Die Hälfte Ihrer Bewerber hat KI zum Schreiben des Lebenslaufs genutzt. Sie wissen das. Eine Umfrage von KraftCV aus dem Jahr 2026 beziffert den Anteil auf 70 %. Ihr erster Impuls ist vermutlich, herauszufinden, welche Lebensläufe KI-generiert sind, und sie auszusortieren.
Das ist der falsche Ansatz. Erkennung ist ein Pflaster. Strukturiertes, kriterienbasiertes Screening ist die Lösung, und es funktioniert unabhängig davon, wer den Lebenslauf geschrieben hat.
Warum Erkennung als Screening-Strategie scheitert
KI-Erkennungstools wurden für die Wahrung akademischer Integrität entwickelt, nicht für das Recruiting. Sie analysieren Schreibmuster, um abzuschätzen, ob ein Text maschinell erzeugt wurde. Im Recruiting entstehen dadurch drei Probleme.
Erstens ist die Genauigkeit unzuverlässig. Eine unabhängige Prüfung von PCWorld ergab, dass GPTZero bei realen Dokumenten nur 62 % Genauigkeit erreichte, obwohl das Tool in kontrollierten Benchmarks 99 % behauptet. Originality.ai weist Falsch-Positiv-Raten zwischen 8 % und 12 % aus.
Zweitens ist das Signal nicht nützlich. Zu wissen, dass ein Lebenslauf KI-gestützt entstanden ist, sagt nichts darüber, ob der Kandidat die Stelle ausfüllen kann. Es zeigt nur, dass er ein Schreibwerkzeug benutzt hat, dieselbe Art von Werkzeug, die Ihr eigenes Team wahrscheinlich für Stellenbeschreibungen und Outreach-E-Mails nutzt.
Drittens bestraft Erkennung die falschen Leute. Kandidaten, die KI-Ausgaben nur leicht überarbeiten, kommen womöglich durch die Erkennung, während Kandidaten, die ihren Lebenslauf selbst geschrieben haben, aber nicht Muttersprachler sind, markiert werden können. Das Ergebnis ist ein Filter, der mit dem Schreibstil korreliert, nicht mit der Eignung für die Stelle.
Methode 1: Kriterienbasiertes Screening zuerst
Der wirksamste Ersatz für Erkennung ist ein kriterienbasierter erster Durchgang. Bevor Sie auch nur einen Lebenslauf lesen, definieren Sie die unverzichtbaren Anforderungen für die Stelle:
- Arbeitserlaubnis für Ihren Standort
- Erforderliche Zertifikate oder Lizenzen
- Mindestanforderungen an die Berufserfahrung
- Sprachkenntnisse
- Spezifische technische Fähigkeiten
Mit CriteriaMatch legen Sie diese Kriterien einmal fest, und sie werden automatisch auf jeden eingehenden Lebenslauf angewendet. Die KI prüft jeden Lebenslauf in Sekunden gegen Ihre definierten Anforderungen. Ein brillant formulierter Lebenslauf ohne das geforderte Zertifikat fällt trotzdem durch. Ein schlicht gehaltener Lebenslauf eines qualifizierten Kandidaten besteht.
Dieser Ansatz ist immun gegen KI-generierten Text, weil er Fakten bewertet, nicht die Qualität der Formulierung. Er schafft außerdem einen dokumentierten, prüfbaren Screening-Standard, den Erkennung nie liefern kann. Mehr dazu, warum KI-Detektoren mehr Probleme schaffen, als sie lösen, und was Sie vor der Anbindung einer Erkennungs-API bedenken sollten, behandeln wir an anderer Stelle.
Eine ausführlichere Darstellung, wie kriterienbasiertes Screening in der Praxis funktioniert, finden Sie in unserem Leitfaden: so hilft CriteriaMatch Recruitern beim Filtern von Kandidaten.
Methode 2: Passungsbewertung gegen die Stellenbeschreibung
Nach dem Kriterien-Screening folgt die nächste Ebene: Relevanz. Passt der Hintergrund des Kandidaten zu dem, was die Stelle tatsächlich verlangt?
AI Score bewertet Lebensläufe anhand Ihrer Stellenbeschreibung und liefert einen Passungsrang mit konkreten Stärken und Schwächen. Satzbau oder Wortvielfalt spielen dabei keine Rolle. Entscheidend ist, ob Erfahrung, Fähigkeiten und Hintergrund des Kandidaten zu den Anforderungen der Stelle passen.
Ein hoher AI Score bedeutet, dass der Kandidat zur Stelle passt. Ein niedriger bedeutet, dass er nicht passt. Ob der Lebenslauf mit ChatGPT geschrieben wurde, ist für dieses Urteil irrelevant.
