KI sollte die Massenaufgaben und die objektiven Teile der Einstellung übernehmen – Bewerbungen auslesen, Termine planen, Interviews transkribieren und durchsuchen –, aber nicht die abschließende bewertende Entscheidung. Untersuchungen zeigen: Bei klaren, überprüfbaren Aufgaben liegt KI in 76 bis 82 % der Fälle richtig, fällt aber bei subjektiver Synthese auf bis zu 33 % ab – und sie reproduziert Verzerrungen nach ethnischer Zugehörigkeit und Geschlecht in großem Maßstab. Die Regel für Gründer ist simpel: Automatisieren Sie den Trichter, nicht das Urteil. Die Entscheidung, ob dies die richtige Person ist, bleibt in der Verantwortung eines Menschen. ## Sollte KI Ihre Kandidaten interviewen? Die kurze Antwort Im Juni 2026 sammelte ein schwedisches Startup namens Fika Jobs **4 Millionen $** ein, um eine Plattform zu bauen, auf der ein KI-Agent das Interview führt – kein Recruiter. Es ist ein echtes Produkt mit echtem Geld dahinter, und es stellt jedem, der dieses Jahr einen Bewerbertrichter aufbaut, eine echte Frage: Wie viel Ihres eigenen Prozesses übergeben Sie einer Maschine? Die ehrliche Antwort lautet: „viel, aber nicht das Urteil“. Das Interview existiert, um eine einzige Frage zu beantworten – ob genau diese Person zu genau dieser Rolle passt. Und das ist ausgerechnet die Aufgabe, bei der die aktuelle KI-Generation messbar am schlechtesten abschneidet. Bei allem rund um das Interview ist KI dagegen hervorragend: beim Auslesen, beim Terminieren, beim Transkribieren, beim Durchsuchen, beim Zusammenfassen. Die Trennlinie verläuft also nicht zwischen KI und keiner KI, sondern zwischen den Phasen. Setzen Sie KI dort ein, wo sie stark ist, und behalten Sie einen Menschen dort, wo Risiko und Schwächen aufeinandertreffen. Das ist deshalb wichtig, weil die Flut KI-geschriebener Bewerbungen das Volumen unerträglich gemacht hat und die Automatisierung des Interviews wie der einzige Weg wirkt, mitzuhalten. Es ist eine Falle, die man benennen sollte: Wer die Grenze falsch zieht, verspielt nicht nur eine Einstellung. Es kann ihn eine Diskriminierungsklage und die Arbeitgebermarke kosten. ## Die 4-Millionen-$-Wette: Was Fika Jobs wirklich baut Fika Jobs sammelte eine **Pre-Seed-Runde über 4 Millionen $ unter Führung von Luminar Ventures** ein, mit Beteiligung von Alliance VC und Angel-Geld der King-Mitgründer (Candy Crush) Sebastian Knutsson und Riccardo Zacconi – so die Berichterstattung von TechCrunch vom 23. Juni 2026. Die Gründer, die Brüder Jakob und Alexander Dubois, hatten zuvor die Social-App Gaff entwickelt. Das Produkt ist eine **videobasierte Einstellungsplattform**. Ein Kandidat verbindet sein LinkedIn-Profil, ein KI-Agent auf Basis der Gemini-Modelle von Google erzeugt personalisierte Fragen, und der Agent führt ein rund **zehnminütiges Video-Interview**. Die Plattform wandelt die Antworten anschließend automatisch in kurze Clips um, die zu einem Kandidatenprofil zusammengestellt werden, das Arbeitgeber live durchstöbern können. Statt sich Rolle für Rolle zu bewerben, pflegen Kandidaten ein dauerhaftes Profil, das Arbeitgeber einsehen. Für Jobsuchende ist es kostenlos, und Fika nimmt **10 % des Erstjahresgehalts der eingestellten Person** – laut den Gründern günstiger als die 20 bis 30 %, die klassische Recruiter berechnen. Über 100 Unternehmen stehen auf der Warteliste, mehr als 50 haben es getestet, und ein breiterer Start wird für Herbst 2026 erwartet, zunächst in Schweden. Das Effizienzargument liegt auf der Hand und ist in puncto Bequemlichkeit tatsächlich bewerberfreundlich. Doch ein Detail ist verräterisch: TechCrunchs eigene Finanzierungsmeldung weist darauf hin, dass Videoprofile „echte Verzerrungsrisiken schaffen“ – denn Arbeitgeber sehen Hautfarbe, Alter, Geschlecht, Aussehen und Akzent, *bevor* sie Qualifikationen bewerten. Wenn der Bias-Vorbehalt schon in die Berichterstattung zum Start eingebaut ist, ist das die gesamte Debatte im Kleinen. ## Wo KI im Bewerbertrichter wirklich gewinnt KI ist stark bei massenhafter, objektiv überprüfbarer und rein organisatorischer Arbeit. Das ist die 76-bis-82-%-Zone, und die sollten Sie beherzt automatisieren. Dieselbe Untersuchung, die der KI beim Urteilsvermögen ein schlechtes Zeugnis ausstellt (dazu unten mehr), fand heraus, dass die führenden Modelle **klare, überprüfbare Aufgaben in 76 bis 82 % der Fälle bestehen**. Das deckt sich exakt mit den Teilen der Einstellung, die niemand gern von Hand erledigt: - **Vorsortierung.