Boolesche Suche im Recruiting: der Leitfaden 2026 (und wann Semantik gewinnt)
Boolesche Suche im Recruiting: die 5 wichtigen Operatoren, X-ray, die 4 Grenzen, die dich 30-40 % der relevanten Profile kosten, und die hybride Methode in 6 Schritten mit semantischer KI-Suche.
Die boolesche Suche ist 2026 immer noch die am häufigsten angepriesene Fähigkeit im Lebenslauf eines Sourcers — und die am meisten überschätzte. Sie funktioniert weiterhin: Sie ist schnell, reproduzierbar, und du kannst einem Hiring Manager exakt erklären, warum ein bestimmtes Profil aufgetaucht ist. Aber sie hat eine strukturelle Obergrenze: Ein boolescher String findet nur Kandidaten, deren Jobtitel du erraten hast. Dieser Leitfaden zeigt die Operatoren, auf die es wirklich ankommt, wo Boolean konkret auseinanderfällt und wie du sie mit semantischer Suche kombinierst, statt dich für eine Seite zu entscheiden.
Boolesche Suche in einer Minute
Boolesche Suche heißt, eine Profildatenbank mit logischen Operatoren aus der booleschen Algebra abzufragen. Du beschreibst eine Menge: Profile, die diese Wörter enthalten, jene nicht, mit diesen erlaubten Varianten. Die Engine wendet die Regel wortwörtlich an — nicht mehr, nicht weniger. Genau das ist zugleich ihre Stärke (die Präzision ist absolut, das Ergebnis reproduzierbar) und ihre Schwäche (sie errät nichts).
Die fünf Operatoren, die 90 % der Fälle abdecken
- AND — engt ein. data engineer AND Spark liefert nur Profile, die beide Begriffe tragen. Jedes zusätzliche AND verkleinert den Pool, meist deutlich schneller als erwartet.
- OR — erweitert und ist der am stärksten unterschätzte der fünf Operatoren. Er fängt Titelsynonyme ab: ("data engineer" OR "analytics engineer" OR "platform engineer").
- NOT (oder das Minuszeichen) — schließt aus. Nützlich gegen wiederkehrendes Rauschen: NOT (Praktikum OR Werkstudent OR Recruiter). Mit Vorsicht einzusetzen: Ein zu breites NOT löscht still und leise gute Profile, und du siehst nie, was du verloren hast.
- Anführungszeichen — fixieren eine exakte Phrase. "machine learning" liefert keine Profile, die "machine" und "learning" zwei Absätze auseinander erwähnen.
- Klammern — erzwingen die Auswertungsreihenfolge. Ohne sie wird deine Abfrage in einer Reihenfolge gelesen, die du nicht gewählt hast — die häufigste Ursache widersprüchlicher Ergebnisse, weit vor Tippfehlern.
Dazu kommt die X-ray-Suche: eine allgemeine Suchmaschine abfragen und dabei auf eine Domain beschränken — site:linkedin.com/in —, um die nativen Filter einer Plattform zu umgehen. Eine vollständige Abfrage sieht so aus:
("data engineer" OR "analytics engineer" OR "platform engineer") AND (Spark OR dbt OR Airflow) AND (Berlin OR München) NOT (Praktikum OR Werkstudent)
Dieser String ist korrekt, lesbar und begründbar. Er ist zugleich die beste Illustration des Problems, das jetzt folgt.
Wo die boolesche Suche auseinanderfällt
1. Sie findet nur das Vokabular, das du vorhergesehen hast
Aus dieser Grenze folgt alles Weitere. Die Abfrage oben listet drei Titel. In einem echten Datenmarkt heißen die wirklich relevanten Leute auch "Data Platform Engineer", "Analytics Engineer", "BI Engineer", "Software Engineer — Data" oder schlicht "Software Engineer" in einem Scale-up, in dem alle denselben Titel tragen. Die Faustregel bei Tech-Rollen: 30 bis 40 % der relevanten Kandidaten tragen einen Titel, den du nicht in dein OR gesetzt hast. Sie erscheinen nicht weit unten im Ranking — sie erscheinen gar nicht, und nichts im Interface weist auf ihr Fehlen hin.
