Künstliche Intelligenz verändert die Art und Weise, wie Unternehmen Bewerbungen prüfen und Personalentscheidungen treffen. Algorithmen versprechen schnellere und objektivere Auswahlverfahren. Doch wie fair sind diese Systeme tatsächlich? Und welche Rolle spielt der Mensch, wenn Maschinen zunehmend über berufliche Chancen mitentscheiden?

Diesen Fragen widmet sich Thomas Bigliel, Mitgründer und Co-CEO von Humboldt AI, in einem Interview mit der Fachzeitschrift HR Performance, das in der Ausgabe 4/2026 im Themenschwerpunkt «HR Digital & KI» erschien.

Im Gespräch erklärt er, weshalb automatisierte Entscheidungen nicht automatisch fairer sind, wo die Grenzen KI-gestützter Bewerberauswahl liegen und warum menschliche Kontrolle mehr bedeutet, als die Empfehlung eines Algorithmus per Knopfdruck zu bestätigen.

KI im Recruiting: Wie fair ist die automatisierte Bewerberauswahl?

Herr Bigliel, künstliche Intelligenz soll Bewerbungen schneller und objektiver beurteilen. Macht sie das Recruiting tatsächlich fairer?

Nicht automatisch. KI kann Auswahlprozesse konsistenter und in bestimmten Bereichen auch objektiver machen. Sie wird nicht müde, hat keinen schlechten Tag und empfindet gegenüber einer Person keine spontane Sympathie oder Antipathie. Zudem kann sie Bewerbungen anhand einheitlicher Kriterien beurteilen, während Menschen diese Kriterien nicht immer gleich konsequent anwenden. Aber auch ein Algorithmus entscheidet nicht im luftleeren Raum. Er arbeitet mit Daten, Kriterien und Zielsetzungen, die von Menschen festgelegt wurden. Wenn darin Verzerrungen stecken, verschwinden sie nicht einfach, nur weil eine Maschine entscheidet.

Ist eine Maschine also nur so fair wie die Menschen, die sie bauen?
Das greift aus meiner Sicht zu kurz. Entscheidend ist nicht nur, wer ein System entwickelt, sondern auch, mit welchen Daten es trainiert und überprüft wird. Wenn historische Personalentscheidungen bestimmte Gruppen systematisch benachteiligt haben, erkennt ein lernendes System darin zunächst kein gesellschaftliches Problem, sondern ein Muster, das es reproduzieren kann.

Kann KI Vorurteile damit sogar verstärken?
Auf jeden Fall. Vor allem kann sie deren Wirkung vervielfachen. Ein einzelner Recruiter trifft nur eine begrenzte Zahl von Entscheidungen. Ein automatisiertes System kann dasselbe problematische Muster dagegen auf Tausende Bewerbungen anwenden. Genau darin liegt das Risiko: Nicht unbedingt, dass KI neue Vorurteile schafft, sondern dass bestehende Verzerrungen schneller, konsequenter und in viel grösserem Massstab wirksam werden.

Sind Maschinen trotzdem fairer als Menschen?
Der Vergleich ist schwieriger, als er zunächst scheint. Auch Personalverantwortliche urteilen nicht objektiv. Ein grosses Feldexperiment der Universität Siegen zeigt das ziemlich drastisch: Forschende verschickten mehr als 50’000 fiktive Anfragen an Betriebe. «Lukas Becker» erhielt auf 100 Anfragen im Durchschnitt rund 67 persönliche Antworten, «Habiba Mahmoud» nur 36. Die Unterschiede liessen sich nicht durch die Qualifikation der fiktiven Bewerber erklären.

Spricht das nicht gerade für die Maschine?
Zumindest gegen die Vorstellung, der Mensch sei automatisch die faire Alternative. Ein viel beachtetes Feldexperiment der Ökonomin Doris Weichselbaumer aus dem Jahr 2016 zeigt, wie stark solche Verzerrungen sein können: «Sandra Bauer» erhielt auf 100 Bewerbungen durchschnittlich 18.8 positive Rückmeldungen, «Meryem Öztürk» ohne Kopftuch 13.5 und mit Kopftuch nur 4.2. Ausbildung und Berufserfahrung waren identisch. Geändert wurden Name und Foto.

