KI-Kandidaten-Matching
Auch bekannt als: AI Matching, Kandidat:innen-Job-Match
Was „Matching” konkret heißt
Das Modell erzeugt einen Ähnlichkeits-Score zwischen Bewerbung und Rolle. Der Score wird der Sichtung mit Begründung gezeigt: „passt auf Python, 5 Jahre Backend, EU-Arbeitserlaubnis; schwach bei Team-Lead-Signalen”.
Gute Matching-Tools zeigen, was den Score getrieben hat. Blackbox-Tools, die nur eine Zahl liefern, sind weniger nützlich — gegen eine Zahl lässt sich nicht argumentieren, gegen eine Begründung schon.
Die zwei Ebenen
- Skill-Match : oberflächliche Keyword- und Skill-Überlappung. Schnell, erklärbar, anfällig für False Negatives (ein CV mit „TypeScript” statt „JS” wirkt schwächer, als es ist).
- Semantisches Matching : Embedding-basierter Vergleich von CV und Rollenbeschreibung als Text. Fängt relevante Erfahrung, die der Skill-Layer verfehlt, ist aber weniger erklärbar.
Modernes Matching kombiniert beides zu einem Hybrid-Score.
Wo es im Funnel sitzt
Matching speist zwei vorgelagerte Nutzungen:
- Inbound ( KI-Screening ) : Bewerbungen gegen die Rolle ranken.
- Outbound ( KI-Sourcing ) : passive Personen hervorheben, deren Profile passen.
Gleicher Mechanismus, andere Funnel-Stufe.
Was Matching nicht ist
Es ist nicht die Einstellungsentscheidung. Ein hoher Match-Score bedeutet „Gespräch wert”, nicht „Angebot machen”. Das zu verwechseln ist der häufigste KI-Fehler im Hiring.
Wo TalentGleam hineinpasst
TalentGleam zeigt Match-Scores mit dimensionsweisen Begründungen, sodass die Sichtung immer sieht, worauf die KI matcht. Die menschliche Entscheidung bleibt primär. Mehr auf der Funktionsseite .
Heute starten
