Agent für Talent-Sourcing und Ansprache passiver Kandidaten

Die meisten starken Kandidaten bewerben sich nirgends. Recruiter verbringen Stunden damit, ein vages Briefing in Suchstrings zu übersetzen, Profile zu durchsehen und Nachrichten zu schreiben, die überwiegend unbeantwortet bleiben. Ein Sourcing- Agent wandelt das Briefing in Kriterien um, durchsucht Netzwerke und Talentpools, bewertet Personen anhand der Stelle mit einer nachvollziehbaren Begründung, entwirft individuelle Ansprachen und übergibt positive Antworten an das ATS. In der EU ist das eine regulierte Tätigkeit: Die Personen befinden sich nicht in einem Bewerbungsprozess, den sie selbst betreten haben, daher gilt die Informationspflicht nach Art. 14 DSGVO, und die Bewertung von Personen im Recruiting ist nach der KI-Verordnung ein Hochrisiko-Einsatz.

Problem & Nutzen

• Heute: Sourcer und Recruiter verfeinern Boolesche Suchen in LinkedIn Recruiter, GitHub und Talentdatenbanken, kopieren Angaben in Tabellen, schreiben Nachrichten von Hand und fassen bei Antworten nach. Mangelberufe (Entwicklung, Handwerk, Gesundheitswesen) werden überwiegend aus passiven Kandidaten besetzt.
• KI-Nutzen: schnellere Suche vom Briefing zur Shortlist, semantisches Matching jenseits von Stichwort-Jobtiteln, einheitliche personalisierte Ansprache in großer Zahl, automatische Nachfassaktionen und saubere ATS-Daten. Menschen behalten die Beziehung und die Entscheidungen.
• Belege: LinkedIn positioniert seinen Hiring Assistant als Agenten, der Sourcing- und Ansprachearbeit für Recruiter übernimmt, und ist 2026 zu einer zweiten Generation übergegangen [1]. Herstellerangaben zu eingesparten Stunden oder höheren Antwortquoten gibt es, sie sind aber überwiegend selbst berichtet; messen Sie Ihre eigene Ausgangsbasis.
• Abgrenzung zu Nachbarfällen: AGENT-008 prüft Personen, die sich beworben haben; AGENT-007 richtet sich an Käufer. Hier haben die Kandidaten nicht um Kontaktaufnahme gebeten, was die rechtliche Bewertung bestimmt.

Varianten

• Interne Personalgewinnung: Agent innerhalb der vorhandenen Recruiter-Lizenz und des ATS.
• Personaldienstleister und Executive-Search-Agenturen: höheres Volumen, Wiederentdeckung im Talentpool und Datentrennung über mehrere Kunden.
• Technisches Sourcing: GitHub, Hugging Face, Stack Overflow und Signale aus Open-Source-Beiträgen.
• Wiederentdeckung im Talentpool: Neubewertung von Zweitplatzierten und früheren Bewerbern im eigenen ATS/CRM (geringstes rechtliches Risiko, oft der beste erste Schritt).
• Öffentlicher Dienst / Hochschulen: nur ausgeschriebene Verfahren; die aktive Ansprache einzelner Personen ist oft durch Vergabe- und Gleichbehandlungsregeln eingeschränkt.
• Privatnutzung: nicht anwendbar.

So funktioniert es

1. Stellenbriefing (Intake-Gespräch, Stellenanzeige, Notizen der Fachabteilung)
2. Kriterienextraktion (Muss / Kann / Ausschlüsse; geschützte Merkmale entfernen)
3. Quellensuche (lizenzierte Recruiter-APIs, GitHub, eigenes ATS/CRM, Talentmarktplätze)
4. Profilnormalisierung + Duplikatprüfung gegen ATS und Do-not-contact-Liste
5. Matching & Ranking (Embeddings + Reranker + LLM-Begründung mit Bezug auf Profilbelege)
6. Prüfung der Shortlist durch Recruiter (Human-in-the-Loop Nr. 1)
7. Entwurf der Ansprache (rollenspezifisch, mit Datenschutzhinweis nach Art. 14 und Opt-out)
8. Freigabe der Vorlage / ersten Sendungen durch Recruiter (Human-in-the-Loop Nr. 2)
9. Sequenz + Klassifikation der Antworten (interessiert / jetzt nicht / Stopp)
10. Übergabe an das ATS mit Quelle, Nachweis der Rechtsgrundlage und Löschdatum

