Bias in Stellenanzeigen: Was KI anders lernt als dein Gehirn

Wie KI lernt: Muster in Folgen und Zusammenhänge im Kontext

Olena Linnyk beginnt mit einer Grundfrage: Wie lernt KI, und warum lernt sie anders als wir? KI lernt statistisch, und zwar auf zwei Wegen. Der erste heißt Sequence Patterns. Aus sehr vielen Beispielen erkennt ein Computer, was in einem Muster als Nächstes kommt. Nach dem Artikel „die“ folgt im Deutschen meist ein Nomen oder Adjektiv, selten ein Verb. So kann KI das nächste Wort vorhersagen und damit schreiben.

Den großen Sprung der letzten Jahre erklärt Linnyk mit dem Attention-Mechanismus. Er erfasst Zusammenhänge über Distanz, etwa dass in „Ich rufe meine Mutter an“ die Teile „rufe“ und „an“ zusammengehören. So erkennt KI Bedeutung aus dem Kontext. Der Skillmatcher von milch & zucker nutzt das: Steht in einer Anzeige, dass jemand Erfahrung als Quantenprogrammierer mitbringen soll, erkennt das Tool den Skill, auch ohne ihn vorher gesehen zu haben.

Wie Menschen lernen: Idealisierung mit eingebautem Bias

Die Stärke von KI ist Tempo. Linnyk hat zum Spaß ein Custom GPT mit dem Biologiestoff von Klasse fünf bis neun gefüttert, in 30 Sekunden war alles gelernt. In der Medizin hilft das: Eine seltene Krankheit sieht ein Arzt in 20 Jahren vielleicht einmal, ein Computer verarbeitet Millionen Fälle, unter denen 5000 Fälle schon reichen. Der Nachteil: Wer einen Bereich im Detail verstehen will, braucht riesige Datenmengen. Ein Kind erkennt nach einem Beispiel Katze und Hund. Ein Computer braucht je 5000 Beispiele und liegt trotzdem in 8 Prozent der Fälle falsch.

Menschen lernen durch Idealisierung. Schon Platon beschrieb das am Dreieck: Wir speichern kein bestimmtes Dreieck, sondern ein idealisiertes Bild. Auch Personas im Employer Branding funktionieren so. Die Kehrseite ist Voreingenommenheit. Aus wenigen Beispielen bilden wir eine feste Meinung, etwa dass Brillenträger kluge Menschen seien. Linnyk rät deshalb, solche Verallgemeinerungen zu hinterfragen.

Der technische Unterschied liegt im Konnektom, also darin, wie Neuronen verbunden sind. Im Gehirn gibt es geschlossene Kreisläufe, die Resonanzen erzeugen und laut neuer Forschung für das Langzeitgedächtnis wichtig sind. Große Sprachmodelle arbeiten dagegen nur vorwärts, ohne Rückverbindungen.

Bias in Stellenanzeigen erkennen und abbauen

Im Recruiting wird das relevant, denn Verallgemeinerung und Bias willst du dort vermeiden. milch & zucker war an einer Forschungskooperation beteiligt, die definiert, was Fairness im Recruiting bedeutet und wie man sie misst. Ein Ansatz: Sprache kann Bias enthalten. Eine aktuelle Studie hat rund eine Viertelmillion LinkedIn-Profile ausgewertet und eine Korrelation zwischen Wortwahl und Gender gefunden. Laut Linnyk zeigen Experimente: Finden sich Frauen in der Sprache einer Anzeige nicht wieder, bewerben sie sich eher nicht.

Wer eine Stellenanzeige schreibt, beschreibt dabei ein idealisiertes Bild. Das Analyse-Tool betterads.ai von milch & zucker markiert Wörter wie „gewinnen“, die eher männlich wirken, und lässt sie mit wenigen Klicks umschreiben. In einem wissenschaftlich begleiteten A/B-Test führte inklusivere Sprache bei einer großen Menge Anzeigen zu mehr Bewerbungen.

Eine Auswertung der europäischen EURES-Datenbank zeigt einen Inklusivitätsscore von 0,3, die Anzeigen sind im Schnitt also eher männlich formuliert. ChatGPT liegt näher an 0,5, der neutralen Mitte, kann aber ebenfalls Bias aus Daten lernen. Ein eigens trainierter AI-Writer vermeidet gezielt männliche Begriffe.

Mensch und KI im Recruiting: Wer übernimmt was?

Linnyk empfiehlt, die Stärken von Gehirn und KI zu verbinden. Bei Massenrecruiting mit klaren Anforderungen und vielen Daten hilft KI wirklich. Geht es um etwas ganz Neues, für das es noch keine Datensammlung gibt, oder musst du ohne vollständige Information urteilen, muss ein Mensch ran. Menschen erkennen aus wenigen Beispielen einen Trend, ein Computer braucht dafür Millionen Daten. Mensch und KI werden sich deshalb noch lange gegenseitig unterstützen. Der erste Schritt für deine Praxis: Lass deine aktuellen Stellenanzeigen auf Bias prüfen und vergleich, wie sich umformulierte Versionen auf die Bewerbungen auswirken.