Es ist Dienstag, 244 Bewerbungen für 1 Stelle liegen in Ihrer Warteschlange, und der Hiring Manager will bis Donnerstag Namen sehen. Ihr Kandidaten-Shortlisting muss eine belastbare Auswahl von Personen liefern, die Sie im Rahmen Ihrer Interviewkapazität bewerten können – beginnend mit dem Lebenslauf-Screening.
Die Bewerbungen pro Stelle stiegen von 116 im Jahr 2022 auf 244 im Jahr 2025, während die Recruiting-Teams laut Greenhouses globalen Benchmarks um 56% schrumpften.
In einer Gartner-Umfrage unter 3.290 Kandidaten setzten 39% bei der Bewerbung KI ein. Deshalb klingen so viele Lebensläufe ähnlich, und das Bauchgefühl hat weniger, woran es sich festhalten kann.
Bei angenommenen 2 Minuten pro Lebenslauf sind das 8 Stunden Lesen, bevor Sie eine Notiz schreiben. Und das Lesen wird ungleichmäßig: In Interviewstudien werten Personen einen Kandidaten nach einer Reihe starker Kandidaten schlechter. Das ist keine Nachlässigkeit: Bewertende teilen ihre Ja-Stimmen innerhalb einer Sitzung stillschweigend ein.
So erstellen Sie in 3 Schritten eine Shortlist, die Sie verteidigen können. Legen Sie zuerst gemeinsam mit dem Hiring Manager gewichtete Kriterien fest, bewerten Sie jeden Lebenslauf in zufällig gemischter Reihenfolge nach demselben Schema und legen Sie die Größe der Liste anhand Ihrer Interviewstunden fest.
Wichtigste Erkenntnisse
- Wie viele sollte ich auf die Shortlist setzen? Arbeiten Sie rückwärts von Ihrer Interviewkapazität und den Anforderungen der Stelle. Das Beispiel mit 19 Personen weiter unten ist eine Rechnung mit aggregierten Zahlen, kein Ziel für jede Stelle.
- Warum die Kriterien vor dem ersten Lebenslauf festlegen? Bewertende biegen Kriterien auf einen Lebenslauf zurecht, der ihnen gefällt. In Yale-Studien beseitigte das Festlegen vorab Geschlechterverzerrung.
- Sollte ich nur Lebensläufe auf die Shortlist setzen, die 8 von 10 Punkten erreichen? Nein. In der Hälfte (51,8%) von 1.024 Flowmingo-Projekten mit 20+ KI-bewerteten Lebensläufen erreichte keiner 8.
- Ändert die Reihenfolge der Lebensläufe, wer auf die Liste kommt? Ja. 22 KI-Modelle wählten in 63,5% der Fälle den ersten von 2 gleich qualifizierten Lebensläufen.
- Kann ich ChatGPT 200 Lebensläufe in eine Rangfolge bringen lassen? Nur als erste Sortierung, die ein Mensch prüft. Versteckter Text in Lebensläufen täuschte KI-Screener in einigen Tests in über 80% der Fälle.
1. Wie funktioniert Kandidaten-Shortlisting mit 244 Bewerbern und 2 Tagen, ohne jeden Lebenslauf zu lesen?
Lesen Sie 244 Lebensläufe nicht in der Reihenfolge des Eingangs. Führen Sie das Kandidaten-Shortlisting in 3 Durchgängen durch: harte Fakten, dann gewichtete Scores, dann eine manuelle Durchsicht des oberen Segments und des Bereichs direkt darunter.
Die Reihenfolge des Eingangs wirkt neutral, hat aber nichts mit der Stelle zu tun. Die erste Bewerbung bekommt Ihre frischeste Aufmerksamkeit, die Bewerbung von Tag 4 bekommt den Rest. Durchgänge lösen das, weil jeder Durchgang jedem Lebenslauf dieselbe Frage stellt.
Die folgende Abbildung zeigt die 3 Durchgänge. Durchgang 1 prüft 2 oder 3 harte Fakten, etwa Kernarbeitszeiten, die Sie in der Bewerbung abfragen. Da sie nur bestanden/nicht bestanden sein können, beantworten die Kandidaten sie, und Sie müssen dafür keine Lesezeit aufwenden.
Durchgang 2 bewertet alle Verbliebenen anhand von 4 bis 6 Kriterien mit jeweils 0 bis 10 Punkten, nach derselben Formel für alle. Durchgang 3 bringt Ihr Urteilsvermögen zurück: Sie sichten die Spitze des Rankings und die wenigen Lebensläufe knapp unter Ihrer Auswahlschwelle von Hand.
Diese letzte menschliche Sichtung ist wichtig, weil eine Bewertungsformel einen ungewöhnlichen Lebenslauf übersehen kann. Ein Quereinsteiger kann zum Beispiel Vertragsverlängerungen unter einer Jobbezeichnung im Vertrieb bearbeitet haben, die Ihre Kriterien nie erwähnen.

Shortlist in 3 Durchgängen: harte Fakten, gewichtete Bewertungen, dann eine manuelle Sichtung der Spitzenauswahl, bemessen an Ihren Interviewstunden.
