Kandidatensichtung automatisieren: n8n-Pilot in 3 Monaten

Das Problem: Manuelle Kandidatensichtung in der Beratung

In einem österreichischen Beratungsunternehmen mit 800 Mitarbeitern dauert die manuelle Sichtung von Kandidaten im Durchschnitt 12 Minuten pro Lebenslauf. Die HR-Abteilung bearbeitet 150 Bewerbungen pro Monat, was 30 Stunden manueller Arbeit entspricht. Die Fehlerquote liegt bei 8 %, weil die Sichtung von der Tagesform der Mitarbeiter abhängt. Die monatliche Berichterstattung über die Rekrutierungskennzahlen wird manuell in Excel erstellt und dauert 4 Stunden. Die Kosten pro Support-Ticket (hier: pro bearbeitetem Kandidaten) betragen 45 Euro. Das Ziel ist es, diese Prozesse zu automatisieren, um die Kosten zu senken und die Qualität zu erhöhen.

Voraussetzungen: Was Sie vor dem Piloten benötigen

Bevor Sie mit der Implementierung beginnen, müssen folgende Voraussetzungen erfüllt sein:

• Zugang zu Notion oder Confluence: Die Kandidatendaten müssen in einem dieser Tools gespeichert sein. Die API-Zugangsdaten müssen bereitstehen.
• n8n-Instanz: Eine selbst gehostete oder Cloud-basierte n8n-Instanz muss verfügbar sein. Die Version muss mindestens 1.0 sein.
• LLM-API-Keys: API-Keys für OpenAI oder Anthropic müssen vorhanden sein. Die Kosten für die API-Nutzung müssen im Budget berücksichtigt sein.
• Metrik-Definition: Die Metriken (Durchlaufzeit, Fehlerquote, Kosten pro Kandidat) müssen vor dem Piloten definiert und dokumentiert sein.
• Mandatsträger: Ein HR-Mitarbeiter muss als Mandant benannt werden, der die Ergebnisse des KI-Agenten prüft und freigibt.

Schritte: Implementierung des Piloten

1. Prozessanalyse durchführen: Dokumentieren Sie den aktuellen Prozess der Kandidatensichtung. Messen Sie die Durchlaufzeit und die Fehlerquote für 50 Kandidaten. Erstellen Sie eine Baseline in Notion. Diese Baseline wird als Referenz für die Messung der Verbesserung dienen.

2. n8n-Workflow konfigurieren: Erstellen Sie einen n8n-Workflow, der die Kandidatendaten aus Notion liest. Verwenden Sie den Node ‘Notion: Get Database Items’. Konfigurieren Sie den Filter, um nur neue Bewerbungen abzurufen. Der Workflow muss alle 15 Minuten ausgeführt werden.

3. LLM-Integration einrichten: Fügen Sie einen Node ‘OpenAI: Chat’ oder ‘Anthropic: Messages’ hinzu. Definieren Sie den Prompt, der die Sichtung der Kandidaten beschreibt. Der Prompt muss die Kriterien für die Sichtung enthalten (z. B. Erfahrung, Ausbildung, Skills). Die Ausgabe muss strukturiert sein (JSON).

4. Datenanreicherung und -bereinigung: Fügen Sie einen Node ‘Code’ hinzu, der die Ausgabe des LLMs validiert und bereinigt. Entfernen Sie fehlende Felder und normalisieren Sie die Daten. Die bereinigten Daten werden in Notion zurückgeschrieben.

5. Metrik-Dashboard erstellen: Erstellen Sie ein Dashboard in Notion, das die Metriken (Durchlaufzeit, Fehlerquote, Kosten pro Kandidat) anzeigt. Verwenden Sie die Formel-Funktion von Notion, um die Metriken zu berechnen. Das Dashboard muss in Echtzeit aktualisiert werden.

6. Manuelle Stichprobenprüfung einrichten: Definieren Sie einen Prozess, bei dem ein HR-Mitarbeiter 10 % der Ergebnisse des KI-Agenten manuell prüft. Die Ergebnisse der Prüfung werden in Notion dokumentiert. Die Übereinstimmung zwischen den Ergebnissen des KI-Agenten und der manuellen Prüfung wird berechnet.

7. Monatliche Berichterstattung automatisieren: Erstellen Sie einen n8n-Workflow, der am letzten Tag des Monats die Metriken aus dem Dashboard liest und einen Bericht in Notion erstellt. Der Bericht wird automatisch an die relevanten Stakeholder versendet. Die Berichterstattung erfolgt in Echtzeit.

Häufige Stolperfallen und wie Sie sie erkennen

• Vage Metrik-Definition: Wenn die Metriken nicht klar definiert sind, können die Ergebnisse nicht interpretiert werden. Erkennen Sie dieses Problem, indem Sie die Metriken vor dem Piloten schriftlich festhalten und mit dem Mandanten abstimmen.

• Instabile API-Integrationen: Wenn die API-Integrationen nicht stabil sind, kommt es zu Datenverlust oder -duplikation. Erkennen Sie dieses Problem, indem Sie die Logs des n8n-Workflows regelmäßig prüfen und die Fehlerquoten der API-Aufrufe überwachen.

• Fehlende manuelle Stichprobenprüfung: Wenn die manuelle Stichprobenprüfung nicht durchgeführt wird, wird die Genauigkeit des KI-Agenten falsch eingeschätzt. Erkennen Sie dieses Problem, indem Sie die Dokumentation der Stichprobenprüfung regelmäßig prüfen und die Übereinstimmung zwischen den Ergebnissen des KI-Agenten und der manuellen Prüfung berechnen.

• Niedrige Datenqualität in Notion: Wenn die Datenqualität in Notion niedrig ist, wird die Leistung des KI-Agenten beeinträchtigt. Erkennen Sie dieses Problem, indem Sie die Daten in Notion regelmäßig prüfen und die fehlenden Felder und Inkonsistenzen dokumentieren.

• Zu hohe Erwartungshaltung: Wenn die Erwartungshaltung zu hoch ist, wird der Pilot als Misserfolg bewertet, obwohl die Metriken die Verbesserung zeigen. Erkennen Sie dieses Problem, indem Sie die Metriken vor dem Piloten klar definieren und mit dem Mandanten abstimmen.

Fazit: Vom Piloten zur Skalierung

Nach dem Piloten sollten Sie die Ergebnisse analysieren und die nächsten Schritte planen. Wenn die Metriken die Verbesserung zeigen (z. B. Durchlaufzeit um 50 % reduziert, Fehlerquote um 3 % gesenkt), können Sie die Automatisierung auf weitere Prozesse ausweiten. Die nächste logische Schritt ist die Automatisierung der monatlichen Berichterstattung über die Rekrutierungskennzahlen. Diese Automatisierung reduziert die manuelle Arbeit für die Berichterstattung um 90 % und stellt sicher, dass die Daten immer aktuell sind. Die Kosten pro Support-Ticket sinken um 40 bis 60 %, weil die manuelle Arbeit reduziert wird. Die Qualität der Rekrutierung steigt, weil die Sichtung konsistenter und schneller erfolgt.