Nutzen Sie KI, um die Arbeit in der Personalabteilung zu beschleunigen, oder übertragen Sie einem Algorithmus Entscheidungen, die dieser niemals eigenständig treffen sollte? An dieser Stelle wird die Diskussionüber KI im Personalwesen ernst. In italienischen KMU geht es nicht darum, zu verstehen, ob künstliche Intelligenz nützlich ist. Das ist sie. Das Problem besteht vielmehr darin, zu erkennen, wo sie echten Mehrwert schafft und wo sie stattdessen Undurchsichtigkeit, Voreingenommenheit und regulatorische Risiken mit sich bringt.
Als Unternehmer habe ich erlebt, wie verlockend es ist, die mühsamsten Arbeitsschritte zu automatisieren. Wenn man Hunderte von Lebensläufen durchsehen, interne Umfragen zusammenfassen oder Mitarbeiter hat, die immer wieder dieselben Fragen zu Urlaub und Richtlinien stellen, spart einem die KI sofort Zeit. Aber ich habe auch die Kehrseite gesehen. Eine von einem Modell ermittelte Kompatibilitätsbewertung wirkt objektiv – und gerade deshalb kann sie gefährlicher sein als eine explizit subjektive menschliche Beurteilung.
Die richtige Sichtweise lautet nicht „KI ja“ oder „KI nein“. Es geht darum, das richtige Gleichgewicht zwischen Automatisierung und menschlicher Verantwortung zu finden. Wer sich für einen sehr praxisorientierten Ansatz in Bezug auf KMU interessiert, dem empfehle ich außerdem „AI in HR for SMEs“.
Die richtige Frage lautet nicht, ob KI der Personalabteilung helfen kann. Die richtige Frage ist, ob sie wirklich dein nächstes Talent auswählen kann, ohne den Prozess zu verzerren.
Konkret kommt KI heute bereits bei der Lebenslauf-Prüfung, bei internen Chatbots, bei der Auswertung von Umfragen, beim Onboarding und bei der Erstellung von Dokumenten zum Einsatz. Diese Technologie ist vor allem dann nützlich, wenn die Arbeitsbelastung hoch ist und Schnelligkeit einen unmittelbaren Mehrwert bietet. Doch im Personalwesen betrifft jede Entscheidung echte Menschen, echte Karrieren und echte Rechte. Aus diesem Grund muss die Einführung mit einer anderen Herangehensweise betrachtet werden als die Einführung eines „Co-Piloten“, der E-Mails verfasst oder Besprechungen zusammenfasst.
Effizienz ist wichtig. Bei Personalentscheidungen reicht es jedoch nicht aus, nur schnell zu sein.
Auf dem italienischen Markt ist das Thema noch heikler. Die DSGVO und das europäische KI-Gesetz schränken den Spielraum für Fehler erheblich ein, wenn ein automatisiertes System Einfluss auf Einstellungen, Beurteilungen und das Personalmanagement nimmt. Wenn Sieden Einsatz von KI im Personalwesen in Betracht ziehen, sollten Sie sich an eine einfache Regel halten: Automatisieren Sie die Routineaufgaben, überlassen Sie die Entscheidungsfindung den Menschen.
KI im Personalwesen ist keine Science-Fiction. Sie ist bereits Teil des Arbeitsalltags. Heute nutzen viele Unternehmen sie, um sich wiederholende Aufgaben zu entlasten, Prozesse zu beschleunigen und dem HR-Team mehr Zeit für Aufgaben zu verschaffen, die Kontextverständnis und Urteilsvermögen erfordern.
Laut den Daten von Yomly zur Nutzung von KI im Personalwesen setzen bereits 44 % der Unternehmen diese Technologie bei der Personalbeschaffung ein. KI-Tools können die Zeit bis zur Einstellung um etwa 50 % verkürzen und fast 40 % der sich wiederholenden Aufgaben automatisieren.
