Stellen- und Karriereempfehlungen für Arbeitsuchende

Arbeitsuchende sehen sich tausenden Anzeigen mit uneinheitlichen Titeln und Anforderungen gegenüber; Arbeitgeber und öffentliche Arbeitsverwaltungen haben das Spiegelbild dieses Problems. Empfehlungssysteme, die Text-Embeddings, Fähigkeiten-Taxonomien und Verhaltenssignale verbinden, bringen passende Stellen und plausible Karriereschritte zutage, und LLMs erklären den Treffer und die Qualifikationslücke. Die entscheidende Frage in der EU ist, für wen das System handelt: Empfehlungen, die der arbeitsuchenden Person angezeigt werden, sind risikoarm, während das Ranking von Bewerbern für einen Arbeitgeber oder die Lenkung von Arbeitsuchenden im Auftrag einer Behörde nach der KI-Verordnung ein hohes Risiko darstellen kann.

Problem & Nutzen

• Heute: Stichwortsuche und manuelle Filter auf Jobbörsen; Jobbenachrichtigungen nach Titel; Sachbearbeiter in öffentlichen Arbeitsverwaltungen vermitteln von Hand. Titel unterscheiden sich je nach Firma und Sprache, und Arbeitsuchende wissen oft nicht, welche benachbarten Rollen zu ihren Fähigkeiten passen.
• KI-Nutzen: semantisches Matching über Stichwörter hinaus, Matching nach Fähigkeiten (nicht nach Titeln), sprachübergreifende Suche, Vorschläge für Berufswechsel und Erklärungen, die Vertrauen schaffen. Bessere Treffer bedeuten relevantere Bewerbungen und weniger Zeit bis zur Einstellung; für Plattformen mehr Nutzung.
• Belegbasis: Es gibt keine allgemeingültige Zahl zur Steigerung; Plattformen berichten intern von in A/B-Tests gemessenen Zugewinnen bei der Nutzung, und Auswertungen öffentlicher Arbeitsverwaltungen unterscheiden sich je nach Land. Messen Sie es mit Ihren eigenen Daten [1][2].
• Politischer Rahmen: Die europäische Taxonomie ESCO sowie die Portale Europass/EURES liefern gemeinsame Vokabulare und grenzüberschreitende Stellendaten, auf denen Matching-Systeme aufbauen können [3].

Varianten

• Jobbörse / Marktplatz: großes zweiseitiges Empfehlungssystem (Stellen an Arbeitsuchende, Arbeitsuchende an Arbeitgeber).
• Öffentliche Arbeitsverwaltung: Unterstützung von Vermittlung und Karriereberatung für Sachbearbeiter und Kunden; hohe Anforderungen an die Steuerung (siehe PRED-029 für Profiling/Risikobewertung, das ein eigener und sensiblerer Anwendungsfall ist).
• Karriereseite von Arbeitgebern / interne Mobilität: offene Rollen und Entwicklungswege Beschäftigten oder Ehemaligen empfehlen (Talentmarktplatz).
• Karriereservices von Hochschulen: Studierende zu Praktika und Einstiegsstellen vermitteln; siehe REC-018.
• Privatnutzung: Eine Einzelperson nutzt einen Karriereassistenten, um Rollen und Lücken zu erkunden; siehe PERS-012.
• Hier nicht abgedeckt: Lebenslauf-Vorauswahl und Ranking von Kandidaten auf Arbeitgeberseite (AGENT-008), Sourcing- Agenten (AGENT-033).

So funktioniert es

1. profile/CV + vacancies ingestion
2. parsing & normalisation (skills/occupations mapped to ESCO, location, salary)
3. embeddings (seeker, job) + vector index
4. candidate retrieval (two-tower / ANN, hybrid with BM25 and hard filters)
5. ranking (learning-to-rank on clicks/applications + business rules)
6. LLM explanation & skill-gap summary
7. delivery (feed, alerts, caseworker view)
8. feedback events

