AI im Recruiting · 9 min Lesezeit

AI Candidate Scoring erklärt: Wie funktioniert es?

Ein klarer Überblick darüber, wie AI Candidate Scoring funktioniert, vom Daten-Input bis zum Endergebnis. Mit konkreten Beispielen und technischer Erklärung.

Door Ingmar van Maurik · Founder & CEO, Making Moves


Was ist AI Candidate Scoring

AI Candidate Scoring ist ein System, das Kandidaten automatisch bewertet und anhand mehrerer Datenpunkte einstuft. Anstatt dass ein Recruiter jeden Lebenslauf manuell durchsieht und auf Basis von Bauchgefühl eine Shortlist erstellt, analysiert AI alle verfügbaren Informationen und erstellt eine objektive Bewertung.

Aber wie funktioniert das genau? Was passiert hinter den Kulissen, wenn ein Kandidat sich bewirbt und eine AI-Bewertung erhält? In diesem Artikel erklären wir den gesamten Prozess, vom Daten-Input bis zum Endergebnis, damit Sie verstehen, was AI Scoring beinhaltet und wie Sie es verantwortungsvoll einsetzen können.

Die drei Säulen des AI Scorings

Ein gutes AI-Scoring-System ruht auf drei Säulen: Daten-Input, Modellierung und Output. Lassen Sie uns jeden dieser Schritte durchgehen.

Säule 1: Daten-Input

AI Scoring beginnt mit dem Sammeln von Daten über den Kandidaten. Je mehr relevante Datenpunkte verfügbar sind, desto genauer die Bewertung. Typische Quellen sind:

Lebenslauf und Anschreiben

Das System extrahiert strukturierte Daten aus dem Lebenslauf: Berufserfahrung, Fähigkeiten, Ausbildung, Zertifizierungen und Karrieremuster. Moderne AI geht über Keyword Matching hinaus und versteht den Kontext. Ein Kandidat, der schreibt, dass er ein Team von 12 Entwicklern geleitet hat, wird anders bewertet als jemand, der in einem Team von 12 gearbeitet hat, auch wenn beide Sätze ähnliche Wörter enthalten.

Assessment-Ergebnisse

Wenn Kandidaten ein Assessment als Teil des Prozesses absolvieren, werden diese Ergebnisse zu einem entscheidenden Input. Dies kann von kognitiven Tests und Persönlichkeitsfragebögen bis hin zu technischen Assessments und Situational Judgment Tests reichen. Assessment-Daten sind besonders wertvoll, weil sie standardisiert und vergleichbar sind.

Interaktionsdaten

Wie schnell hat der Kandidat geantwortet, wie vollständig wurde die Bewerbung ausgefüllt, welche Entscheidungen hat der Kandidat im Prozess getroffen. Diese Signale sagen etwas über Motivation und Detailgenauigkeit aus.

Historische Daten

Das System vergleicht den Kandidaten mit früheren erfolgreichen Einstellungen in ähnlichen Rollen. Welche Profile haben gut funktioniert, welche nicht, und warum? Hier wird die Stärke eines eigenen Systems wirklich sichtbar: Je mehr Daten Sie haben, desto besser die Vorhersagen.

Säule 2: Modellierung

Die Modellierungsphase ist der Kern des Prozesses. AI nutzt die gesammelten Daten, um über mehrere Schritte eine Bewertung zu berechnen:

Feature-Extraktion

Rohdaten werden in strukturierte Merkmale umgewandelt, die das Modell verarbeiten kann. Zum Beispiel: Jahre an Erfahrung werden zu einer Zahl, Fähigkeiten werden zu Kategorien und Assessment-Antworten werden zu Scores auf bestimmten Dimensionen.

Gewichtszuweisung

Nicht alle Merkmale sind gleich wichtig. Das Modell weist jedem Merkmal basierend auf historischen Mustern Gewichte zu. Für eine Senior-Developer-Position wiegen technische Assessment-Scores möglicherweise schwerer als für eine Product-Manager-Rolle, bei der Kommunikationsfähigkeiten stärker zählen.

MerkmalGewicht (Developer)Gewicht (Product Manager)

|---------|---------------------|---------------------------|

Technisches Assessment35%15% Relevante Berufserfahrung25%25% Kognitiver Test15%20% Kommunikationsscore10%25% Culture-Fit-Indikatoren15%15%

Scoring-Algorithmus

Der Algorithmus kombiniert alle gewichteten Merkmale zu einem Gesamtscore. Dies ist keine einfache Addition, sondern ein komplexes Modell, das nicht-lineare Beziehungen erkennen kann. Zum Beispiel: Ein Kandidat mit durchschnittlichen technischen Scores, aber außergewöhnlicher Lernfähigkeit kann höher bewertet werden als jemand mit hohen technischen Scores, aber geringer Anpassungsfähigkeit, je nach Rolle und Team.

Kalibrierung

Der Score wird kalibriert, damit er aussagekräftig ist. Ein Score von 82 muss konsistent bedeuten, dass der Kandidat eine hohe Erfolgschance hat, unabhängig davon, wann oder für welche Stelle der Score berechnet wurde. Dies erfordert kontinuierliche Validierung und Rekalibrierung des Modells.

Säule 3: Output

Der Output des AI Scorings ist mehr als nur eine Zahl. Ein gutes System liefert:

Einen Gesamtscore, der die allgemeine Eignung auf einer Skala von beispielsweise 0 bis 100 widerspiegelt. Dies ist das Erste, was ein Recruiter sieht, und bestimmt die Rangfolge.

Teilscores pro Dimension, die zeigen, wie der Kandidat auf bestimmten Aspekten abschneidet: technische Fähigkeiten, Soft Skills, Erfahrung, Potenzial und Culture Fit.

