Der KI-Einstellungs-Doom-Loop — Algorithmische Rekrutierung filtert Top-Talente aus und belohnt durchschnittliche oder gefälschte Kandidaten.
KI hat die Kosten für die Produktion von "perfekten" Anwendungen auf nahezu null gesenkt. Das hat einen Volumenschock im Recruiting ausgelöst, einen Anstieg gefälschter Qualifikationen und ein Wettrüsten bei automatisierten Auswahlverfahren. Im neuesten Fehlermodus optimieren Arbeitgeber zunehmend auf maschinenlesbare Glaubwürdigkeit anstelle von wahrer Fähigkeit – was ein System schafft, das systematisch unkonventionelle, talentierte Personen mit hohem Potenzial übersehen kann.
Ein Vorfall aus der Praxis in einem US-Nachrichtenbüro veranschaulicht das Muster: Eine einzige Ingenieurstelle zog in etwa einem halben Tag über 400 Bewerbungen an, gefolgt von Anzeichen von standardisierten und potenziell betrügerischen Einreichungen sowie sogar einem Betrugsversuch, der sich gegen Bewerber richtete.
Die resultierende Marktstruktur ist ein geschlossener Kreislauf:
*
Kandidaten nutzen KI, um optimierte Erzählungen zu generieren.
*
Arbeitgeber nutzen KI, um die meisten Erzählungen abzulehnen.
*
Kandidaten reagieren, indem sie weiter für KI-Filter optimieren.
*
Arbeitgeber verschärfen die Filter weiter.
Der Kreislauf ist in jedem Schritt „rational“, aber kollektiv destruktiv: Er komprimiert die Differenzierung, erhöht falsch positive und falsch negative Ergebnisse und verlagert die Auswahl auf Schlüsselwortkonformität.
-------------------------
1) DAS NEUE PROBLEM, DAS DIE KI VERURSACHT HAT: SIGNALINFLATION UND DER ZUSAMMENBRUCH DES VERTRAUENS
Die Rekrutierung war früher durch Aufwand begrenzt.
Ein Kandidat konnte sich herausputzen, aber das Erstellen von Dutzenden maßgeschneiderter, überzeugender Bewerbungen benötigte Zeit.
Generative KI hat diese Reibung entfernt.
Wenn jeder sofort polierte Lebensläufe und maßgeschneiderte Bewerbungsschreiben generieren kann, hört die Oberflächenqualität von Bewerbungen auf, informativ zu sein.
Im besagten Nachrichtenbüro gab es operationale Warnsignale statt philosophischer:
*
Wiederholte Kontaktdaten bei „verschiedenen“ Kandidaten
*
Ähnliche Layouts und Schreibstrukturen
*
Defekte oder leere professionelle Profile
*
Nahezu identische Motivationsschreiben
*
Offensichtlich falsche Angaben über geleistete Arbeit
Der Arbeitgeber zog schließlich die Ausschreibung zurück und wechselte zur internen Beschaffung.
Ein separater Betrug tauchte dann auf: Ein Betrüger nutzte eine ähnliche E-Mail-Domain, um gefälschte Angebote zu versenden und sensible Finanzdaten zu sammeln.
Nettoeffekt: Der Lebenslauf wird billiger herzustellen als zu überprüfen, und Betrug skaliert schneller als Due Diligence.
-------------------------
2) WARUM „SOGAR GATES ODER JOBS“ AUSGESCHLOSSEN WERDEN KÖNNEN: TALENT, DAS NICHT WIE EIN MUSTER AUSSIEHT
Die Prämisse ist nicht, dass außergewöhnliche Menschen nicht erfolgreich sein können.
Die Prämisse ist, dass automatisierte Filter in der frühen Phase strukturell feindlich gegenüber nicht-standardisierten Signalen sind.
Eine nützliche Illustration ist Steve Jobs’ Bewerbung vor Apple: handschriftlich, fehlende wichtige Kontaktdaten und eine Benennungsinkonsistenz.
In einem modernen Workflow sind fehlende Kontaktdaten, nicht standardisierte Formatierungen und „Inkonsistenzen“ genau die Merkmale, die automatisierte Systeme bestrafen.
Parallel dazu verlassen sich Arbeitgeber zunehmend auf automatisierte Entscheidungsfindung (oder Tools, die so funktionieren), da das Antragsvolumen manuell unmanageable ist – insbesondere bei remote-eligible Rollen, bei denen die Kandidatenpools global sind.
