Scovai Scovai
Talent Intelligence 2026-11-09 1 min read

Fachexpertise verlor an Gewicht in Anthropics Interview-Bewertungsbögen. Der Junior-Anteil an den technischen Einstellungen fiel von 27 % auf 9 %.

DSL

Dr. Sarah Liu

Fachexpertise verlor an Gewicht in Anthropics Interview-Bewertungsbögen. Der Junior-Anteil an den technischen Einstellungen fiel von 27 % auf 9 %.

Der Junior-Anteil an den technischen Einstellungen bei Anthropic fiel von 27 % auf 9 %. Diese Zahl wurde bis zur Erschöpfung besprochen. Die Zahl darunter nicht: Ein automatisierter Kodierer las die Interview-Bewertungsbögen der Hiring Manager für tausende seit 2024 eingestellte Mitarbeitende und stellte fest, dass bei technischen Kandidaten „die mit Abstand größten Zunahmen bei Kommentaren zur Autonomie und zum Urteilsvermögen der Bewerbenden lagen", während „die Erörterung von Fachexpertise als Anteil der Gesamtbewertung schrumpfte" (Anthropic, 2026).

Das meiste, was wir über KI und Einstiegsrekrutierung wissen, stammt aus Stellenanzeigen — also aus dem, was Arbeitgeber zu wollen behaupten, bevor sie jemanden treffen. Anthropics Beschäftigungsreport vom 16. Oktober tut etwas Seltenes: Er liest, was die Interviewer nach dem Gespräch geschrieben haben.

Zwei Zahlen, zwei verschiedene Gegenstände. Die Personalzahl ist umstritten, wie ich zeigen werde. Die Bewertungsbogen-Zahl ist die, auf die Ihr eigener Interview-Leitfaden nicht vorbereitet ist.

Was die Interview-Bewertungsbögen tatsächlich gemessen haben

Der Report ist eine Studie auf Basis interner Daten eines einzigen Unternehmens: KI-Nutzungsprotokolle, Output-Metriken, Mitarbeiterbefragungen, Slack- und Kalenderdaten, Aufzeichnungen von Einstellungsentscheidungen, dazu 17 Mitarbeiterinterviews. Hauptautor Nathan Wilmers ist an der MIT Sloan; veröffentlicht wird die Arbeit von Anthropic selbst.

Bei der Zusammensetzung zählen zwei unterschiedliche Kennzahlen, die nicht vermischt werden dürfen. Der Anteil von Mitarbeitenden auf Junior-Level innerhalb der technischen Abteilungen „sank seit Anfang 2025 von 21 % auf 14 %". Der Anteil der technischen Junior-Einstellungen „fiel sogar noch schneller, von 27 % auf 9 %". Die zweite Zahl ist eine Verschiebung im Mix der Eingestellten, keine Personalkürzung — der Report stellt ausdrücklich fest, dass technische Einstellungen „in absoluten Zahlen weiter gewachsen sind", während sich das Unternehmen „im letzten Jahr verdreifacht hat". Wer 27 % auf 9 % als 65-prozentige Reduktion der Junior-Einstellungen liest, hat es falsch gelesen.

Was die Manager sagten, deckt sich mit den Daten. In der Befragung im April 2026 „beschrieb eine Mehrheit der Manager, aufgrund von KI nach einem anderen Kompetenzprofil einzustellen", während „etwa ein Drittel der ML- und ein Fünftel der SWE-Manager angab, aufgrund von KI weniger einzustellen". Die Mehrheit änderte die Kriterien. Eine Minderheit kürzte das Volumen. Diese Reihenfolge ist die ganze Geschichte.

Die Bewertungsbogen-Ebene

Der charakteristische Befund ist textueller Natur. 2024 vermerkten Hiring Manager die Erfahrung eines Bewerbenden mit KI-Werkzeugen in „etwa 5 % der Bewertungen für technische Rollen und 7 % für nicht-technische Rollen". Bis 2026 hatten sich diese Quoten für technische Rollen verdreifacht und für nicht-technische vervierfacht. Der Report nennt die Basiswerte von 2024 und die Multiplikatoren nur in Worten, die Endwerte sind also nicht veröffentlicht — sie zu erfinden würde eine Präzision fabrizieren, die die Quelle nicht hat.

Darunter liegt die tiefere Neugewichtung. Bei technischen Kandidaten: Autonomie und Urteilsvermögen mit dem größten Zuwachs, Fachexpertise rückläufig als Anteil der Bewertung. Bei nicht-technischen Kandidaten: „Kunden- und Missionsorientierung nahm zu, während die Erörterung von Umsetzungsfähigkeiten abnahm". Die Erklärung eines Managers ist die klarste Zusammenfassung dieser Logik im ganzen Dokument: „Ich erwarte, dass Modelle weiterhin ungleichmäßig bleiben, deshalb will ich für mein Team Leute, die über Domänen hinweg austauschbar sind."

