Lohnt sich KI-Screening im Recruiting? Eine kritische Analyse

Eine neue Studie zeigt, dass LLMs im Hiring nicht nur Inhalte bewerten, sondern offenbar auch ihre eigene Sprache bevorzugen. Für Recruiting-Verantwortliche ist das ein Risikofaktor in der Personalselektion.

Aber zuerst kurz zur Ausgangslage.

Das erste Screening von Bewerbungsunterlagen zählt zu den zeitintensivsten Phasen im Recruiting. Welches Unternehmen träumt nicht davon, die Vorselektion auf ein Minimum zu reduzieren?

Kein Wunder, dass KI-Tools, die eine saubere Automatisierung versprechen, so verlockend wirken. Sie übernehmen das Vorsortieren von Lebensläufen, das Abgleichen von Profilen und die scheinbar objektive Potenzialbewertung – damit sich Hiring Manager zurücklehnen und nur noch auf das perfekte Match warten können.

Für viele Unternehmen klingt das nach Fortschritt – nach Geschwindigkeit, Effizienz und weniger subjektiven Fehlern.

Doch so einfach ist es nicht. Eine aktuelle Studie zu algorithmischem Hiring zeigt, dass Large Language Models nicht nur bewerten, sondern sich selbst bevorzugen können. In einem Recruiting-Kontext bedeutet das: Kandidaten und Kandidatinnen, die das „KI einsetzen, systematisch von KI bevorzugt werden – selbst dann, wenn die Qualität der Bewerbung nicht besser ist.

Was sagt die Wissenschaft?

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

Das Ergebnis ist bemerkenswert

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 unbequemer Gedanke, 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. 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

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.

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?

Deshalb finde ich persönlich, wer KI im Recruiting einsetzt, ohne ihre Eigenlogik zu verstehen, digitalisiert nicht bessere Entscheidungen – sondern nur die alten Fehler in neuer Geschwindigkeit.

Quelle:

Studie zu algorithmischem Hiring und Self-Preference Bias: AI Self-preferencing in Algorithmic Hiring: Empirical Evidence and Insights (Abgerufen 10.05.2026 https://arxiv.org/pdf/2509.00462)