KI hat den Lebenslauf zerstört – was kommt als Nächstes?
Ablauf-Einblick: Traditionelle Rekrutierungsmethoden bevorzugen das Prüfen eines winzigen Prozentsatzes der Bewerber, wodurch die meisten unberücksichtigt bleiben.
KI-Herausforderung: KI-Tools steigern die Effizienz, können die tatsächliche Leistung eines Kandidaten im Einstellungsprozess jedoch nicht effektiv bewerten.
Bewerbungskosten: Die einfache Bewerbung hat zu einer höheren Menge geführt, wodurch die Filterung komplizierter wird.
Signal-Erosion: Gängige Einstellungsindikatoren verlieren an Verlässlichkeit, was es erschwert, qualifizierte Kandidaten zu identifizieren.
Fokus auf Fähigkeiten: Ein kompetenzorientierter Ansatz könnte den Einstellungsprozess verbessern, aber die Umsetzung bleibt eine große Herausforderung.
Seit Jahren folgen die Abläufe in den meisten Recruiting-Teams denselben Schritten. Stelle ausschreiben, die besten Bewerbungen sichten, die stärksten Kandidaten auswählen, die Top-Kandidaten an den zuständigen Hiring Manager weiterleiten.
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 bei Transform darlegte, ist jedoch, dass dies weitgehend 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 eine Stellenausschreibung 250 bis 300 Bewerbungen erhält (viele erhalten deutlich mehr), sichtet ein typischer Recruiter 25, vielleicht 30 davon. Das bedeutet, dass nur 2-3 % der Bewerber überhaupt berücksichtigt werden. Der Rest verschwindet einfach.
"Wir erzählen unseren Hiring Managern, dass wir draußen das beste Talent auf dem Markt finden", sagte er. "In Wirklichkeit landet nur ein kleiner Bruchteil der Bewerber tatsächlich im Prozess."
Diese Lücke zwischen dem, was Recruiting-Teams versprechen, und dem, was sie tatsächlich leisten können, existiert seit Jahrzehnten. KI hat sie nicht erschaffen. Aber KI hat es teilweise deutlich schwieriger gemacht, diese Lücke zu schließen, und die Tools, die Unternehmen nun hektisch einführen, messen möglicherweise genau die falschen Dinge.
Das Messproblem existiert schon länger als die Technologie
Leanne Markus, Geschäftsführerin der Centranum Group und Organisationspsychologin mit Schwerpunkt auf Kompetenzrahmen und kompetenzbasierte Beurteilungen, macht eine Unterscheidung, die die meisten Einstellungsprozesse vermischen. Es geht um den Unterschied zwischen Qualifikationen, Wissen und Kompetenz.
Qualifikationen — Ausbildung, Zertifikate, Training — zeigen Vorbereitung und Potenzial. Wissenstests können Verständnis nachweisen. Nichts davon belegt zuverlässig die Fähigkeit, in einer realen Arbeitssituation Leistung zu zeigen.
Jahrzehntelange Forschung in der Psychologie belegt, dass berufsbezogenes Wissen“, sagt Markus. „Die Fähigkeit, dieses Wissen im Kontext angemessen anzuwenden, ist der bedeutendste Prädiktor für berufliche Leistung.
Der Lebenslauf misst per Definition die erste Kategorie und deutet die zweite an. Die dritte wurde niemals erfasst.
Unternehmen haben diesen Kompromiss historisch akzeptiert, weil der Lebenslauf zumindest ein praktisches Filterinstrument bot – eine Möglichkeit, von Hunderten Bewerbungen zu einer überschaubaren Gesprächsrunde zu kommen, mit der Annahme, dass im Interview ein besseres Signal entstehen würde.
Doch diese Annahme zerfällt nun an beiden Enden.
Was KI tatsächlich prüft
Wenn KI in den Einstellungsprozess eintritt, wird sie von Befürwortern meist als Lösung für das Mengenproblem dargestellt. Mehr Bewerber können schneller und mit weniger menschlicher Voreingenommenheit geprüft werden, zumindest im Frühstadium. Was sich jedoch nicht ändert, ist das, was mit datengetriebenen Recruiting-Prozessen gemessen wird.
KI macht das Screening effizienter, aber sie ändert nicht, was gemessen wird“, sagt Markus. „Die meisten Screening-Methoden, auch KI-gesteuerte Interviews, beruhen auf Antworten der Bewerbenden. Es handelt sich durchweg um selbst berichtete Informationen. KI kann die Verarbeitung beschleunigen, aber im Grunde bewertet sie nur, wie gut eine Person beschreiben kann, was sie tut – nicht, ob sie die Arbeit tatsächlich erfolgreich ausführen kann.
Das ist bedeutsamer, als es zunächst scheint, denn die Trainingsdaten der meisten KI-Recruiting-Tools verschärfen das Problem. Diese Systeme lernen durch die Korrelation von Bewerbungsdaten und Einstellungsentscheidungen mit Leistungsbewertungen. Aber formale Leistungsbeurteilungen stehen oft kaum im Zusammenhang mit der tatsächlichen Arbeitsleistung. Die KI lernt also, ein ohnehin unzuverlässiges Signal zu vervielfältigen.
