KI im Recruiting: Wenn Automatisierung die Eignungsprüfung erschwert

zuletzt aktualisiert 8. Juli 2026

Künstliche Intelligenz soll dazu beitragen, das Recruiting schneller machen. Doch je stärker Stellenanzeigen, Lebensläufe, Screenings und Interviewantworten durch generative Systeme geprägt werden, desto schwieriger wird die zentrale Frage der Personalauswahl: Was sagt eine Bewerbung noch zuverlässig über die tatsächliche Eignung aus?
Diese Frage gewinnt an Bedeutung, weil KI im Recruiting längst nicht mehr nur ein einzelnes Tool im Hintergrund ist. Generative Systeme können Stellenanzeigen formulieren, Lebensläufe optimieren, Anschreiben erstellen, Kandidatenprofile auswerten, Interviewfragen vorbereiten oder Bewerbende bei Antworten unterstützen. Was als Effizienzgewinn beginnt, kann dadurch zu einem Problem für die Informationsqualität werden.
In einem Beitrag in der Harvard Business Review warnen Matthias Holweg von der University of Oxford und Thomas H. Davenport vom Babson College vor „Knowledge Decay“, also einem schleichenden Verfall von Wissensqualität, wenn KI-generierte Inhalte ohne ausreichende Prüfung in Geschäftsprozessen weiterverarbeitet werden. Für HR kann dieser Umstand relevant sein, weil Recruiting auf belastbaren Informationen, überprüfbaren Signalen und Vertrauen zwischen Unternehmen und Bewerbenden beruht.

Inhaltsverzeichnis

• Wenn KI nicht nur Arbeitsschritte verändert, sondern den gesamten Prozess
• Was „Knowledge Decay“ im Bewerbungsprozess bedeutet
• Drei Risiken für HR-Entscheidungen
  • Verifikation: Wenn Kontrolle den Effizienzgewinn aufzehrt
  • Validierung: Wer hat die Leistung tatsächlich erbracht?
  • Entropie: Wenn Informationen mit jedem KI-Schritt unschärfer werden
• Strukturierte Informationen statt KI-optimierter Freitexte
• Was HR-Abteilungen jetzt konkret prüfen sollten
• Fairness, Transparenz und Compliance gehören zur Prozessqualität
• KI im Recruiting sinnvoll nutzen
• Fazit: Gute Personalauswahl braucht belastbare Informationen
• FAQ zu KI im Recruiting und Knowledge Decay

Wenn KI nicht nur Arbeitsschritte verändert, sondern den gesamten Prozess

Im Recruiting wird KI häufig anhand einzelner Prozessschritte bewertet. Erstellt ein Tool schneller Stellenanzeigen? Sortiert ein System Bewerbungen effizienter vor? Spart ein Chatbot Zeit in der Kommunikation mit Kandidatinnen und Kandidaten? Diese Fragen sind naheliegend, greifen aber zu kurz.

Entscheidend ist, ob der gesamte Auswahlprozess am Ende bessere, belastbarere und fairere Entscheidungen ermöglicht. Genau hier liegt das Risiko: Wenn KI an mehreren Stellen eingesetzt wird, können sich Ungenauigkeiten, Standardisierungen und taktische Optimierungen gegenseitig verstärken.

Ein Beispiel: Eine Führungskraft beschreibt eine Vakanz nur grob. Eine KI erstellt daraus eine professionell klingende Stellenanzeige. Bewerbende nutzen wiederum KI, um ihren Lebenslauf exakt auf diese Anzeige zuzuschneiden. Anschließend bewertet ein Screening-System die Unterlagen nach Passungssignalen. Im Interview sind Antworten sprachlich vorbereitet oder durch KI-Tools beeinflusst. Am Ende bewertet HR nicht mehr nur Erfahrung, Motivation und Kompetenz, sondern auch die Fähigkeit aller Beteiligten, KI-Systeme strategisch zu nutzen.

Holweg und Davenport beschreiben diese Entwicklung als Teil einer breiteren „Slopification“ von Prozessen. Damit meinen sie, dass KI-generierte Arbeitsergebnisse zwar überzeugend aussehen können, aber fachlich an Substanz verlieren, wenn sie nicht ausreichend geprüft werden. Geschieht dies entlang einer Prozesskette, leidet nicht nur ein einzelnes Dokument, sondern die Verlässlichkeit des gesamten Verfahrens.