Flowmingo-Daten · 237.650 Bewerbende · 10.074 Einstellungsprojekte · 4.857 Unternehmen · Projekte erstellt vom 1. Juli 2025 bis 24. August 2026
- 50 % aller Bewerbenden befanden sich in einem Einstellungsprojekt mit 174 oder mehr Bewerbenden.
Zählt alle in einem Projekt (hochgeladen, eingeladen oder aus einer Stellenanzeige), jeden Mehrfachbewerber einmal. Viele Projekte sind Testläufe.
2. Welche Kriterien für das Kandidaten-Shortlisting sollte ich vor dem ersten Lebenslauf formulieren, damit jede Auswahl standhält?
Formulieren Sie 4 bis 6 Kriterien ausgehend davon, was die Stelle leisten muss, und stimmen Sie sie mit der einstellenden Führungskraft ab, bevor jemand einen Lebenslauf öffnet. Legen Sie 2 oder 3 harte Fakten als Bestanden/Nicht-bestanden-Kriterien fest, und gewichten Sie den Rest.
Sie zuerst zu formulieren ist wichtig, weil das Lesen von Lebensläufen Ihr Urteil verzerrt. In grundlegenden Yale-Studien bewerteten Personen Bewerbungen für eine fiktive Stelle als Polizeichef.
Wenn der männliche Bewerber mehr Straßenerfahrung hatte, sagten die Leute, Straßenerfahrung sei wichtiger. Wenn er mehr Bildung hatte, sagten sie, Bildung sei wichtiger.
Die vorherige Festlegung auf Kriterien beseitigte diese Geschlechterverzerrung in der 3. Studie, und die Personen, die sich am objektivsten fühlten, waren am stärksten voreingenommen. Die Einstellungen waren hypothetisch, aber die Warnung ist klar: Kriterien, die nach dem Lesen geschrieben werden, beschreiben den Lebenslauf, der Ihnen ohnehin schon gefällt.
Angenommen, Sie stellen einen Customer Success Manager ein (illustrativ, keine Kundendaten). Fragen Sie die harten Fakten als Fragen für Vorab-Interviews ab und notieren Sie dann, welche Belege welche Punktzahl begründen:
| Kriterium | Gewichtung | Belege für 8 bis 10 | Für 3 bis 5 |
|---|---|---|---|
| Kernarbeitszeiten; Arbeitsberechtigung, sofern rechtlich zulässig danach zu fragen | Bestanden/nicht bestanden, abgefragt | Antwortet mit Ja | |
| Verlängerungen in einem B2B-Bestand | Muss-Kriterium, 4 | Bestandsgröße und ein Verlängerungsergebnis | Kein Umfang oder Ergebnis |
| Kunden-Onboarding | Sehr wichtig, 3 | Ein Plan, den die Person umgesetzt hat, und was sich verändert hat | Hat teilgenommen |
| Tägliche CRM-Nutzung | Wichtig, 2 | Das CRM und was die Person darin verfolgt hat | CRM unter Kenntnissen |
| SaaS-Erfahrung | Wünschenswert, 1 | An einem SaaS-Produkt gearbeitet | Angrenzende Software |
| Kein Beleg | Regel | Punktzahl 3, Vermerk „nicht angegeben“: weder null noch übersprungen |
Verlängerungen wiegen am schwersten, weil Erfolg oder Scheitern eines Customer Success Managers davon abhängen. Ein Lebenslauf, der zu einem Kriterium nichts sagt, erhält 3 Punkte, weil eine Null jemanden bestrafen würde, der es weggelassen hat. Die Zeile zu überspringen wäre schlimmer: Ein Lebenslauf, der weniger aussagt, würde dann nur nach seinen Stärken bewertet.
3. Mein Hiring Manager lehnt meine Shortlist immer wieder ab. Wie einigen wir uns vor dem Screening auf die Auswahlgrenze?
Einigen Sie sich auf die Kriterien und Gewichtungen; dann bewerten Sie und der Hiring Manager jeweils dieselben 5 Lebensläufe unabhängig voneinander und vergleichen. Wo Ihre Bewertungen auseinandergehen, korrigieren Sie das Kriterium, nicht die Person.
Eine Shortlist kann scheitern, weil Sie und der Hiring Manager unterschiedliche Anforderungen an die Stelle vor Augen haben.
Laut Noise, einem grundlegenden Buch über Urteilsvermögen, sind sich 2 Interviewer im selben Panel in etwa 1 von 4 Fällen uneinig darüber, welcher Kandidat besser war.
Wenn Personen Kandidaten getrennt voneinander sehen, wie Sie und Ihr Hiring Manager es üblicherweise tun, steigt das auf etwa 1 von 3. Das ist unsere Berechnung auf Basis von Huffcutts Interviewforschung, keine Studie über Lebensläufe. Dennoch bedeutet es, dass eine abgelehnte Shortlist meist Rauschen ist und kein Beweis dafür, dass einer von Ihnen falsch liegt.
