Das technische Vorstellungsgespräch war schon vor dem Einzug der KI ein umstrittenes Ritual. Inzwischen ist es zu etwas Seltsamem geworden: einem Prozess, bei dem Kandidaten möglicherweise von einem KI-System gecoacht werden, während ein anderes KI-System genau danach Ausschau hält. Das Ergebnis ist eine Rückkopplungsschleife, die eine Frage aufwirft, die in den meisten Berichten über Einstellungsverfahren völlig übergangen wird. Wenn beide Seiten KI einsetzen – was misst das Gespräch dann eigentlich noch?
Wie eine Schleife entsteht, wenn beide Seiten automatisieren
Diese Dynamik ist nicht aus dem Nichts entstanden. Als Unternehmen begannen, KI-gestützte Lebenslauf-Screening-Tools einzusetzen, um Bewerbungen in großem Maßstab zu filtern, bemerkten Kandidaten die Verschiebung und reagierten entsprechend. Archie Payne, Mitgründer und Präsident der technischen Personalvermittlungsfirma CalTek Staffing, beschreibt dies als rationale Gegenmaßnahme: Bewerber begannen, KI während Vorstellungsgesprächen einzusetzen, weil sie den Prozess als bereits gegen sie automatisiert wahrnahmen.
Tools wie Final Round AI, Interview Coder und ParakeetAI können ein laufendes Gespräch mithören, das Audio in Echtzeit verarbeiten und nahezu sofort Antworten oder funktionierenden Code generieren. Einige dieser Tools behaupten, auf dem Bildschirm unsichtbar zu sein, sodass ein Kandidat eine generierte Antwort ablesen kann, während er den Eindruck erweckt, spontan zu antworten. Mudit Saraf, Software Engineer bei Meta und Mitgründer des KI-Sprachrecruiters Ginger – gemeinsam mit Shraddha Sunil von Microsoft –, beschreibt die Mechanik schlicht: Der Kandidat muss lediglich eine Vorstellung abliefern.
Arbeitgeber setzen inzwischen KI-Erkennungsplattformen dagegen ein und suchen nach Signalen wie Augenbewegungen, Antwort-Timing-Mustern, Tab-Wechseln und Sprachmustern, die auf KI-generierte Ausgaben hindeuten. Ginger selbst markiert Kandidaten, die während der ersten Screening-Calls offenbar KI verwenden. Dennoch stellt Payne fest, dass die Genauigkeit dieser Erkennungstools noch nicht zuverlässig ist: Starke Kandidaten wurden als falsch positiv eingestuft, was ein eigenes Problem schafft, wenn qualifizierte Fachkräfte ohnehin knapp sind.
Ravi Kiran Pagidi, Senior AI Data Engineer bei Navy Federal Credit Union und Teilnehmer an technischen Interview-Panels, bringt das Kernrisiko dieser Schleife klar auf den Punkt. Der Prozess misst möglicherweise keine tatsächliche Kompetenz mehr, sondern nur noch, wer den Algorithmus besser optimieren kann.
Was Bias und falsch positive Ergebnisse zu einem ohnehin fragilen System beitragen
Das Zuverlässigkeitsproblem betrifft nicht nur die Erkennungsgenauigkeit. KI-gestützte Einstellungstools tragen dokumentierte Risiken, die über den Interviewraum hinausgehen. Eine Studie des Stanford Institute for Human-Centered AI, die im Quellmaterial zitiert wird, begleitete 3,4 Millionen echte Stellenbewerber, deren Bewerbungen von Algorithmen eines einzigen Anbieters bewertet wurden. Die Studie fand Hinweise auf nachteilige Auswirkungen für asiatische und schwarze Bewerber, was darauf hindeutet, dass KI-Screening-Tools rassistische Vorurteile verstärken und systemische Ablehnungsmuster erzeugen können.