** Bewerbungen auslesen, Dubletten entfernen und sie an objektiven Muss-Kriterien messen – etwa einer erforderlichen Zertifizierung, der Arbeitserlaubnis oder Jahren in einem bestimmten Tech-Stack. - **Terminplanung.** Der reine Reibungsschritt, der Wochen an Abstimmungsschleifen verschlingt. Langsame Terminplanung ist selbst ein echter Kostenfaktor, denn [Verzögerungen bei der Terminplanung führen zum Absprung von Kandidaten](/blog/interview-scheduling-delays-candidate-drop-off), noch bevor Sie Ihre besten Leute überhaupt treffen. - **Lesen.** Interviews transkribieren, den Werdegang eines Kandidaten zusammenfassen und in Sekunden über Stunden an Videomaterial und viele Kandidaten hinweg suchen. - **Zusammenfassen.** Aus einer ausufernden Bewerbung und einem Transkript ein knappes Briefing machen, das eine vielbeschäftigte Personalverantwortliche tatsächlich liest. Nichts davon ist die Entscheidung. Es ist ihre Vorbereitung. Gut gemacht, gibt diese Vorarbeit Ihrem Team Stunden zurück und lässt einen Menschen seine knappe Aufmerksamkeit auf den Teil verwenden, der einen Menschen braucht.

KI im Trichter, ohne ihr das Urteil zu überlassen? Die KI-Werkzeuge von Kit fassen Kandidaten zusammen und durchsuchen Interview-Transkripte, damit Ihr Team schneller liest – während jedes Weiterführen und jede Ablehnung eine protokollierte menschliche Entscheidung bleibt.

Kostenlos testen

## Wo KI versagt: das 33-%-Syntheseproblem KI ist messbar schlecht in genau dem Urteil, das ein Interview verlangt: unvollständige, subjektive Signale abzuwägen und zu einem klaren Schluss zu verdichten. Ein Forschungslabor, PYX Labs (finanziert von der Employee-Experience-Firma Perceptyx), testete laut HR Dive **sieben führende KI-Modelle** von OpenAI, Google, Anthropic und xAI an **84 Aufgaben zur Auswertung von Mitarbeiterfeedback**, bewertet nach Kriterien, die von Psychologen und Fachleuten für Organisationsverhalten erstellt wurden. Bei klaren, überprüfbaren Aufgaben bestanden die Modelle in 76 bis 82 % der Fälle. Doch als sie offenes, subjektives Feedback interpretieren und zu einer stimmigen Kernaussage verdichten mussten, sank die Erfolgsquote auf **bis zu 33 %**. **Synthese war über alle Modelle hinweg die mit Abstand schwächste Fähigkeit, mit Werten zwischen 14 und 57 %.** Lesen Sie dieses Versagensmuster noch einmal: „unvollständige, emotionale oder kontextabhängige Signale abwägen und zu einer klaren Kernaussage auflösen“. Das ist eine brauchbare Definition dafür, einen Menschen zu interviewen. Die entscheidende Zahl ist nicht, dass KI bei allem schlecht wäre – das ist sie nicht. Sondern dass KI ausgerechnet bei der einen Sache am schlechtesten ist, die Sie ihr abverlangen würden, wenn Sie sie das Interview führen ließen. Zur Einordnung, wie schnell sich das ausbreitet: 37 % der Befragten einer WTW-Umfrage von 2025 setzen laut HR Dive bereits KI im Performance-Management ein. Die Verbreitung eilt der Leistungsgrenze davon. In genau dieser Lücke sitzt das Risiko. ## Der Bias-Aufschlag: Was KI-Screening in großem Maßstab anrichtet Wenn KI die bewertende Entscheidung trifft, liegt sie nicht nur beim Urteil daneben. Sie reproduziert Diskriminierung systematisch – auf eine Weise, die unsichtbar bleibt, bis jemand sie misst. Eine Studie der University of Washington von Kyra Wilson und Aylin Caliskan testete drei quelloffene LLMs