Zwei Lebensläufe, dasselbe Werkzeug, derselbe Autor, fast die doppelte Rückmeldequote. In einem zweimonatigen Feldtest mit 204 echten Bewerbungen auf aktive Stellenanzeigen erhielt ein KI-generierter Lebenslauf, unbearbeitet verschickt, Rückmeldungen auf 10 % der Bewerbungen. Dasselbe KI-Ergebnis, auf jede einzelne Anzeige angepasst, kam auf 18 % (Kickresume, 2026). Am Bewerber selbst hat sich zwischen diesen beiden Gruppen nichts verändert. Verändert hat sich, wie viel Arbeit in die Bewerbung geflossen ist.
Dieses Ergebnis sollte Ihren Blick auf den eigenen Funnel neu ordnen. Die meisten Recruiting-Teams stellen sich 2026 auf das falsche Problem ein. Die Befürchtung lautet: KI-geschriebene Bewerbungen seien zu geschliffen, um sie zu filtern — der maschinell geschriebene Lebenslauf komme durch, weil er sich besser liest als der menschliche. Die Daten zeigen das Gegenteil. Der unbearbeitete KI-Entwurf war der schwächste Teilnehmer im gesamten Test. Was Ihr Lebenslauf-Screening belohnt, ist nicht Urheberschaft und nicht Fähigkeit. Es ist Anpassungsaufwand — und Anpassungsaufwand ist genau jener Input, den generative KI nahezu kostenlos gemacht hat.
Was 204 echte Bewerbungen tatsächlich gemessen haben
Das Studiendesign ist entscheidend, deshalb hier im Klartext. Von etwa April bis Juni 2026 gingen 204 echte Bewerbungen an aktive Anzeigen im New Yorker Markt, konzentriert auf Kundenservice- und Vertriebsrollen — bewusst gewählte Kategorien mit hohem Volumen. Vier Lebenslaufvarianten wurden rotiert, je 51 Bewerbungen: ein von Menschen geschriebener einspaltiger Lebenslauf, ein von Menschen geschriebener zweispaltiger, ein unbearbeiteter KI-Entwurf und ein KI-Lebenslauf, der pro Anzeige angepasst wurde (Kickresume, 2026).
Über den gesamten Test kamen 36 positive Rückmeldungen — rund 18 %, etwa eine von sechs — davon 22 direkte Einladungen zum Gespräch, der Rest Telefon-Screenings, Video-Screenings, positive E-Mails und Einladungen zu Tests. Die meisten Antworten kamen innerhalb von drei Tagen.
Der Abstand zwischen den Gruppen ist der eigentliche Befund:
- Von Menschen geschrieben, klar einspaltig: 31 %
- KI-Lebenslauf, pro Anzeige angepasst: 18 %
- Von Menschen geschrieben, zweispaltig: 12 %
- Unbearbeiteter KI-Entwurf, wie generiert verschickt: 10 %
In diesen Zahlen stecken zwei leicht zu übersehende Dinge. Erstens: der menschliche zweispaltige Lebenslauf schnitt schlechter ab als der angepasste KI-Lebenslauf — das Parsen von Layouts kostet echte Bewerber weiterhin echte Gespräche, was eher die Parsing-Schicht belastet als die Bewerber. Zweitens: 30 der 36 positiven Rückmeldungen kamen von wirklich gut passenden Rollen, und allein Kundenservice und Support lieferten 18 von 36. Die Passungsqualität dominierte in den Daten alles andere.
Ein ehrlicher Vorbehalt, den die Autoren selbst benennen: die Varianten gingen in Phasen hinaus und nicht parallel auf identische Anzeigen, sodass die menschlichen Lebensläufe zuerst auf die am besten passenden Stellen trafen, bevor der lokale Bestand passender Rollen erschöpft war — was laut Autoren etwa eine Woche dauerte, und zwar in den volumenstärksten Berufskategorien des Landes. Dieser Störfaktor bläht den Wert für den einspaltigen menschlichen Lebenslauf um einen unbekannten Betrag auf. Nehmen Sie die 31 % als Richtung. Der Vergleich, der den Störfaktor übersteht, ist der innerhalb des KI-Paares, wo Werkzeug und Autor konstant blieben und nur die Anpassung variierte: von 10 % auf 18 %.
Ihr Lebenslauf-Screening liest Aufwand — und Aufwand ist billig geworden
Hier der Mechanismus. Wenn ein Screening — ob menschlich oder automatisiert — einen Lebenslauf dafür belohnt, dass er das Vokabular der Anzeige verwendet, die genannten Anforderungen spiegelt und das relevante Drittel einer Laufbahn nach vorne stellt, dann misst es nicht, ob die Person die Arbeit leisten kann. Es misst, ob die Person zwanzig Minuten in Sie investiert hat statt eine generische Datei abzuschicken.
