Wie Spott’s KI-Abgleich tatsächlich funktioniert: Vom Aufnahmegespräch zur sortierten Auswahlliste

Kurz gesagt

KI-Kandidatenabgleich ist der Prozess, bei dem die bereits in Ihrer Datenbank vorhandenen Personen anhand ihrer Bedeutung und nicht anhand von Schlüsselwörtern einer Rolle zugeordnet und bewertet werden. Spott erstellt die Suchkriterien aus Ihren Notizen zum Anforderungsprofil, durchsucht jeden Kandidateneintrag und gibt eine geordnete Auswahlliste mit einer schriftlichen Begründung für jedes Ergebnis zurück.

Spott liest mehr als den Lebenslauf. Interviewnotizen, Gesprächszusammenfassungen, Besprechungstranskripte, E-Mails, importierte Profile und manuelle Notizen fließen alle in denselben Index ein.

Kandidaten werden nach Punktzahl geordnet zurückgegeben und anhand einer Bewertungskarte Kriterium für Kriterium bewertet – von sehr stark bis schwach.

Jedes Ergebnis wird in verständlicher Sprache erklärt, einschließlich der negativen Aspekte. Wenn jemand überqualifiziert ist, wird dies angegeben.

Die Suche nach Schlüsselwörtern und die boolesche Suche gibt es weiterhin. Der Abgleich ist die Alternative, nicht der Ersatz.

Die Entscheidung trifft weiterhin der Recruiter. Der Abgleich erstellt eine lesenswerte Auswahlliste, aber keine Einstellungsentscheidung.

Warum „KI-Abgleich“ eine Definition braucht

Nahezu jede Recruiting-Plattform auf dem Markt wirbt inzwischen mit KI-Abgleich. Nur sehr wenige meinen damit dasselbe, und bei einer beträchtlichen Anzahl bedeutet es lediglich: „Wir haben unserer Stichwortsuche eine Synonymliste hinzugefügt.“

Entscheidend ist, wonach das System sucht. Herkömmliche Recruiting-Datenbanken sind relational aufgebaut: Zeilen, Spalten, Tags und ein Suchfeld, das nach der eingegebenen Zeichenfolge sucht. Wenn in einem Datensatz „Fußballtrainer“ steht und Sie nach „Football“ suchen, erhalten Sie kein Ergebnis. Wenn Ihr Berater jemanden vor vier Jahren als „Manager für Geschäftsentwicklung“ gekennzeichnet hat und Sie nach „Kundenbetreuer“ suchen, erhalten Sie ebenfalls kein Ergebnis – obwohl es offensichtlich dieselbe Person ist, die Sie suchen.

Dieser Fehler hat eine bekannte Folge. Recruiter verlieren das Vertrauen in die Datenbank und kehren zu LinkedIn zurück, um Personen wiederzufinden, die das Unternehmen bereits kennt. Ein Agenturleiter, mit dem wir gesprochen haben, brachte es unverblümt auf den Punkt: Der erste Anlaufpunkt der Recherchekräfte bei einer neuen Suche ist LinkedIn und nicht das CRM, für das das Unternehmen bezahlt. Er bezeichnete das als verkehrte Welt – und er hat recht.

Spott geht das anders an. Kandidateneinträge werden vektorisiert, das heißt, sie werden nach ihrer Bedeutung und nicht nach einer exakten Zeichenfolge indexiert. Sie beschreiben in gewöhnlichen Sätzen, was Sie benötigen, und das System berücksichtigt den gesamten Datensatz. Das ist der Mechanismus, der allem Folgenden zugrunde liegt.

Schritt 1: Die Kriterien werden aus dem Anforderungsprofil erstellt, nicht aus einem leeren Feld

Der Abgleich beginnt, bevor jemand eine Suche eingibt.

Wenn Sie mit einem Personalverantwortlichen ein Anforderungs- bzw. Erstgespräch führen, nimmt Spott an der Besprechung teil, zeichnet sie auf, transkribiert sie und erstellt eine strukturierte Zusammenfassung des Anforderungsprofils in der Vorlage, die Ihr Unternehmen verwendet. Diese Zusammenfassung wird automatisch mit der Stelle und dem Ansprechpartner des Kunden verknüpft.

Wenn Sie anschließend das Abgleichswerkzeug öffnen, schlägt Spott die Suchkriterien für Sie vor, abgeleitet aus der Stellenbeschreibung und diesem Gespräch zum Anforderungsprofil. Auf dem Bildschirm sehen Sie eine Reihe von Kriterien in natürlicher Sprache und keine leere Suchleiste.