an **mehr als 550 echten Lebensläufen** und **über 500 echten Stellenanzeigen** aus neun Berufsfeldern und führte dabei über **drei Millionen Vergleiche** mit 120 Vornamen durch. Die Ergebnisse, vorgestellt auf der AAAI/ACM Conference on AI, Ethics, and Society im Oktober 2024: | Vergleich | KI bevorzugte | vs. | |---|---|---| | Weiß- vs. Schwarz-assoziierte Namen | **85 %** | 9 % | | Männlich- vs. weiblich-assoziierte Namen | **52 %** | 11 % | | Schwarz-männlich vs. weiß-männlich assoziierte Namen | **nie** | — | Die letzte Zeile sollte Sie innehalten lassen. Die Systeme **bevorzugten kein einziges Mal Schwarz-männlich assoziierte Namen gegenüber weiß-männlich assoziierten** – ein intersektionaler Schaden, der nicht bloß „Hautfarbe plus Geschlecht“ übereinandergestapelt ist. Und das ist dieselbe Art von Befund wie in der [bislang größten Studie zu real eingesetzter KI im Recruiting](/blog/ai-resume-screening-racial-disparities-defensible-hiring), die über Millionen echter Bewerbungen hinweg klare Disparitäten nach ethnischer Zugehörigkeit fand. Das ist keine Laborkuriosität. Es ist das, was diese Systeme tun, wenn Sie sie auf echte Kandidaten ansetzen und entscheiden lassen. Die Botschaft lautet nicht „nie KI einsetzen“. Dieselben Modelle, die bei der Synthese 33 % erreichen, erreichen bei überprüfbaren Aufgaben 76 bis 82 %. Die Botschaft ist: Die Entscheiderrolle ist die eine Stelle, an der aus diesen Fehlern Diskriminierung wird – und genau diese Stelle sollte nicht automatisiert werden. ## Vertrauen und Recht: wo die Grenze verläuft Im Moment, in dem eine KI die Entscheidung trifft, treffen zwei Risiken zusammen: Kandidaten verlieren das Vertrauen in Sie, und Aufsichtsbehörden werden aufmerksam. Zum Vertrauen: Man muss ehrlich sein – der Bequemlichkeitsgewinn ist real. Asynchrone KI-Interviews nehmen die Terminreibung heraus, lassen Menschen um 23 Uhr ihr Gespräch führen und wirken auf manche Bewerber *weniger* voreingenommen als ein abgelenkter Mensch. Doch viele Kandidaten berichten, dass sie sich im Gespräch mit einem Bot entmenschlicht fühlen, nicht wissen, wie sie bewertet werden, und eine Ablehnung aus der Blackbox nicht anfechten können. Der Bequemlichkeitsgewinn und das Vertrauensrisiko stecken im selben Produkt. Der einzige Ausweg ist Transparenz darüber, was die KI entscheidet und was nicht – und das kann ein Human-in-the-Loop-Prozess zusichern, ein vollständig autonomer nicht. Rechtlich wächst das Haftungsrisiko – und es hängt stark von der Rechtsordnung ab. In den USA verlangt das Local Law 144 von New York City ein unabhängiges Bias-Audit und eine Benachrichtigung der Kandidaten, bevor Sie ein automatisiertes Werkzeug für Einstellungsentscheidungen nutzen. Der Artificial Intelligence Video Interview Act von Illinois verlangt Offenlegung, Einwilligung und Erläuterung, wenn KI Video-Interviews auswertet. Der AI Act von Colorado ergänzt Pflichten rund um Hochrisiko-KI in Einstellungsentscheidungen und tritt schrittweise um 2026 und 2027 in Kraft. Und die US-Behörde EEOC hat signalisiert, dass der Einsatz eines voreingenommenen Algorithmus einen Arbeitgeber nicht vor der Haftung nach Title VII schützt. Die praktische Erkenntnis für Gründer: „Das Modell des Anbieters war’s“ ist keine Verteidigung. Wenn ein KI-Werkzeug Kandidaten aus geschützten Gruppen überproportional ablehnt, verantworten Sie das Ergebnis. Eine von Menschen prüfbare Entscheidungsspur ist nicht nur gute Ethik. Sie ist genau der Prüfnachweis, nach dem Aufsichtsbehörden und Kläger fragen. ## Wie Human-in-the-Loop tatsächlich aussieht Human-in-the-Loop bedeutet: Die bewertende Entscheidung ist eine ausdrückliche, zurechenbare Handlung einer namentlich benannten Person, und die Rolle der KI beschränkt sich auf Unterstützung. Das sollte eine feste Vorgabe in Ihrem System sein, keine Zeile im Text Ihrer Karriereseite. Genau so ist die Einstellungsvertikale von Kit