• Abruf (Retrieval): Two-Tower-Embedding-Modelle über Profil- und Stellentext, kombiniert mit Stichwortsuche und harten Bedingungen (Ort, Arbeitserlaubnis, Sprache, Regelung zum Homeoffice).
• Ranking: Gradient-Boosting- oder neuronale Ranker, trainiert auf implizitem Feedback (Klicks, Merken, Bewerbungen); beachten Sie, dass die Bewerbung ein schwaches, verzerrtes Signal ist und das Einstellungsergebnis selten beobachtet wird.
• Fähigkeitenebene: Die ESCO-Zuordnung liefert mehrsprachige, erklärbare Übereinstimmungen bei Fähigkeiten und Verbindungen zu benachbarten Berufen.
• Karrierewege: Übergänge, gewonnen aus anonymisierten Karriereverläufen oder Taxonomie-Verknüpfungen; ein LLM macht daraus Ratschläge.
• Mensch-in-der-Schleife (Human-in-the-Loop): In Arbeitsverwaltungen prüft und entscheidet der Sachbearbeiter; die arbeitsuchende Person kann ihr Profil jederzeit korrigieren, die Personalisierung abschalten und sehen, warum eine Stelle angezeigt wurde.

Datenaufbereitung

Zwei Datenbestände sind wichtig: Stellenanzeigen und Profile bzw. Lebensläufe der Arbeitsuchenden. Stellenanzeigen liegen im Bewerbermanagementsystem (ATS), auf der Karriereseite, in Jobbörsen und manchmal nur in Word-Dateien oder PDFs; Profile im ATS, in einem HR-System, in der Software der Sachbearbeiter oder als hochgeladene Lebensläufe (PDF, Scans). Taxonomien für Fähigkeiten werden selten gepflegt.

Typische Lücken: unstrukturierte Freitext-Anzeigen, uneinheitliche Stellentitel, fehlende Orts- oder Gehaltsangaben, gescannte oder mehrspaltige Lebensläufe, doppelte Kandidaten, keine Nachweise zu Einwilligung und Aufbewahrung sowie fehlende Ergebnisdaten (Einstellungen), sodass nur Klicks und Bewerbungen als schwache Labels vorliegen. Zugriffsrechte auf Bewerberdaten sind oft zu weit gefasst.

Schritte der Aufbereitung: - Lebensläufe und Anzeigen in strukturierte Felder zerlegen (DOC-014, PREP-007) und Papierakten bei Bedarf digitalisieren (PREP-006). - Titel und Fähigkeiten auf ESCO abbilden und Kategorienschemata festlegen (PREP-019, PREP-015). - Tabellen von Duplikaten befreien und aufräumen (PREP-011); Regeln für Einwilligung und Löschung festlegen (PREP-025). - Trainingsdaten pseudonymisieren (PREP-022) und den Zugriff beschränken (PREP-023). - Einen Testdatensatz mit Recruitern oder Sachbearbeitern aufbauen, einschließlich Fairness-Prüfungen (PREP-018).

Werkzeuge: Dokumenten-Parser, ESCO-API, eine Vektordatenbank und eine Tabellenkalkulation. Rechnen Sie mit etwa 30 bis 40 Prozent des Aufwands für die Datenarbeit. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• enterprise: Weg B, weil eine Karriereseite oder ein HR-System ein Matching braucht, das in die eigenen Stellen, ATS-Daten und Einwilligungsabläufe integriert ist.
• public: Weg C, weil Arbeitsagenturen und Kommunen souveränes Hosting in der EU oder in Deutschland, Erklärbarkeit und Kontrolle nach Vergabe- und öffentlich-rechtlichen Regeln brauchen.
• developer: Weg C, weil offene Embedding- und Ranking-Modelle zusammen mit ESCO volle Kontrolle über Bias-Tests und Erklärungen geben.
• private: Weg A, weil Empfehlungen von Jobbörsen und lokale Apps für einzelne Arbeitsuchende ausreichen.

