In einem \u00f6sterreichischen 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 abh\u00e4ngt. Die monatliche Berichterstattung \u00fcber 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 Qualit\u00e4t zu erh\u00f6hen.<\/p>\n
Bevor Sie mit der Implementierung beginnen, m\u00fcssen folgende Voraussetzungen erf\u00fcllt sein:<\/p>\n
Prozessanalyse durchf\u00fchren:<\/strong> Dokumentieren Sie den aktuellen Prozess der Kandidatensichtung. Messen Sie die Durchlaufzeit und die Fehlerquote f\u00fcr 50 Kandidaten. Erstellen Sie eine Baseline in Notion. Diese Baseline wird als Referenz f\u00fcr die Messung der Verbesserung dienen.<\/p>\n<\/li>\n n8n-Workflow konfigurieren:<\/strong> Erstellen Sie einen n8n-Workflow, der die Kandidatendaten aus Notion liest. Verwenden Sie den Node \u2018Notion: Get Database Items\u2019. Konfigurieren Sie den Filter, um nur neue Bewerbungen abzurufen. Der Workflow muss alle 15 Minuten ausgef\u00fchrt werden.<\/p>\n<\/li>\n LLM-Integration einrichten:<\/strong> F\u00fcgen Sie einen Node \u2018OpenAI: Chat\u2019 oder \u2018Anthropic: Messages\u2019 hinzu. Definieren Sie den Prompt, der die Sichtung der Kandidaten beschreibt. Der Prompt muss die Kriterien f\u00fcr die Sichtung enthalten (z. B. Erfahrung, Ausbildung, Skills). Die Ausgabe muss strukturiert sein (JSON).<\/p>\n<\/li>\n Datenanreicherung und -bereinigung:<\/strong> F\u00fcgen Sie einen Node \u2018Code\u2019 hinzu, der die Ausgabe des LLMs validiert und bereinigt. Entfernen Sie fehlende Felder und normalisieren Sie die Daten. Die bereinigten Daten werden in Notion zur\u00fcckgeschrieben.<\/p>\n<\/li>\n Metrik-Dashboard erstellen:<\/strong> 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.<\/p>\n<\/li>\n Manuelle Stichprobenpr\u00fcfung einrichten:<\/strong> Definieren Sie einen Prozess, bei dem ein HR-Mitarbeiter 10 % der Ergebnisse des KI-Agenten manuell pr\u00fcft. Die Ergebnisse der Pr\u00fcfung werden in Notion dokumentiert. Die \u00dcbereinstimmung zwischen den Ergebnissen des KI-Agenten und der manuellen Pr\u00fcfung wird berechnet.<\/p>\n<\/li>\n Monatliche Berichterstattung automatisieren:<\/strong> 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.<\/p>\n<\/li>\n<\/ol>\n Vage Metrik-Definition:<\/strong> Wenn die Metriken nicht klar definiert sind, k\u00f6nnen die Ergebnisse nicht interpretiert werden. Erkennen Sie dieses Problem, indem Sie die Metriken vor dem Piloten schriftlich festhalten und mit dem Mandanten abstimmen.<\/p>\n<\/li>\n Instabile API-Integrationen:<\/strong> Wenn die API-Integrationen nicht stabil sind, kommt es zu Datenverlust oder -duplikation. Erkennen Sie dieses Problem, indem Sie die Logs des n8n-Workflows regelm\u00e4\u00dfig pr\u00fcfen und die Fehlerquoten der API-Aufrufe \u00fcberwachen.<\/p>\n<\/li>\n Fehlende manuelle Stichprobenpr\u00fcfung:<\/strong> Wenn die manuelle Stichprobenpr\u00fcfung nicht durchgef\u00fchrt wird, wird die Genauigkeit des KI-Agenten falsch eingesch\u00e4tzt. Erkennen Sie dieses Problem, indem Sie die Dokumentation der Stichprobenpr\u00fcfung regelm\u00e4\u00dfig pr\u00fcfen und die \u00dcbereinstimmung zwischen den Ergebnissen des KI-Agenten und der manuellen Pr\u00fcfung berechnen.