Der Reiz ist im aktuellen Arbeitsmarkt offensichtlich. Der DACH-Mittelstand kämpft in vielen Branchen mit Fachkräfteengpässen, langen Time-to-Hire-Werten und schlankem Personal in den HR-Abteilungen. Gleichzeitig sind die Datenmengen im Recruiting in den vergangenen Jahren stark gewachsen: mehr Bewerbungseingänge über digitale Kanäle, mehr Profile in beruflichen Netzwerken, mehr Touchpoints in der Candidate Journey. Genau hier setzen KI-Funktionen an, die heute in fast jeder modernen HR-Software und jedem Bewerbermanagementsystem (ATS) als Bausteine angeboten werden.
Wichtig ist eine nüchterne Einordnung: KI im Recruiting ist kein einzelnes Produkt, sondern ein Bündel sehr unterschiedlicher Funktionen mit sehr unterschiedlichem Reifegrad und Risiko. Eine KI, die einen Anzeigentext formuliert, ist etwas grundlegend anderes als eine KI, die Bewerbende in eine Rangfolge bringt. Die erste Funktion ist ein Schreibassistent, die zweite greift unmittelbar in Chancen von Menschen am Arbeitsmarkt ein – mit allen rechtlichen und ethischen Folgen.
Über den gesamten Recruiting-Trichter hinweg lassen sich die heute gängigen KI-Funktionen grob in fünf Felder einteilen: Erstellen (Stellenanzeigen, Texte, Übersetzungen), Finden (Active Sourcing, Talent-Pools, Matching), Verstehen (CV-Parsing, Strukturierung von Bewerbungsdaten), Kommunizieren (Chatbots, Terminierung, Statusmeldungen) und Bewerten (Screening, Ranking, Scoring). Die ersten vier Felder sind überwiegend unterstützend und wirtschaftlich gut beherrschbar. Das fünfte Feld – das Bewerten von Menschen – ist der sensible Kern und steht im Zentrum dieses Artikels.
Der mit Abstand pragmatischste Einstieg in KI-Recruiting ist die Texterstellung. Ein Sprachmodell entwirft aus wenigen Stichworten eine vollständige, gut lesbare Stellenanzeige, passt Tonalität und Länge an und liefert auf Wunsch mehrere Varianten zum Vergleich. Das spart erfahrungsgemäß den Großteil der Schreibzeit – die HR-Fachkraft redigiert nur noch. Ähnlich entlastend wirken Chatbots und automatisierte Statusmeldungen: Bewerbende erhalten schneller Antworten, und das Team gewinnt Zeit für die Gespräche, auf die es wirklich ankommt.
Diese Funktionen sind deshalb unkritisch, weil sie keine Auswahlentscheidung treffen. Sie erzeugen Inhalte oder Kommunikation, die anschließend von Menschen verwendet werden. Trotzdem gilt auch hier Sorgfalt: Eine KI kann unbeabsichtigt einseitige Sprache erzeugen oder in einer Chatbot-Antwort sachlich falsche Auskünfte geben. Eine kurze menschliche Kontrolle bleibt deshalb auch beim Schreiben sinnvoll.
CV-Parsing ist eine der ausgereiftesten Funktionen: Lebensläufe werden ausgelesen und strukturiert, sodass Bewerbungen durchsuchbar und vergleichbar werden. Der Nutzen ist groß, das Risiko überschaubar – solange das Parsing als „Datenerfassung“ verstanden wird und nicht als Bewertung. Matching geht einen Schritt weiter: Es vergleicht Anforderungs- und Bewerberprofil und gibt Eignungshinweise. Hier beginnt die Grauzone. Ein „Score“ ist eine statistische Ähnlichkeit, kein Urteil über die Eignung eines Menschen. Wird er als Vorschlag und Sortierhilfe genutzt, ist er wertvoll. Wird er zur automatischen Vorauswahl verwendet, rückt er in den Hochrisiko-Bereich – dazu mehr in den Kapiteln 4 bis 7.
