LONDON (IT BOLTWISE) – Nvidia-Experte Jonathan Ross warnt Bewerber davor, dass KI-Screening beim Recruiting Kandidaten bevorzugen könnte, deren Lebensläufe mit ähnlichen KI-Modellen erstellt wurden wie die, die Personalergebnisse bewerten. Grundlage ist eine aktuelle Auswertung von über 2.200 Lebensläufen aus 24 Berufsfeldern, die eine deutlich höhere Auswahlwahrscheinlichkeit bei „Self-Preferencing“ zeigt. Unternehmen setzen derweil zunehmend automatisierte Bewerberprüfung ein, was Effizienz verspricht, aber auch das Risiko von Bias und intransparenten Fehlentscheidungen erhöht. Für die Praxis rückt damit nicht nur die Qualität des Profils, sondern auch der KI-Stack hinter dem Dokument in den Fokus.
Dass Lebensläufe im Bewerbungsprozess zunehmend von Künstlicher Intelligenz gesichtet werden, ist in vielen Unternehmen bereits Realität. Neu ist jedoch die Frage, wie stark dabei die „Herkunft“ der Inhalte eine Rolle spielt: Ein Nvidia-Experte beschreibt anhand aktueller Forschung, dass KI-gestützte Einstellungssysteme Lebensläufe bevorzugen können, die von demselben KI-Modell oder zumindest von sehr ähnlicher Modellfamilie generiert wurden. Konkret geht es um ein Phänomen, das in der Studie als „AI Self-preferencing in Algorithmic Hiring“ gefasst wird. Für Bewerber bedeutet das: Der Weg vom Texteditor bis zum Bewertungsmodell kann über die nächste Auswahlstufe entscheiden.
Technisch lässt sich das Muster aus einer Trainings- und Bewertungslogik ableiten, die bei vielen Large-Language-Model-basierten Workflows ähnlich ist. Wenn ein System Bewerbungen anhand von sprachlichen Signalen, Formulierungsstilen, Strukturmustern und sogar latenten Wahrscheinlichkeitsverteilungen bewertet, kann es Texte, die aus demselben oder kompatiblen Modell-Generatoren stammen, leichter „erkennen“ – nicht unbedingt, weil sie objektiv besser sind, sondern weil sie statistisch näher an den Trainings- oder Erwartungsdaten des Bewertungsmodells liegen. Ross argumentiert daher, dass Kandidaten möglicherweise mehrere KI-varianten Lebensläufe erstellen sollten, um die Chancen zu maximieren, die Auswahllogik unterschiedlicher LLMs zu „treffen“. Das ist ein wuchtiges Realwelt-Szenario für Model-Matching im Recruiting.
Marktseitig passt die Beobachtung in einen breiteren Trend: Laut einer Umfrage unter US-Arbeitnehmern, die mit den Einstellungsverfahren ihrer Unternehmen vertraut sind, nutzen bereits 57 Prozent der Arbeitgeber KI im Bewerbungsprozess. Von diesen setzen 79 Prozent KI zur Prüfung von Lebensläufen ein, und 74 Prozent geben an, dass KI-Systeme Kandidaten ohne menschliche Überprüfung ablehnen können. Genau hier liegt die Wettbewerbsdynamik: Anbieter und Integratoren von Recruiting-Plattformen konkurrieren zwar über Genauigkeit und Geschwindigkeit, aber Transparenz über verwendete Modellfamilien bleibt oft unklar. Der Ansatz konkurrierender Tech-Stacks – etwa KI-gestützte Bewerberanalyse bei verschiedenen Cloud- und Modellanbietern – führt dazu, dass Unternehmen in der Praxis sehr heterogene Bewertungslogiken einsetzen können.
Ross’ Position wird besonders relevant, weil sie sich nicht nur auf „automatisierte Entscheidungen“ bezieht, sondern auf den Mechanismus, der zu systematischen Auswahlunterschieden führen kann. In der Berichterstattung wird darauf verwiesen, dass Recruiter bereits LLMs einsetzen, um zu entscheiden, wen sie zum Gespräch einladen, und dass Bewerber oft nicht wissen, welches LLM dahintersteht. Als Vergleich nennt Ross sinngemäß den Gedanken, einen Lebenslauf mit einem Modell wie Claude oder einem anderen System und zusätzlich mit einem ChatGPT-ähnlichen Ansatz zu erstellen, um die „höchste Wahrscheinlichkeit“ zu erreichen, den Bewertungsfilter zu passieren. Dabei kommt der wissenschaftliche Befund ins Spiel: Die Studie hat mehr als 2.200 Lebensläufe aus 24 Berufsfeldern getestet und berichtet, dass Kandidaten, die dasselbe KI-Modell wie der Bewerter verwendeten, eine um 23 bis 60 Prozent höhere Wahrscheinlichkeit hatten, in die engere Auswahl zu kommen – verglichen mit Menschen, die ähnlich qualifiziert sind.
