KI hat den Lebenslauf zerstört – Was kommt als Nächstes?
Workflow-Einblick: Traditionelle Recruiting-Methoden begünstigen das Aussortieren eines kleinen Prozentsatzes der Bewerber, während die Mehrheit unberücksichtigt bleibt.
KI-Herausforderung: KI-Tools erhöhen zwar die Effizienz, schaffen es aber nicht, die tatsächliche Leistungsfähigkeit von Bewerbenden effektiv zu bewerten.
Bewerbungskosten: Die einfache Bewerbungsmöglichkeit hat das Volumen massiv erhöht und erschwert die Vorauswahl erheblich.
Signalverlust: Herkömmliche Indikatoren für die Eignung verlieren an Aussagekraft, wodurch es schwieriger wird, qualifizierte Bewerber zu erkennen.
Fähigkeiten im Fokus: Ein Ansatz, der Fähigkeiten in den Mittelpunkt stellt, könnte das Recruiting verbessern, ist in der Umsetzung aber weiterhin sehr herausfordernd.
Über Jahre hinweg folgte der Arbeitsablauf in den meisten Recruiting-Teams denselben Schritten: Stelle ausschreiben, die besten Bewerbungen prüfen, die stärksten Kandidaten auswählen und dem Einstellungsmanager die Favoriten schicken.
Dieses System funktionierte viele Jahre lang als Methode, um die besten Talente für das Unternehmen zu finden.
Das Problem, wie Tim Sackett, CEO von HRUTech.com und Autor von The Talent Fix: A Leader's Guide to Recruiting Great Talent, Anfang des Monats auf der Transform erläuterte, ist, dass das größtenteils eine Fiktion ist.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Wenn auf eine Stellenanzeige 250 bis 300 Bewerbungen eingehen (und oft sind es sogar deutlich mehr), prüft der typische Recruiter 25, vielleicht 30 davon. Das bedeutet, dass nur 2-3 % des Bewerberpools überhaupt Beachtung finden. Der Rest verschwindet.
"Wir erzählen unseren Einstellungsmanagern, dass wir draußen auf dem Markt die besten Talente finden", sagte er. "In Wirklichkeit schaffen es aber nur wenige Bewerber tatsächlich in den Auswahlprozess."
Diese Lücke zwischen dem, was Recruiting-Teams versprechen und dem, was sie tatsächlich leisten können, existiert seit Jahrzehnten. KI hat sie nicht geschaffen. Aber KI hat es zum Teil deutlich schwieriger gemacht, diese zu schließen, und die Tools, die Organisationen schnell einführen, messen möglicherweise genau die falschen Dinge.
Das Messproblem existiert länger als die Technologie
Leanne Markus, Geschäftsführerin der Centranum Group und Organisationspsychologin, die mit Unternehmen an Kompetenzrahmen und kompetenzbasierten Einschätzungen arbeitet, macht eine Unterscheidung, die die meisten Einstellungsprozesse verwischen. Es geht um den Unterschied zwischen Qualifikationen, Wissen und Kompetenz.
Qualifikationen – Ausbildung, Zertifikate, Schulungen – zeigen Vorbereitung und Potenzial. Wissensüberprüfungen können auf Verständnis hinweisen. Keines von beiden zeigt jedoch zuverlässig die Fähigkeit, in einer realen Arbeitssituation tatsächlich Leistung zu bringen.
Jahrzehntelange psychologische Forschung zeigt, dass berufsspezifisches Wissen", sagt Markus. "Die Fähigkeit, es im Kontext angemessen anzuwenden, ist der stärkste Prädiktor für Arbeitsleistung.
Der Lebenslauf misst per Definition die erste Kategorie und deutet auf die zweite nur vage hin. Die dritte wurde nie erfasst.
Organisationen haben diesen Kompromiss historisch akzeptiert, da der Lebenslauf zumindest ein praktikables Filterinstrument war – eine Möglichkeit, von hunderten Bewerbungen zu einer überschaubaren Auswahl zu kommen, mit der Annahme, im Interview werde das bessere Signal sichtbar.
