Wie KI-gestütztes CV-Screening die Time-to-Hire verkürzt, ohne Voreingenommenheit zu verstecken

Wer 300 Lebensläufe für eine einzige Backend-Stelle sichtet, braucht rund 23 Stunden, bevor das erste Gespräch angesetzt ist. Diesen Schritt zu automatisieren ist leicht. Ihn zu automatisieren, ohne stillschweigend die Einstellungsmuster von gestern festzuschreiben, ist der schwierige Teil.

Die wahren Kosten langsamer Vorauswahl

Bei zwölf EvalCV-Beta-Kunden lag der Median von der Bewerbung bis zum ersten Gespräch bei 11 Arbeitstagen. Der größte Teil davon war Warten: Lebensläufe, die darauf warteten, dass jemand mit genug Kontext sie sorgfältig las. Starke Kandidaten warten selten so lange. Bis zum achten Tag hatte ein Drittel der Bewerber auf der Shortlist bereits ein anderes Verfahren zugesagt.

Wo sich Voreingenommenheit beim automatisierten Screening versteckt

Die meisten Screening-Tools lernen aus früheren Einstellungsentscheidungen. Wenn diese bestimmte Universitäten, Postleitzahlen oder Karriereverläufe bevorzugten, lernt das Modell dasselbe – und präsentiert das Ergebnis als objektive Zahl.

Das Problem sind die Proxys, nicht das Modell

Namen und Fotos sind offensichtlich. Lücken im Lebenslauf, Abschlussjahre und Wohnadressen sind es nicht, korrelieren aber genauso stark mit geschützten Merkmalen. EvalCV entfernt sie vor der Bewertung und protokolliert, dass es das getan hat.

„Ein Score, den niemand erklären kann, ist nur ein schnellerer Weg, dieselben Fehler zu machen.“

Scores, die sich erklären lassen

Statt auf früheren Ergebnissen zu trainieren, bewertet EvalCV jeden Lebenslauf ausschließlich anhand der in der Stellenbeschreibung formulierten Anforderungen. Jeder Punkt im Score ist einer Anforderung und einer zitierten Belegstelle aus dem Lebenslauf zugeordnet.

Im Recruiter-Portal listet die Score-Aufschlüsselung jede Anforderung mit dem Satz aus dem Lebenslauf auf, der sie erfüllt. Recruiter können von der Zahl zu den Worten dahinter klicken – und widersprechen, wenn sie es möchten.

Was die API zurückgibt

Dieselben Belege stehen auch programmatisch bereit, sodass Teams, die EvalCV an ihr ATS anbinden, sie ebenfalls den Hiring Managern zeigen können.

POST /v1/score
{ "job_id": "job_8f2c41", "cv_id": "cv_31d0a7" }

200 OK
{
  "score": 78,
  "matched": ["Spring Boot", "PostgreSQL", "5+ years backend"],
  "missing": ["Kubernetes in production"],
  "evidence": [{
    "requirement": "Spring Boot",
    "quote": "Led migration of 14 services to Spring Boot 3"
  }],
  "excluded_signals": ["name", "photo", "date_of_birth", "address"]
}

Die Liste der ausgeschlossenen Merkmale

Das Feld excluded_signals gibt es für Auditoren. Es hält bei jeder einzelnen Anfrage fest, welche Felder entfernt wurden, bevor das Modell den Lebenslauf sah.

Time-to-Hire ehrlich messen

Nach acht Wochen sank der Median bis zum ersten Gespräch von 11 auf 4 Arbeitstage. Noch aufschlussreicher: Der Anteil der eingeladenen Kandidaten mit nicht-traditionellem Hintergrund stieg leicht, statt zu sinken – das Gegenteil dessen, was wir befürchtet hatten.

Probieren Sie es an Ihren eigenen Stellen aus. Im kostenlosen Tarif von EvalCV können Sie Lebensläufe gegen eine echte Stellenbeschreibung bewerten. Tarife und Limits finden Sie auf evalcv.com.

Was wir anders machen würden

Wir haben das Scoring ausgeliefert, bevor wir die Belegansicht ausgeliefert haben. Recruiter vertrauten den Zahlen in den ersten Wochen weniger – und das zu Recht. Beim nächsten Mal kommt die Erklärung zuerst.