2. Sie liefert eine Menge, kein Ranking
Boolean antwortet mit Ja oder Nein. Die 400 Profile, die der Regel genügen, kommen in einer Reihenfolge heraus, die nichts mit Passung zu tun hat — meist die Plattformlogik, also jüngste Aktivität. Das Sortieren nach Relevanz bleibt damit deine Aufgabe, Profil für Profil. Dort gehen die Stunden hin: nicht ins Schreiben der Abfrage, sondern ins Durcharbeiten dessen, was sie zurückgibt.
3. Sie ignoriert Kontext und Verlauf
Ein Keyword auf einem Profil sagt weder, wann die Kompetenz eingesetzt wurde, noch auf welchem Niveau, noch ob die Person überhaupt wechseln kann. "Spark" kann drei Jahre Produktion bedeuten oder eine Zeile, die nach einem zweitägigen Kurs 2021 ergänzt wurde. Boolean behandelt beide Fälle exakt gleich.
4. Sie ist teuer in der Pflege
Ein guter String hat 200 bis 400 Zeichen, lebt in einem geteilten Dokument und veraltet. Titel verschieben sich, Plattformen verschärfen ihre Indexierungsregeln, und X-ray liefert stetig unvollständigere Ergebnisse. Jede neue Rolle startet den Zyklus aus Schreiben, Testen und Korrigieren neu — und diese Zeit taucht in den Sourcing-Kosten praktisch nie auf.
Was semantische Suche verändert
Semantische Suche vergleicht keine Zeichenketten, sondern Vektorrepräsentationen von Bedeutung. Du beschreibst die Rolle in natürlicher Sprache — drei bis sechs Sätze, so wie du es einem Kollegen erzählen würdest — und die Engine hebt Profile hervor, die dieser Beschreibung nahe kommen, auch solche, deren Vokabular von deinem abweicht. Drei praktische Unterschiede:
- Synonyme werden gefunden, nicht aufgelistet. Du musst nicht mehr erraten, dass "Analytics Engineer" in deinem Kontext neben "Data Engineer" steht — das Modell leitet es aus dem tatsächlichen Profilinhalt ab.
- Ergebnisse kommen sortiert an. Jedes Profil trägt einen Nähe-Score zum Briefing, was aus dem Durcharbeiten von 400 Profilen das Sichten der Top 40 macht.
- Das Briefing wird zur Abfrage. Keine gedankliche Übersetzung mehr zwischen Stellenbeschreibung und Syntax — genau darauf bauen die KI-Sourcing-Plattformen aus unserem großen Leitfaden.
Die Grenzen sind real, und sie zu verschweigen wäre unehrlich. Eine semantische Engine kann zum "durchschnittlichen" Marktprofil driften und ungewöhnliche Werdegänge unterrepräsentieren. Harte Ausschlusskriterien beherrscht sie schlecht — ein regulierter Abschluss, eine Zulassung, eine zwingende Sprache —, weil sie in Nähe denkt, nicht in Regeln. Und wenn sie dir nicht zeigt, warum ein Kandidat aufgetaucht ist, ist sie im Kalibrierungsgespräch mit dem Hiring Manager wertlos: Genau darum geht es bei einem zeilenweise erklärten Matching-Score zwischen Kandidat und Stelle.
