Bei den schwierigsten Bewerbungen, die bei Ihnen eingehen — den Grenzfällen, bei denen ein Screening mit einem einzigen Modellaufruf Nein sagt und ein Mensch vielleicht Ja sagen würde —, stieg die Durchlassquote von 4,5 % auf 26,2 %, sobald der Kandidat von einem Agenten vertreten wurde. Das ist eine fast sechsfache Veränderung des Zugangs, und sie kam nicht durch eine Änderung am Modell, am Lebenslauf oder an der Stellenbeschreibung zustande. Sie kam durch die Änderung des Verfahrens.
Die Zahl stammt aus Gao und Jiangs Studie zu agentenvermittelter Personalauswahl (arXiv, 2026), angenommen beim REALM-Workshop der EMNLP 2026. Für einen Head of Operations ist sie aus einem Grund relevant, der nichts mit Fairness-Rhetorik zu tun hat und alles damit, ob Ihr KI-Screening von Lebensläufen zweimal verteidigt werden kann. Dieselbe Studie fand, dass die vom Zwei-Agenten-Verfahren ausgewählten Bewerbungen bei erneuter Ausführung seltener wieder ausgewählt wurden. Das Tor hat sich verschoben — und zwar inkonsistent.
Die Studie: 600 Paare, zwei Seiten, ein Grenzfall-Pool
Automatisiertes Screening ist meist ein statisches Urteil. Ein einziger Modellaufruf liest einen Lebenslauf gegen eine Stelle und gibt ein Verdikt zurück. Gao und Jiang weisen darauf hin, dass Personalauswahl so gar nicht strukturiert ist — Arbeitgeber bewerten Passung, während Kandidaten Belege für ihre Qualifikation vorlegen und verteidigen — und bauen die zweiseitige Variante: ein Agent auf Arbeitgeberseite und ein Agent auf Kandidatenseite tauschen Belege aus und aktualisieren ihre Urteile, bevor entschieden wird, wer weiterkommt.
Sie führten das Verfahren auf 600 konstruierten Lebenslauf-Stellen-Paaren mit zwei Spitzenmodellen aus, GPT-5.5 und Claude Opus 4.7, und verglichen es auf demselben Material mit dem Einzelaufruf-Baseline.
| Kennzahl | GPT-5.5 | Claude Opus 4.7 |
|---|---|---|
| Weiterkommensquote, Einzelaufruf → zwei Agenten | 33,3 % → 39,3 % | 34,0 % → 35,5 % |
| Durchlassquote im Grenzfall-Pool, 3 Durchläufe | 4,5 % → 26,2 % | 6,5 % → 16,1 % |
Lesen Sie die beiden Zeilen gegeneinander. Die Gesamtquote bewegte sich um höchstens sechs Punkte — die Art Drift, die ein Operations-Verantwortlicher aufnimmt, ohne sie zu merken. Der Grenzfall-Pool, 191 beiden Verfahren gemeinsame Paare, bewegte sich um ein Mehrfaches. Der Effekt konzentriert sich genau dort, wo Ihr Schwellenwert die Arbeit macht.
Wenn Ihr Screening auf einen Cut-off kalibriert ist, hat ein Kandidat, der mit einem Agenten erscheint, nicht einen marginalen Vorteil. Er wird nach einem anderen Verfahren bewertet.
Es ist keine Lockerung — und genau das ist das Problem
Die naheliegende Lesart: Zwei-Agenten-Screening ist einfach durchlässiger — Kandidaten bekommen einen Anwalt, mehr kommen durch, man rekalibriert den Schwellenwert und macht weiter. Die Arbeit schließt diesen Ausweg ausdrücklich: „Zwei-Agenten-Screening lehnt Bewerbungen ab, die der Einzelaufruf weiterreicht, und verändert Entscheidungen in beide Richtungen."
Daraus folgen zwei Konsequenzen, und die zweite ist die teure.
Bei ähnlichen Durchlassvolumina lassen die beiden Verfahren unterschiedliche Bewerbungen weiterkommen. Sie können Zwei-Agenten-Ergebnisse nicht reproduzieren, indem Sie ein Einzelaufruf-Screening lockern, denn kein Einzelaufruf-Schwellenwert holt die Bewerbungen zurück, die das Zwei-Agenten-Screening konsistent auswählt. Die Verfahren sind nicht zwei Stellungen eines Reglers. Sie sind zwei verschiedene Auswahlfunktionen, die zufällig ähnlich viele Menschen passieren lassen.
