Produkt: Talent Studio CV Scoring Engine

Anbieter: talentsconnect operations GmbH

Regulierung: EU-KI-Verordnung, Artikel 13 (Transparenz und Bereitstellung von Informationen für Betreiber)

1. Zweckbestimmung

Dieses System ist ein beratendes Hilfsmittel, das professionelle Personalvermittlerinnen und Personalvermittler dabei unterstützt, Übereinstimmungen zwischen den Kompetenzen von Bewerberinnen und Bewerbern und den Anforderungen einer Stelle zu erkennen. Es analysiert hochgeladene Bewerbungsunterlagen (Lebensläufe, Anschreiben, Zeugnisse), extrahiert berufliche Kompetenzen und gleicht diese mit rollenspezifischen Anforderungen ab, um einen Match-Score und eine Prognose zu erzeugen.

Das System ist ausschließlich für eine vorbereitende Beurteilung bestimmt und darf nicht für automatisierte Einstellungs- oder Ablehnungsentscheidungen verwendet werden.

Alle Einstellungsentscheidungen verbleiben vollständig bei der menschlichen Recruiterin oder dem menschlichen Recruiter. Das System löst keine Aktion im Bewerbungsprozess (Vorauswahl, Vorstellungsgespräch, Angebot, Einstellung oder Ablehnung) aus, schränkt sie ein oder automatisiert sie.

2. Fähigkeiten und Leistung

Kompetenzextraktion

Das System extrahiert berufliche Kompetenzen aus Bewerbungsunterlagen mithilfe zweier unabhängiger Verfahren, die parallel ablaufen:

• Statistische Extraktion: Identifiziert Kompetenzen anhand eines Abgleichs mit einer Arbeitsmarkt-Taxonomie. Liefert Kompetenzen mit Taxonomie-IDs und Konfidenzwerten zurück.

• LLM-basierte Extraktion (Claude Sonnet 4 über AWS Bedrock): Identifiziert Kompetenzen einschließlich der Ableitung übergeordneter Kategorien (z. B. die Erkennung, dass „SAP SuccessFactors“ HRIS-Kompetenz impliziert).

Kombinierte Parsing-Genauigkeit: ca. 94 % (validiert anhand unserer Beispieldatenbank von Test-Lebensläufen in 6 Formaten: Standard, tabellarisch, mehrspaltig, im Fließtext eingebettet, nicht standardisierte Datumsangaben sowie deutschsprachig).

Kompetenzabgleich

Bewerberkompetenzen werden den Rollenanforderungen wie folgt zugeordnet:

• Exakter Abgleich: Vergleich anhand der Market-Intelligence-Skill-ID sowie Abgleich normalisierter Kompetenzbezeichnungen.

• Semantischer Abgleich: Unser Modell erkennt verwandte, aber unterschiedlich benannte Kompetenzen. Ein Ähnlichkeitsschwellenwert von 0,60 wird angewendet; Treffer unterhalb dieses Wertes werden verworfen.

Semantische Treffer erhalten gegenüber exakten Treffern einen Konfidenzabschlag von 20 %.

Bewertung

Der finale Score setzt sich zusammen aus:

• Skill-Match-Score (75 % Gewichtung): Cosinus-Ähnlichkeit in einem Rollen-Skill-Vektorraum, gewichtet nach Wichtigkeit der Kompetenz (definierend > differenzierend > notwendig) und Priorität (erforderlich > bevorzugt > wünschenswert).

• Semantischer Ähnlichkeits-Score (25 % Gewichtung): Dokumentbezogene Ähnlichkeit zwischen Bewerberprofil und Stellenbeschreibung (nur verfügbar, wenn unser semantisches Modell verfügbar ist).

Prognose-Labels

Wichtig: Wenn eine vom Hiring Manager als „erforderlich“ markierte Kompetenz fehlt, wird die Prognose unabhängig vom numerischen Score automatisch auf „Good Fit“ begrenzt.

Sprachunterstützung

• Alle Kompetenzen werden ins Englische übersetzt, um einen fairen sprachübergreifenden Vergleich sicherzustellen.

