Dieser Fall ist ein Komposit aus Mustern, die in der Praxis beobachtet wurden. Wir erfinden keine Kunden, sondern verallgemeinern aus mehreren \u00e4hnlichen Projekten. Das Unternehmen ist ein mittelst\u00e4ndischer Medtech-Hersteller in Deutschland mit 1.200 Mitarbeitenden, der in der Phase des Skalierens steckt. Die HR-Abteilung besteht aus 15 Personen, darunter 8 Recruiter. Der bestehende Stack umfasst ein Applicant Tracking System (ATS) von Workable, Microsoft 365 als Kommunikationsplattform und ein ERP-System von SAP. Die HR-Abteilung war \u00fcberlastet: Pro Woche kamen 150 bis 200 Bewerbungen f\u00fcr offene Stellen im Bereich Softwareentwicklung, Vertrieb und klinische Studien. Die manuelle Sichtung dauerte im Durchschnitt 45 Minuten pro Lebenslauf, was zu einer Reaktionszeit von 5 bis 7 Tagen f\u00fchrte. Viele qualifizierte Kandidaten hatten in dieser Zeit bereits ein anderes Angebot angenommen. Die HR-Leitung stand unter Druck, die Reaktionszeit zu verk\u00fcrzen, ohne die Qualit\u00e4t der Auswahl zu opfern. Die Compliance-Anforderungen waren gering, da es sich um keine sensiblen Gesundheitsdaten handelte, sondern um berufliche Qualifikationen. Die Entscheidung fiel auf einen Piloten, der die manuelle Datenerfassung und erste Sichtung automatisieren sollte, ohne die menschliche Entscheidung zu ersetzen.<\/p>\n
Die Herausforderung war dreifach. Erstens: Die manuelle Datenerfassung aus unstrukturierten Lebensl\u00e4ufen war zeitaufwendig und fehleranf\u00e4llig. Zweitens: Die Sichtung basierte auf subjektiven Eindr\u00fccken der Recruiter, was zu inkonsistenten Entscheidungen f\u00fchrte. Drittens: Die Reaktionszeit war zu langsam, um wettbewerbsf\u00e4hig zu bleiben. Die HR-Abteilung brauchte eine L\u00f6sung, die die Datenerfassung automatisiert, die Sichtung standardisiert und die Reaktionszeit verk\u00fcrzt. Die L\u00f6sung sollte in den bestehenden Workflow integriert werden, ohne dass die Recruiter ihre gewohnten Tools aufgeben mussten. Die Deadline war eng: Der Pilot sollte innerhalb von vier Wochen produktiv sein, um die Rekrutierung f\u00fcr die Q4-Stellen zu unterst\u00fctzen. Die HR-Leitung war skeptisch gegen\u00fcber KI, da sie bef\u00fcrchtete, dass die Technologie die pers\u00f6nliche Note der Rekrutierung zerst\u00f6ren w\u00fcrde. Die Aufgabe war also nicht nur technisch, sondern auch kulturell: Die Akzeptanz der Technologie im Team sicherzustellen.<\/p>\n
Der Ansatz begann mit einem AI Automation Audit. In der ersten Woche analysierten wir den bestehenden Prozess: Wo wurden Lebensl\u00e4ufe empfangen, wie wurden sie gespeichert, welche Kriterien wurden f\u00fcr die Sichtung verwendet? Wir identifizierten die drei h\u00e4ufigsten Rollen (Softwareentwickler, Vertriebsmitarbeiter, klinische Studienkoordinator) und definierte klare Bewertungskriterien f\u00fcr jede Rolle. In der zweiten Woche entwickelten wir den Agenten auf Basis von LangChain und LangGraph. LangChain diente als Orchestrierungsschicht f\u00fcr die Interaktion mit dem Sprachmodell und der Vektordatenbank. LangGraph wurde als Zustandsmaschine verwendet, um den mehrstufigen Sichtungsprozess abzubilden: Extraktion, Klassifizierung, Eskalation. Die Extraktion erfolgte \u00fcber ein Fine-Tuning eines offenen Modells, das auf den eigenen Daten des Unternehmens trainiert wurde. Die Klassifizierung nutzte ein kommerzielles Modell (GPT-4o) f\u00fcr die hohe Genauigkeit. In der dritten Woche integrierten wir den Agenten in Microsoft Teams. Der Agent wurde als Bot in den HR-Channel eingebunden. Wenn ein neuer Lebenslauf im ATS landete, sendete das System einen Webhook an den Agenten. Der Agent verarbeitete die Daten und postete das Ergebnis als strukturierte