Worum es geht — und worum nicht
Im Mittelstand bleibt Recruiting oft an einer Person hängen: der Geschäftsführerin, dem Teamleiter, der Office-Managerin. Auf eine ausgeschriebene Stelle kommen 40 bis 120 Bewerbungen, und jede einzelne PDF-Mappe per Hand zu sichten frisst leicht einen halben Arbeitstag pro Woche. Genau hier setzt KI an — aber nicht so, wie es in Werbevideos klingt.
Klarstellung vorweg: Eine KI soll Bewerbungen nicht autonom ablehnen. Sie soll sie lesbar machen, strukturieren und nach nachvollziehbaren Kriterien sortieren, damit der Mensch in 15 statt 180 Minuten eine fundierte Vorauswahl trifft. Wer die Entscheidung komplett delegiert, baut sich ein rechtliches und ein Qualitätsproblem ein. Dazu unten mehr.
Was KI im Bewerbungsscreening real leistet
Drei Dinge funktionieren heute zuverlässig:
- Extraktion: Aus Lebenslauf, Anschreiben und Zeugnissen die relevanten Felder herausziehen — Berufsjahre, Ausbildung, Skills, Sprachen, Verfügbarkeit, Gehaltsvorstellung, Wohnort. Auch aus schlecht formatierten PDFs, Scans oder Word-Dateien.
- Strukturierung: Aus 80 unterschiedlich aufgebauten Mappen eine einheitliche Tabelle machen. Plötzlich sind alle Kandidaten in denselben Spalten vergleichbar.
- Vorqualifizierung gegen Muss-Kriterien: Harte K.-o.-Kriterien prüfen, die objektiv sind — z. B. „gültige Arbeitserlaubnis vorhanden", „Führerschein Klasse C", „mindestens 3 Jahre Erfahrung als SPS-Programmierer".
Was KI nicht zuverlässig kann: Persönlichkeit, Teamfit oder Motivation bewerten. Wer ein Tool nutzt, das einen „Culture-Fit-Score" von 87 % ausspuckt, sollte skeptisch sein — das ist meist Pseudo-Präzision.
Der konkrete Aufbau in 5 Schritten
1. Kriterien sauber definieren
Bevor irgendeine Technik ins Spiel kommt: Schreib die Anforderungen in drei Kategorien auf.
- Muss (K.-o.): objektiv prüfbar, ohne die geht es nicht. Beispiel: abgeschlossene Ausbildung, Wohnort im Umkreis 50 km, B2-Deutsch.
- Soll (gewichtet): erhöht die Eignung, ist aber verhandelbar. Beispiel: Branchenerfahrung, ERP-Kenntnisse.
- Kann (nice-to-have): nur als Tiebreaker.
Dieser Schritt ist der wichtigste. Eine KI ist nur so gut wie das Kriterienraster, das du ihr gibst. Schwammige Vorgaben („motivierte Persönlichkeit") führen zu schwammigen Ergebnissen.
2. Datenextraktion einrichten
Die Bewerbungen landen meist als PDF im Postfach oder im Bewerbermanagement (Personio, recruitee, softgarden). Ein KI-Workflow zieht daraus strukturierte Felder. Praktisch sieht das so aus:
- Eingang per E-Mail-Postfach oder ATS-Export
- Ein Automatisierungs-Layer (n8n oder Make) nimmt jede Mappe auf
- Ein Sprachmodell (z. B. Claude von Anthropic oder ein vergleichbares Modell) liest den Text und gibt ein definiertes JSON-Schema zurück: Name, Berufsjahre, Skills-Liste, Ausbildung, Gehaltswunsch, Frühester Eintritt
- Das Ergebnis fließt in eine Tabelle (Airtable, Google Sheets) oder zurück ins ATS
Wichtig: Lass das Modell Belegstellen mitliefern — also nicht nur „5 Jahre Erfahrung", sondern „laut CV Seite 1, Position bei Firma X von 2019–2024". Das macht die spätere Prüfung durch den Menschen schnell.
3. Bewertung gegen das Raster
Jetzt prüft die KI jede Bewerbung gegen die Muss-/Soll-Kriterien. Das Ergebnis ist keine Note, sondern eine Statusübersicht:
- Muss-Kriterien: erfüllt / nicht erfüllt / unklar
- Soll-Kriterien: welche treffen zu
- Eine kurze Begründung in zwei Sätzen
- Ein Flag bei Lücken oder Auffälligkeiten (z. B. unerklärte Beschäftigungslücke), die der Mensch ansprechen sollte
Die Kategorie „unklar" ist entscheidend. Wenn die KI etwas nicht eindeutig aus den Unterlagen ableiten kann, soll sie das sagen — nicht raten. Geratene Ablehnungen sind das größte Risiko.
