KI Skills rekrutieren gelingt nur mit klaren Job-Anforderungen. Nach dem Risiko-Überblick in Blog A und dem Burger-Test in Blog B folgt der dritte Schritt: Rekrutierung. Es geht darum, Personen zu gewinnen, die die notwendigen KI Skills besitzen, um ihre Jobs auszuführen.
Jede Rolle stellt andere Anforderungen. Ein Marketing-Manager braucht andere KI-Kompetenzen als ein Data Engineer. Wer hier unscharf formuliert, zahlt doppelt: erst bei der Rekrutierung, dann bei der Fluktuation.
Das Wichtigste in Kürze
🔑 KI ändert sich schnell. Grundkonzepte wie Theorie, Methodik, Stärken und Schwächen bleiben stabil. Wer sie versteht, kann mit jedem Modell arbeiten. → Fehler 1
🔑 KI-Modelle bevorzugen Lebensläufe, die mit demselben Modell erstellt wurden, um 67 bis 82% (Xu et al., 2026). → Fehler 3
🔑 Filter wie MINT-Abschluss oder GPA 4.5 messen nicht, was der Job verlangt. Eine UBS-Stellenanzeige zeigt die Lücke. → Fehler 1
🔑 Ein Test kann zuverlässig sein und trotzdem das Falsche messen. Validität entscheidet. → Fehler 2
🔑 Webinar am 18. Januar 2027: Sie üben die Prüfung von Job-Anforderungen und Tests live (MC Lago). Termin sichern →
Die 3 Kompetenz-Level: Literacy, Fluency, Skills
Vor jeder Rekrutierung steht eine Entscheidung: Welches Kompetenz-Level verlangt die Stelle?
Tabelle 1. Wer braucht was: AI Literacy, AI Fluency, AI Skills
| AI Literacy | AI Fluency | AI Skills | |
|---|---|---|---|
| Wer braucht es? | Alle Mitarbeitenden | Die meisten, im Job-Kontext | Spezialist:innen |
| Definition | Verständnis: Was ist KI, welche Risiken, welche Ethik | Nutzung: Modelle unterscheiden, sicher einsetzen, Fehler erkennen | Anwendung und Entwicklung: Modelle anpassen, optimieren, entwickeln |
| Beispiel | Wissen, dass Halluzinationen auftreten | ChatGPT vs. Mistral richtig wählen und prüfen | Modell trainieren, programmieren, Fine-Tuning |
| Rekrutierungsfokus | Lernbereitschaft, kritisches Denken | Problemlösung, Domain-Wissen | Portfolio, Code-Review, Projekte |
Notiz. Vergleich der 3 KI-Kompetenzstufen. Adaptiert nach Gattiker (2026-02-14).
Kurz gesagt: Literacy heisst wissen, was das Auto kann und welche Gefahren bestehen. Fluency heisst sicher fahren. Skills heisst den Motor auseinandernehmen.
Fehler 1: Unklare Anforderungen, weil KI sich schnell ändert
KI-Tools wechseln im Monate-Rhythmus. Wer heute auf ein einzelnes Tool filtert, rekrutiert für die Vergangenheit. Bewerber:innen brauchen die Grundkonzepte: Theorie, Methodik, Stärken, Schwächen. Wer sie beherrscht, arbeitet mit jedem Modell produktiv. Vendor-spezifisches Prompt-Wissen verliert schnell an Wert. KI Skills rekrutieren heisst deshalb: nach Grundkonzepten filtern, nicht nach Tools.
Was KI zusätzlich schwer macht: schwammig formulierte Job-Ausschreibungen. Ein aktuelles Beispiel aus der Praxis.
Stellenausschreibung: UBS 2027 Graduate Talent Program (PDF)
Notiz. Oben sehen Sie die Stellenausschreibung, die wir vom UBS Career Portal als Beispiel genommen haben. 4 Test-Personen haben sich auf diesen Job beworben. Erkenntnisse hier basieren auf Fakten: Download Job Beschrieb als PDF hier
Was UBS‘ Recruiting-Prozess über den KI-Boom verrät
Die Grossbank schreibt Qualität gross. Das Inserat verlangt einen «strong delivery-oriented approach with an emphasis on quality». Trotzdem laufen Anforderungen und Aufgaben auseinander.