Das Ergebnis ist ein System, das Kandidaten belohnt, die ihre Arbeit überzeugend beschreiben können – was 2026 bedeutet, dass sich diese Kandidaten der KI bedienen, um Arbeit noch überzeugender zu beschreiben.
„KI kann Muster verstärken, die konsistent sind“, sagt Markus. „Das heißt aber nicht, dass sie gültig sind. In einer Black-Box-Umgebung ist nicht klar, wie die verschiedenen Faktoren gewichtet werden.“
Das Mengenproblem ist vermutlich nicht das eigentliche Problem, das gelöst werden muss.
KI hat dieses Problem verstärkt, indem sie Organisationen ermöglicht hat, noch größere Mengen an eingehenden Bewerbungen zu bearbeiten. Aber das Volumen ist nicht die Begrenzung — der Zugang ist es.
Die Kosten für eine Bewerbung sind auf null gefallen
Das Ausmaß dessen, was sich auf der Kandidatenseite verändert hat, wird von den meisten Recruiting-Teams noch nicht vollständig erfasst. Aaron Wang, CEO von Alex AI, brachte den strukturellen Punkt auf der Transform-Veranstaltung auf den Punkt: Die Marktkosten, sich auf einen Job zu bewerben, sind beinahe auf null gesunken.
Ein Kandidat, der Zugang zu einem der großen KI-Tools hat, kann sich über Nacht auf Hunderte Stellen bewerben – jede Bewerbung individuell zugeschnitten auf die jeweilige Stellenbeschreibung, den Hintergrund des einstellenden Managers und die kommunizierten Werte des Arbeitgebers.
Die gleichen Tools können Kandidaten auf jedes erdenkliche Auswahlverfahren auf der anderen Seite vorbereiten, einschließlich KI-gestützter Vorstellungsgespräche. Der Trichter, der früher nach Aufwand filterte, filtert heute nahezu ausschließlich nach Volumen.
Wang beschrieb dies als eine Eskalation, aus der sich keine Seite zurückziehen kann. Er entwarf ein Szenario der nahen Zukunft, in dem KI-Agenten von Kandidaten autonom verhandeln und sich bewerben – auf der anderen Seite empfangen von den KI-Systemen der Arbeitgeber.
„Diese Zukunft ist nicht nur möglich, sie ist wahrscheinlich“, sagte er. Was ein solches System tatsächlich messen würde, bleibt offen.
Der praktische Effekt ist derzeit, dass die Bewerbung als Signal noch weniger zuverlässig geworden ist. Die Kandidaten mit der besten Passgenauigkeit für eine Rolle sind womöglich nicht diejenigen, die auf dem Papier am besten aussehen – vor allem, wenn dieses optimiert wurde, um das ATS-System zu überlisten.
Performte Signale
Der Verlust verlässlicher Signale beschränkt sich nicht auf Bewerbungen. Sabra Sciolaro, Chief People Officer bei FirstUp, verweist auf einen parallelen Zusammenbruch innerhalb von Organisationen, der direkte Auswirkungen darauf hat, wie Einstellungssignale verstanden werden sollten.
In einer aktuellen FirstUp-Studie mit mehr als 3.000 Arbeitnehmern in den USA und Kanada berichteten zwischen 75-89% der Beschäftigten über alle Rollen hinweg, engagiert zu sein. Gleichzeitig gaben zwischen 40-46% dieser Beschäftigten an, dass sie aktiv erwägen, ihren Job in diesem Jahr zu verlassen.
Engagement ist – wie Begeisterung im Vorstellungsgespräch – ein Signal, das man performen kann. Es sagt nichts über die tatsächlichen Ergebnisse aus.
Viele der Signale, auf die sich Unternehmen verlassen haben, sind leicht zu performen, sagen aber nichts über Ergebnisse wie Bindung oder Leistung aus. Die Signale, die enger mit der tatsächlichen Leistung korrelieren, beziehen sich darauf, wie Menschen mit komplexen Informationen umgehen und wie schnell sie sich anpassen, wenn sich Prioritäten verschieben – Eigenschaften, die sich im Laufe der Zeit und im Kontext zeigen, nicht in einer einzigen KI-gestützten Interaktion.
Diese Sichtweise gilt gleichermaßen für vorgelagerte Phasen: Die Eigenschaften, die jemanden zu einem guten Mitarbeitenden machen, sind weitgehend dieselben, die bei einem Kandidaten zählen – und weder ein Lebenslauf noch strukturierte KI-Checks sind darauf ausgelegt, diese Eigenschaften wirklich sichtbar zu machen.
Was Praktiker stattdessen tun
Ben Lamarche, General Manager beim Lock Search Group, hat verändert, an welchem Punkt im Prozess er nach echten Signalen sucht. Statt auf das beginnende Interview zu warten, führt er das echte Gespräch bereits am ersten Tag des Kontakts mit dem Kandidaten.