Kernmechanismus: Systeme, die entwickelt wurden, um das Risiko für Arbeitgeber zu reduzieren, verringern die Varianz – wodurch die Wahrscheinlichkeit, Ausreißer, einschließlich positiver Ausreißer, zuzulassen, verringert wird.
-------------------------
3) DAS MODELL DES „REKRUTIERUNGS-VERDERBLICHEN KREISELLOOPS“: WIE DER MASCHINE-ZU-MASCHINE-MARKT KLARHEIT SCHAFFT
SCHRITT A – BILLIGE ERZÄHLUNGSERZEUGUNG
Kandidaten generieren multiple, rolespezifische Lebenslaufvarianten und Bewerbungsschreiben in großem Maßstab, die Schlüsselwörter und Kompetenzrahmen abgleichen.
SCHRITT B – ARBEITGEBER-DEFINITIVENESS
Arbeitgeber setzen automatisierte Screening-Verfahren ein, um das Volumen zu kontrollieren und Betrugsmuster zu erkennen.
Dabei erhöhen sie die Anzahl harter Filter (Schlüsselwortpräsenz, Anforderungen an Qualifikationen, Formatierung, Konsistenz der Zeitleiste, Portfolio-Links, Identitätsprüfungen).
SCHRITT C – ADVERSARIAL OPTIMIERUNG
Kandidaten lernen die Filter (oder kaufen Tools, die das tun) und optimieren dann ihre Ergebnisse, um sie zu bestehen.
Dies erhöht die Homogenität weiter und drängt Betrüger dazu, sich in die gleichen „genehmigten“ Muster einzufügen.
SCHRITT D – VERTRAUENSZUSAMMENBRUCH
Die durchschnittliche Bewerbung wird weniger vertrauenswürdig; Arbeitgeber verlassen sich mehr auf maschinelles Screening und weniger auf menschliches Urteilsvermögen; unkonventionelle Profile werden zunehmend verworfen.
Der Vorfall im Nachrichtenbüro zeigt Symptome in der frühen Phase: plötzliche Volumenspitzen, standardisierte Ähnlichkeit und ein nachgelagertes Betrugssystem, das sich an stark frequentierte Stellenangebote anheftet.
-------------------------
4) RISIKO IST NICHT LÄNGER NUR „SCHLECHTE EINSTELLUNG“ – ES IST JETZT SICHERHEIT, BETRUG UND KONFORMITÄT
Dies ist nicht nur ein Problem der Einstellungsqualität; es ist auch ein operatives Risikoproblem.
IDENTITÄTSBETRUG UND DEEPFAKE-BEGÜNSTIGTE INFILTRATION
Remote-Einstellungskanäle wurden mit Deepfakes und gestohlenen persönlichen Daten ausgenutzt, darunter Versuche, auf sensible Rollen zuzugreifen.
ORGANISIERTER BETRUG UND ILLEGALE ARBEITSSCHEMEN
Einige Programme umfassen betrügerische Remote-IT-Arbeitsvereinbarungen, Infrastrukturmanipulation (einschließlich „Geräteweiche“-Setups) und Geldwäsche-Muster.
VOREINGENOMMENHEIT UND RECHTLICHE EXPO-NENZ
Algorithmisches Screening kann historische Voreingenommenheit reproduzieren, wenn es auf voreingenommene Daten oder Stellvertreter trainiert wird, was rechtliche und reputative Risiken schafft.
STEIGENDE REGULATORISCHE ERWARTUNGEN
Automatisierte Entscheidungstools im Zusammenhang mit Einstellungen werden zunehmend als regulierte Risikoberührungsflächen behandelt – was Anforderungen an Governance, Transparenz und Aufsicht vorantreibt.
Zusammenfassung: Der KI-Einstellungszyklus zieht sich genau in dem Moment zusammen, in dem die Regulierungsbehörden die Erwartungen an Nachvollziehbarkeit und Fairness erhöhen.
-------------------------
5) WARUM ARBEITGEBER ES TROTZDEM WEITER TUN: WIRTSCHAFT UND ABWEHR-RATIONALITÄT
Kein Recruiter möchte einen großartigen Kandidaten verpassen.
Aber bei extremem Volumen wird das erste Mandat Durchsatz und Risikominderung.
Wenn 1.000 Bewerbungen eingehen, besteht der betriebliche Anreiz darin, die Triage zu automatisieren und die Zeit bis zur Shortlist zu reduzieren.
