Mensch oder Maschine: Wer beurteilt Bewerbungen fairer?

Stellen Sie sich vor, Sie stossen per Zufall auf ein Stelleninserat, das Ihre Traumstelle beschreibt. Ihre Ausbildung und Berufserfahrung decken sich exakt mit der Ausschreibung. Auch die beschriebenen Aufgaben und die Unternehmenskultur sprechen Sie an, sodass Sie überzeugt sind, fachlich wie persönlich gut zu passen. Sie aktualisieren Ihren Lebenslauf, stimmen das Motivationsschreiben auf das Unternehmen ab und sind überzeugt, alles richtig gemacht zu haben. Wenige Stunden später erhalten Sie eine standardisierte Absage. Andere Kandidaten würden «leider noch ein bisschen besser» passen. Wie diese Einschätzung zustande kam, bleibt offen. 

Möglicherweise hat ein automatisiertes System Ihren Lebenslauf analysiert und mit dem Stellenprofil abgeglichen, noch bevor ein Mensch die Unterlagen vollständig geprüft hat. Dabei kann bereits ein fehlendes Schlüsselwort den Ausschlag geben. Vielleicht wurde auch Ihre Ausbildung falsch klassifiziert oder Ihr bisheriger Karriereweg passte nicht zum Muster, das ein Algorithmus aus früheren Personalentscheidungen gelernt hatte. Oder vielleicht spielte sogar Ihr Name eine Rolle. Für Sie als Bewerber bleibt der tatsächliche Grund verborgen. Sie erfahren weder, welche Kriterien berücksichtigt wurden, noch wie stark einzelne Merkmale in die Bewertung eingeflossen sind oder ob die automatisierte Vorauswahl später noch von einem Menschen überprüft wurde. Genau darin liegt eines der zentralen Probleme KI-gestützter Auswahlverfahren: Die Entscheidung ­erscheint neutral und objektiv, weil sie technisch erzeugt wurde. Doch auch ein Algorithmus bewertet nicht voraussetzungslos. Seine Resultate hängen von den verwendeten Daten, den hinterlegten Kriterien und den Zielen ab, die Menschen zuvor definiert haben. Technische Konsistenz ist deshalb nicht automatisch mit Fairness gleichzusetzen.

KI ist im Recruiting angekommen

Der Einsatz künstlicher Intelligenz im Recruiting ist aus Unternehmenssicht nachvollziehbar. Auf attraktive Stellen gehen teilweise mehrere Hundert Bewerbungen ein, während HR-Abteilungen gleichzeitig unter erheblichem Zeit- und Kostendruck stehen. Gerade unter diesen Bedingungen wächst das Bedürfnis nach Lösungen, die grosse Bewerbungsvolumina effizient bewältigen und zugleich eine konsistente Vorauswahl ermöglichen. Deshalb kommen zunehmend automatisierte Systeme zum Einsatz. Diese erfassen und strukturieren Lebensläufe, erkennen relevante Qualifikationen, gleichen Bewerbungsprofile mit den Anforderungen ab und nehmen eine erste Priorisierung vor. Dadurch lassen sich Prozesse beschleunigen und Recruiting-Teams spürbar von administrativen Aufgaben entlasten. 

In der Schweiz ist der KI-Einsatz im Recruiting allerdings noch weniger verbreitet, als es die öffentliche Diskussion vermuten lässt. Eine aktuelle Untersuchung der Arbeitsmarktbeobachtung Amosa unter rund 700 Unternehmen aus elf Deutschschweizer Kantonen zeigt, dass 13 Prozent der befragten Betriebe bereits KI im Recruiting einsetzen. Bei Gross­unternehmen liegt der Anteil bei knapp einem Viertel. Am häufigsten kommt die Technologie bei der Erstellung und Optimierung von Stelleninseraten zum Einsatz. Für die eigentliche Vorauswahl von Bewerbungen nutzen dagegen erst knapp vier Prozent der Unternehmen KI. Zu ähnlichen Ergebnissen gelangte die Job­Cloud-Recruiting-Studie, für die 2024 insgesamt 942 HR-Fachpersonen aus der Deutsch- und Westschweiz befragt wurden. 22 Prozent verwendeten KI bereits für Texte auf Stelleninseraten oder Karriereseiten, acht Prozent für das Matching von Kandidaten und sieben Prozent für ein automatisiertes Pre-Screening. Komplexere Anwendungen wie die Analyse von Interviews oder die Einschätzung des Cultural Fit spielten dagegen kaum eine Rolle.

