Der beste Bewerber? Ihr ATS kennt ihn nicht – und Ihr 20-Minuten-Gespräch vielleicht auch nicht

Unternehmen investieren viel Geld in Recruiting, Bewerbermanagement und zunehmend in künstliche Intelligenz. Das Ziel klingt eindeutig: schneller die richtigen Menschen finden. Schwieriger ist die Frage, woran ein Unternehmen überhaupt erkennt, wer später gute Arbeit leisten wird. Genau an dieser Stelle verändert generative KI den Bewerbungsmarkt grundlegend. Bewerber können Stellenanzeigen analysieren, Lebensläufe sprachlich verbessern, Anschreiben individualisieren und Vorstellungsgespräche trainieren. Unternehmen wiederum setzen Systeme ein, die Bewerbungen strukturieren, Fähigkeiten extrahieren, Kandidaten vergleichen, priorisieren oder anhand definierter Kriterien aussortieren. Beide Seiten werden technisch besser darin, Signale zu erzeugen und zu verarbeiten. Damit entsteht aber nicht automatisch bessere Personalauswahl. Im Gegenteil: Je leichter bestimmte Bewerbersignale optimiert werden können, desto wichtiger wird die Frage, ob Unternehmen überhaupt die richtigen Signale messen.

Wenn die perfekte Bewerbung kein knappes Gut mehr ist

Dass künstliche Intelligenz im Bewerbungsprozess angekommen ist, lässt sich kaum noch bestreiten. Die Bundesagentur für Arbeit beschreibt inzwischen selbst, wie Bewerber KI für Lebensläufe, Anschreiben und die Vorbereitung auf Vorstellungsgespräche einsetzen können. Gleichzeitig weist sie darauf hin, dass auch Unternehmen KI bei der Sichtung und Verarbeitung von Bewerbungen verwenden. Aktuelle Daten von Stepstone zeigen ein ähnliches Bild. Bewerber nutzen KI unter anderem, um Unterlagen schneller zu erstellen und auf konkrete Stellen anzupassen. Parallel dazu registrierte Stepstone zwischen Anfang 2023 und Anfang 2026 ein deutlich gestiegenes Bewerbungsinteresse pro Stellenanzeige. Das Unternehmen nennt den durch KI gesunkenen Aufwand beim Bewerben als einen von mehreren möglichen Faktoren. Stepstone ist selbst Anbieter im Recruitingmarkt. Seine Erhebungen sind deshalb eher Marktbeobachtung als unabhängige Grundlagenforschung. Der grundlegende Trend ist dennoch plausibel und inzwischen breit sichtbar: Die Kosten professioneller Bewerbungsdarstellung sinken.

Das ist zunächst positiv. Ein großes Feldexperiment von Forschern um Emma Wiles, Zanele Munyikwa und John Horton untersuchte fast eine halbe Million Jobsuchende. Bewerber, deren Lebensläufe algorithmisch sprachlich unterstützt wurden, wurden häufiger eingestellt. Gleichzeitig fanden die Forscher keine Hinweise darauf, dass Arbeitgeber mit diesen Personen später unzufriedener waren. Die Arbeit erschien zunächst als NBER Working Paper und wurde später in Management Science veröffentlicht. Das Ergebnis ist wichtig, weil es einer simplen Anti-KI-Erzählung widerspricht. Gute sprachliche Unterstützung kann verhindern, dass vorhandene Kompetenz nur deshalb übersehen wird, weil jemand seine Erfahrungen schlechter formuliert.

Gerade daraus folgt aber ein neues Selektionsproblem. Wenn sprachliche Qualität immer leichter herstellbar wird, verliert sie als Unterscheidungsmerkmal einen Teil ihres bisherigen Gewichts. Nicht der Lebenslauf insgesamt wird wertlos. Aber Formulierungssicherheit, rhetorische Qualität und die perfekte Anpassung an eine Stellenanzeige sagen möglicherweise weniger darüber aus, was früher aus ihnen herausgelesen wurde.

Eine gute Bewerbung kann helfen, Kompetenz sichtbar zu machen. Sie beweist sie nicht.

Diese Unterscheidung wird mit generativer KI wichtiger.

