KI im Recruiting: Was in jeder Phase des Prozesses funktioniert und was nicht

Jan: Der Case hat bewiesen, dass er funktioniert.

Einen echten Boost gibt es, wenn man das KI-System mit einem konsequent eigenen Wording ausstattet. Damit umschifft man die Gefahr, dass sich die Anzeigen am Ende von allen Unternehmen gleich lesen. Das ist das alte Problem auf einem neuen Level. Vor 15 Jahren, als das mit Employer Branding losging, waren die Anzeigen auch schon ähnlich. Jetzt werden sie automatisiert ähnlich. Wenn ich das vermeiden will, muss ich der KI meine eigene Sprache als Kontext mitgeben.

Alex: Stellenanzeigen haben sich immer geähnelt. Das ist keine Textart, die viel Originalität zulässt, und wenn man versucht, originell zu sein, geht es meistens nach hinten los. Großes SEO mit Stellenanzeigen können die meisten Unternehmen vergessen, sie haben dafür einfach nicht genug Anzeigen.

Was ich glaube: Wir nutzen KI jetzt, um Stellenanzeigen schneller zu schreiben. Aber jetzt, wo man gelernt hat, Dinge sehr schnell und austauschbar zu machen, wird man im nächsten Schritt wieder lernen, einen Schritt zurückzugehen und das Produzierte zu kontrollieren. Vielleicht mit der KI festzustellen, dass sich das alles gleich anhört, und sich dann von der KI vorschreiben zu lassen, dass man diese Anzeigen so nicht rauslassen darf, weil in jedem Block irgendwas Originelles auftauchen muss.

Jan: Zum SEO-Thema: SEO bei Stellenanzeigen heißt de facto, dass ich einen anständigen Jobtitel mache. Und wenn man seinen Jobtitel von KI checken lässt, muss man sich klarmachen, dass die im Normalfall nicht die Datengrundlage hat, um solide Aussagen über die Auffindbarkeit von Titeln zu treffen. Da sollte man nicht drauf reinfallen. Was auch der Grund ist, warum es Spezial­lösungen wie unseren Jobtitle Quality Index gibt.

Alex: Ich habe seit ein paar Tagen eine Idee, wie SEO im Fall von Stellenanzeigen in Zukunft doch funktionieren könnte und wie man der Anzeige mehr Individualität verleiht. Stellenanzeigen bauen auf einer standardisierten Beschreibung der verlangten Skills auf. Sobald man dazu übergehen würde, die konkrete Arbeitsbeschreibung aufzunehmen, also Beispielprojekte, hättest du auf einmal Raum für mehr Individualität. In der Anzeige steht dann nicht mehr nur, dass du Softwareentwickler bist. Sondern dass das letzte Projekt deiner Kollegen ein Spiel war, eine B2B-Anwendung oder eine Steuerungseinheit für einen Mercedes.

Die KI soll das nicht schreiben. Aber sie könnte dir sagen: Wenn du dir Mühe machst, holen wir aus dem Jira-System die aktuellsten Projekte und formulieren daraus einen Dreizeiler, der zusätzlich zur Aufgabenbeschreibung reinkommt.

Jan: Das ist im Prinzip das, was es früher auch schon gab. Dass man bei den spannenden Stellen die Teamleitung oder Kollegen im Video zu Wort kommen lässt, die sagen, an welchen Projekten gearbeitet wird, und dass man das zum Purpose des Unternehmens in Kontext setzt. Also: Wir programmieren Anwendungen, die die Energiewende möglich machen.

Nur im Kontext von KI muss man sich klarmachen, dass man alles, was wir über Employer Branding und gute Anzeigen gelernt haben, der KI erst mal mitgeben muss. Weil die auf Basis von sehr generischen Informationen aus dem Internet arbeitet und dadurch das Besondere wieder hinten runterfällt.

Alex: Das Gute bei diesem Artikel ist, dass es eine Momentaufnahme ist. Wir können unsere Aussagen alle sechs Monate ändern.