Weg A — Kaufen (Standardsoftware)

• Jobbörsen und Karriereseiten-Plattformen mit eingebautem Matching: LinkedIn, Indeed, StepStone (DE), Jobware, Xing/New Work (DE), Welcome to the Jungle (FR), Jobtome; für Arbeitgeber ATS-/Karriereseiten- Produkte mit Stellenempfehlungen (z. B. SmartRecruiters, Personio, Join, softgarden - die letzten drei aus der EU).
• Talentmarktplatz / interne Mobilität: Eightfold, Gloat, Beamery, SAP SuccessFactors Opportunity Marketplace; EU-Datenresidenz und Dokumentation nach KI-Verordnung prüfen.
• A wählen, wenn: Sie eine Karriereseite oder ein HR-System betreiben und Empfehlungen als Funktion brauchen, nicht als Produkt.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Embeddings & Ranking: verwaltete Embedding-Modelle (Mistral Embed, Cohere Embed multilingual, OpenAI, Google, Azure OpenAI in EU-Regionen) plus ein Vektorspeicher (Qdrant - EU, Elasticsearch/OpenSearch, Azure AI Search, Vertex AI Vector Search) und ein Reranker (Cohere Rerank, Voyage).
• Verwaltete Empfehlungsdienste: Amazon Personalize, Google Vertex AI Search for commerce/recommendations (nicht stellenspezifisch; Eignung prüfen), Azure AI Search.
• LLM-Ebene: Claude-, Gemini-, GPT- oder Mistral-Modelle mit strukturierter Ausgabe für Erklärungen und Zusammenfassungen von Qualifikationslücken; Endpunkte in EU-Regionen nutzen.
• Taxonomie: ESCO-Webdienst/-API und herunterladbare Datensätze zur Normalisierung von Fähigkeiten [3].
• B wählen, wenn: Sie eigene Stellen- und Interaktionsdaten haben und eine eigene Ranking-Logik brauchen.

Weg C — Selbst betreiben (Open Source)

• Embeddings/Reranker: BGE-M3, multilingual-e5, Qwen3-Embedding und Qwen3-Reranker, Jina-Embeddings.
• Stack: Qdrant, Milvus, pgvector oder OpenSearch; Empfehlungsbibliotheken wie implicit, LightFM, TorchRec, RecBole; LightGBM/XGBoost für Learning-to-Rank.
• LLM für Erklärungen: Open-Weight-Modelle der Familien Mistral, Qwen oder Llama über vLLM.
• Hardware: HW2 genügt für Embeddings, Reranking und ein mittelgroßes LLM; den Index auf CPU- Knoten horizontal skalieren. Typisch für Arbeitsverwaltungen und Anforderungen an die Souveränität im öffentlichen Sektor.

Weg D — Eigenes Training

Lohnt sich für große Plattformen mit Millionen von Interaktionen: Two-Tower- oder Sequenzmodelle trainieren (Transformer über Bewerbungsverläufe) und ein Modell zur Extraktion von Fähigkeiten feintunen. Erfordert Interaktions- protokolle, Ergebnislabels (Einstellungen, Verbleib, soweit rechtlich zulässig) und Daten zur Fairness-Bewertung.

Stand der Technik (2026)