Wäre ein Algorithmus, der solche Merkmale ignoriert, nicht klar überlegen?
In diesem konkreten Punkt möglicherweise, ja. Ein gut gestaltetes System kann konsequent nach fachlichen Kriterien entscheiden und irrelevante Merkmale ausblenden. Aber wenn wir ihm historische Personalentscheidungen als Vorbild geben, kann genau das Gegenteil passieren. Ein bekanntes Beispiel ist Amazon. Das Unternehmen begann bereits 2014, ein System zu entwickeln, das Bewerbungen automatisiert bewerten sollte. Trainiert wurde es mit Lebensläufen aus der Vergangenheit. Darunter waren weit mehr Männer als Frauen. Der Algorithmus suchte nach Merkmalen, die erfolgreiche Bewerbungen gemeinsam hatten – und begann dabei, Frauen schlechter zu bewerten. So gab es etwa Abzüge, wenn in einem Lebenslauf das Wort «women’s» vorkam, beispielsweise bei «women’s chess club captain». Das Geschlecht floss damit faktisch in die Bewertung ein, obwohl es für die Eignung nichts aussagte. Amazon versuchte, die Verzerrung zu korrigieren. Weil sich jedoch nicht garantieren liess, dass das System nicht auf anderem Weg weiter diskriminierte, wurde es schliesslich verworfen. Der Fall zeigt das Grundproblem: Der Algorithmus lernte nicht, wer für eine Stelle am besten geeignet war, sondern wer den Bewerbern ähnelte, die in der Vergangenheit eingestellt wurden.

Diskriminierung im Recruiting: Die Studie von Weichselbaumer (2016) zeigt, wie Name und Kopftuch die Bewerbungschancen beeinflussen – trotz identischer Qualifikation.
Diskriminierung Recruiting

Diskriminierung im Recruiting: Die Studie von Weichselbaumer (2016) zeigt, wie Name und Kopftuch die Bewerbungschancen beeinflussen – trotz identischer Qualifikation.

Wie erkennt man, ob ein Algorithmus tatsächlich Eignung misst – und nicht einfach alte Gewohnheiten reproduziert?
Indem man genau hinschaut, was er misst. Man muss wissen, welche Kriterien verwendet werden, auf welchen Daten das System basiert und ob seine Ergebnisse regelmässig überprüft werden. Eine Zahl oder Rangfolge wirkt schnell objektiv. Aber dahinter stehen Annahmen darüber, welche Merkmale wichtig sind und was überhaupt als «gute» Bewerbung gilt.

Was bedeutet Human in the Loop im Recruiting?

Welche Rolle spielt dabei die Erfahrung eines guten Recruiters?
Eine sehr wichtige. Erfahrung kann helfen, Kontext zu erkennen, den ein standardisiertes System übersieht. Ein erfahrener Recruiter sieht vielleicht, dass ein ungewöhnlicher Karriereweg trotzdem sehr gut zu einer Stelle passt oder hinter einer vermeintlichen Lücke relevante Erfahrung steckt.

Ist Erfahrung nicht oft einfach ein anderes Wort für Bauchgefühl?
Manchmal schon. Und genau dort wird es problematisch. Bauchgefühl kann auf jahrelanger Erfahrung beruhen. Es kann aber genauso gut bedeuten, dass mir jemand spontan sympathisch vorkommt oder ein Lebenslauf meinem gewohnten Bild eines guten Kandidaten entspricht.

Sollte man dem Bauchgefühl überhaupt vertrauen?
Nicht blind. Wenn jemand sagt: «Ich habe einfach ein gutes Gefühl bei dieser Person», sollte die nächste Frage lauten: Warum? Wenn sich dieses Gefühl mit konkreten Beobachtungen begründen lässt, steckt vielleicht wertvolle Erfahrung dahinter. Wenn nicht, sollte man vorsichtig sein.

