Warum ein Match-Score von 87 % allein kein Vertrauen schafft
Zwei Bewerberinnen. Fast identische Erfahrung. Eine wird gefunden, die andere übersehen – und der Grund steht nicht in ihrem Lebenslauf, sondern im Jobtitel. Dieser Beitrag erklärt, warum klassisches Recruiting das übersieht, was semantisches Matching anders macht – und warum ein nachvollziehbarer Score am Ende mehr wert ist als eine hohe Zahl.
Dieser Text basiert auf meinem Vortrag auf der Personalmesse München 2026. Was dort als Keynote begann, möchte ich hier ausführlicher aufschreiben – weil ich glaube, dass die Frage, wie wir Menschen und Aufgaben zusammenbringen, zu wichtig ist, um sie Keyword-Filtern zu überlassen.
Sarah und Julia
Stellen wir uns zwei Bewerberinnen vor.
Sarah und Julia. Beide haben mehrere Jahre Erfahrung im Marketing. Beide haben Kampagnen geplant, Budgets verantwortet und Teams geführt.
Sarah hat in ihrem Lebenslauf stehen: Marketing Managerin. Julia hat genau dasselbe gemacht – aber in einem Start-up. Und dort hieß ihre Position: Head of Growth.
Jetzt sucht ein mittelständisches Unternehmen eine erfahrene Marketing Managerin. Welche der beiden findet ein klassisches Recruiting-System zuerst?
Sarah. Warum? Weil ihr Jobtitel exakt zur Stellenanzeige passt. Julia fällt durchs Raster. Obwohl sie genauso gut geeignet ist. Vielleicht sogar besser.
Es ist eine Geschichte, die sich auf jeder Recruiting-Konferenz wiederholt: Jemand erzählt von einer Einstellung, die auf dem Papier nicht perfekt gepasst hat – und die dann richtig gut war. Um diese Menschen geht es hier. Julia wird uns durch diesen Text begleiten.
Mehr Technologie heißt nicht automatisch besseres Recruiting
Wir haben heute mehr Möglichkeiten als je zuvor. Jobplattformen, soziale Netzwerke, Bewerbermanagementsysteme und unzählige KI-Anwendungen. Wir veröffentlichen Stellenanzeigen in Minuten und erreichen Menschen auf der ganzen Welt. Wir sammeln mehr Daten und automatisieren immer mehr Prozesse.
Aber bedeutet mehr Technologie automatisch besseres Recruiting?
Ich glaube nicht. Denn oft haben wir nur die Geschwindigkeit erhöht, mit der wir Bewerbungen verarbeiten. Verändert haben wir aber nicht, wie wir beurteilen, ob ein Mensch zu einer Aufgabe passt.
Was Keyword-Filter prüfen – und was nicht
Der klassische Prozess ist bekannt: Fachbereich schreibt eine Stellenbeschreibung – oft ist das die alte Anzeige von vor ein paar Jahren. Darin stehen Anforderungen: fünf Jahre Berufserfahrung, ein bestimmter Abschluss, Kenntnisse in bestimmten Technologien. Und natürlich der passende Jobtitel.
Dann gehen Bewerbungen ein. Lebensläufe werden durchsucht, gefiltert und verglichen.
Das funktioniert grundsätzlich. Aber was prüfen wir dabei eigentlich? Wir prüfen, ob bestimmte Begriffe vorhanden sind. Nicht, ob jemand die Fähigkeiten tatsächlich hat.
Und damit sind wir zurück bei Julia. Sie hat Erfahrung im Performance Marketing, in der Kampagnensteuerung und im Aufbau digitaler Vertriebsprozesse. Aber sie hat nicht den gesuchten Jobtitel. Und sie verwendet andere Begriffe für dieselben Tätigkeiten.
Deshalb wird ihre Bewerbung schlechter bewertet. Oder gar nicht erst angezeigt. Nicht, weil Julia ungeeignet wäre. Sondern weil das System ihre Erfahrung nicht einordnen kann.
Kein Mensch hat ihre Bewerbung gelesen. Ein Filter hat sie vorher aussortiert.
Was semantisches Matching anders macht
Genau hier kann KI einen echten Unterschied machen. Moderne Sprachmodelle suchen nicht nur nach identischen Begriffen. Sie erkennen sprachliche und fachliche Zusammenhänge.
Nehmen wir noch einmal Julia. In ihrem Lebenslauf steht Head of Growth. In der Stellenanzeige steht Marketing Managerin. Ein Keyword-Filter sieht keine Übereinstimmung. Ein semantisches System erkennt, dass hinter beiden Positionen ähnliche Kompetenzen stehen: Kampagnenmanagement, Performance Marketing, Budgetverantwortung, die Analyse von Marketingkennzahlen.
