Gute Bewerber sind nach zwei Wochen Funkstille weg.
Auf eine gut ausgeschriebene Stelle kommen die Bewerbungen über drei Wege gleichzeitig: das Stellenportal, ein zentrales Bewerbungs-Postfach und immer noch Papier per Post. Jede Unterlage sieht anders aus. Lebensläufe als Tabelle, als Fließtext oder als Scan. Anschreiben mal ausführlich, mal drei Zeilen. Zeugnisse in beliebiger Reihenfolge.
Die Sichtung dauert deshalb. HR liest jede Bewerbung einzeln, notiert sich in einer Tabelle, was passt, und schickt eine Auswahl an die Fachabteilung. Dort liegt sie dann. Die Kollegen, die fachlich beurteilen können, stehen in der Produktion oder beim Kunden und antworten selten am selben Tag.
Das Muster ist immer dasselbe: Zwischen Eingang und erster echter Rückmeldung vergehen ein bis zwei Wochen. Gute Kandidaten haben in dieser Zeit zwei andere Gespräche geführt und sagen ab, ohne dass jemals jemand ihre Unterlagen fachlich beurteilt hätte. Nicht die Auswahl ist der Engpass, sondern alles davor.
Erst das Anforderungsprofil schärfen, dann strukturieren.
Der Start war keine Software-Demo, sondern eine echte offene Stelle und die Frage, woran HR und Fachabteilung heute tatsächlich festmachen, wer passt. Meistens zeigt sich: Das Anforderungsprofil im Ausschreibungstext und das im Kopf der Fachabteilung sind zwei verschiedene Dinge. Eine Bedingung des Teams wurde zur Spezifikation: Der KI-Mitarbeiter darf niemanden aussortieren.
- Anforderungsprofil explizit machen: Muss- und Kann-Kriterien gemeinsam mit der Fachabteilung aufschreiben, fachlich und prüfbar. Geschützte Merkmale sind keine Kriterien. Was sich in einer Bewerbung nicht belegen lässt, gehört ins Gespräch, nicht in die Vorauswahl.
- Gegen echte Altbewerbungen testen: Der KI-Mitarbeiter läuft über abgeschlossene Verfahren, deren Ausgang das Team kennt. Geprüft wird nicht, ob die KI richtig auswählt, sondern ob sie richtig strukturiert und richtig belegt.
- Rollen und Rechte festschreiben: Wer sieht welche Bewerbung, wer entscheidet über die Shortlist, wer gibt Einladungen und Absagen frei. Die beiden menschlichen Stationen stehen im System, nicht in einer Konvention.
- Klein starten, dann ausrollen: Zuerst eine Stellenfamilie mit hohem Bewerbungsaufkommen, typischerweise gewerbliche oder kaufmännische Positionen. Führungspositionen und Sonderfälle kommen später oder gar nicht.
80 Prozent macht der KI-Mitarbeiter. An zwei Stellen entscheidet der Mensch.
Der KI-Mitarbeiter zieht alle drei Kanäle in einen Eingang: Bewerbungen aus dem Stellenportal, Mails samt Anhängen aus dem Bewerbungs-Postfach und gescannte Papierbewerbungen. Aus jeder Bewerbung baut er dieselbe Struktur: Ausbildung, berufliche Stationen mit Zeiträumen, Kenntnisse und Nachweise. Zu jeder Angabe steht dabei, in welchem Dokument und an welcher Stelle sie steht.
Danach gleicht er diese Struktur gegen die fachlichen Muss- und Kann-Kriterien der Stelle ab und markiert je Kriterium: belegt, nicht belegt oder unklar. Es gibt keine Punktzahl, keine Rangfolge und kein Empfehlungs-Label. Jede eingegangene Bewerbung landet in der Vergleichsübersicht der Stelle, in Eingangsreihenfolge. Zu unklaren Punkten schreibt der KI-Mitarbeiter einen Rückfrage-Entwurf. HR und Fachabteilung entscheiden über die Shortlist und geben Einladung oder Absage frei. Erst danach koordiniert der KI-Mitarbeiter Termine und überwacht die Löschfristen.
Bewerbung auf eine Stelle als Industriemechaniker, eingegangen per E-Mail: Lebenslauf als PDF, kurzes Anschreiben, zwei Arbeitszeugnisse als Scan.