Klassisches Active Sourcing ist zeitaufwendig: Profile in beruflichen Netzwerken durchsuchen, Eignung einschätzen, individuell ansprechen, nachfassen. KI-Funktionen setzen an mehreren Punkten an. Semantische Suche erweitert eine Stichwortsuche um verwandte Begriffe und Synonyme, sodass auch Profile gefunden werden, die nicht exakt die gesuchten Worte verwenden. Personalisierte Erstansprachen lassen sich von Sprachmodellen auf Basis eines Profils entwerfen, statt Textbausteine zu kopieren. Und in der Pflege von Talent-Pools hilft KI, vorhandene Kontakte erneut auf neue Stellen abzugleichen.
Viele Unternehmen sammeln über Jahre Profile früherer Bewerbender, Initiativbewerbungen und Sourcing-Kontakte – nutzen diesen Bestand aber kaum. Genau hier entfaltet KI Wirkung: Wird ein Talent-Pool sauber strukturiert und mit Skill-Daten angereichert, kann ein Matching neue Stellen automatisch gegen vorhandene Profile abgleichen und „Reaktivierungs-Kandidaten“ vorschlagen. Das ist oft schneller und günstiger als jede neue Suche – und nutzt eine Ressource, die ohnehin vorhanden ist.
Der Pferdefuß liegt im Datenschutz. Profile in einem Talent-Pool sind personenbezogene Daten, die nur mit Rechtsgrundlage und für eine festgelegte Dauer gespeichert werden dürfen. Wer Talent-Pools mit KI bespielt, braucht eine klare Einwilligungs- und Löschpraxis – siehe Kapitel 7. Ohne diese Grundlage wird der vermeintliche Effizienzgewinn schnell zum Compliance-Problem.
Active Sourcing lebt vom persönlichen Kontakt. Eine KI kann eine erste Ansprache entwerfen, aber die Beziehung – Vertrauen, Glaubwürdigkeit, Antworten auf individuelle Fragen – entsteht im Dialog mit einem Menschen. Vollautomatisierte Massenansprachen schaden eher dem Arbeitgeberbild, als dass sie nützen: Profis am Arbeitsmarkt erkennen generische KI-Nachrichten und reagieren zunehmend ablehnend. Die wirksamste Kombination ist deshalb hybrid: KI übernimmt Recherche und Vorentwurf, der Mensch personalisiert, verschickt und führt den Dialog.
Beim KI-gestützten Screening werden eingehende Bewerbungen anhand von Kriterien geprüft und häufig in eine Rangfolge gebracht oder mit einem Score versehen. Bei hohen Bewerberzahlen ist der Reiz offensichtlich: Was ein Team manuell in Tagen sichtet, sortiert die Maschine in Minuten vor. Genau diese Geschwindigkeit ist aber auch das Problem – denn was schnell und in großer Zahl entschieden wird, entzieht sich leicht der Kontrolle.
Ein nach Score sortiertes Bewerberfeld vermittelt den Eindruck von Objektivität: Zahlen wirken neutral. Tatsächlich ist ein Score aber das Ergebnis von Annahmen – welche Merkmale wie gewichtet wurden, welche Daten das Modell gesehen hat, welche Muster es daraus gelernt hat. Wenn diese Grundlagen nicht offengelegt und geprüft sind, ersetzt die scheinbare Objektivität nur die menschliche Voreingenommenheit durch eine maschinelle, die schwerer zu erkennen und in großem Maßstab wirksam ist.
Besonders kritisch ist das automatische Aussortieren. Wird ein Bewerber unterhalb einer Score-Schwelle ohne menschliche Sichtung abgelehnt, handelt es sich um eine ausschließlich automatisierte Entscheidung mit erheblicher Wirkung – ein Fall, den die DSGVO grundsätzlich verbietet (Kapitel 7). Schon aus diesem Grund sollte KI im Screening Bewerbungen anreichern und ordnen, aber niemals eigenständig ablehnen.