Diese Annahme bricht jetzt an beiden Enden zusammen.
Was KI herausfiltert
Wenn KI den Recruiting-Prozess unterstützt, präsentieren ihre Befürworter sie meist als Lösung für das Mengenproblem: Mehr Bewerber werden schneller geprüft, mit weniger menschlicher Voreingenommenheit in frühen Phasen. Was jedoch gleich bleibt, ist, was mit datengetriebenen Auswahlverfahren gemessen wird.
KI macht das Screening effizienter, aber sie ändert nicht, was gemessen wird", sagt Markus. "Die meisten Auswahlmethoden, auch KI-gestützte Interviews, sind antwortbasiert. Es sind alles selbstberichtete Informationen. KI kann die Verarbeitung beschleunigen, aber sie bewertet im Wesentlichen, wie gut ein Kandidat seine Arbeit beschreiben kann – nicht, ob er den Job tatsächlich erfolgreich ausüben kann.
Dies ist bedeutsamer als zunächst angenommen, denn die Trainingsdaten, auf denen die meisten KI-Recruiting-Tools aufbauen, verschärfen das Problem: Diese Systeme lernen, indem sie Bewerbungsinformationen und Einstellungsentscheidungen mit Leistungsbeurteilungen abgleichen. Doch formale Leistungsbewertungen haben wenig mit echter Arbeitsleistung zu tun. Die KI lernt, ein Signal zu imitieren, das ohnehin schon unzuverlässig ist.
Das Ergebnis ist ein System, das Kandidaten belohnt, die Arbeit überzeugend beschreiben können. Und das heißt im Jahr 2026 vor allem: Kandidaten, die KI nutzen, um Arbeit überzeugend zu beschreiben.
"KI kann Muster verstärken, die konsistent sind", sagt Markus. "Doch das heißt nicht, dass sie gültig sind. In einer Black-Box-Umgebung ist nicht klar, wie die unterschiedlichen Faktoren gewichtet werden."
Das Mengenproblem ist möglicherweise gar nicht das richtige Problem, das gelöst werden sollte.
KI hat dieses Problem verschärft, indem sie Organisationen in die Lage versetzt hat, noch größere Mengen eingehender Bewerbungen zu verarbeiten. Aber die Menge ist nicht die Einschränkung – der Zugang ist es.
Die Kosten einer Bewerbung sind auf Null gesunken
Das Ausmaß dessen, was auf Kandidatenseite passiert ist, wird von den meisten Recruiting-Abteilungen noch immer nicht vollständig erfasst. Aaron Wang, CEO von Alex AI, brachte es auf der Transform Veranstaltung strukturell auf den Punkt: Die Marktkosten, sich auf einen Job zu bewerben, sind nahezu auf null gefallen.
Ein Kandidat, der Zugang zu einem beliebigen großen KI-Tool hat, kann sich über Nacht auf Hunderte von Jobs bewerben – und jede Bewerbung wird an die jeweilige Stellenbeschreibung, den Hintergrund des einstellenden Managers und die angegebenen Unternehmenswerte angepasst.
Die gleichen Tools können Bewerber durch jedes Screening-Verfahren auf der Gegenseite coachen, einschließlich KI-gestützter Vorstellungsgespräche. Der Bewerbungs-Trichter, der früher nach Aufwand filterte, filtert jetzt fast ausschließlich nach Masse.
Wang stellte dies als eine Eskalation dar, der sich keine Seite entziehen kann. Er skizzierte ein Szenario der nahen Zukunft, in dem KI-Agenten von Kandidaten autonom verhandeln und sich auf Jobs bewerben und dabei auf der anderen Seite auf KI-Systeme der Arbeitgeber treffen.
„Diese Zukunft ist nicht nur möglich, sie ist wahrscheinlich“, sagte er. Was ein solches System tatsächlich messen würde, ist eine offene Frage.