Was der Job verlangt (Your role): Backlog pflegen, Sprints planen, Anforderungen dokumentieren, Präsentationen erstellen, User Acceptance Testing begleiten. Koordination, Kommunikation, Analyse.
Woran die Anzeige filtert (Your expertise):
| Filter | Herausforderung |
|---|---|
| MINT-Abschluss bevorzugt | Filtert nach Fachrichtung, obwohl die Aufgaben Kommunikation und Organisation verlangen |
| GPA mindestens 4.5 | Harter Filter, sagt wenig über Produktmanagement-Fähigkeit |
| Nachweis experimenteller KI-Nutzung | Offen, was «evidence» heisst. Projekt? Zertifikat? Lädt zu Zufall ein |
| 9 Persönlichkeitswörter (outgoing, hardworking, …) | Kaum messbar, öffnet Tür für Bauchentscheide |
Notiz. Filter aus «Your expertise» der UBS-Stellenanzeige vs. Herausforderungen für die Vorauswahl. Eigene Darstellung basierend auf UBS (2026-11).
Abbildung 1. UBS-Stellenanzeige: Passen Job und Anforderungen zusammen?
Notiz. Eigene Darstellung basierend auf UBS (2026-11). Die linke Spalte listet die Tätigkeiten der Stelle, die rechte die Filter der Anzeige.
Die UBS setzt vier Online-Testverfahren ein, teilweise nur 3 je Job: Sprachverständnis, numerisches Verstehen, logisch-analytisches Denken und den UBS Culture Match. Letzterer schätzt ein, wie gut eigene Werte und Arbeitsweise zur Unternehmenskultur passen. Inwiefern diese Tests die beschriebenen Aufgaben prüfen, ist unklar. Inwiefern misst logisch-analytisches Denken, was im Job gefragt ist oder die Leistung beeinflussen könnte?
Wo die Lücke liegt: Der Titel sagt IT Product Manager. Die möglichen Rollen darunter (Technology Engineer, Data Engineer, Data Science) sind technischer als die beschriebenen Aufgaben. Der Filter wählt nach Fachrichtung, nicht nach Fähigkeit.
Das ist keine Kritik an der UBS allein. Wer die Job-Anforderungen nicht präzise formuliert, kann weder mit Menschen noch mit KI richtig auswählen. Das gilt auch für Jobs mit weniger KI-Know-how: Schwammige Anforderungen wie bei Denner, Migros, BKW, Lidl oder Rossmann führen ebenfalls zum schlechten Ergebnis (Gattiker, 2024-08-10).
UBS ist bei DrKPI kein Neuling. Der UBS Marketing Flop (2023) und der CSX-Usability-Test (2020) zeigten: Zentral gesteuerte Prozesse verlieren kulturelle Nuancen und lokale Spezifitäten. Wer global steuert, verliert auch in der Personalrekrutierung den Bezug zu länderspezifischen Märkten und ihren kulturellen Eigenheiten.
Wie der Bewerbungsprozess bei der UBS in der Praxis läuft und wo er holpert, lesen Sie in Teil 2 der Serie (erscheint am 21.11.2026).
Fehler 2: Falsche Filter, weil Validität und Reliabilität fehlen
Stimmen Anforderungen und Filter nicht überein, hilft auch KI in der Vorauswahl nicht. Zwei Kriterien entscheiden, ob ein Selektionsprozess taugt.
Gültigkeit (Validität): Testet der Prozess die Fähigkeit, die der Job braucht?
Zuverlässigkeit (Reliabilität): Liefert der Test jedes Mal dasselbe Ergebnis? Bewerten zwei Recruiter:innen denselben Kandidaten gleich?
