Dr. Philipp Karl Seegers
Dr. Philipp Karl Seegers

Alexander Petsch: [00:00:06] Glückauf und herzlich Willkommen zu den heutigen HRM Hacks. Mein Name ist Alexander Petsch. Ich bin der Gründer des HRM Instituts, euer Gastgeber. In unserer heutigen HRM Hacks Folge spreche ich mit Dr. Philipp Karl Segers zu KI und Algorithmen im Recruiting.

Mit Philipp habe ich schon mal einen Podcast aufgenommen und zwar zu Hacks um Graduates für dein Unternehmen zu begeistern. Wer die Folge nicht gehört hat, kann ich euch nur ans Herz legen. War eine sehr schöne, sehr schöner Austausch, den wir da hatten und sind bestimmt eine ganze Reihe von spannender Tipps und Tricks für Recruiting von Graduates dabei.

Philipp ist Gründer und CEO von Candidate Select. Die große Datensätze und wissenschaftliche Methoden nutzen, um Bildungsabschlüsse weltweit vergleichbar zu machen. Und ansonsten forscht, würde mal sagen, ziemlich umfangreich an der Uni Maastricht und sagt von sich selbst er ist Data Nerd, also gehört zu den neuen Hipsters, sage ich mal, ja. Shoutout an Daniel Mühlbauer, ja? Daher, ja, herzlich Willkommen, Philipp. Schön, dass du da bist.

Dr. Philipp Karl Seegers: [00:01:32] Ja, danke. Danke, dass ich noch mal wiederkommen durfte. Sehr, sehr gerne und liebe Grüße an Daniel gehen auch raus. Wir haben uns immer mal ist auch schon lange her, dass wir uns kennengelernt haben beim lieben Peter Wald in Leipzig.

Haben uns immer mal getroffen. Da gab es so ein Speaker Dinner, da kam aber kein Speaker außer Daniel und ich und auch der, auch der liebe Professor Wald hat sich dann ganz schnell wieder verzogen, als er gesehen hat, wie Daniel und ich die Themen setzen. Wir saßen also zu zweit beim Speaker Dinner und hatten eine großartige Zeit. Also wir beide, sonst keiner.

Alexander Petsch: [00:01:59] Also einziger Unterschied ist Du hast keinen Rauschebart.

Dr. Philipp Karl Seegers: [00:02:02] Genau. Ich müsste also ich bräuchte jetzt noch drei Monate, aber dann.

Alexander Petsch: [00:02:08] Ja. Philipp. Also, Hacks zum Thema KI und Algorithmen im Recruiting.

Dr. Philipp Karl Seegers: [00:02:16] Ja, genau. Vielleicht, vielleicht leite ich kurz ein, warum ich meine, auf dem Thema sprechfähig zu sein. Jetzt haben wir letztes Mal über Graduates gesprochen und jetzt will der Seegers auf einmal auch noch über KI reden. Wie? Wie kommt der da irgendwie dazu?

Es ist tatsächlich so, dass ich Arbeitsmarktökonom und Statistiker bin, das heißt, und mich da so mit dem Übergang vom vom Studium in den Arbeitsmarkt beschäftige. Dann hatten wir letztes Mal ganz viel drüber gesprochen und wir haben einen ein Forschungsprojekt gestartet, 2015. Aus dem ist inzwischen Case geworden das Unternehmen, was ich leiten darf, neben der Forschung, und da entwickeln wir selber Algorithmen.

Wir waren nämlich total frustriert, dass Noten Arbeitsleistung nicht vorhersagen und wollten das besser machen und haben dann ganz viele Daten gesammelt und angefangen, Algorithmen zu bauen und sind tatsächlich einer der gar nicht so vielen Anbieter, die wirklich KI Lösungen haben, mit denen man die Personalauswahl verbessern kann.

Und das ist unser, unser unser tägliches Doing. Und deswegen finde ich das Thema total spannend, weil ich jetzt aus meiner praktischen Erfahrung viel berichten kann, wie solche Projekte bei Unternehmen laufen, wie man das erfolgreich aufsetzen kann. Was er so Bullshit Bingo ist und was tatsächlich funktioniert, heißt nicht, dass es nicht irgendwann dann doch funktioniert. Und genau deswegen, ja, freue ich mich auf das Gespräch und bin mal ganz gespannt, wo wir, wo wir heute rauskommen.

Alexander Petsch: [00:03:35] Ja. Wie glaubst du, wird sich das Thema vielleicht, wenn man noch mal ein bisschen von weiter weg drauf gucken, entwickeln? KI und Recruiting?

Dr. Philipp Karl Seegers: [00:03:45] Also erstmal ist das Recruiting einer der schlechtesten Anwendungsfälle für KI Lösungen. So ehrlich, so ehrlich müssen wir sein. Weil wenn wir jetzt überlegen große Datenmengen, dann hast du so ein Amazon oder so ein Netflix. Da klickt einer auf den Film und guckt den zu Ende,da klickt einer auf ein Produkt und kauft das und behält das auch. Die produzieren riesige Datenmengen, das ist nicht aufwendig.

Produkt kaufen tun viele Leute jeden Tag und da kriegst du schnell, schnell so eine Datenbank voll. Im HR-Bereich bedeutet das ja, ich muss jemanden einstellen und dann muss ich den auch noch X Jahre für mich arbeiten lassen, bis ich überhaupt oder X Monate, bis ich überhaupt einschätzen kann, ob der das gut macht oder schlecht macht. Das heißt, wir haben eine ganz andere Problematik, selbst die Unternehmen, die extrem viele Bewerbungen kriegen.