Der häufigste Anwendungsfall ist die Vorauswahl von Bewerbungen. Ein LLM liest Lebensläufe und Stellenbeschreibungen, vergleicht Kompetenzen, Erfahrungen und semantische Hinweise und erstellt anschließend eine geordnete Auswahlliste.
In der Praxis funktioniert das gut, wenn die Stelle relativ standardisiert ist. Ich denke dabei an Verwaltungspositionen, Kundensupport, den Innendienst im Vertrieb und die Softwareentwicklung mit einem festgelegten Stack. Wenn man die Anforderungen gut beschreibt, beschleunigt das Modell den ersten Schritt erheblich.
Es funktioniert weniger gut, wenn es um Aspekte geht, die sich nur schwer aus einem Lebenslauf herauslesen lassen.
Faustregel: Nutze die KI, um aus 500 Lebensläufen eine überschaubarere Liste zusammenzustellen. Verwende sie nicht, um allein zu entscheiden, wer ein Abschlussgespräch verdient.
Der zweite Anwendungsfall ist weniger auffällig, aber oft nützlicher. HR-Teams verbringen einen Großteil ihrer Zeit mit sich wiederholenden Anfragen. Laut der Analyse von Tommaso Maria Ricci zur KI im Personalwesen widmen HR-Teams zwischen 40 % und 60 % ihrer Zeit Anfragen zu Urlaub, Gehaltsabrechnungen und Unternehmensrichtlinien. HR-Chatbots können täglich bis zu 2–3 Stunden Zeit für strategischere Aufgaben freisetzen.
Hier zeigt sich der Nutzen sofort. Ein interner Chatbot beantwortet Fragen zu Resturlaub, Unterlagen, Abläufen, Spesenabrechnungen, Vorschriften und der administrativen Einarbeitung. Der Vorteil liegt nicht nur in der Zeitersparnis für das HR-Team. Es geht auch um die Qualität der Erfahrung für den Mitarbeiter, der eine schnelle Antwort erhält, anstatt auf eine E-Mail warten zu müssen.
Wo die KI wirklich überrascht, ist bei der Analyse langer und weitläufiger Texte. Interne Umfragen sind ein perfektes Beispiel dafür. Anstatt Hunderte von Freitextantworten manuell durchzulesen, identifiziert das Modell wiederkehrende Themen, Stimmungen, sich abzeichnende Problembereiche und Muster, die näher untersucht werden sollten.
Die nützlichsten Anwendungen, die ich in KMU sehe, sind folgende:
Stellenbeschreibung und Richtlinien
Die KI erstellt einen ersten schlüssigen Entwurf, den das HR-Team anschließend in rechtlicher und kultureller Hinsicht überarbeitet.
Individuelles Onboarding
Es können Inhalte, Materialien und Abläufe je nach Rolle oder Abteilung angepasst werden.
Kompetenzkartierung
Hilft dabei, vorhandene Kompetenzen und Qualifikationslücken zu erfassen, insbesondere wenn die Daten über Lebensläufe, Beurteilungen und Anmerkungen der Vorgesetzten verstreut sind.
Klimaanalyse
Wandelt unstrukturierten Text in nützliche Hinweise um, um zu erkennen, wo Handlungsbedarf besteht.
Zudem gibt es eine zunehmende Unterscheidung zwischen generalistischen und vertikalen Modellen. Auf der vertikalen Seite hat Wisq HRLM als spezifisches Modell für den HR-Bereich entwickelt. Auf der generalistischen Seite werden GPT, Claude und Gemini bereits in vielen Unternehmen für operative HR-Aufgaben mit gut konzipierten Prompts eingesetzt. Der Unterschied liegt jedoch nicht nur in der Qualität der Ergebnisse, sondern auch in der Governance.