4. Mensch entscheidet
Die KI liefert eine sortierte Liste mit Begründungen. Der oder die Recruiterin schaut sich die Gruppe „alle Muss erfüllt" zuerst an, prüft die „unklar"-Fälle stichprobenartig und überfliegt die Aussortierten zur Kontrolle. Aus drei Stunden Sichtung werden 20 bis 30 Minuten.
5. Rückmeldung automatisieren — mit Augenmaß
Absagen und Eingangsbestätigungen lassen sich automatisiert versenden, sauber formuliert und ohne Standard-Floskel-Charme. Aber: Eine Absage sollte nie allein auf einem KI-Score basieren, sondern erst nach der menschlichen Freigabe rausgehen.
Tools, die im Mittelstand realistisch sind
- Bewerbermanagement (ATS): Personio, recruitee, softgarden, Workable. Einige haben bereits KI-Screening-Funktionen eingebaut — Qualität schwankt stark.
- Automatisierung: n8n (selbst hostbar, DSGVO-freundlich) oder Make für die Verkettung der Schritte.
- Sprachmodell: Anthropic Claude oder ein vergleichbares Modell mit europäischer/AVV-konformer Anbindung für die Extraktion und Bewertung.
- Ablage/Vergleich: Airtable oder Google Sheets als einfache Vergleichstabelle, wenn kein ATS im Einsatz ist.
Für viele KMU ist die pragmatischste Lösung kein Standardprodukt, sondern ein schlanker individueller Workflow: Postfach → Extraktion → Tabelle → menschliche Sichtung. Das lässt sich in ein bis zwei Wochen aufbauen und bleibt unter eigener Kontrolle.
Die Stolpersteine — ehrlich benannt
⚠️ AGG-Risiko (Diskriminierung): Das Allgemeine Gleichbehandlungsgesetz verbietet Benachteiligung u. a. wegen Alter, Geschlecht, Herkunft, Religion, Behinderung. Eine KI, die auf historischen Einstellungsdaten trainiert oder mit unbedachten Kriterien gefüttert wird, kann genau das reproduzieren. Faustregel: Die KI darf nur fachliche, jobbezogene Kriterien prüfen. Foto, Name, Alter, Geschlecht und Herkunft gehören aus der Bewertung raus.
⚠️ EU AI Act: Recruiting-/Bewerber-Bewertung gilt als Hochrisiko-Anwendung. Das bedeutet konkrete Pflichten — Transparenz, menschliche Aufsicht, Dokumentation. Vollautonome Ablehnung ohne menschliche Kontrolle ist hier der gefährlichste Weg. Wer „Mensch entscheidet, KI bereitet vor" baut, ist klar auf der sicheren Seite.
⚠️ DSGVO und Art. 22: Eine ausschließlich automatisierte Entscheidung mit rechtlicher Wirkung gegenüber der Person ist grundsätzlich unzulässig. Auch deshalb: Mensch in der Schleife, immer.
⚠️ AVV mit dem KI-Anbieter: Bewerberdaten sind personenbezogen und teils sensibel. Mit jedem Tool-Anbieter (ATS, KI-Modell, Automatisierung) muss ein Auftragsverarbeitungsvertrag bestehen, und die Daten sollten in der EU oder mit gültigem Transfermechanismus verarbeitet werden.
⚠️ Halluzinationen: Ein Sprachmodell kann Fakten erfinden, die nicht im CV stehen. Deshalb die Belegstellen-Pflicht aus Schritt 2 — ohne Quelle keine Aussage.
Mini-Checkliste vor dem Start
- Muss-/Soll-/Kann-Kriterien schriftlich definiert, jobbezogen und diskriminierungsfrei?
- AVV mit allen beteiligten Tool-Anbietern vorhanden?
- Mensch trifft die finale Entscheidung, KI nur Vorbereitung?
- KI liefert Belegstellen statt freier Bewertung?
- „Unklar"-Status erlaubt, kein erzwungenes Urteil?
- Bewerber informiert, dass KI-gestützte Vorauswahl genutzt wird (Transparenzpflicht)?
- Foto, Alter, Name, Herkunft aus der Bewertung ausgeschlossen?
Was das bringt
Realistisch: Die reine Sichtungszeit pro Stelle sinkt deutlich, die Vergleichbarkeit der Kandidaten steigt, und niemand fällt mehr durchs Raster, nur weil seine Mappe als Letztes oben im Stapel lag. Was nicht passiert: Die KI findet nicht den perfekten Menschen. Sie räumt den Tisch auf, damit du dich auf die Gespräche konzentrieren kannst, die zählen.
Wer das im eigenen Betrieb aufsetzen will, sollte mit einem klar abgegrenzten Use-Case starten — eine Stelle, ein sauberes Kriterienraster, menschliche Endkontrolle — und erst danach skalieren. Plugwork baut solche Workflows entlang der Geschäftslogik: erst das Auswahlverfahren sauber definieren, dann automatisieren.