Die Antwort ist nicht, die KI zu erkennen, sondern zu prüfen, was Sie tatsächlich brauchen.
Methode 3: Strukturierte Interviewfragen aus der Lückenanalyse
Hier kommt der Einwand der Erkennungs-Befürworter: „Und wie überprüft man das?“ Berechtigte Frage. Die Antwort sind strukturierte Interviews.
Die Forschung zeigt durchweg, dass strukturierte Interviews die spätere Arbeitsleistung zwei- bis dreimal so gut vorhersagen wie unstrukturierte Gespräche. Eine Analyse von Sapia.ai aus dem Jahr 2026 fand Validitätskoeffizienten von 0,51 bis 0,63 für strukturierte Interviews gegenüber 0,20 bis 0,38 für unstrukturierte Formate. Die Übereinstimmung der Interviewer liegt bei strukturierten Formaten bei etwa 85 %, bei unstrukturierten bei rund 40 % (ResReader, 2026). Organisationen, die strukturierte Interviews nutzen, berichten außerdem von einer um 55 % verbesserten Vielfalt unter den Kandidaten.
InterviewGen erstellt rollenspezifische Interviewfragen, indem es den Lebenslauf jedes Kandidaten mit der Stellenbeschreibung abgleicht. Es erkennt Lücken, also Stellen, an denen der Lebenslauf vage ist, Erfahrungsangaben dünn sind oder angegebene Fähigkeiten nicht zu den Anforderungen der Stelle passen, und formuliert Fragen, die genau diese Bereiche prüfen.
Hat ein Kandidat auf einem KI-polierten Lebenslauf „eine Migration auf Microservices konzipiert“ angegeben, erzeugt InterviewGen Fragen, die prüfen, ob er die technischen Entscheidungen, Abwägungen und Ergebnisse erklären kann. Das Interview ist die Verifikationsebene. Der Lebenslauf ist nur der Ausgangspunkt.
Methode 4: Die Methoden zu einer Pipeline kombinieren
Der stärkste Ansatz schichtet diese Methoden übereinander:
- CriteriaMatch: Harte Anforderungen als Filter. Bestanden oder nicht bestanden. Entfernt Kandidaten, die die Mindestanforderung nicht erfüllen, unabhängig von der Qualität des Lebenslaufs.
- AI Score: Passungsbewertung. Ordnet verbleibende Kandidaten nach Relevanz für die Stelle und stellt die besten Treffer für die menschliche Prüfung heraus.
- InterviewGen: Tiefenprüfung. Erstellt gezielte Fragen für Finalisten auf Basis ihrer spezifischen Lücken und Angaben. Macht aus einem allgemeinen Interview ein Verifikationswerkzeug.
Jede Ebene fängt auf, was die vorherige übersieht. Und keine von ihnen hängt davon ab, zu raten, ob ein Kandidat KI zum Schreiben seines Lebenslaufs verwendet hat.
Die Vorteile strukturierten Screenings
Über den Umgang mit KI-geschriebenen Lebensläufen hinaus löst dieser Ansatz mehrere andere Probleme, die Ihr Team wahrscheinlich hat:
- Konsistenz: Jeder Kandidat wird anhand derselben Kriterien und derselben Stellenbeschreibung bewertet. Schluss mit „Die Ausstrahlung hat mir gefallen“ gegenüber „Die Formatierung hat mir nicht gefallen“.
- Geschwindigkeit: Kriterienprüfung und Passungsbewertung dauern Sekunden statt Stunden. Ihr Team prüft eine vorsortierte Liste statt eines ungefilterten Stapels.
- Nachvollziehbarkeit: Jede Screening-Entscheidung lässt sich auf definierte Kriterien und dokumentierte Scores zurückführen. Fragt ein Kandidat, warum er abgelehnt wurde, haben Sie eine konkrete Antwort, die standhält.
- Weniger Bias: Strukturierte Verfahren verringern die rund 40 % große Bias-Lücke, die in unstrukturierten Einstellungsprozessen dokumentiert ist (Hyring, 2026).
Hören Sie auf zu erkennen. Fangen Sie an zu screenen.
Das KI-Lebenslauf-Problem ist eigentlich ein Screening-Problem. Wenn Ihre Pipeline auf Schreibstil setzt, um Kandidaten zu beurteilen, wird KI sie zerbrechen. Wenn sie auf überprüfbare Kriterien, Passungsbewertung und strukturierte Interviews setzt, spielt es keine Rolle, wie der Lebenslauf geschrieben wurde.
Bauen Sie einen Screening-Prozess, der auf Substanz statt auf Stil basiert. Nur dieser Ansatz skaliert.