Kann KI dieses Bauchgefühl korrigieren?
Ja. Sie kann eine Gegenprüfung sein. Wenn mein Bauchgefühl sagt, Kandidat A sei eindeutig besser, das System aber bei den fachlichen Kriterien Kandidatin B vorne sieht, sollte ich meine eigene Einschätzung zumindest hinterfragen. Das funktioniert allerdings nur, wenn man die KI nicht wiederum für unfehlbar hält.

Wer sollte am Ende mehr Gewicht haben: Erfahrung oder Algorithmus?
Keiner von beiden sollte allein entscheiden. Erfahrung ist wertvoll, aber sie kann in Bauchgefühl und Vorurteile kippen. Ein Algorithmus kann konsistenter urteilen, aber Besonderheiten übersehen oder systematisch in die falsche Richtung entscheiden. Interessant wird es dort, wo beide zu unterschiedlichen Ergebnissen kommen. Dann muss man genauer hinschauen: Was sieht der Mensch, was das System nicht sieht – oder umgekehrt?

Ist das das, was man mit «Human in the Loop» meint?
Im Kern ja. Der Mensch bleibt bewusst in einen automatisierten Entscheidungsprozess eingebunden. Nur wird der Begriff häufig grosszügig verwendet. Ein Mensch ist noch kein wirksamer «Human in the Loop», nur weil er am Ende auf einen Knopf klickt und die Empfehlung der Maschine bestätigt.

Wann ist «Human in the Loop» mehr als ein Etikett?
Wenn der Mensch tatsächlich eingreifen kann. Er muss verstehen können, wie eine Empfehlung zustande kommt, sie hinterfragen und notfalls korrigieren können. Dafür braucht er Zeit, Fachwissen und echten Entscheidungsspielraum. Wenn ein System 500 Bewerbungen auf zehn reduziert und der Recruiter nur noch diese zehn sieht, hat die Maschine die entscheidende Auswahl längst getroffen. Die anderen 490 sind aus dem Verfahren verschwunden, ohne dass je ein Mensch sie gesehen hat.

Warum übernehmen Recruiter solche Shortlists trotzdem so leicht?
Weil sie Arbeit abnehmen – und weil eine Zahl oder Rangliste schnell objektiver wirkt, als sie ist. Dieses Phänomen nennt man Automatisierungsbias. Stellen Sie sich vor, das System präsentiert Ihnen sauber sortiert die zehn angeblich besten Kandidatinnen und Kandidaten, während noch 300 Bewerbungen auf Sie warten. Dann braucht es einen bewussten Effort, diese Vorauswahl grundsätzlich infrage zu stellen. Genau darin liegt die Gefahr: Der Mensch ist formal noch beteiligt, folgt faktisch aber der Maschine.

Automatisierte Absagen: Wie transparent sind KI-Entscheidungen?

Wissen Bewerbende überhaupt, ob ein Mensch oder ein System ihre Unterlagen aussortiert hat?
Oft nicht. Sie erhalten vielleicht wenige Stunden nach der Bewerbung eine Standardabsage und erfahren nicht, wie diese Entscheidung zustande gekommen ist. Hat ein Mensch den Lebenslauf geprüft? Ist die Bewerbung an einem automatischen Filter gescheitert? Oder hat ein KI-System das Profil bewertet und aussortiert? Für den Bewerber bleibt am Ende nur eine Information: abgelehnt.

Waren Bewerbungsprozesse nicht schon lange vor KI intransparent?
Absolut. KI hat dieses Problem nicht erfunden. Sie kann es aber verschärfen, weil sich Entscheidungen schneller und in viel grösserem Umfang treffen lassen. Wenn ein schlechter menschlicher Prozess automatisiert wird, haben wir keinen guten Prozess geschaffen. Wir haben nur einen schlechten Prozess schneller gemacht.