KI-Hiring-Strategin Tatiana Teppoeva verweist auf weitere Bedenken: den Datenschutz und die Datensicherheit von Bewerberdaten, die Frage, ob Interview-Aufzeichnungen zum Training der zugrundeliegenden Modelle verwendet werden, und Fragen der Fairness, die automatisierte Systeme nicht eigenständig lösen können. Ihre Empfehlung ist eindeutig. Ein Mensch muss irgendwo im Prozess verankert sein, mit der Befugnis sicherzustellen, dass die Ergebnisse fair sind.
Pagidi ergänzt, dass Unternehmen ohne Audits, klare Richtlinien und Transparenz glauben könnten, ihre Effizienz zu steigern, während sie tatsächlich die Qualität des Einstellungssignals selbst verschlechtern. Genau das übersehen die meisten Berichte über KI im Recruiting: Die Effizienzgewinne sind sichtbar und leicht messbar, während die Signalverschlechterung langsam, still und erst dann offensichtlich ist, wenn die falschen Personen eingestellt werden oder die richtigen abgewiesen werden.
Die Urteilsfrage, die KI nicht für Sie beantworten kann
Hier wird die Geschichte wirklich aufschlussreich. Einige Unternehmen, darunter Meta und die KI-native Softwareentwicklungsplattform Factory, sind in die entgegengesetzte Richtung gegangen: Sie erlauben oder erwarten sogar, dass Kandidaten KI während technischer Interviews einsetzen. Factorys Ansatz ist es wert, genauer betrachtet zu werden. Bewerber werden gebeten, innerhalb einer Stunde ein produktionsreifes System zu bauen oder eine echte Codebasis zu migrieren – unter Einsatz von KI-Coding-Agents. Sie werden nicht danach bewertet, ob sie fertig werden oder wie viele Tests bestehen. Bewertet werden Planung, die Art, wie sie die KI steuern, wie sie debuggen und ob sie erklären können, warum ihre Lösung funktioniert.
Varin Nair, der Software Engineer, der Factorys technischen Einstellungsprozess leitet, hat ein klares Muster beobachtet. Schwache Kandidaten akzeptieren alles, was die KI zurückgibt, und kommen ins Stocken, sobald sie an ihre Grenzen stößt. Starke Kandidaten nutzen sie, um schneller voranzukommen, und gewinnen dadurch den Freiraum, über Architektur, Abwägungen und Produkt nachzudenken. Die KI wird zum Multiplikator von Urteilsvermögen, nicht zu dessen Ersatz.
Diese Unterscheidung ist über das Recruiting hinaus bedeutsam. Sie beschreibt etwas Wahres darüber, wie KI-Tools in professionellen Kontexten generell funktionieren. Das Tool liefert Optionen. Der Mensch entscheidet, welche Optionen es wert sind, verfolgt zu werden, warum – und was zu tun ist, wenn das Tool falsch liegt.
Kurz gesagt
Das KI-Wettrüsten bei technischen Vorstellungsgesprächen ist in erster Linie keine Geschichte über Betrug. Es ist eine Geschichte darüber, was passiert, wenn beide Seiten eines Prozesses automatisieren, ohne sich darüber zu einigen, was der Prozess eigentlich messen soll. Erkennungstools erzeugen Bias und falsch positive Ergebnisse. Coaching-Tools verschleiern das Signal, das Interviews erfassen sollen. Die Unternehmen, die damit am erfolgreichsten umgehen, sind jene, die einen Schritt zurückgetreten sind und eine vorgelagerte Frage gestellt haben: Wie sieht gutes technisches Urteilsvermögen eigentlich aus, und wie gestalten wir ein Interview, das es sichtbar macht? Die Antwort beinhaltet konsequent: echte Probleme, echte Tools und den Raum, zu zeigen, wie jemand denkt. Das lässt sich schwerer vortäuschen – und schwerer wegautomatisieren.
Basierend auf Berichten von IEEE Spectrum AI.