Für den größten Teil der Recruiting-Geschichte war das ein vertretbarer Näherungswert. Aufwand korrelierte mit Motivation, Motivation mit Passung, und die Kosten der Anpassung waren hoch genug, um informativ zu sein. Wer seinen Lebenslauf für Ihre Anzeige neu schrieb, hatte etwas Reales über seine Präferenzordnung offengelegt.
Generative KI hat den Preis dieses Signals zerstört. Einen Lebenslauf an eine Stellenbeschreibung anzupassen ist heute ein einzelner Prompt, in Sekunden erledigt, zu null Grenzkosten, in unbegrenzter Menge. Das Signal wurde nicht verrauschter — es hat sich umgekehrt. Ein Funnel, der Anpassung belohnt, bringt heute bevorzugt jene Bewerber weiter, die über das beste Bewerbungswerkzeug verfügen — eine Größe, die nicht mit Leistung in der Position korreliert.
Die Daten auf Arbeitgeberseite zeigen die Belastung bereits. Nur etwa ein Drittel der Recruiting-Verantwortlichen ist sehr zuversichtlich, dass ein Lebenslauf die echten Fähigkeiten einer Person widerspiegelt — und doch nutzen rund zwei Drittel das Lebenslauf-Screening weiterhin als ersten Schritt im Funnel; Organisationen, in denen der Lebenslauf der wichtigste Entscheidungstreiber ist, berichten mit 35 % höherer Wahrscheinlichkeit von einer Fehlbesetzung (Criteria und Lighthouse Research & Advisory, 2026, Befragung von 998 Verantwortlichen). Zudem sagen 54 % der Senior-Talent-Verantwortlichen, KI-generierte Lebensläufe und Bewerbungen hätten die Beurteilung echter Fähigkeit erschwert, während über 90 % der Unternehmen KI in Sourcing und Screening einsetzen und weniger als 5 % die Ergebnisse als transformativ bezeichnen (ManpowerGroup und Everest Group, 2026). Und 67 % der US-HR-Verantwortlichen berichten, dass die Prüfung KI-generierter Bewerbungen ihre Einstellungen verlangsamt hat, 20 % mit Verzögerungen von mehr als zwei Wochen (Robert Half, 2026).
Liest man diese vier Befunde zusammen, ist das Bild präzise: das Tor, das alle zuerst öffnen, ist jenes, dem fast niemand traut, sein Betrieb ist teurer geworden, und was es nun misst, lässt sich kaufen.
Das Zweispalten-Ergebnis ist eine eigene Warnung
Legen Sie die KI-Frage kurz beiseite und betrachten Sie die zwei menschlichen Gruppen. Derselbe Bewerber, dieselbe Laufbahn, dieselben Angaben — einspaltig gesetzt, 31 %; zweispaltig gesetzt, 12 %. Diese Lücke hat nichts mit Fähigkeit, Motivation oder Passung zu tun. Sie ist ein Layout-Artefakt.
Zweispaltige Layouts sind genau die Stelle, an der Lebenslauf-Parser regelmäßig scheitern: Textspalten werden zu Unsinn verschränkt, Skill-Seitenleisten fallen heraus, Daten lösen sich von den Rollen, zu denen sie gehören. Wenn Ihr Bewerbermanagementsystem auf geparsten Feldern bewertet oder rankt, schiebt eine aus ästhetischen Gründen getroffene Layout-Entscheidung einen Bewerber unbemerkt nach unten. In den Zahlen des Feldtests selbst schnitt ein von Menschen geschriebener Lebenslauf im falschen Layout schlechter ab als ein KI-Entwurf, der lediglich auf die Anzeige ausgerichtet worden war (Kickresume, 2026).
Das ist einen Nachmittag Diagnosearbeit wert, unabhängig davon, was Sie zur Anpassung schließen. Nehmen Sie zehn Lebensläufe, die Sie im letzten Quartal im Screening abgelehnt haben, schicken Sie sie durch Ihren Parser und lesen Sie, was Ihr System tatsächlich aufgenommen hat, verglichen mit dem, was die Bewerber tatsächlich eingereicht haben. Der Fehlermodus ist nicht, dass der Parser einen Fehler wirft — sondern dass er erfolgreich läuft, verschlechterte Felder erzeugt, und das Ranking stromabwärts sie als wahr behandelt.
Der Einwand: Ist Anpassung nicht doch ein echtes Signal?