gebaut. Der Trichter besteht aus typisierten Phasen: `screening` (kann anhand objektiver Muss-Kriterien automatisch vorsortieren), `team_review` (mit konfigurierbarer Abstimmung, inklusive Punkteschwelle, einer Option „alle Prüfer erforderlich“ und einem `veto_auto_rejects`-Flag, damit ein Mensch jede automatische Ablehnung aufheben kann), `live_interview` (terminiert, mit einer erforderlichen Zahl menschlicher Interviewer) und `code_assignment`. Jedes Weiterführen und jede Ablehnung ist ein `Decision`-Datensatz, dessen `decided_by` **ein menschlicher Kontonutzer sein muss**. Es gibt keinen Code-Pfad für „die KI hat diesen Kandidaten abgelehnt“. Das System kann eine Entscheidung, die keiner Person zugerechnet ist, buchstäblich nicht speichern. KI tritt als Werkzeug auf, nicht als Entscheider. Kits MCP-basierte Werkzeuge – etwa Zusammenfassungen von Kandidaten und Bewerbungen sowie semantische Suche über Interview-Transkripte – helfen Ihrem Team, über viele Kandidaten und Stunden an Videomaterial hinweg schneller zu lesen. Sie legen Informationen offen; sie geben nicht die Stimme ab. (Wie diese Werkzeuge gebaut sind, lesen Sie unter [MCP für Recruiting](/blog/mcp-for-hiring).) Das ist der Unterschied zwischen „die KI hat Sie interviewt und abgelehnt“ und „ein Mensch hat entschieden, wobei KI ihm half, schneller zu lesen“. Und weil das Kandidatenportal echten, von Menschen prüfbaren Phasenfortschritt statt einer undurchsichtigen Bewertung zeigt, ist es zugleich die Vertrauensantwort für Kandidaten und die Prüfantwort für Aufsichtsbehörden. Beachten Sie: Das ist ein anderes Problem als Kandidaten, die KI-Screenings austricksen – dazu haben wir in [KI-Betrug im Interview und die Neugestaltung von Assessments](/blog/ai-interview-cheating-undetectable-overlays-redesign-assessments) geschrieben. In diesem Artikel geht es darum, wer die Feder führt, nicht darum, wer den Test überlisten will. ## Eine Regel für Gründer – Phase für Phase Also: Sollte Ihre KI Kandidaten interviewen? Nein. Aber sie sollte fast alles rund um das Interview erledigen. Hier verläuft die Grenze, Phase für Phase: | Phase | KI übernehmen lassen? | Warum | |---|---|---| | Bewerbungen auslesen und entdoppeln | **Ja** | Massenhaft, objektiv, überprüfbar | | An Muss-Kriterien bewerten | **Ja** – automatische Ablehnungen nur mit menschlichem Vetorecht, nie stillschweigend | Objektive Prüfungen sind die Stärke der KI; das Veto fängt die Verzerrung ab | | Terminplanung | **Ja** | Reine Reibung, kein Urteil | | Interviews transkribieren und durchsuchen | **Ja** | Schnelles Lesen, kein Entscheiden | | Werdegang zusammenfassen | **Ja** | Legt Kontext für einen Menschen offen | | Die Interviewbewertung | **Nein** | Das ist die 33-%-Synthese-Zone | | Jedes Weiterführen oder Ablehnen | **Nein** | Urteil plus Haftungsrisiko; menschlich und protokolliert halten | Diese Aufteilung schöpft den Großteil von Fikas Effizienz ab, ohne die Haftungsrisiken eines autonomen Interviewers zu erben – die 33-%-Synthese und die 85-%-Namensverzerrung. Ergänzen Sie Transparenz gegenüber den Kandidaten darüber, was worunter fällt, damit niemand rätseln muss, ob ein Bot oder ein Mensch entschieden hat. Die Gründer, die zu KI-Interviewern greifen, irren sich in ihrer Einschätzung des Problems nicht. Das Volumen erdrückt, Recruiter-Honorare sind happig, und die Terminplanung ist zäh. Sie richten die Automatisierung nur auf die falsche Stelle. Richten Sie sie auf den Trichter, behalten Sie einen Menschen beim Urteil – und Sie bekommen das Tempo ohne die Vertrauenslücke. Genau auf dieser Linie ist Kit gebaut: die Effizienz der KI-Vorsortierung mit der Belastbarkeit und Menschlichkeit menschlicher Entscheidungen, im Datenmodell bewiesen statt im Pitch versprochen. Wenn Sie eine Pipeline wollen, die von Haus aus so funktioniert, [erkunden Sie die Rollenvorlagen](/templates) oder [starten Sie kostenlos](/users/sign_up).