Ein Feld ist zur Entscheidung markiert: die Shortlist. Der KI-Mitarbeiter vergibt keine Punktzahl, erzeugt keine Rangfolge und sortiert niemanden aus. Vier von fünf belegten Kriterien sind eine Information, kein Urteil.
Das war vorher, das ist heute.
So lief die Bewerber-Sichtung vorher, und so läuft sie heute mit dem KI-Mitarbeiter. Konservativ gerechnet spart das rund 80 Prozent der Sichtungszeit pro Bewerbung. Die Entscheidung selbst wird nicht schneller, sie wird nur besser vorbereitet.
| Vorher | Heute | |
|---|---|---|
| Zeit pro Bewerbung | 10 bis 15 Minuten Sichtung | Rund 2 Minuten Review |
| Erste Rückmeldung | 1 bis 2 Wochen, oft länger | Innerhalb eines Tages |
| Kanäle | Portal, E-Mail und Post getrennt gesichtet | Ein Eingang für alle drei Kanäle |
| Vergleichbarkeit | Jeder Lebenslauf im eigenen Format | Einheitliche Struktur, eine Übersicht je Stelle |
| Nachvollziehbarkeit | Beurteilung selten dokumentiert | Jedes Kriterium mit Fundstelle belegt |
| Auswahlentscheidung | Mensch, unter Zeitdruck und ohne Beleg | Mensch, mit vollständiger und belegter Grundlage |
* Einsparung konservativ gerechnet: 10 bis 15 Minuten Sichtung pro Bewerbung vorher, rund 2 Minuten Review der Strukturierung heute, gerechnet mit dem unteren Wert. Bei 100 Bewerbungen sind das rund 13 Stunden weniger Sichtungsarbeit. Der Vakanzwert unterstellt die übliche Größenordnung von 4.000 bis 10.000 € Kosten pro Monat für eine offene Stelle und eine um zwei Wochen frühere Besetzung. Die Auswahlentscheidung bleibt in beiden Spalten beim Menschen.
Wie baut man so einen KI-Mitarbeiter technisch?
Das Wissen aus diesem Szenario zum Mitnehmen, egal ob ihr mit uns baut oder selbst:
Lesen: Vision-Modelle statt CV-Parser
Klassische CV-Parser scheitern an Tabellen-Layouts, an Scans und an allem, was nicht dem erwarteten Aufbau folgt. Moderne Vision-Modelle wie GPT von OpenAI oder Claude von Anthropic lesen den Lebenslauf so, wie ein Mensch ihn liest: als Tabelle, als Fließtext oder als Foto eines Papierdokuments. Sie überführen ihn in ein festes Schema aus Ausbildung, Stationen mit Zeiträumen, Kenntnissen und Nachweisen.
Strukturierung: jedes Kriterium mit Fundstelle
Zu jeder extrahierten Angabe wird festgehalten, in welchem Dokument und an welcher Stelle sie steht, zum Beispiel Schweißerfahrung, Lebenslauf, Station 2013 bis 2019. Was sich nicht belegen lässt, wird als unklar markiert und nicht geraten. Eine erfundene Berufsstation ist im Recruiting kein kosmetischer Fehler.
Kriterien: nur fachlich, nur aus dem Anforderungsprofil
Geprüft werden ausschließlich Kriterien, die aus dem Anforderungsprofil kommen: Ausbildung, Berufserfahrung, Nachweise, Sprach- und Fachkenntnisse, Führerscheinklassen. Geschützte Merkmale nach Paragraf 1 AGG sind keine Kriterien und dürfen auch nicht als Näherungswert einfließen, also weder Foto noch Geburtsjahr noch Name. Die Kriterienliste ist im System einsehbar und liegt nicht im Modellverhalten versteckt. Genau hier verläuft auch die Grenze zur Hochrisiko-Einstufung des EU AI Act: vorstrukturieren und belegen ja, bewerten und ranken nein.
