Bewerbungsflut durch KI: mehr Bewerbungen, nicht mehr Bewerber
Diercks greift ein Bild aus einem anderen Vortrag des Festivals auf: Es ist keine Welle, sondern ein Tsunami. Eine Welle verschwindet wieder, ein Tsunami verschiebt das Niveau dauerhaft. In fast jedem Kunden-Call hört Diercks, dass die Zahl der Bewerbungen steigt. Wichtig ist der Unterschied: Es geht um die Menge an Bewerbungen, nicht um die Zahl der Menschen, die sich bewerben. Konjunktur erklärt nur einen Teil davon.
Gleichzeitig berichten viele von einem Quality-of-Hire-Problem. Der Heuhaufen wird größer, die Zahl der Nadeln nicht. Eine Arbeitsmarktbeobachtung aus der Schweiz zeigt, dass Personalverantwortliche Unterlagen zunehmend als standardisiert erleben. Authentizität und Eigenleistung sind schwerer zu bewerten. Dazu kommt: Die bewerbende Seite muss weder AI Act noch DSGVO beachten. Im Wettrüsten hat sie deshalb oft die Nase vorn.
Von der KI-Schönung bis zum Deepfake
Diercks ordnet den KI-Einsatz in Bewerbungen auf einer Skala. Am harmlosen Ende steht Hilfe beim Anschreiben, beim Formatieren oder bei der Rechtschreibung. Daraus wird schnell Schönung und dann Manipulation, etwa durch indirekte Prompt Injection: unsichtbarer Text im Lebenslauf, der die KI im Screening auffordert, die Person nach oben zu setzen. Im Videointerview arbeitet der KI-Souffleur. Ein Tool hört die Fragen mit und blendet Antworten ein. Dann ist unklar, ob du die Person bewertest oder ihre Fähigkeit, KI zu bedienen.
Am anderen Ende stehen Fake und Betrug: erfundene Personen mit gepflegtem LinkedIn-Profil, Masken im Videointerview und KI-Avatare, die das Gespräch allein führen. Diercks nennt Industriespionage als Motiv, Recruiting wird zum Einfallstor. Den Drei-Finger-Test, bei dem die Person die Hand vor das Gesicht hält, sieht Diercks nur als Übergangslösung. Wie schwer echt und künstlich zu unterscheiden sind, zeigt eine Studie: Erfahrene Radiologen erkennen KI-generierte Röntgenbilder kaum besser als per Zufall.
„Letztlich basiert Recruiting komplett eigentlich immer nur auf Signaling Theory, weil wir Unsicherheit über Signale versuchen sozusagen zu reduzieren.“
KI-Bewerbungen erkennen: Warum Signale ihren Wert verlieren
Hinter dem Problem steckt die Signaling Theory des Ökonomen Michael Spence. Eine Information hat Wert, weil sie etwas kostet. Ein Abschluss sagt etwas aus, weil er Geld und Fleiß verlangt hat. Recruiting basiert laut Diercks fast vollständig auf solchen Signalen. Mit KI lassen sich Anschreiben, Lebensläufe und sogar Interviewantworten zu Grenzkosten null erzeugen. Damit verlieren sie ihre Aussagekraft. Eine eigene Auto-Apply-Industrie verstärkt den Effekt mit Tools, die 1000 Bewerbungen mit einem Klick versprechen.
Mehr KI im Screening löst das aus Sicht von Diercks nicht. Unternehmen sind in diesem Rattenrennen langsamer und an Regeln gebunden. Auch in den USA wird reguliert, nur nachgelagert, dort laufen bereits Sammelklagen gegen Anbieter von KI-Screening. Dazu kommt ein Messproblem: In einem Selbstversuch schätzte ein KI-Tool aus Fotos derselben Person je nach Kleidung ganz unterschiedliche politische Einstellungen und Einkommen. Wenn eine Bewertung schon an der Reliabilität scheitert, stellt sich die Frage nach der Validität gar nicht erst.
Top of Funnel Assessment: Eignungsdiagnostik an den Anfang
Der Lösungsansatz greift eine Formulierung von Tim Verhoeven auf: Top of Funnel Assessment. Statt erst am Ende zu bewerten, kommt die Diagnostik an den Anfang. Ein Test zu Organisations- und Planungsfähigkeit, ein validiertes Persönlichkeitsverfahren oder ein Verfahren zur Werte- und Kulturpassung läuft im Self-Service und kostet wenig. So kommt wieder ein Signal in die Bewerbung, das KI nicht glattbügelt. Diercks sagt offen, dass CYQUEST solche Verfahren selbst anbietet.
Kann KI die Tests nicht einfach lösen? Bei Aufgaben zu abstraktem Denken tut sie sich schwer. Diercks zeigt Beispiele aus dem Abstract Reasoning Corpus, die Menschen meist schnell lösen. Reasoning-Modelle kommen inzwischen auf ähnliche Werte, brauchen dafür aber sehr viele Tokens und antworten bei derselben Aufgabe unterschiedlich. KI rät mit hoher Treffergenauigkeit, schließt aber nicht. Mehr Daten helfen nicht automatisch: Schon 250 Falschinformationen in einem Trainingssatz aus mehreren Milliarden Dokumenten können ein Modell beschädigen.
Schummeln erschweren und Ernsthaftigkeit prüfen
Gegen Schummeln setzt Diercks auf einfache Mittel. Eine Mustererkennung markiert auffällige Bearbeitungen, ohne sie als Beweis zu werten. Eine Eigenleistungserklärung vor dem Test kostet nichts und wirkt laut einer Studie, ohne die Akzeptanz zu senken. Warnhinweise schrecken zusätzlich ab. Lange Tests sind laut Forschung kein Akzeptanzproblem: Wer es ernst meint, will sich zeigen. Von Proctoring rät Diercks ab. Es ist teuer, berührt die Privatsphäre und lässt sich mit einem zweiten Bildschirm umgehen.
Ein Test wirkt außerdem wie ein CAPTCHA. Von 3000 Bewerbungen sind vielleicht 1000 nicht echt oder nicht ernst gemeint. Wer alle zum Test einlädt, filtert diese Fälle früh heraus. Dein erster Schritt: Prüf, an welcher Stelle deines Prozesses du heute noch echte Signale bekommst, und hol diese Stelle nach vorn.
Kapitel im Mitschnitt
Häufige Fragen
Wie erkenne ich KI-generierte Bewerbungen?
An den Unterlagen allein kaum noch, sagt Diercks. Hilfreicher ist ein diagnostischer Test am Anfang des Prozesses, der wieder echte Signale liefert.
Was ist ein Top of Funnel Assessment?
Eignungsdiagnostik ganz vorn im Bewerbungsprozess statt am Ende. Bewerbende machen den Test im Self-Service, das Unternehmen bekommt früh Unterscheidbarkeit.
Hilft KI beim Schummeln in Online-Assessments?
Bei Aufgaben zu abstraktem Denken wenig. Mustererkennung markiert verdächtige Bearbeitungen, eine Eigenleistungserklärung und Warnhinweise schrecken zusätzlich ab.