Boolean oder Semantik: wann was
| Situation | Boolesche Suche | Semantische Suche |
|---|---|---|
| Standardisierte Titel (Gesundheit, Buchhaltung, öffentlicher Dienst) | Sehr wirksam | Begrenzter Mehrwert |
| Instabile Titel (Tech, Data, Produkt, Growth) | Schwache Abdeckung | Klarer Vorteil |
| Hartes Ausschlusskriterium (Abschluss, Zulassung, Sprache) | Verlässlicher Filter | Braucht einen Filter dahinter |
| Mehr als 200 Profile zu sichten | Manuelle Sortierung | Automatisches Ranking |
| Unklares Briefing oder ganz neue Rolle | Abfrage schwer zu schreiben | Startet aus natürlicher Sprache |
| Die Abfrage vor dem Hiring Manager begründen | Von Natur aus transparent | Erfordert einen erklärten Score |
Die hybride Methode in 6 Schritten
Die schnellsten Teams, die wir sehen, haben Boolean nicht aufgegeben — sie haben es verschoben. Semantik öffnet das Feld, Boolean kontrolliert es, der Mensch entscheidet. Konkret:
- Das Briefing in natürlicher Sprache schreiben, vor jeder Abfrage. Drei bis sechs Sätze, mit expliziter Trennung zwischen Muss, Kann und Ausschluss. Dieses Dokument dient anschließend als semantische Abfrage und als Bewertungsraster.
- Zuerst die semantische Suche laufen lassen. Nicht, um direkt daraus zu rekrutieren, sondern um das tatsächliche Marktvokabular zu kartieren: die Titel, Tools und Formulierungen, die relevante Profile wirklich tragen.
- Den Kontroll-Boolean aus diesem Vokabular bauen. Jetzt schreibst du einen String auf Basis beobachteter statt erratener Titel. Dieselbe Fähigkeit wie vorher, angewandt auf bessere Eingangsdaten.
- Beide Listen abgleichen und die Überschneidung messen. Findet dein Boolean weniger als die Hälfte der von der Semantik hoch bewerteten Profile wieder, war er zu eng — und war es wahrscheinlich auch bei deinen letzten zehn Rollen.
- Nach erklärtem Score sortieren, die Top 20 von Hand prüfen. Das Ranking erledigt die Grobarbeit; die menschliche Prüfung entscheidet über das, was kein Modell sieht — Teamkontext, Karrieremoment, echte Wechselbereitschaft. Die ausführliche Methode steht in unserem Artikel zur Shortlist in unter 10 Minuten.
- Abfrage, Kriterien und Ausschlüsse dokumentieren. Briefing, boolescher String, Scoring-Kriterien, abgelehnte Profile samt Grund. Fünf Minuten pro Rolle, die an dem Tag zu deinem Prüfpfad werden, an dem jemand fragt, wie die Auswahl zustande kam.
Was sich nicht ändert: Mensch und Nachvollziehbarkeit
Der Wechsel vom booleschen String zur semantischen Engine verschiebt eine explizite Entscheidung — deine Operatoren — hin zu einer statistischen. Genau das regelt der EU AI Act: KI-Systeme zum Filtern oder Ranken von Bewerbungen gelten als Hochrisiko, und der Arbeitgeber muss als Betreiber echte menschliche Aufsicht sicherstellen, Kandidaten informieren und Protokolle aufbewahren. Pflichten und Zeitplan stehen in unserem AI-Act-Leitfaden für Recruiting-Teams. Die operative Konsequenz ist einfach: Eine Engine, die rankt, ohne zu erklären, setzt dich aus; eine Engine, die ihre Kriterien zeigt, schützt dich.
Die boolesche Suche ist nicht tot und wird es nicht sein: Sie bleibt das beste Werkzeug, um eine strikte Regel anzuwenden und zu begründen. Verändert hat sich ihr Platz im Prozess. 2026 ist sie nicht mehr die Eingangstür des Sourcings, sondern sein Sicherheitsnetz — die Semantik findet, Boolean prüft, der Recruiter entscheidet. Willst du sehen, wie aus einem Briefing in natürlicher Sprache eine sortierte Shortlist wird? Sieh dir an, wie EMILY ein Briefing liest und Kandidaten rankt.