Beachten Sie, was ohne Zahl bleibt. Der Zuwachs bei Autonomie und Urteilsvermögen wird nur direktional berichtet, als größte Veränderung, ohne Prozentangabe. Das ist eine Grenze der Evidenz, kein Grund, sie abzutun — aber es bedeutet, dass dieser Befund eine Richtung stützt, keine Größenordnung.

Ein Unternehmen ist kein Benchmark

Die Autoren des Reports sind hier deutlicher als die meisten Kommentare: „Viele Teile der Beschäftigungspraktiken von Anthropic lassen sich nicht auf die gesamte Wirtschaft übertragen." Das Unternehmen erwirtschaftet zwischen dem Zwei- und Vierfachen des Umsatzes pro Mitarbeitenden, den Meta und Google auf ihrem Höhepunkt erreichten. Es ist n = 1, selbst veröffentlicht, nicht extern geprüft und am äußersten Ende der KI-Intensität angesiedelt. Nichts darin begründet einen gesamtwirtschaftlichen Trend.

Die breitere Literatur ist genau in dem Punkt aktiv umstritten, den die meisten daraus mitnehmen. Lambert und Schindlers Analyse von 243 Millionen Neueinstellungen und 407 Millionen Stellenanzeigen in den USA, Großbritannien, Kanada und Australien ergab, dass ein Anstieg um zwei Standardabweichungen entweder bei der Exposition gegenüber generativer KI oder bei der Exposition gegenüber Remote-Arbeit jeweils einzeln mit einem Rückgang des Junior-Anteils um rund fünf Prozentpunkte bis 2025 verbunden war — wurden jedoch beide gemeinsam einbezogen, „schwächt sich der KI-Koeffizient stark ab und wird oft statistisch nicht von Null unterscheidbar", während der Remote-Effekt robust blieb (Lambert & Schindler, 2026). Ihre Lesart: Die zerbrochene Junior-Leiter könnte eine Geschichte darüber sein, wo gearbeitet wird, nicht darüber, was automatisiert wird.

Ausgabendaten auf Unternehmensebene schneiden wieder in die andere Richtung. Durch die Verknüpfung beobachteter KI-Ausgaben in 21.559 US-Unternehmen mit Personaldaten fanden Ramp und Revelio Labs, dass Adoptierende mit hoher Intensität ihre Einstiegsbelegschaft in den zwei Jahren nach der Einführung um etwa 12 % ausbauten, während Adoptierende mit geringer Intensität überhaupt keine statistisch signifikante Veränderung zeigten (Ramp, 2026). Hohe KI-Investitionen waren in diesem Datensatz mit mehr Junior-Einstellungen verbunden, nicht mit weniger.

Die Kausalbehauptung zum Junior-Kollaps ist also ungeklärt, und ein Head of Operations hat keinen Grund, seine Personalplanung darauf zu stützen. Die Behauptung zu den Kriterien ist eine andere Sache.

Was konvergiert, sind die Kriterien, nicht die Zahl

Hier ist der Grund, warum der Bewertungsbogen-Befund trotz n = 1 Aufmerksamkeit verdient. Er stimmt mit Evidenz aus einem völlig anderen Datentyp und auf völlig anderer Skala überein.

PwCs Global AI Jobs Barometer 2026 analysierte über eine Milliarde Stellenanzeigen auf sechs Kontinenten, mit einer Tiefenauswertung von 2,4 Millionen Einstiegspositionen in den USA. KI-exponierte Junior-Rollen verlangten demnach siebenmal häufiger als die am wenigsten exponierten Junior-Rollen traditionell senior-typische Kompetenzen — Urteilsvermögen, strategisches Denken, motivierende Führung, emotionale Intelligenz. Anzeigen mit diesem „seniorisierten" Profil wuchsen seit 2019 um 35 %, während die Zahl der Berufseinsteiger-Anzeigen in hoch KI-exponierten Branchen insgesamt stagnierte (PwC, 2026).

Anzeigen erfassen, was Arbeitgeber ausschreiben. Bewertungsbögen erfassen, was Interviewer honoriert haben, nachdem sie die Person getroffen hatten. Das sind unabhängige Messflächen, erhoben von verschiedenen Parteien mit verschiedenen Anreizen, und sie bewegten sich in dieselbe Richtung: hin zu Urteilsvermögen und Autonomie, weg von spezialisierter Umsetzung.

Konvergenz über unabhängige Methoden hinweg ist schwächer als eine einzelne Kausalschätzung, aber stärker als zwei Anekdoten. Sie genügt zum Handeln, weil die Maßnahme günstig und lokal überprüfbar ist.

