KI-Matching im ATS erklärt: Wie ein transparenter Match-Score von 0 bis 100 entsteht

Ein transparenter Match-Score von 0 bis 100 entsteht, indem das ATS jeden Kandidaten gegen die konkreten Kriterien einer Stelle prüft, jedes Kriterium einzeln bewertet und diese Teilbewertungen zu einer Gesamtzahl verrechnet. Entscheidend ist nicht die Zahl selbst, sondern dass sie sich in ihre Bestandteile zerlegen lässt: Warum passt dieser Kandidat, wo hakt es, und welches Kriterium hat wie viel Gewicht bekommen. Ein Score ohne diese Aufschlüsselung ist eine Blackbox, und eine Blackbox kann ein Recruiter dem Kunden nicht erklären.

Genau an diesem Punkt trennt sich brauchbares KI-Matching im ATS von reinem Marketing. Dieser Artikel zeigt Schritt für Schritt, aus welchen Bausteinen ein nachvollziehbarer Score zusammengesetzt wird und worauf man bei der Auswahl achten sollte.

Was misst ein Match-Score überhaupt?

Ein Match-Score misst die Passung zwischen einem Kandidatenprofil und einer Stellenanforderung, ausgedrückt als Zahl zwischen 0 und 100. Er ist keine Aussage über den Wert eines Menschen, sondern über die Übereinstimmung mit einem definierten Anforderungsprofil. Ein Kandidat mit Score 40 für eine Stelle kann für eine andere Stelle bei 90 liegen. Der Score ist also immer relativ zur konkreten Stelle, nie absolut.

Das ist wichtig, weil viele Recruiter den Score falsch lesen. Er ersetzt nicht die menschliche Entscheidung, er priorisiert die Reihenfolge, in der man Profile sichtet. Statt hundert Lebensläufe in zufälliger Ordnung durchzugehen, beginnt man oben und arbeitet sich nach unten. Die knappe Recruiter-Zeit fließt so zuerst in die aussichtsreichen Kandidaten.

Welche Kriterien fließen in die Bewertung ein?

Ein guter Score speist sich aus mehreren, klar benannten Dimensionen. Typischerweise gehören dazu:

• Fachliche Skills: Deckt das Profil die geforderten Fähigkeiten ab, und auf welchem Niveau? Ein als Muss markierter Skill wiegt schwerer als ein Nice-to-have.
• Berufserfahrung: Passt die Anzahl der Jahre und vor allem die Art der Erfahrung zur Rolle? Zehn Jahre in einer fremden Branche sind nicht dasselbe wie drei Jahre exakt im Zielbereich.
• Ausbildung und Qualifikation: Erfüllt der Kandidat formale Anforderungen, wo diese hart sind, etwa ein bestimmter Abschluss oder eine Zulassung?
• Standort und Mobilität: Stimmt der Arbeitsort, oder ist Remote-Arbeit vorgesehen? Ein perfektes fachliches Profil am falschen Ende des Landes senkt die reale Passung.
• Sprachen: Werden die benötigten Sprachen auf dem geforderten Niveau abgedeckt?

Der Punkt ist nicht die exakte Liste, sondern dass jede Dimension sichtbar bleibt. Wenn das System nur eine einzige Endzahl zeigt, ohne die Teilbewertungen offenzulegen, fehlt die Grundlage für jede Begründung.

Wie werden Kriterien gewichtet?

Nicht jedes Kriterium ist gleich wichtig, und deshalb darf ein Score nicht stumpf einen Durchschnitt bilden. Für eine Vertriebsrolle kann die Erfahrung im Direktvertrieb entscheidend sein, während ein bestimmter Abschluss zweitrangig ist. Für eine regulierte Position kann eine formale Zulassung dagegen ein hartes Muss sein, ohne das der Rest keine Rolle spielt.

Deshalb arbeitet ein durchdachtes KI-gestütztes ATS mit Gewichten je Kriterium. In ShortSelect definieren Recruiter die relevanten Kriterien einer Stelle als sogenannte Keywords und legen fest, welche davon Pflicht sind und welche wünschenswert. Ein nicht erfülltes Muss-Kriterium zieht den Score deutlich nach unten, ein fehlendes Nice-to-have kostet nur wenige Punkte. So spiegelt die Zahl die tatsächliche Priorität der Stelle wider, nicht eine willkürliche Mittelung.

Warum ein reiner Keyword-Abgleich zu kurz greift

Ältere Systeme haben schlicht Stichwörter im Lebenslauf gezählt. Wer die richtigen Begriffe im CV stehen hatte, bekam einen hohen Wert, unabhängig davon, ob die Erfahrung echt war. Das belohnt gut optimierte Lebensläufe und benachteiligt starke Kandidaten, die ihre Fähigkeiten anders formulieren. Moderne KI-Modelle verstehen Bedeutung statt nur Zeichenketten: Sie erkennen, dass eine Tätigkeitsbeschreibung eine geforderte Kompetenz belegt, auch wenn das exakte Wort nicht vorkommt. Das macht die Bewertung robuster, verlangt aber gerade deshalb Transparenz, damit man versteht, warum das Modell so entschieden hat.

