KI-Recruiting in der IT-Branche: Worauf es bei Tech-Kandidaten wirklich ankommt

149.000 offene IT-Stellen in Deutschland. 7 Monate durchschnittliche Time-to-Hire. 30 % Abbruchquote im Bewerbungsprozess. Die Zahlen zeigen: IT-Recruiting funktioniert nach anderen Regeln.

Klassisches Screening versagt bei Tech-Kandidaten. KI kann helfen — wenn sie richtig eingesetzt wird. Dieser Artikel erklärt die Besonderheiten, die Grenzen und die konkreten Best Practices.

Warum IT-Recruiting besonders ist

Skills veralten schnell

Eine Technologie, die 2024 Standard war, kann 2026 irrelevant sein. Angular vs. React vs. Svelte. Docker Compose vs. Kubernetes. On-Premise vs. Cloud-Native. Recruiter ohne Tech-Hintergrund können die Relevanz von Skills oft nicht einschätzen.

Das bedeutet: Stellenbeschreibungen müssen regelmäßig aktualisiert werden. Ein Anforderungsprofil von vor 18 Monaten kann bereits veraltet sein. Fragen Sie die Fachabteilung vor jeder neuen Ausschreibung: „Stimmen die technischen Anforderungen noch?"

CVs sind unkonventionell

Viele Entwickler haben keinen klassischen Lebenslauf. Stattdessen: GitHub-Profile mit Hunderten Commits, Portfolio-Websites mit Live-Projekten, Open-Source-Beiträge in relevanten Repositories, Stack-Overflow-Profile mit hoher Reputation.

Ein Quereinsteiger mit 200 GitHub-Commits in Rust kann stärker sein als ein Informatiker mit 10 Jahren Java-Erfahrung und leerem GitHub-Profil. Klassisches CV-Screening erfasst diese Realität nicht.

Formale Abschlüsse verlieren an Bedeutung

42 % der Entwickler in Deutschland haben keinen Informatik-Abschluss. Bootcamp-Absolventen, Autodidakten und Quereinsteiger prägen den Markt. Google, Apple und IBM haben formale Abschlussanforderungen für die meisten Positionen gestrichen.

Wer im Stellenprofil „Studium der Informatik oder vergleichbar" als Must-have setzt, verliert fast die Hälfte der Kandidaten. Die bessere Formulierung: „Nachweisbare Kenntnisse in der Softwareentwicklung, z. B. durch Studium, Ausbildung, Bootcamp oder Projekterfahrung."

Der Markt ist kandidatengetrieben

IT-Fachkräfte haben die Wahl. Im Schnitt 4–5 offene Angebote gleichzeitig. Die besten Entwickler sind nach 10 Tagen vom Markt. Wer 3 Wochen für eine Rückmeldung braucht, verliert den Kandidaten an die Konkurrenz.

Geschwindigkeit ist im IT-Recruiting kein Luxus. Es ist ein Muss. Jeder Tag Verzögerung kostet potenzielle Top-Kandidaten.

Wo traditionelles Screening versagt

Keyword-Matching ist zu starr

Ein Recruiter sucht nach „Kubernetes-Erfahrung". Der beste Kandidat hat 3 Jahre mit Docker Swarm gearbeitet, kennt Container-Orchestrierung aus dem Effeff und hat sich in 2 Wochen in Kubernetes eingearbeitet. Keyword-Matching findet ihn nicht.

Weitere Beispiele: „React" wird nicht gefunden, wenn der Kandidat „React.js" oder „ReactJS" schreibt. „Machine Learning" wird nicht mit „ML" oder „maschinelles Lernen" verknüpft. „DevOps" kann 20 verschiedene Skillsets bedeuten.

Erfahrungsjahre sind irrelevant

5 Jahre Erfahrung in einer Sprache sagen wenig über die tatsächliche Kompetenz. Ein Entwickler mit 2 Jahren intensiver Open-Source-Arbeit, eigenen Projekten und aktiver Community-Beteiligung kann produktiver sein als einer mit 8 Jahren Copy-Paste-Programmierung in einem Konzern.

