Ein frei zugängliches Sprachmodell kann in Sekunden eine Rangliste aus Bewerbungsunterlagen erzeugen. Gerade diese Geschwindigkeit verführt Personalteams dazu, aus einer sprachlichen Schätzung eine belastbare Auswahlhilfe zu machen. Für die Vorauswahl entsteht damit ein Problem, das weniger technisch als organisatorisch ist: Das Ergebnis wirkt präzise, obwohl ihm oft eine überprüfbare Bewertungslogik fehlt.
Der kritische Punkt liegt nicht nur in möglichen Fehlern einzelner Antworten. Sprachmodelle berechnen Wahrscheinlichkeiten für Formulierungen; sie messen keine Eignung, prüfen keine Berufsbiografien und kennen keine reale Arbeitsanforderung. Wer eine Punktzahl für einen Lebenslauf abfragt, erhält deshalb eine sprachlich plausible Verdichtung von Textmustern, aber kein valides diagnostisches Urteil.
Gerade jetzt wächst der Druck auf Personalabteilungen. KI-gestützte Bewerbungen nehmen zu, Lebensläufe wirken glatter, Anschreiben ähnlicher, Profile strategischer. Parallel verschärft sich der Fachkräftemangel in einzelnen Berufsgruppen, etwa bei Daten- und KI-Fachkräften; internationale Vergütungsstudien wie jene von WTW verweisen zugleich auf einen harten Standortwettbewerb um diese Zielgruppen. Unter Zeitdruck steigt die Versuchung, die erste Sichtung an ein Chatfenster auszulagern.
Warum die Punktzahl mehr Autorität ausstrahlt, als sie verdient
Eine Zahl erzeugt Ordnung. Im Alltag der Personalauswahl hilft Ordnung, weil Stellen besetzt, Rückmeldungen dokumentiert und Termine gehalten werden müssen. Genau hier gewinnt das Sprachmodell unverdiente Autorität: Es liefert Rangfolgen, Begründungen und scheinbar konsistente Kriterien in einem Format, das an Testverfahren erinnert.
Diese Ähnlichkeit täuscht. Ein eignungsdiagnostisches Verfahren braucht definierte Anforderungsmerkmale, einheitliche Bewertungsmaßstäbe und Nachweise, dass die gewählten Kriterien berufliche Leistung tatsächlich vorhersagen. Ein frei formulierter Prompt erfüllt keine dieser Bedingungen automatisch. Schon kleine Änderungen in Aufgabenstellung, Reihenfolge der Angaben oder Sprachstil eines Lebenslaufs können das Ergebnis verschieben.
Hinzu kommt ein zweiter Effekt. Das System bevorzugt oft Unterlagen, die sprachlich vollständig, formal sauber und nah an bekannten Mustern formuliert sind. Damit steigt das Risiko, dass Ausdrucksstärke mit Berufseignung verwechselt wird. Gerade bei Quereinsteigern, internationalen Profilen oder Projektkräften mit ungeraden Erwerbsverläufen kann diese Verzerrung teuer werden.
Recht und Datenschutz beginnen vor der ersten Eingabe
Wer Bewerbungsunterlagen in ein externes KI-System kopiert, verarbeitet personenbezogene Daten. Damit greifen in Europa die Datenschutz-Grundverordnung und im Beschäftigungskontext § 26 BDSG. Personalteams müssen also klären, auf welcher Grundlage Daten verarbeitet werden, wohin Inhalte übertragen werden und ob Anbieter Eingaben zum weiteren Systemtraining verwenden oder ausschließen.
Für automatisierte Entscheidungen setzt zudem Artikel 22 DSGVO enge Grenzen. Vollständig automatisierte Einzelfallentscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung stehen unter besonderem Vorbehalt. Schon deshalb taugt das Chatfenster nicht als eigenständige Sortiermaschine für Zu- und Absagen.
Auch das Allgemeine Gleichbehandlungsgesetz bleibt im Hintergrund wirksam, selbst wenn ein System nur „unterstützt“. Wenn Kriterien mittelbar an Alter, Herkunft, Geschlecht, Behinderung oder andere geschützte Merkmale andocken, verlagert sich das Risiko nicht auf die Software. Eine knappe Einordnung zu Zuständigkeiten in solchen Konstellationen bietet dieser Beitrag: Wer im Einstellungsprozess Verantwortung trägt, wenn KI mitentscheidet.
Wo sinnvolle Grenzen tatsächlich verlaufen
Die praktikable Antwort lautet nicht, jede KI aus der Personalauswahl zu verbannen. Sinnvoll ist eine scharfe Trennung zwischen sprachlicher Unterstützung und eignungsrelevanter Bewertung. Ein Sprachmodell kann Formulierungen vereinheitlichen, Interviewleitfäden strukturieren oder eingehende Unterlagen nach klar benannten Sachinformationen ordnen, etwa Verfügbarkeit, Arbeitsort oder geforderte Zertifikate.
Sobald das System Eignung, kulturelle Passung oder Entwicklungspotenzial bewerten soll, kippt die Lage. Diese Urteile verlangen Anforderungsbezug, Vergleichbarkeit und Rechenschaft. Dafür brauchen Organisationen entweder validierte Verfahren oder menschliche Bewertung anhand definierter Rubriken.
- Zulässig erscheint nur, was auf vorab festgelegte, arbeitsbezogene Kriterien verweist.
- Jede KI-Ausgabe braucht eine dokumentierte menschliche Prüfung vor jeder Auswahlentscheidung.
- Freitext-Punktzahlen ohne Bewertungsraster gehören aus der Vorauswahl heraus.
- Personenbezogene Angaben sollten vor Tests mit externen Systemen minimiert oder pseudonymisiert werden.
- Anbieter, Datenflüsse und Aufbewahrungsregeln müssen im Verfahren benannt sein.
Der größere Schaden entsteht oft außerhalb der Technik
Fehlentscheidungen beginnen häufig früher als im Modell. Unklare Stellenprofile, widersprüchliche Muss-Kriterien und hastig formulierte Ausschreibungen erzeugen schlechte Eingangsdaten. Dann reproduziert das System nur die Unschärfe des Prozesses und verpackt sie in glatte Sprache.
Ein ähnliches Muster zeigt sich auch in anderen Personalfragen. Vorbehalte gegenüber externen Fachkräften etwa entstehen laut aktuellen Fachbeiträgen oft aus unklaren Aufträgen und fehlenden internen Strukturen, weniger aus der Arbeitsform selbst. Für die Vorauswahl gilt derselbe organisatorische Befund: Schlechte Prozesse lassen sich durch KI beschleunigen, aber kaum verbessern.
Wer Lebensläufe heute per Chatfenster sortiert, spart zunächst Minuten und verliert womöglich genau jene Profile, die im angespannten Arbeitsmarkt am schwersten zu gewinnen sind. Die Qualität der ersten Sichtung entscheidet damit weniger über Tempo als über die Reichweite des späteren Talentpools.
Abonnieren Sie unseren Newsletter für die neuesten Artikel! Abonnieren