Eine offene Stelle im Mittelstand bringt im Durchschnitt 20 bis 80 Bewerbungen, in Recruiting-Agenturen und Personaldienstleister-Pools sammeln sich pro Welle schnell mehrere Hundert. Die manuelle CV-Sichtung kostet realistisch 30 bis 60 Sekunden pro Profil. Bei 500 Bewerbungen sind das 4 bis 8 Stunden allein für die Vorsortierung. Mit einem CV-Screening-Agent im CorporateLLM sortieren Sie dieselben 500 Bewerber in 5 Minuten vor, mit höherer Genauigkeit als bei manueller Sichtung.
Überblick: Ein CV-Screening-Agent leitet aus einer hinterlegten Scorecard eine Rubrik ab. Die Scorecard fixiert Knockout-Kriterien und gewichtete Proxy-Kriterien. Der Agent wendet diese Rubrik identisch auf jeden CV an. Output ist eine sortierte Rangliste mit Tier-Bändern A, B und C plus einer separaten Knockout-Sektion. So spart Ihr HR-Team bis zu 90 Prozent der Zeit im Screening-Prozess.
| Für wen | Personaldienstleister, Recruiting-Agenturen und jedes KMU mit mehr als 50 Bewerbungen pro Monat |
| Anwendungsfälle | Initial-Sichtung, Backlog-Aufarbeitung, Re-Scoring nach Scorecard-Update |
| Outcome | Eine sortierte Liste aller Bewerber in 5 Minuten, mit Tier-Bändern A/B/C und Knockout-Sektion |
CV-Screening im Mittelstand: warum 500 Bewerbungen einen ganzen Arbeitstag kosten
Der Recruiting-Verantwortliche liest CV für CV, meist nebenher zwischen Interview-Slots und HR-Tagesgeschäft. Bei 500 Bewerbungen sammeln sich so 4 bis 8 Stunden allein für die Vorsortierung, bevor das erste Telefonat geführt wird.
Wie viel Zeit dabei tatsächlich pro Profil bleibt, ist umstritten: Personaler schätzen sich selbst auf 2 bis 3 Minuten pro CV, eine Eyetracking-Studie von Ladders 2018 misst nur 7,4 Sekunden initialen Scan. Realistisch landet die effektive Bearbeitungs-Zeit bei 30 bis 60 Sekunden pro Profil, abhängig von Profil-Qualität, Tagesform und wie ähnlich der CV der Stelle ist. Was nicht umstritten ist: Die Vorsortierung frisst wertvolle HR-Zeit, bevor irgendein Interview geführt wurde.
Der eigentliche Auftrag: eine faire, belegbare Vorauswahl der Top-Profile.
Die Realität: Bewertungsraster bei CV #1 ist nicht mehr dasselbe wie bei CV #500 (Ermüdung), Knockout-Begründungen sind häufig Bauchgefühl statt Fakten.
ChatGPT für CV-Screening: drei DSGVO-Fallen
Der naheliegende Reflex im Recruiting: ChatGPT öffnen, CV einfügen, „bewerte diesen Kandidaten gegen unsere Stellenausschreibung" tippen. Drei Probleme schalten dieses Setup im B2B-Mittelstand sofort aus.
- DSGVO-Falle. Bewerberdaten landen auf US-Servern, ohne AVV, ohne EU-Hosting, ohne Audit-Trail. Das ist nicht „etwas problematisch", das ist ein Verstoß gegen Art. 28 DSGVO plus Drittstaatentransfer.
- Konsistenz-Falle. Ohne hinterlegte Scorecard erfindet das LLM die Bewertungskriterien aus dem ersten CV und wendet sie inkonsistent auf die nächsten an. Wer als Zweiter im Stapel liegt, wird nach anderen Maßstäben bewertet als der Erste.
- Bias-Falle. Name, Geschlecht, Alter, Foto, Nationalität, Adresse und Familienstand wandern alle mit in den Prompt. Der unbewusste Bias der manuellen Sichtung wird nicht eliminiert, er wird automatisiert reproduziert.
Was im Mittelstand fehlt, sind also nicht KI-Lizenzen. Es ist ein System aus Plattform, Wissensmanagement und Scorecard, das diese drei Fallen strukturell ausschließt.