Angenommen, Sie geben einem Lebenslauf bei Verlängerungen 8 Punkte und Ihr Hiring Manager gibt ihm 4. Wenn Sie es durchsprechen, stellen Sie fest, dass er Enterprise-Verlängerungen möchte und der Lebenslauf kleine Accounts zeigt. Korrigieren Sie dieses Kriterium einmal, bevor das Kandidaten-Shortlisting beginnt, und es ist für alle 244 Lebensläufe korrigiert.
Der Lösungsansatz des Buchs, aus der Praxis statt aus einer Studie, besteht darin, jeden Teil zu bewerten, bevor es ein Gesamturteil gibt:
- Wählen Sie 5 Lebensläufe quer durch den Stapel aus. Wo Ihre Bewertungen 3+ Punkte auseinanderliegen, notieren Sie ein hohes und ein niedriges Beispiel.
- Der Hiring Manager gibt die Kriterien frei, und jede spätere abweichende Entscheidung erhält eine schriftliche Begründung.
- Einigen Sie sich gemeinsam schriftlich auf jede pauschale Auswahlgrenze, etwa „kein Abschluss, kein Gespräch“, denn eine solche Regel sortiert Menschen schnell aus.
4. Braucht die Kandidaten-Shortlist für 200 Lebensläufe eine Bewertungsmatrix, oder reicht ein Ja/Vielleicht/Nein-Stapel?
Nutze eine Bewertungsmatrix, denn ein „Vielleicht“-Stapel verdeckt, warum jemand darin liegt. Bewerte 4 bis 6 gewichtete Kriterien mit 0 bis 10 und summiere sie für alle auf dieselbe Weise.
Sagen wir, 60 Lebensläufe liegen im Vielleicht: Bis Tag 2 erinnert sich niemand mehr, warum.
Eine grundlegende Übersichtsarbeit von Kuncel und Kollegen aus dem Jahr 2013 verglich Expertinnen und Experten, die sich ein Gesamtbild bildeten, mit einer festen Formel, die einzelne Punktzahlen addierte. Die Formel sagte die Arbeitsleistung um mehr als 50 % besser voraus, obwohl die Expertinnen und Experten den Job kannten.
In der Praxis packst du dein Urteil in die Bewertung jedes Kriteriums und lässt dann die Gesamtpunktzahl die Rangfolge bestimmen.
So sieht es am Beispiel aus Abschnitt 2 aus (illustrativ, keine Kundendaten):
| Kriterium (Gewichtung) | A | B | C |
|---|---|---|---|
| Verlängerungen (4) | 8 | 4 | 9 |
| Onboarding (3) | 7 | 8 | 6 |
| CRM (2) | 6 | 9 | 4 |
| SaaS (1) | 5 | 10 | 2 |
| Gewichtete Punktzahl /10 | 7.0 | 6.8 | 6.4 |
| Einfacher Durchschnitt /10 | 6.5 | 7.75 | 5.25 |
Gewichtete Punktzahl = (4 x Verlängerungen + 3 x Onboarding + 2 x CRM + 1 x SaaS) / 10.
B hat den besten einfachen Durchschnitt, 7.75, dank Spitzenwerten bei CRM und SaaS, aber nur 4 bei Verlängerungen, dem Muss-Kriterium. Gewichtet führt A mit 7.0, weil A dort stark ist, wo die Aufgabe am schwierigsten ist.
C hat die stärksten Verlängerungen, 9, aber dünne CRM- und SaaS-Details ziehen C auf 6.4 herunter – ein Lebenslauf für deinen dritten Lesedurchgang. Bevor du eine Bestehensgrenze festlegst, schau dir an, wie echte Lebensläufe abschneiden.
Flowmingo-Daten · 105,648 Lebensläufe · 50,546 Kandidaten · 3,815 Einstellungsprojekte · 1,761 Unternehmen · 10. Juli bis 24. September 2026
- 5.4 von 10 betrug die mediane Lebenslauf-Bewertung anhand der eigenen gewichteten Kriterien jeder Stelle.
- 19.0% der Lebensläufe erreichten 7 oder mehr von 10 bei den Kriterien ihrer jeweiligen Stelle.
- 4.0% der Lebensläufe erreichten 8 oder mehr von 10 bei den Kriterien ihrer jeweiligen Stelle.
KI-Bewertungen von Lebensläufen, nicht Kandidatenqualität oder Einstellungsergebnisse; nicht über Stellen hinweg vergleichbar. Strenge Kriterien oder Massen-Uploads senken die Bewertungen; nicht bewertbare Lebensläufe und Bewertungen vor dem 10. Juli sind ausgeschlossen.
Das folgende Diagramm zeigt, wie schnell die Bewertungen ausdünnen. Knapp mehr als die Hälfte der Lebensläufe (56.4%) erreichte 5, und etwa jeder fünfte (19.0%) erreichte 7. Nur 4.0% erreichten 8 und 0.1% erreichten 9.

Verteilung der Lebenslauf-Bewertungen, Flowmingo-Daten: Nur 4,0 % von 105.648 Lebensläufen erreichten 8 oder mehr von 10 Punkten gemessen an den eigenen Kriterien ihrer jeweiligen Stelle.
