Klassische Personalvermittlungen sind gut in dem, wofür sie gebaut wurden: gut verständliche Rollen mit angemessenem Tempo gegen ein ablesbares Fähigkeitsprofil zu besetzen. KI-Hiring bricht alle drei dieser Annahmen gleichzeitig, das Fähigkeitsprofil ist aus einem Lebenslauf nicht ablesbar, das vom Markt geforderte Tempo übersteigt, was die Ökonomie der Agentur trägt, und die Rollen sind spezialisiert genug, dass generalistische Prüfung in großem Maßstab falsch-positive Ergebnisse produziert. Hier die konkrete, nicht generische Aufschlüsselung, warum das passiert und was es kostet.
Versagensmuster 1: Generalisten-Recruiter:innen können KI-Kandidat:innen technisch nicht prüfen
Ein:e Berater:in in der klassischen Personalvermittlung ist typischerweise hervorragend darin, Menschen einzuschätzen, einen Suchprozess zu führen und zwischen zwei Seiten zu verhandeln. Nichts davon hilft, wenn die eigentliche Frage lautet, ob eine Kandidatin eine Retrieval-Pipeline entwerfen kann, die unter Produktionslast hält, oder ob ihre „3 Jahre ML-Erfahrung“ das einmalige Fine-Tuning eines einzelnen Klassifikators waren. Ohne praktische KI-/ML-Erfahrung ist die ehrliche Antwort: Ein:e Generalisten-Recruiter:in kann das nicht unterscheiden. Das Ergebnis ist nicht, dass schlechte Kandidat:innen nie geprüft werden, sondern dass die Prüfung an der falschen Stelle passiert, nach der Einstellung durch den Kunden, statt vor Übergabe der Shortlist.
Versagensmuster 2: Langsame Prozesse verlieren die besten Kandidat:innen
Eine klassische Personalvermittlungssuche, vom Briefing bis zum unterschriebenen Vertrag, dauert üblicherweise 4-6 Wochen, bei Senior- oder Nischenrollen oft länger. Starke Senior-KI-Kandidat:innen im engen deutschen Markt haben typischerweise innerhalb von zwei bis drei Wochen nach Aktivwerden mehrere Angebote auf dem Tisch. Bis der Prozess einer klassischen Agentur die Interviewphase erreicht, hat die beste Kandidatin der ursprünglichen Shortlist häufig bereits woanders schneller zugesagt. Was strukturell übrig bleibt, tendiert zu Kandidat:innen, die länger verfügbar waren, weil sie schwerer anderswo zu platzieren waren, kein vielversprechendes Signal.
Versagensmuster 3: Volumenbasierte Ökonomie treibt Quantität statt Fit
Kontingenzbasierte Personalvermittlungen werden typischerweise nur bezahlt, wenn eine Kandidatin eingestellt wird, und konkurrieren dabei oft mit anderen Agenturen um dieselbe Rolle. Die rationale Reaktion auf diese Anreizstruktur ist, so viele Kandidat:innen wie möglich, so schnell wie möglich einzureichen, denn mehr Einreichungen bedeuten mehr Chancen, die Agentur zu sein, die die Provision erhält. Das ist bei KI-Rollen genau falsch herum, wo der Wert in einer kleinen Zahl tiefgeprüfter Kandidat:innen liegt, nicht in einem breiten Netz. Volumenoptimiertes Sourcing und tiefenoptimierte Prüfung stehen in direkter Spannung, und die Gebührenstruktur löst diese Spannung zugunsten des Volumens auf.
Wo die echten Kosten landen, stromabwärts
Keines dieser drei Versagensmuster zeigt sich als offensichtliches Problem im Moment der Besetzung, eine plausibel wirkende Kandidatin wird eingestellt, und alle machen weiter. Die Kosten treten drei bis sechs Monate später zutage: ein Modell, das nie in Produktion geht, ein Team, das stillschweigend um eine Einstellung herumarbeiten muss, die über KI reden, aber keine bauen kann, oder eine Kündigung, die die Suche bei null neu startet, diesmal unter mehr Zeitdruck als beim ersten Versuch. Schätzungen für die vollständigen Kosten einer schlechten Senior-Tech-Einstellung liegen häufig beim 1,5- bis 3-Fachen des Jahresgehalts, sobald Produktivitätsverlust, Team-Störung und die zweite Suche eingerechnet werden, und generalistische KI-Prüfung ist ein struktureller Treiber genau dieses Ergebnisses.
Was die Lücke tatsächlich schließt
- Technische Bewertung durch Menschen, die echte KI-Systeme ausgeliefert haben, nicht durch Recruiter:innen, die Lebensläufe nach Stichwortdichte lesen.
- Ein verdichteter, paralleler Prozess (Sourcing, Screening, Referenzprüfung laufen zusammen, nicht nacheinander), der eine geprüfte Shortlist in Tagen statt Wochen liefert.
- Gebühren- und Prozessstrukturen, die treffgenauen Fit statt Einreichungsvolumen belohnen, weniger Kandidat:innen, jede bereits über einer echten technischen Hürde.
- Bewusstsein für Subspezialisierung, ML Engineering, MLOps, angewandte Forschung und LLM-/Agenten-Engineering als tatsächlich unterschiedliche Rollen mit unterschiedlicher Prüfung behandeln, nicht als einen „KI“-Topf.