Das ATS entscheidet nur so gut wie die Kriterien dahinter

Applicant Tracking Systems werden in der öffentlichen Diskussion gern als Maschinen dargestellt, die Bewerber wegen eines fehlenden Keywords aussortieren. So einfach ist die Realität nicht. Ein ATS ist zunächst eine technische Infrastruktur für Bewerbungsprozesse. Manche Systeme verwalten Bewerbungen weitgehend administrativ. Andere unterstützen Screening, Skill-Extraktion, Matching, Ranking oder automatisierte Prescreening-Entscheidungen. SAP SuccessFactors dokumentiert beispielsweise Funktionen, die Fähigkeiten aus Stellenanzeigen und Lebensläufen extrahieren und miteinander vergleichen können. Andere Funktionen ermöglichen es, bestimmte Antworten in Prescreening-Fragen zu gewichten oder als Ausschlusskriterium zu verwenden.

Solche Systeme können Prozesse beschleunigen und große Bewerbermengen beherrschbarer machen. Das ist ein realer Vorteil. Aber technische Präzision ist noch keine diagnostische Qualität. Wenn ein Unternehmen gute Kriterien definiert, kann Automatisierung helfen. Wenn es schlechte Kriterien definiert, skaliert die Automatisierung nur den Fehler. Gesucht wird analytisches Denken, gefiltert wird nach fünf Jahren Berufserfahrung. Gesucht wird Führungskompetenz, gefiltert wird nach einem bestimmten Jobtitel. Gesucht wird Lernfähigkeit, gefiltert wird nach einem formalen Abschluss. All diese Merkmale können sinnvoll sein. Sie bleiben jedoch zunächst Stellvertreter für etwas anderes: die spätere Fähigkeit, eine konkrete Aufgabe erfolgreich zu erfüllen. Der entscheidende Fehler entsteht deshalb oft nicht im Algorithmus. Er entsteht vorher.

Der Bewerber, den niemand vermisst

Für Unternehmen ist besonders eine Fehlerart problematisch, die im Recruiting kaum sichtbar wird. Ein ungeeigneter Mitarbeiter, der eingestellt wird, fällt irgendwann auf. Ein hervorragender Kandidat, der bereits im ersten Filter ausscheidet, hinterlässt dagegen keine Spur. Niemand erlebt seine spätere Leistung. Niemand kann rückblickend feststellen, was dem Unternehmen entgangen ist. In der Sprache der Klassifikation lässt sich dieser Fall als False Negative beschreiben: Ein grundsätzlich geeigneter Kandidat wird als ungeeignet behandelt.

Das Forschungsprojekt Hidden Workers: Untapped Talent der Harvard Business School und Accenture untersucht genau solche Ausschlussmechanismen. Im Fokus stehen Menschen, die für Unternehmen durchaus wertvoll sein könnten, von traditionellen Recruitingprozessen aber häufig nicht erreicht oder früh aussortiert werden. Dazu gehören etwa Personen mit Betreuungspflichten, ungewöhnlichen Erwerbsbiografien, Behinderungen oder Qualifikationen, die nicht exakt in standardisierte Karrieremuster passen. Der Bericht zeigt, wie Recruitment Management Systems und Applicant Tracking Systems dazu beitragen können, solche Kandidaten unsichtbar zu machen, wenn Unternehmen stark auf starre Ausschlussregeln, formale Kriterien oder die schnelle Reduktion großer Bewerbermengen setzen.

Das belegt nicht, dass ATS grundsätzlich die besten Bewerber aussortieren. Dafür gibt es keinen belastbaren Nachweis. Es zeigt etwas anderes: Ein Unternehmen kann seinen Bewerbungsprozess für effizient halten, obwohl es nicht weiß, wie viele geeignete Kandidaten dieser Prozess niemals einem Entscheider zeigt. Der beste Bewerber ist ohnehin eine schwierigere Figur, als es im Recruitingjargon klingt. Wer früh ausscheidet, kann im Unternehmen nie beweisen, ob er tatsächlich besser gewesen wäre. Genau deshalb bleiben False Negatives weitgehend unsichtbar.

