KI-Lebenslauf-Screening. Ein illustratives Beispiel, kein Kundenergebnis: Die Agentur und alle Zahlen hier sind Annahmen. KI-Lebenslauf-Screening ist Software, die eingehende Lebensläufe liest, jeden gegen die Muss-Kriterien einer Stelle bewertet und einem Recruiter eine gerankte Shortlist zur Freigabe übergibt. Sie stellt niemanden ein und lehnt niemanden von sich aus ab; ein Recruiter gibt frei, bevor ein Kandidat weiterkommt oder eine Absage erhält.
Stellen Sie sich zur Veranschaulichung eine Personalagentur vor, bei der die Zeit bis zur Shortlist lang ist. Angenommen, jede offene Stelle zieht etwa 100 Lebensläufe an, und ein Recruiter braucht für die erste Lektüre jedes Lebenslaufs etwa 6 Minuten: Fakten finden, Muss-Kriterien abgleichen, ins ATS abtippen. Das sind Annahmen für das Beispiel, keine Messwerte eines Kunden.
Hinter diesem Beitrag steht kein echtes Projekt, also gibt es kein Ergebnis zu berichten. Zeigen können wir das Design. Die Pipeline bewertet und rankt, lehnt aber nie automatisch ab. Ein Recruiter gibt jede Shortlist frei, und jeder Lauf hinterlässt ein Prüfprotokoll darüber, was das Modell bewertet hat und warum.
#Was frisst die Zeit zwischen offener Stelle und Shortlist?
Ein Team in dieser Lage würde zuerst messen statt bauen: mit zwei Recruitern zusammensitzen und die erste Lektüre an einer Stichprobe von Bewerbungen stoppen. Die Urteile gehen meist schnell. Das Suchen, Lesen und Abtippen ist langsam.
- Jeden Lebenslauf öffnen und Berufserfahrung, genannte Fähigkeiten sowie Standort oder Arbeitserlaubnis finden, multipliziert mit einem Stapel Lebensläufe pro Stelle.
- Diese Fakten mit den Muss-Kriterien genau dieser Stelle abgleichen, die bei jeder Ausschreibung anders sind.
- Eine Shortlist ins ATS abtippen und die Begründung schreiben, warum jeder Kandidat dabei ist, verteilt über Unterbrechungen.
- Warten. Ein halb gelesener Stapel liegt, bis der Recruiter zurückkommt, und gute Kandidaten kühlen ab.
Das Ziel war also nie „schneller lesen“. Es war „aufhören, einen Recruiter nach Fakten suchen zu lassen, die bereits auf der Seite stehen“.
#Wie verkürzt KI-Lebenslauf-Screening die Zeit bis zur Shortlist?
Wie senkt KI die Zeit bis zur Shortlist im Recruiting?
Sie liest jeden eingehenden Lebenslauf, extrahiert die Fakten, die eine Stelle verlangt, bewertet den Kandidaten gegen die Muss-Kriterien und entwirft eine gerankte Shortlist, sodass ein Recruiter prüft statt kalt zu lesen. Der Gewinn ist die kalte erste Lektüre, die ein Team vorher und nachher messen kann. Ein Recruiter gibt weiterhin jede Shortlist frei, bevor jemand Rückmeldung bekommt.
Die Pipeline läuft in vier Schritten: Extrahieren der Fakten aus einem unstrukturierten Lebenslauf, Bewerten des Kandidaten gegen die angegebenen Muss-Kriterien der Rolle, Ranken des Stapels mit dem Grund für jede Bewertung, dann Weiterleiten der Shortlist an die Freigabe-Warteschlange eines Recruiters. Nichts verlässt diese Warteschlange, ohne dass ein Mensch auf Freigeben klickt.
Das Design nutzt dasselbe Muster der Dokumentenverarbeitung wie bei Schadenfällen und Rechnungseingang, angepasst auf Recruiting. Die Form entspricht der auf unserer Use-Case-Seite für Operations beschriebenen: aus unstrukturierter Eingabe extrahieren, bewerten, weiterleiten, Mensch gibt frei. Es würde als KI-Umsetzung aufgesetzt, und der Code gehört Ihnen.
#Lehnt die KI Kandidaten von selbst ab?
We are
Stennir baut eine Entwerfen-und-Prüfen-Screening-Pipeline, die bewertet und rankt und dann jede Shortlist an einen Recruiter übergibt, der sie freigibt.
We aren't
Es ist kein Auto-Ablehnungsfilter, der Bewerber still fallen lässt, und keine Blackbox, die bewertet, ohne ihre Gründe zu zeigen.
Nein. Jede Bewertung trägt die Begründung des Modells, und jeder Lauf wird protokolliert. In diesem Design gibt ein menschlicher Recruiter jede Shortlist frei, die einen Kandidaten erreicht, und niemand wird automatisch abgelehnt. Wenn ein Recruiter einer Bewertung widerspricht, steht die Notiz direkt da, um darüber zu streiten, und liefert zugleich das Signal, die Muss-Kriterien pro Stelle nachzujustieren.
In der Praxis macht das Modell die erste Lektüre und der Recruiter die Entscheidung, ausgehend von einem gerankten Stapel mit Begründungen statt von einem kalten Posteingang.
#Was könnten Recruiter mit der gewonnenen Zeit tun?
Das, was ein Modell nicht kann: Kandidaten auf der Shortlist anrufen, solange der Lebenslauf noch frisch ist. Die Arbeit vom Lesen zum Sprechen zu verlagern, ist der Punkt. Ein schneller Anruf bei einem starken Kandidaten entscheidet oft zwischen einer Vermittlung und einem Wettbewerber, der schneller war.
Wenn Sie ein Talent- oder Operations-Team leiten und die erste Lektüre Ihre Woche auffrisst, ist das die Art von Aufgabe, die wir gestalten. Wir messen zuerst, wohin die Zeit tatsächlich geht, und entwerfen dann eine Entwurf-und-Prüfung-Pipeline, die Ihrem Team gehört. Erzählen Sie uns, was Sie bauen, und wir sagen Ihnen, ob das Muster passt, bevor jemand Code schreibt.