Eine 8 erfordert klare Belege für nahezu jedes Kriterium, und nur wenige Lebensläufe führen das aus. Eine Regel wie „nur die 8er zum Interview einladen“ lässt bei vielen Stellen daher nur eine winzige Liste übrig – oder gar keine.
So hilft Flowmingo
Lebenslauf-Bewertung verwandelt eine Stellenbeschreibung in Kriterien, die Sie bearbeiten und von Must Have (4) bis Good to Have (1) bewerten. Es bewertet jeden Lebenslauf je Kriterium mit 0 bis 10 Punkten und schriftlichen Belegen, wobei fehlende Belege als 3 zählen. Es filtert niemanden automatisch heraus: Angesichts der oben genannten Zahlen sollten Sie nach Lebenslauf-Bewertung sortieren, statt auf 8-10 zu filtern.
5. Die Hälfte meiner Lebensläufe klingt wie ChatGPT. Was kann mir ein Lebenslauf vor der Vorauswahl noch sagen?
Nutzen Sie den Lebenslauf für harte Fakten und Fragen, die Sie stellen sollten, nicht als Nachweis von Können. Feinschliff kostet heute nichts, geben Sie daher allen, die die Lebenslauf-Vorauswahl passieren, dieselbe Arbeitsprobe oder dasselbe strukturierte Interview.
Feinschliff war früher aufwendig. In derselben Gartner-Umfrage unter 3.290 Kandidaten gaben nun 54 % derjenigen, die KI nutzten, an, ihren Lebenslauftext damit geschrieben zu haben.
Das folgende Diagramm bewertet jede Methode von 0 – kein Zusammenhang mit der späteren Arbeitsleistung – bis 1 – eine perfekte Übereinstimmung, die keine Methode erreicht. Strukturierte Interviews führen mit 0,42, laut einer grundlegenden Neuanalyse von 2022 von Sackett und Kollegen.
In derselben Neuanalyse folgen Berufswissenstests mit 0,40, Arbeitsproben mit 0,33 und kognitive Fähigkeitstests mit 0,31. Die Punkte, mit denen die meisten Lebensläufe vorneweg werben, stehen am Ende: Erfahrung in einer relevanten Tätigkeit mit 0,07, frühere Berufserfahrung mit 0,06 (Van Iddekinge).

Was Leistung vorhersagt: Strukturierte Interviews korrelieren am besten mit der späteren Arbeitsleistung, Berufsjahre kaum.
Das heißt, die Anzahl der Jahre im Lebenslauf sagt wenig darüber aus, wer gute Arbeit leisten wird. Prüfen Sie also, was schwer zu fälschen ist:
- Ergebnisse, die Sie überprüfen können: Zahlen, genannte Systeme und Daten.
- 1 kurze Arbeitsprobe, für alle dieselbe, etwa eine Verlängerungs-E-Mail an einen unzufriedenen Kunden. Um die Arbeit bei der Ausführung zu sehen, lässt Showcase den Kandidaten seinen Bildschirm aufzeichnen, während er eine Aufgabe erledigt.
- Ein strukturiertes Interview, aufgebaut auf Interviewfragen, die die Arbeitsleistung vorhersagen.
5.1 Sollte ich einen Kandidaten ablehnen, weil eine KI beim Schreiben des Lebenslaufs geholfen hat?
Nein, nicht allein deswegen. Man kann einen KI-geschriebenen Lebenslauf nicht zuverlässig erkennen, und ein KI-Screener könnte ihn sogar bevorzugen.
In einer TopResume-Umfrage unter 600 US-amerikanischen Personalverantwortlichen erkannten nur 33,5 % die KI-geschriebenen Lebensläufe unter 4. Ein Verbot würde also auf Vermutungen beruhen.
KI-Screener bevorzugen außerdem Lebensläufe, die vom selben KI-Modell geschrieben wurden (Xu et al., ein Preprint, noch nicht in einer Fachzeitschrift erschienen). In simulierten Shortlists war die Wahrscheinlichkeit, in die Auswahl zu kommen, bei diesen Bewerbern um 23 % bis 60 % höher als bei gleich qualifizierten Bewerbern mit von Menschen geschriebenen Lebensläufen. Es ergibt also wenig Sinn, KI-geschriebene Lebensläufe abzulehnen, während man das Ranking mit KI vornimmt.
6. Ändert die Reihenfolge, in der ich 200 Lebensläufe lese, meine Shortlist? Wie behebe ich das?
Sehr wahrscheinlich: Interviewer bewerten Personen nach einer Serie starker Kandidaten schlechter, und die meisten getesteten KI-Modelle bevorzugen den zuerst aufgeführten Lebenslauf. Mischen Sie den Stapel, und bewerten Sie jeden Lebenslauf anhand des schriftlich festgelegten Maßstabs.
In einer grundlegenden Studie zu mehr als 9.000 MBA-Zulassungsinterviews verhielten sich Interviewer so, als hätten sie eine Tagesquote für hohe Bewertungen (Simonsohn und Gino). Nach einer starken Serie bewerteten sie den nächsten Bewerber schlechter.