CV-Screening-Agent: per LLM mit Scorecard zu Tier-Bändern
Der Agent in unserem Production-Setup läuft auf Claude Opus 4.7 mit Temperature 0.1. Bewusst deterministisch: die Aufgabe verlangt Vergleichbarkeit, nicht Kreativität. Als Wissen liegt genau eine Datei hinterlegt: die Scorecard für die Rolle als Markdown. Der Systemprompt zwingt zwei Phasen. Phase 1 leitet die Rubrik vor dem ersten CV ab. Phase 2 bewertet jeden CV mit der fixierten Rubrik.
Eine Scorecard definiert drei Dinge:
- Knockout-Kriterien (binär, hart): formale Mindestanforderungen wie Ausbildung, Mindest-Berufsjahre, praktische Software-Erfahrung.
- Proxy-Kriterien mit Gewichten (Summe 100 Prozent): die rolle-kritischen Fähigkeiten, die im CV erkennbar sind. Skill-Stack, Projektscope, Tenure, Branchen-Routine.
- Interview-only-Kompetenzen (nicht aus dem CV bewertbar): Kommunikation, Belastbarkeit, kulturelle Passung. Der Agent ignoriert diese bewusst, statt sie zu raten.
In 4 Schritten zum eigenen CV-Screening-Agent
- Scorecard schreiben. Die Stellenausschreibung reicht nicht. Sie definieren die Mission der Rolle und 5 Outcomes nach 6 bis 9 Monaten. Dann die Competencies mit Verhaltens-Ankern (1 / 3 / 5) und Gewichten. Knockouts und Flags trennen: Flags sind Hinweise für die manuelle Sichtung, kein Ausschluss.
- Knowledge-Datei hochladen. Sie laden die Scorecard als Markdown in das Wissensmanagement des CorporateLLM hoch.
- Agent anlegen. Custom Agent, Claude Opus 4.7, Temperature 0.1. Systemprompt mit Phase 1 (Rubrik ableiten) und Phase 2 (CVs bewerten). Bias-Regeln und Output-Schema (Markdown-Tabelle mit Rang, Score, Tier, Begründung) explizit machen. Scorecard als einziges Knowledge-Item verknüpfen.
- Smoke-Test (10 Minuten). Drei reale CVs unterschiedlicher Kaliber hochladen. Prüfen, ob die Rubrik aus Phase 1 plausibel ist und ob alle Score-Begründungen aus dem CV-Text belegt sind.
Time-to-Value: ein Vormittag. Die Scorecard überlebt die Stelle. Bei 12 wiederkehrenden Rollen-Profilen im Mittelstand-Recruiting bauen Sie einmal ein Scorecard-Set. Danach steht der Agent für jede neue Ausschreibung in unter 30 Minuten live.
Vorher/Nachher: 4 bis 8 Stunden CV-Sichtung vs. 5 Minuten
Tier-Bänder sind A (Score ab 75), B (55–74), C (unter 55). Tier A geht direkt in den Interview-Slot, so bekommen die besten Bewerber die schnellste Rückmeldung. Tier B und C sehen Sie vor dem endgültigen Cut manuell durch, beide Tiers bleiben sortiert im Bewerber-Pool mit dokumentierter Begründung pro Kandidat.
| Kennzahl | Vorher (manuell) | Mit CV-Screening-Agent |
|---|---|---|
| Zeit für 500 CVs | 4 bis 8 Stunden | 5 Minuten |
| Bewertungsraster CV #1 vs CV #50 | abnehmend (Ermüdung) | identische Rubrik aus Phase 1 |
| Knockout-Begründung pro Ausschluss | Bauchgefühl, ad hoc | benanntes Kriterium aus der Scorecard |
| Bias durch Name, Adresse, Foto, Alter | unbewusst möglich | per Systemprompt blockiert |
| Audit-Trail bei BR- oder AGG-Rückfrage | Notizen oder nichts | Rangliste + Begründung als Markdown |
CV-Screening und DSGVO
Bewerberdaten sind sensibel. Drei Punkte sind im KMU-Setup relevant:
- EU-Hosting und AVV. CorporateLLM läuft auf EU-Infrastruktur, das Routing zu den Modellen über einen EU-Layer. Hochgeladene CVs verlassen den Account nicht im Modell-Training. Der AVV ist deutsch, gegen den Ihr Datenschutzbeauftragter tatsächlich arbeiten kann.