Der Fallschirm muss sich zuverlässig öffnen, sonst stirbt der Nutzer. Das Navi ist gültig, wenn es die richtige Route zeigt, zuverlässig, wenn es bei jedem Start dieselbe zeigt. Ein Test kann so zuverlässig sein wie der Fallschirm und trotzdem das Falsche messen.
Abbildung 2. Prüfungen im Bewerbungsprozess: 2 Kriterien
Notiz. Zuverlässigkeit heisst, der Test liefert jedes Mal dasselbe Ergebnis. Gültigkeit heisst, er testet die Fähigkeit, die der Job braucht. Eigene Darstellung.
Auf die UBS-Anzeige übertragen: Validität fragt, ob GPA und MINT etwas über Backlog-Pflege und Stakeholder-Kommunikation aussagen. Reliabilität fragt, ob zwei Recruiter:innen «outgoing» und «KI-Nachweis» gleich bewerten. Beides ist fraglich.
Tests validieren statt glauben: Validierung ist nur möglich, wenn alle Bewerber:innen den Test absolvieren und die Resultate zunächst nicht in die Selektion einfliessen. Erst später vergleicht man Testresultate mit der Job-Leistung. Nur bei Übereinstimmung ist der Test gültig. Ohne diese Prüfung sortiert KI Bewerber:innen binnen Stunden aus, ohne dass jemand weiss, ob der Test taugt.
Die Aon-Tests der UBS wurden für den angelsächsischen Raum entwickelt. Ob sie für die Länder kalibriert wurden, in denen die UBS rekrutiert, bleibt offen. Kulturkalibrierung entscheidet über Validität.
Wir haben diese Problematik schon früher diskutiert, etwa anhand unklarer Formulierungen wie «solid understanding of AI» bei der Bank Vontobel.
Fehler 3: Alte Vorurteile in neuer Verpackung
Algorithmen versprechen faire Personalentscheide. In der Praxis funktioniert das mit KI bis heute nicht zuverlässig (Castilla, 2025-12).
Was beim KI Skills rekrutieren schon schiefging
Amazon stoppte sein KI-Recruiting-Tool. Es wertete Lebensläufe ab, die das Wort «women» enthielten (Dastin, 2018). HireVue setzte Spracherkennung bei über 700 Firmen ein, darunter Goldman Sachs und Unilever. Die Forschung zeigt Nachteile für nicht weisse und gehörlose Bewerber:innen (ABC News Australia, 2025). Trotzdem nutzen laut Schätzungen bereits 87% der grossen Firmen solche Systeme (Sightsin Plus, 2025).
Das Problem: schlechte Daten
KI lernt aus früheren Entscheiden. Diese Daten spiegeln oft Jahrzehnte von Ausschluss und Ungleichheit. Manche Tools werteten Absolvent:innen von historisch schwarzen Colleges und Frauencolleges ab (Antony et al., 2023). Das trifft vor allem Mütter: Screening-Systeme bestrafen Elternschaft, als «Mom Penalty» bekannt (Veldanda et al., 2023).
Eine Audit-Studie mit über 500 Lebensläufen zeigt, wie tief das sitzt: Die Modelle bevorzugten Namen, die mit Weisssein assoziiert werden, in 85,1% der Fälle. Benachteiligung von Schwarzen Männern trat in bis zu 100% der Fälle auf (Wilson & Caliskan, 2024). Ein Ranking trägt das Etikett «datenbasiert» und erhält so alte Vorurteile den Anschein von Objektivität.
Eine Review-Studie fasst es zusammen (Chen, 2023): KI kann Effizienz steigern und Routinearbeit senken, doch algorithmische Verzerrung führt zu Diskriminierung nach Geschlecht, Hautfarbe, Ethnie und Persönlichkeit. Ursachen: begrenzte Datensätze und Vorurteile der Entwickler:innen.
