Achtunddreißig Prozent der US-Arbeitsuchenden haben einen Bewerbungsprozess mindestens einmal genau deshalb abgebrochen, weil er ein KI-Interview enthielt. Weitere 12 % sagen, sie würden es tun, wenn es verpflichtend wäre. Die Hälfte Ihres Bewerberpools ist, nach der Lesart des Reports selbst, entweder schon weg oder dazu bereit (Greenhouse 2026 Candidate AI Interview Report).
Der naheliegende Schluss wäre, dass sich Kandidaten gegen automatisiertes Screening gewandt haben. Derselbe Datensatz schließt das aus. Gefragt, was sie künftig wollen, gaben nur 19 % der US-Kandidaten an, weniger KI zu wollen als bereits im Einsatz ist. Diese eine Zahl verändert die Bedeutung der Abbruchquote — und was deren Behebung kostet.
Der Abbruch ist kein Referendum über KI
Greenhouse befragte 2.950 aktiv Arbeitsuchende in den USA, Großbritannien, Irland, Deutschland und Australien. Die Berührung mit der Technik ist inzwischen die Regel und nicht das Experiment: 63 % der US-Kandidaten wurden in den letzten zwölf Monaten von einer KI interviewt, ein Anstieg um 12 Prozentpunkte in sechs Monaten.
Würde der Abbruch der KI-Exposition folgen, müssten die Märkte mit der meisten KI den größten Widerstand zeigen. Das tun sie nicht, jedenfalls nicht eindeutig. Deutschland hat die höchste internationale Exposition mit 57 % und die höchste Abbruchquote aller Märkte mit 42 %. Irland hat die niedrigste Exposition mit 36 % — und fehlende Offenlegung ist dort der häufigste Abbruchgrund, passend dazu, dass nur 9 % der irischen Kandidaten vorab klar darüber informiert wurden, dass KI eingesetzt wird.
Es gibt einen zweiten Test, der Abneigung gegen Maschinen von Abneigung gegen Ihren Prozess trennt. Greenhouse fragte Kandidaten, ob sie sich wegen eines persönlichen Merkmals anders bewertet gefühlt hätten — unter KI und unter menschlichen Interviewern. Die Antworten sind nahezu identisch: Alter nannten 36 % bei KI und 36 % bei Menschen, Herkunft oder Ethnie 27 % in beiden Fällen, Geschlecht 24 % gegenüber 26 %. Beim Erscheinungsbild bewerteten Kandidaten die KI als weniger voreingenommen als Menschen — 21 % gegenüber 28 %. Kandidaten schreiben dem Algorithmus kein eigenes Vorurteil zu.
Sehen Sie sich an, was US-Kandidaten anstelle der heutigen Konstellation wollen, und das Bild wird noch klarer: 22 % wollen mehr KI mit stärkerer menschlicher Aufsicht, 21 % dasselbe Niveau mit mehr Transparenz, 19 % weniger KI, und nur 12 % mehr KI mit der Begründung, sie mache Einstellungen schneller und gerechter. In allen fünf Märkten überschreitet diese letzte Option nie 14 %. Die relative Mehrheit will keinen Rückzug. Sie will dieselbe Menge Maschine, mit einem Menschen daran.
Was Kandidaten verlassen, ist das unbetreute KI-Interview, nicht die Automatisierung
Die Abbruchgründe in den Greenhouse-Daten sind spezifisch, und sie lauten nicht „das Unternehmen hat KI eingesetzt".
Der größte einzelne Grund ist das vorab aufgezeichnete Videointerview, das von einer KI ohne jede menschliche Anwesenheit bewertet wird — 33 %. Danach: Unternehmen, die nicht offenlegen, wie KI eingesetzt wird (27 %), KI-Überwachung (26 %), ein verpflichtendes KI-geführtes Interview (26 %) und die Unmöglichkeit zu erkennen, ob man mit einem Menschen oder einer Maschine sprach (20 %).
Drei dieser fünf Gründe betreffen das Fehlen einer Person oder das Fehlen einer Erklärung. Nur einer — das verpflichtende KI-geführte Interview — betrifft die Automatisierung an sich.
Die von Kandidaten genannten Abhilfen passen genau dazu. Der wichtigste Wunsch in den USA ist die Möglichkeit, stattdessen ein Interview mit einem Menschen zu verlangen (46 %), gefolgt davon, im Vorfeld über den KI-Einsatz informiert zu werden (44 %), einer klaren Erklärung, was die KI messe (39 %), und der Gewissheit, dass ein Mensch die KI-Bewertung vor der Entscheidung prüft (38 %). Die Option des menschlichen Interviews ist in jedem untersuchten Markt ohne Ausnahme die Nummer eins, von 41 % in Deutschland bis 49 % in Irland. Und 59 % der US-Kandidaten wollen ein Live-Gespräch mit einem menschlichen Recruiter als ersten Kontakt mit einem Unternehmen; 12 % bevorzugen ein KI-geführtes Live-Interview (Greenhouse, 2026).
