KI-Kandidaten-Matching

Was „Matching” konkret heißt

Das Modell erzeugt einen Ähnlichkeits-Score zwischen Bewerbung und Rolle. Der Score wird der Sichtung mit Begründung gezeigt: „passt auf Python, 5 Jahre Backend, EU-Arbeitserlaubnis; schwach bei Team-Lead-Signalen”.

Gute Matching-Tools zeigen, was den Score getrieben hat. Blackbox-Tools, die nur eine Zahl liefern, sind weniger nützlich — gegen eine Zahl lässt sich nicht argumentieren, gegen eine Begründung schon.

Die zwei Ebenen

• Skill-Match: oberflächliche Keyword- und Skill-Überlappung. Schnell, erklärbar, anfällig für False Negatives (ein CV mit „TypeScript” statt „JS” wirkt schwächer, als es ist).
• Semantisches Matching: Embedding-basierter Vergleich von CV und Rollenbeschreibung als Text. Fängt relevante Erfahrung, die der Skill-Layer verfehlt, ist aber weniger erklärbar.

Modernes Matching kombiniert beides zu einem Hybrid-Score.

Wo es im Funnel sitzt

Matching speist zwei vorgelagerte Nutzungen:

• Inbound (KI-Screening): Bewerbungen gegen die Rolle ranken.
• Outbound (KI-Sourcing): passive Personen hervorheben, deren Profile passen.

Gleicher Mechanismus, andere Funnel-Stufe.

Was Matching nicht ist

Es ist nicht die Einstellungsentscheidung. Ein hoher Match-Score bedeutet „Gespräch wert”, nicht „Angebot machen”. Das zu verwechseln ist der häufigste KI-Fehler im Hiring.

Wo Join hineinpasst

Join zeigt Match-Scores mit dimensionsweisen Begründungen, sodass die Sichtung immer sieht, worauf die KI matcht. Die menschliche Entscheidung bleibt primär. Mehr auf der Funktionsseite.