KI bei der Auswertung der Ergebnisse, wenn man Zugang zu Daten hat: auf jeden Fall. Aber die Real-Time-Ausspielung, wo geguckt wird, welche Zielgruppe gerade wo ist, kannst du mit DSGVO, Cookie-Problematik, schlechten Analytics-Daten und Bot-Traffic vergessen. Beworben wird sie weiter. Ich halte das nur für Marketing, technologisch ist es sehr fragwürdig. Und ehrlich gesagt war schon Programmatic Job Advertising nicht immer hundertprozentig transparent.

Jan: Das Problem ist, dass in der Branche häufig die Marketing-Hintergrundkenntnisse fehlen, um die Targeting-Optionen zu bewerten. Den wenigsten ist klar, dass ich bei Bannerwerbung und in Social Media im Grunde auf E-Commerce-Kategorien unterwegs bin. Für White-Collar-Jobs, vor allem im Engpassbereich, habe ich damit überhaupt keine tollen Targeting-Möglichkeiten. Ausnahme ist Retargeting, also banal an Leute auszuspielen, die schon mal auf meiner Karriereseite waren. Sonst funktioniert das nur bei Massenberufen, und auch da nur mit sauberen Analytics im Hintergrund.

Alex: Beschleunigt auf jeden Fall. Sinnvoll ist, Teile des Arbeitsprozesses von der KI machen zu lassen: Suchketten, Keywords, eine engere Vorauswahl aus Ergebnislisten. Bei der Kommunikation geht das sicherlich auch automatisiert, das kommt auf das Profil an. Und darauf, wie viel Mühe man sich mit dem macht, was man der KI mitgibt. Kommunikation mit KI kann von A bis Z sehr einheitlich und generisch sein. Sie kann aber auch intelligenter gestaltet werden.

Jan: Bei Ansprachen über KI ist es genauso wie bei menschlichen Ansprachen. Ich muss mir Mühe geben. Erfahrene Sourcer arbeiten mit Templates, die an bestimmten Stellen Individualisierung zulassen oder auf persönliche Merkmale der Kandidatin eingehen. Das Gleiche könnte man einer KI beibringen. Am Ende geht es um Bewertungskompetenz: dass ich den Output im Kontext eines konkreten Profils bewerten und sagen kann, war das jetzt gut oder ist das zu sehr Schema F. Die Maschinen sollen uns zuarbeiten und uns nicht ablösen.

Ich glaube, dass Active Sourcing durch die Beschleunigung für mehr Unternehmen möglich wird. Das ist ein großer Vorteil, solange wir nicht in die Falle tapsen, es durch Automatisierung wieder dahin zu bringen, wo es schon mal war: dass alle totgespamt werden und hinterher keiner mehr diese Nachrichten aufmacht.

Alex: Oder dass sie mit anderen KI-Anwendungen bearbeitet werden.

Jan: Du meinst, wenn der Bot des Kandidaten mit dem Bot des Unternehmens verhandelt. Mal sehen. Die ersten Nachrichten sind ja nur die oberste Ebene im Kontakt-Funnel, ein bisschen gleichbedeutend mit der Anzeige im Personalmarketing. Wenn die Kandidatin nach der Erstreaktion sofort einen Menschen da hat, der den Dialog zu einem echten Dialog werden lässt, dann funktioniert es. Wenn man anfängt, das zu benutzen wie diese Chatbot-Logiken im Blue-Collar-Bereich, wo ich über drei Fragen Schichtbereitschaft und Führerschein abklopfe, dann bleibt es relativ generisch. Man muss verstehen, in welchem Bereich man unterwegs ist.

Alex: Oder weniger Recruiter können mehr machen.

Jan: Das wäre die logische Konsequenz. Vielleicht aber auch einfach besser. Wenn ich meinen Funnel sauber analysiere, und das machen Active Sourcer häufiger als Recruiter, dann lerne ich vielleicht auch mehr daraus. Sourcing ist bei allem Zuschnitt auf Kandidaten trotzdem auch ein Numbers Game. Wenn auf LinkedIn 17 Prozent auf KI-Nachrichten antworten, dann habe ich eben auch über 80 Prozent, die es nicht tun.