• Hybrider Abruf (dicht + spärlich + harte Filter) mit Cross-Encoder-Reranking ist die übliche Architektur; LLM-Reranker und von LLMs erzeugte Erklärungen werden zunehmend genutzt.
• Matching nach Fähigkeiten ersetzt das Matching nach Titeln; Extraktion auf Basis der Taxonomie (ESCO) verbessert die mehrsprachige Abdeckung [3].
• Dialogbasierte Jobsuche: Chat-Assistenten, die die arbeitsuchende Person befragen und die Empfehlungen verfeinern (siehe CONV-017 für den Recruiting-Chatbot auf Arbeitgeberseite).
• Fairness-Forschung zeigt, dass Empfehlungssysteme Verzerrungen nach Geschlecht und Herkunft bei der Ausspielung und beim Ranking von Stellenanzeigen reproduzieren können; Prüfungen der Anzeigenauslieferung haben eine nach Geschlecht verzerrte Auslieferung bei Stellenanzeigen dokumentiert [4].
• Grenzen: Kaltstart bei neuen Nutzern, spärliches Feedback, veraltete Stellen sowie doppelte oder gefälschte Anzeigen, Beliebtheits- Verzerrung, intransparente Gehälter und LLM-Erklärungen, die plausibel klingen, den Treffer aber falsch darstellen. Ergebnis- Labels (Einstellung) sind knapp, daher werden Klicks als Ersatz genutzt, was in die Irre führen kann.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack wie REC-001/REC-002 (Empfehlungssystem, Embeddings, Vektor-DB, Reranker); eine Retrieval-Plattform kann Produkte, Inhalte und Stellen bedienen.
• REC-016 (wechselseitiges Matching) teilt sich Methoden des zweiseitigen Matchings; REC-018 (Planung von Kursen und Studiengängen) liefert Empfehlungen zur Weiterbildung.
• AGENT-008 / AGENT-033 (Vorauswahl und Sourcing auf Arbeitgeberseite) sind die Gegenseite des Marktes und tragen die Pflichten für Hochrisiko-Systeme; PERS-012 (Bewerbungsassistent) ist der natürliche nachgelagerte Schritt.
• Dokumenten-Parsing im Stil von DOC-014 hilft beim Einlesen von Lebensläufen.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen; Abonnement je Nutzerplatz oder je Anzeige.
• Weg B: 3-6 Monate für Datenpipelines, Ranking, Bewertung und Umgang mit Einwilligungen; die Kosten bestehen hauptsächlich aus Entwicklung und Vektor-/LLM-Inferenz.
• Weg C/D: 6-12 Monate mit einem ML-Team; die GPU-Kosten sind moderat, die Datenarbeit überwiegt.
• Kennzahlen: Klick- und Bewerbungsrate je Empfehlung, Anteil relevanter Bewerbungen, Zeit bis zur ersten Bewerbung, Vermittlungs- oder Einstellungsquote (wo messbar), Abdeckung der Stellen, Vielfalt der Ausspielung, Beschwerde- und Opt-out-Raten, Genauigkeit der Erklärungen.

Menschen & Veränderung

Binden Sie die Geschäftsleitung und die Abteilungsleitung (Personal, Vermittlungsdienst) ein, um festzulegen, was die Empfehlung entscheiden darf und was nicht. Der Betriebsrat oder Personalrat kommt in der Konzeptphase dazu: Werden Recruiter oder Sachbearbeiter protokolliert oder bewertet, greift § 87 Abs. 1 Nr. 6 BetrVG (bzw. die Rechte des Personalrats nach BPersVG und Landesrecht); § 90 Abs. 1 Nr. 3 verlangt eine frühzeitige Information, § 80 Abs. 3 erlaubt einen KI-Sachverständigen, und § 95 Abs. 2a betrifft Auswahlrichtlinien, wenn KI Einstellungen unterstützt. Bei rein auf Arbeitsuchende ausgerichteter Nutzung ohne Überwachung von Beschäftigten kann dies entfallen, daher „abhängig“.

Die oder der Datenschutzbeauftragte ist unverzichtbar: Bewerber- und Profildaten sind personenbezogen, eine Datenschutz-Folgenabschätzung (DSFA) ist wahrscheinlich, und mit jedem Auftragsverarbeiter ist ein AVV nötig (GUIDE-005). KI im Beschäftigungskontext kann nach Anhang III als Hochrisiko-System gelten, mit Pflichten ab dem 2. Dezember 2027; klären Sie das mit der Rechtsabteilung (GUIDE-014). IT und Datenverantwortliche sichern den Zugriff.