Wie viel Transparenz kann man Unternehmen realistisch abverlangen?
Unternehmen müssen nicht ihren Algorithmus oder Geschäftsgeheimnisse offenlegen. Aber Bewerbende sollten zumindest wissen, wenn KI bei einer Entscheidung eine wesentliche Rolle spielt, und nachvollziehen können, wie stark der Prozess automatisiert ist. Wie weit die gesetzlichen Informationspflichten gehen, hängt vom konkreten Einsatz ab. Sowohl die DSGVO als auch der AI Act setzen dafür Regeln.

Was bringt einem Bewerber diese Information konkret?
Er kann nachvollziehen, woran seine Bewerbung gescheitert ist – und darauf reagieren. Vielleicht war eine Qualifikation im Lebenslauf nicht klar genug beschrieben. Vielleicht hat das System eine Ausbildung falsch eingeordnet oder eine relevante Erfahrung nicht erkannt. Dann kann der Bewerber seine Unterlagen anpassen oder eine Entscheidung hinterfragen. Ohne diese Information bleibt ihm nur die Absage. Im schlimmsten Fall verschickt er zwanzigmal dieselben Unterlagen, ohne zu wissen, dass ein System sie jedes Mal aus demselben Grund aussortiert.

KI-generierte Bewerbungen: Warum perfekte Lebensläufe weniger aussagen

Werden Bewerbungen durch KI nicht gleichzeitig immer professioneller?
Doch, und das ist eine paradoxe Entwicklung. Lebensläufe und Motivationsschreiben werden sprachlich immer sauberer, weil sich heute in wenigen Minuten sehr überzeugende Texte erzeugen lassen. Aber je perfekter die Dokumente werden, desto schwieriger wird es, den Menschen dahinter zu erkennen.

Früher konnte ein Motivationsschreiben zumindest teilweise zeigen, wie jemand denkt, was ihn antreibt oder wie gut er sich ausdrückt. Heute kann ein sprachlich perfekter Text schlicht das Resultat eines Prompts sein. Perfektion wird dadurch als Auswahlkriterium weniger wertvoll.

Wird der perfekte Lebenslauf also zum Problem?
Der perfekt polierte Lebenslauf kann zumindest weniger aussagekräftig werden. Wenn alle dieselben professionellen Formulierungen verwenden, verschwinden Unterschiede.

Mich interessieren deshalb häufig gerade die Stellen, an denen Persönlichkeit sichtbar wird: Warum hat jemand einen bestimmten Weg gewählt? Was hat die Person tatsächlich gelernt? Welche Verantwortung hat sie übernommen? Ein Lebenslauf zeigt sehr gut, was jemand getan hat. Er zeigt viel schlechter, wozu jemand künftig fähig sein könnte.

Macht das den Recruiter nicht wichtiger statt überflüssiger?
Genau. Je besser KI darin wird, formale Kriterien zu prüfen, Bewerbungen zu strukturieren und Texte zu optimieren, desto wichtiger wird die menschliche Fähigkeit, hinter diese Oberfläche zu schauen.

Die Aufgabe des Recruiters verschiebt sich. Er muss weniger Zeit dafür aufwenden, Informationen zusammenzutragen, und mehr Zeit darauf verwenden, Potenzial, Motivation und Kontext zu verstehen.

Was passiert, wenn Bewerbende trotzdem den Eindruck bekommen, nur noch Datensätze zu sein?
Dann wird KI auch für das Unternehmen zum Risiko. Recruiting ist keine Einbahnstrasse. Während das Unternehmen den Bewerber beurteilt, beurteilt der Bewerber das Unternehmen. Wenn ich mehrere Stunden in eine Bewerbung investiere und wenige Minuten später eine anonyme Standardabsage erhalte, hinterlässt das einen Eindruck. Nicht nur vom Bewerbungsprozess, sondern vom Unternehmen insgesamt.

Kann das der Arbeitgebermarke tatsächlich schaden?
Ja. Menschen erzählen von solchen Erfahrungen, schreiben Bewertungen oder bewerben sich beim nächsten Mal gar nicht mehr. Besonders widersprüchlich wird es, wenn Unternehmen gleichzeitig über Fachkräftemangel klagen. Wer qualifizierte Leute gewinnen will, kann Bewerbende nicht wie austauschbare Datensätze behandeln. Effizienz im Recruiting ist wichtig, aber sie darf nicht auf Kosten der Beziehung zu den Menschen gehen, die man eigentlich für sich gewinnen möchte.

