Lohnt sich KI-Screening im Recruiting? Eine kritische Analyse

May 10 / Aleksandra Corzun
Eine neue Studie zeigt, dass LLMs im Hiring nicht nur Inhalte bewerten, sondern offenbar auch ihre eigene Sprache bevorzugen (vgl. Studie zu algorithmischem Hiring, 2025). Für Unternehmen ist das ein Risikofaktor in der Personalselektion. 

Aber zuerst zur Ausgangslage

Das erste Screening von Bewerbungsunterlagen gehört zu den zeitaufwendigsten Phasen im Recruiting. Kaum ein Unternehmen würde sich nicht wünschen, diese Vorselektion auf ein Minimum zu reduzieren.

Kein Wunder, dass KI-Tools, die eine reibungslose Automatisierung versprechen, so attraktiv wirken. Sie übernehmen angeblich das Vorsortieren von Lebensläufen, den Abgleich von Profilen und die scheinbar objektive Bewertung von Potenzial. Alles mit dem Versprechen, dass sich Hiring Manager:innen zurücklehnen und nur noch auf das perfekte „Match“ warten müssen.
Für viele Unternehmen klingt das nach Fortschritt. Vor allem nach mehr Geschwindigkeit, Effizienz und weniger subjektiven Fehlern.

Doch so einfach ist es nicht. Eine aktuelle Studie zum algorithmischen Hiring zeigt, dass Large Language Models nicht nur Inhalte bewerten, sondern dabei offenbar auch eine Tendenz entwickeln, ihre eigene Sprachlogik zu bevorzugen (vgl. AI Self-preferencing in Algorithmic Hiring: Empirical Evidence and Insights, 2025). In einem Recruiting-Kontext bedeutet das: Kandidaten und Kandidatinnen, die das KI einsetzen, systematisch von KI bevorzugt werden können – selbst dann, wenn die Qualität der Bewerbung nicht besser ist.

Was sagt die Wissenschaft?

Kommen wir zurück zur Studie: AI Self-preferencing in Algorithmic Hiring: Empirical Evidence and Insights. Diese hat untersucht, was passiert, wenn LLMs auf beiden Seiten des Recruiting-Prozesses eingesetzt werden: Bewerbende nutzen sie zur Erstellung ihrer Unterlagen, Unternehmen zur Vorauswahl. 

Die Ergebnisse überraschen

Die Modelle bevorzugen Texte, die ihrem eigenen Stil ähneln, und zwar in 67 bis 82 Prozent der Fälle gegenüber menschlich verfassten Inhalten.

Noch relevanter für die Praxis ist die zweite Erkenntnis: In simulierten Hiring-Prozessen über 24 Berufe hinweg wurden Kandidat:innen, die dasselbe Modell wie der Evaluator genutzt hatten, 23 bis 60 Prozent häufiger shortlisted als gleich qualifizierte Bewerbende mit menschlich geschriebenen Unterlagen.
"Das ist ein struktureller Vorteil für diejenigen, die sich an die Logik der Maschine anpassen und ein struktureller Nachteil für alle, die authentisch, unpoliert oder einfach anders schreiben."

Was das für Recruiting bedeutet

Für Unternehmen ist das ein wichtiger Punkt, weil er das Grundversprechen von KI im Recruiting infrage stellt. Wenn Systeme nicht nur Muster erkennen, sondern sich selbst in diesen Mustern wiedererkennen, wird aus Effizienz schnell Selbstverstärkung. Dann optimiert man nicht auf Eignung, sondern auf Ähnlichkeit zur Maschine.

Das bringt eine grosse Gefahr für die Qualität von Auswahlentscheidungen. Denn ein Kandidat oder eine Kandidatin kann fachlich stark sein und trotzdem schlechter abschneiden, wenn die Sprache, Struktur oder Tonalität nicht dem Profil entspricht, das das Modell bevorzugt. 
"In der Praxis heisst das: Algorithmisches Matching bringt ein grosses Risiko, dass gut qualifizierte Kandidat:innen von einer KI-Maschine ausgeschlossen werden."

Meine Erfahrung aus der Praxis

Was mich an dieser Entwicklung besonders beschäftigt, ist nicht nur die Studie selbst, sondern wie leicht Unternehmen in diese Falle tappen. Und wie verlockend es für Bewerbende wird, ihre Bewerbungsunterlagen von einer "Maschine" erstellen und "streuen" zu lassen. In meiner Arbeit als Recruiterin und Beraterin sehe ich immer wieder, wie schnell aus technologischem Komfort ein blindes Vertrauen wird. Sobald ein Tool „sauber“ aussieht und vermeintlich objektive Scores liefert, wird es oft viel zu wenig hinterfragt.

Was die Studie noch zeigt

Die gute Nachricht ist: Der Effekt ist nicht unvermeidbar. Die Forschenden zeigen, dass sich die Self-Preference Bias durch gezielte Interventionen um mehr als 50 Prozent reduzieren lässt. Besonders wirksam sind Massnahmen, die die Selbstwahrnehmung des Modells stören oder die Bewertung über mehrere Modelle hinweg absichern.

Die schlechte Nachricht: Genau solche Mechanismen fehlen in vielen Unternehmen. Es gibt häufig keine systematische Prüfung, ob das eingesetzte Screening-Modell bestimmte Sprachmuster bevorzugt. Noch seltener wird getestet, ob das ATS, das Matching-Modell und das Assessment möglicherweise auf denselben stilistischen Code reagieren.

Was jetzt wichtig wäre für deine Praxis

Wer KI im Recruiting einsetzt, sollte drei Fragen beantworten können:
  • Welche Rolle spielt KI in der Vorauswahl genau?
  • Wird die Bewertung gegen Verzerrungen getestet, die aus der Modelllogik selbst entstehen?
  • Gibt es einen menschlichen Kontrollpunkt für Profile, die von der Norm abweichen?
Ohne diese Antworten bleibt KI im Recruiting ein Produktivitätswerkzeug mit potenziell unfairen Nebenwirkungen. Mit ihnen kann sie ein sinnvoller Teil eines besseren Prozesses sein.

Take Away für deine Praxis

Was du für deine Personalauswahl mitnehmen kannst:
Die entscheidende Frage ist deshalb nicht, ob Recruiting künftig KI nutzen sollte. Das wird ohnehin passieren. Die eigentliche Frage lautet:


"Verstehen Unternehmen, dass KI nicht nur Menschen bewertet, sondern manchmal auch sich selbst?"

Praxistipp

Wenn KI im ersten Screening eingesetzt wird, sollte es immer einen zweiten, Vergleichsschritt ohne KI-Bewertung geben.

Das bedeutet konkret:

- Eine zufällige Stichprobe der „abgelehnten“ Kandidat:innen ohne KI-Score erneut überprüfen
- Ideal: durch eine andere Person oder ein kleines Review-Panel
- Fokus nur auf Qualifikationen, Erfahrung und Job-Fit – ohne Kenntnis der KI-Einschätzung

So stellst du sicher, dass gute Kandidat:innen nicht durch die Logik des Systems verloren gehen.



Quellenverzeichnis:

Studie zu algorithmischem Hiring und Self-Preference Bias: AI Self-preferencing in Algorithmic Hiring: Empirical Evidence and Insights (Abgerufen 12.05.2026 https://arxiv.org/pdf/2509.00462)

Nicht verpassen!

Kostenloser Online-Kurs

Gute Interviewfragen für bessere Hiring Entscheidungen

Möchtest du mehr lernen?

Abonniere unseren Newsletter und erhalte jeden Monat kostenlose Vorlagen und Tipps direkt in dein Postfach!

Thank you!
Created with