Wie künstliche Intelligenz im Recruiting funktioniert.

Im Recruiting besteht das ultimative Ziel der Künstlichen Intelligenz darin, sicherzustellen, dass Dutzende, Hunderte oder sogar Tausende von Bewerbungen so objektiv und effizient wie möglich bearbeitet werden:

• auf der Grundlage einer bestimmten Datenmenge,
• ist die Maschine in der Lage, automatisch zu bestimmen, welche Kandidaten für eine bestimmte Stelle am ehesten erfolgreich sein werden.

In der Praxis geht die KI noch weiter: Sie verarbeitet nicht nur Daten zu bereits vorhandenen Mitarbeitenden, sondern kann auch Muster erkennen, die von menschlichen Recruitern möglicherweise übersehen werden.

Machine Learning: Wie Maschinen eigenständig lernen können!

Im Bereich der KI gibt es verschiedene Methoden, die es ermöglichen, Maschinen das Lernen beizubringen. Wir konzentrieren uns hier auf die am häufigsten verwendete: das Machine Learning (maschinelles Lernen).

Die Idee hinter Machine Learning ist relativ einfach zu verstehen: Sie besteht darin, einer Maschine eine große Datenmenge zur Verfügung zu stellen, damit sie selbst Regeln und Muster ableiten kann. In diesem Paradigma programmiert man die Maschine nicht im herkömmlichen Sinne, indem man ihr sagt „Tue dies, dann tue das“. Stattdessen stellt man ihr Daten zur Verfügung und lässt sie selbständig Muster erkennen.

Im Recruiting bedeutet dies, dass die Maschine anhand der Profile von Mitarbeitenden, die in bestimmten Positionen erfolgreich sind, lernt, welche Merkmale den Erfolg vorhersagen. Je mehr qualitativ hochwertige Daten verfügbar sind, desto präziser werden die Vorhersagen.

Welche Faktoren beeinflussen die Qualität des Machine Learning?

Die Qualität der Ergebnisse des Machine Learning hängt von mehreren Faktoren ab:

• Die Qualität der Daten: Ungenaue oder verzerrte Daten führen zu ungenauen Vorhersagen;
• Die Menge der Daten: Je mehr Daten verfügbar sind, desto zuverlässiger sind die Ergebnisse;
• Die Art der verwendeten Variablen: Nicht alle Datentypen sind gleich aussagekräftig;
• Die Repräsentativität der Datenbank: Die Trainingsdaten müssen die Realität der zu besetzenden Positionen widerspiegeln.

Diese Faktoren bestimmen letztlich, ob die KI verlässliche und faire Einstellungsempfehlungen liefern kann.

Die Art der im Machine Learning verwendeten Daten

Im Recruiting können verschiedene Datentypen für das Machine Learning herangezogen werden:

• Demografische Daten (Alter, Geschlecht, Herkunft): Diese können zu Diskriminierung führen und sollten mit größter Vorsicht behandelt werden. Gemäß der DSGVO und dem Allgemeinen Gleichbehandlungsgesetz (AGG) ist die Verwendung solcher Daten für Einstellungsentscheidungen strikt reguliert;
• Lebenslaufdaten (Ausbildung, Berufserfahrung): Diese sind nützlich, können aber bestehende Vorurteile verstärken, wenn sie unkritisch verwendet werden;
• Psychologische und verhaltensbezogene Variablen: Diese sind besonders wertvoll, da sie die Persönlichkeit, Motivation und kognitiven Fähigkeiten eines Kandidaten erfassen.

Der Sonderfall psychologischer und verhaltensbezogener Variablen

Psychologische Variablen wie Persönlichkeitsmerkmale, Motivatoren und kognitive Fähigkeiten bieten einen deutlich höheren prädiktiven Wert als herkömmliche Lebenslaufdaten. Der Grund dafür ist einfach: Während Lebenslaufdaten nur zeigen, was jemand getan hat, zeigen psychologische Daten, wer jemand ist und wie er sich in zukünftigen Situationen verhalten wird.

Bei AssessFirst nutzen wir drei Schlüsselinstrumente, die auf wissenschaftlich validierten psychologischen Modellen basieren:

• SHAPE: Bewertet die Persönlichkeitsmerkmale und Verhaltenstendenzen;
• DRIVE: Analysiert die intrinsischen Motivatoren;
• BRAIN: Misst die kognitiven Fähigkeiten und das Lernpotenzial.

Die Kombination dieser drei Dimensionen ermöglicht es der KI, präzisere und fairere Vorhersagen über den potenziellen Erfolg eines Kandidaten in einer bestimmten Position zu treffen.

Die Repräsentativität der Datenbank, auf der das Lernen basiert

Ein häufig unterschätzter Aspekt des Machine Learning im Recruiting ist die Repräsentativität der Trainingsdaten. Wenn die Datenbank, aus der die Maschine lernt, nicht repräsentativ ist, werden die Ergebnisse verzerrt sein.

Ein klassisches Beispiel: Wenn ein Unternehmen hauptsächlich Männer in technischen Positionen beschäftigt hat, wird ein Algorithmus, der auf diesen Daten trainiert wurde, dazu tendieren, männliche Kandidaten zu bevorzugen – nicht weil sie objektiv besser geeignet sind, sondern weil die historischen Daten diese Verzerrung widerspiegeln.

Um diesem Problem entgegenzuwirken, sollten Unternehmen:

• Diverse und repräsentative Datensätze für das Training verwenden;
• Regelmäßige Audits der Algorithmen durchführen, um Verzerrungen zu erkennen;
• Psychologische und verhaltensbezogene Variablen bevorzugen, die weniger anfällig für gesellschaftliche Vorurteile sind;
• Die Ergebnisse der KI stets als Unterstützung, nicht als Ersatz für menschliche Entscheidungen betrachten.

Künstliche Intelligenz hat das Potenzial, das Recruiting objektiver, effizienter und fairer zu gestalten – vorausgesetzt, sie wird verantwortungsvoll und mit den richtigen Daten eingesetzt. Bei AssessFirst setzen wir auf wissenschaftlich fundierte psychologische Daten, um die prädiktive Qualität unserer KI-Modelle zu maximieren und gleichzeitig Fairness und Chancengleichheit im Einstellungsprozess zu gewährleisten.