Matching-Score Kandidat-Stelle: wie die KI bewertet (und wo sie sich irrt)

Der Kandidaten-Matching-Score ist das meistgenutzte und meistmissverstandene Feature auf KI-Sourcing-Plattformen. Wie bewertet die KI die Passung zwischen einem Profil und einer Rolle? Worauf stützt sie ihr Urteil? Wo liegt sie konsistent daneben? Dieser Artikel öffnet die Motorhaube und erklärt, was ein Matching-Score tatsächlich misst — am Beispiel des TrueFit-360-Scores von TrueCalling.

Was ist ein Kandidaten-Matching-Score?

Ein Kandidaten-Matching-Score ist eine Bewertung (häufig von 100), die die Wahrscheinlichkeit ausdrückt, dass ein Kandidat zu einer Rolle passt. Der Score kombiniert mehrere Dimensionen: Skills, Erfahrung, Unternehmenskontext, Geografie, Verfügbarkeit. Der Score ist keine absolute Wahrheit — er ist ein nützliches Ranking, um Outreach zu priorisieren.

Die 5 Dimensionen, die eine gute KI bewertet

1. Technische Skills. Stack, Sprachen, Frameworks. Die besten KIs bleiben nicht beim Lebenslauf — sie prüfen aktuelle GitHub-Commits.
2. Erfahrungsverlauf. Seniorität, Progression, Unternehmensgröße. Wer in 3 Startups hintereinander ausgeliefert hat, unterscheidet sich von jemandem, der 8 Jahre in einem Konzern hinter sich lässt.
3. Unternehmenskontext. Branche, Geschäftsmodell, Stage (early, Scale-up, börsennotiert). Entscheidend für kulturelle Relevanz.
4. Geschätzte Verfügbarkeit. Verweildauer in der aktuellen Rolle, schwache Signale (LinkedIn-Updates, Konferenzaktivität, Side Projects).
5. Geografie und Mobilität. Aktueller Standort, Offenheit für Remote, Zeitzonen-Kompatibilität.

Wie TrueFit 360 funktioniert

Der TrueFit-360-Score von TrueCalling erzeugt eine Bewertung von 100, aufgeschlüsselt nach Dimension, damit Recruiter oder Hiring Manager nachvollziehen können, wo die Empfehlung herkommt. Für einen Senior Data Engineer in Berlin siehst du zum Beispiel so etwas:

• Technische Skills: 92/100 (Spark, dbt, Airflow auf GitHub erkannt).
• Verlauf: 88/100 (6 Jahre, Scale-up-SaaS).
• Kontext: 75/100 (kommt aus einem Konzern, Wechsel machbar).
• Verfügbarkeit: 80/100 (3 Jahre in aktueller Rolle, Offenheitssignale).
• Geografie: 100/100 (Berlin, Remote okay).
• TrueFit-360-Gesamt: 89/100.

Diese Erklärbarkeit ändert alles. Hiring Manager vertrauen einem Score, den sie lesen können; ein Blackbox-Score wird ignoriert.

Wo der Matching-Score regelmäßig daneben liegt

1. Cultural Fit

Keine KI liest Unternehmenskultur korrekt. Ein großartiges technisches Profil kann ein Beziehungsalbtraum sein. Der Kandidaten-Matching-Score ist ein Relevanz-Indikator, kein Culture-Fit-Indikator.

2. Echte Motivationen

Warum sollte der Kandidat den Job wechseln? KI erkennt Signale, kann aber keine Gedanken lesen. Dafür ist das Interview da.

3. Atypische Profile

Wer Theater studiert und dann Backend bei Google gemacht hat, rangiert im Score niedrig. Trotzdem kann das deine beste Einstellung werden. Die Outlier immer manuell prüfen.

4. Datenaktualität

Ein Score, der auf einem 2 Jahre nicht aktualisierten LinkedIn-Profil basiert, ist falsch. Gute Plattformen reichern ihre Daten kontinuierlich an und liefern Frische-Signale.

Matching-Score und Bias: eine laufende Aufgabe

Jeder Kandidaten-Matching-Score kann Verzerrungen aus den Trainingsdaten reproduzieren. Geschlecht, Alter, Hochschule, Vorname — alles Variablen, die den Score ungebührlich gewichten können, wenn die KI nicht auditiert wird. Frag deinen Anbieter:

• Ist der Score Variable für Variable auditierbar?
• Werden geschützte Attribute ausgeschlossen oder kontrolliert?
• Gibt es einen „anonymisierten Lebenslauf"-Modus für die Scoring-Phase?

Wie du einen Matching-Score klug einsetzt

1. Sortieren, nicht ausschließen. Bearbeite zuerst die Top 50 Scores, behalte aber die nächsten 50 im Blick.
2. Score und menschliche Signale kreuzen. Ein Anschreiben, ein Side Project, eine im Interview erzählte Geschichte sind mehr wert als ein roher Score.
3. Briefing überarbeiten, wenn zu wenige Kandidaten über 80 scoren. Das Problem liegt oft am Briefing, nicht am Markt.
4. Den Score mit dem Hiring Manager teilen. Nach Dimensionen aufgeschlüsselt wird er zum Diskussionswerkzeug.

Matching-Score und Recruiter-Produktivität

Richtig eingesetzt, verändert der Kandidaten-Matching-Score die Recruiter-Produktivität. Statt 200 Profile zu überfliegen, bearbeitet der Recruiter 30 in der Tiefe. Mehr zur Recruiter-Produktivität in unserem Artikel über den KI-Copilot für Recruiter im Alltag.

Wie du einen Matching-Score vor dem Kauf bewertest

Bevor du mit einem Anbieter unterzeichnest, mach diesen Test: nimm 20 kürzlich eingestellte Kandidaten. Lass die Engine sie scoren. Liegt die Mehrheit über 80, lernt der Score gut. Mach den umgekehrten Test mit 20 abgelehnten Kandidaten: die meisten sollten unter 60 landen. Ohne diesen Doppel-Test kaufst du einen Score blind.

Fazit: ein Matching-Score ist ein Werkzeug, kein Orakel

Ein gut designter Kandidaten-Matching-Score — wie TrueFit 360 — beschleunigt die Triage und verbessert die Shortlist-Qualität. Aber kein Score ersetzt dein Recruiter-Urteil. Die goldene Regel: Erklärbarkeit fordern, mit menschlichen Signalen gegenprüfen, auf Bias auditieren und die Outlier im Blick behalten.

Um TrueFit 360 live auf einem deiner Briefings zu sehen, TrueFit 360 in Aktion sehen.