• Deutschsprachige Lebensläufe werden vollständig unterstützt (OCR, Datums-Parsing, Abschnittsüberschriften, Übersetzung von Kompetenzbezeichnungen).

• Die Übersetzungs-Pipeline cached Übersetzungen, um Konsistenz zu gewährleisten.

3. Bekannte Einschränkungen und Risiken

OCR-Zuverlässigkeit

Eingescannte Dokumente können zu einer geringeren Extraktionsqualität führen. Wenn ein Score für eine Person mit starkem Hintergrund ungewöhnlich niedrig erscheint, prüfen Sie den extrahierten Text, indem Sie die Kompetenzliste der Bewerberin oder des Bewerbers in der Benutzeroberfläche überprüfen. Das erneute Hochladen einer textbasierten Version des Dokuments führt zu zuverlässigeren Ergebnissen.

Semantische Drift

Unser semantisches Modell kann gelegentlich Treffer vorschlagen, die kontextuell ähnlich, funktional jedoch unterschiedlich sind (z. B. „Projektmanagement“, das mit „Change Management“ abgeglichen wird). Semantische Treffer werden in der Skill-Übersicht stets als solche gekennzeichnet und erhalten ein reduziertes Konfidenzgewicht. Bewerten Sie semantische Treffer nach professionellem Ermessen.

Nicht-Determinismus

Geringe Abweichungen beim LLM-Parsing können zwischen einzelnen Scoring-Durchläufen auftreten, insbesondere nach Modell-Updates. Der Score ist eine Momentaufnahme zum Zeitpunkt der Bewertung, kein dauerhafter absoluter Wert. Der Kern-Algorithmus der Bewertung (Cosinus-Ähnlichkeit, Schwellenwerte) ist vollständig deterministisch – Variationen entstehen ausschließlich durch den Extraktionsschritt.

Vokabular-Diskrepanz

Bewerberinnen und Bewerber, die über relevante Fähigkeiten verfügen, diese jedoch mit nicht standardisierter Terminologie beschreiben, können niedriger bewertet werden als erwartet. Das System mildert dies durch Ableitung übergeordneter Kategorien, semantischen Abgleich und Normalisierung von Kompetenzbezeichnungen ab, kann das Problem der Vokabular-Diskrepanz jedoch nicht vollständig lösen. Vergleichen Sie die Liste der „fehlenden Kompetenzen“ stets mit dem ursprünglichen Lebenslauf.

Taxonomie-Lücken

Einige neu entstehende oder Nischen-Berufskompetenzen sind möglicherweise nicht in der Market-Intelligence-Taxonomie enthalten. Diese Kompetenzen werden über die LLM-Extraktion mit deterministischen, eigens vergebenen IDs erfasst, können jedoch eine geringere Match-Konfidenz aufweisen.

4. Hinweise zur menschlichen Aufsicht (Artikel 14)

Recruiterinnen und Recruiter MÜSSEN bei der Verwendung KI-generierter Scores die folgenden Vorgaben einhalten:

Fehlende Kompetenzen verifizieren

Bevor Sie eine Bewerberin oder einen Bewerber aufgrund eines niedrigen Scores zurückstellen, prüfen Sie die Liste „fehlende Kompetenzen“ manuell anhand des Lebenslaufs. Die KI hat möglicherweise ein Synonym, eine abweichend formatierte Kompetenzbezeichnung oder eine in einer Tätigkeitsbeschreibung statt im Skill-Bereich eingebettete Kompetenz übersehen.

Übersteuerungsbefugnis ausüben

Recruiterinnen und Recruiter haben die volle Befugnis, jede Bewerberin oder jeden Bewerber unabhängig vom Prognose-Label weiter zu berücksichtigen. Der Score ist nur einer von vielen Datenpunkten. Eindrücke aus Vorstellungsgesprächen, kulturelle Passung, Entwicklungspotenzial und Referenzen sind ebenso wichtig oder wichtiger und werden von der Scoring-Engine nicht erfasst.