Das schafft eine Auswahlfunktion, die sich an folgenden Kriterien orientiert:
*
Lesbarkeit der Qualifikationen über Fähigkeiten
*
Übereinstimmung der Schlüsselwörter über nachweislich gelöstes Problemlösen
*
Konsistenzsignale über kreative Varianz
*
Geringes perceived risk über hohe Aufwärtsambiguität
Dies wird auch von Anbietern verstärkt, die Automatisierung über Beschaffung, Screening und Workflow-Management produktisieren, um die Einstellungszykluszeit zu komprimieren.
-------------------------
6) WAS ZUERST BRECHT: INNOVATIONSPOTENZIAL IN STARTUPS
Startups gewinnen historisch, indem sie asymmetrisches Talent finden – Menschen, die früh, eigenartig, autodidaktisch, nicht qualifiziert oder einfach ungeeignet für große Unternehmensformen sind.
Wenn Startups die Screening-Logik großer Unternehmen übernehmen (oder von der Stange kaufen), sabotieren sie unbeabsichtigt ihren Wettbewerbsvorteil.
Deshalb resoniert das „Gates oder Jobs“ Gedankenexperiment: nicht wegen der Berühmtheit, sondern weil beide Archetypen von hochsensitiven, wenig konformen Profilen sind.
Jobs' chaotische Bewerbung ist ein Proxy für die breitere Kategorie: Kandidaten, die stark sind, sich aber nicht in der Unternehmens-HR-Sprache verpacken.
-------------------------
7) EIN PRAKTISCHES BETRIEBSMODELL, UM DEM KREISLAUF ZU ENTFLIEHEN (OHNE ZURÜCK ZU 1999)
Die Lösung ist nicht „KI verbannen“.
Die Lösung besteht darin, Signale neu auszubalancieren: Die Abhängigkeit von narrativen Dokumenten reduzieren und die Abhängigkeit von authentifizierten, in Echtzeit demonstrierten Beweisen erhöhen.
A. „LEBENSLAUF-ZUERST“ DURCH „BEWEIS-ZUERST“ ERSETZEN
Verwenden Sie eine kurze, strukturierte Erfassung (Identität + Grundlagen) → sofortige Arbeitsprobenkontrolle → erst dann den Lebenslauf.
Dies macht das Polieren durch KI weitgehend irrelevant, da die Auswahl von der Leistung getrieben wird.
B. KI VERWENDEN, UM MASSENFABRIKATIONSMUSTER ZU ERKENNEN, NICHT UM MENSCHEN ZU BEWERTEN
Setzen Sie KI zur Anomalieerkennung (Musterähnlichkeit, wiederholte Kontaktmerkmale, Integrität der Portfolio-Links, Muster der Domain-Imitation) ein, während die menschliche Verantwortung für Beförderungsentscheidungen erhalten bleibt.
C. „AUSREIßER-KANÄLE“ EXPLIZIT HINZUFÜGEN
Schaffen Sie einen geschützten Weg für unkonventionelle Kandidaten: Empfehlungen, Open-Source-Beiträge, Portfolio-Durchgänge und von Gründern überprüfte Einreichungen.
Das Ziel ist es, die durch automatisierte Filter verursachte Unterdrückung von Varianz zu bekämpfen.
D. IDENTITÄTSSICHERUNG, DIE DIE WÜRDE DER KANDIDATEN RESPEKTIERT
Adoptieren Sie gestaffelte Überprüfungen, die proportional zur Sensibilität der Rolle sind – stärkere Prüfungen für Rollen mit Systemzugang, leichtere Prüfungen zu Beginn – ohne den Prozess in eine Barriere zu verwandeln, die nur privilegierte Kandidaten überwinden können.
E. KONFORMITÄT-DESIGN
Wenn automatisierte Tools verwendet werden, um zu screenen oder zu bewerten, implementieren Sie Voreingenommenheitsprüfungen, Benachrichtigungen an die Kandidaten, Dokumentation und Beschwerdewege, die mit den modernen Erwartungen an Konformität übereinstimmen.
-------------------------
8) ZU ORIGINAL = ABGELEHNT.
ZU OPTIMIERT = EINGESTELLT.
Der Einstellungsmarkt driftet auf eine Roboter-zu-Roboter-Schnittstelle zuzu, bei der Kandidaten maschinenoptimierte Identitäten generieren und Arbeitgeber maschinenoptimierte Ablehnungen einsetzen.
