KI im Recruiting: Der 4-Wochen-Plan für den erfolgreichen Einstieg

Ein Rückblick auf die XING Summer School mit Sourcing-Experte Johannes Dalampiras

Wer im Recruiting arbeitet, kennt das Gefühl: Fast täglich erscheint ein neues KI-Tool, das angeblich alles verändern wird. Genau mit diesem Dilemma eröffnete Sourcing-Experte Johannes Dalampiras seine Session bei der diesjährigen XING Summer School – und lieferte gleich zu Beginn die passende Einordnung dafür.

Die Kernbotschaft: KI skaliert Mittelmaß

Statt eines Zitats über Active Sourcing, mit dem er sonst gern startet, wählte Johannes Dalampiras für diese Session einen anderen Leitsatz: KI skaliert Mittelmaß. Ist der zugrunde liegende Prozess schwach, wird er durch den Einsatz von KI lediglich schneller schwach. Seine Empfehlung an Recruiting-Teams: Nicht die Frage “Welches Tool brauchen wir?” steht am Anfang, sondern die Frage nach dem eigentlichen Problem – welcher Prozessschritt kostet Zeit, Qualität oder Fokus, und wie weit entfernt er das Team vom Kandidaten oder von der Kandidatin. Erst danach lässt sich sinnvoll entscheiden, welches Tool tatsächlich weiterhilft.

Ebenso wichtig ist Johannes Dalampiras’ Hinweis, KI und Automation begrifflich zu trennen: Nicht jede Automatisierung nutzt künstliche Intelligenz, und nicht jeder KI-Einsatz automatisiert einen Prozess. Kommen beide Elemente zusammen, spricht man von Agentic AI – ein Punkt, auf den die Session am Ende noch einmal einging.

Sein Fazit für den praktischen Einsatz im Recruiting: Automatisiert werden sollten nicht ganze Recruiting-Prozesse, sondern einzelne, klar abgegrenzte Aufgaben. Überall dort, wo Menschen Entscheidungen treffen müssen, soll diese Entscheidung auch bei Menschen bleiben.

Der 4-Wochen-Startplan

Um diesen Einstieg greifbar zu machen, brachte Johannes Dalampiras einen Vier-Wochen-Plan mit, der bewusst auf Grundlagenniveau ansetzt – ohne festen Zeitdruck, denn einzelne Phasen können sich durchaus über mehrere Wochen erstrecken.

Woche 1: Die eigene Wissensbasis aufbauen

Der erste und aus Johannes Dalampiras’ Sicht wichtigste Schritt: eine eigene Datengrundlage schaffen, damit KI-Tools nicht ausschließlich auf öffentliche Trainingsdaten zurückgreifen. Ohne validen Kontext liefern KI-Systeme vor allem eines – Durchschnitt, weil sie auf breit gestreute, generische Trainingsdaten angewiesen sind.

Johannes Dalampiras beschreibt dieses Prinzip als RAG (Retrieval Augmented Generation): Das System sucht zunächst in der eigenen Datenbasis nach relevanten Informationen, reichert damit den Kontext an und generiert erst danach eine Antwort. 

Für die praktische Umsetzung im Arbeitsalltag reicht laut Johannes Dalampiras oft eine bereits vorhandene Infrastruktur – etwa ein sauber strukturiertes SharePoint- oder Google-Drive-Verzeichnis, das mit Microsoft Copilot oder einem vergleichbaren Tool verknüpft wird. Enthalten sein sollten etwa bewährte Stellenanzeigen-Vorlagen oder Best-Performer-Beispiele, an denen sich das KI-Tool orientieren kann.

Zum Einstieg genügen laut Johannes Dalampiras PDF- oder Word-Dateien, auch wenn diese Formate für maschinelles Lesen nicht optimal sind. Wer weiter ist, profitiert von Formaten wie Markdown oder CSV. Als eigenes Beispiel nennt Johannes Dalampiras seine persönliche Sourcing-Bibliothek: eine über Jahre gewachsene Sammlung erfolgreicher Suchstrings und Projekte, auf die sein KI-Tool zugreift, bevor es neue Suchstrings generiert.

Datenschutz-Hinweis aus der Session: Werden personenbezogene Kandidatendaten mit KI verarbeitet, muss laut Johannes Dalampiras sichergestellt sein, dass Bewerbende dieser Verarbeitung explizit zustimmen – das reine Opt-in zur Datenspeicherung reicht nicht aus, wenn das ATS-System die KI-Verarbeitung nicht gesondert abfragt.

Woche 2: Prompting – weg vom Pseudo-Prompt

In Woche zwei rückte das Thema Prompting in den Fokus. Johannes Dalampiras grenzt hier klar ab zwischen kurzen “Pseudo-Prompts” – etwa der Bitte, eine Ansprache zu formulieren – und strukturierten Systemprompts. Pseudo-Prompts liefern zwar brauchbare, aber generische Ergebnisse; erkennbar etwa an aufgeblähten Kandidatenansprachen, die zwar sprachlich aufgehübscht sind, sich inhaltlich aber kaum von Standardtexten unterscheiden.

Ein belastbarer Systemprompt sollte laut Johannes Dalampiras mindestens drei, im Idealfall sechs Kernelemente enthalten – darunter in jedem Fall Task, Context und Exemplar (ein konkretes Beispiel). Als Praxisbeispiel zeigte er seinen eigenen “Storytelling-Assistenten”: ein mehrseitiger Systemprompt mit klaren Regeln dazu, wie aus den Eckpunkten einer Stellenausschreibung eine überzeugende Kandidatenansprache entsteht.

