Öffentliche Kandidatendaten können einen KI-gestützten Abgleich unterstützen, wenn die Nutzung zu dem Kontext passt, in dem die Menschen sie veröffentlicht haben. Doch öffentlicher Zugriff ist keine unbegrenzte Erlaubnis. Ein verantwortungsvolles System legt abgeleitete Profile offen, bewahrt Quelle und Zweck, übernimmt nur die nötigen Daten, lässt Kandidatinnen und Kandidaten Angaben berichtigen oder entfernen, erklärt die Grenzen eines Punktwerts und stellt folgenreiche Entscheidungen unter wirksame menschliche Aufsicht.

Diese Unterscheidung wurde diese Woche ungewöhnlich greifbar. Ein [Show-HN-Projekt namens HN Match Maker](https://news.ycombinator.com/item?id=49528057) verwandelte die monatlichen Recruiting-Threads von Hacker News in einen durchsuchbaren Marktplatz mit Ranglisten. Das ist geschickt umgesetzt. Zugleich ist es eine kompakte Fallstudie zu den Produktentscheidungen, die inzwischen jedes Team treffen muss, das KI im Recruiting einsetzt.

Die einfachen Reaktionen „Die Daten waren öffentlich, also ist alles erlaubt“ und „Es gab kein Opt-in, also muss es rechtswidrig sein“ verfehlen beide den entscheidenden Punkt. Die ursprünglichen Beiträge laden ausdrücklich dazu ein, berufliche Angebote zu machen. Der Abgleich entspricht diesem Zweck. Doch durch Extraktion, Anreicherung, dauerhafte Wiederveröffentlichung und Ranglisten entsteht ein neues Datenprodukt, das Menschen erfasst, die lediglich einen Kommentar im Forum eines anderen geschrieben haben.

Die richtige Frage lautet nicht, ob öffentliche Daten jemals verwendet werden dürfen. Entscheidend ist, wie die ursprüngliche Absicht einer Person erhalten bleibt, wenn Automatisierung hinzukommt.

## Was HN Match Maker tatsächlich tut

Jeden Monat veröffentlicht Hacker News zwei zusammengehörige Threads: „Who is hiring?“ und „Who wants to be hired?“. Im Kandidaten-Thread sollen Menschen Angaben zu Standort, Präferenz für Remote-Arbeit, Technologien, Lebenslauf und E-Mail-Adresse machen. Für Leser gilt eine enge Vorgabe: Sie dürfen diese Adressen nur verwenden, um über berufliche Möglichkeiten zu sprechen.

HN Match Maker ruft über die öffentliche HN-API die Kommentare der obersten Ebene aus beiden Threads ab. Laut der [Methodenseite](https://hnmatchmaker.com/method) extrahiert ein LLM Fähigkeiten, Fachgebiet, Erfahrungsstufe, Gehaltsspanne, Standort, Präferenz für Remote-Arbeit und Visabedarf. Anschließend entfernt das System Paare mit eindeutigen Konflikten, etwa Remote-Arbeit gegenüber Präsenzpflicht, Gehaltsspannen ohne Überschneidung oder unvereinbare Visavoraussetzungen. Die übrigen Paare werden in eine Rangfolge gebracht.

Die veröffentlichte Formel ist erfreulich konkret:

| Faktor | Gewichtung |
|---|---:|
| Fähigkeiten | 40 % |
| Fachgebiet | 20 % |
| Erfahrungsstufe | 20 % |
| Gehaltsüberschneidung | 10 % |
| Basiswert | 10 % |

In unserer Momentaufnahme vom 2. September zeigte die Website 105 Stellen und 130 Kandidaten. Vor den harten Filtern ergeben sich daraus bis zu 13.650 mögliche Paare. Die einzelnen Profilseiten enthalten KI-abgeleitete Angaben, eine Rangliste passender Stellen, eine Aufschlüsselung nach Faktoren und einen Link zum ursprünglichen HN-Kommentar.