Der praktische Effekt ist derzeit, dass die Bewerbung als Signal noch weniger vertrauenswürdig geworden ist. Bewerber, die fachlich am besten zu einer Stelle passen, sind nicht unbedingt diejenigen, die auf dem Papier am überzeugendsten wirken – insbesondere, wenn dieses Papier darauf optimiert wurde, das ATS zu überlisten.
Inszenierte Signale
Die Auflösung vertrauenswürdiger Signale beschränkt sich nicht auf Bewerbungen. Sabra Sciolaro, Chief People Officer bei FirstUp, verweist auf einen parallelen Zusammenbruch innerhalb von Unternehmen, der direkte Auswirkungen darauf hat, wie man Einstellungs-Signale verstehen sollte.
In einer aktuellen FirstUp-Studie mit mehr als 3.000 US-amerikanischen und kanadischen Beschäftigten gaben zwischen 75 und 89 % der Angestellten verschiedener Rollen an, engagiert zu sein. Zwischen 40 und 46 % dieser Mitarbeitenden erklärten zugleich, in diesem Jahr aktiv über einen Jobwechsel nachzudenken.
Engagement, ebenso wie Begeisterung in einem Vorstellungsgespräch, ist ein Signal, das man vorspielen kann. Es lässt keine Rückschlüsse auf die tatsächlichen Ergebnisse zu.
Viele der Signale, auf die Unternehmen bisher vertraut haben, sind leicht zu performen, aber sie sagen nichts über tatsächliche Ergebnisse wie Bindung oder Leistung aus. Die Signale, die stärker mit echter Leistung korrelieren, beziehen sich darauf, wie Menschen komplexe Informationen verarbeiten und wie schnell sie sich anpassen, wenn sich Prioritäten verschieben — Eigenschaften, die sich über die Zeit und im Kontext zeigen, nicht in einer einzigen KI-unterstützten Interaktion.
Diese Sichtweise gilt auch upstream. Die Eigenschaften, die jemanden zu einer starken Arbeitskraft machen, sind weitgehend dieselben, die auch bei Kandidaten zählen – und weder ein Lebenslauf noch ein strukturiertes KI-Screening sind dafür geeignet, diese zu erkennen.
Was Praktiker stattdessen tun
Ben Lamarche, General Manager bei der Lock Search Group, hat den Punkt im Prozess verändert, an dem er versucht, echte Signale zu erhalten. Anstatt auf ein angesetztes Gespräch zu warten, um ein tatsächliches Gespräch zu beginnen, sucht er diese Interaktion schon am ersten Tag des Kontakts mit dem Kandidaten.
Früher begann das echte Gespräch erst nach Terminierung eines Interviews. Heute findet es oft schon am ersten Tag statt. Ziel ist es, die Phase der Dokumentenprüfung so schnell wie möglich zu verlassen und in echte Interaktion zu wechseln, wo es viel schwieriger ist, sich auf ein perfektioniertes Skript zu verlassen.
Wenn er Bewerbungen prüft, liegt sein Augenmerk zunehmend auf dem, was Lebensläufe durch die Lücken zwischen den angegebenen Erfolgen preisgeben.
KI kann Kandidat:innen dabei helfen, einen überzeugenden Stichpunkt zu formulieren. Sie kann jedoch nicht so einfach die Nuancen einer spezifischen Erfahrung unter Druck nachbilden.
„Wenn ich anfange, spezifische Fragen zu stellen“, sagt Lamarche, „merke ich ziemlich schnell, ob es echt ist oder einstudiert.“
Er weist zudem auf eine Verzerrung hin, die KI-gestützte Screening-Verfahren im großen Maßstab erzeugen: Kandidat:innen, die KI zur Optimierung ihrer Selbstdarstellung nutzen, kommen gerade deshalb in die nächsten Runden, weil sie so professionell wirken, während leisere, fähigere Bewerber:innen herausgefiltert werden, bevor jemand mit Urteilsvermögen sie überhaupt wahrnimmt.