- Betriebsrats-Mitbestimmung. Der Einsatz fällt unter Paragraph 87 Absatz 1 Nummer 6 BetrVG (technische Einrichtung zur Verhaltens- und Leistungskontrolle). Der Agent liefert genau das Material, das eine BR-Vereinbarung verlangt: dokumentierte Kriterien, dokumentierte Bewertungslogik, Audit-Trail pro Kandidat. Eine BR-Vereinbarung zum CV-Screening-Agent ist in vielen mittelständischen Setups in 2 bis 4 Sitzungen erreichbar. Bei größeren Betriebsräten mit eigenem Datenschutz-Ausschuss entsprechend länger.
- AGG-Pflichten und Löschung. Bewerberdaten sind nach Stellenbesetzung 2 Monate für mögliche Schadensersatz-Ansprüche nach Paragraph 15 AGG aufzubewahren, in der Praxis hält man 6 Monate für die Klagefrist. Danach greift die Lösch-Pflicht nach Art. 17 DSGVO für sämtliche Bewerber-Daten, inklusive der LLM-generierten Rangliste und der gespeicherten Chat-Konversation in CorporateLLM. Die Lösch-Routine planen Sie zentral in Ihrer HR-Software, CorporateLLM-Inhalte können Sie pro Chat oder Space gezielt entfernen.
CV-Screening-Agent in CorporateLLM: 7 Tage testen, eigene Scorecard hochladen
Wollen Sie sehen, wie der CV-Screening-Agent in CorporateLLM konkret aussieht? 7 Tage kostenlos testen, ohne Zahlungsdaten. Account anlegen, Scorecard hochladen, ersten Run starten.
Hintergrund zur Plattform-Entscheidung:
LLM-Plattform für den Mittelstand: 4 Wege im Vergleich.
Häufige Fragen
Wie funktioniert CV-Screening mit einem CorporateLLM-Agent?
Sie legen die Scorecard für die Rolle einmal als Wissen ab und laden die CVs pro Chat hoch. Der Agent leitet zuerst eine Rubrik mit Knockout-Kriterien und gewichteten Proxy-Kriterien aus der Scorecard ab und wendet sie dann auf jeden CV identisch an. Output ist eine durchgehende Rangliste mit Tier-Bändern A, B und C, plus eine separate Sektion für Bewerber, die ein Knockout-Kriterium verfehlen.
Wo landen die Bewerberdaten und ist das DSGVO- und BR-konform?
CorporateLLM läuft auf EU-Infrastruktur, das Routing zu den Modellen erfolgt über einen EU-Layer. Hochgeladene CVs verlassen Ihren Account nicht im Modell-Training, der AVV ist deutsch. Für die Betriebsrats-Mitbestimmung nach Paragraph 87 BetrVG haben Sie mit Scorecard und dokumentierter Bias-Regel das Material, das Ihre BR-Vereinbarung verlangt: nachvollziehbare Kriterien, dokumentierte Bewertungslogik, Audit-Trail pro Kandidat.
Warum braucht der Agent eine Scorecard und nicht nur die Stellenausschreibung?
Ohne Scorecard erfindet das LLM Kriterien aus dem ersten CV und wendet sie inkonsistent auf die nächsten an. Die Scorecard fixiert vor dem ersten Bewerber, was Knockout ist, welche Fähigkeiten gewichtet werden und welche Punkte erst im Interview geprüft werden. So bekommen alle CVs denselben Maßstab, nicht den Maßstab des Reihenfolge-Zufalls.
Funktioniert das Pattern für jede Rolle oder nur für Buchhaltung?
Für jede Rolle, für die Sie eine Scorecard schreiben können. Wir haben CV-Screening-Agents für Finanzbuchhaltung, Software-Engineering, Service-Techniker und Vertriebs-Innendienst gebaut. Der Aufwand verschiebt sich von der Tool-Seite zur Scorecard: 60 bis 90 Minuten sauber definieren, was A-Performance in der Rolle heißt, dann läuft der Agent in einer Stunde drumherum.
Kann der Agent Bias vermeiden?
Der Agent ignoriert per Systemprompt Name, Geschlecht, Alter, Foto, Nationalität, Adresse und Familienstand. Jede Score-Vergabe braucht einen konkreten CV-Beleg. Das eliminiert nicht jeden Bias, aber es entfernt die Faktoren, die in der manuellen Sichtung am häufigsten unbewusst einfließen.