Früher begann das echte Gespräch nach der Terminierung eines Interviews. Jetzt findet es oft schon am ersten Tag statt. Das Ziel ist, so schnell wie möglich aus der Phase der Dokumentenüberprüfung herauszukommen und in echte Interaktion zu wechseln – dort ist es viel schwieriger, sich nur auf ein auswendig gelerntes Skript zu verlassen.
Wenn er Bewerbungen prüft, hat sich seine Methodik dahin gehend verändert, dass er verstärkt auf das achtet, was Lebensläufe in den Lücken zwischen den aufgeführten Erfolgen verraten.
KI kann Bewerbenden helfen, einen überzeugenden Stichpunkt zu formulieren. Sie kann jedoch nicht so leicht die Feinheiten einer bestimmten Erfahrung unter Druck wiedergeben.
„Wenn ich beginne, spezifische Fragen zu stellen“, sagt Lamarche, „merke ich ziemlich schnell, ob es echt oder einstudiert ist.“
Er weist außerdem auf eine Verzerrung hin, die KI-Screening in großem Maßstab erzeugt: Kandidat:innen, die KI zur Optimierung ihrer Präsentation nutzen, kommen gerade wegen ihres geschliffenen Auftretens durch die ersten Auswahlrunden, während stillere, aber fähigere Bewerbende aussortiert werden, bevor überhaupt jemand mit entsprechendem Urteilsvermögen sie gesehen hat.
Das Signalproblem besteht nicht nur aus Rauschen, sondern aus Rauschen, das systematisch bestimmte Präsentationsstile gegenüber Substanz bevorzugt.
Markus bietet eine stärker strukturierte Alternative an, die sie als Wechsel von Leistungsvorhersagen hin zur Anforderung von Nachweisen dafür beschreibt.
Die Sequenz, die sie mit Kund:innen anwendet, reicht von einer Grundfilterung anhand von Qualifikationen und regulatorischen Anforderungen über spezifische Wissenstests für die jeweilige Position, dann zu strukturierten Nachweisen bereits erbrachter Kompetenzen durch validierte Arbeitsbeispiele und Aufgabenhistorien, anschließend zu gezielten Nachfragen zur Überprüfung dieser Nachweise und schließlich zur Bestätigung der Eignung während des Onboardings und der Probezeit.
Gerade diese letzte Phase ist wichtiger, als die meisten Organisationen es behandeln. Wenn es darum geht, die Kompetenz im realen Kontext zu validieren, ist die Probezeit mehr als eine Formalität – sie ist die verlässlichste Beurteilungsphase, die es gibt, und die meisten Unternehmen nutzen sie nicht mehr entsprechend.
Wo Skills-first landet
Die Skills-first-Bewegung im Recruiting hat in den letzten Jahren viel Aufmerksamkeit in Organisationen erhalten – auch weil sie ein echtes Problem adressiert: Abschlüsse und Herkunft sind schlechte Stellvertreter für das, was jemand wirklich kann. Sowohl Lamarche als auch Markus stimmen zu, dass der Ansatz grundsätzlich stimmt.
„Sie zwingt Unternehmen dazu, klarer darüber nachzudenken, was die Rolle wirklich erfordert, statt sich auf Abschlüsse oder Lebensläufe zu verlassen“, sagt Lamarche. „Das ist eine positive Entwicklung.“
In der Umsetzung hakt es jedoch.
Viele Umsetzungen setzen immer noch auf sehr generische Skill-Taxonomien und Selbstauskunft. Skills-first-Recruiting hilft nicht, solange keine klare Verbindung zwischen den spezifischen Aufgaben einer Position, den dazu nötigen Kompetenzen und einer Möglichkeit der Überprüfung dieser Kompetenzen auf Aufgabenebene besteht. Die meisten Unternehmen haben diese Verbindung nicht geschaffen. Man hat einen schwachen Stellvertreter durch einen anderen ersetzt und das als Fortschritt verkauft.
Für das Volumenproblem gibt es keine einfache Lösung. Tausende Bewerbungen können nicht realistisch per Simulationen oder Praxistests vorselektiert werden. Irgendetwas muss die Vorauswahl treffen, und aktuell übernehmen das entweder menschliche Prüfer:innen, die nur einen kleinen Teil der Bewerbungen sichten, oder KI-Tools, die Sprachmuster auswerten. Keine dieser Methoden misst, was Recruiting eigentlich messen sollte.
Wenn eine aussagekräftigere Bewertung früher stattfindet, Bewertungsrahmen gezielt auf die Position zugeschnitten werden und die Dokumentenprüfung als der schwache Schritt behandelt wird, der sie ist – dann ist das alles technisch kein Hexenwerk.
Es ist lediglich langsamer und bewusster, als eine Stellenanzeige zu posten und ein ATS die Ergebnisse vorsortieren zu lassen. In einer Umgebung, in der Geschwindigkeit als Standardmaß für Recruiting-Effizienz gilt, ist „bewusst“ schwer zu verkaufen. Aber derzeit ist das der einzige Weg, tatsächlich herauszufinden, ob die eingestellte Person die Arbeit auch wirklich kann.