Und unter den in der Entdeckungsphase ausgewählten und in neuen Durchläufen erneut ausgeführten Fällen wiederholten sich die ausschließlich vom Zwei-Agenten-Verfahren getroffenen Auswahlen seltener als die von beiden Verfahren geteilten — klar unter GPT-5.5, weniger eindeutig unter Opus 4.7 —, während ein separater Einzelaufruf-Nachtest keinen vergleichbaren Rückgang zeigte. Genau die Kandidaten, die das agentenvermittelte Verfahren allein fand, wurden am unwahrscheinlichsten wiedergefunden.
Eine Entscheidung, die sich nicht reproduziert, lässt sich nicht erklären. Nicht einem abgelehnten Kandidaten, der nachfragt, nicht einer internen Beschwerde und nicht einer Aufsichtsbehörde. Nach dem EU AI Act fallen Rekrutierung und Kandidatenbewertung unter Anhang III; die Hochrisiko-Pflichten und die Betreiberpflichten aus Art. 26 gelten nun ab dem 2. Dezember 2027 (EU AI Act explorer, 2026). Die Anforderung menschlicher Aufsicht aus Art. 14 setzt voraus, dass es etwas Stabiles zu beaufsichtigen gibt. Ein Screening-Protokoll, das sagt dieser Kandidat kam in diesem Durchlauf weiter, ist kein Aufsichtsprotokoll. Es ist ein Lottoschein mit Zeitstempel.
Beim KI-Screening von Lebensläufen ist das Verfahren — nicht das Modell — die Variable, die Sie steuern
Dieser Befund steht nicht allein, und genau das sollte ihn von interessant zu operativ verschieben. Ein separates Audit von über 30.000 LLM-Lebenslaufbewertungen über drei Modelle hinweg, kommerziell und mit offenen Gewichten, fand demografische Effekte unter allen getesteten Bedingungen als vernachlässigbar — aber allein die Prompt-Formulierung brachte eine Senioritätspräferenz zurück. Bei identisch gehaltener Berufserfahrung ließ ein strukturierter Bewertungsprompt den Alterseffekt auf d=0,02 (p=0,90) zusammenfallen; ein beiläufiger Bauchgefühl-Prompt behielt d=0,41 (p=0,03) (Pavlopoulos, 2026). Gleiche Modelle, gleiche Lebensläufe, gleiche Kandidaten. Anderes Verfahren, andere Antwort.
Unter reicheren Bedingungen kehrt sich die Richtung um, was den Punkt verschärft statt abschwächt. Als Karvonen und Marks realistischen Einsatzkontext hinzufügten — echte Firmennamen, Kulturbeschreibungen von öffentlichen Karriereseiten, selektive Vorgaben wie „nimm nur die besten 10 %" —, induzierten sie demografische Effekte von bis zu 12 Prozentpunkten bei den Interviewquoten über sechs Modelle hinweg, und die Anti-Bias-Prompt-Anweisungen, die in sauberen Benchmarks funktionieren, hörten auf zu funktionieren (arXiv, 2025).
Drei Studien, drei Methoden, eine Schlussfolgerung: Das Scoring-Modell ist nicht der Ort, an dem Ihre Varianz lebt. Das Verfahren darum herum ist es.
Warum das jetzt zählt und nicht 2028
Weil die Kandidatenseite bereits im Einsatz ist. ManpowerGroup und Everest Group fanden, dass 54 % der Arbeitgeber sagen, KI-generierte Lebensläufe, Bewerbungen und Interviewvorbereitung hätten es schwerer gemacht, die tatsächliche Fähigkeit von Kandidaten zu beurteilen, während über 90 % KI in Sourcing und Screening einsetzen und weniger als 5 % die Ergebnisse als transformativ bezeichnen (ManpowerGroup, 2026).
Diese Lücke — nahezu universelle Einführung, kaum realisierter Wert — wird meist als Werkzeugproblem gelesen. Gao und Jiang legen nahe, dass es ein Verfahrensproblem ist. Beide Seiten automatisiert, das Verfahren keiner der beiden spezifiziert, und das Verhalten des Tors ist inzwischen eine emergente Eigenschaft zweier verhandelnder Systeme.
Die ehrlichen Grenzen
Behalten Sie den Befund auf seinem tatsächlichen Gewicht. Es sind 600 konstruierte Lebenslauf-Stellen-Paare, keine realen Einstellungen mit realen Ergebnissen — es gibt kein Maß dafür, ob die vom Zwei-Agenten-Screening weitergereichten Kandidaten später Leistung brachten. Zwei Modelle, beide Spitzenmodelle, zu einem Zeitpunkt. Und es ist eine Workshop-Arbeit, kein peer-reviewter Zeitschriftenartikel; insbesondere das Wiederholungsergebnis sollte als starkes Signal und nicht als gesicherte Schätzung behandelt werden.
