Wie AI-Kandidaten-Matching wirklich funktioniert: Ein Zwei-Schichten-Ansatz

Sie haben den Pitch hundertmal gehört: “AI-gestütztes Kandidaten-Matching.” Aber was bedeutet das eigentlich? Die meisten Tools geben Ihnen einen Prozentsatz — “78% Übereinstimmung” — und erwarten, dass Sie dem vertrauen. Keine Belege. Keine Erklärung. Keine Möglichkeit zu wissen, ob die AI brillant ist oder halluziniert.

Das ist kein Matching. Das ist eine magische Zahl.

Echtes Kandidaten-Matching braucht zwei Dinge: Geschwindigkeit und Erklärbarkeit. Sie müssen täglich mehr als 20 Kandidaten bewerten, ohne 10 Minuten für jeden aufzuwenden — aber Sie müssen auch verstehen, warum ein Kandidat so bewertet wurde, um fundierte Entscheidungen zu treffen und sinnvolle Screening-Gespräche zu führen.

So löst ein Zwei-Schichten-Ansatz beide Probleme.

Das Problem des Einschicht-Matchings

Die meisten Matching-Systeme verwenden einen von zwei Ansätzen, und beide haben fatale Schwächen.

Nur Schlüsselwörter

Der einfachste Ansatz: Schlüsselwörter aus der Stellenbeschreibung extrahieren, prüfen, ob sie im Kandidatenprofil vorkommen. “React” im JD? Nach “React” im CV suchen. Gefunden? Punkt erzielt.

Das funktioniert schnell nicht mehr:

Synonyme sind unsichtbar. Ein Kandidat, der “React.js” auflistet, stimmt nicht mit einer Suche nach “ReactJS” überein.
Der Kontext geht verloren. “5 Jahre Python” im Profil eines Kandidaten könnte 5 Jahre Scripting für Automatisierung bedeuten — nicht 5 Jahre Aufbau von Produktions-Backend-Systemen.
Seniorität ist eine Vermutung. Schlüsselwörter können nicht sagen, ob die Karriereentwicklung des Kandidaten in die richtige Richtung geht.
Übertragbare Fähigkeiten existieren nicht. Ein Scala-Dateningenieur mit 6 Jahren Erfahrung in verteilten Systemen wird nicht mit “Python Data Engineer” übereinstimmen — obwohl er die Aufgabe wahrscheinlich erfüllen könnte.

Schlüsselwörter fangen das Offensichtliche. Alles Interessante wird übersehen.

Nur AI

Der gegenteilige Ansatz: das vollständige Kandidatenprofil und die Stellenbeschreibung an ein LLM senden, fragen “wie gut passt diese Person?” und die Antwort analysieren.

Das ist besser bei Nuancen — AI versteht, dass “Series A Company” “Startup” impliziert — aber es bringt neue Probleme:

Die Kosten summieren sich. Bei $0.05-0.15 pro Bewertung und 20 Kandidaten pro Tag sind das $1-3 nur für Matching.
Die Latenz ist spürbar. Eine vollständige AI-Analyse dauert 5-15 Sekunden.
Übertrieben für offensichtliche Nichtübereinstimmungen. Wenn ein JD 8+ Jahre Erfahrung verlangt und der Kandidat 2 Jahre hat, brauchen Sie keine AI dafür.
Inkonsistenz. Stellen Sie dem gleichen LLM die gleiche Frage zweimal, und Sie könnten unterschiedliche Bewertungen erhalten.

Die Zwei-Schichten-Lösung

Die Antwort ist nicht die Wahl zwischen Schlüsselwörtern und AI. Es ist die Verwendung von beidem — in der richtigen Reihenfolge.

Schicht 1: Deterministisches Matching (kostenlos, sofort)

Die erste Schicht behandelt alles, was mit Regeln und Vergleichen bewertet werden kann. Keine AI. Keine Kosten. Sofortige Ergebnisse.

Was Schicht 1 prüft:

Schlüsselwort-Überlappung. Extrahiert Fähigkeiten und Technologien aus den JD-Anforderungen. Prüft jede gegen die geparsten CV-Daten des Kandidaten. Berechnet einen Überlappungsprozentsatz.

Berufserfahrung in Jahren. Das JD sagt “5+ Jahre Backend-Entwicklung.” Der CV des Kandidaten zeigt, dass seine erste Backend-Rolle 2021 begann. Einfache Mathematik: 5 Jahre. Geprüft.

