Ein generischer KI-Screening-Score ist leicht zu ignorieren. Spuckt ein Tool „82% Match“ aus, ohne zu wissen, was Ihre Stelle tatsächlich verlangt, hören Ihre Fachverantwortlichen still auf, ihm zu vertrauen, und blättern wieder selbst durch PDFs. Der Score wird zur Dekoration.
Ein KI-Bewertungsraster schafft nur dann Vertrauen, wenn es die konkreten Filter der Stelle abbildet und nicht die Vorstellung eines Anbieters von einem guten Bewerber.
Die Lösung ist ein individuelles Raster: die harten Kriterien, die ein Bewerber erfüllen muss, plus die gewichteten Eigenschaften, die einen starken Einstellungskandidaten von einem durchschnittlichen unterscheiden. So bauen Sie eines in Canvider, damit der Score etwas aussagt.
Schritt 1: K.-o.-Kriterien von Wunschkriterien trennen
Bevor Sie etwas gewichten, teilen Sie Ihre Anforderungen in zwei Gruppen auf.
- K.-o.-Kriterien sind nicht verhandelbar. Arbeitserlaubnis für Ihr Land, eine vorgeschriebene Lizenz, eine Mindestanzahl an Berufsjahren, ein Arbeitsort vor Ort. Wer eines davon nicht erfüllt, kann nicht eingestellt werden, Punkt.
- Wunschkriterien machen jemanden besser, schließen ihn aber nicht aus. Ein bestimmtes Framework, Branchenerfahrung, eine Zertifizierung, die Sie gern hätten, die man aber auch nachschulen kann.
Das Vermischen beider Gruppen ist der häufigste Fehler beim Erstellen eines Rasters. Ein fehlendes Wunschkriterium sollte den Score senken. Ein fehlendes K.-o.-Kriterium sollte den Bewerber komplett aus der Betrachtung nehmen.
Schritt 2: K.-o.-Kriterien mit CriteriaMatch durchsetzen
Canvider CriteriaMatch übernimmt die Liste der K.-o.-Kriterien. Sie definieren Kriterien in einfacher Sprache, etwa „Hat eine Arbeitserlaubnis für Deutschland“ oder „Besitzt eine gültige PMP-Zertifizierung“. Die KI prüft jeden Lebenslauf dagegen und liefert eine Konfidenzstufe sowie eine Erklärung.
Das ist kein Stichwortabgleich. CriteriaMatch liest im Kontext, sodass „zur Arbeit in der EU berechtigt“ auch dann die Prüfung der Arbeitserlaubnis für Deutschland erfüllt, wenn die genaue Formulierung fehlt. Das Ergebnis ist ein sauberer Filter: Sie verschwenden keine Gesprächszeit mehr an Bewerber, die Sie ohnehin nie einstellen könnten.
Halten Sie diese Liste kurz. Drei bis fünf echte K.-o.-Kriterien sind meist richtig. Zu viel Filterung ist der Weg, wie man versehentlich gute Leute aussortiert.
Schritt 3: Wunschkriterien mit AI Score gewichten
Sobald die K.-o.-Kriterien erledigt sind, rankt Canvider AI Score die verbleibenden Bewerber anhand der Stellenausschreibung selbst. Er liefert einen Match-Rang mit konkreten Stärken und Lücken in einfacher Sprache. Der Score ist damit erklärbar und keine Blackbox.
Weil der Score an die Stellenausschreibung gekoppelt ist, ist das Raster standardmäßig stellenspezifisch. Eine Senior-Backend-Stelle und eine Junior-Supportstelle haben nicht dieselbe Messlatte, und sie sollten auch nicht dieselbe Bewertungslogik teilen.
Mehr dazu, wie Sie diese Gewichtungen mit Ihrem Team abstimmen, statt zu raten, finden Sie in So kalibrieren Sie die Gewichtung der Bewerberbewertung.
Schritt 4: Das Raster festlegen, bevor der erste Bewerber kommt
Definieren Sie das Raster einmal, bevor die ersten Lebensläufe eingehen, und machen Sie es jedem Prüfer sichtbar. Das ist die wichtigste Verteidigung gegen den häufigsten Fehlermodus: den Bewertungsdrift.
Bewertungsdrift liegt vor, wenn sich der Maßstab mitten im Prozess still verändert, oft um einen Bewerber zu rechtfertigen, den jemand bereits mag. Ein festes, gemeinsames Raster sorgt dafür, dass alle nach derselben Messlatte bewerten. Diesen Fehler behandeln wir ausführlich in Bewertungsdrift beim Bewerbervergleich vermeiden.
Schritt 5: Finalisten an derselben Messlatte vergleichen
Eine Bewertung ist nur dann nützlich, wenn die Endentscheidung sie respektiert. Canvider DecisionHelper stellt Finalisten mit teilbaren Begründungen nebeneinander. So vergleicht die Nachbesprechung die Personen anhand des Rasters und nicht anhand desjenigen, der zuletzt interviewt hat.
Damit schließt sich der Kreis: Dieselben Kriterien, die den oberen Teil des Trichters filtern, bestimmen auch die finale Entscheidung.
Der Sinn eines Rasters
Ein gutes Raster soll menschliches Urteil nicht ersetzen. Es lenkt dieses Urteil auf die richtigen Bewerber und wendet es konsistent an. K.-o.-Kriterien prüft CriteriaMatch, Wunschkriterien gewichtet AI Score, dazu kommen ein festgelegter, geteilter Maßstab und ein Endvergleich, der ihn respektiert.
Erstellen Sie das Raster einmal pro Stelle. Dann hört der KI-Score auf, Dekoration zu sein, und wird zu einem Filter, dem Ihr Team tatsächlich vertraut.
Canvider bietet wachsenden Teams individuelles KI-Screening, das direkt in den Einstellungsprozess eingebaut ist. Testen Sie es kostenlos bei Ihrer nächsten offenen Stelle.