Was „Knowledge Decay“ im Bewerbungsprozess bedeutet

Im Recruiting lässt sich „Knowledge Decay“ als schleichender Verlust an Aussagekraft verstehen. Bewerbungsinformationen werden glatter, generischer und schwerer überprüfbar. Damit sinkt ihr Wert als Entscheidungsgrundlage.

Lebensläufe können sprachlich konsistenter wirken, ohne die tatsächliche Erfahrung präziser abzubilden. Anschreiben können individuell erscheinen, obwohl sie auf austauschbaren KI-Vorlagen beruhen. Schriftliche Case Studies können überzeugend formuliert sein, ohne eindeutig zu zeigen, welche analytische Leistung von der Kandidatin oder dem Kandidaten selbst stammt. Auch Interviewantworten können reflektiert und strukturiert klingen, ohne dass klar ist, wie spontan, authentisch oder eigenständig sie sind.

Das Problem liegt nicht darin, dass KI-Nutzung grundsätzlich unzulässig oder unprofessionell wäre. In vielen Rollen gehört der kompetente Einsatz digitaler Werkzeuge längst zur Arbeitsrealität. Problematisch wird KI dort, wo sie fachliche Substanz ersetzt, ohne dass dies im Auswahlprozess erkennbar ist. Dann verliert das Verfahren an diagnostischer Qualität.

Drei Risiken für HR-Entscheidungen

Verifikation: Wenn Kontrolle den Effizienzgewinn aufzehrt

Das erste Risiko betrifft die Verifikation. KI-generierte oder KI-optimierte Inhalte müssen daraufhin geprüft werden, ob sie korrekt, vollständig und belastbar sind. Diese Prüfung kostet Zeit. Sie erfordert Nachfragen, zusätzliche Nachweise, fachliches Urteilsvermögen und häufig persönliche Gespräche.

Im Recruiting kann dies dazu führen, dass Kandidatinnen und Kandidaten aufgrund stark optimierter Unterlagen in automatisierten Rankings weit oben erscheinen, obwohl ihre tatsächliche Passung geringer ist. HR-Teams müssen dann mehr Zeit in Interviews, Referenzprüfungen oder Arbeitsproben investieren, um die ursprüngliche Vorauswahl zu korrigieren. Der Effizienzgewinn des Screenings wird dadurch teilweise wieder aufgezehrt. Holweg und Davenport weisen genau auf dieses Spannungsfeld hin: Je stärker KI Inhalte erzeugt oder verändert, desto aufwendiger kann es werden, die zugrunde liegende Realität zu prüfen.

Für HR bedeutet das: Ein schnellerer Prozess ist nicht automatisch ein besserer Prozess. Wenn mehr ungeeignete Kandidatinnen und Kandidaten in spätere Auswahlrunden gelangen oder wenn zusätzliche Prüfmechanismen erforderlich werden, verschiebt sich der Aufwand lediglich.

Validierung: Wer hat die Leistung tatsächlich erbracht?

Das zweite Risiko betrifft die Validierung menschlicher Leistung. Bei Bewerbungsunterlagen, Testaufgaben, Präsentationen oder Fallstudien stellt sich zunehmend die Frage, welcher Anteil des Ergebnisses tatsächlich von der Person stammt und welcher Anteil durch KI erzeugt, strukturiert oder sprachlich optimiert wurde.

Das ist besonders relevant, wenn ein Auswahlverfahren bestimmte Fähigkeiten messen soll. Eine schriftliche Analyse soll analytisches Denken zeigen. Eine Präsentation soll Strukturierungs- und Kommunikationsfähigkeit sichtbar machen. Eine Fallstudie soll Problemlösungskompetenz prüfen. Wenn KI diese Leistungen wesentlich beeinflusst, muss HR klären, was tatsächlich bewertet wird.