Standort-Übereinstimmung. Die Stelle ist “Berlin, hybrid.” Der Kandidat ist in “München, offen für Umzug.” Schicht 1 markiert dies als teilweise Übereinstimmung — gleiches Land, andere Stadt, Umzug erwähnt.

Gehaltsabgleich. Das Budget beträgt €70-85k. Die Erwartung des Kandidaten beträgt €80k. Grüne Flagge — im Bereich.

Muss-Anforderungen. Das JD hat 3 Muss-Anforderungen: React, TypeScript und 3+ Jahre. Schicht 1 prüft jede unabhängig und gibt ein binäres Ergebnis: bestanden/nicht bestanden.

Das Ergebnis ist eine Basisbewertung, die offensichtliche Nichtübereinstimmungen sofort erkennt. Wenn ein Kandidat 3 von 5 Muss-Anforderungen in Schicht 1 nicht besteht, brauchen Sie wahrscheinlich Schicht 2 nicht. Aber Schicht 1 kennt auch seine Grenzen — es markiert alles, was es nicht bewerten kann, als “benötigt AI-Überprüfung.”

Schicht 2: AI-Nuancenanalyse (schnell, kontextbezogen)

Schicht 2 übernimmt dort, wo Regeln enden und Urteilsvermögen beginnt.

Karrieretrajektorie-Analyse. Wächst der Kandidat in die richtige Richtung? Jemand, der von Junior Frontend → Mid Frontend → Senior Frontend → Lead Frontend ging, ist auf einem klaren IC-Track. Wenn das JD für einen Staff Engineer ist, erkennt die AI, welche Trajektorie besser passt.

Domänrelevanz. Das JD ist für ein Fintech-Unternehmen. Der Kandidat hat 4 Jahre bei einem Payment-Startup verbracht. Schicht 1 würde “Payments” nicht als relevant für “Fintech” erkennen — aber Schicht 2 versteht, dass Payments eine Fintech-Subdomäne ist.

Übertragbare Fähigkeiten. Ein Kandidat mit 6 Jahren Scala- und Apache-Spark-Erfahrung bewirbt sich für eine “Python + PySpark”-Stelle. Schicht 1 sieht null Schlüsselwort-Übereinstimmung. Schicht 2 erkennt, dass der Übergang Scala → Python üblich und relativ einfach für Dateningenieure ist.

Lückenidentifikation mit Screening-Fragen. Hier glänzt Schicht 2 wirklich. Statt nur “fehlend: Kubernetes-Erfahrung” zu markieren, generiert sie eine klärende Frage: “Der CV des Kandidaten erwähnt kein Kubernetes, aber er hat 3 Jahre Docker- und AWS-ECS-Erfahrung. Fragen Sie: Haben Sie in irgendeiner Form mit Kubernetes gearbeitet?”

Die AI bewertet nicht nur. Sie sagt Ihnen, was Sie als nächstes fragen sollen.

Wie die Scorecard aussieht

Wenn beide Schichten fertig sind — typischerweise in unter 5 Sekunden — erhalten Sie eine strukturierte Scorecard:

Gesamtbewertung

Feld	Wert
Punktzahl	82 / 100
Urteil	Starke Übereinstimmung
Empfehlung	Screening für diesen Kandidaten durchführen

Aufschlüsselung nach Anforderungen

Anforderung	Status	Quelle	Beleg
React, 3+ Jahre	✅ Grün	Schicht 1	”React” in 3 Rollen gefunden, früheste 2022 (4 Jahre)
TypeScript	✅ Grün	Schicht 1	In Fähigkeiten gelistet, in 2 aktuellen Rollen verwendet
Node.js Backend	🟡 Gelb	Schicht 2	Node.js nicht gelistet, aber Express.js in einer Rolle
Fintech-Domäne	✅ Grün	Schicht 2	4 Jahre bei PayTech (Payment-Startup) — starke Fintech-Relevanz
Teamführung	🟡 Gelb	Schicht 2	Führte 2-Personen-Team in einem Projekt, keine formelle Führungsrolle
Kubernetes	🔴 Rot	Schicht 1	Nicht im CV gefunden. Docker + ECS Erfahrung vorhanden

Flaggen

Grüne Flaggen:

Starke Frontend-Trajektorie (Junior → Mid → Senior in 5 Jahren)
Fintech-Domänerfahrung passt zur Rolle
Gehaltserwartung (€78k) im Budget (€70-85k)

Gelbe Flaggen:

Node.js-Backend-Erfahrung unklar — braucht Screening
Führungserfahrung ist informell — Erwartungen klären

Rote Flaggen:

Kubernetes nicht erwähnt — wenn dies eine harte Anforderung ist, kann es ein Blocker sein

Screening-Fragen

“Ihr CV zeigt umfangreiche Docker- und AWS-ECS-Erfahrung. Hatten Sie irgendeine Berührung mit Kubernetes — beruflich, in Nebenprojekten oder durch Zertifizierungen?”
“Ich sehe, Sie haben ein 2-Personen-Team im Payment-Migrationsprojekt geleitet. Interessiert Sie der Wechsel in eine formellere Technical-Lead-Rolle?”
“Sie haben Express.js in Ihrer Rolle bei Acme Corp gelistet. Wie viel Backend-Node.js-Arbeit haben Sie täglich gemacht im Vergleich zu Frontend-React-Arbeit?”

Warum keine Schicht allein funktioniert

Szenario	Nur Schicht 1	Nur Schicht 2	Beide Schichten
Fehlendes Muss-Schlüsselwort	✅ Erkennt es	✅ Erkennt es	✅ Erkennt es
Scala-Ingenieur für Python-Rolle	❌ Keine Übereinstimmung → abgelehnt	✅ Erkennt übertragbare Fähigkeiten	✅ S1 markiert Lücke, S2 fügt Nuance hinzu
Kandidat hat 2 Jahre, JD verlangt 5	✅ Einfache Mathematik	✅ Aber langsamer und teurer	✅ S1 erkennt sofort
”Payment-Startup” für Fintech-Rolle	❌ Schlüsselwörter stimmen nicht überein	✅ Versteht die Domäne	✅ S2 fügt Domänrelevanz hinzu
Kosten pro Bewertung	$0.00	$0.01-0.02	$0.01 (S1 ist kostenlos)

Schicht 1 ist schnell, kostenlos und zuverlässig für strukturierte Prüfungen. Schicht 2 ist nuanciert, kontextbezogen und erklärt ihre Argumentation. Zusammen produzieren sie eine Scorecard, der Sie vertrauen und die Sie nutzen können.

Der Vorteil der Erklärbarkeit

Was ein gutes Matching-System von einem magischen Zahlengenerator unterscheidet: Belege.

Jede Bewertung in der Zwei-Schichten-Scorecard wird durch einen spezifischen Beleg aus dem Kandidatenprofil gestützt. “82/100” bedeutet nicht, dass die AI “fühlte”, es sei eine 82. Es bedeutet:

5 von 6 Anforderungen haben die Prüfungen von Schicht 1 bestanden ✅
Schicht 2 fand starke Domänrelevanz (+Punkte)
Schicht 2 identifizierte 2 Lücken, die Screening benötigen (−Punkte, aber behebbar)
Gehalt und Standort sind beide grüne Flaggen (+Punkte)

Was dies für Ihren Workflow bedeutet

Mit Zwei-Schichten-Matching ändert sich Ihre tägliche Kandidatenprüfung dramatisch:

Öffnen Sie Ihre Pipeline — sehen Sie 15 Kandidaten einer Stelle zugeordnet
Überprüfen Sie die Bewertungen — 3 Grüne (85+), 7 Gelbe (60-84), 5 Rote (unter 60)
Beginnen Sie mit den Grünen — öffnen Sie die Scorecard, prüfen Sie die Flaggen
Prüfen Sie die Gelben — die Scorecard sagt genau, was fehlt und ob es behebbar ist
Überspringen Sie die Roten mit Zuversicht — Schicht 1 hat harte Anforderungsabweichungen erkannt

Was früher 5-15 Minuten pro Kandidat dauerte, nimmt jetzt 30 Sekunden Scorecard-Prüfung ein. Bei 20 Kandidaten pro Tag sind das über 2 Stunden gespart.

Möchten Sie das Zwei-Schichten-Matching in Aktion sehen? Testen Sie Inga CRM kostenlos — ordnen Sie einen Kandidaten einer Stelle zu und erhalten Sie Ihre erste Scorecard in unter 5 Sekunden.