Die schlechteste Art, KI im Personalwesen einzusetzen, besteht darin, in Extremen zu denken. Keine Automatisierung führt zu langsamen Prozessen, einem Arbeitsrückstand und Entscheidungen, die auf unvollständigen Informationen basieren. Vollständige Automatisierung führt hingegen zum gegenteiligen Fehler: Menschen und Bewerbungen werden wie zu klassifizierende Tickets behandelt.
Die Metapher der Laffer-Kurve lässt sich auch hier gut anwenden. Zu Beginn sorgt jeder Schritt bei der Einführung der KI für Effizienzgewinne. Man automatisiert interne FAQs, erste Entwürfe von Dokumenten, Textanalysen und die vorläufige Bewertung von Lebensläufen. Der Mehrwert steigt.
Dann kommt ein Wendepunkt. Wenn man dem Algorithmus immer heiklere Aufgaben überträgt, beginnt der Nutzen zu sinken. Nicht, weil das Modell nutzlos wäre, sondern weil das Risiko schneller steigt als der Nutzen.
Laut dem Workday-Überblick über KI im Personalwesen sind die Hauptgründe für den Einsatz die Verbesserung der Entscheidungsfindung (41 %), die Automatisierung sich wiederholender Prozesse (35 %) sowie die Verbesserung der Mitarbeiterbindung und der Mitarbeitererfahrung (32 %). Diese Zahlen erklären gut, warum KI für das Personalwesen so attraktiv ist. Sie sagen jedoch nichts darüber aus, wo man an einem guten Punkt aufhören sollte. Genau dieser Punkt wird in den Diskussionen oft übersehen.
Der größte Mehrwert liegt nicht darin, das HR-Team zu ersetzen. Er liegt darin, es bei den richtigen Aufgaben effizienter und schneller zu machen.
Um den optimalen Punkt zu finden, mache ich eine einfache Unterscheidung zwischen mechanischen Aufgaben und Entscheidungsaufgaben.
| Art der Tätigkeit | Empfohlene KI-Stufe | Menschliche Überwachung |
|---|---|---|
| FAQ zu Mitarbeitern, Urlaub und Richtlinien | Hoch | Niedrig, mit regelmäßiger Überprüfung |
| Entwürfe für Stellenbeschreibungen | Hoch | HR-Überprüfung erforderlich |
| Erste Sichtung der Lebensläufe | Medien | Ständige Überprüfung durch Menschen |
| Bewertung der Finalisten | Niedrig | Hoch |
| Beförderungen, kritische Leistungen, individuelles Austrittsrisiko | Sehr niedrig | Voll und ganz menschliche Entscheidung |
Wenn Sie ein KMU führen, ist der optimale Ansatzpunkt in der Regel nicht technischer Natur. Er ist organisatorischer Art. Sie müssen klar festlegen, wo die KI Vorschläge unterbreitet, wo sie Anweisungen erteilt, wo sie zusammenfasst und wo sie hingegen keine Entscheidungen treffen soll.
Drei Fragen sind dabei sehr hilfreich:
Das Gefährlichstean KI für den Personalbereich ist nicht die Technologie selbst, sondern ihre trügerische Aura der Neutralität. Wenn ein Personalverantwortlicher einen Bewerber bewertet, ist allen klar, dass diese Bewertung einen gewissen Grad an Subjektivität beinhaltet. Wenn ein System jedoch eine Punktzahl vergibt, stellen viele Menschen keine Fragen mehr.
Das ist der Kern des Problems der algorithmischen Voreingenommenheit. Wenn man ein System anhand historischer Einstellungsdaten trainiert oder konfiguriert, neigt das System dazu, die Logik zu reproduzieren, die bereits in den Daten vorhanden war. Wenn in der Unternehmensgeschichte bestimmte Profile bevorzugt und andere benachteiligt wurden, kann der Algorithmus dasselbe tun – nur schneller und weniger offensichtlich.
