KI-gestützte Kandidatensichtung im Medtech: Ein Fallbeispiel aus Deutschland

Hintergrund: Ein Medtech-Unternehmen im Skalierungsdruck

Dieser Fall ist ein Komposit aus Mustern, die in der Praxis beobachtet wurden. Wir erfinden keine Kunden, sondern verallgemeinern aus mehreren ähnlichen Projekten. Das Unternehmen ist ein mittelständischer Medtech-Hersteller in Deutschland mit 1.200 Mitarbeitenden, der in der Phase des Skalierens steckt. Die HR-Abteilung besteht aus 15 Personen, darunter 8 Recruiter. Der bestehende Stack umfasst ein Applicant Tracking System (ATS) von Workable, Microsoft 365 als Kommunikationsplattform und ein ERP-System von SAP. Die HR-Abteilung war überlastet: Pro Woche kamen 150 bis 200 Bewerbungen für offene Stellen im Bereich Softwareentwicklung, Vertrieb und klinische Studien. Die manuelle Sichtung dauerte im Durchschnitt 45 Minuten pro Lebenslauf, was zu einer Reaktionszeit von 5 bis 7 Tagen führte. Viele qualifizierte Kandidaten hatten in dieser Zeit bereits ein anderes Angebot angenommen. Die HR-Leitung stand unter Druck, die Reaktionszeit zu verkürzen, ohne die Qualität der Auswahl zu opfern. Die Compliance-Anforderungen waren gering, da es sich um keine sensiblen Gesundheitsdaten handelte, sondern um berufliche Qualifikationen. Die Entscheidung fiel auf einen Piloten, der die manuelle Datenerfassung und erste Sichtung automatisieren sollte, ohne die menschliche Entscheidung zu ersetzen.

Herausforderung: Manuelle Sichtung als Flaschenhals

Die Herausforderung war dreifach. Erstens: Die manuelle Datenerfassung aus unstrukturierten Lebensläufen war zeitaufwendig und fehleranfällig. Zweitens: Die Sichtung basierte auf subjektiven Eindrücken der Recruiter, was zu inkonsistenten Entscheidungen führte. Drittens: Die Reaktionszeit war zu langsam, um wettbewerbsfähig zu bleiben. Die HR-Abteilung brauchte eine Lösung, die die Datenerfassung automatisiert, die Sichtung standardisiert und die Reaktionszeit verkürzt. Die Lösung sollte in den bestehenden Workflow integriert werden, ohne dass die Recruiter ihre gewohnten Tools aufgeben mussten. Die Deadline war eng: Der Pilot sollte innerhalb von vier Wochen produktiv sein, um die Rekrutierung für die Q4-Stellen zu unterstützen. Die HR-Leitung war skeptisch gegenüber KI, da sie befürchtete, dass die Technologie die persönliche Note der Rekrutierung zerstören würde. Die Aufgabe war also nicht nur technisch, sondern auch kulturell: Die Akzeptanz der Technologie im Team sicherzustellen.