• Kriterienextraktion: Ein LLM wandelt das Briefing in strukturierte Anforderungen um; Recruiter bestätigen. Stellvertretermerkmale für Alter, Geschlecht, Herkunft oder Gesundheit vor der Bewertung entfernen.
• Matching: hybride Suche (Embedding + Stichwort) mit anschließendem Reranker, danach erläutert ein LLM die Passung ausschließlich anhand zitierter Profilfakten. Keine Ableitung von Persönlichkeit, Emotionen oder geschützten Merkmalen.
• Agentenschleife: Tool-Aufrufe für Suche, Anreicherung, E-Mail/InMail, Rückschreiben ins ATS; Ausgaben-, Mengen- und Plattformlimits werden im Code durchgesetzt, nicht im Prompt.
• Mensch-in-der-Schleife (Human-in-the-Loop): Freigabe der Shortlist, Freigabe der Vorlage, keine autonome Absage; Stopp- Wünsche und Widersprüche (Art. 21 DSGVO) werden sofort umgesetzt.

Datenaufbereitung

Benötigte Daten: das Stellenbriefing und Stellenprofil (oft eine Word-Datei), das ATS und der Talentpool (frühere Bewerber, Zweitplatzierte), Inhalte zur Arbeitgebermarke sowie externe Kandidatenquellen wie Karrierenetzwerke, GitHub oder öffentliche Profile. In KMU liegen Bewerberdaten in Postfächern, Ordnern und Tabellen, Stellenprofile sind vage, und für frühere Bewerber fehlen dokumentierte Einwilligungen oder Löschtermine.

Aufbereitungsschritte: - Klare, kompetenzbasierte Stellenprofile und Muss- gegenüber Kann-Kriterien formulieren, siehe PREP-016 und PREP-019. - Bewerberdaten im ATS zusammenführen, Dubletten und abgelaufene Datensätze entfernen, siehe PREP-003 und PREP-005. - Rechtsgrundlage, Zweck und Löschfristen prüfen, bevor Talentpool-Daten wiederverwendet werden, siehe PREP-025. - Profile in Testdatensätzen pseudonymisieren und geschützte Merkmale aus den Eingaben der Bewertung entfernen, siehe PREP-022. - Einen kleinen Evaluationsdatensatz früherer Einstellungen mit Expertenbewertungen erstellen, siehe PREP-018.

Werkzeuge: ATS-Export oder -API, Tabellenkalkulation, ein Dokumenten-Parser für Lebensläufe (DOC-018, falls zutreffend). Grober Aufwandsanteil: etwa 30 Prozent, davon viel rechtliche Klärung und Kriteriendefinition. Nutzen Sie GUIDE-003 als Checkliste.