In diesem Gleichgewicht gewinnen die konformsten Erzählungen – nicht unbedingt die fähigsten Menschen.
Die Organisationen, die übertreffen werden, sind die, die KI als Betrugs- und Workflow-Beschleuniger behandeln, nicht als Ersatz für Talentbewertung – und die absichtlich einen Ausreißer-Erkennungsweg entwerfen, damit der nächste außergewöhnliche Bauherr nicht wegen falscher Formatierung, falscher Schlüsselwörter oder der falschen Art von Lebenslauf herausgefiltert wird.
Die resultierende Marktstruktur ist ein geschlossener Kreislauf:
*
Kandidaten nutzen KI, um optimierte Erzählungen zu generieren.
*
Arbeitgeber nutzen KI, um die meisten Erzählungen abzulehnen.
*
Kandidaten reagieren, indem sie weiter für KI-Filter optimieren.
*
Arbeitgeber verschärfen die Filter weiter.
Der Kreislauf ist in jedem Schritt „rational“, aber kollektiv destruktiv: Er komprimiert die Differenzierung, erhöht falsch positive und falsch negative Ergebnisse und verlagert die Auswahl auf Schlüsselwortkonformität.
-------------------------
1) DAS NEUE PROBLEM, DAS DIE KI VERURSACHT HAT: SIGNALINFLATION UND DER ZUSAMMENBRUCH DES VERTRAUENS
Die Rekrutierung war früher durch Aufwand begrenzt.
Ein Kandidat konnte sich herausputzen, aber das Erstellen von Dutzenden maßgeschneiderter, überzeugender Bewerbungen benötigte Zeit.
Generative KI hat diese Reibung entfernt.
Wenn jeder sofort polierte Lebensläufe und maßgeschneiderte Bewerbungsschreiben generieren kann, hört die Oberflächenqualität von Bewerbungen auf, informativ zu sein.
Im besagten Nachrichtenbüro gab es operationale Warnsignale statt philosophischer:
*
Wiederholte Kontaktdaten bei „verschiedenen“ Kandidaten
*
Ähnliche Layouts und Schreibstrukturen
*
Defekte oder leere professionelle Profile
*
Nahezu identische Motivationsschreiben
*
Offensichtlich falsche Angaben über geleistete Arbeit
Der Arbeitgeber zog schließlich die Ausschreibung zurück und wechselte zur internen Beschaffung.
Ein separater Betrug tauchte dann auf: Ein Betrüger nutzte eine ähnliche E-Mail-Domain, um gefälschte Angebote zu versenden und sensible Finanzdaten zu sammeln.
Nettoeffekt: Der Lebenslauf wird billiger herzustellen als zu überprüfen, und Betrug skaliert schneller als Due Diligence.
-------------------------
2) WARUM „SOGAR GATES ODER JOBS“ AUSGESCHLOSSEN WERDEN KÖNNEN: TALENT, DAS NICHT WIE EIN MUSTER AUSSIEHT
Die Prämisse ist nicht, dass außergewöhnliche Menschen nicht erfolgreich sein können.
Die Prämisse ist, dass automatisierte Filter in der frühen Phase strukturell feindlich gegenüber nicht-standardisierten Signalen sind.
Eine nützliche Illustration ist Steve Jobs’ Bewerbung vor Apple: handschriftlich, fehlende wichtige Kontaktdaten und eine Benennungsinkonsistenz.
In einem modernen Workflow sind fehlende Kontaktdaten, nicht standardisierte Formatierungen und „Inkonsistenzen“ genau die Merkmale, die automatisierte Systeme bestrafen.
Parallel dazu verlassen sich Arbeitgeber zunehmend auf automatisierte Entscheidungsfindung (oder Tools, die so funktionieren), da das Antragsvolumen manuell unmanageable ist – insbesondere bei remote-eligible Rollen, bei denen die Kandidatenpools global sind.
Kernmechanismus: Systeme, die entwickelt wurden, um das Risiko für Arbeitgeber zu reduzieren, verringern die Varianz – wodurch die Wahrscheinlichkeit, Ausreißer, einschließlich positiver Ausreißer, zuzulassen, verringert wird.
-------------------------
3) DAS MODELL DES „REKRUTIERUNGS-VERDERBLICHEN KREISELLOOPS“: WIE DER MASCHINE-ZU-MASCHINE-MARKT KLARHEIT SCHAFFT
SCHRITT A – BILLIGE ERZÄHLUNGSERZEUGUNG
Kandidaten generieren multiple, rolespezifische Lebenslaufvarianten und Bewerbungsschreiben in großem Maßstab, die Schlüsselwörter und Kompetenzrahmen abgleichen.
