180 Bewerbungen, zwei Stunden Zeit und ein Chatfenster – das ist heute Realität im Tech-Recruiting. Kein Budget, keine Freigabe, kein Produkt: KI-gestützte Lebenslauf-Bewertung ist so niedrigschwellig wie nie. Und genau das ist das Problem.
Viele Unternehmen glauben, sie könnten mit ein paar Klicks die Vorauswahl für ihre Tech-Positionen automatisieren. Ein Lebenslauf, ein Prompt, eine Punktzahl mit Begründung – fertig ist die Entscheidungshilfe. Klingt effizient, ist aber ein Trugschluss. Denn was da zurückkommt, sieht aus wie ein Urteil, ist aber ein Zufallsprodukt mit hübscher Verpackung.
Die Punktzahl ist ein Los – kein Urteil
Ein Sprachmodell prüft nicht. Es setzt Text fort. Das Ergebnis ist keine Bewertung, sondern eine wahrscheinlich klingende Fortsetzung. Wer denselben Lebenslauf fünfmal durch dasselbe Modell jagt, bekommt fünf verschiedene Punktzahlen – und fünf Begründungen, die alle plausibel klingen. Im großen Test lagen die Bewertungen für ein und denselben Lebenslauf zwischen 66 und 99 Punkten. Bei einem Schwellenwert von 85 Punkten fällt der Kandidat mal durch, mal nicht. Das ist keine Kinderkrankheit, das ist Bauweise.
Technische Skills wie „Python“ erkennt das Modell zuverlässig – weil das im Dokument steht. Aber ob ein Werdegang überzeugt, ob Open-Source-Beiträge relevant sind, entscheidet das Modell nach Wahrscheinlichkeit, nicht nach Substanz. Genau da, wo Recruiting wirklich spannend wird, liefert die KI keine Objektivität, sondern eine Lotterie.
Die Begründung ist die Tarnung der Willkür
Die größte Gefahr ist nicht die schwankende Zahl, sondern die überzeugende Begründung. Das Modell erklärt jede Entscheidung so, dass sie vernünftig klingt – auch dann, wenn sie komplett willkürlich ist. Studien zeigen: Die KI kann sogar systematisch falsche Gründe liefern und verschweigt, wodurch sie beeinflusst wurde. Wer sich auf diese Begründungen verlässt, hat keine Kontrolle mehr über die tatsächlichen Auswahlkriterien. Die plausible Erklärung ist kein Beleg gegen Willkür, sie ist ihre Tarnung.
Nachtrainieren, Parameter drehen – alles Augenwischerei
Der Reflex, das Modell durch Feintuning oder längere Prompts zu verbessern, bringt nichts. Die Streuung bleibt, weil die Trainingsdaten selbst aus menschlichen Urteilen bestehen – und die gehen auseinander. Auch ein niedriger Temperature-Wert macht aus Zufall keine Messung. Ein Modell, das immer dieselbe Zahl ausspuckt, hat nicht besser bewertet, sondern nur konsequenter geraten.
Rechtliche Risiken? Nicht irgendwann – jetzt
Im Tech-Recruiting geht es nicht nur um Effizienz, sondern auch um Datenschutz und Diskriminierung. Lebensläufe sind personenbezogene Daten, oft mit sensiblen Inhalten. Wer sie in ein Chatfenster kopiert, hat keinen Auftragsverarbeitungsvertrag, keine saubere Rechtsgrundlage, keinen Überblick, wo die Daten landen. Der Europäische Gerichtshof hat längst entschieden: Ein automatisch erzeugter Wahrscheinlichkeitswert ist eine automatisierte Entscheidung, wenn er maßgeblich für die Auswahl ist. Und das AGG verlangt, dass du sachliche Gründe für eine Absage belegen kannst. Viel Spaß, wenn die Zahl aus der KI kommt und die Begründung den wahren Grund verschweigt.
Gute Kandidaten sind mehr als ein Score
Im Tech-Recruiting geht es um Nuancen, um echte Passung, um das, was zwischen den Zeilen steht. Ein Sprachmodell kann prüfen, ob „Python“ im Lebenslauf steht. Aber es kann nicht bewerten, ob jemand wirklich zu deinem Team passt, ob ein Open-Source-Projekt Substanz hat oder ob ein Karriereweg ungewöhnlich, aber genau richtig für deine Herausforderung ist. Genau deshalb scheitern Unternehmen, die sich auf KI-Scoring verlassen – sie sortieren die falschen Kandidaten aus und wundern sich über leere Shortlists.
Die Illusion der Objektivität kostet dich die besten Leute
Viele HR-Teams glauben, mit KI-Tools endlich objektiv und effizient zu sein. In Wahrheit geben sie Kontrolle und Verantwortung ab – und riskieren, dass die besten Tech-Kandidaten durch das Raster fallen. Geschwindigkeit und Qualität im Prozess erreichst du nicht mit automatisierten Punktzahlen, sondern mit relevanter Ansprache, klarem Prozess und echtem Interesse an den Menschen hinter dem Lebenslauf.
Wie erklärst du deinem Fachbereich, dass die Absage an einen Top-Kandidaten auf einer Zahl basiert, die beim nächsten Durchlauf ganz anders ausfallen würde?