Damit ist das Projekt bereits transparenter als der undurchsichtige Hinweis „Die KI meldet eine Übereinstimmung von 87 %“. Die Quelle ist sichtbar. Die Faktoren lassen sich prüfen. Der Entwickler bezeichnet den Punktwert ausdrücklich als Maß für eine plausible Übereinstimmung und nicht als Einstellungsentscheidung. Zudem warnt er davor, dass die automatische Extraktion knappe Beiträge falsch deuten kann.

Rechnerische Transparenz ist jedoch nicht dasselbe wie ein validierter Abgleich. In einem öffentlichen Beispiel ließ sich die Formel bis auf ungefähr 44 von 100 Punkten nachvollziehen. Das zeigt, dass die Berechnung überprüfbar ist. Es sagt nicht, ob 44 Punkte nützlich sind, ob ein besser geeigneter Kandidat niedriger bewertet wurde, ob fehlende Angaben systematisch nützen oder schaden oder ob überhaupt jemand die späteren Einstellungsergebnisse gemessen hat.

## Das stärkste Argument für die Nutzung der Beiträge

Das beste Argument für diese Art des Abgleichs lautet nicht „Das Internet ist öffentlich“. Entscheidend ist vielmehr, dass der ursprüngliche Kontext bereits Recruiting war.

Menschen im Thread „Who wants to be hired?“ haben berufliche Angaben freiwillig veröffentlicht, damit Arbeitgeber sie finden können. Der Thread fordert Leser ausdrücklich auf, wegen beruflicher Möglichkeiten Kontakt aufzunehmen. Ein System, das relevante Stellen leichter auffindbar macht, liegt deshalb deutlich näher am erklärten Zweck als etwa ein Datenhändler, der mit denselben Kommentaren Kreditprofile oder Zielgruppen für Werbung erstellt.

Dieser Kontext ist sowohl für die Produktethik als auch für den Datenschutz wichtig. Nach der DSGVO ist eine Einwilligung nicht die einzige mögliche Rechtsgrundlage. Verantwortliche können sich unter Umständen auf ein berechtigtes Interesse stützen, nachdem sie das Interesse, die Erforderlichkeit der Verarbeitung und die Abwägung gegenüber den Rechten der betroffenen Person dokumentiert haben. Die öffentliche Verfügbarkeit und die vernünftigen Erwartungen der Person fließen in diese Prüfung ein.

Ein Artikel mit der Aussage „KI-Matching erfordert immer eine Einwilligung“ wäre also beruhigend, einfach und falsch.

Die bessere Regel lautet: Respektieren Sie die Grenze, die eine Person selbst gezogen hat. Ein öffentliches Stellengesuch rechtfertigt die Recherche für Recruiting-Zwecke. Es rechtfertigt nicht automatisch sachfremde Anreicherung, unbegrenzte Aufbewahrung, die Ableitung sensibler Angaben, den Weiterverkauf oder eine automatische Absage. Selbst innerhalb des Recruitings verändern ein dauerhaftes Profil, eine abgeleitete Erfahrungsstufe und sortierte Empfehlungen die Zugänglichkeit und Bedeutung eines Kommentars.

An diesem Punkt braucht ein Produkt mehr als einen Quellenlink.

## Wenn öffentliche Recherche zu stiller Profilbildung wird

Hinter dem Ausdruck „KI-Matching“ verbergen sich fünf getrennte Vorgänge:

1. **Erfassung:** Ein öffentlicher Kommentar oder Lebenslauf wird importiert.
2. **Anreicherung:** Freitext wird in strukturierte oder abgeleitete Merkmale überführt.
3. **Suche:** Personalverantwortliche finden relevante Datensätze.
4. **Empfehlung:** Menschen werden nach ihrer vorhergesagten Eignung sortiert.
5. **Maßnahme:** Jemand wird kontaktiert, in die engere Auswahl genommen oder abgelehnt.

