HR & Recruiting

KI im HR-Bereich ist 2026 ein Spannungsfeld zwischen massiven Effizienz-Hebeln und strengen Compliance-Auflagen. Diese Hub-Seite zeigt, welche HR- und Recruiting-Tasks wirklich von KI profitieren, welche heikel sind und welche regulatorischen Pflichten Sie unter dem EU AI Act, der DSGVO und dem BetrVG kennen müssen. Die Beispiele kommen aus DACH-SaaS-Recruiting und Tech-Onboarding-Setups — bewusst ohne Voll-Automatisierungs-Fantasien, weil die rechtlichen Grenzen sie verbieten.

Wo lohnt sich KI in HR & Recruiting?

Job-Beschreibungen und Stellenausschreibungen sind der unkritischste Hebel. ChatGPT oder Claude liefern aus einer Bullet-Liste mit Anforderungen einen vollständigen Stellentext in 1–2 Minuten — inklusive inklusiver Sprache, klarem Aufgaben-Profil und kandidaten-orientierter Ansprache. Realistische Zeitersparnis: 70 % gegenüber dem manuellen Schreiben. Sekundär-Effekt: Konsistenz der Stellentexte über Abteilungen hinweg, weil ein gemeinsames Marken-Template als System-Prompt fungiert.

Kandidaten-Outreach und Sourcing ist der zweite Hebel. Personalisierte LinkedIn-Nachrichten, Re-Engagement-Mails an alte Pipelines und Follow-ups — alles textlastig, alles gut für LLMs. Wichtig: Die Ansprache wirkt nur dann individuell, wenn die KI Account-spezifische Hooks bekommt (aktuelle Position, kürzliche Posts, geteilte Interessen).

Lebenslauf-Screening (mit großer Vorsicht!) ist der dritte, aber heikelste Hebel. Der EU AI Act klassifiziert vollständig KI-gestütztes Bewerber-Screening als Hochrisiko-Anwendung. Erlaubt sind Tools, die Lebensläufe parsen, strukturieren und nach klar definierten Kriterien sortieren — die Letztentscheidung muss menschlich sein, der Bewerber hat ein Recht auf Erklärung, regelmäßige Bias-Audits sind Pflicht. Wer das nicht ernst nimmt, riskiert Bußgelder bis 35 Millionen Euro nach dem AI Act.

Onboarding-Materialien ist der vierte, oft unterschätzte Bereich. KI generiert aus internen Doku-Beständen einen strukturierten Onboarding-Guide pro Rolle, Einarbeitungs-Checklisten und FAQs für die ersten 90 Tage. Time-to-Productivity neuer Mitarbeitender sinkt typischerweise um 15–25 %, weil Standard-Fragen sofort beantwortet werden.

Interne Wissensdatenbank-Bots sind der fünfte Hebel. Ein Custom-GPT oder Claude-Projekt mit Zugriff auf die Mitarbeiter-Wissensbasis (HR-Policies, IT-Setup, Spesen-Regeln) beantwortet 60–70 % der wiederkehrenden Mitarbeiter-Fragen. HR-Team wird messbar entlastet.

Performance-Review-Drafts ist der sechste Bereich. KI strukturiert manager-eingegebene Stichpunkte zu konsistenten, fairen Review-Texten — mit klarer Konvention, dass die finale Bewertung menschlich entstehen muss. Bias-Risiko bleibt, deshalb Stichproben-Reviews der KI-Drafts auf Konsistenz über demografische Cluster.

Mitarbeiter-Feedback-Analyse ist der siebte Hebel. Anonymisierte Engagement-Surveys oder Exit-Interviews werden von einem LLM thematisch geclustert und priorisiert. HR sieht die wichtigsten Themen statt 200 Freitext-Antworten manuell durchzulesen. Voraussetzung: Anonymisierung vor LLM-Aufruf, sonst entsteht ein Re-Identifikations-Risiko bei kleinen Teams.

Praxis-Beispiele aus DACH

Beide Setups zeigen das gleiche Muster: KI wird in unkritischen Bereichen (Postings, Outreach, Onboarding) eingesetzt; Bewerber-Screening und Performance-Bewertung bleiben menschlich oder laufen mit Compliance-Schicht plus menschlicher Letztentscheidung. Diese Trennung ist nicht Übervorsicht, sondern direkte Ableitung aus AI Act und AGG.

Münchner SaaS-Recruiting-Team (35 offene Positionen pro Quartal). ChatGPT Team treibt das Job-Posting- und Outreach-Setup. Workflow: Hiring Manager liefert Bullet-Liste mit Anforderungen, ein Custom-GPT mit dem Marken-Stil als System-Prompt erstellt den vollständigen Job-Post in Deutsch und Englisch. LinkedIn-Outreach-Nachrichten werden aus dem Profil des Kandidaten plus dem Job-Profil generiert, der Recruiter personalisiert in 30 Sekunden statt 5 Minuten. Effekt: Time-to-Hire um 18 % gesunken, Bewerber-Pipeline pro Recruiter um 40 % gewachsen. Wichtig: Das Lebenslauf-Screening läuft weiterhin manuell — das Team nutzt KI bewusst nur in der Top-of-Funnel-Phase, weil rechtliche Risiken im Screening zu hoch wären.