Nach dem Algorithmus kommt häufig ein freies Urteil

Wer die digitale Vorauswahl übersteht, landet in vielen Unternehmen in einem kurzen Erstgespräch. Zwanzig oder dreißig Minuten per Video, einige Fragen zum Lebenslauf, Motivation, Verfügbarkeit und vielleicht zur Persönlichkeit. Anschließend fällt oft bereits eine Vorentscheidung. Hat mich nicht überzeugt. Passt nicht ins Team. Wir hatten keinen guten Draht. Der andere Kandidat wirkte souveräner. Solche Eindrücke können zutreffen. Sie sind aber noch keine belastbare Eignungsdiagnostik.

Die Forschung zu Auswahlinterviews unterscheidet seit Langem zwischen weitgehend freien Gesprächen und strukturierten Interviews. Bei strukturierten Verfahren erhalten Kandidaten vergleichbare arbeitsbezogene Fragen, und ihre Antworten werden anhand vorher definierter Maßstäbe bewertet. Eine umfangreiche Forschungsübersicht von Julia Levashina und Kollegen zeigt, wie Strukturierung Vergleichbarkeit erhöhen, Bewertung systematisieren und bestimmte Verzerrungen reduzieren kann. Eine spätere Neubewertung zentraler eignungsdiagnostischer Verfahren durch Paul Sackett und Kollegen korrigierte zwar zahlreiche ältere Validitätsschätzungen nach unten. Strukturierte Interviews blieben jedoch auch in dieser Neubewertung unter den vergleichsweise starken Verfahren zur Vorhersage späterer Arbeitsleistung.

Das ist ein wichtiger Unterschied.

Nicht das kurze Interview ist automatisch schlecht. Problematisch wird ein Kurzgespräch dort, wo aus wenigen Minuten persönlichem Eindruck eine weitreichende Eignungsentscheidung entsteht, ohne standardisierte Fragen, klaren Anforderungsbezug und nachvollziehbare Bewertung. Dabei ist weder Alter noch Geschlecht noch Berufsbezeichnung der interviewenden Person der entscheidende Faktor. Eine junge Recruiterin kann ein methodisch ausgezeichnetes Interview führen. Ein Geschäftsführer mit dreißig Jahren Erfahrung kann sich vollkommen auf Intuition verlassen und damit systematisch danebenliegen. Erfahrung hilft. Sie ersetzt aber kein gutes Verfahren. Die eigentliche Managementfrage lautet deshalb: Nach welchem Standard darf jemand eine Entscheidung treffen, die über Zugang zu einer Stelle und über einen erheblichen Teil des unternehmerischen Erfolgs entscheidet?

Wenn Unternehmen Quality of Hire selbst kaum greifen können

An diesem Punkt wird aus einem Recruitingthema ein Managementthema. Viele Unternehmen beschäftigen sich zuerst mit Software. Welches ATS ist besser? Welche KI findet passende Kandidaten? Welches Tool spart Recruitern Zeit? Vor jeder technischen Frage müsste allerdings eine fachliche beantwortet werden: Was ist in dieser Position eigentlich gute Leistung?

Wie schwer diese Frage zu operationalisieren ist, zeigen selbst aktuelle Marktstudien. LinkedIn berichtete in seinem Future of Recruiting 2025, dass 89 Prozent der befragten Talent-Acquisition-Verantwortlichen die Messung von Quality of Hire künftig für wichtiger hielten. Gleichzeitig waren nur 25 Prozent sehr zuversichtlich, dass ihr Unternehmen diese Qualität effektiv messen könne. Auch diese Zahlen stammen von einem Anbieter mit eigenem wirtschaftlichem Interesse. Sie beweisen nicht, dass Unternehmen generell nicht wissen, was gute Arbeit ist. Sie zeigen aber etwas Wesentliches: Viele Recruitingorganisationen tun sich schwer damit, die Qualität einer Einstellung nachträglich belastbar zu messen.

Und genau daraus entsteht eine grundsätzliche Frage: Wenn ein Unternehmen die Qualität einer Einstellung nur begrenzt messen kann, worauf soll dann seine KI optimieren? Ein Algorithmus braucht keine philosophische Vorstellung von guter Arbeit. Er braucht Zielgrößen, Daten und Kriterien. Wenn Betriebszugehörigkeit als Erfolgssignal gilt, kann ein System darauf optimieren. Wenn bestimmte Karrierewege in historischen Daten überrepräsentiert sind, kann ein System diese Muster übernehmen. Wenn eine Stellenbeschreibung unnötige Anforderungen enthält, können diese Anforderungen automatisiert mit hoher Konsequenz durchgesetzt werden. KI beseitigt die Annahmen des Recruitings nicht. Sie macht sie unter Umständen skalierbar.