<\/p>\n<\/li>\n Niedrige Datenqualit\u00e4t in Notion:<\/strong> Wenn die Datenqualit\u00e4t in Notion niedrig ist, wird die Leistung des KI-Agenten beeintr\u00e4chtigt. Erkennen Sie dieses Problem, indem Sie die Daten in Notion regelm\u00e4\u00dfig pr\u00fcfen und die fehlenden Felder und Inkonsistenzen dokumentieren.<\/p>\n<\/li>\n Zu hohe Erwartungshaltung:<\/strong> 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.<\/p>\n<\/li>\n<\/ul>\n Nach dem Piloten sollten Sie die Ergebnisse analysieren und die n\u00e4chsten Schritte planen. Wenn die Metriken die Verbesserung zeigen (z. B. Durchlaufzeit um 50 % reduziert, Fehlerquote um 3 % gesenkt), k\u00f6nnen Sie die Automatisierung auf weitere Prozesse ausweiten. Die n\u00e4chste logische Schritt ist die Automatisierung der monatlichen Berichterstattung \u00fcber die Rekrutierungskennzahlen. Diese Automatisierung reduziert die manuelle Arbeit f\u00fcr 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 Qualit\u00e4t der Rekrutierung steigt, weil die Sichtung konsistenter und schneller erfolgt.<\/p>\n","protected":false},"excerpt":{"rendered":" So automatisieren Sie die Kandidatensichtung in \u00d6sterreich mit n8n und LLMs. Fixed-Scope-Pilot in 3 Monaten: Metriken, Integration in Notion, Kostenreduktion pro Ticket.<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"rank_math_title":"Kandidatensichtung automatisieren: n8n-Pilot in 3 Monaten","rank_math_description":"So automatisieren Sie die Kandidatensichtung in \u00d6sterreich mit n8n und LLMs. Fixed-Scope-Pilot in 3 Monaten: Metriken, Integration in Notion, Kostenreduktion pro Ticket.","rank_math_focus_keyword":"automate monthly reporting candidate screening","_yoast_wpseo_title":"","_yoast_wpseo_metadesc":"","_yoast_wpseo_focuskw":"","pll_lang":"de","geo_jsonld":"{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@id\":\"https:\/\/blog.forfis.com\/blog\/kandidatensichtung-automatisieren-n8n-llm-oesterreich\/#article\",\"@type\":\"Article\",\"author\":{\"@id\":\"https:\/\/blog.forfis.com#org\"},\"dateModified\":\"2026-10-05T23:48:48.888564905+00:00\",\"datePublished\":\"2026-10-05T23:48:48.888564905+00:00\",\"description\":\"So automatisieren Sie die Kandidatensichtung in \u00d6sterreich mit n8n und LLMs. Fixed-Scope-Pilot in 3 Monaten: Metriken, Integration in Notion, Kostenreduktion pro Ticket.\",\"headline\":\"Kandidatensichtung automatisieren: n8n-Pilot in 3 Monaten\",\"inLanguage\":\"en\",\"keywords\":[\"One Process Automated\",\"n8n Orchestration\",\"Data Enrichment and Cleanup\",\"HR and Recruiting\",\"501-2000\",\"None\",\"Fixed-Scope Pilot\",\"Professional Services\",\"Notion or Confluence\",\"German\",\"Automate Monthly Reporting\",\"Austria\",\"3 months\",\"Candidate Screening\"],\"mainEntityOfPage\":\"https:\/\/blog.forfis.com\/blog\/kandidatensichtung-automatisieren-n8n-llm-oesterreich\/\",\"publisher\":{\"@id\":\"https:\/\/blog.forfis.com#org\"}},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/kandidatensichtung-automatisieren-n8n-llm-oesterreich\/#faq\",\"@type\":\"FAQPage\",\"mainEntity\":[{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ein typisches Pilotprojekt f\u00fcr die Automatisierung der Kandidatensichtung in einem Unternehmen mit 500 bis 2.000 Mitarbeitern kostet zwischen 15.000 und 30.000 Euro. Der Preis deckt die Prozessanalyse, die Konfiguration der n8n-Workflows, die Integration in Notion oder Confluence sowie die Einrichtung der Metrik-Dashboards ab. Zus\u00e4tzliche Kosten entstehen nur, wenn die API-Nutzung der LLM-Anbieter (OpenAI oder Anthropic) \u00fcber die im Piloten enthaltenen Volumina hinausgeht oder wenn eine lokale Modell-Infrastruktur f\u00fcr besonders sensible Daten ben\u00f6tigt wird.