Blog
Verzerrungen in Einstellungsprozessen mit KI erkennen und reduzieren
Unbewusste Vorurteile können Bewerber benachteiligen und geeignete Personen ausschließen. Bei vielfältigen Belegschaften ist die Wahrscheinlichkeit besserer Geschäftsergebnisse um 35% höher. KI kann fairere Verfahren unterstützen, wenn Daten, Bewertungen und Ergebnisse regelmäßig geprüft werden.
Das Problem:
In Studien erhielten identische Lebensläufe je nach zugeschriebener ethnischer Herkunft oder Geschlecht bis zu 50% unterschiedliche Rückmeldequoten. Verzerrungen können von der Kandidatensuche bis zur abschließenden Auswahl auftreten.
Voreingenommenheit im Recruiting verstehen
Unbewusste Vorurteile zeigen sich in verschiedenen Mustern. Wer diese Muster erkennt, kann konkrete Verfahren zur Verringerung von Verzerrungen entwickeln.
Bevorzugung ähnlicher Personen
Bei der Auswahl werden Kandidaten bevorzugt, deren Hintergrund, Interessen oder Kommunikationsstil den eigenen ähneln.
Bestätigungsfehler
Informationen, die den ersten Eindruck bestätigen, erhalten mehr Gewicht. Widersprüchliche Belege werden dagegen übergangen.
Halo-Effekt
Eine einzelne positive Eigenschaft, etwa eine angesehene Ausbildung, prägt die gesamte Bewertung. Andere wichtige Faktoren erhalten dadurch zu wenig Gewicht.
Unklare Vorstellungen von kultureller Passung
Ähnlichkeit wird mit "Passung" verwechselt. Menschen mit anderen Denkweisen oder einem anderen Hintergrund werden dadurch seltener berücksichtigt.
Wie KI die Prüfung auf Verzerrungen unterstützen kann
KI kann Hinweise auf Verzerrungen aufzeigen, die bei der manuellen Prüfung übersehen werden. Dafür gibt es drei Einsatzbereiche; ihr Nutzen hängt von den Daten, den Kriterien und der laufenden Kontrolle ab.
Anonymisierte Lebenslaufsichtung
Bei der anonymisierten Vorauswahl entfernt die KI vor der menschlichen Prüfung Informationen, die Rückschlüsse auf eine Person erlauben. Dazu zählen Namen, Adressen, Abschlussjahre und weitere demografische Angaben.
Auswirkung:
Anonymisierte Vorauswahl führt zu 30% vielfältigeren Bewerbergruppen in der Interviewphase und verbessert die Qualitätskennzahlen um 25%.
Strukturierte Bewertungskriterien
Festgelegte Kriterien sollen dafür sorgen, dass alle Bewerber nach demselben Maßstab bewertet werden. Gewichte und Standards müssen dafür vorab dokumentiert und Änderungen während des Verfahrens kontrolliert werden.
- Kompetenzen anhand der Stellenanforderungen gewichten und bewerten.
- Erfahrungen auf ihre Relevanz für die Aufgaben prüfen, statt nur Berufsjahre zu zählen.
- Arbeitsproben anhand festgelegter Kriterien auswerten.
Sprache auf Verzerrungen prüfen
KI kann Stellenbeschreibungen und Rückmeldungen zu Interviews auf voreingenommene Sprache prüfen. Solche Formulierungen können Bewerber mit unterschiedlichen Hintergründen abschrecken oder auf Verzerrungen in der Bewertung hinweisen.
Problematische Formulierungen:
- "Aggressiv" oder "dominant"
- "Cultural Fit" ohne Definition
- "Muttersprachler"
- "Berufsanfänger"
Bessere Alternativen:
- "Ergebnisorientiert" oder "strategisch"
- "Werteausrichtung" mit Spezifika
- "Exzellente Kommunikationsfähigkeiten"
- "3+ Jahre Erfahrung"
Die Herausforderung der KI-Trainingsdaten
KI kann Verzerrungen aus den Trainingsdaten übernehmen. Historische Einstellungsentscheidungen eignen sich deshalb nicht ungeprüft als Maßstab für künftige Empfehlungen.
Das Amazon-Beispiel:
Amazon gab ein Recruiting-Werkzeug auf, nachdem eine Benachteiligung von Frauen festgestellt worden war. Das System war mit Lebensläufen aus 10 Jahren trainiert worden, die überwiegend von Männern stammten. Es wertete Begriffe wie „Frauen“ negativ, etwa in „Kapitänin des Frauen-Schachclubs“.