Mit jedem Schritt wächst die Wirkung auf die betroffene Person. Jeder braucht eigene Kontrollen.

Ein System mit Herkunftsnachweis hält fest, woher ein Profil stammt, wann es erfasst wurde und welcher Zweck für die Quelle galt. Bei der Anreicherung unterscheidet es übernommene Tatsachen von Modellableitungen. In der Suche zeigt es die Nachweise, aufgrund derer ein Ergebnis erscheint. Für Empfehlungen dokumentiert es Gewichtungen, den Umgang mit fehlenden Daten, Grenzen und Validierung. Für jede anschließende Maßnahme ist eine benannte Person verantwortlich.

Wer alle fünf Vorgänge unter einer einzigen Erlaubnis für „öffentliche Daten“ zusammenfasst, macht aus einer nützlichen Recruiting-Funktion unbemerkt eine heimliche Kandidatendatenbank.

Die britische Datenschutzaufsicht Information Commissioner's Office (ICO) fand genau dieses Muster bei ihren Prüfungen von Anbietern für Recruiting-KI. In ihrer [Zusammenfassung vom November 2024](https://ico.org.uk/about-the-ico/media-centre/news-and-blogs/2024/11/thinking-of-using-ai-to-assist-recruitment-our-key-data-protection-considerations/) heißt es, einige Systeme hätten erheblich mehr Angaben als nötig erhoben und unbegrenzt gespeichert, um ohne Wissen der Betroffenen große Kandidatendatenbanken aufzubauen. Die Aufsicht sprach fast 300 Empfehlungen aus, die allesamt vollständig oder teilweise angenommen wurden.

Die praktischen Fragen des ICO helfen auch außerhalb des Vereinigten Königreichs weiter: Was ist der Zweck? Welche Rechtsgrundlage gilt? Wer ist der Verantwortliche, wer der Auftragsverarbeiter? Welche Angaben sind tatsächlich nötig? Wie erfahren Kandidatinnen und Kandidaten, was das System tut, wie berichtigen sie Fehler und wie können sie ein automatisiertes Ergebnis anfechten? Wie lange bleibt der Datensatz bestehen?

All das beweist nicht, dass HN Match Maker gegen ein Gesetz verstoßen hat. Betreiber, geografischer Sitz, interne Abläufe und vollständige technische Architektur sind nicht öffentlich bekannt. Es zeigt jedoch, warum ein sichtbarer Datenschutzhinweis, eine Aufbewahrungsregel und ein einfacher Weg für Berichtigungen oder Löschungen direkt ins Produkt gehören, statt auf einer juristischen Aufgabenliste für später zu landen.

## Eine Aufschlüsselung des Punktwerts ist noch keine Validierung

Erklärbarkeit hat mindestens drei Ebenen. Recruiting-Produkte liefern häufig nur die erste.

**Berechnung:** Lässt sich der Punktwert anhand der angezeigten Faktoren nachvollziehen? HN Match Maker schneidet hier recht gut ab.

**Interpretation:** Versteht ein Nutzer, was der Punktwert bedeutet? Je nach Verteilung und Schwellenwert können 44 Punkte schwach, durchschnittlich oder ausgezeichnet sein. Ohne Kalibrierung ist es nur eine Zahl, die durch ihre Dezimalstellen Gewissheit vorspiegelt.

**Gültigkeit:** Verbessert der Punktwert tatsächlich das Ergebnis, das er unterstützen soll? Dazu muss das System anhand relevanter menschlicher Beurteilungen oder realer Ergebnisse geprüft werden. Außerdem müssen Fehlermuster beobachtet und Leistungsunterschiede zwischen Gruppen und Stellenarten untersucht werden.