Es erkennt, dass unterschiedliche Begriffe auf dieselben Fähigkeiten hinweisen. Und es findet Kompetenzen, die auch in anderen Branchen oder Positionen wertvoll sind.
Natürlich weiß KI damit nicht automatisch, ob Julia die richtige Person ist. Aber sie hilft uns, genauer hinzusehen. Und das ist für mich der entscheidende Unterschied. Wir bewegen uns weg von der Frage: Steht das richtige Wort im Lebenslauf? – hin zu der Frage: Welche Fähigkeiten bringt dieser Mensch tatsächlich mit?
Matching ist mehrdimensional
Dabei sollten wir aber nicht stehenbleiben. Denn gutes Matching ist mehrdimensional. Es geht nicht nur darum, ob ein Lebenslauf zu einer Stellenanzeige passt. Es geht auch um Fragen wie:
- Welche Kompetenzen hat das Team schon? Welche fehlen?
- Welche Anforderungen sind wirklich unverzichtbar – und was lässt sich entwickeln?
- Welche Rahmenbedingungen sind für beide Seiten wichtig?
Vielleicht bringt Julia nicht jede gewünschte Erfahrung mit. Dafür hat sie Fähigkeiten, die dem Unternehmen bisher fehlen. Sie hat im Start-up gelernt, eigenständig zu entscheiden, Prozesse aufzubauen und mit wenig Ressourcen viel zu erreichen. Für ein wachsendes mittelständisches Unternehmen ist genau das besonders wertvoll.
Ein gutes Matching-System macht solche Zusammenhänge sichtbar – statt sie zu verstecken.
Vom Score zur Erklärung: Explainable Matching
Nehmen wir an, Julia wird von einem KI-gestützten Matching-System analysiert. Das System erkennt ihre fachlichen Kompetenzen, ihre Erfahrungen aus bisherigen Tätigkeiten – und vergleicht sie mit den Anforderungen der Stelle.
Am Ende steht zum Beispiel ein Matching-Score von 87 %.
87 %. Klingt erst einmal gut. Aber was sagt uns diese Zahl wirklich?
Ziemlich wenig. Wir wissen nicht, warum Julia diese Bewertung bekommen hat. Wir wissen nicht, welche Kompetenzen besonders gut passen. Und wir wissen nicht, welche Anforderungen sie nicht erfüllt.
Deshalb reicht mir ein Score allein nicht. Ich will verstehen, wie das Ergebnis zustande kommt:
- Welche fachlichen Kompetenzen stimmen überein?
- Welche Erfahrungen lassen sich übertragen?
- Welche Anforderungen sind noch nicht belegt?
- Welche Fragen sollten wir Julia im Gespräch stellen?
Das nennen wir Explainable Matching: ein Matching, das nicht nur ein Ergebnis liefert, sondern auch eine nachvollziehbare Begründung. Für Julia könnte das zum Beispiel so aussehen:
- Performance Marketing & Kampagnensteuerung
- Budget- & KPI-Verantwortung
- Teamführung in agilen Strukturen
- Branchenerfahrung Mittelstand (bisher Start-up)
- Erfahrung mit Marketing-Automation im Zielsystem
- Interesse an operativem vs. strategischem Fokus
So wird aus einem Matching-Ergebnis die Grundlage für ein wirklich gutes Gespräch. Ein Score allein schafft kein Vertrauen. Eine nachvollziehbare Begründung schon – bei HR, bei den Fachbereichen und bei den Kandidatinnen und Kandidaten.
Genau daran arbeiten wir bei humatter. Wir wollen nicht einfach Lebensläufe sortieren. Wir wollen Informationen so aufbereiten, dass Recruiterinnen, Recruiter und Fachbereiche bessere Entscheidungen treffen können.
Verantwortung: KI schlägt vor, Menschen entscheiden
An dieser Stelle müssen wir auch über Verantwortung sprechen. Denn KI ist nicht automatisch objektiv.
Ein KI-System kann Fehler machen. Es kann Informationen falsch interpretieren. Und es kann Verzerrungen aus Trainingsdaten oder alten Recruiting-Prozessen übernehmen.
Deshalb halte ich es für falsch, Entscheidungen über Menschen vollständig an einen Algorithmus abzugeben. KI kann Informationen strukturieren, Zusammenhänge erkennen und Empfehlungen geben. Aber die Verantwortung für Entscheidungen über Menschen muss bei Menschen bleiben.
Ob jemand eingeladen wird. Ob eine Bewerbung abgelehnt wird. Oder ob jemand eingestellt wird. Das verantworten Menschen – und dafür müssen sie verstehen, auf welcher Grundlage eine KI ihre Empfehlung gegeben hat. Genau das meint Explainable Matching in der Praxis.