Umsetzungswege

Welcher Weg für wen

• KMU (A): Es gibt Sourcing-Werkzeuge mit EU-Hosting und ATS-Integration; Recruiting ist ein Standardprozess, und KMU fehlt die Kapazität, eigenes Scraping und Ranking zu bauen oder zu betreiben.
• Großunternehmen (B): Eigenes ATS, Talentpool und Employer-Branding-Regeln erfordern Integration, und die Hochrisiko-Einstufung verlangt Kontrolle über Bewertungslogik, Protokolle und Verzerrungstests.
• Entwickler (B): Cloud-KI-Dienste mit Embeddings und Reranker erlauben schnelle Prototypen, während Daten aus Karrierenetzwerken den Plattformbedingungen und der DSGVO unterliegen.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• Netzwerk-nativ: LinkedIn Hiring Assistant (Zusatz zu LinkedIn Recruiter, verfügbar auf Englisch, Deutsch und Französisch, weitere Sprachen angekündigt) [1][2].
• Sourcing-Plattformen: hireEZ, Juicebox, Gem, SeekOut, Findem, Fountain, agents; Optionen aus der EU/DACH-Region sind u. a. ATS-integriertes Sourcing in Personio, Softgarden, Teamtailor (Schweden), Join, Prescreen und ATS-Erweiterungen nach Art von Workable (aktuelle Funktionen prüfen).
• Prüfen: Datenspeicherung in der EU, welche Datenquellen lizenziert und welche gescrapt sind, AVV und Liste der Unterauftragsverarbeiter, konfigurierbare Vorlagen für Rechtsgrundlage und Art.-14-Hinweis, Prüfprotokoll, Nachweise zu Verzerrungstests und Anbieterdokumentation nach KI-Verordnung.
• Wählen Sie A, wenn: weniger als etwa 10 Recruiter, kein internes ML-Team, das ATS bereits integriert ist.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: ein in der EU gehostetes führendes LLM oder LLM eines EU-Anbieters (Mistral, oder Claude/GPT/Gemini über EU-Regionen) für Briefing-Analyse, Begründung und Entwürfe; Text-Embeddings plus Reranker für das Matching.
• Daten: nur lizenzierte Quellen: Partnerintegrationen von LinkedIn Talent Solutions / Recruiter System Connect, GitHub REST-/GraphQL-API im Rahmen der Nutzungsbedingungen, eigene ATS-API [3]. Scrapen Sie keine Seiten, deren Bedingungen dies verbieten.
• Orchestrierung: n8n, Temporal oder ein Agenten-Framework; Rückschreiben ins ATS (APIs von Greenhouse, Lever, Personio, SmartRecruiters); E-Mail über die Firmendomain mit SPF/DKIM.
• Wählen Sie B, wenn: Sie eigene Bewertungslogik, Pools aus mehreren Quellen oder eine enge ATS-Integration brauchen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-LLMs (Mistral, Qwen, Llama, Klasse gpt-oss) über vLLM oder Ollama; BGE/E5- oder Qwen3-Embeddings und ein offener Reranker; Qdrant/pgvector für den Pool-Index.
• Stack: selbst betriebenes n8n oder Langflow, Postgres, eigenes ATS (z. B. nach Art von OpenCATS/Frappe) oder API-Brücke.
• Hardware: HW3 für ein Modell mit 30-70 Mrd. Parametern, das mehrere Recruiter bedient; HW2 genügt mit einem Modell von ~8-14 Mrd. für Entwürfe und Begründungen. Nutzen vor allem Souveränität über einen Kandidatenpool.

Weg D — Eigenes Training

Selten gerechtfertigt. Ein feingetunter Ranker auf der eigenen Historie von Einstellungen/Absagen birgt das Risiko, frühere Verzerrungen festzuschreiben, und erfordert eine Validitäts- und Fairnessstudie; bevorzugen Sie Retrieval + Regeln. Feintunen Sie nur für die Vorhersage von Antworten auf Tausenden eigener Ansprachen, mit Verzerrungsprüfung.

Stand der Technik (2026)

• Agentisches Sourcing ist produktisiert: LinkedIn kündigte Hiring Assistant 2 am 29. September 2026 an, mit kostenlosem automatischem Upgrade für englischsprachige Kunden ab November [1]; Spezialwerkzeuge bündeln Suche, Anreicherung, Bewertung und Sequenzierung in einem Agenten.
• Semantische Suche und Suche in natürlicher Sprache haben viel Boolesche Handarbeit ersetzt; die Bewertungsqualität hängt von der Vollständigkeit der Profile ab, die bei Personen, die ihre Profile selten aktualisieren, am geringsten ist.
• Grenzen: veraltete oder selbst angegebene Profile, halluzinierte Begründungen, systematische Benachteiligung von nicht linearen Karrieren und Frauen (bei früheren automatisierten Werkzeugen dokumentiert), Ansprache-Müdigkeit, Plattform- Limits und Bedingungen, die Automatisierung oder Scraping verbieten. Antwortquoten auf generische KI-Nachrichten sinken mit steigendem Volumen; einen unabhängigen Vergleichsmaßstab für die „Einstellungsqualität“ gibt es nicht.