Ein vertretbarer Einsatz von Screening-KI hält drei Bedingungen ein: Erstens dient die KI der Vorbereitung, nicht der Entscheidung – sie hebt relevante Informationen hervor, statt Menschen auszuschließen. Zweitens bleibt die menschliche Letztentscheidung verbindlich und dokumentiert. Drittens werden Kriterien, Gewichtung und Ergebnisse regelmäßig auf Verzerrungen geprüft. Unter diesen Bedingungen kann Screening-KI Zeit sparen, ohne Fairness und Rechtskonformität zu opfern. Ohne sie überwiegt das Risiko deutlich.
Bias – also systematische Verzerrung – entsteht im Recruiting auf mehreren Wegen. Datenbias liegt vor, wenn die Trainingsdaten eine ungleiche Vergangenheit abbilden: Wurden in einer Rolle historisch überwiegend Menschen eines bestimmten Profils eingestellt, lernt das Modell, ähnliche Profile zu bevorzugen. Stellvertretermerkmale (Proxys) verstärken das Problem: Auch wenn geschützte Merkmale wie Geschlecht oder Herkunft nicht direkt verwendet werden, können Postleitzahl, Vereinsmitgliedschaft, Lücken im Lebenslauf oder Sprachstil als versteckte „Stellvertreter“ wirken. Messbias entsteht, wenn die KI Signale fehlinterpretiert, die mit Eignung gar nichts zu tun haben.
Ein voreingenommener Mensch trifft einzelne verzerrte Entscheidungen. Ein voreingenommenes Modell trifft dieselbe verzerrte Entscheidung tausendfach und konsistent – und wirkt dabei objektiv. Diskriminierung wird so vom Einzelfall zum Systemfehler, der schwerer auffällt und größeren Schaden anrichtet. Hinzu kommt: Betroffene können eine algorithmische Benachteiligung kaum erkennen, weil ihnen die Entscheidungsgrundlage verborgen bleibt. Genau deshalb verlangt der Rechtsrahmen Transparenz und Kontrolle.
Fairness lässt sich nicht behaupten, sondern muss gemessen und belegt werden. In der Praxis bewähren sich mehrere Maßnahmen, die zusammenwirken:
Der EU AI Act ordnet KI-Systeme nach Risiko ein – von minimalem Risiko bis zu verbotenen Praktiken. KI-Systeme, die in den Bereichen Beschäftigung, Personalmanagement und Zugang zur Selbstständigkeit eingesetzt werden, fallen typischerweise in die Kategorie Hochrisiko. Dazu zählen ausdrücklich Systeme, die für die Einstellung oder Auswahl von Personen verwendet werden – etwa zum „Veröffentlichen und Filtern“ von Bewerbungen oder zum Bewerten und Einordnen von Bewerbenden. Auch Systeme, die später über Beförderung, Aufgabenverteilung oder Beendigung von Arbeitsverhältnissen mitentscheiden, sind erfasst.
Die Logik dahinter: Solche Systeme greifen unmittelbar in die wirtschaftlichen Lebenschancen von Menschen ein. Eine fehlerhafte oder verzerrte Entscheidung kann den Zugang zum Arbeitsmarkt verschließen – ein Schaden, der eine besonders sorgfältige Regulierung rechtfertigt.
Die Hochrisiko-Einstufung löst eine Reihe von Pflichten aus. Diese verteilen sich zwischen Anbietern (die das System entwickeln und bereitstellen) und Betreibern (die es einsetzen – also die Unternehmen). Für den Mittelstand als Betreiber sind vor allem folgende Anforderungen praxisrelevant:
Ein verbreiteter Irrtum lautet: Wer eine fertige Recruiting-KI eines Anbieters kauft, sei aus der Verantwortung. Das stimmt nicht. Anbieter tragen ihre eigenen, umfangreichen Pflichten – aber als Betreiber bleibt das einsetzende Unternehmen für die korrekte Nutzung, die menschliche Aufsicht und die Information der Betroffenen verantwortlich. Bei der Auswahl eines Tools lohnt deshalb die Frage, wie der Anbieter die Konformität mit dem EU AI Act unterstützt – etwa durch Dokumentation, Erklärbarkeit und Funktionen für die menschliche Aufsicht.