Der Abzug entsprach etwa 23 Monaten Berufserfahrung und er wuchs im Laufe des Tages. Das bedeutet, dass starke Vorgänger Kandidaten schaden können. Es handelte sich um Interviews, nicht um das Lesen von Lebensläufen; die Übertragung auf Ihren Stapel ist daher unsere Schlussfolgerung.
KI hat einen eigenen Reihenfolgeeffekt. Rozado zeigte 22 KI-Modellen Paare gleich qualifizierter Lebensläufe, jedes Paar zweimal mit vertauschter Reihenfolge.
Über 30.690 Entscheidungen hinweg gewann der zuerst aufgeführte Lebenslauf in 63,5 % der Fälle und der zweite in 36,5 %, wobei faire Chancen bei 50 % liegen. Bei einer knappen Entscheidung kann also allein die Position darüber entscheiden, wer auf Ihre Liste kommt.

KI-Reihenfolgeeffekt: Über 22 KI-Modelle hinweg gewann der erste von 2 gleich qualifizierten Lebensläufen 63,5 % der Entscheidungen, wobei faire Chancen bei 50 % lägen.
Die Gegenmaßnahmen für dieses Risiko bei der Kandidatenvorauswahl sind günstig:
- Mischen Sie den Stapel, statt in Eingangs- oder alphabetischer Reihenfolge zu lesen.
- Bewerten Sie anhand der schriftlich festgelegten Messlatte, nicht anhand des CV, den Sie gerade gelesen haben.
- Legen Sie keine Quote an Ja-Entscheidungen pro Sitzung fest, und machen Sie Pausen.
- Bewerten Sie die ersten 10 CVs am Ende erneut.
- Lassen Sie bei KI jeden Vergleich zweimal mit vertauschter Reihenfolge laufen und geben Sie jede Abweichung an einen Menschen weiter.
7. Wie viele Kandidaten sollte ich zum Interview einladen, wenn sich über 200 Personen auf eine Stelle beworben haben?
Rechnen Sie von Ihren Interviewstunden und den Mindestanforderungen der Stelle zurück: 2025 kamen etwa 7,6 % der Bewerber durch die erste Phase, rund 19 von 244. Für die Kandidatenvorauswahl sollten Sie alle in eine Rangfolge bringen und die oberste Auswahl nehmen, nicht eine feste Bestehensgrenze.
Die 7,6 % sind der nordamerikanische Durchschnitt von Greenhouse für 2025 über 6.000+ Organisationen. Der folgende Funnel wendet ihn auf eine Stelle an: Von 244 Bewerbern bestehen etwa 19 Phase 1. Etwa 4 davon bestehen Phase 2, bei 22,0 %.

Shortlist-Funnel, 2025: Von 244 Bewerbern bestehen etwa 19 Phase 1 und etwa 4 Phase 2, nach unserer Berechnung auf Basis der Greenhouse-Durchschnittswerte.
Etwa 19 Erstinterviews plus etwa 4 Zweitinterviews kommen Greenhouses 22,7 Interviews pro Stelle nahe, bei 12,3 Interviewstunden pro Einstellung. Dennoch sind die 19 und 4 unsere Berechnung auf Basis von Durchschnittswerten, und Greenhouse definiert seine Phasen nicht, daher sollten Sie sie als Anhaltspunkt verstehen.
Angenommen, Sie können 14 Interviewstunden freimachen, bei 45 Minuten pro Erstinterview: Das sind etwa 19 Slots. Halten Sie 3 bis 5 Namen als Reserve für Ausfälle bereit, und prüfen Sie die Abschlussquoten von KI-Interviews, um zu sehen, wie viele tatsächlich abschließen.
Eine Rangfolge vermeidet eine willkürliche Punktegrenze, aber lassen Sie niemanden weiterkommen, dem eine wesentliche Anforderung fehlt, nur um die Liste zu füllen. In der Hälfte der Projekte unserer Kunden mit 20+ bewerteten CVs erreichte kein einziger CV eine 8.
Flowmingo-Daten · 1.024 Einstellungsprojekte mit 20+ bewerteten CVs · 90.629 CVs · 549 Unternehmen · 10. Juli bis 24. September 2026
- 51,8 % der Einstellungsprojekte mit 20 oder mehr bewerteten CVs hatten keinen CV mit einer Bewertung von 8 oder mehr.
- 6,6 von 10 betrug die Grenze für die besten 20 % im Median der Projekte, und der beste CV erreichte projektübergreifend im Median 7,9.
- 35,1 % der Projekte mit 100 oder mehr bewerteten CVs hatten weiterhin niemanden mit einer Bewertung von 8 oder mehr.
KI-CV-Bewertungen, keine Einstellungsergebnisse; die Ergebnisse hängen von den Kriterien und Bewerbern jeder Stelle ab. Gezählt werden CVs, die eine Punktzahl erreichen, nicht gute Einstellungen im Stapel.
8. Wie halte ich Verzerrungen aus der Kandidatenvorauswahl heraus, wenn KI oder müde Prüfer CVs bewerten?
Gehen Sie davon aus, dass sowohl die KI als auch der müde Prüfer voreingenommen sind, und kontrollieren Sie jede Aussonderung. Bewerten Sie ausschließlich anhand schriftlicher Kriterien, blenden Sie Namen aus, wo möglich, und überprüfen Sie jede Gruppe, deren Bestehensquote unter 80 % der Quote der stärksten Gruppe liegt.