Die Tiefe zählt, nicht die Dauer. Und Tiefe lässt sich aus einem CV nur schwer herauslesen. Kontext hilft: „Architektur und Implementierung eines Echtzeit-Datenverarbeitungssystems für 10.000 Events/Sekunde" deutet auf Tiefe hin. „Wartung bestehender Java-Anwendungen" weniger.

Jobtitel sind nicht standardisiert

„Full-Stack Developer", „Software Engineer", „Backend Developer", „Platform Engineer", „Site Reliability Engineer" — oft beschreiben sie ähnliche Rollen. Oder völlig unterschiedliche. Ein „Frontend Developer" bei einem Startup macht oft auch Backend. Ein „Software Engineer" bei Google hat andere Aufgaben als einer bei einem 50-Personen-Unternehmen.

Ein ATS, das nach exakten Titeln filtert, schließt passende Kandidaten aus. Und es lässt unpassende durch.

Die Screening-Last ist zu hoch

Eine ausgeschriebene Senior-React-Stelle generiert 150–300 Bewerbungen. 60 % davon sind Fehlbewerbungen: Junior-Entwickler, die sich als Senior bewerben; Backend-Entwickler, die Frontend-Skills übertreiben; Kandidaten ohne relevante Erfahrung, die es trotzdem versuchen.

Manuell 200 Tech-CVs zu sichten, dauert 20+ Stunden. Ohne Tech-Wissen im HR-Team dauert es noch länger. Und die Qualität der Bewertung sinkt mit jeder Stunde.

Was KI bei Tech-CVs leisten kann

Tech-Stack-Analyse

LLM-basierte Systeme verstehen Technologie-Zusammenhänge. Sie erkennen: Wer Kubernetes kennt, hat wahrscheinlich auch Docker-Erfahrung. Wer React beherrscht, kennt JavaScript und wahrscheinlich TypeScript. Wer „Flask" im CV hat, arbeitet mit Python.

Diese semantische Analyse geht weit über Keywords hinaus. Sie erstellt ein Kompetenzprofil, das technologische Verwandtschaften berücksichtigt. Das reduziert False Negatives: Kandidaten, die passend sind, aber andere Begriffe verwenden.

Projektbewertung statt Titelbewertung

KI kann Projektbeschreibungen analysieren und den Umfang einschätzen. „Entwicklung einer Echtzeit-Datenplattform für 50.000 Nutzer mit Python, Kafka und PostgreSQL" sagt mehr als der Jobtitel „Backend Developer".

Das System erkennt: Dieses Projekt erfordert Erfahrung mit verteilten Systemen, Streaming-Technologien und Datenbanken. Es war kein CRUD-Projekt. Es war ein komplexes System. Diese Einschätzung fließt in den Score ein.

Skill-Level-Einschätzung

Anhand von Kontext kann KI zwischen Grundkenntnissen und Expertenwissen unterscheiden. „Einführung von Terraform für 3 Teams, 200 Ressourcen, Migration von manueller Infrastruktur" deutet auf Expertise hin. „Terraform im Rahmen eines zweitägigen Workshops ausprobiert" auf Grundkenntnisse.

Die Unterscheidung ist nicht perfekt. Aber sie ist besser als keine Unterscheidung. Und sie spart Ihnen die Zeit, das selbst aus 200 CVs herauszulesen.

Schnelle Vorauswahl

200 CVs in 10 Minuten statt 20 Stunden. Bei kandidatengetriebenen Märkten zählt Geschwindigkeit. KI ermöglicht eine qualifizierte Rückmeldung innerhalb von 24 Stunden statt 2–3 Wochen.

Das verbessert nicht nur die Candidate Experience. Es erhöht Ihre Chance, Top-Kandidaten zu gewinnen. Wer als erster mit einem sinnvollen Gesprächsangebot reagiert, hat einen Vorteil.

Konsistente Bewertung

Der 200. CV wird genauso sorgfältig bewertet wie der erste. Keine Müdigkeit, kein Zeitdruck, keine Freitagsnachmittag-Bewertung. Das ist besonders bei hohem Bewerbungsvolumen ein entscheidender Vorteil.