Ich habe jetzt letztens mal gehört, SAP kriegt weltweit fast 1 Million Bewerbungen pro Jahr. Das ist ja wirklich viel. Aber wenn ich das jetzt mal, dass er nur Bewerbungen von denen weiß ich ja erstmal noch gar nicht so viel. Wie viel werden dann eingestellt, und wenn ich das dann aber kontrastiere mit irgendwie anderen Wirtschaftsbereichen, das ist ja lachhaft, ist ja gar nichts. Also, und das ist nun mal so, dass KI Modelle extrem datenverschwenderisch sind. Also ich brauche extrem viele Daten, um diese Modelle ans Laufen zu kriegen, weil sie eben extrem viele Sonderfälle gesondert berechnen. Also wie wir Statistiken ein bisschen aufgepasst hat.

Und eine lineare Regression ist ganz einfach. Da hat man eine Datenwolke, da kommt irgendwie eine Linie durch. Visuell kann das jeder, statistisch ist vielleicht ein bisschen schwieriger. Und das, was dann die, die KI Algorithmen machen, ist, dass sie einfach für ganz, ganz viele Sonderfälle im Prinzip so kleine Dummie Variablen schätzen auf verschiedenen Layern und dadurch natürlich Dinge können, die wir vorher nicht abbilden konnten, ne? Bilderkennunggenerative also Chat GPT, Sprache…

Also ganz viele Dinge, die die vorher einfach überhaupt nicht abbildbar waren, mit denen mit den Modellen, die wir hatten. Ja, also es ist ein schlechter Anwendungsfall, Ich glaube, da würden mir wenige widersprechen. Trotzdem geht es nicht weg und es hat ganz viele Berührungen mit, mit dem HR-Bereich und das ist auch immer so ein zu oft genutztes Beispiel. Aber es ist halt ein weiteres Werkzeug in unserem Werkzeugkoffer.

Kann keiner mehr hören, aber es ist einfach so, es ist gerade ein bisschen gehypt. Jeder will jetzt gerade alles mit KI lösen in den letzten Jahren. Da werden auch Dinge mit KI gelöst, die überhaupt nie mit KI gelöst werden wollten oder müssen und wo die Ergebnisse auch gar nicht besser sind. Das ist aber gar nicht schlecht, weil so ein Hype natürlich auch hilft, sowas ein bisschen schneller in die Anwendung zu kriegen. Und da sind einfach an vielen Stellen Potenziale. Manches ist Quatsch, manches lohnt sich. Es wird definitiv nicht weggehen. Es wird aus der Arbeitswelt insgesamt nicht weggehen.

Und ja, man, man, man darf sich, glaube ich, darauf vorbereiten, dass man damit arbeitet und dass man damit Produktivitätsgewinne erzielt, was ja gut ist. Am Ende des Tages steigen die Löhne immer nur dann, wenn wir produktiver werden. Das heißt, das böse wirtschaftliche Wort der Produktivitätssteigerung entspricht eigentlich dem sehr, sehr populären Wort der Lohnerhöhung. Und deswegen dürfen wir uns eigentlich darauf freuen.

Alexander Petsch: [00:06:25] Hm, ich hätte fast gesagt, nach dem du gesagt hast, dass das HR der schlechteste Anwendungsfall für KI ist, “Komm lass uns aufhören und wir gehen gleich einen Wein trinken.” Aber jetzt machen wir mal weiter.

Dr. Philipp Karl Seegers: [00:06:37] Können wir trotzdem machen. Aber nein. Also der schlechteste ist… Auf jeden Fall nicht der erste Anwendungsbereich, der mir in den Kopf kommt. Es gibt sicherlich noch schlechtere.

Alexander Petsch: [00:06:44] Aber, ich habe neulich einen Podcast gemacht mit dem Bastian Naurath zum Thema “Wie kann ich denn die KI im Recruiting schlagen?” Als Recruiter. Aber ich habe gar nicht gedacht, dass das so eine Low Hanging Fruit dann war.

Dr. Philipp Karl Seegers: [00:06:58] Ja, also generell Leute einstellen ist eine ist eine Hochrisiko-Entscheidung. Also es geht. Es geht darum, dass wir den Fehler minimieren und wenn die KI uns dann anstelle helfen kann, dann sollten wir das tun.

Alexander Petsch: [00:07:07] Ja, worauf muss ich achten? Was wären so deine Tipps? Wie mache ich es besser, wenn ich es dann mache?

Dr. Philipp Karl Seegers: [00:07:13] Ja, also ich. Ich habe so ein bisschen.. Wenn ich mit Kunden spreche oder auf den Markt gucke, habe ich das Gefühl, dass da sind ein paar die, die hypen das, die finden das cool, die wollen alles mit KI machen. Und es gibt ein paar, die sind sehr skeptisch. Die KI nimmt uns die Jobs weg. Das möchte ich nicht. Die Mitbestimmung erlaubt das niemals. Die sind alle dagegen, da fallen hier die Arbeitsplätze weg. Datenschutz ist eine Katastrophe.

Und ich glaube, das erste, was wir so ein bisschen lernen müssen, ist, “Was machen wir damit eigentlich? Und was ist eigentlich gerade riskant? Und was ist nicht riskant?”. Ich mache das mal ein bisschen konkreter. Wir haben ganz viele Modelle, mit denen ich den Prozess vereinfachen kann, also wirklich nur den Recruitingprozess vereinfache.

Das ist nicht relevant für die Auswahl, sondern ich mache es einfacher. Ich, ich habe ein Tool, womit man Termine besser schedulen kann. Oder ich habe ein Tool, mit dem ich Stellenanzeigen schneller schreiben kann.