Und es kommt noch dicker: KI-Modelle bevorzugen Lebensläufe, die mit demselben Modell geschrieben wurden, um 67 bis 82%. Solche Kandidat:innen landen 23 bis 60% häufiger auf der Shortlist (Xu et al., 2026). Die Kanzlei Addleshaw Goddard erlebte es live: 178 Bewerbungen, ein interner Copilot-Test, und die Rangliste der KI stimmte nicht mit der der Menschen überein. Die KI bevorzugte Angaben, die zu gut klangen, um wahr zu sein (Clark, 2026).
Access Evo: Werbung für das Problem
Anbieter verstärken das Problem mit Werbung. Access Evo preist in einem Video: Lebensläufe in die KI laden, Kriterien eintippen, Top 15 statt 100 lesen. Vier Probleme:
- Validität: Die KI entscheidet nicht autonom, sie entscheidet anhand der eingegebenen Regeln. Werbepläne im KMU umzusetzen inklusive KPIs zählt da womöglich weniger als Agentur-Kampagnen für P&G.
- Reliabilität: Eigene Tests des DrKPI-Teams mit ChatGPT und Claude, die das Video selbst nennt, zeigen: Die Resultate sind jedes Mal unterschiedlich.
- Cultural Fit: Unscharfes Kriterium, das Bauchentscheide verstärkt.
- 85 aussortierte Lebensläufe: Ausser der KI liest sie niemand. Ein Fehler bleibt unsichtbar.
Zudem: 100 Bewerbungen auf eine Stelle hat ein KMU selten. Bei der Vorauswahl zu sparen ist am falschen Ende gespart: Ein fehlbesetzter Job kostet laut Gallup 50 bis 200% des Jahresgehalts (McFeely & Wigert, 2019). Details folgen im Blog F.
Die Forschenden von Xu et al. (2026) testeten zwei Gegenmassnahmen: eine klare Systemanweisung, die die Herkunft des CV ignoriert, und ein Mehrheitsentscheid mehrerer Modelle. Diese reduzierten die Selbstbevorzugung relativ um 17 bis 63%.
Wer KI Skills rekrutieren will, prüft deshalb beide Massnahmen vor dem Einsatz.
3 Fragen vor der Automatisierung
- Daten: Welche Entscheide kodieren wir?
- Prozesse: Worauf bauen die Algorithmen, gelten die Annahmen noch?
- Leistung: Wer definiert die Leistung, aber auch die Entscheide wie ja/nein? Wessen Karrierewege zählen?
Das Problem ist menschlich, nicht technisch. Deshalb gilt dasselbe Motto wie im Burger-Test: Instruieren. Prüfen. Verbessern im Kontext von Gültigkeit, Zuverlässigkeit und Kontext.
Selbst-Check: Wo stehen Sie?
- Definieren Sie klar, welches Kompetenz-Level jede Rolle verlangt?
- Stimmen Ihre Filter mit den Job-Anforderungen überein?
- Haben Sie Ihre Tests validiert, bevor KI nach ihnen selektiert?
Welche KI-Kompetenzen sind in Ihrem Unternehmen entscheidend? Wo laufen Ihre Filter und Ihre Job-Anforderungen auseinander?
CTA
- Handout 1: 4-Fragen-Checkliste zum schnellen Scan vor jedem KI-Einsatz.
- Webinar am 18. Januar 2027: Sie üben die Prüfung von Job-Anforderungen und Tests live und erhalten Handout 2.
- Events von MC Lago: Termine
- Teil 2: UBS-Bewerbungsprozess im Praxistest (erscheint am 21.11.2026)
- KI-Fitness Check Programm: Termin sichern
Verwandte Beiträge
- Blog A: KI-Risiko: Hinton vs. Huang
- Blog B: Burger-Test für KI im KMU
- Teil 2: UBS-Bewerbungsprozess im Praxistest (erscheint am 21.11.2026)
- Checkliste: KI-Fachkräfte Recruiting inkl. Vontobel-Beispiel
- Skills: Wichtige KI-Kompetenzen einfach erklärt
- UBS-Historie: UBS Marketing Flop · CSX Usability-Test
- Newsletter: Jetzt von DrKPI abonnieren
FAQ: Häufige Fragen
Was ist der Unterschied zwischen AI Literacy, AI Fluency und AI Skills?