Erklärung und Transparenz darüber, warum der Kandidat diesen Score erhalten hat. Welche Faktoren flossen ein, wo hat der Kandidat stark abgeschnitten und wo gibt es Aufmerksamkeitspunkte? Dies ist essenziell für den verantwortungsvollen Einsatz von AI.

Vergleich mit dem Pool, der zeigt, wie der Kandidat sich zu anderen Bewerbern für dieselbe Stelle und zur Normgruppe verhält.

Risikoindikatoren, die potenzielle Aufmerksamkeitspunkte kennzeichnen, wie eine auffällige Lücke im Lebenslauf oder Inkonsistenzen zwischen Assessment-Scores und Erfahrung.

Wie das Modell lernt und sich verbessert

Ein AI-Scoring-Modell ist kein statisches System. Es lernt und verbessert sich kontinuierlich auf Basis von Feedback:

Feedback-Schleife 1: Hiring-Ergebnisse

Wenn ein Kandidat eingestellt wird, verfolgt das System, wie diese Person performt. Nach 3, 6 und 12 Monaten wird bewertet, ob die Einstellung erfolgreich war. Diese Daten werden zurück in das Modell gespeist, damit zukünftige Scores genauer werden.

Feedback-Schleife 2: Recruiter-Entscheidungen

Wenn ein Recruiter konsistent Kandidaten mit niedrigen Scores durchlässt oder Kandidaten mit hohen Scores ablehnt, signalisiert das ein potenzielles Problem im Modell. Das System lernt aus diesen Abweichungen und passt Gewichte an.

Feedback-Schleife 3: Bias-Monitoring

Das System überwacht kontinuierlich, ob Scores unbeabsichtigt mit geschützten Merkmalen wie Alter, Geschlecht oder Herkunft korrelieren. Falls ja, werden die betreffenden Features neu bewertet und bei Bedarf angepasst. Lesen Sie mehr darüber, wie AI Bias im Recruiting reduzieren kann.

Häufig gestellte Fragen zum AI Scoring

Ersetzt AI den Recruiter?

Nein. AI Scoring ist ein Werkzeug, das dem Recruiter hilft, bessere Entscheidungen schneller zu treffen. Der Recruiter bleibt derjenige, der die Endgespräche führt, die menschliche Chemie beurteilt und die endgültige Hiring-Entscheidung trifft.

Wie genau ist AI Scoring?

Forschung zeigt, dass gut kalibrierte AI-Modelle eine prädiktive Validität von 0,45 bis 0,65 haben, verglichen mit 0,10 bis 0,20 für unstrukturierte Interviews und 0,25 bis 0,35 für CV-Screening durch Recruiter. AI ist nicht perfekt, aber deutlich besser als traditionelle Methoden.

Was wenn die AI einen guten Kandidaten übersieht?

Dieses Risiko besteht, genau wie beim menschlichen Screening. Der Unterschied ist, dass AI konsistent bewertet und nicht von Müdigkeit, Hunger oder der Reihenfolge der Lebensläufe beeinflusst wird. Außerdem können Sie Kandidaten, die die AI niedrig bewertet, jederzeit manuell durchlassen, was wiederum Daten für die Modellverbesserung liefert.

Ist AI Scoring DSGVO-konform?

Ja, wenn korrekt implementiert. Die DSGVO erfordert Transparenz über automatisierte Entscheidungsfindung und das Recht, menschliches Eingreifen zu verlangen. Ein gutes System bietet beides: erklärbare Scores und einen menschlichen Entscheider im Prozess.

Implementierung: Wo beginnen Sie

Möchten Sie AI Candidate Scoring implementieren? Beginnen Sie nicht mit der Technologie, sondern mit der Strategie:

1. Definieren Sie Erfolg für jede Rolle. Was macht jemanden zu einer guten Einstellung? Welche Merkmale sagen Leistung und Verbleib voraus?

2. Sammeln Sie historische Daten über frühere Einstellungen: Wer hat gut performt, wer nicht, und warum?

3. Entwickeln oder wählen Sie Assessments, die die Merkmale messen, die Sie als Erfolgsprädiktoren definiert haben

4. Starten Sie mit einem Pilotprojekt für eine begrenzte Anzahl von Stellen und vergleichen Sie AI-Scores mit den endgültigen Hiring-Ergebnissen

5. Iterieren und verbessern Sie auf Basis der Ergebnisse

Erwägen Sie auch, Ihre eigene Normgruppe aufzubauen, damit Scores spezifisch für Ihren Kontext sind und nicht auf generischen Benchmarks basieren.

Kernaussagen

  • AI Candidate Scoring bewertet Kandidaten automatisch anhand mehrerer Datenpunkte
  • Das System basiert auf drei Säulen: Daten-Input, Modellierung und Output
  • Der Output enthält nicht nur einen Score, sondern auch Teilscores, Erklärungen und Vergleiche
  • Das Modell lernt kontinuierlich über Feedback-Schleifen: Hiring-Ergebnisse, Recruiter-Entscheidungen und Bias-Monitoring
  • AI Scoring ist genauer als traditionelles Screening, ersetzt aber nicht den Recruiter
  • Beginnen Sie mit Strategie und Erfolgsdefinitionen, nicht mit Technologie
  • Möchten Sie sehen, wie AI Scoring in der Praxis funktioniert? Vereinbaren Sie eine Demo unseres AI Hiring Systems und entdecken Sie, wie es Ihren Recruiting-Prozess transformieren kann.


    Erstgespräch vereinbaren · Unser AI Hiring System ansehen