Robot Recruiting Roboter Robo Recruiting

Von Maschinen und Menschen: Was ist eigentlich Robot Recruiting?

Wenn ich das Wort Robot Recruiting höre, denke ich immer noch zuerst an humanoide Roboter, deren Konstruktion der menschlichen Gestalt nachempfunden sind, um die Weltherrschaft an sich zu reißen und alle Aufgaben der Menschheit zu übernehmen. Die Realität ist aktuell allerdings noch weit entfernt von einer Science-Fiction Dystopie und sollte trotzdem bereits an diesem Punkt im Auge behalten werden. Im positiven sowie im negativen Sinne.

Jobspreader Whitepaper

Whitepaper: Personalmarketing mit dem Jobspreader
Jetzt kostenlos herunterladen!

Was ist Robot Recruiting?

Unter dem Begriff Robot Recruiting (oder auch Robo Recruiting) versteht man nicht etwa das Rekrutieren von oder mit kleinen Androiden, sondern lediglich die Automatisierung von Recruitingprozessen sowie die Beurteilung und Auswahl von Bewerber:innen mithilfe von lernenden und von Menschenhand programmierten Algorithmen – gerne auch „Künstliche Intelligenz“ (KI-Recruiting) genannt.

Die Recruiting-Welt im Jahr 2021 versteht unter Robot Recruiting verschiedene Verfahren, mit denen Recruiting in Teilen automatisiert oder durch Algorithmen ergänzt wird. Hierzu zählen unter anderem Chat-Bots für eine reibungslose Candidate Journey, Programmatic Job Advertising für die automatisierte Ausspielung von Stellenausschreibungen, CV-Parcing, Generative KI sowie algorithmische Entscheidungssysteme über Mimik oder die Stimme der Bewerber:innen in Auswahlprozessen. In erster Linie soll der Einsatz dieser Algorithmen und Programme helfen, unliebsame Prozesse auszulagern. Die hierdurch gewonnenen zeitlichen Freiräume können Recruiter:innen oder HR-Manager:innen mit zwischenmenschlichen Aufgaben, zum Beispiel Active Sourcing, füllen.

Neben der erleichterten und beschleunigten Analyse von Bewerbungen, wird Robot Recruiting auch immer häufiger als Chance für objektive und diskriminierungsfreie Entscheidungen bei der Bewerberauswahl genannt. Laut der „Recruiting Trends 2020“ der Universität Bamberg stehen Bewerber:innen Künstlicher Intelligenz im Recruiting recht offen gegenüber. 46 Prozent erhoffen sich von digitalisierten und automatisierten Auswahlsystemen schnelleres Feedback, während sich 36 Prozent hierdurch weniger Diskriminierung im Recruiting Prozess vorstellen können.

Anwendungsgebiete von Robot Recruiting

Schauen wir uns den aktuellen Stand der vorhandenen KI-Recruiting-Tools doch etwas genauer an.

Chatbot Recruiting für die Candidate Journey

Was ist ein Chatbot?

Ein Chatbot ist ein textbasiertes Dialogsystem, mit dem der oder die Anwender:in mit einem technischen System chatten kann.

Eine schöne Definition des Begriffs findet sich in einer Präsentation aus dem Jahr 2003 auf den Seiten der Humboldt Universität Berlin.

Chatbots – Eine Definition
to chat: plaudern, sich unterhalten
bot: Roboter
Chatbot: Programm, mit dem man sich in natürlicher Sprache unterhalten kann

Bisher werden (Telefon-)Chatbots vor allem im Kundenservice für Consumer-Marketing genutzt oder auch in Telefonhotlines unseres Telefonanbieters oder der Bank. Wir sagen zum (Telefon-)Chatbot „1“ oder „M I T A R B E I T E R“ und der Chatbot nennt unseren Kontostand bzw. schickt uns in die längste Warteschleife der Welt. Der einzige Unterschied zwischen dem Chatbot Eurer Bank und den digitalen Chatbots besteht darin, dass die Eingabe der Anweisungen sowie die Ausgabe der Resultate in einem Fall per Telefon (audio) und im anderen per PC-/Handy-Tastatur/-Display (visuell) erfolgt. Die technologische Basis ist identisch. (Lernfähige Bots schließe ich bei dieser Betrachtung aus.)