Die Konsequenz ist nicht zwingend ein KI-Verbot. Vielmehr müssen Auswahlverfahren präziser definieren, welche Kompetenz sie messen sollen. Soll geprüft werden, ob jemand ein Problem eigenständig analysieren kann? Oder geht es gerade darum, wie professionell jemand KI als Arbeitsmittel nutzt? Beide Ziele können legitim sein. Sie dürfen aber nicht verwechselt werden.

Entropie: Wenn Informationen mit jedem KI-Schritt unschärfer werden

Das dritte Risiko nennen Holweg und Davenport „Knowledge Entropy“. Gemeint ist eine schrittweise Entfernung von Informationen von ihrer ursprünglichen Grundlage. Wenn Inhalte mehrfach durch KI-Systeme formuliert, zusammengefasst, bewertet oder umgeschrieben werden, können sie sich mit jeder Verarbeitung weiter von der Ausgangsinformation entfernen. Die Autoren vergleichen dies mit einer riskanten KI-Variante von „Stille Post“.

Im Recruiting ist diese Entropie besonders problematisch, weil viele Informationen ohnehin indirekt sind. Ein Lebenslauf ist keine Leistung, sondern eine Darstellung von Leistung. Ein Anschreiben ist kein Motivationsnachweis, sondern eine formulierte Selbstauskunft. Ein Interview ist keine vollständige Arbeitsprobe, sondern eine Momentaufnahme. Wenn diese Signale zusätzlich durch mehrere KI-Schichten laufen, sinkt ihre Aussagekraft weiter.

Strukturierte Informationen statt KI-optimierter Freitexte

Ein zentraler Ansatz besteht darin, nicht allein die Nutzung von KI kontrollieren zu wollen, sondern die Form der erhobenen Informationen zu verändern. Holweg und Davenport empfehlen, dort stärker auf strukturierte, überprüfbare Angaben zu setzen, wo offene Formate besonders leicht KI-optimiert werden können.

Für das Recruiting bedeutet das: Unternehmen sollten nicht ausschließlich frei gestaltete Lebensläufe, Anschreiben oder generische Motivationsfragen bewerten. Belastbarer können strukturierte Eingabefelder, rollenbezogene Fragebögen und konkrete Nachweise sein.

Bei Projektleitung könnten Unternehmen etwa nicht nur nach „Führungserfahrung“ fragen, sondern nach konkreten Projekten, Rolle im Projekt, Budgetrahmen, Teamgröße, Stakeholdern, eingesetzten Methoden, erzielten Ergebnissen und überprüfbaren Verantwortlichkeiten. Bei Vertriebsrollen können Angaben zu Kundensegmenten, Deal-Größen, Zykluslängen oder Marktverantwortung relevant sein. Bei technischen Rollen sind konkrete Systemumgebungen, Programmiersprachen, Architekturentscheidungen oder dokumentierte Beiträge oft aussagekräftiger als allgemein formulierte Kompetenzprofile.

Solche Angaben sind nicht manipulationssicher. Sie sind aber spezifischer, vergleichbarer und leichter im Interview oder durch Referenzen zu überprüfen. Zugleich zwingen sie Unternehmen dazu, die Anforderungen einer Rolle klarer zu definieren.

Was HR-Abteilungen jetzt konkret prüfen sollten

Für HR liegt die wichtigste Aufgabe in einer Prozessanalyse. Nicht jedes KI-Tool ist problematisch, und nicht jeder KI-Einsatz führt zu schlechteren Entscheidungen. Entscheidend ist, wo KI die Informationsqualität verbessert und wo sie neue Unsicherheit erzeugt.

HR-Abteilungen sollten vor allem prüfen:

• Welche KI-Systeme beeinflussen Stellenanzeigen, Vorauswahl, Ranking, Kommunikation oder Interviewvorbereitung?
• Welche Bewerbungsangaben sind tatsächlich verifizierbar?
• Welche Auswahlformate messen eigenständige Leistung, und welche erlauben bewusst KI-Unterstützung?
• Wo entstehen durch KI zusätzliche Prüfaufwände?
• Welche Entscheidungen trifft ein System, und wo bleibt die menschliche Verantwortung dokumentiert?
• Welche Daten gelten im Prozess als belastbare Ausgangsinformation?
• Wie werden Fairness, Transparenz und Nachvollziehbarkeit gesichert?