Was diese Einschränkungen überlebt, ist die strukturelle Aussage — und sie ist die, die Geld kostet: Screening-Verfahren unterscheiden sich darin, wie zuverlässig ihre Entscheidungen sich wiederholen, und niemand misst das derzeit. Ist der Effekt auch nur halb so groß wie berichtet, sind Ihre Grenzfallentscheidungen der instabilste Teil Ihres Funnels und der am ehesten angreifbare.
Was Sie in diesem Quartal tun sollten
Die nützliche Antwort ist nicht, Kandidatenagenten zu verbieten — Sie können sie nicht zuverlässig erkennen, und der Versuch kostet Sie die Kandidaten, die sich an Vorgaben halten. Sie besteht darin, das Verfahren statt des Modells zum Gegenstand Ihrer Governance zu machen. Vier Schritte, nach Kosten geordnet:
- Führen Sie einen Wiederholungstest auf den Grenzfallentscheidungen des letzten Monats durch. Nehmen Sie fünfzig Bewerbungen, die wenige Punkte um Ihren Cut-off lagen, lassen Sie sie durch dasselbe Screening laufen und zählen Sie, wie viele Verdikte halten. Diese Zahl ist Ihre Reproduzierbarkeitsquote, Sie haben sie mit großer Sicherheit nicht, und sie ist an einem Nachmittag zu bekommen.
- Legen Sie den Prompt als Konfiguration fest, nicht als Gewohnheit einzelner Recruiter. Das Pavlopoulos-Ergebnis sagt: ein strukturierter Bewertungsprompt und ein beiläufiger sind verschiedene Instrumente. Wenn Ihre Recruiter frei bearbeiten können, was das Screening fragt, betreiben Sie eine unbekannte Anzahl von Verfahren und schreiben deren Output einem Modell zu.
- Trennen Sie den deterministischen Anteil des Scores vom Urteilsanteil und protokollieren Sie beide getrennt. Eine arithmetisch aus den erklärten Rollenanforderungen berechnete Komponente reproduziert sich konstruktionsbedingt; ein Modellurteil nicht. Scovais Scoring läuft auf einem festen Gewichtsbudget, 50/50 zwischen beiden aufgeteilt, wobei die Urteilshälfte als vier separate Subscores bei niedriger Temperatur zurückkommt, jeder mit eigener schriftlicher Begründung — ein Blick darauf, wie diese Trennung praktisch aussieht, bietet die Scoring-Architektur.
- Setzen Sie die menschliche Prüfung dort ein, wo die Varianz ist, nicht dort, wo das Volumen ist. Ihre Prüfer sind derzeit über den gesamten Funnel verteilt. Die Studie sagt, die Instabilität konzentriert sich im Grenzfallband — ein kleines, auf dieses Band gerichtetes Prüfbudget kauft also mehr Verteidigungsfähigkeit als ein größeres, gleichmäßig verteiltes.
Keiner dieser Schritte erfordert eine neue Beschaffung. Alle vier sind Konfigurationsentscheidungen — das ist die gute Nachricht und zugleich der Grund, warum sie weiterhin nicht getroffen werden.
Die Entscheidung, die vor Ihnen liegt
Agentenvermittelte Personalauswahl kündigt sich nicht an. Keine Anbieter-Demo, keine Budgetzeile, keine Integration zum Freigeben. Sie kommt, wenn genug Kandidaten eigene Werkzeuge mitbringen und Ihr Tor sich nicht mehr so verhält, wie Ihr Dashboard behauptet — und nach der hier vorliegenden Evidenz bricht nicht die Treffsicherheit zuerst, sondern die Wiederholbarkeit.
Die Frage für die Agenda dieses Quartals ist also nicht, ob Ihr KI-Screening von Lebensläufen treffsicher ist. Sie ist engerer und weit besser beantwortbar: Wenn Sie morgen die Ablehnungen des letzten Monats erneut durchlaufen ließen, wie viele kämen gleich zurück? Wenn Sie es nicht wissen, ist das das Erste, was zu messen ist. Alles, was Sie über Ihr Screening behaupten möchten — dass es fair ist, dass es erklärbar ist, dass ein Mensch es sinnvoll beaufsichtigt —, hängt an einer Antwort, die Sie derzeit nicht haben.