Beispiele für Chatbot Recruiting

Was im Consumer Marketing funktioniert, funktioniert mindestens genauso gut im Recruiting. Dieser smarte Assistent kann für den Erstkontakt zu Bewerber:innen genutzt werden, indem er auf der Karriereseite häufig gestellte Fragen rund um die Uhr beantworten kann. Eine Art automatisiertes „FAQ“ im Chatformat, das Recruiter:innen den Rücken freihält, indem es zeitaufwendige und sich wiederholende Fragen von Interessent:innen beantwortet. Hierbei handelt es sich um die einfachste Form von Chatbots, die einprogrammierte Regeln auf Nachfrage wiedergeben. Ist eine Frage nicht einprogrammiert, kann der Scriptbot allerdings auch nicht weiterhelfen und Bewerber:innen geraten schnell in eine Sackgasse.

Robot Recruiting Chatbot Beispiele

KI-gestützte Chatbots lernen hingegen dazu und passen sich an die jeweiligen Gesprächspartner:innen an. Mit Informationen zur Unternehmenskultur, Einstiegsmöglichkeiten und Arbeitgeberleistungen wirkt der KI-gestützte Chatbot menschlicher und ist daher ein angenehmerer „Gesprächspartner“. Sogar auf den:die Kandidat:in angepasste Jobangebote könnten vom Chat-Assistenten ausgespielt werden und so bei der Jobsuche helfen. Bedingung für diese Art von Chatbots ist allerdings ein regelmäßiges Optimieren, Weiterentwickeln und Analysieren.

Robot Recruiting Chatbot Beispiel ibm
Beim Einsatz von sehr einfachen Chatbots kann das Gespräch auch schnell vorbei sein.

Plattformen für Recruiting Chatbots

Die Interaktion mit Sprach- und Chatassistenten sind spätestens seit Siri oder dem Google Assistent für viele Menschen gelebter Alltag. Mit ChatGPT erlebt der “Otto Normalverbraucher” nun seit 2022 auch endlich einen Chatbot, der scheinbar keine Grenzen kennt und fast jede Frage beantworten kann. Was die Nutzer:innen hierbei am meisten beeindruckt ist vermutlich, dass die Sprache im Gegensatz zu vorherigen Chatbots sehr natürlich ist und es zahlreiche Anwendungsbereiche in der eigenen Arbeit aber auch im privaten Bereich gibt.

ChatGPT verwendet ein KI–Modell, um eine natürliche Konversation aufzubauen und zu unterhalten. Es kann Texteingaben verstehen und auf kontextbasierte Fragen antworten, was dazu führt, dass das Spielen und Nutzen von Chatbots endlich richtig Spaß machen kann und sogar wirklich hilfreich ist. Alle weiteren Infos zu dem neuen Chatbot von OpenAI findet ihr in unserem Artikel: ChatGPT und seine Einsatzbereiche im Recruiting: 15 Beispiele

Chatbots für die digitale Kundenkommunikation werden aber mittlerweile von vielen Firmen angeboten. Anbieter sind zum Beispiel u.a. die Firmen “Userlike”, “melibo” oder auch “moinAI”.

Für den konkreten Einsatz im Recruiting können ganz normale Chatbots genutzt werden, die statt für das Marketing stattdessen für die Einstellung von Fachkräften eingesetzt werden. Zum Beispiel, um Fragen der Bewerber:innen direkt auf der Karriereseite zu beantworten, Vorstellungsgespräche zu planen oder den Kandidat:innen den konkreten Bewerbungsablauf zu erläutern. Wichtig ist nur, dass der Chatbot des jeweiligen Anbieters daraufhin trainiert ist oder trainiert werden kann bzw. die KI lernfähig ist.

Laut Recruiting Trends 2020 nutzten zum damaligen Zeitpunkt erst drei Prozent der Unternehmen einen HR-Chatbot, der Fragen von Bewerber:innen automatisiert beantwortet. Eine Studie nach Veröffentlichungen von ChatGPT dürfte sehr interessant sein, da sich die Möglichkeiten in diesem Bereich stark verbessert haben.