ATS und Lebenslauf: Welche Rolle spielen Keywords?

Haben geradlinige Lebensläufe bei automatisierten Systemen einen Vorteil?
Standardisierte Informationen sind einfacher zu erfassen. Ein Recruiter kann aus dem Kontext vielleicht verstehen, was sich hinter einem ungewöhnlichen Jobtitel verbirgt. Ein technisches System erkennt möglicherweise nur: Das erwartete Wort fehlt.

Muss ich meinen Lebenslauf heute deshalb für eine Maschine schreiben?
Nein. Aber Sie sollten davon ausgehen, dass möglicherweise auch eine Maschine mitliest. Das heisst nicht, dass der Lebenslauf zu einem Dokument werden sollte, das nur noch einen Filter zufriedenstellt. Aber relevante Kompetenzen müssen klar benannt sein. Wenn eine Stelle Erfahrung mit einer bestimmten Technologie verlangt und ich diese Erfahrung habe, sollte sie im Lebenslauf auch so stehen. Keywords spielen also eine Rolle. Das gilt übrigens auch für menschliche Recruiter. Auch sie können nur berücksichtigen, was aus den Unterlagen hervorgeht. Problematisch wird es, wenn Bewerbende möglichst viele Begriffe aus dem Stelleninserat in ihren Lebenslauf packen. Dann hat man am Ende vielleicht einen hervorragend optimierten, aber vollkommen nichtssagenden CV.

Also kann ein einziges fehlendes Keyword zur Absage führen?
Bei einfachen regelbasierten Filtern kann ein einzelner Begriff tatsächlich den Ausschlag geben. Aber genau deshalb muss man unterscheiden: Nicht jedes ATS ist KI. Manche Systeme arbeiten mit relativ simplen Regeln und Schlüsselwörtern, andere mit komplexeren Verfahren. Für Bewerbende ist von aussen meist nicht erkennbar, was im Hintergrund passiert. Von den angeblich universellen Tricks, mit denen man «den ATS-Algorithmus» überlisten soll, halte ich deshalb wenig. Den einen ATS-Algorithmus gibt es nicht.

Wie verbreitet ist KI im Recruiting überhaupt?
Noch deutlich weniger, als die öffentliche Diskussion vermuten lässt, aber die Nutzung nimmt schnell zu. Nach einer aktuellen repräsentativen Bitkom-Erhebung setzen 12 Prozent der deutschen Unternehmen KI im Bewerbungsprozess ein. Für die erste Durchsicht eingehender Bewerbungen sind es 6 Prozent. Wir sind also noch weit davon entfernt, dass Algorithmen flächendeckend darüber entscheiden, wer in Deutschland einen Job bekommt.

DSGVO und EU AI Act: Welche Rechte haben Bewerbende?

Warum diskutieren wir dann schon jetzt über die Risiken?
Weil jetzt die Regeln für Systeme entstehen, die Unternehmen möglicherweise jahrelang einsetzen werden. Ist ein solches System einmal eingeführt, entstehen Auswahlkriterien, Datenstrukturen, technische Schnittstellen und Abhängigkeiten von Anbietern. Das lässt sich später nicht ohne Weiteres ändern. Wer erst nach einigen Jahren feststellt, dass ein System Bewerbende systematisch benachteiligt oder mit ihren Daten problematisch umgeht, hat nicht nur ein technisches Problem.

Rechtlich bewegen wir uns zudem keineswegs im luftleeren Raum. Für KI-gestützte Bewerbungsprozesse gelten in Deutschland die DSGVO und das Bundesdatenschutzgesetz.

