Wechselseitiges Matching (Networking auf Veranstaltungen, Mentoring, B2B-Partnervermittlung, Dating)

Auf Konferenzen, Messen, Mentoring-Programmen und in Dating-Apps schafft eine Empfehlung nur dann Nutzen, wenn beide Seiten sie annehmen. Wechselseitige Empfehlungssysteme bewerten die gegenseitige Passung, beachten Kapazitätsgrenzen und verteilen die Aufmerksamkeit fair, damit beliebte Profile nicht überflutet werden. Veranstalter erhalten mehr und bessere Treffen; Teilnehmende verbringen weniger Zeit mit der Suche.

Problem & Nutzen

• Heute: Teilnehmende blättern durch lange Listen oder verlassen sich auf zufällige Begegnungen; Kammern und Mentoring-Programme ordnen Personen von Hand anhand von Fragebögen zu; Dating-Apps ranken nach Attraktivitätssignalen, was die Aufmerksamkeit auf wenige Profile konzentriert.
• KI-Nutzen: bessere erste Treffen, weniger Aufwand für Veranstalter, höhere Zufriedenheit und eine fairere Sichtbarkeit. Ein einseitiges Ranking (wie in REC-008, KNOW-012, KNOW-017, AGENT-008) genügt nicht, denn der beste Kandidat für A ist womöglich nicht verfügbar oder nicht interessiert, was die Zeit beider Seiten verschwendet.
• Belege: Anbieter für Event-Matching wie Brella und Grip verkaufen dies als Kernfunktion, und Umfragen zu Geschäftsreisen berichten von breitem Interesse der Planer an KI-Matching [1][2]. Belastbare, unabhängige Zahlen zur Verbesserung sind selten; messen Sie Ihre eigene Ausgangslage.

Varianten

• Veranstaltungen und Messen: Matching von Teilnehmer zu Teilnehmer und von Aussteller zu Einkäufer mit Terminplanung für 1:1-Gespräche.
• Geschäftliche Kooperation: Industrie- und Handelskammern und das Enterprise Europe Network vermitteln Unternehmen für Partnerschafts- und Kooperationsbörsen [3].
• Mentoring- und Buddy-Programme: Mentor-Mentee, Onboarding-Buddys, Alumni, Sprach-Tandems, Ehrenamt.
• Öffentliche Programme: Gründungsförderung, Vermittlung zwischen Forschung und Wirtschaft.
• Dating- und Freundschafts-Apps (private Nutzung): die sensibelste Variante, mit besonderen Datenkategorien und Manipulationsrisiko.

So funktioniert es

1. Profile + Ziele + (Angebote / Bedarfe) + Rückmeldungen
2. Embeddings und strukturierte Merkmale (Branche, Rolle, Sprache, Verfügbarkeit)
3. gerichteter Score s(A
4. B) und s(B
5. A)
6. wechselseitige Kombination (z. B. harmonisches Mittel oder Produkt, Mindestschwelle für beide Richtungen)
7. Überlastungs- und Fairnesssteuerung (Kapazitätsgrenzen, Re-Ranking der Sichtbarkeit)
8. Zuordnung / Terminplanung (Matching mit Zeitfenstern)
9. Einladungen
10. Zusage-/Absage-Rückmeldung
11. Modellaktualisierung

• Gerichtete Bewertung: Text-Embeddings frei formulierter Ziele und Kurzbiografien, plus ein Gradient-Boosted- oder Two-Tower-Modell, das auf früheren Zusagen trainiert wurde. LLMs erzeugen kurze Erklärungen „Warum Sie zusammenpassen“ und können unordentliche Profile vereinheitlichen; sie sollten das Match nicht allein entscheiden.
• Wechselseitigkeit: beide Richtungen werden kombiniert, damit ein einseitig starkes Signal kein Match erzeugt, das die andere Seite ablehnen würde.
• Überlastung und Kapazität: als Zuordnungsproblem behandeln (bipartites Matching, Optimierungs- Solver) mit Grenzen für Treffen pro Person, Tischplätze und Mentoren-Stunden.
• Mensch-in-der-Schleife (Human-in-the-Loop): Veranstalter legen Regeln fest und prüfen Grenzfälle; Teilnehmende können Profildaten bearbeiten, ablehnen und der Aufnahme in Empfehlungen widersprechen.

