Compliance-konformes RAG-System für die Personalauswahl in der Schweiz

Problem: Compliance-konforme KI in der Personalauswahl

Sie leiten ein Professional-Services-Unternehmen mit über 2 000 Mitarbeitern in der Schweiz und stehen vor der Herausforderung, die Personalauswahl zu skalieren, ohne die Compliance zu gefährden. Der EU AI Act, der am 1. August 2024 in Kraft tritt, klassifiziert KI-Systeme in der Personalauswahl als Hochrisiko-Systeme (Artikel 6 Absatz 1 Buchstabe b). Das bedeutet: Sie müssen ein Risikomanagement etablieren, die Datenqualität sicherstellen, technische Dokumentation erstellen und menschliche Aufsicht garantieren. Gleichzeitig wollen Sie die manuelle Arbeit im Backoffice reduzieren und die Reaktionszeit auf Bewerbungen verkürzen. Die Lösung ist ein Retrieval-Augmented Knowledge Assistant (RAG), der auf Ihren internen Dokumenten und CRM-Daten aufsetzt und in bestehende Systeme wie Slack oder Microsoft Teams integriert wird. Die Architektur ist modell-agnostisch: OpenAI GPT-4 oder Anthropic Claude für die Qualität, offene Modelle auf eigener Hardware, wenn sensible Daten das Gebäude nicht verlassen dürfen. Der Integrationssprint dauert 3 Monate und liefert ein funktionsfähiges System mit gemessener Vorher/Nachher-Baseline für Zykluszeit und Fehlerquote.

Voraussetzungen vor dem ersten Schritt

• Dokumente: Interne Richtlinien, Stellenbeschreibungen, Compliance-Dokumente und CRM-Exporte in strukturiertem Format (PDF, DOCX, CSV).
• Infrastruktur: Self-Hosting-Option für n8n und die Vektordatenbank (Weaviate oder Pinecone), falls sensible Daten nicht in die Cloud dürfen.
• Zugänge: API-Zugänge zu Slack oder Microsoft Teams, CRM (Salesforce, HubSpot) und ERP (SAP, Oracle).
• Compliance-Team: Ein benannter Ansprechpartner für den EU AI Act, der die Risikobewertung und die technische Dokumentation abnimmt.
• Human-in-the-Loop-Rolle: Ein HR-Mitarbeiter mit der Autorität, KI-Empfehlungen zu prüfen und zu bestätigen.
• Testdatensatz: Ein repräsentativer Datensatz von mindestens 500 historischen Bewerbungen, der für die Validierung der Genauigkeit verwendet wird.
• Mehrsprachigkeit: Dokumente in Deutsch, Französisch, Italienisch und Englisch, falls die Schweizweite Abdeckung erforderlich ist.

Schritte: Vom Audit zum Go-Live in 3 Monaten

1. Prozess-Audit durchführen: Identifizieren Sie die Workflows, die sich für die Automatisierung eignen. Dokumentieren Sie die aktuelle Zykluszeit und Fehlerquote für die Personalauswahl. Nutzen Sie ein Tool wie Jira oder Confluence, um die Ergebnisse zu protokollieren.
2. n8n-Workflow aufbauen: Erstellen Sie einen n8n-Workflow, der die Dokumente importiert, in Vektoren umwandelt und in die Vektordatenbank schreibt. Verwenden Sie den Node “Vector Store” und konfigurieren Sie die Embedding-Funktion (z. B. OpenAI text-embedding-3-small).
3. RAG-Pipeline konfigurieren: Verbinden Sie den n8n-Workflow mit dem LLM (OpenAI GPT-4 oder Anthropic Claude). Konfigurieren Sie den Prompt so, dass das LLM nur auf den abgerufenen Kontext antwortet. Testen Sie die Pipeline mit einem kleinen Datensatz.
4. Integration in Slack oder Microsoft Teams: Erstellen Sie einen Bot, der auf Anfragen in einem bestimmten Kanal antwortet. Verwenden Sie die Slack API oder die Microsoft Graph API, um die Nachrichten zu empfangen und die Antworten zu senden.
5. Human-in-the-Loop einrichten: Konfigurieren Sie den Workflow so, dass die KI-Empfehlung erst nach der Bestätigung durch den HR-Mitarbeiter finalisiert wird. Nutzen Sie einen Approval-Node in n8n, der die Bestätigung erfordert.
6. Compliance-Dokumentation erstellen: Dokumentieren Sie die Architektur, die Algorithmen, die Datenquellen und die Validierungsergebnisse. Erstellen Sie ein Risikomanagement-Dokument und ein KI-Register gemäß den Anforderungen des EU AI Act.
7. Go-Live und Monitoring: Führen Sie das System in Produktion ein und überwachen Sie die Genauigkeit, die Zykluszeit und die Fehlerquote. Nutzen Sie ein Monitoring-Tool wie Grafana oder Datadog, um die Metriken zu visualisieren.

Häufige Stolperfallen und wie Sie sie erkennen

• Halluzinationen: Das LLM erfindet Informationen, die nicht in den Dokumenten enthalten sind. Erkennen Sie dies durch regelmäßige Tests mit einem Testdatensatz und durch die Prüfung der Antworten auf Konsistenz.
• Datenschutzverletzung: Sensible Daten werden in die Cloud übertragen, obwohl sie lokal bleiben sollten. Erkennen Sie dies durch die Prüfung der API-Aufrufe und durch die Konfiguration der n8n-Workflow so, dass die Daten nicht verlassen werden.
• Fehlende menschliche Aufsicht: Die KI-Empfehlung wird ohne Prüfung finalisiert. Erkennen Sie dies durch die Prüfung des Approval-Flows und durch die Dokumentation der Bestätigungen.
• Mehrsprachige Inkonsistenz: Die Antworten in verschiedenen Sprachen sind nicht konsistent. Erkennen Sie dies durch die Prüfung der Antworten in allen unterstützten Sprachen und durch die Anpassung des Prompts.
• Compliance-Lücke: Die technische Dokumentation ist unvollständig oder veraltet. Erkennen Sie dies durch die regelmäßige Prüfung der Dokumentation und durch die Einbindung des Compliance-Teams in den Review-Prozess.

Fazit: Der nächste Schritt nach dem Go-Live

Nach dem Go-Live sollten Sie die Metriken kontinuierlich überwachen und die Dokumentation aktualisieren. Der nächste logische Schritt ist die Skalierung auf weitere Abteilungen, z. B. die Kundenbetreuung oder die Finanzabteilung. Nutzen Sie die gemessene Vorher/Nachher-Baseline, um den ROI zu belegen und die Skalierung zu rechtfertigen. Fürforfis unterstützt bei der Skalierung durch einen weiteren Integrationssprint, der auf der bestehenden Architektur aufsetzt und die Compliance-Anforderungen für die neuen Workflows adressiert.