Nachricht in den Channel. Der Recruiter konnte direkt im Chat antworten, um die Entscheidung zu best\u00e4tigen oder zu korrigieren. In der vierten Woche f\u00fchrten wir den Piloten produktiv ein. Der Agent arbeitete im Schattenmodus: Er verarbeitete alle Lebensl\u00e4ufe, aber die Entscheidungen wurden erst nach menschlicher Freigabe umgesetzt. Nach zwei Wochen im Schattenmodus schalteten wir die automatische Freigabe f\u00fcr die Kategorie \u2018Nicht passend\u2019 ein, da die Genauigkeit hier \u00fcber 95 Prozent lag. Die Kategorie \u2018Passend\u2019 blieb immer manuell.<\/p>\n
Die Ergebnisse nach vier Wochen waren messbar. Die Reaktionszeit auf neue Bewerbungen sank von 5 bis 7 Tagen auf 24 bis 48 Stunden. Die Zeit f\u00fcr die manuelle Datenerfassung pro Lebenslauf sank von 45 Minuten auf 5 Minuten, da der Agent die Daten bereits extrahiert und strukturiert hatte. Die Konsistenz der Sichtung verbesserte sich: Die Abweichung zwischen den Entscheidungen verschiedener Recruiter sank um 40 Prozent. Die Recruiter gaben an, dass sie mehr Zeit f\u00fcr die pers\u00f6nliche Betreuung der Kandidaten hatten, da sie nicht mehr mit der Datenerfassung besch\u00e4ftigt waren. Die Fehlerquote bei der Datenerfassung sank von 12 Prozent auf 2 Prozent. Die Akzeptanz im Team war hoch: 90 Prozent der Recruiter gaben an, dass der Agent ihre Arbeit erleichtert, nicht erschwert. Die HR-Leitung war zufrieden mit dem Ergebnis und entschied sich, den Agenten auf weitere Rollen und Abteilungen auszurollen. Der Pilot hatte die Erwartungen \u00fcbertroffen, ohne die menschliche Entscheidung zu ersetzen.<\/p>\n
Die wichtigsten Erkenntnisse aus diesem Projekt sind f\u00fcr \u00e4hnliche Teams relevant. Erstens: Klare Bewertungskriterien sind die Grundlage f\u00fcr jede automatische Sichtung. Wenn die Kriterien nicht klar definiert sind, kann der Agent keine sinnvolle Klassifizierung vornehmen. Zweitens: Die Integration in die bestehende Kommunikationsplattform (hier Microsoft Teams) ist entscheidend f\u00fcr die Akzeptanz. Wenn die Recruiter ihre gewohnten Tools aufgeben m\u00fcssen, sinkt die Akzeptanz. Drittens: Der Schattenmodus ist ein wirksames Mittel, um Vertrauen in die Technologie aufzubauen. Wenn das Team sieht, dass der Agent die richtigen Entscheidungen trifft, bevor er produktiv wird, sinkt die Skepsis. Viertens: Die Human-in-the-Loop-Architektur ist nicht nur eine Compliance-Erfordernis, sondern auch ein Qualit\u00e4tsmerkmal. Die menschliche Freigabe sorgt daf\u00fcr, dass die Technologie nicht in die Irre gef\u00fchrt wird. F\u00fcnftens: Die Skalierung auf weitere Abteilungen ist m\u00f6glich, wenn die Architektur modifiziert ist. Der Agent kann auf andere Rollen und Abteilungen angepasst werden, ohne dass der gesamte Prozess neu entwickelt werden muss. Diese Erkenntnisse sind auf andere Branchen und Unternehmen \u00fcbertragbar, die \u00e4hnliche Herausforderungen bei der manuellen Datenerfassung und Sichtung haben.<\/p>\n","protected":false},"excerpt":{"rendered":"
Wie ein Medtech-Unternehmen in Deutschland mit LangGraph und Microsoft Teams die manuelle Kandidatensichtung in vier Wochen automatisiert hat. Ein Fallbeispiel aus der Praxis.<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"rank_math_title":"KI-gest\u00fctzte Kandidatensichtung im Medtech: Ein Fallbeispiel aus Deutschland","rank_math_description":"Wie ein Medtech-Unternehmen in Deutschland mit LangGraph und Microsoft Teams die manuelle Kandidatensichtung in vier Wochen automatisiert hat. Ein Fallbeispiel aus der Praxis.","rank_math_focus_keyword":"replace manual data entry 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\/ki-kandidatensichtung-medtech-germany-langgraph\/#article\",\"@type\":\"Article\",\"author\":{\"@id\":\"https:\/\/blog.forfis.com#org\"},\"dateModified\":\"2026-10-05T23:55:22.103450603+00:00\",\"datePublished\":\"2026-10-05T23:55:22.103450603+00:00\",\"description\":\"Wie ein Medtech-Unternehmen in Deutschland mit LangGraph und Microsoft Teams die manuelle Kandidatensichtung in vier Wochen automatisiert hat. Ein Fallbeispiel aus der Praxis.