KI hat den Lebenslauf zerstört – Was kommt als Nächstes?
Einblick in Arbeitsabläufe: Traditionelle Recruiting-Methoden führen dazu, dass nur ein winziger Prozentsatz der Bewerber berücksichtigt wird – die meisten werden ignoriert.
KI-Herausforderung: KI-Tools erhöhen die Effizienz, können jedoch die tatsächliche Leistungsfähigkeit von Bewerbenden im Bewerbungsprozess kaum beurteilen.
Bewerbungskosten: Die einfache Bewerbungsmöglichkeit hat das Bewerbervolumen erhöht und erschwert die Filterung geeigneter Kandidaten.
Signalverlust: Gängige Einstellungsindikatoren verlieren an Aussagekraft, was die Identifikation qualifizierter Bewerber erschwert.
Fokus auf Fähigkeiten: Ein kompetenzorientierter Ansatz könnte die Personalauswahl verbessern, bleibt aber in der Umsetzung eine große Herausforderung.
Seit Jahren folgt der Arbeitsablauf in den meisten Recruiting-Teams denselben Schritten. Die Stelle ausschreiben, die besten Bewerbungen prüfen, die stärksten Kandidat:innen auswählen, die Favoriten an die Führungskraft weitergeben.
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 ausführte, ist, 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 auf eine Stellenausschreibung 250 bis 300 Bewerbungen eingehen (viele erhalten deutlich mehr), prüft der oder die durchschnittliche Recruiter:in 25, vielleicht 30 davon. Das heißt, nur 2–3 % der Bewerber:innen werden überhaupt berücksichtigt. Der Rest verschwindet.
„Wir erzählen unseren Führungskräften, dass wir die besten Talente auf dem Markt finden“, sagte er. „In Wirklichkeit kommt aber nur ein kleiner Bruchteil eurer Bewerber:innen tatsächlich in den Auswahlprozess.“
Diese Lücke zwischen dem, was Recruiting-Teams versprechen und dem, was sie tatsächlich leisten können, existiert schon seit Jahrzehnten. KI hat sie nicht erschaffen. Aber KI hat es teilweise erheblich schwieriger gemacht, diese Lücke zu schließen – und die Tools, die Unternehmen hastig einführen, messen möglicherweise genau die falschen Dinge.
Das Messproblem existierte schon vor der Technologie
Leanne Markus, Geschäftsführerin der Centranum Group und Organisationspsychologin, die Organisationen bei Kompetenzmodellen und kompetenzbasierter Bewertung berät, macht eine Unterscheidung, die die meisten Einstellungsprozesse zusammenwerfen: den Unterschied zwischen Qualifikationen, Wissen und Kompetenz.
Qualifikationen – Ausbildung, Zertifikate, Trainings – deuten auf Vorbereitung und Potenzial hin. Wissensabfragen können das Verständnis anzeigen. Keine der beiden Methoden weist jedoch zuverlässig nach, ob jemand tatsächlich in einem realen Arbeitsumfeld leistungsfähig ist.
Jahrzehntelange psychologische Forschung zeigt, dass berufsspezifisches Wissen“, sagt Markus, „kombiniert mit der Fähigkeit, es angemessen im Kontext anzuwenden, der stärkste Prädiktor für berufliche Leistung ist.
Der Lebenslauf misst per Definition die erste Kategorie und deutet grob die zweite an. Die dritte hat er nie gemessen.
Organisationen haben diesen Kompromiss historisch akzeptiert, weil der Lebenslauf zumindest ein praktikables Filterinstrument war – eine Möglichkeit, von Hunderten Bewerbungen zu einem überschaubaren Gespräch zu kommen, mit der Annahme, dass im Interview ein besseres Signal erkennbar wird.
Diese Annahme bricht nun an beiden Enden zusammen.
Was KI wirklich prüft
Wenn KI im Recruitingprozess eingesetzt wird, wird dies meist als Antwort auf das Mengenproblem dargestellt. Mehr Bewerber:innen werden schneller geprüft, mit weniger menschlicher Voreingenommenheit in den frühen Phasen. Was sich nicht ändert, ist, was bei datengetriebenen Recruiting-Prozessen tatsächlich gemessen wird.
KI macht das Screening effizienter, aber sie ändert nicht, was gemessen wird“, erklärt Markus. „Die meisten Screening-Methoden, auch KI-basierte Interviews, sind reaktionsbasiert. Es geht um selbstberichtete Informationen. KI kann die Verarbeitung beschleunigen, aber sie wertet im Prinzip aus, wie gut jemand seine Arbeit beschreiben kann – nicht, ob er oder sie den Job auch tatsächlich erfolgreich machen kann.
Das ist wichtiger, als es zunächst scheint, denn die Trainingsdaten der meisten KI-Recruiting-Tools verschärfen das Problem noch. Diese Systeme lernen, indem sie die Angaben in Bewerbungen und Einstellungsentscheidungen mit Leistungsbeurteilungen korrelieren. Doch formale Leistungsbeurteilungen haben wenig Bezug zur tatsächlichen Arbeitsleistung. Die KI lernt also, ein ohnehin schon unzuverlässiges Signal zu kopieren.