Berliner Tech-Startup (60 Mitarbeitende, 8 Onboardings pro Quartal). Claude für Onboarding-Guides und einen internen Q&A-Bot über Notion-Wissensbasis. Workflow: Bei Onboarding-Start bekommt jede neue Person Zugang zu einem Custom-Claude-Projekt, das auf den HR-Policies, IT-Setup-Guides und Team-Wissensbasis trainiert ist. Standard-Fragen (“Wie buche ich Urlaub?”, “Wo ist der VPN-Setup?”) laufen direkt zur KI, komplexe Fragen eskalieren zum HR-Team. Effekt: HR-Team-Last während Onboarding-Wellen um geschätzt 40 % reduziert, Time-to-Productivity neuer Mitarbeitender im Schnitt um 1,5 Wochen verkürzt. Betriebsrat wurde frühzeitig eingebunden, Mitbestimmungs-Vereinbarung dokumentiert die Datenflüsse und das Recht auf manuelle Eskalation.

Risiken & Compliance — DAS WICHTIGSTE FÜR HR

HR ist der regulatorisch sensibelste Bereich für KI-Einsatz. Diese vier Säulen sind nicht optional.

EU-AI-Act-Hochrisiko-Klassifikation: KI-gestütztes Bewerber-Screening, Performance-Bewertung und Gehalts-Empfehlungen fallen unter Anhang III des AI Act und gelten als Hochrisiko. Pflicht: Konformitätsbewertung vor Einsatz, Risikomanagement-System, Logging aller Entscheidungen, menschliche Aufsicht über KI-Vorschläge. Bußgelder bei Verstoß: bis 35 Mio. Euro oder 7 % des Welt-Umsatzes.

DSGVO bei Bewerber-Daten: Lebensläufe, Anschreiben und Interview-Transkripte enthalten besonders schutzwürdige Daten. Recht auf Erklärung (Art. 22 DSGVO), Recht auf Löschung, klare Zweckbindung. Rejection-Logs müssen nach Bewerbungsende gelöscht werden — KI-Logs eingeschlossen.

Anti-Diskriminierungs-Aspekte: KI lernt aus historischen Daten, die oft historische Bias enthalten (z.B. Geschlecht, Alter, Migration). AGG verbietet Diskriminierung, regelmäßige Bias-Audits über demografische Gruppen sind Pflicht. Anbieter wie Hirevue und Pymetrics liefern eigene Audit-Reports — wer selbst entwickelt, braucht eigene Audit-Pipeline. Praktisch: identische Bewerbungen mit ausgetauschten demografischen Markern durch das System schicken und die KI-Bewertungen auf Konsistenz prüfen.

BetrVG: Mitbestimmung des Betriebsrats: § 87 Abs. 1 Nr. 6 BetrVG greift bei KI-Tools, die Verhalten oder Leistung der Mitarbeitenden überwachen können — das gilt auch für interne Wissensbasis-Bots, wenn sie Nutzungs-Daten sammeln. Mitbestimmungs-Vereinbarung vor Roll-out abschließen, sonst kann der Betriebsrat den Einsatz blockieren. In Österreich greifen analoge Vorschriften nach ArbVG, in der Schweiz das Mitwirkungsgesetz auf Bundesebene.

Verwandte Themen

Grundlagen: Was ist KI? erklärt Konzepte hinter Sprachmodellen, RAG und Hochrisiko-Klassifikationen. Der Vergleich ChatGPT vs. Claude zeigt, welcher Allrounder besser für textlastige HR-Aufgaben (Job-Postings, Outreach, Onboarding-Drafts) passt. Verwandte Anwendungsbereiche: Behörden & Recht für die Compliance-Verwandtschaft, Kundensupport & Service für interne Service-Desks und Onboarding-Bots sowie Alltag & Produktivität für die Office-Tools, die jedes HR-Team nebenher mitläuft.

Recruiting ist im EU-AI-Act explizit als Hochrisiko klassifiziert. Was das bedeutet, steht im KI-Risiken-Leitfaden. Pflichtlektüre für jedes HR-Team mit KI-Einsatz: Bias und Fairness — mit Amazon-Recruiting-Fall, Mobley-v.-Workday-Klage, NYC-LL-144-Audit-Pflicht und Mitigation-Methodik. Anti-Bias-Constraints im Prompt-Design (etwa „Bewerte ausschließlich basierend auf den genannten Skills”) sind nur ein Baustein — Patterns dazu im Prompt-Engineering-Leitfaden.