Der leere Stuhl ist der Produktfehler. Die Automatisierung ist es nicht.
Der Gegeneinwand: geäußerte Präferenz ist billig
Ein vernünftiger Head of Operations sollte hier widersprechen. Befragte sagen, sie schätzten menschliche Prüfung, weil das Sagen nichts kostet. Tatsächliches Verhalten ist etwas anderes, und „ich wäre ausgestiegen" ist nicht dasselbe wie aussteigen.
Dieser Einwand wurde direkt geprüft und hält nicht. Ein präregistriertes Conjoint-Experiment ließ 1.919 US-Arbeitsuchende jeweils acht Zwangsentscheidungen zwischen KI-Screening-Systemen treffen — insgesamt 30.704 Profile — und randomisierte sechs Attribute unabhängig voneinander: Entscheidungsbefugnis, Fehlerquote, Erklärung, Opt-out, Widerspruch und unabhängiges Bias-Audit (Wang, Sturgis & de Kadt, 2026).
Menschliche Beteiligung verschob die geäußerte Wahl um +0,272 in der Auswahlwahrscheinlichkeit des Profils. Die Senkung der Quote falscher Ablehnungen von 30 % auf 10 % verschob sie um +0,285. Der Abstand zwischen beiden ist statistisch nicht von Null zu unterscheiden. Im Klartext: einen Menschen in den Ablauf zu setzen kaufte etwa so viel Bereitschaft auf Kandidatenseite wie eine Verdreifachung der Systemgenauigkeit.
Zum Vergleich landeten die Verfahrensmerkmale, mit denen die meisten Anbieter werben, deutlich darunter: Widerspruch +0,156, Opt-out +0,129, Erklärung +0,128, unabhängiges Bias-Audit +0,068.
Der schärfere Befund der Autoren ist der, bei dem man verweilen sollte. Der Wert, den Kandidaten Widerspruch, Opt-out und Bias-Audit beimaßen, stieg nicht, als falsche Ablehnungen häufiger wurden — jedes blieb innerhalb einer präregistrierten Äquivalenzgrenze. Verfahren wird nicht als Fehlerversicherung geschätzt. Es wird um seiner selbst willen geschätzt, was bedeutet: die Genauigkeit Ihres Modells zu verbessern ersetzt es nicht.
Die Grenzen, ehrlich benannt
Das Conjoint-Design misst eine geäußerte Wahl in einer Zwangsentscheidungsaufgabe, nicht tatsächlich eingereichte Bewerbungen. Die Autoren selbst merken an, dass die Bewerbungsabsicht (3,24 auf einer Fünf-Punkte-Skala) deutlich über der wahrgenommenen Legitimität (2,85) lag und dass 7,8 % der Befragten eine Legitimität unter dem Skalenmittel mit einer Bewerbungsabsicht darüber verbanden — Menschen bewerben sich auf Prozesse, die sie für unrechtmäßig halten. Bewerbungsvolumen ist daher ein schlechtes Messinstrument dafür. Greenhouse ist Anbieterforschung mit kommerziellem Interesse am Ergebnis, und das US-Teilsample wird nicht ausgewiesen. Beide Quellen zeigen in dieselbe Richtung; keine ist eine saubere kausale Schätzung des Funnel-Verlusts.
Transparenz repariert die Kandidatenseite. Die Entscheidung repariert sie nicht.
Hier gehen die meisten Reaktionen auf diese Daten fehl. Die intuitive Korrektur — offenlegen, was die KI bewertet — funktioniert, und sie funktioniert auf genau einer Seite des Austauschs.
Acht in Information Systems Research veröffentlichte Studien, darunter zwei Hauptexperimente und eine Quasi-Feldreplikation, fanden, dass die algorithmische Bewertung einseitiger Videointerviews Stress der Kandidaten und täuschendes Impression Management gegenüber der menschlichen Bewertung erhöhte, und dass die Erklärung, wie der Algorithmus bewertet, beides auf das Niveau eines von Menschen geführten Interviews zurückholte (Lakhiwal, Liu, Bala & Suen, 2026).
Das Ergebnis auf Arbeitgeberseite ist das unangenehme. In KI-augmentierten Konfigurationen — menschliche Entscheider, denen der KI-Score gezeigt wird — verankerten sich die Bewerter an diesem Score und entwerteten ihr eigenes Urteil, obwohl der Score ehrliche nicht von täuschenden Antworten unterscheiden konnte. Die korrigierende Wirkung von Transparenz auf der Bewerterseite war begrenzt.
Offenlegung kauft also das Kandidatenverhalten zurück, nicht die Entscheidungsqualität. Das sind zwei getrennte Reparaturen, die zwei getrennte Änderungen verlangen, und die erste anzukündigen bewirkt für die zweite nichts. (Der Volltext ist kostenpflichtig, und das veröffentlichte Abstract nennt Richtungen statt Größen — als Effektrichtung behandeln, nicht als Menge.)