KI-Kompetenz: Unterstützen Sie Recruiter und Sachbearbeiter mit Schulungen zu Verzerrungen, Erklärungen und Übersteuerung (GUIDE-006). Pilotieren Sie mit einer Berufsfamilie oder einer Dienststelle, wobei Sachbearbeiter jede Empfehlung bestätigen. Typische Bedenken: Diskriminierung, intransparente Bewertung und Arbeitsplatzverlust. Begegnen Sie ihnen mit Bias-Tests, sichtbaren Gründen, einem Opt-out für Arbeitsuchende und menschlichen Entscheidungsrechten (GUIDE-004, GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Anhang III Nr. 4 führt KI-Systeme für Einstellung und Auswahl (Schalten gezielter Stellen- anzeigen, Analysieren und Filtern von Bewerbungen, Bewerten von Kandidaten) sowie für Entscheidungen, die Arbeitsverhältnisse betreffen, als Hochrisiko auf [5]. Eine neutrale Stellensuche oder ein Empfehlungs-Feed, den die arbeitsuchende Person frei nutzt, ist in der Regel risikoärmer, doch gezielte Stellenwerbung und Systeme, die Kandidaten für Arbeitgeber filtern oder ranken, fallen in den Hochrisiko-Bereich; ein Betreiber muss den Einzelfall einordnen. Auch die Nutzung im öffentlichen Dienst, die über den Zugang zu Leistungen oder Diensten entscheidet, kann Hochrisiko sein (Anhang III Nr. 5). Pflichten für Hochrisiko-Systeme: Risikomanagement, Daten-Governance, Protokollierung, menschliche Aufsicht, Transparenz, Konformitätsbewertung. Art. 5: Emotionserkennung am Arbeitsplatz ist verboten; schließen Sie nicht aus Video oder Stimme auf Emotionen, um zu vermitteln. Die KI-Kompetenz (Art. 4) gilt immer.
• DSGVO: Lebensläufe und Profile sind personenbezogene Daten, möglicherweise besonderer Kategorien (Gesundheit, Behinderung, Herkunft, aus Text abgeleitet). Rechtsgrundlage (Einwilligung oder Vertrag), Datenminimierung, Aufbewahrungsfristen, DSFA bei umfangreichem Profiling, Grenzen nach Art. 22 für ausschließlich automatisierte Entscheidungen mit erheblicher Wirkung und Transparenz über die Logik. Verwenden Sie keine geschützten Merkmale oder enge Stellvertreter-Merkmale für das Ranking.
• Antidiskriminierung: EU-Gleichbehandlungsrichtlinien und nationales Recht (in Deutschland das AGG) gelten für Stellenwerbung und Auswahl; prüfen Sie auf ungleiche Ausspielung nach Geschlecht und Alter.
• Plattformregeln: Das Gesetz über digitale Dienste (DSA) verlangt Transparenz bei den Empfehlungssystemen von Online- Plattformen und eine Option ohne Profiling bei sehr großen Plattformen [6]. Die Plattformarbeits-Richtlinie kann für das algorithmische Management von Plattformbeschäftigten gelten.
• Gegenmaßnahmen: Bias-Audits, Erklärungen in der Oberfläche, Kontrollmöglichkeiten für Nutzer, Prüfung durch menschliche Sachbearbeiter, Protokollierung und getrennte Modelle für Empfehlungen an Arbeitsuchende und für das Ranking auf Arbeitgeberseite.

Erste Schritte

1. Entscheiden, für wen das System handelt (Arbeitsuchende, Arbeitgeber oder Behörde), und die Einstufung nach KI-Verordnung dokumentieren.
2. Stellen- und Interaktionsdaten erfassen; Fähigkeiten und Berufe mit ESCO normalisieren.
3. Eine hybride Retrieval-Basislinie (BM25 + Embeddings + Filter) aufbauen und offline anhand gemerkter/beworbener Stellen bewerten.
4. Reranking und LLM-Erklärungen ergänzen; einen A/B-Test mit Fairness-Kennzahlen je Gruppe durchführen.
5. Nutzerkontrollen bereitstellen (Profil bearbeiten, Personalisierung abschalten, Feedback) und die DSFA abschließen.

Quellen

1. European Commission - ESCO: European Skills, Competences, Qualifications and Occupations - https://esco.ec.europa.eu/en
2. European Network of Public Employment Services - https://ec.europa.eu/social/main.jsp?catId=1100
3. ESCO web services and download - https://esco.ec.europa.eu/en/use-esco
4. Ali et al. (2019), Discrimination through optimization: how Facebook's ad delivery can lead to skewed outcomes - https://arxiv.org/abs/1904.02095
5. Regulation (EU) 2024/1689 (AI Act), Annex III - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. Regulation (EU) 2022/2065 (Digital Services Act) - https://eur-lex.europa.eu/eli/reg/2022/2065/oj
7. Qdrant vector database documentation - https://qdrant.tech/documentation/
8. BGE-M3 embedding model - https://huggingface.co/BAAI/bge-m3