Die 3-Fragen-Methode: So entlarven Sie Fake-Recruiting-KI in 5 Minuten
Ein Praxisleitfaden für Entscheider im Recruiting
Ich erlebe es jede Woche: Ein Recruiting-Tech-Anbieter präsentiert seine „revolutionäre KI" – mit beeindruckenden Slides, einem Dashboard voller Graphen und dem Versprechen, die Time-to-Hire um 60 Prozent zu senken. Nach 15 Minuten Demo ist der Entscheider begeistert. Nach 6 Monaten im Einsatz zeigt sich: Die Time-to-Fill ist gestiegen. Die Qualität der Matches hat sich nicht verbessert. Das Investment war eine teure Lektion.
Das muss nicht sein. In über einem Jahrzehnt im Tech-Recruiting – von BMW über Hays bis Brunel – habe ich eine Methode entwickelt, die jedes Fake-KI-System in unter fünf Minuten entlarvt. Drei Fragen. Keine technische Vorbildung nötig. Die Antworten entscheiden.
Warum AI-Washing im Recruiting so verbreitet ist
Bevor wir zu den Fragen kommen, ein Blick auf die Mechanik: Die Recruiting-Branche ist besonders anfällig für AI-Washing. Der Grund liegt in der Komplexität. Recruiting ist ein Prozess, der menschliches Urteilsvermögen erfordert. Genau das macht ihn schwer automatisierbar – und genau deshalb ist die Versuchung groß, Automatisierung als Intelligenz zu verkaufen.
Die Zahlen sind ernüchternd: 78 Prozent der sogenannten „KI-gestützten" Recruiting-Tools betreiben in Wahrheit regelbasiertes Keyword-Matching. Sie suchen nach dem String „Java" in einem Lebenslauf, nicht nach dem Verständnis, was Java im Kontext einer Distributed-Systems-Architektur bei einem Automobilkonzern bedeutet.
Das ist der Unterschied zwischen Suche und Verständnis. Und dieser Unterschied kostet Unternehmen Millionen.
Frage 1: „Zeigen Sie mir Ihre Trainingsdaten-Anforderungen"
Was Sie fragen:
„Welche Trainingsdaten benötigt Ihr System für unsere spezifische Domäne? Wie viele Beispiele brauchen Sie?"
Die Entlarvungslogik:
Echtes Machine Learning braucht Trainingsdaten. Punkt. Ein System, das behauptet, „sofort zu funktionieren" ohne jegliche domänenspezifische Kalibrierung, ist kein KI-System. Es ist ein regelbasiertes System mit einem KI-Label.
Fake-KI antwortet:
- „Es funktioniert out-of-the-box!"
- „Unsere KI ist vortrainiert auf Millionen von Profilen"
- „Plug and Play – keine Einrichtung nötig"
Echte KI antwortet:
- „Wir benötigen mindestens 500 beispielhafte Profile aus Ihrer Domäne für das Fine-Tuning"
- „Die Kalibrierungsphase dauert 2-4 Wochen"
- „Wir brauchen Feedback-Daten aus Ihren bisherigen Einstellungsentscheidungen"
Die Entscheidungsmatrix:
| Antwort-Typ | Bewertung | Risiko |
|---|---|---|
| „Sofort einsatzbereit" | Regelbasiert | Hoch |
| „Braucht allgemeine Daten" | Generische ML | Mittel |
| „Braucht Ihre spezifischen Daten" | Echte KI | Niedrig |
Frage 2: „Wie verbessert sich Ihr System über Zeit?"
Was Sie fragen:
„Können Sie mir die Lernkurve Ihres Systems zeigen? Wie hat sich die Match-Qualität bei bestehenden Kunden über 6, 12, 18 Monate entwickelt?"
Die Entlarvungslogik:
Ein echtes KI-System lernt. Es wird besser. Messbar. Zeigbar. Wenn ein Anbieter keine Lernkurve vorweisen kann, lernt sein System nicht. Und ein System, das nicht lernt, ist keine KI.
Fake-KI antwortet:
- „Wir aktualisieren unsere Algorithmen regelmäßig"
- „Unser Team optimiert die Regeln kontinuierlich"
- „Mit jedem Update wird es besser"
Echte KI antwortet:
- „Hier ist die Precision-Recall-Kurve unserer letzten 12 Monate"
- „Durch Reinforcement Learning aus Recruiter-Feedback verbesserte sich die Match-Qualität von 34% auf 71%"
- „Das System zeigt nach 1.000 Interaktionen signifikante Verbesserung – hier die Daten"
Worauf Sie achten müssen:
Der Schlüssel liegt im Wort „Regeln". Ein System, das „Regeln aktualisiert", ist ein Expertensystem der 1980er Jahre. Es mag nützlich sein, aber es ist keine KI. Echte KI zeigt eine messbare, datengetriebene Verbesserungskurve.