Programmatic Job Advertising: Bewerbergenerierung im Autopiloten

Programmatic Advertising ist in unserem digitalen Alltag bereits so fest verwurzelt, dass es gar nicht unbedingt mit dem so aufregend klingenden Robot Recruiting in Verbindung gebracht wird. Programmatic Job Advertising nennt man die Automatisierung von Personalmarketing durch systematisches Performance Marketing, das aus dem Online-Marketing bereits nicht mehr wegzudenken ist. Basierend auf dem Job-Bestand eines Unternehmens und den jeweiligen Rekrutierungskennzahlen, berechnet die Software, auf welchen und wie vielen Kanälen eine Stelle ausgeschrieben werden muss, um den gewünschten Bewerbungsrücklauf zu erzeugen. Anschließend spielt die Software die Jobs auf erfolgversprechenden Kanälen aus, überwacht deren Performance und nimmt sie wieder aus dem Netz, sobald der gewünschte Rücklauf erzielt wurde. Robot-Recruiting-Programmatic-Job-Advertising

Während sich Ausschreibung und Bewerbungsgenerierung mittels Programmatic Job Advertising für viele Berufe automatisieren lassen, frisst die Durchsicht der Unterlagen nach wie vor mehr Kapazitäten, als sie freisetzt. Schon bei den erwähnten fünfzehn freien Stellen müssen bis zu 300 Bewerbungen gesichtet werden, ganz gleich, ob die Bewerbungsunterlagen interessant sind oder nicht. Doch auch hierfür gibt es bereits eine automatisierte Lösung.

CV-Parsing und CV-Matching für eine schnellere Vorauswahl

Algorithmen bieten Recruiter:innen die Chance, diese Daten ohne manuellen Aufwand zu filtern, den Vorauswahlprozess von unbewussten Vorurteilen zu bereinigen und so objektiver zu machen. Ob dies gelingt oder aber, wie Kritiker:innen befürchten, am Ende nur unsere Vorurteile im Algorithmus zementiert, ist eine heiß umstrittene Frage. Ein Algorithmus ist letztendlich nichts anderes als eine Sequenz verschiedener Prozessschritte, die automatisch nacheinander ausgeführt werden.

Um aus einer Flut von Bewerbungen ungeeignete Bewerber:innen auszusortieren und jene mit Potenzial eine Runde weiterzuschicken, scannt und selektiert eine datenbasierte Analysesoftware in kürzester Zeit unzählige Bewerbungen nach festgelegten Kriterien. Mit Hilfe eines CV-Parsings (das automatisierte Scannen eines Lebenslaufs) werden unsortierte Daten erkannt und sortiert. Die Parsing-Funktion liest dafür zuerst den Text aus, erkennt und strukturiert relevante Daten und macht die Bewerbungen in einer Liste systematisch durchsuchbar.

Nachdem das CV-Parsing die Daten maschinell lesbar gemacht hat, können die Bewerbungen in Sekundenschnelle durch das sogenannte CV-Matching mit dem Anforderungsprofil des jeweiligen Jobs abgeglichen werden. Die hieraus entstehende Liste lässt sich durch das Weg- und Zuschalten von Skills oder einer Veränderung der Gewichtung mit einem Klick neu sortieren. Eine Leistung, die ein Mensch nur durch eine zusätzliche Analyse erbringen könnte.

Insbesondere bei der Suche nach Mangelprofilen können sich Personaler:innen nicht nur auf Aktiv-Jobsuchende verlassen. Das CV-Matching wird deshalb im Active Sourcing auch auf maschinell auslesbare Daten aus externen Quellen wie XING oder LinkedIn angewandt. Anhand von Jobtiteln und Skills werden passende Kandidat:innen mit den ausgeschrieben Jobprofilen abgeglichen und in eine interne Datenbank übertragen. Natürlich können hierfür nur öffentlich zugängliche Informationen genutzt werden.

Online Recruiting Studie 2022

Studie: Online Recruiting der DAX-Unternehmen 2022
Jetzt kostenlos herunterladen!