AI Literacy: Grundverständnis mit kritischem Ansatz, für alle. AI Fluency: Nutzung im Job-Kontext, für die meisten. AI Skills: Anwendung und Entwicklung, für Spezialist:innen. Details in der Tabelle von DrKPI.
Wie schnell veralten KI-Skills?
Tool-Wissen verliert in Monaten an Wert. Grundkonzepte bleiben stabil. Darum auf General Skills filtern, nicht auf Hersteller-Wissen.
Soll ich KI im Recruiting einsetzen?
Ja, aber nur mit menschlicher Kontrolle und validierten Tests. KI-Modelle bevorzugen KI-geschriebene CVs um 67 bis 82% (Xu et al., 2026). Klare Systemanweisungen und Mehrheitsentscheide reduzieren die Verzerrung relativ um 17 bis 63%.
Was bedeutet Validität, was Reliabilität?
Validität: Der Test misst die Fähigkeit, die der Job braucht. Reliabilität: Der Test liefert jedes Mal dasselbe Ergebnis. Reliabilität allein genügt nicht: Ein Test kann zuverlässig das Falsche messen.
Fazit
🍔 Rekrutierung ist kein Tool-Problem. Sie ist ein Anforderungs-Problem. KI Skills rekrutieren gelingt mit klaren Anforderungen, validierten Tests und Vorurteilen, die man beim Namen nennt.
- KI-Modelle bevorzugen KI-geschriebene CVs um 67 bis 82% (Xu et al., 2026).
- Filter wie MINT oder GPA messen oft nicht, was der Job verlangt.
- Nur validierte Tests sagen voraus, wer im Job Leistung bringt.
Instruieren. Prüfen. Verbessern. Im Kontext von Gültigkeit, Zuverlässigkeit und Kontext.
Der Praxistest folgt in Teil 2: UBS-Bewerbungsprozess im Detail, Samstag, 21.11.2026.
#KIimKMU #AISkills #DrKPI
Literatur
Klicken für Quellenverzeichnis
ABC News Australia. (2025-05-08). AI job recruitment tools could enable discrimination, research finds. https://www.abc.net.au/news/2025-05-08/ai-job-recruitment-tools-could-enable-discrimination-research/105258820
Antony, R., Bral, B., Gleason, S., Ihm, J., Malhotra, A., Mathew, P., Nagaokar, S., Rajala, J., Truong, K., & Zhu, D. (2023-05-01). Analyzing unconscious bias in Indeed’s employee resume search. University of Maryland Libraries Digital Repository (DRUM). https://doi.org/10.13016/tmqp-ypveo
California Lawyers Association. (o. D.). The exclusionary impact of artificial intelligence (AI) in the workplace. https://calawyers.org/real-property-law/the-exclusionary-impact-of-artificial-intelligence-ai-in-the-workplace/
Castilla, E. J. (2025-12-15). AI is reinventing hiring, with the same old biases. Here’s how to avoid that trap. MIT Sloan, Ideas Made to Matter. https://mitsloan.mit.edu/ideas-made-to-matter/ai-reinventing-hiring-same-old-biases-heres-how-avoid-trap
Chen, Z. (2023-09-13). Ethics and discrimination in artificial intelligence-enabled recruitment practices. Humanities and Social Sciences Communications. https://www.nature.com/articles/s41599-023-02079-x
Clark, P. (2026-10-13). What if AI prefers CVs written by AI? Financial Times, Business Life, S. 24. https://ft.pressreader.com/article/281822880758151
Dastin, J. (2018-10-10). Amazon scraps secret AI recruiting tool that showed bias against women. Reuters. https://www.reuters.com/article/world/insight-amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK0AG/