\"},\"name\":\"Was kostet ein Fixed-Scope-Pilot f\u00fcr die Automatisierung der Kandidatensichtung in \u00d6sterreich?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ja, die DSGVO gilt uneingeschr\u00e4nkt. Da die Kandidatendaten personenbezogen sind, m\u00fcssen Sie eine Auftragsverarbeitungsvertrag (AVV) mit Forfis und den LLM-Anbietern abschlie\u00dfen. Die Datenverarbeitung muss in der Datenschutzerkl\u00e4rung der Bewerber angegeben werden. Da die Compliance-Dimension im Szenario als 'None' definiert ist, bezieht sich dies auf branchenspezifische Sonderregelungen (wie z. B. die ePrivacy-Verordnung f\u00fcr Marketing), nicht auf den Grundschutz der DSGVO. Die Daten bleiben in der EU, und es findet keine \u00dcbermittlung in Drittl\u00e4nder statt.\"},\"name\":\"Gilt die DSGVO bei der Verarbeitung von Kandidatendaten durch KI-Agenten?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Nein, Forfis ersetzt weder den ATS noch die bestehende HR-Software. Die Architektur ist bewusst modell- und system-agnostisch. Der n8n-Workflow greift \u00fcber die nativen APIs von Notion oder Confluence auf die Daten zu, verarbeitet sie mit dem LLM und schreibt die angereicherten Daten zur\u00fcck. Der Mensch beh\u00e4lt die volle Kontrolle \u00fcber die Endentscheidung. Das System ist so konzipiert, dass es in die bestehenden Workflows integriert wird, ohne diese zu st\u00f6ren oder zu ersetzen.\"},\"name\":\"Ersetzt Forfis den bestehenden ATS oder die HR-Software?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Vorlaufzeit betr\u00e4gt in der Regel 2 bis 3 Wochen. In der ersten Woche erfolgt die Prozessanalyse und die Definition der Metriken. In der zweiten Woche wird der n8n-Workflow konfiguriert und die API-Integrationen getestet. In der dritten Woche l\u00e4uft der Pilot mit realen Daten, und die Ergebnisse werden mit dem Baseline-Wert verglichen. Diese Zeitspanne ist im Fixed-Scope-Piloten enthalten und wird vertraglich fixiert.\"},\"name\":\"Wie lange dauert es, bis der Pilot l\u00e4uft?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Genauigkeit wird durch eine Kombination aus A\/B-Tests und manueller Stichprobenpr\u00fcfung gemessen. Vor dem Piloten wird eine Baseline erstellt, indem ein HR-Mitarbeiter 50 Kandidaten manuell sichtet und die Ergebnisse dokumentiert. W\u00e4hrend des Piloten sichtet der KI-Agent die gleichen 50 Kandidaten. Die \u00dcbereinstimmung zwischen den beiden Ergebnissen wird berechnet. Zus\u00e4tzlich wird die Fehlerquote (False Positives und False Negatives) gemessen. Ziel ist es, eine \u00dcbereinstimmung von mindestens 90 % zu erreichen.\"},\"name\":\"Wie wird die Genauigkeit des KI-Agenten gemessen?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ja, die Kosten pro Support-Ticket sinken, wenn die Automatisierung die manuelle Arbeit reduziert. Im Szenario der Kandidatensichtung sinken die Kosten pro bearbeitetem Kandidaten um 40 bis 60 %, weil der KI-Agent die Sichtung in Sekunden erledigt, w\u00e4hrend ein Mensch 5 bis 10 Minuten braucht. Die Ersparnis wird durch die Reduktion der manuellen Arbeitszeit und die Verringerung der Fehlerquote erreicht. Die Kosten f\u00fcr die LLM-APIs sind im Vergleich zur manuellen Arbeit vernachl\u00e4ssigbar gering.