Was KI bei Tech-CVs nicht leisten kann

Code-Qualität bewerten

Kein CV-Screening-Tool kann beurteilen, ob jemand sauberen, wartbaren Code schreibt. Ob Tests geschrieben werden. Ob Code-Reviews konstruktiv sind. Ob Architekturentscheidungen sinnvoll begründet werden.

Dafür brauchen Sie Coding-Tests (HackerRank, Codility), Pair-Programming-Sessions oder technische Interviews. KI-Screening ersetzt keines dieser Instrumente. Es identifiziert die Kandidaten, bei denen sich der Aufwand lohnt.

System-Design-Kompetenz erkennen

Die Fähigkeit, skalierbare Systeme zu entwerfen, zeigt sich selten im CV. Sie zeigt sich in System-Design-Interviews: „Wie würden Sie einen URL-Shortener für 1 Milliarde Requests/Tag bauen?"

Das ist Gesprächsthema. Nicht Screening-Thema. Mehr zur Kombination von KI-Scores und Interviews finden Sie in unserem Artikel über Bewerbungsgespräche mit KI-Ranking.

Teamfähigkeit einschätzen

Ob ein Entwickler gut im Team arbeitet, Code-Reviews ernst nimmt, in Meetings konstruktiv beiträgt und Wissen teilt, ist aus dem Lebenslauf nicht erkennbar. Manche der besten Entwickler sind schwierige Teamkollegen. Manche der freundlichsten liefern unterdurchschnittlichen Code.

Lernbereitschaft messen

Tech ändert sich schnell. Die Bereitschaft, neue Technologien zu lernen, ist oft wichtiger als der aktuelle Tech-Stack. KI kann nur bewerten, was ist. Nicht, was sein könnte. Ein Kandidat, der alle 18 Monate eine neue Technologie gelernt hat, zeigt Lernbereitschaft. Aber das ist ein Proxy, kein Beweis.

Kultur und Motivation klären

Will jemand wirklich zu einem 80-Personen-Mittelständler? Oder bewirbt sich die Person nur als Backup, während sie auf das Google-Angebot wartet? Diese Fragen beantwortet kein Algorithmus. Klären Sie sie im Gespräch.

Best Practices für KI-gestütztes IT-Recruiting

1. Kriterien technisch präzise formulieren

Nicht: „Programmierkenntnisse". Sondern: „Erfahrung mit mindestens einer der Sprachen: Python, Go, Rust. Minimum 2 Jahre in professionellem Umfeld." Je präziser die Stellenbeschreibung, desto besser das Ergebnis.

Arbeiten Sie mit der Fachabteilung zusammen. Lassen Sie sich erklären, warum eine bestimmte Technologie wichtig ist. Fragen Sie: „Ist das ein Must-have oder kann sich jemand in 3 Monaten einarbeiten?"

2. Must-haves auf Kernkompetenzen begrenzen

Maximal 4 technische Must-haves. Beispiel für eine Backend-Stelle:

Mindestens 3 Jahre Erfahrung in Python oder Go
REST-API-Entwicklung in Produktionsumgebung
Erfahrung mit relationalen Datenbanken (PostgreSQL, MySQL)
Git und gängige Branching-Strategien

Alles andere ist Nice-to-have. Cloud-Erfahrung, CI/CD, Containerisierung, Monitoring — sinnvoll, aber kein Ausschlusskriterium. Ein guter Entwickler lernt Kubernetes in 4 Wochen. Tiefes Python-Wissen braucht 4 Jahre.

3. Semantisches Matching statt Keyword-Listen

Nutzen Sie KI-Systeme, die Zusammenhänge verstehen. HireSift erkennt, dass „Flask" und „Django" beide Python-Web-Frameworks sind. Dass „AWS Lambda" und „Serverless" zum gleichen Kontext gehören. Dass „React Native" und „React" verwandt, aber nicht identisch sind.

Das reduziert False Negatives um 30–40 % gegenüber Keyword-Matching. Sie verpassen weniger geeignete Kandidaten.

4. Zwei Scores nutzen

Der CV Match zeigt die Gesamtqualität des Profils. Der HireSift Score zeigt die Passung zu Ihren spezifischen Kriterien.