Das Signalproblem besteht nicht nur aus Rauschen, sondern aus Rauschen, das systematisch bestimmte Präsentationsstile gegenüber Substanz bevorzugt.
Markus bietet eine strukturiertere Alternative, die sie als Wechsel von Leistungsvorhersagen hin zur Anforderung von Belegen beschreibt.
Die von ihr mit Kund:innen verwendete Abfolge reicht vom grundsätzlichen Filtern nach Qualifikation und regulatorischen Anforderungen, über einen Test mit berufsbezogenem Wissen, bis hin zu strukturierten Belegen bereits angewandter Kompetenzen durch verifizierte Arbeitsbeispiele und bisherige Aufgaben. Es folgen gezielte Nachfragen, die diese Belege überprüfen, und schließlich eine Bestätigung der Fähigkeiten in der Rolle während des Onboardings und der Probezeit.
Dabei ist besonders die letzte Phase deutlich wichtiger, als viele Unternehmen ihr zubilligen. Wenn es darum geht, Kompetenzen im echten Kontext zu bestätigen, ist die Probezeit mehr als eine Formsache: Sie ist die verlässlichste Bewertungsphase überhaupt, und dennoch wird sie von den meisten Unternehmen kaum noch genutzt.
Wo Skills-first ankommt
Die Skills-first-Einstellungsbewegung hat in den vergangenen Jahren viel an Bedeutung in Organisationen gewonnen, nicht zuletzt, weil wirklich ein Problem adressiert wird: Zeugnisse und Lebensläufe sind schwache Indikatoren für das, was jemand tatsächlich leisten kann. Lamarche und Markus stimmen überein, dass diese Richtung richtig ist.
Das zwingt Unternehmen, viel klarer darüber nachzudenken, was die jeweilige Position wirklich verlangt, anstatt automatisch auf Zeugnisse oder Prestigeschulen zurückzugreifen“, sagt Lamarche. „Das ist eine positive Veränderung.
Die Umsetzung ist allerdings genau der Punkt, an dem es scheitert.
Viele Umsetzungen basieren immer noch auf sehr allgemeinen Skill-Taxonomien und Selbstauskünften. Skills-first-Einstellungen bringen nur dann einen Vorteil, wenn tatsächlich ein klarer Zusammenhang zwischen konkreten Aufgaben, den dafür erforderlichen Kompetenzen, und einer Möglichkeit besteht, diese auch auf der Ebene realer Aufgaben zu verifizieren. Die meisten Organisationen haben diese Verbindung nicht hergestellt. Sie haben einen Satz schwacher Indikatoren durch einen anderen ersetzt und das dann als Fortschritt verkauft.
Für das Mengenproblem gibt es keine elegante Lösung. Bei Tausenden Bewerbungen ist es kaum möglich, alle durch Simulationen oder arbeitsnahe Tests zu shortlistieren. Irgendetwas muss den Funnel zuerst filtern, und derzeit ist das entweder ein Mensch, der einen kleinen Prozentsatz der Unterlagen prüft, oder KI-Tools, die Sprachmuster analysieren. Beides misst nicht das, was eine Einstellung eigentlich messen sollte.
Eine frühere, signalstärkere Bewertung, der Aufbau rollenspezifischer Bewertungsrahmen und die gezielte Behandlung der Dokumentenprüfung als signalarmer Schritt – technisch ist das nicht schwierig.
Es ist schlicht langsamer und zielgerichteter als eine Stellenanzeige zu schalten und dann ein ATS die Ergebnisse sortieren zu lassen. In einer Umgebung, in der Schnelligkeit inzwischen als wichtigster Effizienzwert gilt, ist ein bewusster, sorgfältiger Prozess schwer zu vermitteln. Im Moment ist er aber der einzige Weg, wirklich herauszufinden, ob jemand den Job tatsächlich ausführen kann.