Welche Rechte haben Bewerber bei einer vollständig automatisierten Entscheidung?
Auch hier greift zunächst die Datenschutz-Grundverordnung. Sie schützt Personen vor Entscheidungen, die ausschliesslich automatisiert getroffen werden und sie erheblich beeinträchtigen. Solche Entscheidungen sind nur unter bestimmten Voraussetzungen zulässig. Dann müssen Schutzmechanismen vorgesehen sein. Dazu können das Eingreifen eines Menschen, die Möglichkeit zur Stellungnahme und die Anfechtung der Entscheidung gehören.

Und welche Rolle spielt der EU AI Act?
Der AI Act setzt an einer anderen Stelle an. Er reguliert die KI-Systeme selbst nach ihrem Risiko. Systeme, die Bewerbungen analysieren und filtern oder Kandidaten bewerten, zählt der AI Act grundsätzlich zu den Hochrisikoanwendungen. Für sie gelten deshalb besondere Anforderungen, etwa an Risikomanagement, Dokumentation und menschliche Aufsicht.

Ist «Hochrisiko» für ein System, das Lebensläufe analysiert, nicht etwas dramatisch?
Der Begriff klingt dramatischer, als er gemeint ist. Er bedeutet nicht, dass ein solches System an sich gefährlich ist. Entscheidend sind die möglichen Folgen seiner Entscheidungen. Wir reden schliesslich nicht nur über Lebensläufe, sondern über berufliche Chancen. Wenn ein System darüber entscheidet, ob Ihre Bewerbung überhaupt von einem Menschen gesehen wird, kann das erhebliche Folgen haben. Deshalb halte ich die Einstufung für nachvollziehbar.

Je grösser die Konsequenzen einer Entscheidung für einen Menschen sind, desto skeptischer bin ich gegenüber vollständiger Automatisierung. KI kann Informationen strukturieren, Bewerbungen vergleichen und Auffälligkeiten sichtbar machen. Aber sie sollte nicht dazu führen, dass am Ende niemand mehr Verantwortung für die Entscheidung übernimmt.

Visualisierung von Large Language Models und künstlicher Intelligenz
Large Language Models Visual

KI im HR-Prozess: Was passiert in der Blackbox?

Lebenslaufanalyse mit KI: Wie Humboldt AI Bewerbende unterstützt

Sie beschäftigen sich nicht nur wissenschaftlich mit dem Thema. Was ist Humboldt AI, das Sie mitgegründet haben?
Humboldt AI ist ein Schweizer Career-Tech-Unternehmen aus dem Umfeld der Universitäten Liechtenstein und St. Gallen. Im Unterschied zu vielen klassischen HR-Tech-Lösungen unterstützen wir nicht primär die Personalabteilung, sondern die Bewerbenden.

Unsere Plattform analysiert Lebensläufe nach Struktur und Inhalt, beurteilt ihre Passgenauigkeit für den Schweizer Arbeitsmarkt und macht auf mögliche Red Flags aufmerksam. Bewerberinnen und Bewerber erhalten damit nicht einfach eine Bewertung, sondern konkretes Feedback und Handlungsempfehlungen.

Profitieren Sie damit nicht selbst davon, dass Bewerbungsprozesse kompliziert und undurchsichtig sind?
Ja, unser Produkt adressiert ein Problem, von dem wir als Unternehmen auch profitieren. Entscheidend ist für mich, wie wir damit umgehen. Unser Ziel ist nicht, Bewerbungen per Knopfdruck zu perfektionieren oder Lebensläufe auf dieselbe Hochglanzsprache zu trimmen. Damit wäre wenig gewonnen. Wir wollen Bewerbenden zeigen, wo ihre Unterlagen unklar sind, welche Informationen fehlen und wo ihre tatsächliche Erfahrung nicht verständlich genug zum Ausdruck kommt. Was sie daraus machen und wie sie ihren Lebenslauf verändern, bleibt bewusst ihre Entscheidung.

Ist das Bedürfnis danach tatsächlich so gross?
Die bisherigen Zahlen sprechen dafür. Seit dem Launch im März haben wir mehr als 3000 CV-Analysen durchgeführt. Über 80 Prozent der Nutzerinnen und Nutzer beschäftigen sich anschliessend weiter mit dem Feedback. Für mich zeigt das vor allem eines: Viele Bewerbende wollen nicht einfach einen Lebenslauf generieren lassen. Sie wollen verstehen, wie ihre Unterlagen wirken und was sie konkret verbessern können.