Wichtig ist Johannes Dalampiras die Einordnung, dass der nötige Detailgrad vom Anwendungsfall abhängt: Standardisierte Kommunikationstemplates (etwa für Zwischenstände oder Absagen) benötigen deutlich weniger Regelwerk als etwa ein Sourcing-Assistent für komplexe Boolesche Suchstrings, bei dem Details wie der korrekte Einsatz von Anführungszeichen oder Klammern über die Qualität der Suchergebnisse entscheiden.

Woche 3: Wiederkehrende Aufgaben über Assistenten standardisieren

Aufbauend auf sauberem Prompting geht es in Woche drei um sogenannte Assistenten: ausführliche, wiederverwendbare Systemprompts für Aufgaben, die im Arbeitsalltag regelmäßig anfallen. Als Beispiele nennt Johannes Dalampiras Kandidatenprofile für den Fachbereich, das Matching von Bewerbungen gegen Anforderungsprofile oder Absageschreiben mit hinterlegten Absagegründen.

Ein Praxistipp aus der Session: Assistenten sollen so gestaltet sein, dass sie bei fehlenden Informationen gezielt nachfragen – etwa mit einer Regel wie “Stelle maximal fünf Rückfragen, falls Informationen zu Thema X fehlen.” Erst wenn alle relevanten Angaben vorliegen, führt der Assistent die eigentliche Aufgabe aus.

Zur begrifflichen Abgrenzung stellt Johannes Dalampiras klar: Ein Assistent führt eine Anweisung aus, ohne selbst zu entscheiden. Trifft das System dagegen eigenständig Entscheidungen, spricht man von einem agentischen Vorgehen.

Woche 4: Automation – und die Grenzen der Selbstständigkeit

Im letzten Schritt geht es um die Automatisierung ganzer Abläufe. Johannes Dalampiras betont, dass Automatisierungs-Tools wie Make oder n8n mittlerweile deutlich einsteigerfreundlicher geworden sind: Statt aufwendiger manueller Konfiguration lassen sich Workflows heute weitgehend über Prompts anlegen.

Jeder Automatisierungsprozess besteht laut Johannes Dalampiras aus vier Grundbausteinen: einem Trigger (der auslösenden Situation), der benötigten Information, der auszuführenden Aktion und dem Zielort des Ergebnisses. Lässt sich einer dieser vier Punkte für einen geplanten Prozess nicht klar benennen, ist der Prozess selbst noch nicht ausgereift genug für eine Automatisierung.

Zur Einordnung der drei Begriffe empfiehlt Johannes Dalampiras folgende Unterscheidung:

• Assistieren: KI erstellt, der Mensch nutzt das Ergebnis.
• Automatisieren: Wenn X eintritt, passiert Y.
• Agentisch: Die Kombination aus beidem – mit dem Unterschied, dass das System an bestimmten Punkten selbst entscheidet.

Gerade beim Thema KI-gestütztes Profil-Matching äußert Johannes Dalampiras deutliche Kritik: Aus seiner Sicht soll KI Kandidatenprofile priorisieren, die finale Entscheidung über Weiterkommen oder Ablehnung aber beim Menschen bleiben – da den Systemen häufig noch der nötige Kontext fehlt, um Profile korrekt einzuordnen. Diese bewussten menschlichen Entscheidungspunkte in automatisierten Workflows bezeichnete ein Teilnehmer treffend als “Hinge Points”.

Sourcing-Praxis: Blue Collar, White Collar, Grey Collar

Am Rande der Session ordnet Johannes Dalampiras auch ein, für welche Zielgruppen klassisches Active Sourcing überhaupt sinnvoll ist:

• Blue Collar (gewerblich-technische Profile wie LKW-Fahrer:innen oder Elektriker:innen) sind über klassisches Active Sourcing kaum erreichbar – hier funktionieren Social-Media-Kampagnen über Meta-Kanäle in der Regel besser.
• White Collar (etwa Ingenieur:innen, Entwickler:innen) sind auf gängigen Plattformen gut auffindbar und damit klassisch sourcebar.
• Grey Collar (Beispiel: Buchhalter:innen) liegt dazwischen – die Zielgruppe ist zwar grundsätzlich sourcebar, aber durch hohe Nachfrage vergleichsweise übersättigt.

EU AI Act und Datenschutz: Kein Rechtsrat, aber ein klarer Hinweis

Auf Nachfrage aus dem Publikum betont Johannes Dalampiras ausdrücklich, keine Rechtsberatung zu geben. Unabhängig von der eingesetzten Software – ob ATS-Systeme wie Workday oder SuccessFactors oder zusätzliche Matching-Tools – gilt aus seiner Sicht als Mindestanforderung: Bewerbende müssen aktiv zustimmen, dass ihre Daten nicht nur gespeichert, sondern auch durch KI verarbeitet werden. Für die rechtssichere Umsetzung empfiehlt er, sich unternehmensintern juristisch beraten zu lassen.

Die wichtigsten Takeaways

Johannes Dalampiras fasst die Session mit drei klaren Leitsätzen zusammen:

1. Nicht alles automatisieren – nur das Richtige.
2. Gute KI braucht vor allem Kontext, nicht nur gute Prompts.
3. In Workflows denken, nicht in einzelnen KI-Tools.

---

Ihr wollt tiefer einsteigen? Die XING Summer School 2026 ist zwar bereits gelaufen, alle Aufzeichnungen und Slides stehen aber weiterhin zur Verfügung: Jetzt zu den Aufzeichnungen der XING Summer School