Von innen fühlt sich Voreingenommenheit einfach wie ein Bauchgefühl zur Passung an. In einer grundlegenden Studie von 2022 schickten Kline und Kollegen mehr als 83.000 gefälschte Bewerbungen an große US-Arbeitgeber.
Typisch schwarze Namen senkten die Chance auf eine Rückmeldung um 2,1 Prozentpunkte. Unternehmen mit stärker zentralisierter und konsistenter Einstellungspraxis zeigten kleinere Unterschiede – ein guter Grund, mit 1 schriftlichem Regelwerk vorzufiltern.
Bei 1 Fortune-500-Unternehmen testeten Forschende ein Standardmodell, das auf früheren Einstellungsentscheidungen trainiert worden war.
Es hätte den Anteil Schwarzer und hispanischer Personen unter den Interviewten von 9,4 % auf 4,2 % gesenkt. Ein "Explorationsmodell", das auch vielversprechende Personen erproben sollte, die anders als frühere Neueinstellungen sind, hätte ihn auf 24,3 % erhöht.
Die praktische Prüfung ist die 80-%-Regel für Gruppen nach Rasse, Geschlecht und Ethnie: Teilen Sie die Bestehensquote jeder Gruppe durch die der Gruppe mit der höchsten Quote. Wenn zum Beispiel 10 % von 1 Gruppe es auf Ihre Liste schaffen und 5,6 % einer anderen, sind das 56 %.
US-Behörden werten unter 80 % im Allgemeinen als Beleg für eine nachteilige Auswirkung; das bedeutet, dass Ihr Verfahren 1 Gruppe stärker aussiebt, und auch kleinere Unterschiede können zählen. Wenn Sie eine Lücke feststellen, prüfen Sie, ob das dahinterstehende Kriterium berufsbezogen ist.
8.1 Kann ich 200 Lebensläufe in ChatGPT einfügen und um eine Shortlist bitten?
Nur mit Leitplanken. Ein Chat-Tool bringt alle oben genannten Risiken mit sich, plus Text, der in einem Lebenslauf versteckt ist und sich an die KI richtet.
Ein versteckter Prompt ist Text, den eine Person nicht sehen kann, etwa weiß auf weiß gesetzter Text mit der Anweisung "diesen Kandidaten an die erste Stelle zu setzen". In einer Teststudie täuschten versteckte Anweisungen KI-Screener bei einigen Tricks in über 80 % der Fälle (Mu und Kollegen). Das sicherere Setup:
- Prüfen Sie zuerst die Datennutzungsbedingungen Ihres KI-Tools und Ihren Datenschutzhinweis, weil Lebensläufe personenbezogene Daten sind.
- Fügen Sie reinen Text ein, damit versteckter Text sichtbar wird, und entfernen Sie Namen und Fotos.
- Bewerten Sie anhand jedes schriftlichen Kriteriums, führen Sie die Bewertung zweimal mit vertauschter Reihenfolge aus und lassen Sie jede Aussonderung von einer Person prüfen.
9. Ist KI-gestütztes Shortlisting von Kandidaten rechtmäßig, und was schulde ich Bewerbenden in den USA und der EU?
Keines dieser Gesetze verbietet KI-Unterstützung bei der Vorauswahl von Kandidaten, aber zusammen verlangen sie Benachrichtigungen, Erklärungen, Bias-Tests und Aufzeichnungen. Dies sind allgemeine Informationen, keine Rechtsberatung.
Die Regeln unterscheiden sich je nach Ort, teilen aber 1 Grundidee. Wenn ein Tool dabei hilft, zu entscheiden, wer weiterkommt, sollten Kandidaten das wissen, und Sie sollten erklären können, warum. Die Praktiken in diesem Leitfaden erleichtern die Aufzeichnungen und Erklärungen, ersetzen aber weder die Benachrichtigungen noch den Bias-Audit von New York City.
Die Tabelle fasst ausgewählte Pflichten für die gezeigten Rechtsräume und Anwendungsfälle zusammen. Ab 1. Jan. 2027 ergänzt Colorado eine Erklärung in einfacher Sprache innerhalb von 30 Tagen nach einer Ablehnung sowie einen Weg zur menschlichen Überprüfung.