Historische Entscheidungen müssen auf Verzerrungen geprüft werden, bevor sie als Trainingsgrundlage dienen.
KI-Verfahren auf Verzerrungen prüfen
Prüfen Sie Ihre Trainingsdaten
Prüfen Sie historische Einstellungsdaten vor dem KI-Einsatz auf wiederkehrende Verzerrungen. Entfernen Sie entsprechend verzerrte Dateneinträge oder passen Sie deren Gewichtung an.
Fragen Sie: Wer wurde eingestellt? Wer wurde abgelehnt? Gab es demografische Muster bei den Ergebnissen?
Empfehlungen regelmäßig auf Verzerrungen prüfen
Prüfen Sie die KI-Empfehlungen monatlich auf ungleiche Auswirkungen. Als Vergleichsmaßstab dient die 80%-Regel aus dem EEOC-Kontext.
Liegt die Auswahlquote einer Gruppe unter 80% der Quote einer anderen Gruppe, sollte die Ursache untersucht werden.
Unterschiedliche Perspektiven im Entwicklungsteam
Unterschiedliche Perspektiven im Entwicklungsteam helfen, mögliche Verzerrungen bei Gestaltung und Prüfung der Systeme zu erkennen.
Erklärbare KI
Empfehlungen sollten nachvollziehbare Begründungen enthalten, damit Verantwortliche Auswahl- und Ablehnungsgründe prüfen können.
Menschliche Aufsicht
Geschulte Verantwortliche sollen die Empfehlungen prüfen und die endgültige Einstellungsentscheidung selbst treffen.
Erfolg messen
Mit diesen Kennzahlen überprüfen Sie die Maßnahmen:
Vielfalt der Bewerbergruppen
Erfassen Sie in jeder Einstellungsphase, wie sich die Bewerbergruppen zusammensetzen.
Ungleiche Auswirkungen
Vergleichen Sie die Auswahlquoten der verschiedenen Gruppen miteinander.
Einstellungsqualität
Arbeitsleistung verschiedener Gruppen nach der Einstellung vergleichen.
Wirtschaftliche Zusammenhänge
Für Unternehmen mit überdurchschnittlicher Vielfalt zeigen Studien folgende Ergebnisse:
- 19% höhere Innovationsumsätze (BCG)
- 35% höhere finanzielle Renditen (McKinsey)
- 70% höhere Chance, neue Märkte zu erobern (Harvard)
- 2,3x höherer Cashflow pro Mitarbeiter über 3 Jahre (Josh Bersin)
KI-Empfehlungen laufend prüfen
KI ist nicht automatisch vorurteilsfrei. Nötig sind klare Kriterien, menschliche Aufsicht und laufende Prüfungen. Einheitliche Verfahren sollten mit fachlichem Urteil und unterschiedlichen Perspektiven verbunden werden, damit mehr geeignete Bewerber eine faire Chance erhalten.
Themen: Vielfalt und Teilhabe (DEI) · KI-Ethik · rechtliche Anforderungen
Das Auswahlverfahren besprechen
Besprechen Sie, welche Kriterien für Ihre Stellen relevant sind und wie Ihr Team Bewertungen und mögliche Verzerrungen prüfen kann.
Weitere Artikel
Einstellungsdauer verkürzen: Ein datenbasierter Ansatz mit 70%-Beispiel
So verkürzen Sie Ihre Einstellungsprozesse. Eine Auswertung von mehr als 10.000 Verfahren in mehr als 500 Unternehmen zeigt Verkürzungen um 70% oder mehr bei gleichbleibender …
LesenGen Z gewinnen: Was Bewerber von Arbeitgebern erwarten
Die Gen Z stellt 2025 rund 30% der Erwerbsbevölkerung. Entwicklung, Flexibilität, Werte und schnelle Rückmeldungen bestimmen ihre Arbeitgeberwahl – mit konkreten Vorschlägen für Ihr …
LesenRemote-Teams aufbauen: Von der Kandidatensuche bis zur Einarbeitung
So suchen Sie weltweit nach geeigneten Mitarbeitenden, gestalten zeitversetzte Auswahlverfahren und arbeiten neue Teammitglieder aus der Ferne ein.
Lesen