Was gute KI tatsächlich bewertet

Jedes KI-Einstellungstool bewertet etwas. Die eigentliche Frage ist, ob dieses Etwas das Ergebnis vorhersagt, das Ihnen wichtig ist: ob eine Person in einer bestimmten Rolle und in einem bestimmten Umfeld gut abschneiden wird.

Die meisten Systeme bewerten weiterhin Proxy-Signale. Titel, Berufsjahre, Qualifikationen und Keyword-Dichte korrelieren oft genug mit Ergebnissen, um nützlich zu erscheinen, aber Korrelation ist nicht gleich Vorhersage.

In dieser Lücke liegen viele Einstellungsfehler. Harvard Business School und Accenture dokumentierten, dass qualifizierte Kandidaten regelmäßig zurückgestellt werden, weil ihre Hintergründe nicht die richtigen Marker liefern, selbst wenn die zugrunde liegende Fähigkeit vorhanden ist.

Echte Fähigkeitsbewertung geht von einer anderen Prämisse aus: Was jemand kann, wie jemand Probleme löst und wie er in vergleichbaren Kontexten abgeschnitten hat, ist wichtiger als die äußere Form seines Lebenslaufs.

Nachgewiesene Arbeitsleistungen. Die erste Frage ist, was ein Kandidat tatsächlich produziert, verändert oder gelöst hat, nicht nur wofür er nominal verantwortlich war.

Herangehensweise an Problemlösungen. Wie jemand ein Problem durchdenkt, ist oft aussagekräftiger als die Frage, ob er ein identisches Szenario bereits erlebt hat.

Kontext-spezifische Passung. Ein starker Kandidat in einer Organisation kann in einer anderen scheitern, wenn Führungsstil, Teamstruktur oder Rahmenbedingungen sich wesentlich unterscheiden.

Entwicklung statt Momentaufnahme. Ein Lebenslauf erfasst einen Zeitpunkt. Bessere Bewertung schaut darauf, wie sich jemand im Laufe der Zeit entwickelt hat und ob seine Fähigkeiten sich verstärken.

Große generalistische Modelle sind gut in der Mustererkennung über umfangreiche Daten. Sie können Kandidaten identifizieren, die den Gruppen ähneln, die sich anderswo historisch bewährt haben.

Was sie nicht automatisch können, ist, Ihre Organisation spezifisch zu verstehen. Sie wissen nicht, was Ihre Top-Performer gemeinsam haben, über das hinaus, was in generalisierten Trainingsdaten sichtbar ist.

Diese Einschränkung ist bedeutsam. Die Signale, die Erfolg für einen Senior Engineer in einem schnell wachsenden Softwareunternehmen vorhersagen, sind nicht dieselben Signale, die Erfolg für einen Senior Engineer in einer regulierten Finanzinstitution vorhersagen.

Kontextspezifische Modelle, die auf Ihrer Umgebung, Ihren Workflows und den tatsächlichen Mustern Ihrer Top-Performer trainiert sind, können Entscheidungen treffen, die auf die Ergebnisse kalibriert sind, die Ihnen wichtig sind, anstatt allgemein aus den Daten aller anderen zu schließen.

Der praktische Unterschied zeigt sich in der Interviewphase. Proxy-Bewertung leitet jene Kandidaten weiter, deren Hintergründe am stärksten den früheren Einstellungen ähneln.

Fähigkeitsbewertung schickt Kandidaten weiter, die die relevanten Fähigkeiten und Verhaltensweisen nachgewiesen haben, selbst wenn der Weg, über den sie diese entwickelt haben, auf dem Papier unkonventionell aussieht.

Das ändert mehr als nur die Rangfolge. Es verändert den Kandidatenpool selbst, weil Kandidaten, die durch Proxy-Logik ausgefiltert worden wären, jetzt sichtbar werden.

Der abschließende Artikel dieser Serie behandelt die Käuferseite der Gleichung: Was HR-Verantwortliche verlangen sollten, wenn ein Anbieter behauptet, sein System treffe bessere Einstellungsentscheidungen.