Halo-Effekt vermeiden

Beachten Sie, dass „Strong Fit“-Labels einen Halo-Effekt erzeugen können – eine unbewusste Tendenz, eine Bewerberin oder einen Bewerber aufgrund eines positiven Signals in allen Dimensionen günstiger zu bewerten. Behandeln Sie das Label als Aufforderung, sich die Details des Skill-Matches genauer anzusehen, und nicht als Grund, die Bewertung einzustellen.

Ankereffekt vermeiden

Umgekehrt können „Stretch“- oder „Aspirational“-Labels eine unbewusste negative Verankerung bewirken. Ein niedriger Skill-Match-Score bedeutet nicht, dass die Bewerberin oder der Bewerber ungeeignet ist – er bedeutet, dass die extrahierten Kompetenzen sich nicht stark mit den definierten Rollenanforderungen überschnitten haben. Die Person verfügt möglicherweise über relevante, anders ausgedrückte Erfahrung oder ist eine starke kulturelle oder entwicklungsbezogene Passung.

Score-Transparenz prüfen

Jeder Score umfasst:

• Übereinstimmende Kompetenzen: Kompetenzen, über die die Person verfügt und die die Rolle erfordert (mit Match-Typ: exakt oder semantisch).

• Fehlende Kompetenzen: Für die Rolle erforderliche Kompetenzen, die im Profil der Person nicht gefunden wurden (mit Wichtigkeitsstufe).

• Zusätzliche Kompetenzen: Kompetenzen der Person, die über die Anforderungen der Rolle hinausgehen.

• Kategorie-Übersicht: Separate Scores für definierende, differenzierende und notwendige Kompetenzkategorien.

• Erfüllung der Kriterien: Wie viele erforderliche, bevorzugte und wünschenswerte Kriterien erfüllt sind.

Nutzen Sie diese Details, um sich Ihr eigenes Urteil zu bilden, anstatt sich ausschließlich auf den Gesamt-Score zu verlassen.

Vermutete Probleme melden

Wenn Sie Muster bemerken, die auf systematische Verzerrungen oder technisches Fehlverhalten hindeuten (z. B. durchgängig niedrige Scores für Bewerberinnen und Bewerber bestimmter Hintergründe, Übersehen von Kompetenzen trotz klarer Erwähnung im Lebenslauf), melden Sie dies unverzüglich gemäß dem in Abschnitt 5 beschriebenen Verfahren.

5. Wartung und Support

Updates

• Sicherheitsupdates: Werden bei Bedarf über die standardmäßige Deployment-Pipeline ausgerollt.

• Taxonomie-Updates: Veröffentlichungen der Market Intelligence werden quartalsweise verfolgt.

• Modell-Updates: Versionsänderungen bei Bedrock-Modellen werden vor der Übernahme geprüft; die Konfiguration ist auf bestimmte Modell-IDs festgelegt.

• Änderungen am Scoring-Algorithmus: Werden in der technischen Dokumentation festgehalten und an Betreiber kommuniziert.

Vorfallmeldung

Wenn Sie systematische Verzerrungen, unerwartete Scoring-Muster oder technisches Fehlverhalten in der Scoring-Engine feststellen:

1. Dokumentieren Sie den konkreten Fall bzw. die konkreten Fälle mit Bewerber-IDs sowie beobachtetem und erwartetem Verhalten.

2. Melden Sie diese unverzüglich an datenschutz@talentsconnect.com.

3. Fügen Sie nach Möglichkeit Screenshots der Score-Übersicht bei.

Meldungen werden innerhalb von 5 Werktagen geprüft und können Aktualisierungen des im technischen Dossier zur EU-KI-Verordnung geführten Risikoregisters auslösen.

Dokumentation

Die vollständige technische Dokumentation für dieses System – einschließlich des algorithmischen Designs, der Daten-Governance, des Risikoregisters sowie der ALTAI-Selbstbewertung – wird im technischen Dossier zur EU-KI-Verordnung geführt. Sie ist auf Anfrage und gegen Unterzeichnung einer Vertraulichkeitsvereinbarung (NDA) verfügbar.

Dokumenthistorie