Auch eine feste Gewichtung enthält Produktentscheidungen. Warum sollte die Überschneidung bei Fähigkeiten doppelt so stark zählen wie die Erfahrungsstufe? Wie werden „Ruby“, „Rails“ und „Hotwire“ vereinheitlicht? Führt eine fehlende Gehaltsangabe zu einem neutralen Wert, zu einem Abzug oder zu ausgewiesener Unsicherheit? Beruht die „Übereinstimmung beim Fachgebiet“ auf ausdrücklich genannter Erfahrung oder auf einer Vermutung des LLM? Eine transparente Formel macht diese Fragen sichtbar. Sie beantwortet sie nicht.

Das [AI Risk Management Framework von NIST](https://airc.nist.gov/airmf-resources/airmf/5-sec-core/) bietet dafür ein nützliches Betriebsmodell: govern, map, measure und manage. Es ist eine freiwillige Orientierungshilfe und kein Recruiting-Gesetz. Wertvoll ist sein Blick auf den gesamten Lebenszyklus. Teams dokumentieren den vorgesehenen Einsatz, messen Leistung und Auswirkungen, holen Rückmeldungen von Betroffenen ein, beobachten das Verhalten im Produktivbetrieb und legen fest, wie Menschen Ergebnisse korrigieren oder das System abschalten können.

Für einen Kandidatenabgleich sind unter anderem diese Kennzahlen nützlich:

- Fehlerquoten bei der Extraktion, aufgeschlüsselt nach Feld und Format der Quelle
- Anteil der Vorschläge, die Personalverantwortliche sofort verwerfen
- Häufigkeit von Berichtigungen, Löschungen und Beschwerden durch Kandidaten
- Häufigkeit und Gründe menschlicher Abweichungen von der Empfehlung
- Anteil der vorgeschlagenen Paarungen, aus denen ein beiderseitiges Gespräch entsteht
- Unterschiede bei den Ergebnissen nach Rolle, Standort, Erfahrungsstufe und relevanten Gruppen
- Anteil veralteter Profile und gescheiterter Kontaktversuche

Wenn Sie nicht erklären können, wann der Einfluss eines Modells verringert oder das Modell abgeschaltet wird, haben Sie keine Aufsicht. Sie haben nur blinden Glauben – verpackt in ein Dashboard.

## Sieben Kontrollen für einen kontextbezogenen Kandidatenabgleich

Die folgenden Kontrollen trennen ein nützliches Matching-Produkt von einem Personenverzeichnis ohne klare Verantwortung.

### 1. Zweck und Herkunft gemeinsam speichern

Speichern Sie Quellen-URL, Erfassungsdatum, Art der Quelle und den angegebenen Zweck direkt beim Datensatz. „Öffentliches Web“ ist keine hinreichend genaue Quellenkategorie, um spätere Nutzungen zu steuern. Ein Beitrag, der zu beruflicher Kontaktaufnahme einlädt, und eine öffentliche Teilnehmerliste einer Konferenz können beide öffentlich sein und dennoch völlig unterschiedliche Erwartungen begründen.

### 2. Informieren, bevor das Profil Folgen hat

Informieren Sie Kandidatinnen und Kandidaten darüber, dass ihre Daten erfasst wurden, welche Angaben übernommen oder abgeleitet wurden, warum die Verarbeitung erfolgt, wer die Angaben sehen kann und wie lange sie gespeichert bleiben. Wo Informationspflichten für indirekt erhobene Daten gelten, kann das gesetzlich vorgeschrieben sein. Andernorts bleibt es eine Produktentscheidung, die Vertrauen schafft.

Bei einem kleinen Verzeichnis mit erreichbaren Profilen sollte das Produktdesign nicht standardmäßig davon ausgehen, dass eine Benachrichtigung unmöglich ist.