Ansatz: LangGraph als Zustandsmaschine für die Sichtung

Der Ansatz begann mit einem AI Automation Audit. In der ersten Woche analysierten wir den bestehenden Prozess: Wo wurden Lebensläufe empfangen, wie wurden sie gespeichert, welche Kriterien wurden für die Sichtung verwendet? Wir identifizierten die drei häufigsten Rollen (Softwareentwickler, Vertriebsmitarbeiter, klinische Studienkoordinator) und definierte klare Bewertungskriterien für jede Rolle. In der zweiten Woche entwickelten wir den Agenten auf Basis von LangChain und LangGraph. LangChain diente als Orchestrierungsschicht für die Interaktion mit dem Sprachmodell und der Vektordatenbank. LangGraph wurde als Zustandsmaschine verwendet, um den mehrstufigen Sichtungsprozess abzubilden: Extraktion, Klassifizierung, Eskalation. Die Extraktion erfolgte über ein Fine-Tuning eines offenen Modells, das auf den eigenen Daten des Unternehmens trainiert wurde. Die Klassifizierung nutzte ein kommerzielles Modell (GPT-4o) für die hohe Genauigkeit. In der dritten Woche integrierten wir den Agenten in Microsoft Teams. Der Agent wurde als Bot in den HR-Channel eingebunden. Wenn ein neuer Lebenslauf im ATS landete, sendete das System einen Webhook an den Agenten. Der Agent verarbeitete die Daten und postete das Ergebnis als strukturierte Nachricht in den Channel. Der Recruiter konnte direkt im Chat antworten, um die Entscheidung zu bestätigen oder zu korrigieren. In der vierten Woche führten wir den Piloten produktiv ein. Der Agent arbeitete im Schattenmodus: Er verarbeitete alle Lebensläufe, aber die Entscheidungen wurden erst nach menschlicher Freigabe umgesetzt. Nach zwei Wochen im Schattenmodus schalteten wir die automatische Freigabe für die Kategorie ‘Nicht passend’ ein, da die Genauigkeit hier über 95 Prozent lag. Die Kategorie ‘Passend’ blieb immer manuell.

Ergebnis: Messbare Verbesserungen in vier Wochen

Die Ergebnisse nach vier Wochen waren messbar. Die Reaktionszeit auf neue Bewerbungen sank von 5 bis 7 Tagen auf 24 bis 48 Stunden. Die Zeit für die manuelle Datenerfassung pro Lebenslauf sank von 45 Minuten auf 5 Minuten, da der Agent die Daten bereits extrahiert und strukturiert hatte. Die Konsistenz der Sichtung verbesserte sich: Die Abweichung zwischen den Entscheidungen verschiedener Recruiter sank um 40 Prozent. Die Recruiter gaben an, dass sie mehr Zeit für die persönliche Betreuung der Kandidaten hatten, da sie nicht mehr mit der Datenerfassung beschäftigt waren. Die Fehlerquote bei der Datenerfassung sank von 12 Prozent auf 2 Prozent. Die Akzeptanz im Team war hoch: 90 Prozent der Recruiter gaben an, dass der Agent ihre Arbeit erleichtert, nicht erschwert. Die HR-Leitung war zufrieden mit dem Ergebnis und entschied sich, den Agenten auf weitere Rollen und Abteilungen auszurollen. Der Pilot hatte die Erwartungen übertroffen, ohne die menschliche Entscheidung zu ersetzen.

Erkenntnisse: Was andere Teams daraus lernen können

Die wichtigsten Erkenntnisse aus diesem Projekt sind für ähnliche Teams relevant. Erstens: Klare Bewertungskriterien sind die Grundlage für jede automatische Sichtung. Wenn die Kriterien nicht klar definiert sind, kann der Agent keine sinnvolle Klassifizierung vornehmen. Zweitens: Die Integration in die bestehende Kommunikationsplattform (hier Microsoft Teams) ist entscheidend für die Akzeptanz. Wenn die Recruiter ihre gewohnten Tools aufgeben müssen, sinkt die Akzeptanz. Drittens: Der Schattenmodus ist ein wirksames Mittel, um Vertrauen in die Technologie aufzubauen. Wenn das Team sieht, dass der Agent die richtigen Entscheidungen trifft, bevor er produktiv wird, sinkt die Skepsis. Viertens: Die Human-in-the-Loop-Architektur ist nicht nur eine Compliance-Erfordernis, sondern auch ein Qualitätsmerkmal. Die menschliche Freigabe sorgt dafür, dass die Technologie nicht in die Irre geführt wird. Fünftens: Die Skalierung auf weitere Abteilungen ist möglich, wenn die Architektur modifiziert ist. Der Agent kann auf andere Rollen und Abteilungen angepasst werden, ohne dass der gesamte Prozess neu entwickelt werden muss. Diese Erkenntnisse sind auf andere Branchen und Unternehmen übertragbar, die ähnliche Herausforderungen bei der manuellen Datenerfassung und Sichtung haben.