\",\"headline\":\"KI-gest\u00fctzte Kandidatensichtung im Medtech: Ein Fallbeispiel aus Deutschland\",\"inLanguage\":\"en\",\"keywords\":[\"Scaling Across Departments\",\"LangChain and LangGraph\",\"Conversational Agent\",\"HR and Recruiting\",\"501-2000\",\"None\",\"AI Automation Audit\",\"Healthcare and Medtech\",\"Slack or Microsoft Teams\",\"German\",\"Replace Manual Data Entry\",\"Germany\",\"4 weeks\",\"Candidate Screening\"],\"mainEntityOfPage\":\"https:\/\/blog.forfis.com\/blog\/ki-kandidatensichtung-medtech-germany-langgraph\/\",\"publisher\":{\"@id\":\"https:\/\/blog.forfis.com#org\"}},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/ki-kandidatensichtung-medtech-germany-langgraph\/#faq\",\"@type\":\"FAQPage\",\"mainEntity\":[{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ein typischer Pilot f\u00fcr die automatische Kandidatensichtung in einem Unternehmen mit 500 bis 2.000 Mitarbeitenden dauert vier Wochen. Woche 1 dient der Prozessanalyse und Datenbereinigung, Woche 2 der Entwicklung des LangGraph-Workflows, Woche 3 der Integration in Microsoft Teams und der Schattenlaufphase, Woche 4 der produktiven Freigabe mit menschlicher Freigabe-Schleife. Diese Zeitspanne setzt voraus, dass die HR-Abteilung bereits strukturierte Stellenprofile und klare Bewertungskriterien vorliegen hat.\"},\"name\":\"Wie lange dauert ein Pilotprojekt f\u00fcr KI-gest\u00fctzte Kandidatensichtung in der Regel?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"LangChain dient als Orchestrierungsschicht f\u00fcr die Interaktion mit Sprachmodellen und Vektordatenbanken, w\u00e4hrend LangGraph die Zustandsmaschine f\u00fcr den mehrstufigen Sichtungsprozess abbildet. LangGraph ist hier entscheidend, da die Sichtung keine lineare Kette ist, sondern Verzweigungen ben\u00f6tigt: Wenn ein Lebenslauf unvollst\u00e4ndig ist, wird er zur\u00fcckgewiesen; wenn er relevant ist, wird er klassifiziert; wenn er kritisch ist, wird er an einen Recruiter eskaliert. Diese explizite Zustandskontrolle verhindert, dass das Modell in Endlosschleifen ger\u00e4t oder Schritte \u00fcberspringt, was bei reinen Chain-Ans\u00e4tzen h\u00e4ufig vorkommt.\"},\"name\":\"Warum wird LangGraph statt einer einfachen LangChain-Chain f\u00fcr die Sichtung verwendet?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Integration in Microsoft Teams erfolgt \u00fcber die Bot-API und Webhooks. Der Agent wird als direkter Chat-Partner in den HR-Channel eingebunden. Wenn ein neuer Lebenslauf im ATS (Applicant Tracking System) landet, sendet das System einen Webhook an den Agenten. Der Agent verarbeitet die Daten und postet das Ergebnis als strukturierte Nachricht in den Channel. Der Recruiter kann direkt im Chat antworten, um die Entscheidung zu best\u00e4tigen oder zu korrigieren. Diese Integration eliminiert den Kontextwechsel zwischen ATS, E-Mail und Chat-Plattform und reduziert die Reaktionszeit auf neue Bewerbungen um bis zu 60 Prozent.\"},\"name\":\"Wie funktioniert die Integration des Agents in Microsoft Teams technisch?