Anbindung: ATS, Postfach und Löschfristen als Regelwerk
Der KI-Mitarbeiter hängt am bestehenden Bewerbermanagement-System und am Bewerbungs-Postfach in Outlook. Es gibt keine neue Plattform. Die DSGVO-Löschfristen sind kein KI-Thema, sondern ein festes Regelwerk: Eingangsdatum plus Abschlussdatum ergeben die Frist, üblich sind sechs Monate nach Verfahrensende. Der KI-Mitarbeiter erinnert und listet, gelöscht wird auf Freigabe.
UX: die Oberfläche entscheidet über die Akzeptanz
Die Fachabteilung bekommt eine Vergleichsübersicht, in der alle Bewerbungen einer Stelle nebeneinander stehen, vollständig und ohne Rangfolge. Rückfragen an Bewerber liegen als editierbarer Entwurf bereit, nichts geht ungesehen raus. Und jede Entscheidung ist ein bewusster Klick, keine stille Vorsortierung. Genau diese drei Dinge haben aus rechtlicher Skepsis Zustimmung gemacht.
Was kostet das im Vergleich?
Superkind rechnet pro Use Case ab. Der Preis wächst mit dem Bewerbungsvolumen, nicht mit dem Personalbestand. Hier die ehrliche Gegenüberstellung:
| Manuelle Sichtung | ATS-Keyword-Filter | Superkind KI-Mitarbeiter | |
|---|---|---|---|
| Kosten | 10 bis 15 Minuten HR-Zeit pro Bewerbung | 3.000 bis 15.000 € pro Jahr für Lizenz und Pflege | Preis pro Use Case, ein Bruchteil einer Vollzeitstelle |
| Was ist enthalten | Lesen, vergleichen und nachfassen, alles von Hand | Keyword-Treffer im Lebenslauf, nur aus dem Portal | Portal, E-Mail und Post gelesen, strukturiert und mit Fundstelle belegt |
| Skaliert mit | Mehr Personal in HR | Anzahl der Nutzer | Bewerbungsvolumen, ohne neue Stellen |
| Ausnahmen | Bleiben liegen, bis jemand Zeit hat | Fallen still aus dem Filter | Gehen markiert an einen Menschen, niemand wird still verworfen |
| Wer entscheidet | Mensch, unter Zeitdruck | Der Filter entscheidet vor | Mensch, bei 100 Prozent der Entscheidungen |
| Einführung | Einarbeitung neuer Kollegen | Konfiguration der Filterregeln | 2 bis 3 Wochen bis zur ersten produktiven Version |
Der ehrliche Vergleich sind die Kosten der offenen Stelle. Eine unbesetzte Position kostet üblicherweise 4.000 bis 10.000 € pro Monat an entgangener Leistung, Überstunden und verschobenen Aufträgen. Und ein Keyword-Filter verwirft still gute Kandidaten, die danach niemand mehr zu Gesicht bekommt.
Was wir über KI im Recruiting gelernt haben.
Der Reflex im Markt ist, KI im Recruiting als Auswahlmaschine zu denken: oben kommen 200 Bewerbungen rein, unten fallen die besten fünf raus. Wir halten das für den falschen Bau, rechtlich und vor allem fachlich. Was gute Recruiter auszeichnet, ist nicht das schnelle Aussortieren, sondern das Erkennen von Kandidaten, die auf dem Papier nicht offensichtlich passen. Ein System, das aussortiert, nimmt genau diese Fälle aus dem Blickfeld.
Der Engpass im Mittelstand ist ohnehin ein anderer. Es fehlt nicht an Urteilsvermögen, sondern an Vorbereitungszeit: Unterlagen zusammensuchen, lesen, vergleichbar machen, hinterhertelefonieren. Genau diese Arbeit lässt sich vollständig abgeben, ohne dass eine einzige Entscheidung das Haus verlässt. Teams merken schnell, dass eine belegte Übersicht ihre Diskussion mit der Fachabteilung verändert. Es wird über Kriterien gesprochen statt über Bauchgefühl.
Wofür es sich nicht eignet: Wer auf eine Stelle fünf Bewerbungen bekommt, liest sie schneller selbst. Bei Führungspositionen über Executive Search steht das Entscheidende nie im Lebenslauf. Und wer sich ein automatisches Ranking oder einen Filter wünscht, der aussortiert, ist bei uns falsch. Das bauen wir bewusst nicht, weder als Feature noch als Option.