Oder ich habe ein Tool, was mir Feedback auf Stellenanzeigen gibt. Das hat natürlich schon gewisse Berührungspunkte zur Selbstselektion der Bewerbenden. Weil eine inklusive Stellenanzeige natürlich dann wieder hoffentlich mehr Leute anspricht als als eine andere. Aber es ist noch nicht wirklich riskant, weil ich nicht in dem Bereich bin, wo ich personenbezogene Daten kommuniziere.

Zum Beispiel, eine Stellenanzeige ist nicht schützenswert. Jedes Unternehmen postet jeden Tag, keine Ahnung, wie viele Stellenanzeigen irgendwo im Internet. Das sind öffentliche Informationen. Da muss ich gar nicht so sehr aufpassen, was ich mache. Andererseits gibt es natürlich auch Algorithmen, und das ist jetzt auch noch das Feld, in dem wir uns bewegen. Die sind irgendwie auswahlrelevant.

Dr. Philipp Karl Seegers: [00:08:34] Die sollen den Personen, den RecruiterInnen helfen, die richtigen oder die besseren Personen möglichst schnell zu identifizieren. Da spreche ich über etwas, was viel, viel riskanter ist. Da ist dann wieder unser Vorteil jetzt bei Case, wir sammeln keine personenbezogenen Daten, wir sammeln nur Bildungsinformationen.

Da ist niemand, der hat an der Uni Köln mit einer zwei einen Abschluss gemacht. Da kann ich keinen Personenbezug mehr herstellen. Den wollen wir auch gar nicht haben, weil das macht es dann auch wieder einfacher sowas anzuwenden. Das heißt, es gibt so ein paar Fragen, mit denen ich eigentlich auch mit ohne großes KI-Wissen, mit einem guten, gesunden Menschenverstand sehr, sehr schnell rausfinde. Kann ich das jetzt einfach mal ausprobieren und das machen, was ja cool ist.. Ein bisschen mal mit solchen, mit solchen Instrumenten rumspielen.

Oder ist das jetzt gerade hochgradig riskant? Ich sollte natürlich nicht die die Informationen aus den Lebensläufen meiner Bewerbenden einfach so bei Chat-GPT reinklimpern. Das heißt, es gibt, glaube ich, so ein paar einfache Fragen: “Haben die Daten einen Personenbezug? Ist das überhaupt schützenswert? Ist das gerade für den Prozess nur relevant?”. Also mach ich mir mein Leben einfacher oder betrifft das auch tatsächlich meine Auswahl? Also kann es sein, dass Leute jetzt abgesagt werden, weil ich diese KI benutze?

Mit solchen Fragestellungen kommt man, glaube ich recht schnell an den Punkt, wo man weiß, “Kann ich das jetzt machen oder muss ich erstmal mit meinen Kollegen im Datenschutz, in der IT Sicherheit oder mit der Mitbestimmung sprechen?”. Und ich glaube, sowas ist, das muss auch nicht lange dauern, aber über sowas darf man sich am Anfang einmal Gedanken machen und das kriegt man glaube ich auch ganz gut hin.

Alexander Petsch: [00:09:57] Und dein Tipp wäre sozusagen Einstieg erstmal mit Produktivität steigern und prozessoptimieren und nicht gleich mit der Auswahl.

Dr. Philipp Karl Seegers: [00:10:07] Ja, ich ich glaube, ich glaube, man kann das nicht so getrennt denken. Ich habe zwar jetzt gesagt, man muss sich angucken, wo das, wo, das wo das tangiert, aber es hängt ja immer alles miteinander zusammen. Wenn ich jetzt einen Algorithmus einführe, gibt es ja gibt es am Markt. Klappt leider noch nicht. Heißt nicht, dass es nie klappt, aber noch klappt es nicht.

Der jetzt irgendwie Bewerbende, die Videos nimmt und mir dann sagt, ob ich die einstellen soll oder nicht. Dann hat das natürlich auf der einen Seite ist das auswahlrelevant, aber auf der anderen Seite ist es ja auch, greift es ja auch in den Prozess ein, wenn ich mit den Leuten nicht mehr selber spreche. Ich würde sagen, da wird der Prozess objektiv schlechter, weil das ist ja keine Einbahnstraße. Recruiting.

Es geht ja nicht nur darum, dass ich die beste Person identifiziere, sondern es geht ja auch um, dass diese beste Person dann nachher auch für mich arbeiten möchte. Vielleicht hat die auch noch drei Fragen, die sie mir eigentlich stellen wollte. Das geht aber nicht, wenn ich das das Video nur irgendwie der KI vorlege.

Das heißt aber, über solche Sachen muss ich mir natürlich auch Gedanken machen und auch auch wir mit Case. Wir greifen natürlich in den Prozess ein. Da kann man dann vielleicht mal ein Assessment Test erst später machen oder nur für bestimmte Gruppen, weil ich eben vorher schon eine diagnostische Aussage habe, basierend auf den Daten, die ich sowieso schon im ATS stehen hatte, die dann eben eingeordnet werden und da mir eben eine gute Hilfestellung geben.

Dr. Philipp Karl Seegers: [00:11:18] Also man kann es nicht trennen, man muss sich Gedanken drüber machen. Es gibt Dinge, die tatsächlich nur Prozesse betreffen. Ich glaube, in dem Moment, wo es Auswahl mit betrifft, betrifft es auch immer den Prozess irgendwo, weil das natürlich irgendwas ändert. Jetzt sagst du, soll man nur mit dem Prozess anfangen? Ja, auf den Standpunkt könnte man sich stellen. Ich fände das ein bisschen langweilig.

Also wir haben einfach, wir dürfen, glaube ich, ein bisschen ehrgeiziger sein und wir haben so viele Baustellen und gerade Auswahlentscheidungen sind nicht da, wo wir sie gerne hätten. Also es ist generell schwer, die richtige Person zu identifizieren. Wir überschätzen uns da gerne selber ein wenig. Was auch gut klappt, weil wir das Counterfactual nicht haben.

Ich sehe ja nur die Person, die ich eingestellt habe. Wenn die gut ist, klopfe ich mir auf die Schulter. Vielleicht wäre die andere Person noch viel besser gewesen. Das sehe ich aber nie. Deswegen klopfe ich mir immer nur auf die Schulter. Und wenn ich das drei Dekaden gemacht habe, dann bin ich der Überzeugung, ich muss nur zehn Minuten mit jemandem reden und weiß sofort, ob der einen guten Job macht oder nicht.

Dr. Philipp Karl Seegers: [00:12:06] Absolute Hybris. Aber ja, sorry. Also ich finde das absurd. Ich finde auch, wir sagen immer HR soll menschlich sein. Aber sich dann auf den Standpunkt zu stellen, dass man innerhalb von Minuten einschätzen kann, was ein anderer Mensch kann, finde ich total unmenschlich. Also halte ich auch nicht viel von.

Aber gut. Also wir müssen das irgendwie immer so ein bisschen zusammendenken und ich glaube, wir haben auch bei der Auswahl echt noch ein paar Herausforderungen vor uns. Zum Beispiel so was wie Diversität, wo wir einfach besser werden müssen, wo bestimmte Berufsgruppen immer noch viel mehr Bewerbungen schicken müssen, bis sie mal einen Job kriegen.

Was heißt Berufsgruppen, Personengruppen. Also wenn ich jetzt eine türkische Frau mit Kopftuch wäre, würde ich wahrscheinlich 20, mehr als 20 mal so viele Bewerbungen schicken müssen wie als deutscher weißer Mann, der ich nun mal bin. Leider glücklicherweise. Wie auch immer. Und da mache ich es mir da ein bisschen leicht, wenn ich sage, ich mache diesen Prozess irgendwie schnell und automatisch. Vielleicht geht ja noch ein bisschen mehr. Da gibt es ja durchaus noch mehr Potenziale, die wir heben können. Und das, das sollte man auch tun.

Alexander Petsch: [00:13:05] Was ich spannend fand, war der Hack, den du so zwischen den Zeilen eigentlich gerade da eingestreut hast, nämlich dass man es auch aus der Bewerbersicht fühlen und denken sollte. Und dein Beispiel? Naja, nützt mir nichts, wenn ich den besten Kandidaten evaluiert habe, der aber dann nicht mehr zu mir möchte, weil ich nicht in der Lage war, auch zuzulassen, dass er seine Fragen stellt.

Dr. Philipp Karl Seegers: [00:13:29] Ja!

Alexander Petsch: [00:13:30] Ich glaube, das ist. Das ist auf jeden Fall ein ganz spannender und wichtiger Punkt.

Dr. Philipp Karl Seegers: [00:13:35] Ja, ich ertappe mich da selber ganz oft bei, weil ich ja auch irgendwie sehr aus dieser wissenschaftlichen, eignungsdiagnostischen Ecke komme, dass ich halt irgendwie. Das habe ich gesagt, Arbeitsmarktökonomen versucht rauszufinden, wer dann später den besten Job macht. Da denkt man halt sehr viel darüber nach. Aber es bringt ja nichts, den Besten zu identifizieren, wenn er nicht kommt oder die Beste.

Und ja, das heißt, wir tun ganz viele Dinge im Prozess, die gar nicht der Eignungsdiagnostik dienen, sondern der prozessualen Qualität. Und das ist vollkommen in Ordnung, weil das eben auch darauf einzahlt, dass ich am besten am Ende eine bessere Quality of Hire habe, weil die Leute eben auch zu mir kommen wollen. Und das merken wir auch. Ich meine, wir reden über Active Sourcing und was nicht alles. Da sprechen wir wirklich mit hohem manuellen Aufwand gezielt Personen an.

Das tun wir, weil wir, weil der Arbeitsmarkt halt auch einfach dreht. Das heißt, ein vollkommen automatisierter Recruitingprozess ist ja vielleicht für HR schön, muss man sich aber leisten können. Und selbst wenn man sich das leisten kann, weil man so viele Bewerbungen kriegt, dann muss man sich auch fragen, “Hätte ich jetzt nicht noch irgendwie was rausholen können, wäre nicht meine Einstellung gerade noch mal zehn/zwanzig % besser, wenn ich es anders gemacht hätte?

Alexander Petsch: [00:14:38] Wie ist das so mit den Kriterien und der, der Algorithmen.

Dr. Philipp Karl Seegers: [00:14:44] Also Kriterien? Wir reden jetzt wahrscheinlich über auswahlrelevante Relevanz. Wir haben jetzt eine neue Gesetzgebung dazu in der EU. Wie das jetzt alles genau kommt mit den ganzen KI-Stellen, also Behörden, die jetzt in den Ländern geschaffen werden müssen, die das dann evaluieren.

Außerdem ist die EU KI Definition so streng, dass überhaupt nichts, was gerade am Markt ist, als KI definiert werden würde. Also so wahnsinnig viele Sorgen müssen wir uns um diese Regulierung kurzfristig nicht machen. Das können wir eigentlich wie die DSGVO ein bisschen wegschieben und dann, wenn es irgendwann in drei, vier Jahren scharf geschaltet wird und knallt, dann können wir alle kurz für den Monat in Panik verfallen und danach merken, so schlimm war es eigentlich gar nicht. Aber… Also da kommt.

Alexander Petsch: [00:15:24] Der Hack für die EU Gesetzgebung gleich mal vorweggenommen. Ja.

Dr. Philipp Karl Seegers: [00:15:29] Ja, also da kommt jetzt was an Regulierung. Ich begrüße das absolut. Ich finde es nur komisch, dass wir jetzt KI so gesondert regulieren, weil wir haben einfach ganz viele andere Dinge, die wir tun im HR Bereich. Also wir haben ein allgemeines Gleichbehandlungsgesetz in Deutschland. Das gibt ja eigentlich Leitplanken, was man machen darf.

Das Problem ist halt, dass es ein zahnloser Tiger, wenn man das halt nie nachweisen kann, dass da wirklich jemand aufgrund von Hautfarbe oder sonst irgendwas nicht eingestellt wurde. Das heißt, wir haben, wir haben ja irgendwie generell ist Hiring ein sozial sehr wichtiger Punkt, weil wenn ich keinen Job kriege, dann ist eben meine, dann bin ich nicht in gleichem Maße ein Teil der Gesellschaft, dann bin ich nicht in gleichem Maße sozialisiert.

Das ist einfach total wichtig, dass ich am Arbeitsmarkt partizipieren kann. Und deswegen sind natürlich auch Einstellungsprozesse gesellschaftlich wichtig, und das hat man jetzt hier in der KI-Verordnung, das ist als Hochrisikofall definiert, eben mit dem Disclaimer, dass alles, was gerade so am Markt ist, eigentlich keine KI ist.

Also da sind wir wieder beim Buzzword Bingo, aber das, was KI ist, ändert sich sowieso alle drei Jahre. Also in den 80er haben Sie gesagt, eine simple if-Bedingung ist, dass es künstliche Intelligenz, also umso besser wir werden, umso strenger werden wir in unserer KI. Definition. Das heißt, das schiebt man eh immer voneinander her, da muss man jetzt ein bisschen mit leben. Ich finde, dass alles, was wir im Einstellungsprozess tun sollten und das ist natürlich erst recht die KI.

Ich meine, wenn die es nicht besser kann, dann brauchen wir die wirklich nicht. Sollte im Prinzip den, den  Leitplanken folgen, die die Eignungsdiagnostik, die die schlauen Psychologen und Psychologinnen, die es so gibt, da vorgegeben haben. Das heißt, wir sprechen über Validität, gibt vier Validitätskriterien ich mache jetzt hier keinen komplizierten Fachvortrag draus, aber gerade prognostische Validität sollte gegeben sein. Die reicht aber nicht aus.

Dann denken wir alle an Amazon. Sie kann auch keiner mehr hören. Die Geschichte über die KI, die da nur Männer eingestellt hat, die hat eine Bomben prognostische Validität, weil die haben ja immer nur Männer befördert und die KI hat nur Männer eingestellt, das heißt, die hat genau das getan, was eigentlich dann später bei der Arbeitsleistung positiv bewertet wurde.

Also prognostische Validität reicht auch nicht aus. Wir müssen auch noch ein bisschen über Fairness und so was nachdenken, gerade wenn wir eben menschliche Entscheidungen als Metrik für die tatsächliche Arbeitsqualität heranziehen und darauf versuchen zu optimieren. Das trifft aber auch nicht nur auf KI zu, das trifft auch auf alles andere zu. Das heißt, Validität und Fairness müssen wir im Blick behalten. Und dann? Es gibt eine DIN Norm dazu.

Man macht eine Anforderungsanalyse, überlegt sich was ist wichtig? Dann wählt man die Instrumente aus und dann evaluiert man, ob das, ob das eigentlich alles am Ende so geklappt hat. Und auch da würde ich gar nicht groß anders sehen. Es gibt Dinge, die kann die KI gut. In unserem Fall 240 Millionen Studierende weltweit, über 30.000 Universitäten. Alle benoten anders, alle haben andere Gruppenzusammensetzung. Das ist was, was man gut mit Daten lösen kann.

Deswegen machen wir das mit Case. Kein Mensch kann sich das alles merken, wie an jeder Uni auf dieser Welt benotet und bewertet wird. Das schreit nach Automatisierung und das schreit natürlich auch nach einer Qualitätsverbesserung durch Daten. In anderen Bereichen ist das nicht der Fall und bei allem sollte man aber eigentlich den gleichen Maßstab anlegen Validität und Fairness. Und dann macht man, glaube ich, einen guten Job.

Alexander Petsch: [00:18:24] Wie würdest du denn dann noch mal einen Schritt zurück, empfehlen, da ranzugehen? Also du hast gerade gesagt ja, sozusagen die Anforderungsanalyse machen, ja, dann die Instrumente auswählen und dann sozusagen, sozusagen diese evaluieren. Ja, okay, und das würdest du genauso für KI?

Dr. Philipp Karl Seegers: [00:18:43] Genau. Ich würde nicht sagen, ich will jetzt was mit KI machen und deswegen mache ich jetzt was mit KI, sondern ich würde sagen, ich will dieses Problem lösen. Und wenn ich dann feststelle, dass ich das mit KI gut kann, also jetzt koche ich wieder so ein bisschen in unserer Suppe. Aber ich merke zum Beispiel, ich habe hier ein Traineeprogramm und mir ist es eigentlich wichtig.

Ich habe die Anforderungen, die sollen studiert haben. Also habe ich als Unternehmen definiert und mir ist es das ist mir wichtig, Ja, dann muss ich natürlich irgendwie angucken, was die studiert haben und was sie da gemacht haben, weil ansonsten ist ja irgendwie Binärstudium gut, nicht Studium schlecht. Ist ja ein absurdes Kriterium.

Gibt ja ganz viele Leute, die toll sind und nicht studiert haben und ganz viele Leute, die studiert haben und halt, aber sich da nicht sonderlich angestrengt haben. Das heißt, wenn ich dieses Kriterium jetzt definiere und sage, das ist für diese Stelle wichtig, dann muss ich mir überlegen, wie kann ich eigentlich die Bildungsabschlüsse bewerten?

 Und dann kann ich natürlich hingehen und sagen, ich mache ein manuelles Screening und eine Eins ist gut und ein Master ist gut. Und dann sind wir so ein bisschen wieder da, wo wir letztes Mal drüber geredet haben. FH ist schlecht, Uni ist toll und das sind so meine Kriterien. Aber das ist einfach nicht schlau. Das sind keine guten Kriterien.

Es ist ein manuell aufwändiger Prozess und wir haben ja gesagt, die Lücke zwischen Unis und der FH. Jetzt machen wir gerade Werbung für unseren letzten Podcast, aber den sollte man sich natürlich anhören. Das sind ja keine sinnvollen Kriterien. Und wenn ich dann sehe, okay, da gibt es einen Algorithmus, der kann das in diesem Fall besser, weil der hat mehr Daten, der kann die Unis vergleichen, der kann das statistisch alles rechnen. Dann ist es doch spannend, diesen Algorithmus zu nutzen.

Dann muss ich, kann ich da vielleicht mal drüber nachdenken. Wenn ich eine andere Stelle habe, weil die Leute, wo die Leute total berufserfahren sind, wo sie 20 Jahre Berufserfahrung, irgendeine Leitungsfunktion, ja, da ist das natürlich kein Thema. Oder wenn ich, wenn ich im Blue Collar Bereich jemanden suche, vollkommen falsches Kriterium. Das heißt ich finde diesen wichtig ist, wenn ich das so rum sage, ist, was möchte ich eigentlich erreichen, Was ist mir bei den Leuten wichtig? Und so kann ich mich dann dem Ganzen nähern. Mache ich, mache ich einen Leistungstest, teste ich vielleicht andere Dinge eignungsdiagnostisch ab. Was mache ich für ein Interview?

Muss ich vielleicht sogar noch ein Assessment Center machen, weil das eine ganz wichtige Position ist? Oder ist das was, was sowieso sehr häufig durchrotiert, wo ich natürlich dann viel schlankeren Prozess brauche? Wie viele Leute will ich eigentlich einstellen? Wie stark muss ich überhaupt automatisieren? Das sind ja alles Fragen, die ich mir eigentlich ganz gut stellen kann. Ja, und ich glaube dann, das ist auch der richtige Angang.

Also nicht dieser Gedanke, Ich muss jetzt was mit KI machen und deswegen mache ich jetzt was mit KI, machen alle. Ich habe einen Job zu erledigen. Das ist die beste Position, die beste Person für eine bestimmte Position zu finden. Und wenn mir die KI da helfen kann, dann sehr gerne und wenn nicht, dann nicht. Und das klingt auch immer so hochtrabend, wenn ich sage Validität und Fairness und dann? Nee, das ist nicht schwer.

Dr. Philipp Karl Seegers: [00:21:04] Dafür muss man ja nicht den Algorithmus, den den Sourcecode lesen und Programmierer sein oder sonst was. Guckt euch doch einfach an, wie die Leute da bewertet werden. Dann habt ihr eine Excel Tabelle, dann zieht ihr einmal runter. Wie schneiden die Männer ab, wie schneiden die Frauen ab, wenn die Männer viel besser sind? Schlecht. Vielleicht nicht das richtige Kriterium. Also das ist das ist nicht nicht kompliziert, sich solche Dinge anzugucken oder dann in den Validitätskriterien, klar prognostische Validität, das ist wirklich der Killer, weil ich da muss ich bewerbenden Daten mit Mitarbeitenden Daten verbinden.

Da brauche ich auf jeden Fall in den meisten Unternehmen die Mitbestimmung mit an Bord. Ich muss Performancedaten zurück korrelieren auf den… Aber die meisten Anbieter haben da ja Studien zu gemacht. Die kann man sich ja auch angucken und dann darf man die auch ein bisschen fordern.

Da müssen Sie halt mal erklären, wenn es kompliziert ist. Und wenn sie es nicht gut erklären können, dann ist es schlecht. Dann würde ich vielleicht auch noch mal mit wem anders reden. Also man hat da recht viele Möglichkeiten, sowas anzugucken und das sollte ja eigentlich generell in einem Recruitingprozess der Fall sein. Auch da wieder Unternehmensgröße relevant.

Wenn ich jetzt drei Leute im Jahr einstelle und die arbeiten alle mit mir als Geschäftsführer eng zusammen, dann reicht es wahrscheinlich, wenn ich mit ihnen spreche. Aber wenn ich jetzt an große Unternehmen denke, da reden ja im Interviewprozess meistens ganz andere Leute mit denen als die später mit denen arbeiten. Also als solche, da braucht man einfach andere Lösungen.

Alexander Petsch: [00:22:17] Wie siehst du das in der Entwicklung zum Thema Persönlichkeitsanalyse und KI? Ist das, wird das der Burner? Ist das der Burner?

Dr. Philipp Karl Seegers: [00:22:24] Noch nicht. Also wir haben diesen Missmatch das erste Mal jetzt wenn wir über ist Persönlichkeit relevant jetzt wieder Anforderung. Warum sollte man eigentlich auf Persönlichkeit gucken? Weil Persönlichkeit den Berufserfolg vorhersagt. Gibt es gute Studien zu, gute Metaanalysen. Mein Doktorvater hat eine eine sehr gute geschrieben, zumindest zusammen mit Professor Heckmann.

Da kann man die lesen und dann sieht man okay, Persönlichkeit ist wichtig, bestimmte Persönlichkeitseigenschaften. Wenn man ein Big Five Modell nimmt, was ein gutes Modell ist. Es gibt auch sehr unseriöse Persönlichkeitsmodelle, so Richtung DISG oder Myers-Briggs und sowas. Finger von lassen.

Aber dann sieht man, dass es eben zusammenhängt. Also Gewissenhaftigkeit ist erklärt relativ viel Unterschied am Arbeitsmarkt und das ist also spannend, das zu sehen. Das Problem ist Persönlichkeit kann man nicht gut abtesten, wenn die Leute nicht wollen. Kognitive Fähigkeiten kann man auch nicht abtesten, wenn die Leute nicht wollen. Aber da können sie nicht besser sein.

Ich kann mich bei meinen Intelligenz, wenn ich nicht will, nur schlechter machen. Bei Persönlichkeit. Wenn ich nicht will, kann ich mich auch besser machen. Soziale Erwünschtheit also. In einem STANDARD Big Five Tests sind zu Fragen drin wie, “Ich bin oft traurig” oder “Ich beleidige Menschen”. Also für für Verträglichkeit oder für emotionale Stabilität sind das dann halt Items. Da weiß man schon, dass man da in einer einer Bewerbungssituation anders darauf antwortet, als wenn man den Test mit seinem Psychotherapeuten zur Selbstdiagnose macht, ne?

Es ist einfach so und das macht es schwer. Das sieht man auch in Studien, also Studien, wo Persönlichkeit in einem jobfremden Kontext gemessen und dann korreliert wird, haben in der Regel etwas stärkere Korrelate als die, die das im Bewerbungsprozess gemessen haben, weil die Leute halt da einfach anders antworten.

Dr. Philipp Karl Seegers: [00:23:54] Das ist auch total verständlich. Würde ich auch machen. Aber trotzdem Persönlichkeit ist wichtig. Also suchen wir verzweifelt nach Möglichkeiten, Persönlichkeit noch besser abtesten zu können. Am besten noch automatisierter, ne? 

Also normalerweise testet man das eben mit so Statements, die dann die Person beantworten müssen, inwieweit die auf sie zutreffen. Und dann gibt es verschiedene Dimensionen und so ist das dann alles. Und da gibt es ja die Idee, ich schreibe jetzt einen Text und aus dem Text her kann dann jemand meine Persönlichkeit herausschätzen.

Genau das gleiche Problem mit sozialer Erwünschtheit. Also wenn ich weiß, dass dieser Text genutzt wird, um meine Persönlichkeit zu schätzen, schreibe ich wahrscheinlich einen anderen Text, als wenn ich einfach ehrlich wäre oder ein Text von mir nehme. Abgesehen davon, dass wahrscheinlich in ein paar Jahren noch weniger Leute Texte selber schreiben, weil das macht ja dann ChatGPT.

Das heißt, dann gibt es das Modell, was die Persönlichkeit von dem anderen KI Modell untersucht. Herzlichen Glückwunsch, da sind wir auch nicht weitergekommen. Also Jo Diercks, wir haben ja im anderen Podcast gesagt, dass wir uns da in Hamburg auf der HRH getroffen haben. Der hat immer die schöne Geschichte vom Rattenrennen und das stimmt absolut, ne?

Also wenn dann irgendwann die Unternehmens KI gegen die bewerbenden KI antritt, dann ist es ja eine absurde Welt. Da kommen wir ja keinen Schritt voran. Aber trotzdem es ist ein spannendes Feld und deswegen wollen wir da so ein bisschen rein. Und dann gibt es/ gab es Precire. Hat halt nicht geklappt. Jetzt gibt es ein paar, die das irgendwie mit Videos machen. Mit Texten machen. Klappt bisher noch nicht. Aber es gibt erste Metaanalysen, in denen das klappt mit so ein paar Prototypen in klar definierten Rahmen für Studien.

Dr. Philipp Karl Seegers: [00:25:11] Ich glaube also, dass das irgendwann geht. Genauso gut geht, wie wenn man die Personen direkt testet. Aber an dem Punkt sind wir leider noch nicht und das ist immer schwierig. Ist tatsächlich jetzt auch so vorgegriffen. Wäre auch einer meiner Hacks gewesen, dass man so all die Wahrheiten, die man irgendwie gesammelt hat und an die man glaubt, dass man die tatsächlich vor allem im Bereich, der sich so schnell bewegt, häufiger mal überprüfen muss.

Also wir haben bei Case bis vor zwei Jahren unsere eigenen LMS trainiert, alle in die Tonne gekloppt. Wir haben keine Chance gegen die gegen die großen Sprachmodelle anzutreten. Wir nehmen die Daten jetzt zum Feintuning. Also man muss einfach. Es passiert so viel in dem Bereich, also wenn man sich überlegt, was ChatGPT jetzt kann, was irgendwie vor drei Jahren einfach nicht ging, weil die Modelle zu schlecht waren. Ich wäre ja wahnsinnig, wenn ich jetzt sage, das geht grundsätzlich nicht.