### 3. Wiederveröffentlichung minimieren

Ein System für Kandidatenabgleiche muss in der Regel weder den vollständigen Lebenslauf noch die private E-Mail-Adresse oder den gesamten ursprünglichen Beitrag erneut veröffentlichen, um Relevanz zu belegen. Zeigen Sie Personalverantwortlichen nur so viele Nachweise wie nötig und verweisen Sie gegebenenfalls auf die ursprüngliche Quelle. Leiten Sie keine geschützten oder sensiblen Merkmale ab, nur weil ein Modell dazu in der Lage ist.

### 4. Tatsachen, Ableitungen und fehlende Angaben trennen

Kennzeichnen Sie „vom Kandidaten angegeben“, „aus der Quelle extrahiert“ und „vom Modell abgeleitet“ unterschiedlich. Zeigen Sie offen, wenn Gehalt, Erfahrungsstufe oder Standort fehlen, statt stillschweigend Gewissheit zu erzeugen. Kandidaten und Personalverantwortliche brauchen eine Möglichkeit, den Datensatz zu berichtigen.

### 5. Aufbewahrungsfrist bei der Erfassung beginnen lassen

Für Kandidatendaten sollte eine Aufbewahrungsfrist gelten. Das Alter eines monatlichen Recruiting-Beitrags lässt sich besonders leicht bestimmen, denn bereits die Quelle ist zeitlich gebunden. Aktualisieren Sie ein Profil nur bei einem neuen Signal oder einer ausdrücklichen Verlängerung, nicht jedes Mal, wenn ein Crawler die Seite erneut besucht.

### 6. Sperrung und Löschung einfach machen

Bieten Sie direkt im Profil einen klaren Weg für Berichtigung, Widerspruch, Sperrung und Löschung an. Ein Löschanspruch gilt nicht in jeder Rechtsordnung uneingeschränkt. Eine Person dazu zu zwingen, erst die Identität des Betreibers zu ermitteln, ist unabhängig vom rechtlichen Mindestmaß schlechtes Produktdesign.

### 7. Matching von Entscheidungen und Nachrichten trennen

Ein Punktwert sollte Nachweise sichtbar machen und nicht zum automatischen Filter für Absagen werden. Personalverantwortliche müssen selbst entscheiden, wen sie prüfen und aus welchem Grund. Eine Kontaktaufnahme sollte eine gesonderte Freigabe erfordern, die an den genauen Empfänger und die genaue Nachricht gebunden ist. Diese Trennung begrenzt den möglichen Schaden durch eine fehlerhafte Extraktion oder einen schlecht kalibrierten Punktwert.

## So setzt Kit das um und an diesen Stellen besteht noch Handlungsbedarf

Kit trennt Einwilligung für den Talentpool, Suche, Aufbewahrung und Freigabe für die Kontaktaufnahme bewusst voneinander.

Kandidatinnen und Kandidaten, die einem öffentlichen Kit-Talentpool beitreten, akzeptieren eine eingeblendete Einwilligungserklärung und bestätigen ihre E-Mail-Adresse. Für ihre Daten gilt eine konfigurierbare Aufbewahrungsfrist, standardmäßig 24 Monate. Vor dem Ablauf kann das System warnen und um Verlängerung bitten. Bei widerrufener oder abgelaufener Einwilligung werden die Datensätze anonymisiert. Personalverantwortliche können die [Extraktion und Suche in Lebensläufen](/docs/resume-extraction) für verifizierte Einträge nutzen. Die Suche liefert jedoch Nachweise und keinen Punktwert zur Eignung für eine Stelle. Kit behauptet nicht, dass Kosinusähnlichkeit vorhersagt, wer eingestellt werden sollte.

Wenn Personalverantwortliche von der Recherche zur Kontaktaufnahme wechseln, behandelt Kit das als eigenständige Entscheidung. Die Freigabe einer Nachricht ist an den genauen Empfänger, Absender, Betreff, Text, die Version, die handelnde Person und den Zeitpunkt gebunden. Wird die Nachricht geändert, gilt die Freigabe nicht mehr. Dahinter steht dasselbe Prinzip: Die Suche kann Vorschläge liefern, doch ein Mensch verantwortet die daraus folgende Handlung. Unter [Datenschutz und Einwilligung für Kandidaten](/docs/candidate-privacy-and-consent) sowie [Nachrichten prüfen und senden](/docs/outreach-messages) finden Sie den aktuellen Ablauf.

