Warum ich einen KI-Recruiter gebaut habe, der seine Arbeit zeigt

Die Geschichte von HCIA und die Wette einer Person, dass Einstellungen sowohl schneller als auch menschlicher sein können.

Der Funke

Ich schreibe seit über einem Jahrzehnt Code. Ich war gut darin. Also habe ich nicht erwartet, dass die Jobsuche zum schwierigsten Problem wird, das ich je zu lösen versuchte.

Jede Bewerbung fühlte sich gleich an. Lebenslauf polieren, abschicken, zusehen, wie er verschwindet. Keine Antwort, kein Grund, nur Stille. Und ich hatte eine ziemlich gute Vorstellung davon, was hinter dieser Mauer vor sich ging, weil ich es von innen gesehen hatte. Recruiter, die unter Hunderten von Bewerbern begraben waren, verließen sich auf Bauchgefühl oder Keyword-Tools, die Schlagwörter über tatsächliche Fähigkeiten belohnten. Gute Leute wurden aussortiert, weil sie „entwickelt“ statt „entworfen“ geschrieben hatten. Schwächere kamen durch, weil sie die richtigen Wörter auswendig gelernt hatten.

Diese ganze Erfahrung wurde zum Samen für HCIA.

Die Herausforderung

Eine KI-Recruiting-Plattform allein zu bauen bedeutete, jeden Job gleichzeitig zu machen. Morgens Produktmanager, nachmittags Backend-Entwickler, abends Designer und Vermarkter. Aber die Arbeitsbelastung war nie wirklich der schwierige Teil. Der schwierige Teil war eine Frage, die ich nicht loswurde.

Der Markt war bereits voll von KI-Einstellungstools, und die meisten hatten das gleiche Problem. Sie verbargen ihre Argumentation. Eine Punktzahl tauchte auf, ein Kandidat wurde eingestuft, und niemand konnte Ihnen sagen, warum. Weder der Recruiter noch die Person, die sich beworben hat. Wenn ein Tool dabei hilft, zu entscheiden, wer eine Chance auf einen Job bekommt, reicht „vertrau einfach“ nicht aus. Ich wollte nichts bauen, das schlechte Entscheidungen schneller trifft. Ich wollte, dass Einstellungen offener sind als je zuvor, selbst bevor KI überhaupt involviert war.

Das Kernstück bauen

Ich begann mit dem Teil, der am meisten wehtat: dem CV-Screening.

Der Punkt war nicht nur, Daten aus einem Lebenslauf zu ziehen. Es ging darum, einen Match so zu erklären, dass eine Person ihn überprüfen konnte. HCIA liest einen CV und pickt die strukturierten Dinge heraus: Fähigkeiten, Erfahrung, Bildung, Projekte. Dann gleicht es jedes einzelne mit dem ab, was die Rolle tatsächlich verlangt. Und jeder Match kommt mit einem Grund in einfacher Sprache:

„Der Kandidat hat 5 Jahre Python-Erfahrung, was Ihrer Anforderung von 3+ Jahren entspricht.“

Keine mysteriöse Zahl. Nur die Beweise.

Danach kamen KI-gestützte Videointerviews. Kandidaten nehmen Antworten auf eine Reihe voreingestellter Fragen auf, wann immer es ihnen passt. HCIA betrachtet jede Antwort in drei Bereichen: Inhalt, Vortrag und Stimmung, und erklärt sich wieder selbst:

„Der Kandidat hat alle drei Kernpunkte mit Selbstvertrauen angesprochen (77 % Konfidenzwert).“

Alles, was es sagt, verweist auf etwas Reales. Keine Black Boxes.

Unter der Haube

Darunter verwendet HCIA natürliche Sprachverarbeitung, um Lebensläufe zu lesen und Interviews zu transkribieren, Transformer-Modelle, um zu verstehen, was jemand tatsächlich meint, anstatt nur Schlüsselwörter abzugleichen, und eine Bewertungsschicht, die darauf ausgelegt ist, angesehen zu werden, anstatt auf Treu und Glauben genommen zu werden.

Die schwierigste Entscheidung, die ich traf, war nicht die Wahl eines Modells. Es war die Entscheidung, nichts auszuliefern, was das System nicht erklären konnte. Wenn eine Funktion die Bewertungen etwas genauer machte, aber die Argumentation in eine Black Box verwandelte, kam sie nicht rein. Diese eine Regel prägte im Wesentlichen jede technische Entscheidung, die danach kam.

Erklärbarkeit ist das Fundament

Viele Produkte behandeln Erklärbarkeit als etwas, das man später hinzufügt. Für HCIA ist es das, worauf alles andere aufbaut.