Jan: Da geht inzwischen echt eine ganze Menge, vor allem wenn die KI den Kontext und den richtigen Input hat. Das eine ist CV-Parsing für den Bewerbungseingang, um die Daten automatisiert zu übertragen. Zunehmend kann ich auch ganze PDFs reinladen und mir die Dokumente analysieren lassen. Der größere Vorteil ist aber: Wenn die KI direkt am ATS hängt, kennt sie die Ausschreibung mit ihren Must-Haves und Nice-to-Haves und kann die Punkt für Punkt abprüfen.

Der Punkt ist, dass die KI keine Entscheidungen trifft, sondern beim Screening hilft, beim Abgleich von Kompetenzen mit einem Ausgangsprofil. Ob das trägt, hängt vor allem daran, wie gut die KI ist und ob sie dabei halluziniert. Die ersten Sachen, die ich gesehen habe, funktionieren ganz gut und geben gerade bei hohem Bewerbungseingang eine Prioritätsliste, auf der ich dann arbeiten kann. Solange keine Entscheidungen getroffen werden, sehe ich da kein Problem.

Wichtig ist die Accountability. Die KI darf nicht nur sagen, ein Kriterium trifft zu oder trifft nicht zu, sondern muss begründen können, warum es nicht zutrifft. Dann hat der Recruiter einen Anhaltspunkt, um den Algorithmus zu kontrollieren.

Alex: Was ich beitragen könnte, ist das Ganze auf die philosophische Ebene zu heben. Ich kann nicht begreifen, wie man davon ausgehen kann, dass ein menschlicher Recruiter ohne Bias entscheidet, und warum er nicht belegen muss, wie er zu seiner Entscheidung kommt. Ich bin ein starker Verfechter der These, dass ein menschlicher Recruiter an zwei verschiedenen Tagen eine unterschiedlich wirkende Herleitung formulieren würde, wenn er nicht mehr wüsste, wie er letzte Woche argumentiert hat.

Nach meiner Auffassung kann auch ein Mensch halluzinieren. Nur nimmt er das nicht so wahr, sondern als Menschlichkeit. Während wir seltsamerweise von KI-Modellen erwarten, dass sie absolut exakte und nachvollziehbare Ergebnisse produzieren, die dann aber trotzdem von Menschen bewertet werden, die wieder Bias in das ganze System reinbringen.

Jan: Im Grunde ist es einfach. Wenn du dich nach Lehrbuch verhältst, hast du für jede Stelle eine klare Liste an Skills und Kompetenzen, die du auf Basis vorher festgelegter Kriterien bewertest. Und dann legst du die Kandidaten nebeneinander. Das ist der ganze Screening-Teil, und da sehe ich noch gar kein Problem.

Schwieriger ist es hinterher bei der Auswahl, wenn du wirklich Interviews führst. Da entsteht oft Bias, weil an zwei unterschiedlichen Tagen oder mit zwei unterschiedlichen Personen unterschiedliche Interviews geführt werden, weil es keine standardisierten Interviews gibt. Auch hier könnte ein KI-basiertes Screening-Interview, das sich an einen festen Fragebogen hält und dann noch Klärungsfragen zum CV stellt, eine bessere Datengrundlage geben. In dem Moment, wo man sich davon verabschiedet, dass die Systeme eine Entscheidung liefern, und sie stattdessen Informationen beschaffen und sortieren, wird das funktionieren.

Alex: Ich denke, die KI ist jetzt schon weniger gebiased als ein Mensch. Das Problem ist der fehlende Kontext. Der kann dazu führen, dass eine Entscheidung gebiast aussieht, oder dass der Bias anders ausfällt als der, der in einem bestimmten Unternehmen akzeptiert oder sogar erwünscht ist. Zum Beispiel: Wir wollen mehr von einer bestimmten Gruppe einstellen, aus welchen Gründen auch immer. Wenn die KI das nicht weiß und die im Unternehmen favorisierte Gruppe nicht bevorzugt, weil sie eigentlich gar nicht diskriminiert, dann heißt es plötzlich, die KI mache es falsch. Diese Diskussion wird uns eine Weile begleiten.

Jan: Du kriegst auch ein ganz anderes Problem. Früher, als man viele Bewerbungen hatte, hat man sie den Praktikanten und Werkstudenten hingeschoben und die quasi als verlängerten Arm benutzt, so wie jetzt die KI. Und denen hat man auch gesagt: Sortier alle aus, die dies oder jenes nicht erfüllen. Dann war man an die individuelle Bewertungskompetenz dieser Personen gebunden.