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Nein, der Agent ersetzt nicht die menschliche Entscheidung. Er \u00fcbernimmt die Extraktion und die erste Klassifizierung. Die finale Entscheidung \u00fcber die Einladung zum Interview trifft immer ein Mensch. Der Agent markiert Kandidaten als 'Passend', 'Nicht passend' oder 'Unklar'. Nur bei 'Passend' wird der Recruiter automatisch benachrichtigt. Bei 'Unklar' wird der Fall manuell gepr\u00fcft. Diese Human-in-the-Loop-Architektur ist besonders in der Medtech-Branche wichtig, da sie die Nachvollziehbarkeit der Entscheidungen sicherstellt und rechtliche Risiken minimiert, die mit automatisierten Ablehnungen verbunden sein k\u00f6nnen.\"},\"name\":\"Ersetzt der KI-Agent die menschliche Entscheidung bei der Kandidatensichtung?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Kosten setzen sich aus drei Komponenten zusammen: Die einmalige Implementierung des Piloten, die monatliche Betriebskosten f\u00fcr die API-Nutzung der Sprachmodelle und die Wartungskosten. Bei einem Unternehmen dieser Gr\u00f6\u00dfe liegen die API-Kosten f\u00fcr die Sichtung von 500 Lebensl\u00e4ufen pro Monat typischerweise zwischen 200 und 500 Euro, abh\u00e4ngig vom verwendeten Modell und der Komplexit\u00e4t der Prompts. Die Implementierungskosten sind festpreislich kalkuliert und umfassen die Prozessanalyse, die Entwicklung und die Integration. Die Amortisation erfolgt in der Regel innerhalb von drei bis sechs Monaten durch die eingesparte Zeit der Recruiter, die diese Zeit f\u00fcr die pers\u00f6nliche Betreuung der Kandidaten nutzen k\u00f6nnen.\"},\"name\":\"Was sind die typischen Kosten f\u00fcr einen solchen KI-Piloten in der HR-Abteilung?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die h\u00e4ufigsten Stolperfallen sind unklare Bewertungskriterien, schlechte Datenqualit\u00e4t und Widerstand im Team. Wenn die HR-Abteilung nicht klar definieren kann, welche Kriterien f\u00fcr eine Rolle entscheidend sind, kann der Agent keine sinnvolle Klassifizierung vornehmen. Wenn die Lebensl\u00e4ufe in verschiedenen Formaten vorliegen und nicht standardisiert sind, sinkt die Extraktionsgenauigkeit. Wenn das Team den Agenten als Bedrohung sieht, wird er nicht akzeptiert. Die L\u00f6sung liegt in einer klaren Kommunikation: Der Agent ist ein Werkzeug, das die Recruiter von repetitiver Arbeit befreit, nicht ein Ersatz f\u00fcr sie. Eine schrittweise Einf\u00fchrung mit Schulungen und regelm\u00e4\u00dfigen Feedback-Schleifen ist entscheidend f\u00fcr den Erfolg.\"},\"name\":\"Welche Stolperfallen sind bei der Einf\u00fchrung von KI in der HR-Abteilung am h\u00e4ufigsten?\"}]},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/ki-kandidatensichtung-medtech-germany-langgraph\/#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\/ki-kandidatensichtung-medtech-germany-langgraph\/\",\"name\":\"KI-gest\u00fctzte Kandidatensichtung im Medtech: Ein Fallbeispiel aus Deutschland\",\"position\":3}]},{\"@id\":\"https:\/\/blog.forfis.com#org\",\"@type\":\"Organization\",\"name\":\"Forfis\",\"url\":\"https:\/\/blog.forfis.com\"}]}","geo_content_hash":"d501a749161a12a231f1eef4125154729f27d4f78dbb3d5ff60cd906be81b72d","footnotes":""},"categories":[45],"tags":[71,27,73],"class_list":["post-335","post","type-post","status-publish","format-standard","hentry","category-healthcare-and-medtech","tag-candidate-screening","tag-germany","tag-replace-manual-data-entry"],"_links":{"self":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/335","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=335"}],"version-history":[{"count":0,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/335\/revisions"}],"wp:attachment":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/media?parent=335"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/categories?post=335"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/tags?post=335"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}