Der Fall von Amazon ist gerade deshalb zu einem Symbol geworden. Das Unternehmen musste ein System zur Überprüfung von Lebensläufen zurückziehen, das weibliche Bewerber benachteiligte. Das ist keine kuriose Ausnahme. Es ist die vorhersehbare Folge eines Ansatzes, der die Vergangenheit als Maßstab für Leistung heranzieht.
In Italien ist die Lage alles andere als beruhigend. Nach den von ELECTE zu diesem Thema veröffentlichten Daten haben nur 12 % der Personalabteilungen mit KI-Systemen systematische Bias-Audits durchgeführt.
Ein besseres Modell beseitigt das Problem nicht, wenn die Daten, die Kriterien oder der organisatorische Kontext weiterhin verzerrt sind.
Für diejenigen, die in Europa tätig sind, ist dies nicht nur eine ethische Frage. Es ist eine Rechtsfrage. Artikel 22 der DSGVO räumt Bewerbern das Recht ein, nicht Entscheidungen ausgesetzt zu werden, die ausschließlich auf einer automatisierten Verarbeitung beruhen, wenn diese erhebliche Auswirkungen auf die betroffene Person haben. Personalentscheidungen fallen voll und ganz in diesen sensiblen Bereich.
Zudem stuft das europäische KI-Gesetz die Personalbeschaffung und das Personalmanagement als risikoreiche Anwendungsbereiche ein. Dies bedeutet wesentlich strengere Anforderungen hinsichtlich Dokumentation, Transparenz, Kontrolle und Risikomanagement als bei einer allgemeinen Nutzung von KI zur Steigerung der individuellen Produktivität.
Für ein italienisches Unternehmen sind die praktischen Auswirkungen klar:
Wer sich ernsthaft mit diesen Themen befasst, sollte auch die Einhaltung des AI Act durch die Unternehmen genauer unter die Lupe nehmen.
Der Markt spaltet sich derzeit in zwei sehr unterschiedliche Bereiche auf. Auf der einen Seite stehen allgemeine LLM-Modelle wie GPT, Claude und Gemini. Auf der anderen Seite kommen vertikale Modelle auf den Markt, die speziell für den Personalbereich entwickelt wurden, wie beispielsweise HRLM von Wisq.
Für ein KMU reicht oft ein Allround-Modell aus. Wenn Sie Folgendes benötigen:
Ein gutes LLM mit gut formulierten Prompts kann sehr gut funktionieren.
Der Vorteil liegt auf der Hand: Man kann sofort loslegen, spart Kosten und führt Tests zügig durch. Für kleine HR-Teams oder Unternehmen mit nicht allzu komplexen Prozessen ist dieser Ansatz oft der sinnvollste Weg, um den Einstieg zu finden.
Es gibt jedoch eine Grenze. Allgemeine Modelle basieren weder auf einer HR-Logik noch auf spezifischen Richtlinien für Ihren Kontext, noch bieten sie implizite Garantien für die Einhaltung von Vorschriften, nur weil sie leistungsstark sind.
Wenn Sie größere Volumina, komplexere Prozesse oder eine Struktur mit vielen Genehmigungsebenen verwalten, sind vertikale Modelle sinnvoll. Nicht so sehr, weil sie „alles besser verstehen“, sondern weil sie für einen enger gefassten Anwendungsbereich konzipiert sind.
In der Regel sind sie dann vorzuziehen, wenn sie benötigt werden:
Für ein KMU mit 50 Mitarbeitern geht es nicht darum, das ausgefeilteste System zu kaufen. Es geht darum, das System auszuwählen, das das Team bedienen, kontrollieren und hinterfragen kann, wenn es Fehler macht.
Die richtige Frage lautet nicht, welches Modell fortschrittlicher ist. Die Frage ist vielmehr, welches Modell zu Ihrem operativen Risiko passt. Handelt es sich um eine Aufgabe mit geringer Auswirkung und hohem Volumen, ist ein Generalistenmodell angebracht. Betrifft der Prozess sensible Entscheidungen und erfordert er eine strukturierte Kontrolle, sollte man ein vertikales Modell in Betracht ziehen.