\"},\"name\":\"Senkt die Automatisierung die Kosten pro Support-Ticket?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die monatliche Berichterstattung wird durch die n8n-Orchestrierung automatisiert. Der Workflow sammelt die Metriken aus dem Piloten (Durchlaufzeit, Fehlerquote, Kosten pro Kandidat) und erstellt einen Bericht in Notion oder Confluence. Der Bericht wird automatisch an die relevanten Stakeholder versendet. Die Berichterstattung erfolgt in Echtzeit, und die Daten sind immer aktuell. Die manuelle Arbeit f\u00fcr die Berichterstattung wird auf 10 Minuten pro Monat reduziert.\"},\"name\":\"Wie wird die monatliche Berichterstattung automatisiert?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die wichtigsten Stolperfallen sind: 1) Die Definition der Metriken ist zu vage, was zu unklaren Ergebnissen f\u00fchrt. 2) Die API-Integrationen sind nicht stabil, was zu Datenverlust f\u00fchrt. 3) Die manuelle Stichprobenpr\u00fcfung wird nicht durchgef\u00fchrt, was zu einer falschen Einsch\u00e4tzung der Genauigkeit f\u00fchrt. 4) Die Datenqualit\u00e4t in Notion oder Confluence ist zu niedrig, was die Leistung des KI-Agenten beeintr\u00e4chtigt. 5) Die Erwartungshaltung ist zu hoch, und der Pilot wird als Misserfolg bewertet, obwohl die Metriken die Verbesserung zeigen.\"},\"name\":\"Was sind die h\u00e4ufigsten Stolperfallen bei der Implementierung?\"}]},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/kandidatensichtung-automatisieren-n8n-llm-oesterreich\/#breadcrumbs\",\"@type\":\"BreadcrumbList\",\"itemListElement\":[{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\",\"name\":\"Home\",\"position\":1},{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\/blog\/\",\"name\":\"Blog\",\"position\":2},{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\/blog\/kandidatensichtung-automatisieren-n8n-llm-oesterreich\/\",\"name\":\"Kandidatensichtung automatisieren: n8n-Pilot in 3 Monaten\",\"position\":3}]},{\"@id\":\"https:\/\/blog.forfis.com#org\",\"@type\":\"Organization\",\"name\":\"Forfis\",\"url\":\"https:\/\/blog.forfis.com\"}]}","geo_content_hash":"1c75d0cee57990ed8edf5b2233279e55e2f77148690456cc8ac2a7a36e501fc4","footnotes":""},"categories":[61],"tags":[35,69,71],"class_list":["post-163","post","type-post","status-publish","format-standard","hentry","category-professional-services","tag-austria","tag-automate-monthly-reporting","tag-candidate-screening"],"_links":{"self":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/163","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/comments?post=163"}],"version-history":[{"count":0,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/163\/revisions"}],"wp:attachment":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/media?parent=163"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/categories?post=163"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/tags?post=163"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}H\u00e4ufige Stolperfallen und wie Sie sie erkennen<\/h2>\n
\n
Fazit: Vom Piloten zur Skalierung<\/h2>\n