, sich nicht auf Experimente zu konzentrieren, sondern auf nachhaltige und systematische Leistungssteigerungen.

Über die Kennzahlen hinaus ist die Gruppe für die Neugestaltung der Entscheidungsabläufe verantwortlich, bevor Automatisierung eingeführt wird. Wir legen fest, wo wichtige Einstellungen getroffen werden, wer dafür verantwortlich ist, welche Daten benötigt werden und wo menschliches Urteilsvermögen weiterhin im Zentrum stehen muss. Erst wenn die Entscheidungsarchitektur klar ist, führen wir KI gezielt ein, um bestimmte Schritte zu unterstützen – statt Tools auf fehlerhafte Prozesse zu setzen.

Wir integrieren Governance von Anfang an ins Design. Das beinhaltet menschliches Eingriffsrecht, Überwachung von Verzerrungen und Abweichungen, klare Verantwortlichkeit für Modellergebnisse und eine ethische Überprüfung von Anwendungsfällen mit hoher Auswirkung. Ohne dies tendiert KI dazu, sowohl gute als auch schlechte Entscheidungen gleichzeitig zu skalieren.

Was es bedeutet, in HR und Talentmanagement für KI bereit zu sein

Wir betrachten KI weniger als eine Sammlung von Tools und mehr als Denkweise für Entscheidungen. In unserem Unternehmen bedeutet KI-Bereitschaft konsequent, bessere Fragen zu stellen: Welche Signale sind relevant? Wo gibt es Unsicherheit? Wie können Daten das menschliche Urteil unterstützen?

KI-Kompetenz entsteht bei uns durch die tägliche Arbeit, nicht durch formale Trainings. Teams lernen, indem sie KI nutzen, um Muster zu erkennen, Annahmen zu überprüfen und Entscheidungen im Rahmen von Umfragen, Bewertungen und operativen Abläufen zu strukturieren.

In der Praxis zeigt sich das in unserer Entscheidungsfindung: mehr evidenzbasierte Diskussionen, klarere Annahmen, bessere Dokumentation und eine gemeinsame Sprache für den Umgang mit Unsicherheit. KI trifft nicht die Entscheidungen, sondern prägt unser Denken, bevor wir diese treffen.

Carlas dreischichtiger Tool-Stack

Für KI-gestützte Umsetzung nutzen wir verschiedene Arten von Tools. Für Sprachverstehen, Stellenkonzeption und strukturierte Wissensunterstützung verwenden wir Gemini, einen internen KI-Agenten, und NotebookLM. Diese dienen als sichere interne Wissensschicht, um Prozesse zu dokumentieren und schnellen, gesteuerten Zugriff auf institutionelles Wissen bereitzustellen.

Für Interviewanalyse setzen wir BrightHire ein, um strukturierte Interview-Signale zu erfassen und Kalibrierung und Feedbackqualität zu verbessern.

In unserer zentralen Recruiting-Plattform verwenden wir Greenhouse AI hauptsächlich zur Zusammenfassung von Scorecards und zur strukturierten Synthese von Interview-Feedback, wobei stets die vollständige Entscheidungsfreiheit beim Menschen verbleibt.

Warum NotebookLM und ChatGPT eine unverzichtbare kognitive Infrastruktur sind

Aktuell faszinieren mich zwei Tools besonders: NotebookLM und ChatGPT. Ich setze sie in sehr unterschiedlichen Kontexten ein.

ChatGPT nutze ich ausschließlich für persönliche Zwecke außerhalb meines beruflichen Umfelds. Es ist mein zentrales Werkzeug für Denken und Lernen geworden. Ich nutze es für alles – von strukturiertem Lernen und Schreiben bis hin zur Ideenentwicklung, Planung und Reflexion.

Die Plattform selbst weist mich als einen ihrer Top-Nutzer aus, was zeigt, wie sehr sie Teil meines persönlichen kognitiven Workflows geworden ist. Ihr Hauptnutzen für mich ist die Beschleunigung meines Lernens, mehr Klarheit beim Denken und besseres, fundiertes Nachdenken über komplexe Themen.

Im beruflichen Kontext investiere ich vor allem in NotebookLM. Ich nutze es intensiv, um meine Einzelgespräche zu dokumentieren und zu strukturieren, wiederkehrende Themen zu verfolgen sowie eine konsistente, evidenzbasierte Sicht auf Entwicklung und Leistung einzelner über die Zeit zu behalten.