Datenaufbereitung

Benötigt werden Teilnehmerprofile (Rolle, Interessen, Ziele, Angebote und Bedarfe), Anmeldedaten, Verfügbarkeit und Kapazität. Sie liegen typischerweise im Anmeldewerkzeug, in einem CRM oder einer Mitgliederdatenbank, in Excel-Listen und E-Mail-Antworten; bei internem Mentoring auch im HR-System.

Typische Lücken: kurze oder vage Freitextprofile, doppelte Anmeldungen, keine strukturierten Felder für „Ich biete / Ich suche“, fehlende Einwilligung zur Weitergabe von Profilen und veraltete Mitgliederdaten.

Schritte der Aufbereitung: das Anmeldeformular mit einigen strukturierten Auswahlfeldern plus einem Freitextfeld neu gestalten, Unternehmen und Berufsbezeichnungen bereinigen und vereinheitlichen (PREP-011), ein kleines Kategorienschema für Themen vereinbaren (PREP-019) und die Einwilligung zur Weitergabe von Profilen festhalten (PREP-025). Zusagen und Absagen der ersten Runde als Feedback erfassen (PREP-021). Werkzeuge sind der Export der Anmeldeplattform, eine Tabellenkalkulation und optional OpenRefine zur Bereinigung.

Der Aufwandsanteil ist gering, etwa 10 bis 20 Prozent, überwiegend für die Neugestaltung des Formulars. Sensible Merkmale sollten nur erhoben werden, wenn es unbedingt nötig ist; pseudonymisieren Sie Exporte, die für Tests verwendet werden (PREP-022).

Umsetzungswege

Welcher Weg für wen

• KMU: A. Plattformen für Veranstaltungen, Mentoring und Matching mit eingebautem Matching sind ausgereift, in der EU hostbar und für Kammern, Verbände und Veranstalter erschwinglich.
• Großunternehmen (Enterprise): B. Internes Mentoring oder Partner-Matching muss an HR- oder CRM-Daten und Identitätssysteme angebunden werden; daher passt ein Aufbau auf Cloud-APIs mit Embeddings und einem Optimierer besser.
• Entwickler: C. Embeddings, eine Vektordatenbank und ein Solver (z. B. OR-Tools) laufen selbst betrieben auf bescheidener Hardware und vermeiden die Weitergabe von Teilnehmerprofilen.
• Öffentlicher Sektor: C. Programme öffentlicher Stellen, Hochschulen oder Kammern bevorzugen aufgrund von Teilnehmerdaten und Vergaberegeln selbst betriebene Lösungen oder eine souveräne EU-Cloud.
• Privat: A. Dating-, Community- und Networking-Apps liefern das Matching bereits; ein Eigenbau lohnt sich nicht.

Weg A — Kaufen (Standardsoftware; empfohlen für die meisten Veranstalter und Privatnutzer)

• Veranstaltungsplattformen mit KI-Matching: Brella (Finnland, EU), Grip (Niederlande, EU), Swapcard, Bizzabo, Cvent, Suiten im Stil von Hopin; B2B-Kooperationswerkzeuge, die im Enterprise Europe Network genutzt werden [1][3].
• Mentoring-Software: Chronus, MentorcliQ, PushFar (UK), Together; viele HR-Suiten enthalten Mentoring-Module.
• Dating: Verbraucher-Apps sind geschlossene Produkte; ein Eigenbau ist ein Thema für Weg B/C.
• A wählen, wenn: die Veranstaltung oder das Programm zeitlich begrenzt ist, die Volumina bei Hunderten bis Zehntausenden liegen und Veranstalter Terminplanung, App- und Badge-Integration brauchen statt eines eigenen Modells. Prüfen Sie Hosting in der EU, Auftragsverarbeitungsvertrag und die Gestaltung der Einwilligung (Opt-in).

Weg B — Auf Cloud-KI-Diensten aufbauen

• Embeddings: Embedding-APIs von EU-Anbietern oder aus EU-Regionen (z. B. Mistral Embed, Azure OpenAI in EU-Regionen, Vertex AI an EU-Standorten); Vektoren in Qdrant oder pgvector speichern.
• LLM-Schicht: ein führendes oder EU-Modell zur Profilbereinigung, Extraktion von Interessen und für Erklärungen zu Treffern, mit strukturierten Ausgaben.
• Terminplanung: Google OR-Tools CP-SAT oder ein ähnlicher Solver für Terminfenster [4].
• B wählen, wenn: Sie wiederkehrende Programme betreiben und eigene Regeln sowie Ihre eigene CRM- oder Ticketing-Integration wünschen.