Diese Fragen sind nicht nur operativ, sondern auch governance-relevant. Unternehmen sollten klar festlegen, an welchen Stellen KI unterstützend eingesetzt werden darf, welche Ergebnisse überprüft werden müssen und welche Entscheidungen nicht allein automatisiert erfolgen sollten.

Fairness, Transparenz und Compliance gehören zur Prozessqualität

Die Debatte über KI im Recruiting ist nicht nur eine Effizienzfrage. Sie betrifft auch Fairness, Transparenz und rechtliche Sorgfalt. Automatisierte Vorauswahl kann bestehende Verzerrungen verstärken, wenn Trainingsdaten, Bewertungskriterien oder Proxy-Variablen problematische Muster enthalten. Auch Bewerbende müssen nachvollziehen können, welche Informationen für ihre Bewertung relevant sind und wie Auswahlentscheidungen zustande kommen.

Für HR bedeutet das: KI-Governance darf nicht erst bei technischen Systemen beginnen. Sie muss bereits bei der Definition von Anforderungen, Kriterien und Prüfverfahren ansetzen. Eine unklare Stellenanforderung führt auch mit KI nicht zu einer besseren Auswahl. Ein intransparenter Screening-Prozess wird durch Automatisierung nicht fairer. Und ein Assessment, das nicht klar zwischen menschlicher Leistung und Tool-Unterstützung unterscheidet, bleibt diagnostisch schwach.

Deshalb sollten Unternehmen Auswahlprozesse nicht nur auf Geschwindigkeit, sondern auch auf Nachvollziehbarkeit, Diskriminierungsrisiken und Dokumentationsfähigkeit prüfen. Gerade im Recruiting ist Vertrauen ein zentraler Bestandteil der Candidate Experience.

KI im Recruiting sinnvoll nutzen

Eine kritische Prozessperspektive bedeutet nicht, KI aus dem Recruiting zu verbannen. Generative KI kann HR sinnvoll unterstützen, etwa bei der Strukturierung von Anforderungsprofilen, der Vorbereitung konsistenter Interviewleitfäden, der sprachlichen Verbesserung von Kommunikation oder der administrativen Entlastung bei großen Bewerbervolumina.

Der Nutzen hängt jedoch vom Einsatzkontext ab. KI ist besonders hilfreich, wenn sie Informationen ordnet, Routinetätigkeiten unterstützt oder Transparenz erhöht. Sie wird problematisch, wenn sie unklare Anforderungen kaschiert, Bewerbungsinformationen glättet oder Auswahlentscheidungen scheinbar objektiv macht, ohne dass die zugrunde liegenden Kriterien belastbar sind.

Die zentrale Leitfrage lautet daher nicht: Kann KI diesen Schritt übernehmen? Sondern: Wird der Recruiting-Prozess dadurch verlässlicher?

Fazit: Gute Personalauswahl braucht belastbare Informationen

Generative KI verändert das Recruiting grundlegend. Sie kann Prozesse beschleunigen, Inhalte standardisieren und administrative Arbeit reduzieren. Gleichzeitig kann sie dazu führen, dass Bewerbungsinformationen an Aussagekraft verlieren, Auswahlentscheidungen stärker auf optimierten Darstellungen beruhen und HR-Teams mehr Aufwand in die Überprüfung investieren müssen.

Der entscheidende Punkt ist deshalb nicht, ob KI im Recruiting eingesetzt wird. Entscheidend ist, wie Unternehmen die Qualität der Informationen entlang des Bewerbungsprozesses sichern. Wer nur auf einzelne Effizienzgewinne schaut, übersieht möglicherweise höhere Prüfkosten, sinkendes Vertrauen und eine schwächere Entscheidungsgrundlage.

Für HR bedeutet das: KI-Governance im Recruiting sollte beim Prozessdesign beginnen. Unternehmen müssen klären, welche Informationen sie wirklich benötigen, wie diese überprüft werden, welche Rolle KI übernehmen darf und wo menschliche Beurteilung unverzichtbar bleibt. Nur dann kann KI unterstützen, ohne die Grundlage guter Personalentscheidungen zu untergraben.

FAQ zu KI im Recruiting und Knowledge Decay