Wie entsteht aus Teilbewertungen die Gesamtzahl?

Der Weg zur Endzahl ist im Kern einfach: Jedes Kriterium bekommt eine eigene Teilbewertung, diese wird mit ihrem Gewicht multipliziert, und die Summe wird auf die Skala von 0 bis 100 normiert. Ein Kandidat, der alle Muss-Kriterien erfüllt und die meisten Nice-to-haves abdeckt, landet im oberen Bereich. Wer ein Muss reißt, landet trotz guter Restwerte im Mittelfeld oder darunter.

Der eigentliche Wert liegt in der Aufschlüsselung dahinter. Ein Recruiter sollte auf einen Blick sehen: Dieser Kandidat hat 92, weil er alle geforderten Skills mitbringt und im richtigen Umkreis wohnt, verliert aber Punkte bei der Branchenerfahrung. Diese Begründung ist es, die man dem Kunden präsentiert, nicht die nackte Zahl. Ein Score, der sich nicht in solche Sätze übersetzen lässt, taugt für den Agentur-Alltag nicht.

Warum Transparenz kein Nice-to-have ist

Für Personalberatungen ist die Erklärbarkeit geschäftskritisch. Ein Auftraggeber, der eine Shortlist bekommt, fragt zu Recht: Warum diese fünf und nicht die anderen? Wer darauf nur mit einem Bauchgefühl oder einer unerklärten Zahl antwortet, verliert Vertrauen. Wer die Kriterien und ihre Gewichte offenlegt, positioniert sich als methodischer Partner.

Dazu kommt die rechtliche Seite. In der EU gelten für automatisierte Entscheidungen mit Wirkung auf Personen erhöhte Anforderungen an Nachvollziehbarkeit, unter anderem verankert in der DSGVO. Ein Matching, das nur vorsortiert und dessen Kriterien offenliegen, während die finale Entscheidung beim Menschen bleibt, ist deutlich unkritischer als eine Blackbox, die niemand erklären kann. Transparenz ist hier zugleich Vertrauens- und Compliance-Argument.

Score richtig einsetzen, nicht blind vertrauen

Ein Match-Score ist ein Werkzeug zur Priorisierung, kein Urteil. Drei Regeln helfen, ihn sinnvoll zu nutzen. Erstens: Den Score als Reihenfolge lesen, nicht als Ja-oder-Nein. Auch ein Profil bei 70 kann der richtige Treffer sein, wenn der Grund für die Abzüge im konkreten Fall unwichtig ist. Zweitens: Immer die Aufschlüsselung ansehen, bevor man einen Kandidaten aussortiert. Drittens: Die Kriterien der Stelle sauber pflegen, denn ein Score ist nur so gut wie die Anforderungen, gegen die er rechnet. Wer die Ergebnisse langfristig auswerten will, findet in den Recruiting-Analytics die passenden Auswertungen, etwa wie oft hoch bewertete Kandidaten am Ende platziert wurden.

Am Ende zahlt sich ein transparentes Matching doppelt aus: Recruiter treffen schneller gute Entscheidungen, und sie können jede Entscheidung begründen. Wer verschiedene Systeme gegenüberstellen will, findet im ATS-Vergleich eine strukturierte Übersicht der Ansätze.

Häufige Fragen

Ersetzt der Match-Score die Entscheidung des Recruiters?

Nein. Der Score sortiert Kandidaten nach Passung vor und lenkt die Aufmerksamkeit auf die aussichtsreichen Profile. Die finale Entscheidung, wen man vorstellt oder einlädt, trifft der Mensch. Das ist sowohl aus Qualitäts- als auch aus rechtlichen Gründen wichtig.

Was bedeutet ein niedriger Score konkret?

Ein niedriger Score bedeutet, dass das Profil gegen die aktuell definierten Kriterien der Stelle weniger stark passt, oft weil ein Muss-Kriterium fehlt. Er sagt nichts über die generelle Qualität des Kandidaten aus. Für eine andere Stelle mit anderen Kriterien kann derselbe Kandidat hoch bewertet werden.

Kann ich die Kriterien und Gewichte selbst anpassen?

Ja. In ShortSelect definieren Recruiter die Kriterien je Stelle als Keywords und legen fest, welche Pflicht und welche wünschenswert sind. Dadurch spiegelt der Score die tatsächliche Priorität der jeweiligen Stelle wider, statt einer festen Standardgewichtung zu folgen.