Sie haben mit Humboldt AI ambitionierte Pläne. Wo soll das Unternehmen hin?
Unser Ziel ist klar: Bis 2027 wollen wir Humboldt AI zur grössten Karriereplattform der Schweiz machen. Der Lebenslauf ist dafür der Einstieg. Aber eine Karriere besteht aus weit mehr als einzelnen Bewerbungen. Menschen müssen entscheiden, welche Stellen zu ihnen passen, welche Fähigkeiten ihnen fehlen, wie sie sich weiterentwickeln und welchen nächsten Schritt sie machen wollen. Bei solchen Entscheidungen wollen wir sie unterstützen. Nicht indem eine KI ihnen sagt, welchen Beruf sie ergreifen sollen, sondern indem sie ihnen hilft, ihre Möglichkeiten besser zu verstehen und fundiertere Entscheidungen zu treffen.

AI Literacy: Was Bewerbende über KI und ATS wissen sollten

Brauchen Bewerbende heute also nicht nur AI‑Literacy, sondern auch eine Art Recruiting-Literacy?
Ja. Bewerbende müssen zunehmend verstehen, wie digitale Auswahlprozesse funktionieren. Sie müssen nicht wissen, wie ein Algorithmus programmiert ist. Aber sie sollten einschätzen können, welche Rolle ATS, automatisierte Filter oder KI spielen, welche Informationen solche Systeme erfassen und wo ihre Grenzen liegen. Gleichzeitig braucht es AI Literacy auf Unternehmensseite. Wer KI im Recruiting einsetzt, muss verstehen, was das System tatsächlich leistet, auf welchen Annahmen seine Empfehlungen beruhen und wann man ihnen gerade nicht folgen sollte. Die Verantwortung liegt also nicht nur bei den Bewerbenden. 

Was wäre für Sie in zehn Jahren das grössere Problem: dass Recruiter weiterhin nach Bauchgefühl entscheiden oder dass wir Algorithmen zu sehr vertrauen?
Dass wir eines von beidem für objektiv halten. Bauchgefühl kann auf jahrelanger Erfahrung beruhen, aber genauso auf Vorurteilen. Ein Algorithmus kann konsistenter entscheiden, aber auch systematisch falschliegen. Die entscheidende Frage ist deshalb nicht Mensch oder Maschine. Entscheidend ist, ob wir verstehen, wie eine Entscheidung zustande kommt, ob wir sie hinterfragen können und wer am Ende die Verantwortung dafür trägt. Der Fortschritt besteht nicht darin, den Menschen durch die Maschine zu ersetzen. Sondern darin, bessere Entscheidungen zu treffen.

Über Thomas Bigliel

Bildungsexpert:in AI-Unternehmer:inFuture-of-Work-Macher:inTalent-BoosterCareerTech-Gründer:in

Thomas Bigliel, Mitgründer von Humboldt AI, spezialisiert auf KI-basierte Karriereanalyse, CV Check und Bewerbungsoptimierung für den Schweizer Arbeitsmarkt.

Thomas ist Gründer und Co-CEO von Humboldt AI. Er ist Fachbuchautor sowie Autor zahlreicher Fachartikel zu Künstlicher Intelligenz und Digitalisierung. Nach absolvierter Berufslehre studierte er Wirtschaftsinformatik mit Fokus Human-Computer-Interaction an der Hochschule Luzern und Management an der Universität Liechtenstein.

Na? Neugierig geworden?
Entdecke unsere Karriere-Tools

Verpasse keine Karriere-Neuigkeiten mehr. 👩‍💻

Tipps, Einblicke und Hintergrundwissen rund um Jobsuche und Karriere.

Durch das Absenden dieses Formulars erklärst du dich mit unseren Nutzungsbedingungen und unserer Datenschutzerklärung einverstanden.