SCHRITT B – ARBEITGEBER-DEFINITIVENESS
Arbeitgeber setzen automatisierte Screening-Verfahren ein, um das Volumen zu kontrollieren und Betrugsmuster zu erkennen.
Dabei erhöhen sie die Anzahl harter Filter (Schlüsselwortpräsenz, Anforderungen an Qualifikationen, Formatierung, Konsistenz der Zeitleiste, Portfolio-Links, Identitätsprüfungen).
SCHRITT C – ADVERSARIAL OPTIMIERUNG
Kandidaten lernen die Filter (oder kaufen Tools, die das tun) und optimieren dann ihre Ergebnisse, um sie zu bestehen.
Dies erhöht die Homogenität weiter und drängt Betrüger dazu, sich in die gleichen „genehmigten“ Muster einzufügen.
SCHRITT D – VERTRAUENSZUSAMMENBRUCH
Die durchschnittliche Bewerbung wird weniger vertrauenswürdig; Arbeitgeber verlassen sich mehr auf maschinelles Screening und weniger auf menschliches Urteilsvermögen; unkonventionelle Profile werden zunehmend verworfen.
Der Vorfall im Nachrichtenbüro zeigt Symptome in der frühen Phase: plötzliche Volumenspitzen, standardisierte Ähnlichkeit und ein nachgelagertes Betrugssystem, das sich an stark frequentierte Stellenangebote anheftet.
-------------------------
4) RISIKO IST NICHT LÄNGER NUR „SCHLECHTE EINSTELLUNG“ – ES IST JETZT SICHERHEIT, BETRUG UND KONFORMITÄT
Dies ist nicht nur ein Problem der Einstellungsqualität; es ist auch ein operatives Risikoproblem.
IDENTITÄTSBETRUG UND DEEPFAKE-BEGÜNSTIGTE INFILTRATION
Remote-Einstellungskanäle wurden mit Deepfakes und gestohlenen persönlichen Daten ausgenutzt, darunter Versuche, auf sensible Rollen zuzugreifen.
ORGANISIERTER BETRUG UND ILLEGALE ARBEITSSCHEMEN
Einige Programme umfassen betrügerische Remote-IT-Arbeitsvereinbarungen, Infrastrukturmanipulation (einschließlich „Geräteweiche“-Setups) und Geldwäsche-Muster.
VOREINGENOMMENHEIT UND RECHTLICHE EXPO-NENZ
Algorithmisches Screening kann historische Voreingenommenheit reproduzieren, wenn es auf voreingenommene Daten oder Stellvertreter trainiert wird, was rechtliche und reputative Risiken schafft.
STEIGENDE REGULATORISCHE ERWARTUNGEN
Automatisierte Entscheidungstools im Zusammenhang mit Einstellungen werden zunehmend als regulierte Risikoberührungsflächen behandelt – was Anforderungen an Governance, Transparenz und Aufsicht vorantreibt.
Zusammenfassung: Der KI-Einstellungszyklus zieht sich genau in dem Moment zusammen, in dem die Regulierungsbehörden die Erwartungen an Nachvollziehbarkeit und Fairness erhöhen.
-------------------------
5) WARUM ARBEITGEBER ES TROTZDEM WEITER TUN: WIRTSCHAFT UND ABWEHR-RATIONALITÄT
Kein Recruiter möchte einen großartigen Kandidaten verpassen.
Aber bei extremem Volumen wird das erste Mandat Durchsatz und Risikominderung.
Wenn 1.000 Bewerbungen eingehen, besteht der betriebliche Anreiz darin, die Triage zu automatisieren und die Zeit bis zur Shortlist zu reduzieren.
Das schafft eine Auswahlfunktion, die sich an folgenden Kriterien orientiert:
*
Lesbarkeit der Qualifikationen über Fähigkeiten
*
Übereinstimmung der Schlüsselwörter über nachweislich gelöstes Problemlösen
*
Konsistenzsignale über kreative Varianz
*
Geringes perceived risk über hohe Aufwärtsambiguität
Dies wird auch von Anbietern verstärkt, die Automatisierung über Beschaffung, Screening und Workflow-Management produktisieren, um die Einstellungszykluszeit zu komprimieren.