Die besten Implementierungen beginnen nicht mit prädiktivem Recruiting. Sie beginnen bei den alltäglichen Reibungspunkten. Genau dort schafft die KI internes Vertrauen und zeigt, ob das Team wirklich bereit ist, damit umzugehen.
Der erste Schritt ist nur auf den ersten Blick trivial. Du solltest mit Aktivitäten beginnen , die ein hohes Volumen und ein geringes Risiko aufweisen. Wenn du dort ansetzt, erkennst du sofort den Vorteil und begrenzst dein Risiko.
Drei sinnvolle Beispiele:
Dieser Ansatz zeigt positive Auswirkungen. Das HR-Team nimmt die KI nicht mehr als abstrakte Bedrohung wahr, sondern beginnt, sie als operative Unterstützung zu betrachten.
Der zweite Schritt ist wichtiger als der erste. Du musst schwarz auf weiß festhalten, wo die KI Empfehlungen ausspricht und wo der Mensch entscheidet.
Eine minimale Unternehmensführung in KMU sollte Folgendes umfassen:
Entscheidungsgrenze
Die KI kann klassifizieren, zusammenfassen und melden. Der Manager oder Personalverantwortliche genehmigt, lehnt ab oder geht der Sache weiter nach.
-Prüfverfahren Jede Ausgabe mit erheblichen Auswirkungen muss von einer verantwortlichen Person überprüft werden.
Bias-Test vor der Freigabe
Wenn das System im Bereich der Personalbeschaffung oder der Personalbeurteilung zum Einsatz kommt, muss es mit repräsentativen Datensätzen und dokumentierten Kontrollen getestet werden.
Interne Transparenz
Mitarbeiter und Bewerber müssen wissen, wann KI zur Unterstützung des Prozesses eingesetzt wird.
Ein KMU, das Kontrollen umgeht, treibt die Entwicklung nicht voran. Es schiebt das Risiko lediglich auf später auf.
Der dritte Schritt besteht darin, schrittweise zu skalieren. Ein Pilotprojekt im Rahmen eines einzelnen HR-Prozesses liefert mehr Erkenntnisse als eine allgemeine Einführung. Zuerst validieren Sie die Aufgabe, dann das Verhalten des Teams und schließlich den regulatorischen Rahmen.
Wer seine Arbeit systematisch angehen möchte, sollte sich an einem konkreten Fahrplan für die KI-Integration orientieren und nicht auf vereinzelte Experimente setzen.
Um den Erfolg von KI im Personalwesen zu messen, reicht es nicht aus, nur die Geschwindigkeit zu betrachten. Man muss verstehen, ob sie die Qualität der Entscheidungen verbessert, ohne dabei Risiken, Fehler oder undurchsichtige Schritte mit sich zu bringen.
In KMU lautet das wichtigste Kriterium ganz einfach: Bringt die KI das HR-Team an den richtigen Punkt auf der Laffer-Kurve, oder automatisiert sie zu früh Aufgaben, die noch menschliches Urteilsvermögen erfordern? Wenn zwar Zeit eingespart wird, aber gleichzeitig Beanstandungen, Nachprüfungen oder Zweifel an der Korrektheit des Prozesses zunehmen, ist der Gewinn nur scheinbar.
Ein konkretes Beispiel ist die Auswertung von internen Zufriedenheitsumfragen. In vielen Unternehmen liest die Personalabteilung Hunderte von Freitextantworten manuell durch und ermittelt die Hauptthemen – ein zeitaufwändiger Prozess, bei dem die Ergebnisse von Person zu Person variieren können. Mit einem gut konfigurierten LLM lassen sich thematische Cluster, wiederkehrende Muster und Anomalien schneller erkennen.