Diese Zahlen machen eine wichtige Unterscheidung sichtbar: KI ist im Schweizer Recruiting angekommen, wird bislang aber vor allem zur Unterstützung einzelner Arbeitsschritte eingesetzt. Die automatisierte Bewertung und Vorauswahl von Bewerbenden ist noch vergleichsweise selten. Zudem ist nicht jedes Bewerbermanagementsystem (Applicant Tracking System, ATS), das Lebensläufe anhand festgelegter Kriterien oder Schlüsselwörter filtert, automatisch ein KI-System. 

Für Bewerber ist dieser Unterschied jedoch kaum erkennbar. Sie sehen und erleben lediglich das Ergebnis des Prozesses. Häufig geschieht dies in Form einer schnellen Absage, ohne zu wissen, ob ein Recruiter, ein regelbasierter Filter oder ein lernendes System den Ausschlag gegeben hat. Gerade diese mangelnde Transparenz führt bei Bewerbern häufig zu Frustration. Während automatisierte Auswahlverfahren den Unternehmen mehr Effizienz versprechen, entsteht bei den Kandidaten schnell der Eindruck mangelnder Wertschätzung. Viele investieren mehrere Stunden in ihre Bewerbungsunterlagen und erhalten kurz darauf eine unpersönliche Absage. Dabei bleibt offen, ob ihre Qualifikationen nicht ausreichten oder ob ein im System hinterlegtes Auswahlkriterium den Ausschlag gab.

Wer nicht weiss, weshalb eine Bewerbung scheiterte, kann aus der Erfahrung kaum etwas lernen und bleibt mit dem Gefühl zurück, gegen ein undurchschaubares System anzutreten. Dadurch kann ein Teufelskreis entstehen: Unklare, missverständliche oder fehlerhafte Unterlagen werden unverändert an weitere Unternehmen versandt und führen möglicherweise erneut zu einer Absage. Am Ende verlieren beide Seiten: Die Unternehmen müssen weiterhin ungeeignete oder missverständliche Bewerbungen prüfen, während sich bei den Bewerbern Frustration und Unsicherheit verstärken.

Hinzu kommt, dass Recruiting keine Einbahnstrasse ist. Während Unternehmen Bewerber beurteilen, bilden sich diese gleichzeitig ein Urteil über den potenziellen Arbeitgeber. Jede Kontaktaufnahme, jede Rückmeldung und auch jede Absage prägt die Erfahrung der Bewerbenden und damit die Wahrnehmung der Arbeitgebermarke. 

Ein schneller, transparenter und respektvoller Prozess kann Vertrauen schaffen, selbst wenn es am Ende nicht zu einer Anstellung kommt. Ein undurchsichtiger oder vollständig automatisiert wirkender Ablauf vermittelt dagegen rasch den Eindruck, dass Effizienz wichtiger ist als der Mensch hinter der Bewerbung. Besonders problematisch wird dies, wenn Kandidaten trotz grossem Aufwand lediglich eine unpersönliche Standardabsage erhalten und nicht nachvollziehen können, wie die Entscheidung zustande kam. Sie fühlen sich dann nicht als potenzielle Mitarbeitende wahrgenommen, sondern als Datensätze, die anhand unbekannter Kriterien aussortiert wurden. Solche Erfahrungen bleiben selten folgenlos. 

Bewerber sprechen darüber, teilen ihre Eindrücke im persönlichen Umfeld oder auf Bewertungsplattformen und ziehen daraus Rückschlüsse auf Führungskultur, Wertschätzung und Umgang mit Mitarbeitenden. Damit wird ein schlecht gestalteter Auswahlprozess schnell zu einem Risiko für das Employer-Branding. Gerade in einem angespannten Arbeitsmarkt kann sich ein Unternehmen kaum leisten, qualifizierte Personen nicht nur für eine konkrete Stelle, sondern dauerhaft als potenzielle Mitarbeitende, Kunden oder Markenbotschafter zu verlieren. Die Frage, ob KI im Recruiting fair entscheidet, lässt sich allerdings nicht beantworten, ohne zuerst einen Blick auf die bisherigen menschlichen Entscheidungen zu werfen. Denn Diskriminierung entstand nicht erst mit dem Einsatz von Algorithmen. Sie war bereits lange vorher Teil vieler Auswahlprozesse.