Weg C — Selbst betreiben (Open Source)

• Embeddings und Reranker: BGE-M3 (mehrsprachig) und offene Reranker über sentence-transformers [5]; kleine offene LLMs (Klasse Mistral, Qwen, Llama) für Erklärungen.
• Stack: Qdrant oder pgvector, LightFM / implicit / RecBole für kollaborative Signale, OR-Tools für die Zuordnung, n8n für Workflows.
• Hardware: HW1 genügt für Profil-Embeddings von einigen zehntausend Personen; HW2, wenn Sie zusätzlich ein lokales LLM betreiben.

Weg D — Eigenes Training

Lohnt sich für große Verbraucherplattformen mit Millionen von Interaktionen: Two-Tower- oder Graph-Neural- Networks, trainiert auf gegenseitigen Zusagen, mit Bandit-Exploration für den Kaltstart neuer Nutzer. Erfordert viele gelabelte Ergebnisse von Zusagen und Absagen; die meisten Veranstaltungen und Mentoring-Programme erreichen dieses Volumen nicht.

Stand der Technik (2026)

• Forschung zu wechselseitigen Empfehlungssystemen behandelt das Problem als Vorhersage gegenseitigen Interesses, indem gerichtete Werte kombiniert und anschließend Überlastung korrigiert wird; neuere Arbeiten ergänzen Embeddings, LLM-basiertes Profilverständnis und fairnessbewusstes Re-Ranking [6].
• Typisches Produktionsrezept: Embedding-Retrieval, gelerntes Re-Ranking, Optimierung der Zuordnung, Erklärungen durch ein LLM und Bandit-Feedback.
• Grenzen und Fehlerbilder: Kaltstart (neue Teilnehmende mit leeren Profilen), selbst angegebene Ziele, die das tatsächliche Interesse nicht vorhersagen, Konzentration auf Beliebtes, Popularitätsverzerrung, die demografische Verzerrung reproduziert, Nichterscheinen und Erklärungen, die plausibel klingen, die andere Person aber falsch beschreiben. Angegebene Präferenzen weichen oft vom tatsächlichen Verhalten ab, besonders beim Dating.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (Recommender, embedding-text, vector-db): REC-008 Stellenempfehlungen, REC-010 B2B- Empfehlungen, REC-004 Segmentierung, KNOW-017 Abgleich von Förderungen und Ausschreibungen.
• Kombinierbar mit: KNOW-012 Expertensuche, AGENT-008 Kandidaten-Matching (Hinweis: die Personalauswahl ist hochriskant), Kalender- und Terminplanungs-Agenten sowie Veranstaltungskommunikation.
• Vektorindex und Embedding-Dienst lassen sich über Programme hinweg gemeinsam nutzen.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen, Abonnement-Preise pro Veranstaltung oder pro Nutzerplatz.
• Weg B: 1-3 Monate einschließlich Integration und Einwilligungsablauf.
• Weg C: 2-4 Monate; kleiner Server plus Betrieb.
• Weg D: Quartale, spezialisiertes Team.
• Kennzahlen: angenommene und stattgefundene Treffen, Quote gegenseitiger Zusagen, Quote des Nichterscheinens, Zufriedenheit nach der Veranstaltung, Ungleichheit der Sichtbarkeit (Gini-Koeffizient der erhaltenen Empfehlungen), Zeit bis zum ersten Treffen, Verbleib im Programm.

Menschen & Veränderung

Beziehen Sie die Programm- oder Veranstaltungsleitung als Prozessverantwortliche, die Geschäftsleitung für die Ziele (Fairness, Zahl der Treffen), die IT für die Anbindung von Anmeldung und Identitäten, die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten für Einwilligung, Weitergabe von Profilen und besondere Datenkategorien (vor allem beim Dating) sowie die Teilnehmenden selbst ein, die verstehen und darauf vertrauen müssen, wie Matches entstehen. Kundinnen und Kunden sind hier die Teilnehmenden.

Betriebsrat: abhängig vom Einzelfall. Bei Veranstaltungen und Mitgliedernetzwerken ist er meist nicht beteiligt. Bei internem Mentoring, Partner-Matching von Beschäftigten oder dem Einsatz in HR gilt er: § 87 Abs. 1 Nr. 6 BetrVG, wenn das System das Verhalten von Beschäftigten protokolliert oder auswertet, § 90 Abs. 1 Nr. 3 für die Unterrichtung über KI-gestützte Prozesse und § 95 Abs. 2a, wenn das Matching in Auswahl- oder Einsatzrichtlinien einfließt. Öffentliche Stellen beteiligen den Personalrat.