Gemeinsame Bausteine & Kombinationen

• Gemeinsame Fähigkeiten mit AGENT-008 (Matching, Embeddings, Reranker), AGENT-007 (Sequenzierung der Ansprache, Anreicherung), AGENT-011 (Dublettenbereinigung/Hygiene der Profile) und CONV-017 (Kandidaten-Chat).
• Natürliche Kette: AGENT-033 sucht und kontaktiert, CONV-017 beantwortet Fragen, AGENT-008 prüft Bewerber, AGENT-009 begleitet das Onboarding, AGENT-025 überwacht und bewertet die Agentenflotte.
• Ein Vektorindex und ein LLM-Server (HW2/HW3) können alle Recruiting-Anwendungsfälle bedienen.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen; Lizenzen pro Arbeitsplatz (LinkedIn Hiring Assistant ist ein Zusatz, der einen Recruiter-Platz voraussetzt; LinkedIn veröffentlicht keinen Listenpreis; eine Schätzung Dritter für Großbritannien 2026 liegt bei etwa 1,6-2,1 Tsd. GBP pro Lizenz und Jahr [7]).
• Weg B: 2-4 Monate inkl. rechtlicher Prüfung, ATS-Integration und Verzerrungstests; die Kosten werden durch den Zugang zu lizenzierten Daten bestimmt, nicht durch Tokens.
• Weg C: 3-5 Monate; GPU-Server plus Betrieb.
• Kennzahlen: Zeit bis zur Shortlist, Akzeptanzquote qualifizierter Shortlists je Recruiter, Antwortquote der Ansprachen, Quote von positiver Antwort zu Vorstellungsgespräch, Zeit bis zur Besetzung, Quote von Widersprüchen/Beschwerden, Verhältnis der Auswahlquoten über Geschlechts-/Altersgruppen (Prüfung auf nachteilige Wirkung), Anteil der Kontakte mit protokolliertem Art.-14-Hinweis.

Menschen & Veränderung

Beziehen Sie frühzeitig die Geschäftsleitung, die einstellenden Abteilungsleitungen, die Recruiter bzw. das HR-Team als tägliche Anwender, die oder den Datenschutzbeauftragten und die Rechtsabteilung ein, da das Erheben von Profilen von Personen, die sich nicht beworben haben, rechtlich heikel ist (Informationspflichten nach Art. 14 DSGVO, Plattformbedingungen). Eine Datenschutz-Folgenabschätzung (DSFA) ist wahrscheinlich (systematische Bewertung von Personen in großem Umfang); schließen Sie mit jedem Anbieter einen AVV ab (GUIDE-005).

Betriebsrat: ja, sofern vorhanden. Neben §87 Abs. 1 Nr. 6 und §90 Abs. 1 Nr. 3 BetrVG verlangt §95 Abs. 2a, dass Auswahlrichtlinien vereinbart werden, wenn KI bei Einstellungen eingesetzt wird; §80 Abs. 3 erlaubt die Hinzuziehung eines KI-Sachverständigen (GUIDE-004). Die Bewertung von Kandidaten ist nach Anhang III der KI-Verordnung ein Hochrisiko-Einsatz, mit Pflichten ab dem 2. Dez. 2027 nach dem Digital Omnibus (GUIDE-014); die Transparenzpflicht nach Art. 50 gilt für Chatbots mit Kandidatenkontakt seit dem 2. Aug. 2026.