Und die Diskrepanz, die sie offenlegt, besteht in den meisten Recruiting-Stacks des Mittelstands tatsächlich. Die Einstiegsanforderung verlangt heute Senior-Urteilsvermögen, während Vergütungsband, 90-Tage-Einarbeitung und Mentoring-Modell immer noch eine Anfängerin oder einen Anfänger voraussetzen. Gleichzeitig berichteten britische Graduate-Recruiter von 141 bis 172 Bewerbungen pro Stelle in den am stärksten überlaufenen Branchen (ISE, 2026) — die Vorauswahlebene steht also unter mehr Volumendruck als je zuvor, genau in dem Moment, in dem sich geändert hat, worauf sich die Vorauswahl lohnt.

Was ein Head of Operations in diesem Quartal tun sollte

Das hier implizierte Audit ist klein genug, um es selbst durchzuführen, bevor der nächste Einstellungszyklus schließt.

  1. Holen Sie Ihre letzten zwanzig Interview-Bewertungsbögen heraus. Nicht den Leitfaden — die Freitextkommentare, die Ihre Interviewer tatsächlich geschrieben haben.
  2. Kodieren Sie jede Zeile in eine von vier Kategorien: enge Fachtiefe, Umsetzung und Implementierung, Autonomie und Urteilsvermögen, sowie Belege für wirksames Arbeiten mit KI-Werkzeugen.
  3. Zählen Sie. Wenn die ersten zwei Kategorien dominieren — und in den meisten Unternehmen mit 50 bis 500 Vollzeitstellen werden sie das, weil der Leitfaden genau darauf ausgelegt wurde —, dann selektieren Sie am härtesten auf die zwei Kategorien, die bei dem Unternehmen am weitesten vorne auf diesem Weg an Gewicht verloren haben.
  4. Prüfen Sie anschließend das Schwierigere: ob Ihr Prozess die anderen zwei überhaupt beobachten kann. Autonomie und Urteilsvermögen zeigen sich nicht in einem CV oder einer zeitlich begrenzten technischen Aufgabe. Sie zeigen sich darin, wie jemand ein unklares Problem eingrenzt, entscheidet, was nicht zu tun ist, und einen Trade-off erklärt, bei dem er falsch lag.

Dieser letzte Punkt ist die eigentliche Restriktion, und er ist ein Messproblem, bevor er ein Kriterienproblem ist. Abschlüsse und Jobtitel sind Stellvertreter für Fachexpertise — jenes Attribut, das an Gewicht verliert. Urteilsvermögen und Autonomie brauchen nachgewiesene Belege: strukturierte Assessments, bearbeitete Problemstellungen, eine Aufzeichnung von Entscheidungen statt einer Aufzeichnung von Positionen. Die kandidatenseitigen Instrumente, die für diese Unterscheidung gebaut werden, darunter Scovais Talent Passport, zertifizieren nachgewiesene Fähigkeit mit einem Perzentilrang je Kompetenz statt nur der Laufbahn — und genau diese Form müsste der Nachweis haben, um in großem Volumen vorauswählbar zu sein.

Zwei Vorbehalte, bevor Sie etwas umschreiben. Nutzen Sie das nicht, um Kürzungen bei Junior-Einstellungen zu rechtfertigen; die kausale Evidenz stützt das nicht, und die Ausgabendaten auf Unternehmensebene zeigen in die Gegenrichtung. Und streichen Sie Fachexpertise nicht aus Ihren Kriterien — „schrumpfte als Anteil der Gesamtbewertung" ist eine Neugewichtung, keine Entfernung. In einem 200-köpfigen Operations-Team ohne Modelltraining-Funktion ist Domänenwissen weiterhin genau das, wofür Ihre Kunden zahlen.

Die Entscheidung, die vor Ihnen liegt

Die ehrliche Zusammenfassung der Evidenz lautet: Niemand kann Ihnen bislang sagen, ob KI Ihre Junior-Ebene schrumpfen lässt. Mehrere glaubwürdige Datensätze widersprechen sich. Aber zwei unabhängige Quellen — eine Milliarde Stellenanzeigen und tausende Interview-Bewertungsbögen — stimmen darin überein, woran die überlebenden Rollen gemessen werden, und die meisten Interview-Leitfäden haben darauf nicht reagiert.

Ihre Interview-Bewertungsbögen sind eine schriftliche Aufzeichnung dessen, was Ihre Organisation für leistungsprädiktiv hält. Anthropics sind zwei Jahre dieser Überzeugung im messbaren Text ihrer Veränderung. Ihre liegen gerade jetzt in Ihrem Bewerbermanagementsystem, ungelesen als Datensatz.

Lesen Sie in diesem Quartal zwanzig davon. Wenn sie weiterhin den Kandidaten belohnen, der am meisten weiß, statt den, der am besten entscheidet, haben Sie die Korrektur mit der höchsten Hebelwirkung dieses Quartals gefunden — und sie kostet einen Nachmittag, keine Budgetposition.

Ready to go beyond the CV?

Scovai's AI-powered Talent Passport reveals what resumes can't: personality, potential, and true job fit.