Datenschutz: Profile sind personenbezogene Daten; AVV mit dem Plattformanbieter, Prüfung durch die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten und eine DSFA, wenn das Profiling umfangreich oder sensibel ist. Matching, das über den Zugang zu Beschäftigung entscheidet, kann die Hochrisiko-Regeln der KI-Verordnung (AI Act) berühren, siehe GUIDE-014.

KI-Kompetenz: unterstützen Sie Veranstalter mit einer kurzen Einweisung zu Verzerrungen und Popularitätseffekten (GUIDE-006). Führen Sie einen Pilot mit einer Veranstaltung oder einer Mentoring-Kohorte durch, lassen Sie die Teilnehmenden ein- und aussteigen, erklären Sie, warum ein Match vorgeschlagen wurde, und sorgen Sie dafür, dass der Veranstalter Zuordnungen übersteuern kann. Bedenken zu Datenschutz und Fairness begegnen Sie mit Transparenz und Opt-out. Siehe GUIDE-008, GUIDE-009 und GUIDE-005.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): bei Veranstaltungen und Mentoring meist minimal. Wird hochriskant, wenn es für Auswahl im Beschäftigungskontext (Anhang III, z. B. Recruiting oder Zuteilung von Arbeitsmöglichkeiten) oder für den Zugang zu Bildung oder wesentlichen öffentlichen Programmen eingesetzt wird. Zu vermeidende Verbote nach Art. 5: manipulative oder täuschende Techniken, die das Verhalten verzerren und erheblichen Schaden verursachen (relevant für auf Engagement getrimmte Dating-Apps), das Ausnutzen von Schwächen aufgrund von Alter oder Behinderung sowie Emotionserkennung am Arbeitsplatz oder in Bildungs- einrichtungen. Chatbot-artige Profilassistenten brauchen Transparenz nach Art. 50 [7].
• DSGVO: Profile sind personenbezogene Daten; Rechtsgrundlage normalerweise Einwilligung oder Vertrag. Dating-Daten können die sexuelle Orientierung offenbaren, eine besondere Datenkategorie nach Art. 9, die eine ausdrückliche Einwilligung erfordert. Geben Sie Kontaktdaten erst nach gegenseitiger Zusage weiter; sehen Sie Opt-out, Löschung und Datenminimierung vor; eine DSFA ist bei Dating und Profiling in großem Umfang ratsam [8].
• DSA/Plattformpflichten: Dating- und Community-Plattformen unterliegen Melde- und Abhilfepflichten sowie Pflichten zum Jugendschutz.
• Weitere Risiken: Diskriminierung über Stellvertretermerkmale (Alter, Geschlecht, Nationalität), Belästigung und Romance- Scams auf Dating-Apps, ungewollte Offenlegung von Teilnehmerlisten, Stalking über gemeinsame Teilnahmedaten.
• Gegenmaßnahmen: Sichtbarkeit nur mit Opt-in, Ausschluss geschützter Merkmale aus der Bewertung, Obergrenzen für die Sichtbarkeit, Fairness-Audits, Melde- und Sperrfunktionen, Prüfung durch menschliche Veranstalter.

Erste Schritte

1. Das Ziel des Matchings und die Erfolgskennzahl festlegen (stattgefundene Treffen, abgeschlossenes Mentoring) und eine Ausgangslage erheben.
2. Minimale Profildaten mit ausdrücklicher Einwilligung erheben; nach Angeboten und Bedarfen fragen, nicht nur nach Berufsbezeichnungen.
3. Ein Werkzeug nach Weg A oder einen einfachen Prototyp aus Embeddings plus Regeln bei einer Veranstaltung erproben.
4. Wechselseitige Bewertung, Kapazitätsgrenzen und Zusage-/Absage-Feedback ergänzen und dann die Fairness der Sichtbarkeit prüfen.
5. Vor einer Ausweitung eine DSFA und die Einstufung nach der KI-Verordnung (AI Act) durchführen, besonders bei Einsatz in HR oder Dating.

Quellen

1. Brella — AI-powered event networking and matchmaking — https://www.brella.io
2. Grip — event matchmaking — https://www.grip.events
3. Enterprise Europe Network (European Commission) — https://een.ec.europa.eu
4. Google OR-Tools — https://developers.google.com/optimization
5. BGE-M3 multilingual embedding model — https://huggingface.co/BAAI/bge-m3
6. Reciprocal recommender systems literature overview (RecSys / arXiv search) — https://arxiv.org/search/?query=reciprocal+recommender+systems&searchtype=all
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj