Recruiting und Talent Acquisition
CV-Screening Tech-Profile mit Skill-Match und GitHub-Profil-Auswertung
Strukturiertes anonymisiertes CV-Screening für Tech-Profile (Software Engineer, DevOps, Data Engineer, ML Engineer) mit Skill-Match-Algorithmus, GitHub-Profil-Auswertung und Pflicht-menschlicher Letztentscheidung. anymize entfernt Bewerber-Name, Foto, Geburtsdatum, Adresse, Nationalität und GitHub-Username, bevor der CV an die KI geht, EU-AI-Act-Hochrisiko-konform.
Schwierigkeit: Spezialist · Datenklasse: Beschäftigtendaten · Letztes Review:
Zur Orientierung gedacht. Die personalrechtliche Würdigung im Einzelfall bleibt selbstverständlich bei Ihnen, KI-Outputs sind vor jeder Verwendung zu prüfen. Mehr dazu am Ende.
Anwendungsbereich
Worum geht es hier?
Tech-Recruiting hat das höchste CV-Volumen (50–200 Bewerbungen pro Vakanz in Engpass-Stellen) und gleichzeitig das höchste algorithmische Risiko: Skill-Match-Modelle reproduzieren historischen Bias (Workday-Mobley-Sammelklage in USA als Mahnung). Dieser UC vertieft das Master-CV-Screening für den Tech-Kontext mit Stack-Vokabular, Open-Source-Beiträgen und Senioritäts-Indikatoren.
Für wen passt das?
Zielgruppe und Kontext
- Rolle
- Tech-Recruiter, IT-Sourcer, HRBP Engineering, Hiring Manager Engineering (Tech Lead, Engineering Manager, VP Engineering).
- Seniorität
- Fortgeschritten, Compliance-Verständnis (EU AI Act, DSGVO Art. 22) und Stack-Vokabular Pflicht.
- Unternehmensgröße
- Tech-Startup, Scale-up, Mittelstand-IT, Konzern-IT.
- Spezifische Kontexte
- Engineering-Rollen (Frontend, Backend, Fullstack, DevOps, SRE, Platform, Data, ML, Security). Massen-Screening bei viralen Vakanzen.
Die Situation in der Personalabteilung
So bringen Sie Tempo und Sorgfalt zusammen
Tech-CVs haben Eigenheiten: (1) Skill-Stack-Tiefe vs. Breite, ein CV mit „React, Vue, Angular, Svelte” deutet eher auf Generalisten als auf tiefen Spezialisten. Generische LLMs erkennen das oft nicht; Skill-Match-Modelle (Eightfold AI, SAP Joule) sind präziser, aber als Hochrisiko-KI nach EU AI Act Annex III Nr. 4 reguliert. (2) GitHub-/OSS-Beiträge als Skill-Proof, birgt mittelbare Diskriminierung (AGG § 3 Abs. 2), weil Frauen und Karenz-Rückkehrer*innen statistisch weniger OSS-Beiträge haben. (3) Stack-Synonym-Mapping, KI muss semantisch matchen, ohne Junior-Profile mit alten Stack-Bezeichnungen auszufiltern (Alters-Bias). (4) DSGVO Art. 22: Reine KI-Entscheidung verboten, Pflicht-menschliche Letztprüfung. CVs enthalten Klasse-A-Daten (Name, Foto, Geburtsdatum, Nationalität, Adresse, GitHub-Link).
Was Sie davon haben
Zeit, Wert, Vertraulichkeit
Zeit pro CV
5–15 Min
LinkedIn Future of Recruiting 2025: ~20 % Zeit-Entlastung. McKinsey HR-Monitor 2025: 19 % Kernprozesse GenAI.
Volumen-Hebel
500–2.000 EUR/Vakanz
Bei 100 CVs pro Vakanz × HR-Vollkosten ~50–80 EUR/h.
Risiko-Hebel
120 k EUR
BAG 8 AZR 74/25 als Anker; algorithmische Diskriminierung im Tech-Screening kann Sammelklage-Volumen erreichen (Workday-Mobley-Parallele in USA).
Erkennungsrate
>95 %
Name, Foto, DOB, Adresse, Nationalität, GitHub-Username dreifach geprüft. Foto entfernt.
So gehen Sie vor
Der Workflow Schritt für Schritt
CV-Import aus ATS (Personio, Greenhouse, SuccessFactors) + Job-Profil mit Skill-Tags (Must-haves, Nice-to-haves).
Mensch + System
Datenbasis
Datenklassifikation: Bewerber-Name, Foto, Geburtsdatum, Adresse, Nationalität, Familienstand, GitHub-Username = Klasse A. Stack-Skills, Erfahrungs-Jahre = Klasse C.
Mensch
§ 26 BDSG · DSK-OH KI
Pseudonymisierung mit anymize: [[Bew-Name-…]], [[Foto entfernt]], [[DOB-…]], [[Adresse-…]], [[Nat-…]], [[GitHub-User-…]]. Foto entfernen, kein Personen-Bild im LLM.
anymize
DSGVO · AGG · Art. 22
Spot-Check: Restidentifikatoren (z.B. seltene Stack-Kombination + ungewöhnliche Firmen-Historie).
Mensch
NER-Restrisiko
KI-Skill-Match: Job-Profil-Skills vs. CV-Skills → strukturierter Match-Score mit Begründung pro Skill. Keine Gesamt-Rangliste, sondern Skill-für-Skill-Match.
Frontier-KI
EU AI Act Annex III · DSGVO Art. 22
KI-Output strukturiert: Must-have-Erfüllung (Y/N pro Skill), Nice-to-have-Erfüllung, OSS-Beiträge (sofern GitHub-Link vorhanden), Senioritäts-Indikatoren, Unsicherheiten/Lücken.
Frontier-KI
Transparenz
Pflicht-menschliche Letztentscheidung: Recruiter prüft Skill-Match; entscheidet Interview-Einladung. KI-Empfehlung ≠ Entscheidung.
Mensch
DSGVO Art. 22 · EU AI Act Art. 26
Re-Identifikation im HR-System (Bewerber-Name re-bind). Logging: KI-Empfehlung + menschliche Entscheidung + Begründung in ATS.
anymize + Sie
Re-Bind · EU AI Act Art. 26 Logs 6 Monate
Feedback an Bewerber innerhalb der gesetzlichen Fristen; bei Ablehnung AGG-konforme Begründung (keine algorithmische Ablehnung ohne menschliche Prüfung).
Mensch
AGG · § 26 BDSG
Womit Sie arbeiten
So setzen Sie anymize konkret ein
Was anymize tut
- Erkennt Bewerber-Name, Foto, Geburtsdatum, Adresse, Nationalität, Familienstand, GitHub-Username mit über 95 % Erkennungsrate.
- Foto wird entfernt, kein Personen-Bild im LLM (AGG-Bias-Schutz).
- Bidirektionale Anonymisierung mit Re-Identifikation im HR-System.
- Daten in deutschen Rechenzentruzen (Hetzner). AVV nach Art. 28 DSGVO.
Was Sie als Tech-Recruiter tun
- Job-Profil mit max. 5–7 Must-have-Skills definieren.
- Pflicht-menschliche Letztentscheidung treffen (DSGVO Art. 22).
- Skill-für-Skill-Match validieren; OSS-Bias vermeiden (keine Mütter/Karenz-Rückkehrer*innen ausfiltern).
- EU AI Act Art. 26 Logs (6 Monate) aktivieren; bei produktivem Hochrisiko-KI-Tool FRIA + DPIA durchführen.
Daten-Input
Pseudonymisierter CV-Text; Job-Profil mit Skill-Liste (Must-haves max. 5–7, Nice-to-haves).
Output-Kontrolle
Skill-für-Skill-Match-Tabelle (Job-Profil-Skill | CV-Beleg-Skill | Match Y/Teilweise/N | Begründung 1 Satz), Senioritäts-Indikatoren-Liste, Unsicherheiten mit „Aus CV nicht ableitbar:” Präfix, Disclaimer „KI-Empfehlung, finale Entscheidung trifft Recruiter (DSGVO Art. 22)”.
Freigabeprozess
Recruiter prüft Skill-Match; Pflicht-menschliche Letztentscheidung; Logging in ATS (EU AI Act Art. 26 Logs 6 Monate).
Die KI-Anweisung
Prompt zum Kopieren
So nutzen Sie diesen Prompt:
1. CV in anymize einfügen, Anonymisierung läuft automatisch (Name, Foto, DOB, Adresse, Nationalität, GitHub-User werden zu Platzhaltern; Foto entfernt).
2. Prompt + Job-Profil anhängen, Thinking-Modus aktivieren.
3. KI-Output mit Skill-für-Skill-Match prüfen, keine Gesamt-Rangliste.
4. Pflicht-menschliche Letztentscheidung im ATS dokumentieren; Logging EU AI Act Art. 26 (6 Monate); bei Hochrisiko-Tool FRIA + DPIA.
# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt das CV-Screening für eine
deutsche Tech-Rolle (Software Engineer, DevOps, Data Engineer, ML Engineer).
Der CV-Text ist pseudonymisiert: Bewerber-Name, Geburtsdatum, Adresse, Foto,
Nationalität entfernt oder durch [[Kategorie-Hash]]-Platzhalter ersetzt.
Stack-Skills sind Klartext.
# Role (R)
Du agierst als Tech-Recruiter mit Stack-Vokabular und Hochrisiko-KI-
Bewusstsein (EU AI Act Annex III Nr. 4; DSGVO Art. 22). Du kennst
BAG 8 AZR 74/25 und AGG mittelbare Diskriminierung.
# Action (A)
1. Skill-für-Skill-Match: Job-Profil-Skill | CV-Beleg-Skill |
Match (Y/Teilweise/N) | Begründung (1 Satz).
2. Erfahrungs-Indikatoren neutral fassen: Jahre in Tätigkeit nur, wenn
Job-Profil das explizit verlangt, sonst weglassen (Alters-Bias).
3. OSS-Beiträge als Skill-Proof, aber NICHT als Negativ-Indikator bei
fehlenden Beiträgen (Mütter/Karenz-Rückkehrer*innen schützen).
4. Stack-Synonym-Mapping: „Node.js”="Backend JavaScript", semantisch matchen.
5. Senioritäts-Indikatoren aus konkreten Verantwortlichkeiten ableiten
(Architektur-Entscheidungen, Mentoring, Tech-Lead-Rolle), nicht aus
Berufsjahren.
6. Unsicherheiten explizit: „Aus CV nicht ableitbar:” Präfix.
7. Keine Gesamt-Rangliste und keine Einstellungs-Empfehlung, beides
obliegt dem Menschen.
# Format (F)
- Tabelle Skill-Match
- Senioritäts-Indikatoren-Liste
- Unsicherheiten-Liste mit „Aus CV nicht ableitbar:” Präfix
- Disclaimer: „KI-Empfehlung, finale Entscheidung trifft Recruiter
(DSGVO Art. 22)”
# Target Audience (T)
Recruiter, der eine Interview-Entscheidung treffen muss. Erwartung:
Strukturierter Match-Output ohne Bias-Risiken.So sieht der Input aus
Pseudonymisierter Eingabetext
Job-Profil: Senior Backend Engineer
Must-haves: Java/Kotlin, Spring Boot, Kubernetes, AWS oder GCP, Postgres, Kafka
Nice-to-haves: Redis, Datadog, TDD-Praxis
CV-Input (pseudonymisiert):
Bewerber*in [[Bew-a3f9]] | Foto entfernt | DOB [[DOB-b2e7]] | [[Adresse-c4d1]]
Stationen:
2019–2024 Backend Engineer bei [[Firma-d4f3]]
- Kotlin + Spring Boot Microservices
- Kubernetes auf AWS EKS
- Postgres + Kafka Event Sourcing
- CI/CD: GitHub Actions + ArgoCD
- Tech-Lead-Rolle für 4-köpfiges Team
2016–2019 Software Developer bei [[Firma-e8a2]]
- Java + Spring; Oracle DB
- Erste Kubernetes-Touches
Ausbildung: B.Sc. Informatik [[Uni-f5b3]] 2016
GitHub-Profil: [[GitHub-User-…]] (52 Stars, 8 OSS-Beiträge zu Spring-Ökosystem)So liefert anymize zurück
Der KI-Entwurf
## Skill-Match-Tabelle
| Job-Profil-Skill | CV-Beleg | Match | Begründung |
|---|---|---|---|
| Java/Kotlin | Kotlin + Spring Boot Microservices 2019–2024 | Y | Mehrjährige produktive Anwendung |
| Spring Boot | Microservices in Spring Boot | Y | Belegt |
| Kubernetes | Kubernetes auf AWS EKS | Y | Produktive Anwendung |
| AWS oder GCP | AWS EKS | Y | AWS belegt |
| Postgres | Postgres + Kafka Event Sourcing | Y | Belegt |
| Kafka | Kafka Event Sourcing | Y | Belegt |
| Redis (Nice-to-have) | Aus CV nicht ableitbar | N | Kein Beleg |
| Datadog (Nice-to-have) | Aus CV nicht ableitbar | N | Kein Beleg |
| TDD-Praxis (Nice-to-have) | Aus CV nicht ableitbar | N | Kein Beleg |
## Senioritäts-Indikatoren (aus Verantwortlichkeiten)
- Tech-Lead-Rolle für 4-köpfiges Team
- OSS-Beiträge zum Spring-Ökosystem (8 PRs)
- Architektur-Entscheidung: Event-Sourcing-Pattern eingeführt
## Unsicherheiten
- Aus CV nicht ableitbar: Redis-, Datadog-, TDD-Praxis.
- Aus CV nicht ableitbar: Tatsächlicher Beitrag des Bewerbers zum
Event-Sourcing-Pattern (Team-Beitrag vs. Eigenleistung).
## Disclaimer
KI-Empfehlung. Finale Interview-Entscheidung trifft Recruiter
(DSGVO Art. 22; EU AI Act Art. 26). KI darf keine Ablehnung allein
begründen.Was das HR-Recht verlangt
Pflichten und wie anymize sie abdeckt
EU AI Act Annex III Nr. 4 (SRC-0231)
CV-Screening = Hochrisiko-KI. Pflicht-Aufsicht, Logs 6 Monate (Art. 26), Information der Bewerber (Art. 50). Bei produktivem Hochrisiko-Tool: FRIA (Art. 27) + DPIA (Art. 35 DSGVO).
DSGVO Art. 22 (SRC-0240)
Reine KI-Entscheidung verboten, menschliche Letztentscheidung Pflicht. KI-Output ist Empfehlung, nicht Ablehnung. ATS-Logging der menschlichen Entscheidung + Begründung Pflicht.
DSGVO Art. 28 (SRC-0242)
AVV bei jedem Hochrisiko-KI-Anbieter (Eightfold, SAP Joule, Workday Illuminate, Frontier-LLM).
AGG § 1, 3, 7 (SRC-0217)
Mittelbare Diskriminierung durch OSS-Bias, Stack-Alters-Bias. OSS-Beiträge dürfen nicht als Negativ-Indikator herhalten (Mütter/Karenz-Rückkehrer*innen-Schutz).
BAG 8 AZR 74/25 (SRC-0256)
120 k EUR Anker für algorithmische Diskriminierung. Workday Mobley-Sammelklage (USA) als Mahnung für DE-Deployer.
Datenschutz und Vertraulichkeit
So funktioniert das mit anymize
CV-Daten sind besonders sensibel: Name, Foto, Geburtsdatum, Adresse, Nationalität, GitHub-Username. anymize entfernt sie vor dem KI-Aufruf; Foto wird komplett entfernt (kein Personen-Bild im LLM). Rechtsgrundlage Art. 6 Abs. 1 lit. b DSGVO (vorvertragliche Maßnahmen) + § 26 BDSG. Bei produktivem Hochrisiko-Tool zusätzlich Art. 35 DSGVO (DPIA) + EU AI Act Art. 27 (FRIA) bei öffentlichen Auftraggebern. Verarbeitung in deutschen Rechenzentren (Hetzner). AVV nach Art. 28 DSGVO.
Was anymize konkret leistet
- Erkennt Bewerber-Name, Foto, Geburtsdatum, Adresse, Nationalität, Familienstand und GitHub-Username mit über 95 % Genauigkeit.
- Foto wird komplett entfernt, kein Personen-Bild im LLM-Kontext (AGG-Bias-Schutz).
- Bidirektionale Anonymisierung mit Re-Identifikation im HR-System nach KI-Antwort.
- Daten in deutschen Rechenzentren (Hetzner). AVV nach Art. 28 DSGVO.
- Alternative Compliance-Ansätze: Eightfold AI (Hochrisiko-KI mit eigener FRIA), SAP SuccessFactors Joule (Tier-1-Hosting), Workday Illuminate (Mobley-Klage-Kontext beachten), Personio AI (EU-Hosting Frankfurt), Greenhouse (ATS-fokus).
Sicherheitscheck vor der Veröffentlichung
Was anymize liefert, was Sie souverän entscheiden
Vor dem KI-Aufruf
- Pseudonymisierungs-Spot-Check; Foto entfernt?