Es gibt auch eine echte Lücke. Der [Massenimport von Lebensläufen](/docs/bulk-cv-import) in Kit erfasst die Herkunft und verlangt vom importierenden Arbeitgeber eine Bestätigung, dass eine Rechtsgrundlage besteht und die Kandidaten informiert werden. Importierte Talentpool-Datensätze sind derzeit jedoch nicht verifiziert, und es liegt keine Einwilligung vor. Sie gelangen nicht in die reguläre Suche für verifizierte Einträge und scheinen auch nicht automatisch denselben Ablauf zur Prüfung ablaufender Einwilligungen zu durchlaufen. Zudem bietet Kit Kandidaten keinen allgemeinen Self-Service-Zugang, über den sie einen Talentpool-Datensatz löschen können.

Diese Grenzen sollten klar benannt werden. Eine Bestätigung ist keine Einwilligung, und die Erfassung der Herkunft schließt den Lebenszyklus nicht ab. Als nächster Produktschritt müssen importierte Datensätze in einen Ablauf aufgenommen werden, der ihre Herkunft berücksichtigt und Information, Verifizierung, Verlängerung sowie Löschung abdeckt. Dabei darf Kit nicht so tun, als würden in jeder Rechtsordnung und für jede Quelle dieselben Regeln gelten.

Das ist ehrlicher, als einen verborgenen Punktwert mit dem Etikett „verantwortungsvolle KI“ zu versehen.

## Kandidatenabgleich dient der Recherche, nicht der Entscheidung

HN Match Maker ist nützlich, weil das Projekt genau an dieser Grenze liegt. Die Quelldaten waren tatsächlich öffentlich. Die Kandidatinnen und Kandidaten haben ausdrücklich signalisiert, dass sie offen für berufliche Angebote sind. Das Projekt legt seine Formel offen und verlinkt auf die ursprünglichen Nachweise. Das spricht klar für den Ansatz.

Die offenen Fragen beginnen dort, wo die neue Produktebene einsetzt: Wurde die Person über das KI-abgeleitete Profil informiert? Kann sie es berichtigen oder entfernen lassen? Welche Daten verfallen? Welche Felder sind abgeleitet? Was sagt der Punktwert vorher? Wie wird er geprüft? Wer trägt die Verantwortung, wenn Personalverantwortliche die Rangfolge als Urteil behandeln?

Die Antwort besteht weder darin, Matching zu verbieten, noch darin, für jeden Link einen Einwilligungsdialog zu verlangen. Das System muss so gestaltet sein, dass der Kontext bei der Automatisierung nicht verloren geht.

Halten Sie die Herkunft am Datensatz fest. Übernehmen Sie nur das Nötigste. Zeigen Sie Unsicherheit. Lassen Sie Betroffene den Datensatz berichtigen. Entfernen Sie veraltete Daten. Messen Sie Ergebnisse und menschliche Korrekturen. Verlangen Sie, dass ein Mensch die Verantwortung für Vorauswahl, Absage und Nachricht übernimmt.

Die öffentlich bekundete Absicht kann eine Recherche rechtfertigen. Sie ist kein Freibrief für ein dauerhaftes Profil oder eine unsichtbare Entscheidung.

Wenn Sie einen Talentpool suchen, in dem Einwilligung, verifizierte Suche, Aufbewahrung und Freigabe für die Kontaktaufnahme getrennte Kontrollen sind, [starten Sie Ihre kostenlose Kit-Testversion](/users/sign_up). Noch deckt das Produkt nicht jeden Grenzfall ab. Gerade deshalb sollten die Kontrollen und Lücken sichtbar bleiben.