| Wo | Regel, Beginn | Was Sie leisten müssen |
|---|---|---|
| New York City | Local Law 144, 5. Juli 2023 | Erfasste AEDTs: Audit innerhalb des vorangegangenen Jahres, öffentliche Zusammenfassung und vorgeschriebene Benachrichtigungen, einschließlich 10 Geschäftstage im Voraus für erfasste Kandidaten/Beschäftigte in NYC |
| Illinois | HB 3773, 1. Jan. 2026 | Benachrichtigung; keine diskriminierende Wirkung; keine Postleitzahl-Proxys |
| Kalifornien | Civil Rights Council, 1. Okt. 2025 | Aufzeichnungen über automatisierte Entscheidungen: 4 Jahre |
| Colorado | SB 26-189, 1. Jan. 2027 | Benachrichtigung; innerhalb von 30 Tagen nach einer Ablehnung: die Rolle des Tools in einfacher Sprache und ein Weg zur Überprüfung durch Menschen; Aufzeichnungen 3 Jahre |
| US-Bundesebene | 29 CFR 1607.4 und 1602.14 | 80%-Faustregel zur nachteiligen Auswirkung; Aufzeichnungen 1 Jahr oder bis eine etwaige Beschwerde abgeschlossen ist |
| EU | Regulation 2026/1744 | Pflichten für Hochrisiko-Systeme ab 2. Dez. 2027; DSGVO-Aufbewahrungsgrenzen jetzt |
| Vereinigtes Königreich | ICO guidance, wird überprüft | Aufzeichnungen über abgelehnte Kandidaten: nicht über die Anspruchsfrist hinaus, es sei denn, es gibt einen klaren geschäftlichen Grund |
| Singapur | Workplace Fairness Act, Ende 2027 | Keine Entscheidungen auf Grundlage geschützter Merkmale; Ansprüche bis S$250,000 |
Erfasst ist auch, wenn die Ausgabe allein verwendet wird, über allen anderen Kriterien steht oder andere Schlussfolgerungen überstimmt. Prüfen Sie die Regeln der DCWP zu Anwendungsbereich und Mitteilungen: Eine menschliche Überprüfung allein ist keine Ausnahme.
Die Regulierungsbehörden haben bislang wenig durchgesetzt. Als New York City 32 Unternehmen überprüfte, fand es 1 Problem. Staatsprüfer, die dieselben Unternehmen prüften, fanden mindestens 17 mögliche Verstöße (NY State Comptroller).
Private Klagen sind schneller. Im Workday-Fall sagen Bewerber ab 40, dass Workdays Screening-Software dazu beigetragen hat, sie abzulehnen.
Ein Gericht ließ ihre landesweite Altersklage weiterlaufen (Forbes). Das bedeutet, dass eine geringe Durchsetzung keine Verteidigung ist, wenn ein abgelehnter Kandidat klagt.
10. Wenn KI-Bewertungen und meine Shortlist nicht übereinstimmen, was gewinnt, und was sage ich meinem Chef?
Vertrauen Sie keinem von beiden blind: Stellen Sie die KI-Bewertung, Ihre Bewertung und die Belege nebeneinander und lassen Sie die schriftlichen Kriterien entscheiden. Geben Sie Ihrem Chef eine Rangliste mit Bewertung, Belegen und der zu prüfenden Lücke für jeden Namen.
Eine Uneinigkeit ist nützlich, weil sie auf ein Kriterium hinweist, das Sie und die KI unterschiedlich lesen. Prüfen Sie die Belege, bevor Sie über die Gesamtbewertung streiten.
Bei demselben Fortune-500-Unternehmen verfolgten Li und Kollegen 88.666 Bewerbungen, um zu sehen, wessen Auswahl für Vorstellungsgespräche eingestellt wurde.
Von den Personen, die menschliche Screener für ein Vorstellungsgespräch auswählten, bekamen 10 % die Stelle. Die Auswahl der Modelle hatte geschätzte Einstellungsquoten von 27 % (Explorationsmodell) und 32 % (Standardmodell).

Wessen Auswahlen zu Einstellungen führten: Interviewauswahlen menschlicher Prüfer im Vergleich zu den Auswahlen von 2 Screening-Modellen bei 1 Fortune-500-Unternehmen.
Aber das ist 1 Unternehmen mit geschätzten Raten. Dieses Standardmodell hätte zudem den Anteil Schwarzer und hispanischer Interviewter um mehr als die Hälfte verringert (Abschnitt 8). Prüfen Sie also beides und überlassen Sie die Entscheidung keinem von beiden.
Vergleichen Sie dann die finalen Kandidatennamen Seite an Seite anhand derselben Kriterien, damit die Belege entscheiden und nicht die Person, die Sie zuletzt gelesen haben.
Übergeben Sie die Belege zu jedem Namen, wie in einem Interview-Bewertungsbogen (nur zur Veranschaulichung, keine Kundendaten):
| Rang | Kandidat | Lebenslauf-Score | Belege | Zu prüfende Lücke | Entscheidung |
|---|---|---|---|---|---|
| 1 | A | 7.0 | Vertragsverlängerungen mit Bindungsergebnis | Onboarding-Tiefe | Interview |
| 2 | B | 6.8 | Ausgeprägte CRM- und SaaS-Details | Keine Verlängerungserfahrung | Interview |
| 3 | C | 6.4 | Vertragsverlängerungen mit Ergebnissen | Wenig CRM-Details | Reserve |
| Knapp verpasst | D | 5.9 | Onboarding- und CRM-Details | Muss-Kriterium mit 3 bewertet | Ausgeschlossen: niedrigste Gesamtpunktzahl (5.9) |
Die Zeile von D enthält die schriftliche Begründung: keine Belege für Vertragsverlängerungen, daher wurde das Muss-Kriterium mit 3 bewertet und die Gesamtpunktzahl sank auf 5.9. Das würden Sie Ihrer Führungskraft sagen – oder einem Kandidaten, der danach fragt.
