Logistik-Unternehmen senkt Fehlerquote im Candidate Screening auf 3,5 %

Hintergrund: Logistikunternehmen in der Wachstumsphase

Der folgende Fall ist ein Composite, basierend auf Mustern, die in der Praxis beobachtet wurden. Es werden keine realen Kundennamen genannt, um die Vertraulichkeit zu wahren. Die beschriebene Firma ist ein mittelständisches Logistikunternehmen mit Sitz in Zürich, das 1.200 Mitarbeiter beschäftigt und in der Schweiz sowie in Deutschland operiert. Das Unternehmen befindet sich in einer Wachstumsphase und expandiert gerade in den Bereich der letzten Meile. Die IT-Infrastruktur besteht aus einem etablierten ERP-System (SAP S/4HANA), einem Applicant Tracking System (Greenhouse) und einer Reihe von Legacy-Tools, die über manuelle CSV-Exporte verbunden sind. Die Compliance-Abteilung ist klein, aber streng, und unterliegt den Anforderungen der DSGVO sowie den spezifischen Schweizer Datenschutzbestimmungen (DSG).

Herausforderung: Fehlerquote und Compliance-Druck

Die zentrale Herausforderung lag im Back Office: Die manuelle Verarbeitung von Bewerbungen war fehleranfällig und langsam. Die Fehlerquote lag bei 12 %, was bedeutet, dass jede achte Bewerbung falsch klassifiziert oder wichtige Informationen übersehen wurden. Die Zykluszeit von der Bewerbungseingangs bis zur Erstreaktion betrug im Durchschnitt 48 Stunden, was zu einem hohen Drop-off-Rate bei Kandidaten führte. Zudem stand das Unternehmen unter Druck, die Compliance-Vorgaben der DSGVO einzuhalten, ohne die Geschwindigkeit zu opfern. Die Recruiter-Teams waren überlastet und hatten keine Kapazität für die strategische Personalplanung. Der Vorstand forderte eine Reduktion der Fehlerquote auf unter 5 % innerhalb von drei Monaten, ohne zusätzliche Headcount.

Ansatz: Conversational Agent mit Anthropic Claude

Forfis startete mit einem Prozess-Audit, das die Workflows im Candidate Screening identifizierte, die sich für die Automatisierung eigneten. Der Fokus lag auf der ersten Kontaktaufnahme und der Klassifikation der Bewerbungen. Als Tech-Stack wurde die Anthropic Claude API gewählt, da sie für die Textverarbeitung und Klassifikation hohe Genauigkeit bietet und vertragliche Zusicherungen zur Datenverarbeitung liefert. Die Architektur ist model-agnostic und integriert sich über eine Custom REST API und Webhooks in das bestehende ATS. Der Agent ist ein Conversational Agent, der auf Deutsch und Englisch mit Kandidaten kommuniziert, Fragen zu Gehaltserwartungen und Arbeitsgenehmigungen klärt und die Antworten gegen definierte Kriterien bewertet. Die Lieferung erfolgte als Managed AI Operations, wobei Forfis den laufenden Betrieb, das Monitoring und die Prompt-Optimierung übernahm.

Ergebnis: Metriken nach drei Monaten

Nach drei Monaten Pilotbetrieb zeigte sich eine deutliche Verbesserung der Metriken. Die Fehlerquote im Back Office sank von 12 % auf 3,5 %, was den Zielwert von unter 5 % übertraf. Die Zykluszeit für die Erstreaktion reduzierte sich von 48 Stunden auf 4 Stunden, was die Kandidatenzufriedenheit erhöhte. Die manuelle Arbeitszeit der Recruiter für das Screening fiel um 60 %, was eine Umverteilung der Kapazitäten auf die Vorstellungsgespräche ermöglichte. Die Compliance-Abteilung bestätigte, dass keine DSGVO-Verstöße auftraten und die Audit-Logs vollständig nachvollziehbar waren. Die Kosten für die API-Aufrufe lagen bei unter 500 CHF pro Monat, was die Investition schnell amortisierte.

Lektionen für ähnliche Teams

Erstens: Prompts müssen iterativ feinjustiert werden. Die erste Version des Agents verstand kantonale Besonderheiten und Fachjargon nicht korrekt. Erst nach mehreren Iterationen und dem Einbezug der Recruiter in die Prompt-Optimierung stieg die Genauigkeit. Zweitens: Die Human-in-the-Loop-Grenzen müssen klar definiert sein. Der Agent darf keine finale Ablehnung aussprechen, sondern nur priorisieren. Diese Grenze muss technisch erzwungen werden, nicht nur dokumentiert. Drittens: Die Datenqualität im ATS ist entscheidend. Wenn die Eingangsdaten unvollständig sind, kann der Agent keine sinnvolle Klassifikation vornehmen. Viertens: Die Integration über Webhooks muss robust sein. Fehler in der Webhook-Verarbeitung führten zu verzögerten Reaktionen, die durch ein Retry-Mechanismus behoben wurden. Fünftens: Die Compliance-Abteilung muss von Anfang an eingebunden sein. Späte Änderungen an den Datenschutzbestimmungen hätten das Projekt verzögert.