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

Rund 109.000 offene Stellen für IT-Fachkräfte in Deutschland (Bitkom-Studie, August 2025). Vakanzzeiten in IT-Berufen liegen seit Jahren deutlich über dem Durchschnitt aller Berufe. Ein erheblicher Teil der Kandidaten springt im laufenden Bewerbungsprozess ab. 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

Ein erheblicher Teil der Entwickler in Deutschland hat keinen Informatik-Abschluss. Bootcamp-Absolventen, Autodidakten und Quereinsteiger prägen den Markt. Große Tech-Arbeitgeber schreiben inzwischen vielfach „Abschluss oder gleichwertige praktische Erfahrung" aus, statt ein Studium zwingend zu verlangen.

Wer im Stellenprofil „Studium der Informatik oder vergleichbar" als Must-have setzt, schließt einen großen Teil qualifizierter Kandidaten von vornherein aus. 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. Gefragte Profile haben häufig mehrere Prozesse parallel laufen. Gefragte Entwickler sind oft schon nach wenigen Tagen wieder vom Markt. Wer mehrere Wochen für eine Rückmeldung braucht, riskiert, den Kandidaten an die Konkurrenz zu verlieren.

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 sehr unterschiedliche 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.

Wer im Bewerbermanagement nach exakten Jobtiteln filtert, schließt passende Kandidaten aus. Und lässt unpassende durch.

Die Screening-Last ist zu hoch

Eine ausgeschriebene Senior-React-Stelle kann je nach Standort und Remote-Option sehr viele Bewerbungen erzeugen. Ein großer Teil 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, bindet mehrere Arbeitstage. Ohne Tech-Wissen im HR-Team dauert es noch länger. Und mit zunehmender Dauer steigt das Risiko, dass die Bewertung ungleichmäßig wird.

Was KI bei Tech-CVs leisten kann

Tech-Stack-Analyse

LLM-basierte Systeme können technologische Zusammenhänge berücksichtigen. Sie ordnen etwa Kubernetes-Kenntnisse dem Umfeld von Container-Technologien zu. 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 hilft dabei, passende Kandidaten nicht zu übersehen, nur weil sie 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. Solche Kontextinformationen kann das Modell bei der Bewertung Ihrer Kriterien berücksichtigen.

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 nimmt Ihnen die Arbeit ab, das bei großen Bewerbungsstapeln selbst herauszulesen.

Schnelle Vorauswahl

Große Bewerbungsstapel lassen sich in einem Bruchteil der Zeit vorsortieren, die eine manuelle Sichtung kostet. Bei kandidatengetriebenen Märkten zählt Geschwindigkeit. KI-Screening schafft die Voraussetzung, Kandidaten innerhalb von ein bis zwei Tagen eine qualifizierte Rückmeldung zu geben.

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

Ermüdung, Zeitdruck und Freitagnachmittag spielen keine Rolle — jeder Lebenslauf durchläuft dieselben Kriterien in derselben Reihenfolge. Das ist besonders bei hohem Bewerbungsvolumen ein entscheidender Vorteil.

Was KI bei Tech-CVs nicht leisten kann

Code-Qualität bewerten

CV-basiertes Screening kann nicht 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 (etwa HackerRank oder 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

Beschränken Sie sich auf wenige technische Must-haves — in der Praxis bewähren sich drei bis vier. 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 arbeitet sich in Kubernetes in überschaubarer Zeit ein. Tiefes Python-Wissen wächst dagegen über Jahre.

3. Semantisches Matching statt Keyword-Listen

Nutzen Sie KI-Systeme, die Zusammenhänge verstehen. HireSift setzt Begriffe in ihren technischen Kontext — etwa Flask und Django als Python-Web-Frameworks oder AWS Lambda im Umfeld von Serverless-Architekturen. Dass „React Native" und „React" verwandt, aber nicht identisch sind.

So verpassen Sie weniger geeignete Kandidaten, die schlicht andere Begriffe verwenden als Ihre Stellenausschreibung.

4. Zwei Scores nutzen

Der CV Match zeigt die Stärke des Profils unabhängig von der konkreten Stelle. 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. Gefragte IT-Kandidaten sind oft schon nach wenigen Tagen wieder 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

Rund zwei Wochen vom Eingang bis zum technischen Interview. Das ist ambitioniert. Aber machbar. Und es verbessert Ihre Chancen, dass Zusagen tatsächlich zustande kommen.

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 auswerten. Das System:

Extrahiert Tech-Stacks und gewichtet sie anhand der von Ihnen definierten Kriterien
Analysiert Projektbeschreibungen auf Komplexität und Umfang
Bewertet Skill-Level anhand von Kontextinformationen
Berücksichtigt Technologie-Verwandtschaften (React → JavaScript → TypeScript)
Erlaubt Ihnen, Praxiserfahrung und Zertifizierungen unterschiedlich zu gewichten
Bewertet auch untypische Lebensläufe anhand derselben, von Ihnen festgelegten Kriterien

Gleichzeitig bleibt das System transparent. Sie sehen, welche Kriterien ein Kandidat erfüllt. Sie sehen, worauf die Scores basieren. Jede Bewertung ist nachvollziehbar dokumentiert. Bewerberdaten werden in Frankfurt (AWS eu-central-1) gespeichert, die KI-Analyse läuft standardmäßig bei Mistral AI in Frankreich. Einzelne Dienste für Authentifizierung und E-Mail-Versand verarbeiten außerhalb des EWR auf Basis von Standardvertragsklauseln; einen Auftragsverarbeitungsvertrag stellen wir bereit.

Praxisbeispiel: Mittelständler sucht 3 Backend-Entwickler

Zur Veranschaulichung ein Rechenbeispiel — keine reale Kundenfallstudie: Ein SaaS-Unternehmen mit rund 120 Mitarbeitenden sucht drei Senior Backend-Entwickler und schaltet die Stelle auf mehreren Kanälen. Innerhalb von drei Wochen gehen mehrere Hundert Bewerbungen ein.

Ohne KI: Zwei HR-Mitarbeitende sichten den Stapel neben dem Tagesgeschäft. Die Vorauswahl zieht sich über Wochen. Erste Einladungen gehen raus, als die besten Kandidaten bereits bei der Konkurrenz unterschrieben haben. 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: Die stärksten Profile lassen sich schon am Folgetag einladen, statt Wochen auf die manuelle Vorauswahl zu warten.

Der Unterschied liegt vor allem in der Geschwindigkeit der Vorauswahl — und damit in der Chance, Kandidaten zu erreichen, bevor sie sich anderweitig entschieden haben.

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 sichtet auch große Bewerbungsstapel automatisiert — mit zwei transparenten Scores, nachvollziehbarer Begründung und menschlicher Endentscheidung, in einer persönlichen Demo erlebbar.

→ Demo anfragen