Die Gegenseite: Menschen entscheiden ebenfalls nicht neutral

Wer daraus ableitet, Menschen sollten wieder allein entscheiden, macht allerdings den nächsten Fehler. Menschen sind kein objektiver Goldstandard. Eine in Nature veröffentlichte Untersuchung von Dominik Hangartner, Daniel Kopp und Michael Siegenthaler analysierte das Verhalten von Recruitern auf einer schweizerischen Arbeitsvermittlungsplattform. Für ansonsten vergleichbare Profile zeigten sich je nach Herkunft unterschiedliche Kontaktwahrscheinlichkeiten. Auch geschlechtsspezifische Unterschiede waren in bestimmten Berufsfeldern sichtbar. Die Studie untersucht nicht Bewerbungsgespräche und beweist nicht, dass jeder Recruiter diskriminiert. Sie zeigt jedoch deutlich, dass auch menschliches Such- und Auswahlverhalten systematische Verzerrungen enthalten kann.

Genau deshalb ist die einfache Alternative Mensch oder Maschine wenig hilfreich. Die interessantere Frage lautet, welche Kombination aus Kriterien, Daten, Technologie und menschlicher Kontrolle bessere und nachvollziehbarere Entscheidungen erzeugt. Moderne semantische Recruiting-Systeme versprechen beispielsweise, Fähigkeiten jenseits exakter Keyword-Übereinstimmungen zu erkennen. Technisch ist das längst möglich. Ob daraus im konkreten Unternehmen tatsächlich bessere Einstellungen entstehen, lässt sich aus der Funktion allein aber nicht ableiten.

Die Internationale Arbeitsorganisation warnt in einer Analyse von 2025 genau vor diesem Kurzschluss. KI im Personalmanagement könne Effizienzgewinne ermöglichen, ihre Qualität hänge jedoch stark von Zieldefinition, Daten, Modellierung und organisatorischem Kontext ab. Schlechte oder unvollständige Zielgrößen können ebenso problematisch sein wie verzerrte historische Daten. Auch die OECD weist darauf hin, dass für viele KI-Anwendungen im Personalmanagement belastbare empirische Wirksamkeitsnachweise noch begrenzt sind. Das bedeutet nicht, dass KI im Recruiting nicht funktioniert. Es bedeutet, dass technische Fähigkeit und nachgewiesene Auswahlqualität zwei verschiedene Dinge sind.

Kann KI also trotzdem besser rekrutieren?

Dafür gibt es inzwischen erste Hinweise, aber noch keine endgültige Antwort. LinkedIn veröffentlichte 2026 eine Analyse seines Hiring Assistant und berichtete für Unternehmen, die das Produkt verwendeten, bessere Werte bei einer unternehmenseigenen Quality-Hire-Kennzahl als bei Vergleichsunternehmen mit klassischem LinkedIn Recruiter. Das ist als Gegenposition zur KI-Kritik interessant. Es ist aber kein neutraler Beweis dafür, dass KI generell bessere Mitarbeiter findet. LinkedIn definiert selbst, was in dieser Analyse als Quality Hire gilt, und weist auf Einschränkungen der noch jungen Langzeitdaten hin. Außerdem bleibt offen, wie stark Unterschiede zwischen den Unternehmen selbst die Ergebnisse erklären.

Die angemessene Schlussfolgerung lautet deshalb nicht, dass moderne KI bessere Personalentscheidungen trifft. Sie lautet: Es ist plausibel, dass gut entwickelte Systeme bestimmte Grenzen älterer Verfahren reduzieren können. Ob sie das tatsächlich tun, muss im konkreten Einsatz gegen reale Ergebnisse überprüft werden. Damit verändert sich auch die Rolle von HR. Die Aufgabe besteht immer weniger darin, einem Algorithmus zu vertrauen oder ihm grundsätzlich zu misstrauen. Sie besteht darin, seine Kriterien, Ergebnisse und Fehler systematisch zu überprüfen.