Wie der Verlust weiter unten tatsächlich aussieht
Die Abbruchquote ist der sichtbare Kostenblock. Der leisere ist, was mit den Kandidaten passiert, die bleiben.
Von denen, die ein KI-Interview abgeschlossen haben, erhielten 51 % überhaupt kein Ergebnis: 38 % wurden vollständig ignoriert, 13 % warten noch. Nur 28 % kamen weiter (Greenhouse, 2026). Das ist kein KI-Problem — es ist ein Prozess, der nie die Mittel hatte, den Kreis zu schließen, und nun mit Maschinendurchsatz läuft. Unabhängige Forschung stellt denselben Trend auf eine längere Basislinie: der Anteil der Arbeitsuchenden, die ihre Erfahrung als exzellent bewerten, fiel 2026 auf 11 % von 18 % im Jahr 2023 — in einer Phase steigender Investitionen in Recruiting-Technologie, bei weniger als einem von zehn Kandidaten, der nie ohne Antwort blieb (PeopleScout, 2026).
Vertrauen wird entsprechend bepreist. Nur 21 % der US-Kandidaten glauben, dass die meisten Arbeitgeber KI verantwortungsvoll und transparent einsetzen, und in allen fünf Märkten glauben zwischen 63 % und 70 % das nicht. Siebenundfünfzig Prozent meinen, Unternehmen sollten gesetzlich verpflichtet sein, den KI-Einsatz in der Kandidatenbewertung offenzulegen — eine Gruppe, die irgendwann meist bekommt, was sie fordert (Greenhouse, 2026).
Der Markeneffekt liegt näher zusammen, als die Schlagzeilen vermuten lassen, und das ist der strategisch interessante Teil: in den USA sahen 38 % der Kandidaten den Arbeitgeber nach einem KI-Interview positiver gegenüber 34 % negativer, netto +4. In Großbritannien beträgt der Saldo −20. Gleiche Technik, andere Konfiguration, umgekehrtes Ergebnis. Die Varianz liegt in der Umsetzung, nicht im Werkzeug.
Was in diesem Quartal zu ändern ist
Wenn Ihre KI-Interviewstufe mit eingesparten Screening-Stunden begründet wurde, muss der Business Case gegen einen Funnel neu gerechnet werden, der sich schon oben selbst heraussortiert. Vier Schritte, nach Kosten geordnet:
- Offenlegen vor der Stufe, nicht während. Sagen Sie in der Einladung klar, dass KI beteiligt ist und worauf sie schaut. Das ist der Wunsch der 44 %, es ist eine Textvorlagenänderung, und es ist zugleich der Hebel, der laut der ISR-Arbeit täuschende Antworten reduziert — er verbessert also gleichzeitig Ihre Signalqualität.
- Bieten Sie auf Anfrage einen Weg zum menschlichen Interview. Der Wunsch der 46 % und die bestplatzierte Abhilfe in allen fünf Märkten. Sie bieten ihn nicht allen an; Sie bieten ihn dem Anteil an, der andernfalls geht. Rechnen Sie ihn gegen die Kosten, diese Kandidaten in der Pipeline zu ersetzen.
- Lassen Sie Prüfer die Aufnahme bewerten, bevor sie den KI-Score sehen. Der Ankereffekt wirkt nur, wenn die Zahl zuerst kommt. Das ist eine Reihenfolgeänderung in Ihrem Workflow, keine Beschaffungsentscheidung, und es ist der einzige der vier Schritte, der die Entscheidungsqualität statt der Kandidatenerfahrung schützt.
- Halten Sie Offenlegung und menschliche Entscheidung aktenkundig. Wenn Sie behaupten wollen, eine Person habe die Bewertung geprüft, sollte diese Behauptung prüfbar sein und nicht bloß aufgestellt — was das System offenlegt, welcher Anbieter die Daten verarbeitet hat und die je Einstellung protokollierte menschliche Entscheidung sind Dinge, die eine Plattform veröffentlicht oder nicht. Die 57 %, die eine gesetzliche Offenlegungspflicht fordern, beschreiben die Richtung der Entwicklung.
Beachten Sie, was auf dieser Liste fehlt: Anbieterwechsel, weniger Automatisierung oder die Rückkehr zum manuellen Screening. Nur 19 % Ihrer Kandidaten fordern das.
Das KI-Interview hat Sie diese Bewerber nicht gekostet. Die fehlende Person hat es. Bevor Sie in diesem Quartal die nächste Budgetposition für Screening-Automatisierung freigeben, finden Sie heraus, wie hoch Ihre eigene Abbruchquote auf dieser Stufe ist — denn derzeit wird sie fast sicher als Desinteresse verbucht.