Jetzt delegieren wir an KI. Und bei vielen Tools, die gerade hochpoppen, fängt das Fehlerpotenzial schon damit an, dass ich als Recruiter die Prompts selber reinschreibe. Wenn ich schlecht prompte, mit ungenauen Kriterien und schwammigen Aufgaben, kommt hinten genau das wieder raus. Das Thema wird am Ende sehr menschlich bleiben, mit allen Fehlern, die Menschen so machen.

Alex: Bewerberkommunikation ganz oben im Funnel, also vor der eigentlichen Bewerbung, da bin ich ein großer Freund von. Ich glaube, dass das mehr genutzt wird, als es jetzt der Fall ist. Je besser die KI, desto besser diese Anwendung, und die Akzeptanz der Menschen wird mit der Zeit steigen. Da sehe ich überhaupt keine andere Möglichkeit.

Das Thema Absagen kommt wiederum auf den Bereich an. Ich glaube, es ist besser, überhaupt irgendwas zu bekommen als gar nichts. Einem Kandidaten, der für eine CEO-Stelle in Frage kommt, würde ich persönlich absagen. Bei tausenden Bewerbern auf eine Paketzustellerstelle würde ich auf maschinelle Lösungen zurückgreifen, eben damit da überhaupt etwas zurückkommt.

Jan: Das Wort vollautomatisch ist hier schwierig, weil du rein über KI nicht ohne weiteres vollautomatisch absagen darfst. Es geht darum, dass über einen Algorithmus vorsortiert wurde, das wird noch mal vom Recruiter gecheckt, und dann habe ich keine vollautomatische, sondern eine Bulk-Absage.

Die meisten Absagen sind auch deshalb generisch, weil die Unternehmen Angst haben, wegen AGG-Verstößen angeklagt zu werden. Deswegen gibt es diese PR-Kommunikation. Ich hätte umgekehrt jetzt eine tolle neue Chance, das zu verbessern. Wenn ich einen sauberen Screening-Algorithmus habe, der abbildet, dass die Stelle mindestens drei oder fünf Jahre Erfahrung verlangt und da jemand ist, der die nicht hat, dann kann man den Leuten auf dieser Basis auch bei Bulk-Absagen ein sinnvolles Feedback geben. Aber da wird man sich langsam rantasten müssen, und das wird stark von der Datenqualität abhängen.

Und um den Bogen zum CEO-Beispiel zu kriegen: Je individueller ich automatisiert kommunizieren kann, desto höher wird die Bedeutung von wirklich zwischenmenschlicher Kommunikation, auch im Sinne von Wertschätzung. Dieses „Ich nehme mir jetzt eine Viertelstunde Zeit, um deine Absage mit dir zu besprechen“, das wird viel mehr wert sein, wenn alles andere sehr steril und automatisiert ohne echten menschlichen Kontakt stattfindet.

Alex:

Ich persönlich habe überhaupt nichts dagegen und würde mich aus dem Fenster lehnen: Ob es manchen gefällt oder nicht, das wird zunehmen. Es ist einfach super praktisch. Ich könnte das Vorstellungsgespräch innerhalb eines abgesteckten Zeitraums dann machen, wann es mir passt. Ich müsste nicht aus dem Auto vor dem Kindergarten mit einem Recruiter sprechen, der gerade Zeit hat, sondern könnte abends ran, wenn die Kinder schlafen. Dazu kommt die globale Ebene. Ich bewerbe mich remote bei einem Unternehmen in Asien, da haben wir ganz andere Zeiten. Rein logistisch hat das extrem viele Vorteile.