Aber ich sehe tatsächlich kaum Lösungen am Markt, die das können und die, die sagen, sie können es, publizieren, viel zu selten Studien, die das zeigen, was für mich dann immer so ein Zeichen ist. Okay, wenn sie es wirklich können würden, warum, warum gibt es denn dann da nichts, was das belegt?

Warum behaupten die es immer nur? Aber es ist super spannend. Es ist ein wahnsinnig, wahnsinnig spannendes Feld, Aber auch da ist dann wieder so der Bogen. Wenn ich dann irgendwann sage, ich habe hier die KI, die macht alles und du redest nur noch mit der KI, habe ich halt wieder einen Scheißprozess. Also man muss immer so ein bisschen alles miteinander, miteinander abwägen. Ja.

Alexander Petsch: [00:26:22] Ja, spannend. Ich meine auch gerade diese Woche hat der ChatGPT. Die nächste Stufe der Rakete, ich sag mal, gelauncht. Das jetzt sozusagen auch. Ich sage mal ChatGPT Augen hat, also sehen kann, auf die Kamera zugreifen und Emotionen erkennen kann, Kontexte erkennen kann. Das ist natürlich noch mal ein Jahr weiter gedacht.

Ja, bieten sich da vielleicht auch noch mal andere Lösungen, vielleicht auch andere Lösungen für eine Zweitmeinung? Und ich glaube, also Stand heute wäre mein Hack. Ich glaube, es braucht weiterhin, ich sag mal ein ein gutes Bauchgefühl oder eine gute Reflektion. Auch eine menschliche Reflektion. Im Recruiting, die da heißt, ist das alles gerade her, dass man sich nicht nur den Prozess hinterfragt. Ist das alles noch mal so richtig? Was wir hier machen? Ist das auch auf den Kandidaten oder die Kandidatin bezogen gerade? Der passende Schlüssel für das, was ich hier suche oder was ich vor mir habe?

Dr. Philipp Karl Seegers: [00:27:28] Ja, absolut. Und genauso gibt es halt auch da dann wieder Tools, die Videos erzeugen, wo ich gar nicht mehr selber das Vorstellungsgespräch führen muss, sondern ist ja auch bei LinkedIn nach wie vor ein paar Wochen schwer am trenden gewesen von jemand, der dann einfach eine KI das Gespräch hat führen lassen aus der für den Bewerbenden. Und ja, also wenn dann da kein Mensch bei ist, dann fällt es vielleicht auch keinem auf. Und also wir sollten das halt. Ich bin bei diesem Anwendungsfall tatsächlich ein bisschen zurückhaltender und kritischer.

Nicht weil ich es nicht spannend finde oder weil ich glaube, dass es nie gehen wird, aber weil ich nicht verstehe, wie es gut in den Prozess passt und sich irgendwie gut anfühlt. Und weil die Tools noch nicht da sind, dass sie eine wirkliche, sinnvolle Auswahl leisten. Ich meine, wenn ich einfach nur die Menge reduzieren will, dann kann ich auch würfeln. Das ist immerhin fair. Da habe ich dann keine Probleme mit der Diversität. Wenn die Tools tatsächlich noch nicht zeigen können, dass sie besser sind als der Würfel, dann ist es zwar fancy und ich kann da irgendwie drüber reden, aber ich habe wenig gewonnen.

Alexander Petsch: [00:28:20] Ja, oder auch wenn der Bewerbungsprozess, den ich hier über KI einsteuere, dazu führt, dass einfach meine Bewerbenden Anzahl so rapide abnimmt, dass ich dann im nächsten Schritt gegensteuere, in dem ich die Kriterien lockere. Ist auch eine super Idee. In Anführungszeichen. Ja, dann kann ich es auch gleich ganz sein lassen.

Dr. Philipp Karl Seegers: [00:28:40] Absolut. Aber auch da, das ist auch wieder ein komplexes Feld. Gibt es auch viel Forschung zu Akzeptanz von Algorithmen? Akzeptanz von KI in solchen Prozessen. Wenn man das erklärt, warum man das macht und warum das klappt und wie man das einsetzt, dann ist es durchaus positiv. Und es gibt auch, es gibt auch in der Forschung erste Anzeichen, dass gerade Gruppen, die in Recruitingprozessen eher befürchten, benachteiligt zu werden, dass die solchen Modellen sogar stärker vertrauen als menschlichen Entscheidungen.

Also auch da ist es wirklich vielschichtig. Ich mache mir nicht per se mit KI den Bewerbungsprozess kaputt, aber ich kann mir den kaputt machen. Ich kann ihn aber auch besser machen. Und wie das dann wirklich auf die einzelnen Gruppen wirkt. Wir sind echt noch am Anfang. Man kann viele Sachen inzwischen ausprobieren und machen. Die einfachen Fragen, die man sich stellen muss, ob man da jetzt einfach loslegen sollte, hatten wir am Anfang. Aber nicht alles, was am Markt ist, klappt.

Alexander Petsch: [00:29:27] Ja, Philipp Herzlichen Dank. Ja. Hat mir wieder Spaß gemacht, mich mit dir auszutauschen. Schön, dass du da warst.

Dr. Philipp Karl Seegers: [00:29:35] Ja, vielen, vielen Dank.

Alexander Petsch: [00:29:36] Und wenn ihr die Hacks des heutigen der heutigen Episode noch mal nachlesen wollt oder als Checkliste noch mal downloaden, dann einfach auf hrm.de gehen und da werdet ihr sie finden. Ja, also Glück auf, bleibt gesund und denkt dran der Mensch ist der wichtigste Erfolgsfaktor für euer Unternehmen.