Fördern Sie die KI-Kompetenz (Art. 4 KI-Verordnung) der Recruiter, einschließlich eines Bewusstseins für Verzerrungen und der Grenzen von Bewertungen (GUIDE-006). Starten Sie mit ein oder zwei Stellen und einer kleinen Recruiter-Gruppe (GUIDE-009). Typische Sorgen: Diskriminierung und unpersönliche Ansprache. Begegnen Sie ihnen mit dokumentierten Kriterien, regelmäßigen Verzerrungsprüfungen, personalisierten Formulierungen, die ein Mensch freigibt, und der Regel, dass der Agent niemandem absagt: Menschen treffen jede Auswahlentscheidung (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (EU AI Act): KI-Systeme, die zur gezielten Schaltung von Stellenanzeigen, zur Analyse und Filterung von Bewerbungen oder zur Bewertung von Kandidaten eingesetzt werden, sind nach Anhang III Nr. 4 Buchst. a Hochrisiko-Systeme [4]. Pflichten für Betreiber umfassen menschliche Aufsicht, Protokollierung, Information von Beschäftigten und Kandidaten sowie Daten-Governance; Anbieter benötigen eine Konformitätsbewertung. Die Anwendungstermine für Anhang III wurden durch das Digitale Vereinfachungspaket 2026 verschoben (berichtet als 2. Dez. 2027); prüfen Sie den endgültigen Text. Art. 4 KI-Kompetenz gilt bereits. Verbote nach Art. 5: keine Emotionserkennung am Arbeitsplatz, keine biometrische Kategorisierung zur Ableitung sensibler Merkmale, kein Social Scoring; leiten Sie keine Persönlichkeit, Stimmung oder Gesundheit aus Fotos, Stimme oder sozialen Medien ab.
• DSGVO: Daten, die nicht bei der Person erhoben wurden, lösen Art. 14 aus: Teilen Sie mit, wer Sie sind, Zweck, Quelle, Rechtsgrundlage und Rechte beim Erstkontakt und spätestens innerhalb eines Monats [5]. Öffentliche Verfügbarkeit ist keine Einwilligung; berechtigtes Interesse (Art. 6 Abs. 1 Buchst. f) braucht eine dokumentierte Interessenabwägung, Datenminimierung auf stellenrelevante Fakten, kurze Speicherung bei Nichtantwortenden (löschen) und die Beachtung des Widerspruchs (Art. 21). Art. 22 begrenzt ausschließlich automatisierte Entscheidungen mit erheblicher Wirkung; Menschen sollen entscheiden. Eine DSFA ist bei Profiling in großem Umfang in der Regel erforderlich. Besondere Kategorien personenbezogener Daten (Art. 9) dürfen nicht erhoben werden.
• Sonstiges Recht: Unerbetene elektronische Nachrichten können unter ePrivacy-/UWG-Regeln fallen (in Deutschland ist die Kaltansprache von Kandidaten per E-Mail oder Telefon eingeschränkt; Briefpost oder Nachrichten im Netzwerk sind sicherer); Nutzungsbedingungen der Plattformen; nationale betriebliche Mitbestimmung (z. B. §87 BetrVG); Antidiskriminierungsrecht (AGG). Stellungnahmen der Datenschutzbehörden unterscheiden sich je Mitgliedstaat: Prüfen Sie Ihre Behörde.
• Gegenmaßnahmen: nur lizenzierte Daten, DSFA und Interessenabwägung (LIA), Verzerrungsprüfung vor dem Start und vierteljährlich, mit dem ATS synchronisierte Sperrliste, Mengenbegrenzungen, Prompt-Injection-Filterung auf Profiltexten, vollständiges Prüfprotokoll.

Erste Schritte

1. Den Umfang mit HR, Recht und Betriebsrat festlegen: erlaubte Quellen, Rechtsgrundlage, Speicherdauer, Hinweistext.
2. Die Wiederentdeckung im Talentpool im eigenen ATS pilotieren (bestehende Beziehung, geringstes Risiko).
3. Einen Werkzeugtest (z. B. LinkedIn Hiring Assistant oder eine ATS-Erweiterung aus der EU) für zwei laufende Stellen durchführen, wobei Recruiter jede Shortlist und jede Nachricht freigeben.
4. Die DSFA und die Interessenabwägung abschließen; den Art.-14-Hinweis und die Abmeldemöglichkeit in jede Erstnachricht aufnehmen.
5. Kennzahlen und Verhältnisse nachteiliger Wirkung 3 Monate lang verfolgen, bevor das Volumen erhöht wird.

Quellen

1. LinkedIn — Hiring Assistant 2 announcement — https://news.linkedin.com/2026/hiring-assistant-2
2. LinkedIn Talent Solutions — Hiring Assistant product page — https://business.linkedin.com/hire/hiring-assistant
3. GitHub Docs — REST API and acceptable use — https://docs.github.com/en/rest
4. Regulation (EU) 2024/1689 (AI Act), Annex III point 4 — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. GDPR Art. 14, information where data are not obtained from the data subject — https://gdpr-info.eu/art-14-gdpr/
6. EDPB — guidelines and opinions on legitimate interest and AI models — https://www.edpb.europa.eu/our-work-tools/general-guidance/guidelines-recommendations-best-practices_en
7. HeroHunt — LinkedIn Hiring Assistant 2: features, cost, limits (third-party) — https://www.herohunt.ai/blog/linkedin-hiring-assistant-2-2026-features-cost-limits/