Zum Verbot von Behavioural Analytics muss ich ganz ehrlich sagen: Das halte ich für Quatsch. Ich glaube, das wird trotzdem kommen. Je besser die KI, desto mehr Signale wird sie erkennen. Ich denke an die frühen Zweitausender zurück, da war jeder ein Experte für Körpersprache. Diese unzähligen Bücher, in denen stand, dass jemand mit vor der Brust verschränkten Armen nicht geeignet ist. Alle Berufsanfänger im Recruiting haben das gelesen und dachten, sie könnten psychologische Profile von Bewerbern erstellen. Beim Menschen war das nicht verboten und ist heute wahrscheinlich noch gang und gäbe. Jeder sucht nach dem Gespräch nach Signalen, die seine Voreingenommenheit bestätigen. Aber im Moment sind wir in einer Phase, wo man denkt, oh Gott, ganz schlimm, wenn die KI Verhaltensmuster analysiert. Mein Take: Wir müssen ein paar Verfahren in der EU abwarten, dann legt sich das.

Und noch zum Thema Effektivität: Wir werden immer weniger Recruiter haben, allein aus demografischen Gründen. In allen Berufszweigen stehen weniger Leute zur Verfügung, und die müssen in der gleichen Zeit mehr leisten. Also muss man große Teile des Prozesses automatisieren. Das ist unausweichlich.

Jan: Ich glaube tatsächlich, dass sich beim Thema Behavioural Analytics erst mal nichts tun wird. Das wird verboten bleiben. Das spielt aus meiner Sicht aber auch keine Rolle, weil es um etwas anderes geht: dass man bei begrenzten Öffnungszeiten und begrenzten Kapazitäten einen höheren Durchsatz ermöglicht. Ich kann 24 Stunden kurze Screening-Interviews machen. Und das nicht nur über einen Chatbot mit einfachem Frage-Antwort, sondern so, dass das System zusätzlich zu den hinterlegten Standardfragen individuelle Rückfragen zu den Stationen stellen kann und damit eine bessere Basis für den Recruiter liefert. Dadurch kriegen wir größere Mengen gehandelt und Zyklen verkürzt. Dazu das ganze Thema Terminbuchung, das häufig eine der größten Hürden dafür ist, dass Bewerbungsgespräche überhaupt zustande kommen.

Da ist aus meiner Sicht der größere Hebel. Ob jemand Behavioural Analytics macht oder nicht, mit Blick auf Tagesform und Beleuchtung: Ich glaube, das ist am Ende gar nicht das, was Unternehmen weiterbringt. Sondern die Bewältigung von Masse bei gleichzeitiger Konkretisierung der Tiefe.

Alex: Wenn es generell um die Frage geht, ob KI im Entscheidungsprozess Sinn macht, würde ich sagen: Es kommt darauf an. Wenn man KI unaufgeregt als eine Komponente betrachtet, die an verschiedenen Stellen eingesetzt werden kann, muss jedes Unternehmen herausfinden, was für dieses Unternehmen am besten funktioniert. Das ist genauso wie unsere eigene Erfahrung mit dem Recruiting: Wo tauchen die Geschäftsführer auf, oben oder unten im Funnel? Darf jemand ohne Recruiting-Erfahrung bei der Einstellungsentscheidung mitreden? Es gibt da keine goldene Regel.

Ich kann mir vorstellen, dass Unternehmen, die offen sind, sich trauen werden, die KI zumindest mit an den Tisch zu setzen. Ich kann mir Verfahren vorstellen, wo erst Menschen entscheiden, ohne zu wissen, was die KI sagen würde. Dann befragt man die KI, folgt ihrer Entscheidung aber nicht, notiert nur, wie sie entschieden hätte und warum. Das betrachtet man eine Weile und lernt dann zu verstehen, ob man mit den eigenen menschlichen Entscheidungen langfristig besser fährt, oder ob die KI zum Beispiel bei Absagen besser ist. Und dann kann man im weiteren Verlauf entscheiden, ob man der KI größere Entscheidungsanteile überträgt.

Jan: Die Ausgangslage ist ja: In mindestens der Hälfte der Fälle, wahrscheinlich eher in drei Vierteln und mehr, treffen Hiring Manager die Einstellungsentscheidung, die selbst überhaupt kein Interview-Training haben. Der größte Hebel am Anfang dürfte also das strukturierte Interview sein. Mit KI bekomme ich das auch für eine große Anzahl von Stellen vorbereitet und kann es danach noch abstimmen.

