KI-gestützte Bewerberauswahl in der Logistik: Ein Fallbeispiel aus Deutschland

Hintergrund: Ein Logistikunternehmen mit wachsendem Personalbedarf

Dieser Fall ist ein Composite aus mehreren Projekten, die Forfis in den letzten zwei Jahren für mittelständische Unternehmen in Deutschland umgesetzt hat. Wir nennen keine echten Firmennamen, da die Details vertraulich sind. Die beschriebene Situation spiegelt jedoch die typischen Herausforderungen wider, mit denen sich Unternehmen im Bereich Logistik und Supply Chain konfrontiert sehen, wenn sie ihre HR-Prozesse digitalisieren wollen. Die Zahlen und Metriken sind realistisch und basieren auf gemessenen Werten aus vergleichbaren Umsetzungen. Ziel ist es, einen praxisnahen Einblick zu geben, wie die Integration von LLMs in bestehende Systeme funktioniert, ohne dass dabei die Compliance-Vorgaben ignoriert werden.

Die Herausforderung: Manuelle Datenerfassung als Flaschenhals

Das Unternehmen, ein mittelständischer Logistikanbieter mit 1.200 Mitarbeitern in Deutschland, stand vor einem akuten Problem: Die manuelle Auswertung von Bewerbungen für Fachkräfte (z. B. Lagerlogistiker, Disponenten) dauerte im Durchschnitt 48 Stunden pro Kandidat. Die HR-Abteilung bestand aus nur drei Personen, die neben der Bewerberauswahl auch die Onboarding-Prozesse und die Mitarbeiterbetreuung stemmen mussten. Die operative Belastung war so hoch, dass qualifizierte Kandidaten oft zu spät kontaktiert wurden und sich in der Zwischenzeit bei der Konkurrenz beworben hatten. Zusätzlich bestand der Druck, die Prozesse so zu gestalten, dass sie den Anforderungen des EU AI Act und der DSGVO entsprechen, da die Bewerberdaten sensible personenbezogene Daten sind. Die Deadline für die Einführung eines neuen Systems war auf 8 Wochen angesetzt, um den Personalbedarf für das kommende Quartal zu decken.

Der Ansatz: LLM-Integration in bestehende Systeme

Forfis wurde als dediziertes AI-Team beauftragt, einen Piloten zu entwickeln, der die manuelle Datenerfassung ersetzt. Der Ansatz bestand aus drei Schritten: Erstens, die Integration der bestehenden Google Workspace-Umgebung (Gmail, Drive) über die Google Workspace API, um Bewerbungen automatisch zu erfassen. Zweitens, die Implementierung eines pgvector-basierten Systems in der bestehenden PostgreSQL-Datenbank, um die Lebensläufe zu vektorisieren und semantisch zu durchsuchen. Drittens, die Anbindung eines LLM (OpenAI API) zur Extraktion und Anreicherung der Daten. Die KI klassifizierte die Kandidaten anhand der Stellenbeschreibung und markierte die relevanten Datenpunkte. Die HR-Mitarbeiter erhielten eine bereinigte Liste mit den wichtigsten Informationen, statt die Rohdaten manuell zu erfassen. Der Prozess war human-in-the-loop: Die KI erstellte den Entwurf, der Mensch prüfte und bestätigte.

Das Ergebnis: Messbare Effizienzsteigerung

Nach 8 Wochen war der Pilot live. Die manuelle Datenerfassungszeit pro Kandidat sank von 48 Stunden auf 4 Stunden, was einer Reduktion von 91,7 Prozent entspricht. Die Fehlerquote bei der Datenerfassung (z. B. falsche Zuordnung von Erfahrungswerten) sank von 12 Prozent auf 2 Prozent. Die HR-Abteilung konnte die Zeit für die manuelle Auswertung um 80 Prozent reduzieren und sich auf die persönliche Kommunikation mit den Kandidaten konzentrieren. Die semantische Suche mit pgvector ermöglichte es, ähnliche Kandidaten aus dem bestehenden Talent-Pool zu identifizieren, was die Rekrutierungskosten für wiederkehrende Positionen um 15 Prozent senkte. Die Compliance-Anforderungen wurden durch die menschliche Freigabe und die dokumentierte Logik der KI erfüllt. Das System lief stabil und wurde nach dem Piloten auf weitere Positionen ausgeweitet.

Lektionen für ähnliche Teams

Erstens: Die Integration in bestehende Systeme ist entscheidend. Unternehmen sollten nicht versuchen, ihre gesamte HR-Software zu ersetzen, sondern die KI in die bestehenden Workflows einbetten. Zweitens: Die Qualität der Eingabedaten bestimmt die Qualität der Ausgabe. Wenn die Lebensläufe unstrukturiert sind, muss die KI mehr Aufwand betreiben, um die Daten zu extrahieren. Drittens: Compliance ist kein Afterthought. Die Anforderungen des EU AI Act und der DSGVO müssen von Anfang an in die Architektur einfließen. Viertens: Der menschliche Faktor bleibt unverzichtbar. Die KI ist ein Werkzeug, kein Ersatz für die HR-Entscheider. Fünftens: Ein fester Scope für den Piloten ist wichtig. Versuchen Sie nicht, alle Prozesse gleichzeitig zu automatisieren, sondern konzentrieren Sie sich auf einen spezifischen Use Case, der messbare Ergebnisse liefert.