Wie ATS großartige Kandidaten ignorieren (und was Sie dagegen tun können)

Traditionelle ATS-Plattformen prüfen Kandidaten, indem sie Schlüsselwörter im Lebenslauf mit der Stellenbeschreibung abgleichen. Die Logik ist einfach: Je mehr Keywords ein Lebenslauf enthält, desto relevanter erscheint der Kandidat.

Das Ergebnis ist vorhersehbar. Kandidaten haben gelernt, ihre Lebensläufe mit Keywords aus der Stellenbeschreibung zu füllen, unabhängig davon, ob diese Keywords ihre tatsächlichen Fähigkeiten oder Erfahrungen widerspiegeln. Die Praxis ist so verbreitet, dass LinkedIn News sie als Standardstrategie bei der Jobsuche behandelt hat.

Für Recruiter führt das zu einem verwässerten Bewerberpool. Die Kandidaten, die weiterkommen, sind nicht unbedingt die beste Passung; sie sind die ATS-versiertesten. Ein separater, aber verwandter Datenpunkt zeigt das Ausmaß des Problems: Branchenerhebungen zufolge erreichen bis zu 75% der Lebensläufe niemals einen menschlichen Recruiter. Bei Rollen mit hohem Volumen und geringer Komplexität mag das ein vertretbarer Kompromiss sein. Für Organisationen, die um Top-Talente konkurrieren, ist es ein erhebliches und weitgehend unsichtbares Problem.

Ein Lebenslauf ist eine komprimierte Version einer beruflichen Entwicklung. Traditionelle ATS-Plattformen lesen ihn als Liste von Datenpunkten. Diese Lücke ist wichtiger, als die meisten Einstellungsteams realisieren.

Kandidaten mit nicht-linearen Karriereverläufen, Beschäftigungslücken oder branchenübergreifender Erfahrung fallen routinemäßig durch ATS-Filter – nicht weil ihnen die Fähigkeit fehlt, sondern weil ihr Hintergrund nicht sauber auf einen Keywordsatz abbildbar ist. Wie der Recruiting-Kommentator Andrew Jenkins feststellte, funktionieren traditionelle ATS wie ein stumpfes Werkzeug und behandeln jeden Kandidaten gleich, unabhängig von den Nuancen seiner Erfahrung.

Dieser Mangel an Kontext führt zudem zu einer schlechten Candidate Experience. Bewerber, die keine Bestätigung, kein Feedback und keinen menschlichen Kontakt erhalten, fühlen sich auf einen Datenpunkt reduziert. Diese Wahrnehmung verbreitet sich und schwächt im Laufe der Zeit die Arbeitgebermarke auf eine Weise, die schwer und teuer umzukehren ist.

Das Ausmaß dieses Problems ist gut dokumentiert. Eine Studie der Harvard Business School aus dem Jahr 2021, die in aktualisierten Untersuchungen bis 2025 konstant zitiert wird, fand heraus, dass 88% der Arbeitgeber glauben, hochqualifizierte Kandidaten verloren zu haben, weil diese von einem ATS aussortiert wurden. Bei mittelqualifizierten Positionen steigt dieser Wert auf 94%.

Die Formatierung ist ein beitragender Faktor, der oft ungesehen bleibt. Traditionelle ATS-Plattformen haben Schwierigkeiten, Lebensläufe zu parsen, die Grafiken, Tabellen oder nicht standardisierte Schriftarten enthalten. Ein Bewerber mit einem visuell formatierten Lebenslauf oder einem unkonventionellen Layout kann aus dem Auswahlprozess fallen, bevor ein menschlicher Recruiter überhaupt seinen Namen sieht. Das System schließt den Bewerber aus, nicht weil er unqualifiziert ist, sondern weil das Dokument nicht für die maschinelle Verarbeitung optimiert war.

Das Ergebnis ist eine Talentlücke, die Organisationen sich selbst schaffen.

ATS-Plattformen sind nur so objektiv wie die Daten, mit denen sie trainiert werden. Wenn historische Einstellungsdaten vorhandene Vorurteile widerspiegeln, werden diese in die Screening-Logik kodiert. Bewerber mit bestimmten Bildungswegen, Karriereverläufen oder demografischen Merkmalen können systematisch begünstigt oder benachteiligt werden, ohne dass dies absichtlich geschieht.

Die Folgen können erheblich sein. Der Fall Mobley v. Workday, den ein Bundesrichter im Juli 2024 zur Fortführung zuließ, wurde die erste große Sammelklage gegen KI-gesteuerte Diskriminierung bei der Einstellung in den Vereinigten Staaten. Er veranschaulicht ein breiteres Risiko, das viele Organisationen in ihren eigenen ATS-Konfigurationen nicht vollständig untersucht haben. Eine Studie der University of Washington aus dem November 2025, vorgestellt auf der AAAI/ACM Conference on AI, Ethics, and Society, zeigte, dass wenn KI-Systeme rassistische Voreingenommenheiten in Einstellungsempfehlungen zeigten, menschliche Prüfer dazu neigten, diese Vorurteile zu spiegeln und Kandidaten gemäß den Präferenzen der KI auszuwählen. Ohne KI-Eingaben trafen dieselben Prüfer unvoreingenommene Entscheidungen. Das Problem bleibt mit anderen Worten nicht im Algorithmus.