Der zweite Punkt: Ich nutze die KI, um zu protokollieren, was im Gespräch überhaupt stattfindet. Aktuell passiert das bestenfalls in Stichworten. Stattdessen ziehe ich mir ein komplettes Transkript und lasse es auf die Kriterien auswerten, die ich vorher festgelegt habe. Dann bekomme ich auch das Feedback, dass eine Frage zwar gestellt wurde, die Antwort aber woandershin ging. Oder dass ich die Frage gar nicht sauber gestellt habe. Das passiert ständig, wenn man ein strukturiertes Interview führt und trotzdem einen Gesprächsfluss halten will: Die Frage wird unpräzise, und die Antwort wandert mit.

Diese menschlichen Schwächen könnte die KI aufdecken, und ich bekomme eine bessere Auswertung und mehr Vergleichbarkeit. Das heißt nicht, dass die KI entscheidet, sondern dass sie beim Reflektieren hilft. Die Entscheidung trifft am Ende immer der Mensch, gerade wegen Sympathie und Teamfit. Die werden wir nie zu hundert Prozent standardisieren können. Cultural Fit hat durchaus Tools hervorgebracht, durchgesetzt hat sich in der Fläche aber keines, weil die Sache am Ende sehr individuell ist und sich digital nicht vorwegnehmen lässt. Dafür müssen die Menschen sich erst mal beschnüffeln, im wahrsten Sinne des Wortes, und dann gucken, ob das passt.

Alex: KI sollte hier jetzt schon mehr eingesetzt werden. Wenn ich eine Position beziehen müsste: Ich finde einen guten Chatbot und eine gute Automatisierung besser als einen schlechten, unmotivierten oder nicht vorhandenen Menschen. Auch wenn ich die menschliche Komponente zu schätzen weiß. Ich glaube fest daran, dass man diese Dinge gut miteinander verbinden kann, wenn man möchte.

Das einzige Onboarding, das ich selbst mit KI erlebt habe, war neulich in meinem Fitnessstudio. Ich fand das zum Teil ganz intelligent gelöst, dahinter stand eine gewisse Gamification: Ich melde mich in der App für einen Kurs an, und dann habe ich ein paar Tage motivierende Nachrichten vom Chatbot bekommen. Du hast es geschafft, du hast jetzt drei Check-ins hintereinander. Und dann war das weg, dann war der Chatbot kaputt. Ich war sehr traurig, muss ich dazu sagen. Mir war klar, dass das nicht der Besitzer des Studios ist, obwohl die Nachricht in seinem Namen kam. Aber ich dachte, trotzdem ist es nett, weil wenigstens der Algorithmus bemerkt, dass ich da bin.

Das ist nur mein Empfinden. Aber ich kann mir genauso vorstellen, dass du in einem Konzern ein Onboarding durchläufst. Natürlich kann dein Vorgesetzter oder dein Buddy nicht die ganze Zeit für dich haben. Aber so eine KI könnte gewisse Phasen übernehmen und sagen: Hey, cool, du hast dieses Dokument gelesen, guck mal da, geh mal dahin, mach mal das. Und dich so ein bisschen bei der Stange halten. Da sind der Kreativität keine Grenzen gesetzt, dieser Bereich wird wachsen.

Jan: Es gibt einen interessanten Punkt, der im Onboarding aktuell vielleicht gar nicht stattfindet. Überall dort, wo jemand einen Vorgänger beerbt, geht Wissen verloren, sei es aus Altersgründen oder weil die Person intern auf eine andere Rolle wechselt. Man kann KI nutzen, um das Wissen des Stelleninhabers vorher zu dokumentieren. Das kriegt man aktuell nicht richtig hin. Wenn man es über KI systematisiert, hat man aber tolle Inputs für die Fälle, in denen der Nachfolger erst kommt, nachdem die Person schon weg ist.

Also diese völlig überraschenden Themen: Karl-Jochen geht nach 33 Jahren überraschend in Rente, hat noch acht Wochen plus dreieinhalb Wochen Resturlaub, und jetzt soll das Recruiting gerne in vier Wochen wen hinstellen. Und oh Wunder, es dauert dann doch zehn. Da könnte man mit systematischen KI-Interviews aus Karl-Jochen noch ein Onboarding für die nachfolgende Person rausholen. Dafür gibt es jetzt langsam die ersten Anleitungen. Und weil inzwischen sehr viele Leute mit richtig viel Erfahrung weggehen, sehe ich beim Onboarding eine große Rolle für KI: dass sie hilft, Wissen aus den Leuten rauszuholen, das bisher verloren gegangen ist.