Automatisierte Analyse der Stimme oder Gesichtsausdrücke im Bewerberinterview

Von allen bisher genannten Tools im Robot Recruiting ist dies das am kontroversesten diskutierte. Es gibt Anbieter im KI Recruiting, die sich darauf spezialisiert haben, im Bewerbungsverfahren Rückschlüsse auf das Innenleben von Bewerber:innen durch technologische Emotionserkennung zu ziehen. Dienste wie HireVue bieten bereits seit Jahren die Möglichkeit, Jobinterviews von einer Maschine durchführen zu lassen. Die strukturierten Interviews basieren in der Regel auf einer maßgeschneiderten Stellenanalyse und fordern die Bewerber:innen auf, in einem aufgezeichneten Video eine Reihe von Fragen zu beantworten. Während das Tool die ersten Jahre nur dafür genutzt wurde, die Interviewfragen zu stellen und aufzuzeichnen, um sie später von Menschen auswerten zu lassen, wurden mittlerweile die vorhandenen Daten für das Programmieren von Algorithmen genutzt. Auf diesem Weg können im Anschluss des Gesprächs sogar die Personalentscheidungen vom Computer getroffen werden.

p1t8d9DkNyY mqdefault
Bei Klick wird dieses Video von den YouTube Servern geladen. Details siehe Datenschutzerklärung.

Während eines Jobinterviews werden verschiedene Datenpunkte in Gestik, Sprache und (bis letztes Jahr) Mimik gesammelt. Diese helfen dem HireVue-Algorithmus dabei, die Persönlichkeit des Interviewpartners zu entschlüsseln. Insgesamt existieren ca. 15.000 Merkmale, an denen die Fähigkeiten der Kandidat:innen gemessen werden sollen. Dazu zählen beispielsweise die Augenbewegungen, die Reaktionsgeschwindigkeit, das Stresslevel der Stimme, die Breite des Wortschatzes sowie Emotionen.

Im weiteren Verlauf werden die Datenpunkten mit bereits angestellten Mitarbeiter:innen verglichen, um zu errechnen, wie gut der oder schlecht die Bewerber:in zum Job und dem Unternehmen passt. Der Algorithmus soll objektive und auf Fakten basierende Entscheidungen treffen, um – im Gegensatz zum Menschen – vorurteilsfrei zu entscheiden. Als weiterer positiver Aspekt werden die einsparenden Ressourcen genannt – durch den Verzicht auf humane Arbeitskraft im ersten Auswahlschritt, können weitaus mehr Leute berücksichtigt werden.

Fakten statt Bauchgefühl dank Robot Recruiting?

Einfache Algorithmen wie solche, die für das Programmieren von Chatbots genutzt werden, stoßen Menschen eher selten sauer auf. Diese Art der Digitalisierung ist eine sinnvolle Möglichkeit, Kapazitäten in Personalabteilungen frei zu halten, um für direktes Sourcing oder Auswahlprozesse zur Verfügung zu stehen. Wenn Maschinen hingegen programmiert werden, um eigenständig Entscheidungen zu treffen und über Schicksale zu bestimmen, kommen schnell Zweifel auf. In vielen Unternehmen herrscht weiterhin die Vorstellung, dass die besten Urteile von erfahrenen HR-Profis gefällt werden – auch wenn es sich nicht selten um Bauchentscheidungen handelt, die stark subjektiv geprägt sind und deren Informationsgrundlage nicht immer valide ist.

Die Psychologie hat zahlreiche systematische Fehler in Bezug auf Persönlichkeitsmerkmale in Recruiting-Prozessen aufgedeckt, die durch eine intuitive Einschätzung auftreten: Während attraktive Menschen unbewusst überschätzt werden oder große, kräftige Bewerber:innen führungsstark wirken, werden Personen mit Akzent oder sichtbarem Übergewicht häufig als undiszipliniert oder fauler bewertet. Im Laufe unseres Lebens sammeln wir Denkmuster, die das Gehirn in verschiedenen Situationen anwendet – manchmal richtig, manchmal falsch. Entsprechende Erfahrungen verknüpfen wir mit Assoziationen, die unbewusst Denkprozesse steuern und unser Verhalten beeinflussen. Folglich sind Unconscious Bias, also unbewusste, in die Kandidatenbewertung einfließende Vorurteile, in klassischen Bewerbungsverfahren eher die Regel als die Ausnahme.