Der stärkste Einwand verdient ein faires Gehör. Wenn jemand sich die Mühe macht, anzupassen — selbst mit KI — hat diese Person Ihre Anzeige doch den vierzig anderen in ihren Tabs vorgezogen. Offenbart das nicht eine Präferenz?
Teilweise, und der Feldtest stützt das: 30 von 36 positiven Ergebnissen kamen von gut passenden Rollen, Passung erledigte also den größten Teil der Arbeit. Doch Präferenz und Passung sind nicht dieselbe Variable, und Anpassung ist nur ein Näherungswert für die erste. Jemand kann perfekt für eine Rolle anpassen, die er in fünf Monaten verlässt, und eine stark passende Person mit einem schlichten einspaltigen Lebenslauf ohne Anpassungsgewohnheit kann herausgefiltert werden, bevor ein Mensch ein Wort liest. Schlimmer noch: der Näherungswert verfällt asymmetrisch. Wer am ehesten massenhaft mit KI-Unterstützung bewirbt, ist genau die Gruppe, für die Anpassung nichts kostet — die Korrelation zwischen Anpassung und echtem Interesse bricht also genau dort am schnellsten ein, wo das Bewerbungsvolumen am höchsten ist.
Die vertretbare Fassung des Einwands ist enger, als sie klingt. Anpassung ist ein schwacher Hinweis auf Präferenz und praktisch kein Hinweis auf Fähigkeit. Als Gleichstandskriterium ist sie in Ordnung. Als Ranking-Input ist sie nicht zu verteidigen.
Messen Sie die Fähigkeit, nicht die Dokumenthandwerkskunst
Rund achtzig Jahre Auswahlforschung weisen in dieselbe Richtung: Arbeitsproben, strukturierte Interviews und Messungen kognitiver Fähigkeit gehören zu den stärksten Prädiktoren der Arbeitsleistung, während lebenslaufnahe Inputs wie Berufsjahre und Bildungsabschlüsse vergleichsweise schwach sind (Metaanalyse von Schmidt und Hunter, 1998). Dieser Befund liegt ein Vierteljahrhundert vor der generativen KI. Die KI hat den Lebenslauf nicht entwertet — sie hat die letzte praktische Entschuldigung dafür beseitigt, ihn als erstes Tor zu nutzen.
Die operative Unterscheidung liegt zwischen dem Erschließen von Fähigkeit aus der Machart eines Dokuments und dem Messen von Fähigkeit an dem, was die Rolle verlangt.
Was in diesem Quartal zu ändern ist
Nehmen Sie eine volumenstarke Stelle — jene, bei der sich die Bewerbungszahl verdoppelt hat und Ihre Recruiter in nahezu identischen, gut angepassten Dateien untergehen. Dann tun Sie vier Dinge:
- Stufen Sie den Lebenslauf zum Ausschlussfilter herab. Er beantwortet Zulassungsfragen (Arbeitserlaubnis, zwingende Qualifikation, nicht verhandelbare Erfahrungsschwelle) und nichts weiter. Er erzeugt kein Ranking.
- Setzen Sie ein strukturiertes, arbeitsnahes Signal vor den Ranking-Schritt — eine kurze Arbeitsprobe, ein validiertes Assessment oder ein strukturiertes Interview, bewertet an den genannten Anforderungen der Rolle statt an den übrigen Bewerbern.
- Gewichten Sie die Anforderungen, bevor Sie einen einzigen Bewerber sehen. Eine Anforderung, die die Einstellung blockiert, darf nicht so viel zählen wie ein Nice-to-have, und diese Ordnung erst nach Eingang der Bewerbungen festzulegen ist der Weg, auf dem nachträgliche Rechtfertigung in einen Funnel gelangt. Explizite Kritikalitätsgewichtung ist jener Teil der Scoring-Mechanik, den die meisten Teams überspringen — und genau der Teil, der ein Ranking prüfbar macht.
- Testen Sie es im A/B gegen eine vergleichbare, lebenslauf-zuerst geführte Stelle und beobachten Sie zwei Zahlen: die Einstellungsqualität nach 90 Tagen und die Recruiter-Stunden, die Sie dem Filtern abgewinnen.
Wenn die angepasste KI-Gruppe dieses Feldtests operativ etwas sagt, dann dies: Ihr Funnel zahlt bereitwillig eine Prämie für zwanzig Minuten Prompt-Arbeit. Die Frage für dieses Quartal ist, ob Sie Bewerber wissentlich danach ranken würden. Solange das Fähigkeitssignal nicht vor dem Dokument steht, kauft Ihr Lebenslauf-Screening zwanzig Minuten Prompt-Arbeit und nennt sie Evidenz — und das ist der Kauf, den Sie jedes Mal erneut tätigen, wenn Sie die Pipeline öffnen.