Das Ergebnis ist ein System, das Kandidat:innen belohnt, die Arbeit überzeugend beschreiben können – was 2026 bedeutet: Kandidat:innen, die KI nutzen können, um Arbeit überzeugend zu beschreiben.
„KI kann Muster verstärken, die ihr konsistent erscheinen“, sagt Markus. „Das heißt aber nicht, dass diese Muster auch valide sind. In einer Black-Box-Umgebung ist nicht klar, wie die einzelnen Faktoren gewichtet werden.“
Das Mengenproblem ist womöglich gar nicht das eigentliche Problem, das gelöst werden muss.
KI hat dieses Problem noch verstärkt, indem sie es Organisationen ermöglicht, noch größere Mengen an eingehenden Bewerbungen zu verarbeiten. Aber das Problem ist nicht der Umfang — sondern der Zugang.
Die Kosten für Bewerbungen sind auf Null gefallen
Das Ausmaß dessen, was sich auf Seiten der Kandidaten verändert hat, ist den meisten Recruiting-Teams noch nicht voll bewusst. Aaron Wang, CEO von Alex AI, brachte bei Transform den strukturellen Punkt auf den Punkt: Die Marktkosten, sich für einen Job zu bewerben, sind nahezu auf null gefallen.
Ein Kandidat mit Zugang zu einem beliebigen großen KI-Tool kann sich über Nacht auf Hunderte von Jobs bewerben, wobei jede Bewerbung individuell auf die jeweilige Stellenbeschreibung, den Hintergrund des einstellenden Managers und die angegebenen Werte des Arbeitgebers zugeschnitten ist.
Die gleichen Tools können Kandidaten auch auf jedes Screening-Format vorbereiten, dem sie auf der anderen Seite begegnen – einschließlich KI-gestützter Interviews. Der Bewerbungsprozess, der früher durch Aufwand gefiltert wurde, filtert nun fast ausschließlich nach schierer Menge.
Wang beschrieb dies als eine Eskalation, aus der keine Seite aussteigen kann. Er zeichnete ein künftig mögliches Szenario, in dem KI-Agenten für Kandidaten eigenständig Jobs verhandeln und sich bewerben – und dabei auf die KI-Systeme der Arbeitgeber treffen.
„Diese Zukunft ist nicht nur möglich, sie ist vielleicht wahrscheinlich“, sagte er. Worauf ein solches System dann tatsächlich messen würde, ist fraglich.
Praktisch gesehen ist die Bewerbung als Signal damit heute noch unzuverlässiger geworden. Die am besten geeigneten Kandidaten für eine Position sind oft nicht die, die auf dem Papier am überzeugendsten wirken – erst recht nicht, wenn die Unterlagen gezielt so gestaltet wurden, um das Bewerbungsmanagementsystem (ATS) zu überlisten.
Vorgespielte Signale
Der Verlust zuverlässiger Signale beschränkt sich nicht auf Bewerbungen. Sabra Sciolaro, Chief People Officer bei FirstUp, weist auf einen parallelen Zerfall innerhalb von Unternehmen hin, der unmittelbare Auswirkungen darauf hat, wie Einstellungs-Signale zu interpretieren sind.
In einer aktuellen FirstUp-Studie mit über 3.000 Beschäftigten in den USA und Kanada gaben 75-89 % der Befragten unabhängig von ihrer Rolle an, engagiert zu sein. Gleichzeitig sagten 40-46 % dieser Angestellten, dass sie in diesem Jahr aktiv einen Jobwechsel erwägen.
Engagement, ebenso wie Begeisterung im Vorstellungsgespräch, ist ein Signal, das vorgespielt werden kann. Es sagt nichts über die tatsächlichen Ergebnisse aus.
Viele der Signale, auf die Unternehmen sich verlassen, lassen sich leicht vorspielen, sagen aber nichts über Ergebnisse wie Bindung oder Leistung voraus. Die Signale, die besser mit echter Performance korrelieren, betreffen die Fähigkeit einer Person, komplexe Informationen zu verarbeiten und sich schnell auf neue Prioritäten einzustellen – Eigenschaften, die sich erst mit der Zeit und im Kontext zeigen, nicht in einem einzigen KI-gestützten Gespräch.
Diese Betrachtung gilt auch für vorgelagerte Prozesse. Die Eigenschaften, die jemanden zu einer starken Arbeitskraft machen, sind im Wesentlichen die gleichen, die auch für Kandidaten entscheidend sind – und weder ein Lebenslauf noch ein strukturiertes KI-Screening können diese wirklich sichtbar machen.
Was Praktiker stattdessen tun
Ben Lamarche, Geschäftsführer bei Lock Search Group, hat den Zeitpunkt geändert, wann er nach echten Signalen sucht. Anstatt bis zum vereinbarten Vorstellungsgespräch zu warten, sucht er das Gespräch bereits beim ersten Kontakt mit Kandidaten.