Von dort an liegt die Kontrolle bei Ihnen. Sie können jedes Kriterium neu formulieren, vom System übersehene Kriterien hinzufügen, Kriterien löschen, die sich als unwichtig erwiesen haben, und die Gewichtung ändern, sodass beispielsweise Branchenerfahrung stärker zählt als die Seniorität. Dieser Teil wird in den meisten Vorführungen übersprungen, ist aber der Teil, der erfahrenen Recruitern am wichtigsten ist: Die Suche wird aus erfassten Kriterien erstellt, die Sie sehen und ändern können, und nicht aus einer verborgenen Eingabeaufforderung.

Schritt 2: Beschreiben Sie die Rolle so, wie Sie sie einem Kollegen beschreiben würden

Die Kriterien sind Sätze in klarer Sprache. Zum Beispiel:

„Softwareentwickler mit mindestens drei Jahren praktischer Erfahrung in Java und Python, derzeit in Belgien ansässig und im Bereich B2B-Software tätig.“

Oder vier oder fünf Sätze, die ein Führungsprofil so nuanciert beschreiben, wie ein Berater für die Führungskräftevermittlung einen Recherchemitarbeiter tatsächlich briefen würde.

Für Dinge, die tatsächlich binär sind, können Sie zusätzlich harte Filter anwenden: Standort, Verfügbarkeit, Arbeitserlaubnis und Gehaltsband. Die semantische Suche übernimmt die Beurteilung; harte Filter kümmern sich um die Fakten.

Was Sie nicht mehr tun müssen, ist, boolesche Suchzeichenfolgen zu erstellen. Die boolesche Suche steht in Spott weiterhin für Fälle zur Verfügung, in denen sie das richtige Werkzeug ist, und viele Recruiter verwenden sie weiterhin für schnelle Abfragen. Aber wenn es darum geht, „die Personen in unserer eigenen Datenbank zu finden, die diese Stelle übernehmen könnten“, ist es besser, die Rolle zu beschreiben, als eine Abfrage zusammenzustellen.

Schritt 3: Die Suche liest alles, was mit der Person verknüpft ist

Hierher kommt die Tiefe, und dieser Teil ist besonders schwer nachzubilden, wenn Ihre Plattform vor fünfzehn Jahren auf einer relationalen Datenbank aufgebaut wurde.

Wenn der Scan ausgeführt wird, betrachtet Spott jeden Kontext, der einem Kandidateneintrag zugeordnet ist:

• Der Lebenslauf, aufgeschlüsselt in strukturierte Angaben zu Berufserfahrung und Ausbildung
• Profildaten, die beim erstmaligen Hinzufügen des Kandidaten importiert wurden
• Interviewnotizen und manuelle Notizen, die von einem beliebigen Berater des Unternehmens verfasst wurden
• Zusammenfassungen von Gesprächen und Besprechungsprotokolle, die vom Notizassistenten erfasst wurden
• E-Mail-Korrespondenz, die dem Eintrag zugeordnet ist
• Angereicherte Daten, die dem Profil hinzugefügt wurden

All diese Informationen durchlaufen denselben Index. Daher ist ein Detail, das ein Kollege vor zwei Jahren in einem Screening-Gespräch erfasst hat und das nie in ein strukturiertes Feld gelangte, weil niemand Zeit dafür hatte, auch heute noch durchsuchbar. Das ist der praktische Unterschied zwischen einer Datenbank und einem institutionellen Gedächtnis.

Schritt 4: Eine gerankte Vorauswahlliste, Kriterium für Kriterium bewertet

Der Scan gibt Ihre Datenbank anhand der Kriterien geordnet zurück. Jeder Kandidat erhält eine Gesamtbewertung sowie eine separate Bewertung für jedes Kriterium der Bewertungsmatrix – von sehr stark bis schwach.

Dieser zweite Teil macht die Liste verständlich. Eine einzige zusammengefasste Bewertung sagt fast nichts aus, denn zwei Kandidaten mit 75 % können aus völlig unterschiedlichen Gründen auf 75 % kommen. Wenn die Kriterien als Spalten angezeigt werden, sehen Sie sofort, welcher Kandidat in allen Bereichen stark ist und welcher trotz eines ordentlichen Durchschnitts eine erhebliche Lücke aufweist.

Einige Dinge sollte man beim Lesen dieser Liste verstehen.

Eine schwache Übereinstimmung ist trotzdem eine Übereinstimmung. Das ist kein fehlgeschlagenes Ergebnis, sondern ein Kandidat, der einen Teil der Anforderungen erfüllt und den Rest nicht. Bei schwer zu besetzenden Positionen beginnen die interessanten Gespräche oft genau in der unteren Hälfte der Liste.