Ein Bewerbungsmarkt, in dem Maschinen Maschinen lesen

Aus diesen Entwicklungen entsteht eine neue Konstellation. Der Kandidat liest eine Stellenanzeige nicht mehr zwangsläufig allein. Ein Sprachmodell analysiert Anforderungen, schlägt Formulierungen vor und optimiert den Lebenslauf. Das Unternehmen liest die Bewerbung ebenfalls nicht mehr zwangsläufig allein. Software extrahiert Fähigkeiten, berechnet Übereinstimmungen und priorisiert Kandidaten. Dann treffen sich zwei Menschen in einem Interview, von denen sich der eine möglicherweise mit KI auf typische Fragen vorbereitet hat und der andere seine Interviewfragen ebenfalls mit KI erstellt hat.

Es wäre verfrüht, daraus eine wissenschaftlich bewiesene Gesetzmäßigkeit abzuleiten. Der Begriff eines KI-gegen-KI-Bewerbungsmarktes beschreibt deshalb eine Interpretation der aktuellen Entwicklung, keinen abschließend nachgewiesenen Effekt. Aber die Richtung ist bemerkenswert. Je leichter sprachlich perfekte Bewerbungen entstehen, desto weniger sollte ein Unternehmen allein aus sprachlicher Perfektion auf Eignung schließen. Je besser sich Kandidaten auf klassische Interviewfragen vorbereiten können, desto weniger sagt ein routinierter Auftritt allein über spätere Leistung aus. Das zwingt Recruiting zurück an den Punkt, an dem es eigentlich immer hätte beginnen müssen: nicht bei der Frage, wer das Bewerbungsverfahren am besten beherrscht, sondern bei der Frage, wer diese Arbeit tatsächlich gut erledigen kann.

Näher an die reale Arbeit

Ein zukunftsfähiger Auswahlprozess müsste deshalb stärker von der tatsächlichen Tätigkeit ausgehen. Welche Ergebnisse soll jemand in der Position erreichen? Welche Fähigkeiten sind dafür wirklich notwendig? Welche Anforderungen sind unverzichtbar, welche nur historisch gewachsen? Welche Kompetenzen lassen sich über Arbeitsproben, strukturierte Aufgaben oder gute Interviews tatsächlich beobachten? Und vor allem: Wird nach der Einstellung überprüft, welche Auswahlkriterien später mit guter Leistung zusammenhingen?

Genau diese Rückkopplung fehlt in vielen Recruitingprozessen. Ein Kandidat wird wegen zehn Jahren Berufserfahrung eingestellt. Ob genau diese zehn Jahre später tatsächlich etwas mit seiner Leistung zu tun hatten, wird kaum überprüft. Eine Bewerberin wird wegen eines ungewöhnlichen Karrierewegs aussortiert. Ob gerade diese Erfahrung später einen Vorteil gebracht hätte, bleibt unbekannt. Ohne eine solche Rückkopplung kann weder ein Mensch noch ein KI-System lernen, welche Kriterien wirklich tragen. Das wäre vermutlich eine sinnvollere Nutzung von KI als die bloße Automatisierung der nächsten Screeningstufe: Unternehmen könnten systematischer prüfen, welche Auswahlannahmen sich später tatsächlich bewähren.

Recruiting-KI wird auch zur Governance-Frage

Hinzu kommt ein Aspekt, der für Unternehmen in Europa in den kommenden Jahren erheblich wichtiger wird. Der EU AI Act führt KI-Systeme, die für Rekrutierung oder Auswahl natürlicher Personen eingesetzt werden, insbesondere zum Analysieren und Filtern von Bewerbungen oder zur Bewertung von Kandidaten, grundsätzlich unter den in Anhang III genannten Hochrisiko-Anwendungen. Nach dem aktuell konsolidierten Rechtsstand vom September 2026 greifen die einschlägigen Vorgaben für diese Kategorie nach der geänderten Anwendungssystematik ab Dezember 2027.