Gattiker, U. E. (2020-10-26). CSX Credit Suisse Digital Bank: Top oder Flop? DrKPI Blog. https://drkpi.com/de/csx-credit-suisse-digital-banking-usability-test/
Gattiker, U. E. (2023-11-18). UBS Marketing Flop: (K)eine Bank wie die Schweiz? DrKPI Blog. https://drkpi.com/de/ubs-marketing-flop-mit-stereotypen-klischees/
Gattiker, U. E. (2024-08-10). Trends in AI Recruiting: Leitfaden mit Checkliste. DrKPI Blog. https://drkpi.com/de/ai-recruiting-software-trends/
Gattiker, U. E. (2026-02-14). Entscheidende KI-Skills 2026: Was für KMU wirklich zählt. DrKPI Blog. https://drkpi.com/de/wichtige-ki-kompetenzen-einfach-erklaert/
Gattiker, U. E. (o. D.). KI-Fachkräfte Recruiting: Checkliste. DrKPI Blog. https://drkpi.com/de/ki-fachkraefte-recruiting-checkliste/
McFeely, S., & Wigert, B. (2019-03-19). This fixable problem costs U.S. businesses $1 trillion. Gallup. https://www.gallup.com/workplace/247391/fixable-problem-costs-businesses-trillion.aspx
Sightsin Plus. (2025). AI in recruitment: Challenges and future trends 2025. https://www.sightsinplus.com/editorial/ai-in-recruitment-challenges-and-future-trends-2025
UBS. (2026-11). 2027 Graduate Talent Program, Tech, IT Product Manager, Zurich [Stellenbeschrieb]. https://jobs.ubs.com
Veldanda, A. K., Grob, F., Thakur, S., Pearce, H., Tan, B., Karri, R. & Garg, S. (2023-10-08). Are Emily and Greg Still More Employable than Lakisha and Jamal? Investigating Algorithmic Hiring Bias in the Era of ChatGPT. https://doi.org/10.48550/arXiv.2310.05135. Pressemitteilung 2023-12: https://engineering.nyu.edu/news/women-may-pay-mom-penalty-when-ai-used-hiring-new-research-suggests
Wilson, K., & Caliskan, A. (2024-07-29). Gender, race, and intersectional bias in resume screening via language model retrieval. Proceedings of the 2024 AAAI/ACM Conference on AI, Ethics, and Society (AIES). https://arxiv.org/abs/2407.20371
Xu, J., Li, G., & Jiang, J. Y. (2026-06-06). AI self-preferencing in algorithmic hiring. arXiv. https://arxiv.org/abs/2509.00462
Erklärung zur KI-Nutzung
Klicken für die Erklärung zur KI-Nutzung
Alle Kernideen, die kreative Ausrichtung und der intellektuelle Inhalt stammen vom Autor. KI-Tools wurden ausschliesslich zur Unterstützung bei Grammatik, Verständlichkeit und struktureller Überarbeitung eingesetzt. Jedes Element des endgültigen Werkes wurde von Urs E. Gattiker, Ph.D., DrKPI®, geprüft und genehmigt.
Über DrKPI®
Klicken für mehr über DrKPI®
DrKPI® (CyTRAP Labs GmbH) unterstützt KMU und Mittelstand bei der KI-Strategie bis 2028: KI-Engineering (Beratung, Audit, Implementierung), messbare Marketing-KPIs und Compliance (DSGVO und EU AI Act).
Urs E. Gattiker, Ph.D., DrKPI®, Mitgründer von CyTRAP Labs, Experte für KI-Strategie und Governance.
+41 76 200 77 78 · info@drkpi.com · https://drkpi.com/de/kontakt
Newsletter
DrKPI Newsletter abonnieren
Bleiben Sie informiert über KI-Praxis für KMU, nächste Beiträge der Serie und den Webinar-Termin.
Dieser Beitrag ist Teil 1 von 2 der Serie «KI Fitness Check für KMU». Teil 2: UBS-Bewerbungsprozess im Praxistest (erscheint am 21.11.2026).