Algorithmen und vorurteilsfreie Bewertungen

Richtig programmiert, arbeitet ein Algorithmus ausschließlich mit validen, objektiven Informationen und bietet uns die Chance, Inhalte neutral miteinander zu vergleichen und Wahrscheinlichkeiten zur Job-Kandidaten-Passung zu berechnen. Doch mit welchen Daten funktioniert der Algorithmus überhaupt? Egal, ob es um fachliche oder persönliche Einschätzungen des Algorithmus geht: Um faire Ergebnisse zu erzielen, kommt es in erster Linie darauf an, den Algorithmus mit sehr, sehr vielen und wertfreien Daten zu füttern.

Sorgt man dafür, dass bei allen Bewerber:innen die gleichen Daten neutral erfasst und ohne Scannen der Person nach denselben Prinzipien bewertet werden, sind die Entscheidungsprozesse der Algorithmen effizient, zeitsparend und frei von subjektiven Wertungen. Doch ganz so einfach ist es nicht. Der Grund, warum auch sachkundige Beobachter:innen, die nicht um ihren eigenen Job fürchten, der algorithmischen Personalauswahl mit Skepsis begegnen, liegt darin, dass Machine Learning oder Big Data die Entwicklung selbstlernender Selektionsalgorithmen ermöglichen.

Wenn ein Algorithmus eigenständig zu lernen beginnt und Entscheidungen aus Vergangenheitsdaten herleitet, können Daten fehlinterpretiert werden. Scannt der Algorithmus beispielsweise Mitarbeitende eines Unternehmens, in dem kaum Frauen arbeiten und Männer daher zu den Haupt-Leistungsträgern zählen, bringt er sich quasi selbst bei, dass Männer diesen Job besser ausführen können. Im Ergebnis ignoriert er bei der Auswahl neuer Mitarbeitender die Bewerbungen von fähigen Kandidatinnen. Stellt der „Robot“ einen Zusammenhang her, merkt er sich diesen – ganz egal, ob er falsch analysiert wurde.

Dasselbe fehlerhafte Ergebnis stellt sich ein, wenn wir einen korrekt programmierten Lern-Algorithmus mit vorurteilsbehafteten Vergangenheitsdaten trainieren. Man nennt es auch „Garbage in, garbage out“: Wird ein Algorithmus mit Müll gefüttert, spuckt dieser den Müll wieder aus. Insbesondere fürs maschinelle Lernen ist es daher entscheidend, so viele unterschiedliche und so gute Daten wie möglich zu sammeln und auszuwerten.

Checkliste Mobile Bewerbung

Checkliste: Die mobile Bewerbung im Überblick
Jetzt kostenlos herunterladen!

Kritik an KI basierten Personalentscheidungen

Die Sorgen von Skeptiker:innen bezüglich algorithmischer Diskriminierung sollten durchaus ernst genommen werden. In Amerika gab es viele Zweifel bezüglich algorithmischer Auswertungen der Mimik von Bewerber:innen, wie sie beispielsweise bei HireVue bis letztes Jahr angewandt wurden. Und das nicht etwa nur von Kulturpessimist:innen. Die Technologie von Gesichtserkennung ist vor allem deswegen so umstritten, weil Gesichtsausdrücke nicht universell seien, so Merve Hickok, Dozentin und Referentin für „AI ethics, bias and governance“ in Michigan. Diese können aufgrund von Kultur, Kontext oder Behinderungen anders sein und noch dazu relativ einfach manipuliert werden. Daher ist es problematisch, einen Gesichtsausdruck zu kategorisieren und von diesem auf bestimmte Eigenschaften zu schließen.