-------------------------
6) WAS ZUERST BRECHT: INNOVATIONSPOTENZIAL IN STARTUPS
Startups gewinnen historisch, indem sie asymmetrisches Talent finden – Menschen, die früh, eigenartig, autodidaktisch, nicht qualifiziert oder einfach ungeeignet für große Unternehmensformen sind.
Wenn Startups die Screening-Logik großer Unternehmen übernehmen (oder von der Stange kaufen), sabotieren sie unbeabsichtigt ihren Wettbewerbsvorteil.
Deshalb resoniert das „Gates oder Jobs“ Gedankenexperiment: nicht wegen der Berühmtheit, sondern weil beide Archetypen von hochsensitiven, wenig konformen Profilen sind.
Jobs' chaotische Bewerbung ist ein Proxy für die breitere Kategorie: Kandidaten, die stark sind, sich aber nicht in der Unternehmens-HR-Sprache verpacken.
-------------------------
7) EIN PRAKTISCHES BETRIEBSMODELL, UM DEM KREISLAUF ZU ENTFLIEHEN (OHNE ZURÜCK ZU 1999)
Die Lösung ist nicht „KI verbannen“.
Die Lösung besteht darin, Signale neu auszubalancieren: Die Abhängigkeit von narrativen Dokumenten reduzieren und die Abhängigkeit von authentifizierten, in Echtzeit demonstrierten Beweisen erhöhen.
A. „LEBENSLAUF-ZUERST“ DURCH „BEWEIS-ZUERST“ ERSETZEN
Verwenden Sie eine kurze, strukturierte Erfassung (Identität + Grundlagen) → sofortige Arbeitsprobenkontrolle → erst dann den Lebenslauf.
Dies macht das Polieren durch KI weitgehend irrelevant, da die Auswahl von der Leistung getrieben wird.
B. KI VERWENDEN, UM MASSENFABRIKATIONSMUSTER ZU ERKENNEN, NICHT UM MENSCHEN ZU BEWERTEN
Setzen Sie KI zur Anomalieerkennung (Musterähnlichkeit, wiederholte Kontaktmerkmale, Integrität der Portfolio-Links, Muster der Domain-Imitation) ein, während die menschliche Verantwortung für Beförderungsentscheidungen erhalten bleibt.
C. „AUSREIßER-KANÄLE“ EXPLIZIT HINZUFÜGEN
Schaffen Sie einen geschützten Weg für unkonventionelle Kandidaten: Empfehlungen, Open-Source-Beiträge, Portfolio-Durchgänge und von Gründern überprüfte Einreichungen.
Das Ziel ist es, die durch automatisierte Filter verursachte Unterdrückung von Varianz zu bekämpfen.
D. IDENTITÄTSSICHERUNG, DIE DIE WÜRDE DER KANDIDATEN RESPEKTIERT
Adoptieren Sie gestaffelte Überprüfungen, die proportional zur Sensibilität der Rolle sind – stärkere Prüfungen für Rollen mit Systemzugang, leichtere Prüfungen zu Beginn – ohne den Prozess in eine Barriere zu verwandeln, die nur privilegierte Kandidaten überwinden können.
E. KONFORMITÄT-DESIGN
Wenn automatisierte Tools verwendet werden, um zu screenen oder zu bewerten, implementieren Sie Voreingenommenheitsprüfungen, Benachrichtigungen an die Kandidaten, Dokumentation und Beschwerdewege, die mit den modernen Erwartungen an Konformität übereinstimmen.
-------------------------
8) ZU ORIGINAL = ABGELEHNT.
ZU OPTIMIERT = EINGESTELLT.
Der Einstellungsmarkt driftet auf eine Roboter-zu-Roboter-Schnittstelle zuzu, bei der Kandidaten maschinenoptimierte Identitäten generieren und Arbeitgeber maschinenoptimierte Ablehnungen einsetzen.
In diesem Gleichgewicht gewinnen die konformsten Erzählungen – nicht unbedingt die fähigsten Menschen.
Die Organisationen, die übertreffen werden, sind die, die KI als Betrugs- und Workflow-Beschleuniger behandeln, nicht als Ersatz für Talentbewertung – und die absichtlich einen Ausreißer-Erkennungsweg entwerfen, damit der nächste außergewöhnliche Bauherr nicht wegen falscher Formatierung, falscher Schlüsselwörter oder der falschen Art von Lebenslauf herausgefiltert wird.