Der EU AI Act: Hochrisiko, aus gutem Grund
Das bringt uns zum europäischen AI Act. KI-Systeme, die Bewerberinnen und Bewerber auswählen oder bewerten, sind dort ausdrücklich als Hochrisiko eingestuft. Das ist kein Zufall – Entscheidungen im Recruiting haben große Auswirkungen auf das Leben von Menschen.
Als Anbieter müssen wir uns fragen:
- Welche Daten verwenden wir, und mit welcher Rechtsgrundlage?
- Wie transparent sind unsere Ergebnisse?
- Wie erkennen wir Diskriminierung?
- Wie dokumentieren wir unsere Prozesse?
- Und wie stellen wir sicher, dass Menschen die Kontrolle behalten?
Das ist kein Thema für später, nach der Produktentwicklung. Verantwortungsvolle KI muss von Anfang an mitgedacht werden – im Datenmodell, in der Benutzerführung, in den Logs.
Ein Tipp für den Alltag: Wer sich KI-Lösungen fürs Recruiting anschaut – egal, ob auf Messen, in Demos oder Pitches – sollte die Anbieter ruhig direkt fragen: Wie geht ihr mit dem AI Act um? Wie erklärt ihr eure Matching-Ergebnisse? Und wie können Menschen eure Empfehlungen überprüfen? Diese Fragen sind mindestens so wichtig wie die nach den Funktionen.
Ausblick: Von reaktiv zu kontinuierlich
Ich glaube, wir stehen gerade erst am Anfang einer größeren Veränderung. Heute funktioniert Recruiting überwiegend reaktiv: Ein Unternehmen veröffentlicht eine Stelle. Kandidatinnen und Kandidaten suchen nach Angeboten. Oder Recruiter suchen aktiv nach Menschen.
Aber was wäre, wenn KI-Agenten kontinuierlich nach passenden Möglichkeiten suchen? Stellt euch vor: Julia hinterlegt ihre Ziele, Kompetenzen und Rahmenbedingungen. Und ein Unternehmen beschreibt nicht nur eine offene Stelle, sondern auch die Fähigkeiten, die es langfristig braucht. KI-Agenten gleichen beides laufend ab, erkennen neue Möglichkeiten und machen beide Seiten auf passende Übereinstimmungen aufmerksam.
Recruiting wird damit vom punktuellen Suchen zum kontinuierlichen Entdecken. Und auch hier gilt: Ein Agent bereitet vor, er analysiert, er macht Vorschläge. Aber wer eingeladen oder eingestellt wird, entscheidet ein Mensch.
Zurück zu Julia
Erinnert ihr euch? Unsere Bewerberin mit dem vermeintlich falschen Jobtitel. Head of Growth statt Marketing Managerin. Im klassischen Prozess wäre sie gar nicht erst berücksichtigt worden. Mit gutem, skillbasiertem Matching steht sie auf der Shortlist.
Nicht, weil eine KI behauptet, Julia sei perfekt. Sondern weil das System nachvollziehbar zeigt, welche ihrer Fähigkeiten passen und welche Fragen noch offen sind.
Julia bekommt eine Chance, die sie sonst nicht gehabt hätte. Und das Unternehmen lernt einen Menschen kennen, den es sonst übersehen hätte. Ob Julia am Ende eingestellt wird, entscheidet sich im persönlichen Gespräch – und genau so sollte es sein.
Humans. Teams. Matter.
Zum Abschluss ein Gedanke: Der Lebenslauf beschreibt, wo jemand war. Gutes Matching macht sichtbar, wo jemand passen könnte.
Beim Recruiting geht es nicht um Keywords. Nicht um Algorithmen. Und nicht um möglichst hohe Scores. Es geht um Menschen. Um ihre Fähigkeiten. Um ihre Entwicklung. Und darum, die richtigen Menschen mit den richtigen Aufgaben und Teams zusammenzubringen.
Genau dafür bauen wir humatter. Humans. Teams. Matter.
Was du als Nächstes tun kannst
humatter kostenlos ausprobieren
Starte in wenigen Minuten mit deiner eigenen Stelle und sieh selbst, wie ein nachvollziehbarer Match aussieht.
Jetzt kostenlos starten →Skill-Matching statt Keyword-Filter
Warum ein Lebenslauf für gutes Recruiting nicht reicht – und was Skill-basiertes Matching anders macht.
Zum Beitrag →Über humatter
Wer wir sind, wie wir mit Daten umgehen und wie humatter im Einklang mit dem EU AI Act entwickelt wird.
Zur Über-Seite →