Was KI sicherlich nie ersetzen wird: dass man seine Kollegen doch mal kennenlernen will, auch wenn man remote arbeitet. Aber sie kann helfen, Fragen gut zu beantworten und sich durch schwierig zu navigierende FAQ-Systeme zu arbeiten. Ähnlich wie bei den MCP-Konnektoren. Was im HR klassischerweise Mitarbeiter-Selfservice heißt, könnte so zu einer Art Rollen-Selfservice werden: Ich kann als jemand, der neu ist, konkrete Fragen stellen und bekomme konkrete Antworten.

Die Frage ist, wann die ersten Systeme kommen, in die derjenige sein Wissen einspeist, der die Rolle bisher hatte oder sie geschaffen hat, und mit denen ich mich danach im Frage-Antwort-Dialog austauschen kann. Wenn ich einen Menschen habe, mit dem ich reden kann, ist das natürlich auch schön. Aber das eine schließt das andere nicht aus, gerade wenn die Person nicht mehr da ist oder räumlich woanders sitzt. Da wird gerade viel rumprobiert, das passiert schon seit ein, zwei Jahren, und dann werden sich die Good-Practice-Cases langsam rauskristallisieren. Am Ende ist es der Mix aus Mensch und Maschine, der es bringen wird.

Alex: Ich habe hier eine Anfrage von einem unserer Kunden, der unseren MCP-Konnektor testet. Der Bedarf ist da, Kampagnen über MCP-Konnektoren automatisiert zu steuern. Technisch funktioniert das, aber die Qualität der Steuerung hängt vom Kontext ab.

Der Kunde meinte: Die Stellen in der Kampagne sollen per MCP-Konnektor pausiert werden, wenn sie bei uns intern besetzt werden. Und dieses „wenn sie bei uns intern besetzt werden”, das ist der Punkt. Das ist der Kontext, den ein Konnektor zu einem einzelnen Tool nicht hat.

Wer die Kampagnensteuerung vollautomatisiert an ein Tool abgibt, muss sicher sein, dass das Tool alles weiß, was für die Entscheidung nötig ist. Sonst macht man mehr kaputt, als man an Zeit einspart. Und diesen Kontext herzustellen, also alle Tools und Datenpools anzubinden, die an einer Entscheidung hängen, kann teuer werden.

Kurz gesagt: Auch bei MCP-Konnektoren wird eine Zeitersparnis in Aussicht gestellt. Die ist bis zu einem bestimmten Grad machbar, man muss nur gucken, wo die Grenze ist. Das wird die Herausforderung der nächsten Monate sein.

Jan:

Das ist auch eine Frage von Erfahrung. Konnektoren machen es leichter, die eigenen Kampagnen zu analysieren und sich schnell einen Report zu ziehen. Leichter als über Tools, die du dir selber konfigurieren musst, oder über Agenturen, wo du warten musst, bis die dir die richtigen Daten liefern.

Beim Beispiel mit der internen Stelle stellt sich mir zuerst eine andere Frage: Warum läuft eine Anzeige überhaupt öffentlich, wenn vorher schon klar ist, dass intern besetzt wird? Im Fall des Jobspreaders orientieren wir uns immer am aktuellen Stand der Karriereseite und aktualisieren das regelmäßig. Wenn ich von vornherein weiß, dass ich rein intern besetze, würde ich gar nicht extern ausschreiben. Und wenn ich beides ausschreibe und dann intern besetze, nehme ich die externe Anzeige runter. Über einen Konnektor könnte das perspektivisch auch gehen: Wir haben jetzt tolle interne Kandidaten, bitte pausiere diesen Job, wir wollen die erst abarbeiten.

Man muss verstehen, wie es funktioniert, und es dann sauber nutzen. Aber ich gehe davon aus: Wenn wir zwei, drei Jahre MCP-Konnektoren haben und jeder damit Erfahrungen sammelt, baut sich dieses Wissen auf. Genauso wie früher das Online-Marketing-Wissen, das auch lange gefehlt hat.