Jede Entscheidung des Systems verweist auf spezifische Beweise, eine Zeile in einem CV oder einen Moment in einem Interview. Recruiter können jede Punktzahl öffnen, sehen, was sie verursacht hat, sie überschreiben oder nach mehr fragen. Die KI bekommt nicht das letzte Wort. Die Person tut es. Das ist aus mehreren Gründen wichtig. Es schafft Vertrauen bei den Leuten, die einstellen. Es gibt Kandidaten einen Prozess, der tatsächlich fair ist und den sie anfechten könnten. Und es hält Unternehmen auf der richtigen Seite von Vorschriften wie dem EU AI Act und der DSGVO, die zu verlangen beginnen, dass automatisierte Entscheidungen erklärt werden können.

Beim Einstellen wird „der Algorithmus hat entschieden“ zu einem echten rechtlichen Risiko. HCIA ist so gebaut, dass niemand es jemals sagen muss.

Bias direkt angehen

Man kann nicht über KI beim Einstellen sprechen, ohne über Bias zu sprechen. Modelle lernen aus vergangenen Daten, und vergangene Einstellungsdaten sind voller menschlicher Voreingenommenheit. Ein undurchsichtiges System beseitigt diesen Bias nicht. Es versteckt ihn nur hinter einer Zahl, die neutral aussieht.

Dies ist ein weiterer Ort, an dem Erklärbarkeit ihren Wert beweist. Weil jede Entscheidung zurückverfolgt werden kann, wird Bias zu etwas, das man tatsächlich sehen kann, anstatt in der Mathematik vergraben zu sein. Ich baue ein dediziertes Bias-Erkennungsmodul, das alarmiert, wenn Ergebnisse beginnen, sich entlang von Linien zu neigen, die nichts mit dem Job zu tun haben, damit Recruiter es erkennen und beheben können, anstatt es unwissentlich zu skalieren. Transparent zu sein geht nicht nur um Vertrauen. Es geht darum, erkennen zu können, was schief läuft, während noch Zeit ist, etwas dagegen zu tun.

Die Realität des Solo-Gründers

Allein zu arbeiten macht einen ehrlich über Kompromisse.

Ich habe einige der Komponenten als Open Source bereitgestellt, teils um Leute einzuladen, Löcher hineinzustechen, und teils, weil Feedback von der Community das Nächste ist, was ein Solo-Gründer zu einem Team von Prüfern hat. Ich habe auch stark auf Gespräche mit Nutzern gesetzt. Frühzeitig bekam jeder einzelne Tester einen Anruf von mir, damit ich hören konnte, wie es tatsächlich für sie lief. Diese Anrufe haben das Produkt mehr geprägt als jede Roadmap, die ich geschrieben habe.

Es ist langsamer als mit einem Team zu arbeiten. Es gibt niemanden, dem man um Mitternacht etwas übergeben kann. Aber es gibt eine Kehrseite. Jede Zeile Code ist aus einem Grund da, und ich verstehe jede Entscheidung im System, weil ich diejenige bin, die sie getroffen hat.

Was ich gelernt habe

Ein paar Dinge haben mich überrascht:

• Transparenz ist etwas, wofür Leute tatsächlich bezahlen werden. Ich dachte, Käufer wollten hauptsächlich Geschwindigkeit. Was sie wirklich wollten, war in der Lage zu sein, eine Entscheidung zu verteidigen, sei es gegenüber einem Kandidaten, einem Manager oder einer Aufsichtsbehörde.
• Der schwierige Teil von KI ist nicht die KI. Es ist das Urteilsvermögen darum herum. Was automatisiert werden soll, was den Menschen überlassen werden soll und wo die Grenze zwischen beiden sein sollte.
• Allein zu bauen ist einsam, aber es macht die Dinge klar. Ohne ein Team, mit dem man streiten kann, kann man sich nicht hinter einer Gruppenentscheidung verstecken. Jede Wahl ist Ihre, und so ist jede Lektion.

Was als Nächstes kommt

HCIA ist jetzt für mittelständische und große Unternehmen live. Als Nächstes kommen tiefere Integrationen mit den großen ATS-Plattformen, damit es in die Tools passt, die Teams bereits verwenden, plus ein intelligenteres Bias-Erkennungsmodul.

Die Mission hat sich jedoch nicht wirklich geändert. Menschlich geführte Einstellungen, unterstützt durch erklärbare KI. Die KI erledigt die schwere Arbeit, Menschen treffen die Entscheidung, und jeder kann sehen, warum.

Reden wir

Wenn Sie ein Gründer oder Einstellungsmanager sind, der undurchsichtige Tools satt hat, die Sie nur bitten, ihnen zu vertrauen, geben Sie HCIA eine Chance.

Und wenn Sie Feedback haben, besonders das harte, möchte ich es hören. Allein zu bauen bedeutet, dass ich immer lerne, und die meisten besten Lektionen kamen von Leuten, die bereit waren, mir zu sagen, was kaputt ist.