Frage 3: „Erklären Sie mir, warum dieser Kandidat gematcht wurde"
Was Sie fragen:
„Zeigen Sie mir einen konkreten Match und erklären Sie mir, warum genau dieser Kandidat für diese Position vorgeschlagen wurde. Nicht was gematcht hat – warum."
Die Entlarvungslogik:
Die Erklärbarkeit entlarvt die Architektur. Ein Keyword-Matcher kann nur sagen: „Wir haben ‚Java' im Lebenslauf gefunden." Ein echtes KI-System kann erklären: „73% semantische Ähnlichkeit im Kompetenzprofil, Progressionsmuster von Junior zu Senior erkannt, Kontextübereinstimmung bei Projekttypen im Automotive-Bereich."
Fake-KI antwortet:
- „Keywords gefunden: Java ✓, Python ✓, Teamführung ✓"
- „85% Match-Score" (ohne Erklärung, wie der Score zustande kommt)
- „Der Kandidat erfüllt 8 von 10 Kriterien"
Echte KI antwortet:
- „73% semantische Ähnlichkeit: Der Kandidat hat in vergleichbaren System-Architekturen gearbeitet"
- „Skill-Progressionsmuster erkannt: Von Cloud Engineering zu AWS Architecture in 3 Jahren"
- „Kontextuelle Übereinstimmung: Erfahrung in regulierten Umgebungen (Automotive/IATF 16949)"
Der entscheidende Unterschied:
| Dimension | Keyword-Matching | Echte KI |
|---|---|---|
| Erklärung | Was wurde gefunden | Warum es relevant ist |
| Granularität | Binär (ja/nein) | Kontinuierlich (0-100%) |
| Kontext | Ignoriert | Zentrales Element |
| Progression | Nicht erkannt | Karriere-Trajektorie analysiert |
Die Gesamtbewertung: Der Entscheidungsrahmen
Nach den drei Fragen haben Sie genug Information für eine fundierte Entscheidung:
3 echte Antworten: Vielversprechendes System – vertiefen Sie die Evaluation.
2 echte, 1 ausweichende Antwort: Teilweise echte KI, möglicherweise hybrides System. Fordern Sie Nachweise für die schwache Stelle.
1 oder 0 echte Antworten: AI-Washing. Investieren Sie Ihr Budget anderswo.
Warum diese Methode funktioniert
Die 3-Fragen-Methode funktioniert, weil sie die drei Grundpfeiler echter KI adressiert:
- Datenabhängigkeit: Echte KI braucht domänenspezifische Daten
- Lernfähigkeit: Echte KI verbessert sich messbar über Zeit
- Erklärbarkeit: Echte KI kann ihre Entscheidungen begründen
Kein Keyword-Matcher, kein regelbasiertes System und kein Expertensystem mit KI-Label kann alle drei Fragen überzeugend beantworten. Genau das macht die Methode so treffsicher.
Fazit: Fünf Minuten, die Millionen sparen
Die Recruiting-Branche gibt Milliarden für Tools aus, die „KI" im Namen tragen, aber keine Intelligenz liefern. Das liegt nicht an mangelndem Budget, sondern an mangelnder Evaluation.
Mit drei Fragen können Sie in fünf Minuten entscheiden, ob ein System echte Intelligenz bietet oder glorifiziertes Keyword-Matching. Das ist keine technische Übung – es ist eine geschäftskritische Kompetenz.
Die Frage ist nicht, ob Sie KI im Recruiting einsetzen sollten. Die Frage ist, ob das, was Sie einsetzen, tatsächlich KI ist.
Testen Sie es. Bei Ihrem nächsten Anbieter-Meeting. Drei Fragen. Fünf Minuten. Die Antworten werden Sie überraschen.
Dieser Artikel wurde von Florian Fisch verfasst, Founder von VectisAI und Co-Founder von Think Lab AI. Er berät Unternehmen zur Implementierung und Evaluation echter KI-Architekturen im Recruiting.
Semantische Schlüsselbegriffe: Recruiting-KI, AI-Washing, 3-Fragen-Methode, Fake-KI, Trainingsdaten, Lernkurve, Erklärbarkeit, Keyword-Matching, Machine Learning, domänenspezifische Daten, Match-Qualität, Precision-Recall, Expertensystem, regelbasiert, semantisches Matching