Lukas ist nicht Habiba

Wie stark der wahrgenommene Hintergrund einer Person ihre Chancen bereits bei der ersten Kontaktaufnahme beeinflussen kann, zeigt ein gross angelegtes Feldexperiment der Universität Siegen. Zwischen November 2022 und März 2025 verschickten die Forschenden in drei Experimenten mehr als 50 000 fiktive E-Mail-Anfragen von Schülerinnen und Schülern an deutsche Betriebe mit offenen Ausbildungsplätzen. Namen, Geschlecht, Schulnoten, Praktika und weitere Qualifikationen wurden systematisch variiert. Die Unterschiede waren erheblich. Auf 100 Anfragen erhielt «Lukas Becker» durchschnittlich rund 67 persönliche Antworten. «Ivan Smirnov» kam auf 56, «Ariel Rubinstein» auf 54 und «Yusuf Kaya» auf 52. «Habiba Mahmoud» erhielt dagegen lediglich 36 Antworten. Selbst bessere Schulnoten, Praxiserfahrung oder soziales Engagement konnten diesen Nachteil nicht ausgleichen. Der im Namen vermutete Herkunftshinweis wog bei der ersten Kontaktaufnahme offenbar schwerer als die untersuchten Leistungssignale. 

Die Studie untersuchte menschliches Verhalten und ist deshalb kein Beleg für eine Diskriminierung durch künstliche Intelligenz. Sie zeigt jedoch, aus welcher Realität die Daten stammen, mit denen algorithmische Systeme häufig entwickelt oder überprüft werden. Wenn Unternehmen bestimmte Gruppen in der Vergangenheit seltener berücksichtigt haben, werden diese Unterschiede Teil der historischen Datenbasis. Ein System, das daraus lernen soll, erkennt dann nicht automatisch die Ungerechtigkeit, sondern zunächst nur ein wiederkehrendes Muster. Damit verschiebt sich das Problem. Der Algorithmus muss Vorurteile nicht selbst erfinden, um diskriminierende Ergebnisse zu produzieren. Es genügt, wenn er vergangene Entscheidungen übernimmt, systematisiert und auf eine wesentlich grössere Zahl von Bewerbungen anwendet.

Frauen mit Kopftuch

Dass sich solche Benachteiligungen nicht auf eine erste unverbindliche Anfrage beschränken, zeigt eine viel zitierte Kor­respondenzstudie der Ökonomin Doris Weichselbaumer. Im Gegensatz zum Experiment der Uni Siegen wurden fiktive Bewerbungen auf tatsächliche Stellen­anzeigen für Bürotätigkeiten verschickt. Ausbildung, Berufserfahrung, persönliche Merkmale und Deutschkenntnisse waren identisch. Verändert wurden lediglich der Name und das Bewerbungsfoto (siehe Abbildung 1). «Sandra Bauer» erhielt durchschnittlich 18,8 Rückmeldungen auf 100 Bewerbungen. Bei «Meryem Öztürk» waren es ohne Kopftuch nur 13,5. Trug dieselbe Bewerberin auf dem Foto ein Kopftuch, sank die Rückrufquote auf gerade einmal 4,2. Die Qualifikation blieb gleich, die Reaktion der Unternehmen veränderte sich dennoch massiv. 

Besonders anschaulich wird das Ergebnis, wenn man die Rückrufquoten in die Zahl der notwendigen Bewerbungen übersetzt. Sandra Bauer müsste rechnerisch etwa 53 Bewerbungen verschicken, um zehn Einladungen zu einem Vorstellungsgespräch zu erhalten. Meryem Öztürk bräuchte ohne Kopftuch rund 74 Bewerbungen. Mit Kopftuch wären es sogar ungefähr 238 – mehr als viermal so viele wie Sandra Bauer.

Die Unterschiede lassen sich nicht mit fehlender Erfahrung oder geringerer fachlicher Eignung erklären. Die Bewerbungsunterlagen waren in allen rele­vanten Punkten identisch. Entscheidend war vielmehr, welche Herkunft und Religionszugehörigkeit die Personalverantwortlichen aus Name und Foto ableiteten. Damit zeigen die beiden Untersuchungen unterschiedliche Stufen desselben Problems: In der Siegener Studie genügte bereits der Name, um die Wahrscheinlichkeit einer persönlichen Antwort deutlich zu verändern. Bei Weichselbaumer wurden selbst vollständige und gleichwertige Bewerbungen unterschiedlich behandelt.