Julia Stoyanovich, Assistenzprofessorin für Informatik an der Tandon School of Engineering der New York University und Gründungsdirektorin des dortigen „Center for Responsible AI“, erklärte in einem Interview, dass man sich beim Screening der Gesichtsausdrücke nicht auf Signalmerkmale verlassen dürfe, die nichts mit der Arbeitsleistung an sich zu tun haben. Die Firma HireVue reagierte auf den allgemeinen Gegenwind, indem sie die Analyse der Mimik als Entscheidungsfaktor aus dem Algorithmus strich. Der CEO und Vorsitzende von HireVue, Kevin Parker, erklärte, dass die visuellen Komponenten immer weniger zur Bewertung beitrugen und die öffentliche Besorgnis über die intransparente KI so groß war, dass der Nutzen die Sorgen nicht mehr überwog.

Doch auch die sprachbasierte Analyse steht in der Kritik. Die Annahme, dass stimmliche Anzeichen, Betonungen, Wortwahl oder Wortkomplexität in einem kausalen Zusammenhang mit Erfolg am Arbeitsplatz stehen, ist wissenschaftlich nicht bewiesen und beruht auf Vermutungen, die vor allem aus eigenen Auswertungen resultiert. Die Software sei noch nicht so weit, um sprachliche Nuancen, Zwischentöne oder Ironie zu erkennen, um bestimmte Antworten richtig einzuordnen, erklärt Merve Hickok. Das bedeutet allerdings nicht, dass diese Technologie nicht weiter ausgebaut werden könne: Spracherkennungs-Software habe das Potenzial, Inhalte und Sprache besser zu verstehen, um Verbindungen zwischen Job-Erfahrungen und Karrieremöglichkeiten herzustellen.

Die Zukunft von Robot Recruiting

KI-Technologien sind vor allem für die Bereiche Bewerberkommunikation, Zuordnungen von Fähigkeiten zu Stellen oder Projekten, Talentakquise oder Prozessverbesserung sinnvoll und vielversprechend. Das Screening von Bewerbungen ist beispielsweise eine Zeitersparnis, die zeitliche Freiräume schafft, die für zusätzliche Maßnahmen genutzt werden können. Nämlich eben solche, die den Recruiting-Prozess trotz computergesteuerter Algorithmen menschlicher werden lassen und den Menschen Zukunftsaussichten abseits des Daseins als Prozesssklave ermöglicht.

Programmatic Job Advertising ist zum Beispiel in Zeiten von Fachkräftemangel kaum mehr aus großen Personalabteilungen wegzudenken. Auf die zusätzliche Anzahl an Bewerbungen, die durch die automatisierte Ausspielung in die Posteingänge fließen, können nur die wenigsten HR-Abteilungen noch verzichten. Sogar analytische KIs für die direkte Personalauswahl werden in Zukunft in immer mehr Unternehmen ihren Platz finden. Es ist wichtig, die Entwicklung auch zukünftig zu beobachten und die Tools zwar offen, aber gleichzeitig kritisch zu hinterfragen. Im Bereich der Emotionserkennung darf es nicht dazu kommen, dass undurchsichtige Einstellungsentscheidungen von KI-Systemen getroffen werden, die man nicht zur Rechenschaft ziehen kann.

Die Grundvoraussetzungen für eine funktionierende Zukunft mit Robot Recruiting müssen daher Transparenz, hohe Datenqualität, stetige Überprüfung der Algorithmen und empirische Evaluierungen sein. Julia Stoyanovich fasst es gut zusammen, indem sie betont, dass das Interesse an Robot Recruiting und Algorithmen im Personalmarketing gerade deshalb wichtig ist, damit die Instrumente verstanden und richtig eingesetzt werden können. Hierfür braucht es eine strengere Regulierung und neue Gesetze, um Entscheidungssysteme im Recruiting weiter ausbauen zu können und ihnen irgendwann auch zu vertrauen.

Allen, die sich mit dem Thema noch etwas tiefer beschäftigen wollen, lege ich diese interessanten Links ans Herz:

Der Computer, der mich einstellte (Brand Eins)

A face-scanning algorithm increasingly decides whether you deserve the job (The Washington Post)

Der gläserne Bewerber – Wie Emotionserkennung die Arbeitswelt verändert (SWR2)

Podcast: The Ethics of AI in Recruiting (The Recruiting Brainfood Podcast)

Podcast: The Psychology behind Unconscious Bias (The Recruiting Brainfood Podcast)

Podcast: How AI stopped you getting that job