Ein Kandidat mit CV Match 90 und HireSift Score 60 ist stark, aber nicht für diese spezifische Stelle. Vielleicht für eine andere. Ein Kandidat mit CV Match 70 und HireSift Score 85 ist kein Star-Profil, passt aber genau auf Ihre Stelle. Beide Informationen sind wertvoll.

5. Schnell reagieren

KI-Screening macht Geschwindigkeit möglich. Nutzen Sie das. Top-IT-Kandidaten sind nach 10 Tagen vom Markt. Definieren Sie einen Prozess:

Tag 1: Bewerbung eingeht, KI-Screening läuft
Tag 2: Top-Kandidaten erhalten Einladung zum Telefonat
Tag 3–5: Erstes Telefonat (30 Minuten)
Tag 7–10: Technisches Interview oder Coding-Challenge
Tag 12–15: Angebot

5 Werktage vom Eingang bis zum technischen Interview. Das ist ambitioniert. Aber machbar. Und es erhöht Ihre Zusagequote dramatisch.

6. Fachabteilung einbinden

Lassen Sie die Fachabteilung die Kriterien definieren. Nicht das HR-Team. HR moderiert den Prozess. Die Fachabteilung bestimmt die Inhalte. Das gilt besonders für die Gewichtung: Ist Docker-Erfahrung ein Must-have oder ein Nice-to-have? Das kann nur jemand entscheiden, der die tägliche Arbeit kennt.

Wie HireSift Tech-CVs verarbeitet

HireSift nutzt LLMs, die technische Kontexte verstehen. Das System:

Erkennt Tech-Stacks und ordnet sie nach Relevanz für die Stelle
Analysiert Projektbeschreibungen auf Komplexität und Umfang
Bewertet Skill-Level anhand von Kontextinformationen
Versteht Technologie-Verwandtschaften (React → JavaScript → TypeScript)
Gewichtet Praxiserfahrung höher als Zertifizierungen
Erkennt Quereinsteiger-Profile und bewertet sie fair

Gleichzeitig bleibt das System transparent. Sie sehen, welche Kriterien ein Kandidat erfüllt. Sie sehen, worauf die Scores basieren. Jede Bewertung ist nachvollziehbar. EU AI Act konform und DSGVO-sicher.

Praxisbeispiel: Mittelständler sucht 3 Backend-Entwickler

Ein SaaS-Unternehmen mit 120 Mitarbeitenden sucht 3 Senior Backend-Entwickler. Die Stelle wird auf LinkedIn, StepStone und Hacker News gepostet. In 3 Wochen kommen 280 Bewerbungen.

Ohne KI: 2 HR-Mitarbeitende sichten 280 CVs. Dauer: 3 Wochen (neben anderen Aufgaben). 40 Kandidaten auf der Longlist. Erste Einladungen gehen raus, als die besten Kandidaten bereits bei der Konkurrenz unterschrieben haben.

Mit KI: 280 CVs werden am selben Tag analysiert. Kriterien: Python oder Go (3 Jahre), REST-APIs, PostgreSQL, Git. Nice-to-have: Kubernetes, AWS, CI/CD. Ergebnis: Top-20-Kandidaten erhalten am nächsten Tag eine Einladung. Nach 2 Wochen stehen 3 Angebote. Alle werden angenommen.

Die Zeitersparnis: 3 Wochen statt 8. Die Qualitätsverbesserung: kein Top-Kandidat verloren durch langsamen Prozess.

Fazit

IT-Recruiting braucht andere Werkzeuge. Keyword-Matching reicht nicht. Erfahrungsjahre reichen nicht. Jobtitel reichen nicht. KI-gestütztes Screening mit semantischem Verständnis hilft, die richtigen Kandidaten schnell zu finden.

Aber KI ersetzt kein technisches Interview. Nutzen Sie KI für die Vorauswahl. Nutzen Sie Menschen für die Bewertung von Code-Qualität, System-Design und Teamfähigkeit. Die Kombination macht den Unterschied.

Weniger screenen. Mehr einstellen.

HireSift analysiert 100 CVs in Minuten — mit zwei transparenten Scores, EU AI Act konform, ohne Kreditkarte.

→ 7 Tage kostenlos testen