Die Liste kann neu geordnet werden. Wenn Sie die Liste von oben betrachten und feststellen, dass Sie das Anforderungsprofil falsch definiert haben – was bei realen Suchaufträgen ständig vorkommt –, passen Sie ein Kriterium oder eine Gewichtung an und führen den Scan erneut aus. Die Schleife ist schnell genug, um iterativ statt als einmalige Abfrage zu funktionieren.

Es wird Ihre Datenbank durchsucht, keine zusammengetragene Kandidatenbasis. Spott verkauft Ihnen keine zugekaufte Ansammlung von Profilen. Die Grundlage ist, dass das eigene Netzwerk des Unternehmens, ordnungsgemäß indexiert, der Vermögenswert ist, der derzeit ungenutzt bleibt.

Schritt 5: Jedes Ergebnis erklärt sich selbst

Diese Funktion entscheidet darüber, ob ein Abgleichwerkzeug genutzt oder stillschweigend aufgegeben wird.

Klicken Sie auf einen beliebigen Kandidaten, und Spott zeigt Ihnen in verständlicher Sprache, warum das System ihn an dieser Stelle eingestuft hat. Es geht die Bewertungsmatrix Kriterium für Kriterium durch: stark bei diesem Kriterium, mittelmäßig bei jenem – und hier sind die konkreten Belege im Datensatz, die jedes Urteil stützen.

Entscheidend ist, dass auch die schlechten Nachrichten genannt werden. Wenn ein Kandidat elf Jahre Erfahrung für eine Position mit einem Anforderungsumfang von fünf Jahren hat, weist die Erklärung darauf hin, dass er überqualifiziert sein könnte. Wenn er die technischen Anforderungen erfüllt, der Sektor jedoch nur angrenzend und nicht exakt passend ist, wird auch das angegeben.

Es gibt keine Blackbox, und das ist aus zwei Gründen wichtig, die über das Vertrauen von Personalvermittlern hinausgehen. Erstens müssen Sie eine Vorauswahlliste gegenüber einem Kunden begründen können, und „der Algorithmus fand ihn gut“ ist keine Begründung. Zweitens können Sie bei einer Erklärung, die ihre Belege zeigt, erkennen, wenn sie falsch ist.

Schritt 6: Annehmen, ablehnen, weitermachen

In der Ergebnisansicht nehmen Sie Kandidaten für diese Stelle in den Bewerbungsprozess auf oder lehnen sie ab. Auf der einen Seite sehen Sie das Begründungsfeld, auf der anderen das vollständige Profil. Angenommene Kandidaten gelangen in die von Ihrem Unternehmen konfigurierten Phasen des Arbeitsablaufs. Von dort aus gehen Sie zur Kontaktaufnahme, zum Screening und zur Vorstellung über.

Die Absicht hinter dem Design des gesamten Ablaufs ist klar begrenzt: Der Personalvermittler soll schnell zu einer nachvollziehbar begründeten Vorauswahlliste gelangen, damit die Zeit in das Gespräch mit dem Kandidaten statt in die Suche nach ihm fließt.

Was der KI-Abgleich nicht leistet

Man sollte die Grenzen offen ansprechen, denn übertriebene Versprechen haben dieser Kategorie ursprünglich ihre Glaubwürdigkeit genommen.

Er entscheidet nicht. Er ordnet und erklärt. Ein Personalvermittler liest, beurteilt und greift zum Telefon. Die Erklärung existiert genau deshalb, damit der Mensch sie überstimmen kann.

Es ist nur so gut wie der Kontext, über den es verfügt. Ein Unternehmen, das eine Datenbank mit bloßen Namens- und E-Mail-Datensätzen migriert, wird ein weniger aussagekräftiges Ergebnis erhalten als ein Unternehmen, das über Jahre hinweg geführte Interviewnotizen an den Profilen hinterlegt hat. Das ist der ehrliche Haken bei jeder KI-Ebene, die auf Personaldaten aufsetzt, und der Grund, warum der Notizenerfasser genauso wichtig ist wie die Matching-Engine. Das eine versorgt das andere.

Es ersetzt die Suche nicht. Wenn die richtige Person für die Stelle noch nie mit Ihrem Unternehmen gesprochen hat, befindet sie sich nicht in Ihrer Datenbank, und keine noch so umfangreiche semantische Suche wird sie herbeizaubern. Matching beantwortet die Frage „Wen kennen wir bereits?“, was eine andere Frage ist als „Wer existiert?“

Sehen Sie es in Ihrer eigenen Datenbank

Die oben genannten Aussagen lassen sich in einem einzigen Gespräch überprüfen. Buchen Sie eine 30-minütige Demo, bringen Sie eine aktuelle Stelle mit und sehen Sie zu, wie die Vorauswahlliste anhand Ihrer eigenen Datensätze sortiert und erläutert zurückkommt.