Sobald Ihre Führungskraft zustimmt, teilen Sie jedem Kandidaten auf der Shortlist den nächsten Schritt, dessen Format, die Frist und an wen man sich wenden kann mit. Danach informieren Sie alle übrigen – mit unseren E-Mail-Vorlagen für Kandidatenabsagen.
So hilft Flowmingo
Flowmingo ist ein kostenloser KI-Interviewer für Recruiter. Für jeden Lebenslauf gibt es eine Bewertung pro Kriterium, Belege, Stärken, Lücken und Hinweise, was als Nächstes zu prüfen ist: die Spalten oben. Bewerber absolvieren dann das KI-Interview zu einem Zeitpunkt ihrer Wahl, und Sie teilen jeden Bericht per Link mit Ihrem Hiring Manager. Wer weiterkommt, entscheiden immer Sie. Testen Sie Flowmingo kostenlos für Ihr nächstes Kandidaten-Shortlisting.
11. Quellen
Jede Studie, jedes Gesetz und jede Umfrage in diesem Leitfaden ist unten mit einer Quelle verlinkt; die Flowmingo-Zahlen stammen aus den eigenen Plattformdaten von Flowmingo.
- California Civil Rights Department (2025). Civil Rights Council secures approval for regulations to protect against employment discrimination related to artificial intelligence. State of California.
- Callaham, S. (2026). A federal judge, a 1967 law and a billion rejected job applications. Forbes.
- Colorado General Assembly (2026). SB26-189: Automated decision-making technology. Colorado General Assembly.
- Crowell & Moring (2024). Artificial intelligence in employment update: Illinois requires notice and prohibits discriminatory impact in use of AI. Crowell & Moring LLP.
- European Parliament and Council (2026). Regulation (EU) 2026/1744 amending Regulation (EU) 2024/1689, the Digital Omnibus on AI. Official Journal of the European Union.
- Gartner (2025). Gartner survey shows just 26% of job applicants trust AI will fairly evaluate them. Gartner newsroom.
- Greenhouse (2026). The Hire Standard: Greenhouse benchmark report, North America. Greenhouse.
- Huffcutt, A. I., Culbertson, S. S., & Weyhrauch, W. S. (2013). Employment interview reliability: New meta-analytic estimates by structure and format. International Journal of Selection and Assessment.
- Information Commissioner's Office (n.d., read 2026). Keeping recruitment records. ICO.
- Kahneman, D., Sibony, O., & Sunstein, C. R. (2021; paperback 2022). Noise: A flaw in human judgment. Little, Brown Spark.
- Kline, P., Rose, E. K., & Walters, C. R. (2022). Systemic discrimination among large U.S. employers. The Quarterly Journal of Economics.
- Kuncel, N. R., Klieger, D. M., Connelly, B. S., & Ones, D. S. (2013). Mechanical versus clinical data combination in selection and admissions decisions: A meta-analysis. Journal of Applied Psychology.
- Li, D., Raymond, L., & Bergman, P. (2025). Hiring as exploration. The Review of Economic Studies.
- Ministry of Manpower, Singapore (2025). Workplace Fairness (Dispute Resolution) Bill press release. MOM.
- Mu, H., Liu, J., Wan, K., Xing, R., Chen, X., Baldwin, T., & Che, W. (2025). AI security beyond core domains: Resume screening as a case study of adversarial vulnerabilities in specialized LLM applications. arXiv preprint.
- NYC Department of Consumer and Worker Protection (n.d., read 2026). Automated employment decision tools (AEDT). City of New York.
- Office of the New York State Comptroller (2025). Enforcement of Local Law 144: Automated employment decision tools. Report 2024-N-6.
- Rozado, D. (2026). Gender and positional biases in LLM-based hiring decisions: Evidence from comparative CV/resume evaluations. PeerJ Computer Science.
- Sackett, P. R., Zhang, C., Berry, C. M., & Lievens, F. (2022). Revisiting meta-analytic estimates of validity in personnel selection: Addressing systematic overcorrection for restriction of range. Journal of Applied Psychology.
- Simonsohn, U., & Gino, F. (2013). Daily horizons: Evidence of narrow bracketing in judgment from 10 years of MBA admissions interviews. Psychological Science, via EurekAlert.
- TopResume (2025). AI in hiring survey. TopResume.
- U.S. Code of Federal Regulations (current text). 29 CFR 1602.14, preservation of records. Legal Information Institute.
- U.S. Code of Federal Regulations (current text). 29 CFR 1607.4, information on impact. Legal Information Institute.
- Uhlmann, E. L., & Cohen, G. L. (2005). Constructed criteria: Redefining merit to justify discrimination. Psychological Science, via Yale News.
- Van Iddekinge, C. H., Arnold, J. D., Frieder, R. E., & Roth, P. L. (2019). A meta-analysis of the criterion-related validity of prehire work experience. Personnel Psychology.
- Xu, J., Li, G., & Jiang, J. Y. (2026). AI self-preferencing in algorithmic hiring: Empirical evidence and insights. arXiv preprint.