- Job-Profil mit max. 5–7 Must-have-Skills definiert?
- EU AI Act Art. 26 Logs aktiviert (6 Monate)?
Nach der KI-Antwort
- Skill-für-Skill-Match (keine Gesamt-Rangliste)?
- OSS-Bias-Check (keine Mütter/Karenz-Diskriminierung)?
- Stack-Synonym-Mapping geprüft?
- Senioritäts-Indikatoren aus Verantwortlichkeiten, nicht Berufsjahren?
- Unsicherheiten dokumentiert mit „Aus CV nicht ableitbar:” Präfix?
Vor Interview-Entscheidung
- Menschliche Letztentscheidung im ATS dokumentiert (DSGVO Art. 22)?
- FRIA + DPIA durchgeführt (bei produktivem Hochrisiko-KI-Tool)?
- AGG-konforme Begründung bei Ablehnung?
Typische Fehlermuster und wie anymize gegensteuert
- →KI liefert Gesamt-Rangliste statt Skill-für-Skill-Match, Prompt zwingt zu strukturiertem Match.
- →KI nutzt OSS-Beiträge als Negativ-Indikator (Karenz-Rückkehrer*innen ausgefiltert), AGG-§-3-Abs-2-Risiko.
- →Senioritäts-Indikatoren aus Berufsjahren („8+ Jahre Erfahrung”), Alters-Bias; Prompt zwingt zu Ableitung aus Verantwortlichkeiten.
- →Vollautomatische Ablehnung ohne menschliche Letztentscheidung, DSGVO Art. 22 Verstoß.
- →EU AI Act Art. 26 Logs nicht aktiviert, Compliance-Mangel; bei AGG-Klage kein Beweis-Schutz.
Rechtsgrundlagen
Normen, Urteile, Belege
Primärnormen: EU AI Act und DSGVO
- CV-Screening Hochrisiko-KI
- Deployer-Pflichten + Logs 6 Monate
- Keine vollautomatische Entscheidung
- AVV-Pflicht bei Hochrisiko-KI-Anbieter
Primärnormen: Antidiskriminierung und Datenschutz
- Beschäftigtendatenverarbeitung
- Mittelbare Diskriminierung
- 120 k EUR algorithmische Altersdiskriminierung
- CV-Daten pseudonymisieren vor LLM-Transfer
Studien und Mahnung
- ~20 % Zeit-Entlastung
- KI-Effekte HR
- AGG-Mahnung für DE-Deployer
Stand: · Nächste Überprüfung:
Hinweis zur Nutzung
Zur Orientierung, nicht als Ersatz für die HR-Letztverantwortung
Diese Anleitung beschreibt einen Arbeitsablauf, den Sie mit anymize umsetzen können. Sie ist zur Orientierung gedacht und ersetzt weder die personalrechtliche Würdigung im Einzelfall noch eine arbeits- oder mitbestimmungsrechtliche Prüfung. Welche Rechtsprechung einschlägig ist, wie der Sachverhalt arbeitsrechtlich zu bewerten ist, welche Entscheidungen in Ihrem konkreten Fall richtig sind, das bleibt selbstverständlich bei Ihnen und Ihrer HR-Letztverantwortung.
KI-Outputs müssen vor jeder Verwendung HR-fachlich geprüft werden. Insbesondere personenbezogene Entscheidungen (Einstellung, Beförderung, Kündigung) dürfen nicht allein auf KI-Empfehlungen gestützt werden (DSGVO Art. 22, EU AI Act Art. 26). anymize gewährleistet die Vertraulichkeit der Beschäftigtendaten gegenüber dem KI-Anbieter; die fachliche Richtigkeit und die rechtliche Verantwortung liegen in Ihrer Hand.
Jetzt starten.
14 Tage kostenlos testen.
Alle Modelle. Alle Features. Keine Kreditkarte.
Lieber erst zuschauen? Kostenloses Webinar – Anonymisierung live
Wir sind überzeugt von anymize. Und wir wissen: Bei einem KI-Werkzeug, das Mandanten-, Patienten- oder Mitarbeiter-Daten berührt, reicht ein Demo-Video nicht. Deshalb 14 Tage voller Zugang – alle Modelle, alle Features, keine Kreditkarte. Genug Zeit, um sicher zu sein, bevor du uns vertraust.
Dein KI-Arbeitsplatz wartet.