Echte Gespräche fanden früher erst nach einer Terminvereinbarung für das Interview statt. Heute passiert das oft schon am ersten Tag. Das Ziel ist, schneller aus der Phase der Dokumentenprüfung herauszukommen und früher in die echte Interaktion einzusteigen, wo es viel schwieriger ist, sich auf ein ausgefeiltes Skript zu verlassen.
Wenn er Bewerbungen prüft, hat sich seine Methodik dahingehend verändert, dass er nun verstärkt darauf achtet, was Lebensläufe in den Zwischenräumen der angegebenen Erfolge verraten.
KI kann einem Kandidaten helfen, einen überzeugenden Stichpunkt zu formulieren. Sie kann aber nicht so einfach die Vielschichtigkeit einer konkreten Erfahrung unter Druck nachbilden.
„Wenn ich beginne, spezifische Fragen zu stellen“, sagt Lamarche, „merke ich ziemlich schnell, ob es echt ist oder einstudiert.“
Er weist auch auf eine Verzerrung hin, die KI-gestütztes Screening in großem Maßstab erzeugt: Kandidaten, die KI nutzen, um ihren Auftritt zu optimieren, kommen gerade dann in die nächste Runde, weil sie besonders ausgefeilt wirken, während ruhigere, möglicherweise geeignetere Bewerber aussortiert werden, bevor überhaupt jemand mit entsprechendem Urteilsvermögen sie sieht.
Das Signalproblem ist nicht einfach nur Lärm, es ist gezielter Lärm, der bestimmte Präsentationsstile systematisch gegenüber Substanz bevorzugt.
Markus bietet eine strukturiertere Alternative an, die sie als Wandel vom Vorhersagen von Leistung hin zum Nachweis von Leistung beschreibt.
Die Abfolge, die sie mit Kunden verwendet, reicht von der Grundfilterung nach Qualifikationen und regulatorischen Anforderungen über fachspezifische Wissenstests, dann zu strukturierten Nachweisen für angewandte Kompetenzen anhand validierter Arbeitsbeispiele und Aufgabenhistorie, anschließend zur gezielten Befragung, die diese Nachweise untermauert, und schließlich zur Bestätigung der Rolle während des Onboardings und der Probezeit.
Gerade die letzte Phase ist wichtiger, als es die meisten Organisationen behandeln. Geht es darum, Kompetenzen im tatsächlichen Kontext zu überprüfen, ist die Probezeit nicht bloß eine Formalität, sondern die wohl verlässlichste Beurteilungsphase – und die meisten Unternehmen nutzen sie kaum noch wirklich dafür.
Wo das Skills-first-Prinzip landet
Die Skills-first-Einstellungsbewegung hat in den letzten Jahren erheblich an Bedeutung gewonnen – teils, weil sie ein echtes Problem adressiert: Zeugnisse und Hintergrund sind schwache Indikatoren dafür, was jemand tatsächlich leisten kann. Sowohl Lamarche als auch Markus erkennen an, dass die Richtung stimmt.
Dadurch werden Unternehmen gezwungen, klarer zu überlegen, was die Rolle tatsächlich erfordert, statt sich auf Zeugnisse oder Herkunft zu verlassen", sagt Lamarche. „Das ist ein positiver Wandel.“
Die Umsetzung ist jedoch der Knackpunkt.
Viele Umsetzungen stützen sich noch immer auf sehr allgemeine Kompetenzkataloge und die Selbsteinschätzung von Fähigkeiten. Skills-first-Hiring bringt wenig, wenn es keinen klaren Bezug zwischen den spezifischen Aufgaben der Rolle, den dafür erforderlichen Kompetenzen und Möglichkeiten zur Überprüfung auf tatsächlicher Aufgabenebene gibt. Die meisten Organisationen haben diese Verbindung nicht hergestellt. Sie haben einen Satz schwacher Stellvertretermerkmale durch einen anderen ersetzt und nennen es Fortschritt.
Für das Mengenproblem gibt es keine einfache Lösung. Tausende Bewerber können unmöglich alle durch Simulationen oder Arbeitsproben sortiert werden. Irgendetwas muss zuerst den Trichter filtern – derzeit übernehmen das entweder menschliche Prüfer, die nur einen kleinen Teil der Bewerbungen sehen, oder KI-Tools, die Sprachmuster auswerten. Keines davon misst, worum es bei der Einstellung eigentlich gehen sollte.
Hochqualifizierte Evaluation früher im Prozess anzusiedeln, assessment-spezifische Frameworks für die jeweilige Rolle zu erstellen und die Dokumentenprüfung als das einzuordnen, was sie ist – eine Phase mit geringem Aussagewert – ist alles technisch machbar.
Es ist einfach langsamer und bedächtiger, als eine Stelle auszuschreiben und ein Bewerbermanagementsystem die Ergebnisse sortieren zu lassen. In einem Umfeld, in dem Geschwindigkeit zum Standardmaß für die Effizienz im Recruiting geworden ist, lässt sich Bedächtigkeit nur schwer verkaufen. Dennoch ist es momentan der einzige Weg herauszufinden, ob die Person, die Sie einstellen, den Job tatsächlich ausführen kann.