Eine Bewerbung enthält eine Fülle personenbezogener Daten – Name, Kontaktdaten, Lebenslauf, Zeugnisse, teils Foto und Angaben, die auf geschützte Merkmale schließen lassen. Für die Verarbeitung braucht es eine Rechtsgrundlage, einen klar definierten Zweck und eine angemessene Speicherdauer. Werden diese Daten in KI-Systeme gegeben, gelten dieselben Grundsätze: Datenminimierung, Zweckbindung, Transparenz und Sicherheit. Besonders heikel ist die Frage, ob Bewerberdaten beim Einsatz cloudbasierter KI an Dritte oder in Drittländer gelangen – hier sind Auftragsverarbeitung, Hosting-Ort und vertragliche Garantien sorgfältig zu prüfen.
Artikel 22 DSGVO gibt Betroffenen das Recht, nicht einer ausschließlich auf automatisierter Verarbeitung beruhenden Entscheidung unterworfen zu werden, die ihnen gegenüber rechtliche Wirkung entfaltet oder sie in ähnlicher Weise erheblich beeinträchtigt. Eine automatische Ablehnung im Bewerbungsprozess fällt typischerweise genau in diesen Bereich: Sie beeinträchtigt die betroffene Person erheblich. Vollautomatisierte Ablehnungen oder Auswahlentscheidungen ohne menschliches Zutun sind deshalb grundsätzlich unzulässig – von eng gefassten Ausnahmen abgesehen.
Die praktische Konsequenz ist eindeutig und deckt sich mit den übrigen Kapiteln: KI darf Bewerbungen aufbereiten, strukturieren und vorschlagen – die tatsächliche Entscheidung über Einladung oder Ablehnung muss ein Mensch treffen. Diese menschliche Entscheidung darf kein bloßes „Abnicken“ sein; sie muss eine echte, eigenständige Prüfung umfassen.
Der typische Recruiting-Stack im Mittelstand besteht aus einem Bewerbermanagementsystem (ATS) als Drehscheibe, ergänzt um Stellenbörsen-Anbindungen, eine Karriereseite und oft ein übergeordnetes HR-System. In dieses Gefüge fügen sich KI-Funktionen auf drei Wegen ein:
Herstellerneutral betrachtet zählen weniger Marketingversprechen als handfeste Eigenschaften. Sinnvolle Auswahlkriterien sind: Datenverbleib und Hosting (möglichst EU/DACH), Transparenz und Erklärbarkeit der KI-Ergebnisse, Funktionen für menschliche Aufsicht (Ergebnisse prüfen, korrigieren, überstimmen), Unterstützung bei EU-AI-Act- und DSGVO-Konformität (Dokumentation, AV-Vertrag), saubere Schnittstellen zum bestehenden ATS sowie ein realistisches Verhältnis von Nutzen zu Aufwand. Funktionen, die Menschen automatisch bewerten oder ablehnen, sollten kritisch hinterfragt und – wenn überhaupt – nur mit verbindlicher menschlicher Letztentscheidung genutzt werden.
In der Praxis scheitern KI-Initiativen selten an fehlenden Funktionen, sondern an mangelnder Integration: Daten liegen in Insellösungen, Schnittstellen fehlen, Prozesse sind nicht angepasst. Ein gut integriertes ATS mit soliden KI-Bausteinen bringt für die meisten Mittelständler mehr als ein Strauß spezialisierter Einzeltools, die nicht zusammenspielen. Wer KI im Recruiting einführt, sollte deshalb zuerst den vorhandenen Stack und die Datenflüsse ordnen – und KI dort ansetzen, wo sie ohne Reibung wirkt.