Für die Branche bedeutet das einen doppelten Effekt: Erstens entsteht ein neues Wettbewerbsfeld um Modellkompatibilität, zweitens verschiebt sich der Fokus weg von „nur“ sprachlicher Qualität hin zu Prozess- und Pipeline-Transparenz. Historisch gab es bereits Diskussionen über automatische Screening-Tools und das Risiko, dass sie in unglücklichen Fällen Bias verstärken oder schematische Kriterien übergewichten. Das aktuelle Muster wirkt wie eine spezifische Ausprägung davon: Nicht die Person an sich, sondern der KI-Generator als Produktionsquelle wird zum versteckten Einflussfaktor. Unternehmensseitig sollten deshalb nicht nur Modellgenauigkeit und Kosten betrachtet werden, sondern auch robuste Fairness-Tests gegen unterschiedliche Text-Generatoren, inklusive kontrollierter Variationen in Tonalität, Struktur und Formulierung.
Regulatorisch und datenschutzrechtlich verschärft sich die Lage, weil Bewerbungsunterlagen typischerweise als personenbezogene Daten gelten und in vielen Jurisdiktionen besonders geschützt sind. Selbst wenn ein System „nur“ Text bewertet, können die Ausgaben als Entscheidungshilfe für die Auswahl wirken. Damit steigen Anforderungen an Nachvollziehbarkeit, Dokumentation, Risikobewertung und im Zweifel an einen wirksamen Einspruchs- oder Korrekturmechanismus. Praktisch heißt das: Unternehmen sollten klar benennen, ob ein Mensch die Entscheidung trifft oder ob es sich um automatisierte Ablehnung handelt, und wie sie Bias- oder Fehlerpfade überwachen. Besonders kritisch ist der Hinweis, dass KI Kandidaten ohne menschliche Überprüfung ablehnen kann; genau diese Automatismus-Schicht ist in vielen Compliance-Konzepten ein Trigger für zusätzliche Kontrollen.
Für die Zukunft zeichnet sich ab, dass Recruiting-Stacks verstärkt auf „Model-Agnostik“ getrimmt werden müssen. Anders als in klassischen Softwaretests, in denen Eingaben reproduzierbar sind, entstehen im KI-Recruiting heterogene Inputs, weil Bewerber mit unterschiedlichen Generatoren arbeiten können. Aus Sicht der KI-Entwicklung wäre ein Ansatz, Bewertungsmodelle so zu trainieren oder zu kalibrieren, dass sie generator-spezifische Oberflächenmerkmale weniger stark gewichten. Alternativ könnten Unternehmen mehrere Jury-Modelle einsetzen, um die Abhängigkeit von einem einzelnen Bewertungsmodell zu reduzieren, ähnlich wie Red-Teaming-Strategien in der Security: Nicht „ein Modell entscheidet“, sondern das Ensemble reduziert systematische Verzerrungen. Der Markt wird dadurch neue Fragen stellen: Welche Modellfamilien sind wirklich relevant, wie werden sie versioniert, und wie wird das Ergebnis auditierbar gemacht?
Unterm Strich verschiebt die Studie die Verantwortung in Richtung Prozessdesign: Wer KI im Screening einsetzt, sollte die Auswahlwahrscheinlichkeit nicht nur für „durchschnittliche“ Texte optimieren, sondern gezielt für verschiedene Produktionswege testen. Bewerber wiederum müssen nicht zwingend „mehrere Lebensläufe“ als generische Empfehlung interpretieren, aber sie sollten sich bewusst sein, dass die Bewerbungsreise zunehmend datengetrieben ist – und dass das KI-Ökosystem dahinter mitspielt. Für Unternehmen liegt der Hebel in transparenter Modellarchitektur, laufendem Monitoring und fairen Bewertungsmetriken. Wenn Recruiting-Tools in den kommenden Monaten noch stärker ausgerollt werden, dürfte genau dieses „Self-Preferencing“ Thema von Vendor-Roadmaps, internen Audit-Prozessen und Sicherheitsbewertungen für KI-gestützte HR-Workflows werden.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Nvidia-Experte: Warum KI-„Self-Preferencing“ Bewerbungen bevorzugt" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Nvidia-Experte: Warum KI-„Self-Preferencing“ Bewerbungen bevorzugt" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Nvidia-Experte: Warum KI-„Self-Preferencing“ Bewerbungen bevorzugt« bei Google Deutschland suchen, bei Bing oder Google News!