Der tatsächliche Nutzen liegt hier nicht nur auf operativer Ebene. Das Team verschwendet keine Zeit mehr mit der Zusammenfassung und kann sich stattdessen auf Prioritäten, Nachverfolgung und Maßnahmen gegenüber den Führungskräften konzentrieren.
Die in diesem Fall nützlichen Kennzahlen sind wenige und konkret: durchschnittliche Analysezeit, Übereinstimmung der Zusammenfassungen mit einer stichprobenartigen manuellen Überprüfung sowie die Anzahl der Erkenntnisse, die zu konkreten Maßnahmen führen. Wenn die KI schnelle, aber zu allgemeine Zusammenfassungen liefert, hast du den optimalen Punkt bereits überschritten.
Der umgekehrte Fall ist heikler. Ein Chatbot, der das erste Vorstellungsgespräch führt und ohne menschliche Überprüfung eine Vorauswahl trifft, mag zwar effizient erscheinen, stellt für ein italienisches KMU jedoch eher ein ernstes methodisches als ein technologisches Problem dar.
Das Risiko ist dreifach. Sie könnten geeignete Bewerber aufgrund unklarer Kriterien aussortieren. Es könnte schwierig werden, die Entscheidung transparent zu begründen. Sie könnten sich der Kritik hinsichtlich der DSGVO aussetzen und in Fällen mit erheblichen Auswirkungen auch den strengeren Auflagen des AI Act, die für Systeme im Arbeitskontext und beim Zugang zum Arbeitsmarkt gelten.
Wie ich im Unternehmen beobachtet habe, lautet die entscheidende Frage: Trägt die KI dazu bei, bessere Entscheidungen zu treffen, oder beschleunigt sie lediglich eine ohnehin schon unsichere Entscheidung? Eine Analyse von ELECTE greift genau diesen Punkt auf. Auswahlverfahren, die ausschließlich automatisiert abgewickelt werden, führen tendenziell dazu, dass die tatsächliche Übereinstimmung zwischen Person und Position schlechter wird, während eine abschließende Überprüfung durch den Menschen die kostspieligsten Fehler reduziert.
Eine genaue Messung bedeutet also, vier Indikatoren gemeinsam zu betrachten: Zeitersparnis, Qualität der Ergebnisse, Anteil manueller Korrekturen und Compliance-Risiko. Wenn man nur einen davon misst, bewertet man das Projekt in der Regel falsch.
KI im Personalwesen funktioniert wirklich dann, wenn sie die mechanischen Aufgaben übernimmt und den Menschen die schwierigere Aufgabe überlässt: Kontext, Motivation, Potenzial und Konsequenzen zu interpretieren. Das ist der optimale Ansatz. Weder gar keine KI noch vollständige Automatisierung.
Für ein italienisches KMU besteht die Priorität nicht darin, der glänzendsten Neuheit hinterherzujagen. Vielmehr geht es darum, ein System aufzubauen, das Effizienz und Qualität verbessert, ohne dabei mit der DSGVO, dem KI-Gesetz und dem gesunden Menschenverstand im Management in Konflikt zu geraten. Wenn man diese Logik anwendet, wird KI zu einem nützlichen Multiplikator. Nutzt man sie hingegen als Ersatz für menschliches Urteilsvermögen, wird sie zu einem Risiko.
Wenn Sie Betriebsdaten und organisatorische Signale in besser verständliche Erkenntnisse umwandeln möchten, hilft Ihnen ELECTE – eine KI-gestützte Datenanalyseplattform für KMU – dabei, komplexe Informationen zu analysieren, Berichte zu automatisieren und fundiertere Entscheidungen zu treffen. Um zu verstehen, wie das in der Praxis funktioniert, können Sie sich die Plattform in Aktion ansehen und beurteilen, ob sie zu Ihren Prozessen passt.
.svg)
.svg)
.svg)