Damit wird Recruiting-KI nicht nur zu einer Frage von Effizienz und Personalarbeit. Sie wird auch zu einer Frage von Governance, Dokumentation, Risikomanagement und menschlicher Aufsicht. Unternehmen sollten deshalb bereits heute wissen, welche Systeme in ihrem Recruiting tatsächlich bewerten, ranken oder filtern, auf welchen Daten und Kriterien diese Entscheidungen beruhen und an welcher Stelle Menschen eingreifen. Die regulatorische Entwicklung könnte sich weiter konkretisieren. Der genaue Rechtsstand sollte deshalb vor jeder späteren Veröffentlichung oder konkreten Umsetzung erneut geprüft werden.

Die eigentliche Herausforderung liegt vor dem Algorithmus

Künstliche Intelligenz wird Personalauswahl verändern. Wahrscheinlich tiefgreifend. Aber die entscheidende Veränderung besteht nicht darin, dass Maschinen Menschen ersetzen. Sie besteht darin, dass Unternehmen gezwungen werden, genauer zu definieren, was sie eigentlich suchen. Der perfekte Lebenslauf wird leichter herzustellen. Das überzeugende Anschreiben ebenfalls. Selbst ein souveräner Auftritt im Erstgespräch lässt sich heute wesentlich professioneller trainieren. Dadurch verlieren nicht alle Bewerbersignale ihren Wert. Aber einige verlieren ihre bisherige Exklusivität. Das macht andere Nachweise wichtiger: reale Fähigkeiten, belastbare Arbeitsproben, strukturierte Interviews, klare Anforderungskriterien und eine Rückkopplung zwischen Auswahlentscheidung und späterer Leistung.

ATS können dabei helfen. Menschen ebenso. KI möglicherweise noch stärker. Keine dieser Instanzen ist von allein objektiv.

Wer nicht sauber definiert, woran gute Leistung zu erkennen ist, kann auch nicht zuverlässig entscheiden, wer sie später erbringen wird.

Der größte Fehler vieler Unternehmen wäre deshalb nicht, KI im Recruiting einzusetzen. Er wäre, KI auf einem Auswahlprozess aufzubauen, dessen Annahmen nie überprüft wurden. Dann macht Technologie die Entscheidung vielleicht schneller. Aber nicht automatisch besser.

Quellen

Wiles, Emma; Munyikwa, Zanele T.; Horton, John J.: Algorithmic Writing Assistance on Jobseekers’ Resumes Increases Hires, NBER Working Paper 30886; später in Management Science veröffentlicht. https://www.nber.org/papers/w30886

Fuller, Joseph B.; Raman, Manjari; Sage-Gavin, Eva; Hines, Kristen: Hidden Workers: Untapped Talent, Harvard Business School. https://www.hbs.edu/managing-the-future-of-work/research/hidden-workers-untapped-talent

Sackett, Paul R.; Zhang, Charlene; Berry, Christopher M.; Lievens, Filip: Revisiting meta-analytic estimates of validity in personnel selection, Journal of Applied Psychology. https://pubmed.ncbi.nlm.nih.gov/34968080/

Levashina, Julia; Hartwell, Christopher J.; Morgeson, Frederick P.; Campion, Michael A.: The Structured Employment Interview, Personnel Psychology. https://onlinelibrary.wiley.com/doi/10.1111/peps.12052

Hangartner, Dominik; Kopp, Daniel; Siegenthaler, Michael: Monitoring hiring discrimination through online recruitment platforms, Nature. https://www.nature.com/articles/s41586-020-03136-0

Berg, Janine; Johnston, Hannah: AI in human resource management: The limits of empiricism, International Labour Organization, 2025. https://www.ilo.org/publications/ai-human-resource-management-limits-empiricism

Bundesagentur für Arbeit: Bewerben mit KI. https://www.arbeitsagentur.de/bildung/bewerbung/bewerben-mit-ki

Stepstone: Arbeitsmarktbriefing Bewerbungsinteresse 2026. https://www.stepstone.de/e-recruiting/hr-wissen/arbeitsmarkt/stepstone-arbeitsmarktbriefing-bewerbungsinteresse-2026/

LinkedIn: Future of Recruiting 2025 sowie AI in Hiring 2026. Anbieterquellen, im Beitrag entsprechend eingeordnet.

Europäische Union: Verordnung (EU) 2024/1689, EU AI Act, konsolidierter Stand 27. Juli 2026. https://eur-lex.europa.eu/eli/reg/2024/1689/2026-07-27/eng

Fachbeitrag von Mike Winter | Owner von Off Sence AI