Ich teile diese Notizen und Zusammenfassungen offen mit den Menschen, mit denen ich mich austausche – das macht dieses Tool besonders kraftvoll. Es schafft einen einheitlichen, abgestimmten Nachweis von Erwartungen, Feedback und Vereinbarungen und hat Vertrauen, Fairness und Konsistenz in der Leistungsbewertung erheblich verbessert. So können beide Seiten mit den gleichen Fakten arbeiten, anstatt aus der Erinnerung oder von subjektiven Interpretationen auszugehen.

Daraus resultiert ein viel disziplinierterer und fairerer Umgang mit Leistungsmanagement: konsequenteres Verfolgen von Entwicklungsmaßnahmen, weniger Missverständnisse und bessere Übereinstimmung zwischen Führungskräften und Teammitgliedern.

Was ich an diesen Tools am meisten schätze, ist, dass sie keine Automatisierungstools sind, sondern kognitive Infrastruktur. In dieser Weise genutzt, ersetzen sie kein Urteilsvermögen – sie verbessern die Qualität, Fairness und Transparenz bei der Ausübung von Urteilsvermögen.

Wie sich Talentgewinnung in den nächsten fünf Jahren verändern wird

Die Talentgewinnung wird künftig nicht mehr in erster Linie an Geschwindigkeit oder Menge gemessen, sondern zu einer Entscheidungsqualitätsfunktion werden. In den nächsten fünf Jahren wird sich die Rolle von der Durchführung von Einstellungsprozessen hin zur Gestaltung und Steuerung von Talententscheidungen unter Unsicherheit entwickeln.

Künstliche Intelligenz wird zunehmend Skalierung, Mustererkennung und Signalextraktion übernehmen – vom Jobdesign bis zum Matching am Markt – während Talent-Teams viel präziser und gezielter Auswahlprozesse entwerfen und umsetzen. Der Wettbewerbsvorteil wird durch klarere Rollenbeschreibungen, bessere Signalqualität entlang des Auswahltrichters und konsequentere, evidenzbasierte Auswahlentscheidungen entstehen.

Auf Branchenebene glaube ich, dass wir eine deutliche Trennung sehen werden: Organisationen, die KI als Denkweise im Betriebsmodell verankern, werden grundlegend besser abschneiden als diejenigen, die sie nur als Tool betrachten. Die Zukunft der Funktion gehört Teams, die bessere Entscheidungen gestalten, nicht nur schnellere Prozesse.

Wie Führungskräfte KI gezielt im HR einsetzen können

Mein Rat an Personen in ähnlichen Rollen wie meiner: Hört auf, KI als optionale Ergänzung zu sehen, und fangt an, sie als Teil des modus operandi zu begreifen, wie Arbeit erledigt wird. Der Widerstand gegen KI ist inzwischen ein Widerspruch: Es geht nicht mehr darum, ob wir sie nutzen, sondern darum, wie bewusst und verantwortungsvoll wir sie in Alltagsentscheidungen und Arbeitsabläufe integrieren.

Gleichzeitig müssen wir klar definieren, was menschlich bleiben sollte. KI ist extrem effektiv bei der Skalierung, Strukturierung von Informationen und der Reduktion von Störungen. Richtig eingesetzt, ermöglicht sie es Menschen, sich stärker – nicht weniger – auf das zu konzentrieren, was zählt: Urteilsvermögen, Beziehungen, Ethik, Kreativität und bedeutungsvolle Dialoge.

Generell rate ich Führungskräften, KI als Kraft zu betrachten, die Prioritäten klärt. Erfolgreiche Organisationen nutzen KI, um Arbeit abzubauen, die die Technologie besser erledigt als Menschen, und investieren die gewonnene Zeit und Aufmerksamkeit gezielt in hochwertigere menschliche Interaktionen.

Statt Führung zu schwächen, schafft KI die Bedingungen dafür, dass eine bedachtere, fokussiertere und menschlichere Führung wächst.

Bleiben Sie dran

Sie können Carlas Arbeit an der Revolutionierung der Talentgewinnung auf LinkedIn verfolgen.

Weitere Experteninterviews folgen auf People Managing People!