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

Die Geschichte von HCIA und die Wette einer Einzelperson, 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 zu dem 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, was hinter dieser Mauer vorging, weil ich es von innen gesehen hatte. Recruiter, die unter Hunderten von Bewerbern begraben waren, sich auf ihr Bauchgefühl oder Keyword-Tools verließen, die Schlagwörter belohnten statt tatsächliche Fähigkeiten. Gute Leute wurden aussortiert, weil sie "entwickelt" statt "konstruiert" 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 der schwierige Teil. Der schwierige Teil war eine Frage, die ich nicht loswurde.

Der Markt war bereits voller KI-Einstellungstools, und die meisten hatten das gleiche Problem. Sie versteckten ihre Begründung. Eine Bewertung tauchte auf, ein Kandidat wurde eingestuft, und niemand konnte dir sagen, warum. Weder der Recruiter noch die Person, die sich beworben hatte. 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 nur schneller trifft. Ich wollte, dass Einstellungen offener sind als je zuvor, selbst bevor KI überhaupt involviert war.

Aufbau des Kerns

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

Es ging nicht nur darum, 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 extrahiert die strukturierten Informationen: Fähigkeiten, Erfahrung, Bildung, Projekte. Dann gleicht es jedes einzelne mit dem ab, was die Rolle tatsächlich verlangt. Und jeder Match kommt mit einer in einfacher Sprache verfassten Begründung:

"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 zeichnen Antworten auf eine Reihe voreingestellter Fragen auf, wann immer es ihnen passt. HCIA betrachtet jede Antwort in drei Bereichen: Inhalt, Präsentation und Stimmung, und wieder erklärt es sich 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

Im Kern verwendet HCIA natürliche Sprachverarbeitung, um Lebensläufe zu lesen und Interviews zu transkribieren, Transformermodelle, um zu verstehen, was jemand tatsächlich meint, anstatt nur Schlüsselwörter abzugleichen, und eine Bewertungsebene, die dazu gebaut ist, betrachtet zu werden, anstatt blind geglaubt 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 Begründung 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 die Sache, auf der alles andere aufbaut.

Jede Entscheidung des Systems verweist auf konkrete Beweise, eine Zeile in einem CV oder einen Moment in einem Interview. Recruiter können jede Bewertung öffnen, sehen, was sie verursacht hat, sie überschreiben oder nach mehr fragen. Die KI hat nicht das letzte Wort. Der Mensch hat es. Das ist aus mehreren Gründen wichtig. Es schafft Vertrauen bei den Einstellenden. 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 zunehmend verlangen, dass automatisierte Entscheidungen erklärt werden können.

Im Recruiting wird "der Algorithmus hat entschieden" zu einem echten rechtlichen Risiko. HCIA ist so gebaut, dass das niemand jemals sagen muss.

Voreingenommenheit direkt angehen

Man kann nicht über KI im Recruiting sprechen, ohne über Voreingenommenheit zu sprechen. Modelle lernen aus vergangenen Daten, und vergangene Einstellungsdaten sind voller menschlicher Voreingenommenheit. Ein undurchsichtiges System beseitigt diese Voreingenommenheit nicht. Es versteckt sie nur hinter einer Zahl, die neutral aussieht.

Dies ist ein weiterer Ort, an dem Erklärbarkeit ihren Wert verdient. Weil jede Entscheidung zurückverfolgt werden kann, wird Voreingenommenheit zu etwas, das man tatsächlich sehen kann, anstatt in der Mathematik vergraben zu sein. Ich baue ein dediziertes Bias-Erkennungsmodul, das meldet, wenn Ergebnisse beginnen, in Bereichen zu verzerren, die nichts mit dem Job zu tun haben, sodass Recruiter es erkennen und beheben können, anstatt es unbemerkt 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 dich ehrlich in Bezug auf Abwägungen.

Ich habe einige der Komponenten als Open Source bereitgestellt, teils um Leute einzuladen, Löcher hineinzustechen, und teils, weil Feedback aus der Community das Nächstbeste ist, was ein Solo-Gründer zu einem Team von Prüfern bekommt. 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 Codezeile 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 Menschen 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 um sie 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 Team zum Diskutieren kann man sich nicht hinter einer Gruppenentscheidung verstecken. Jede Wahl ist deine, und jede Lektion auch.

Was kommt als Nächstes

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

Die Mission hat sich jedoch nicht wirklich geändert. Menschlich geführtes Recruiting, unterstützt durch erklärbare KI. Die KI erledigt die Schwerarbeit, Menschen treffen die Entscheidung, und jeder kann sehen, warum.

Reden wir

Wenn Sie ein Gründer oder Hiring Manager 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 der besten Lektionen kamen von Menschen, die bereit waren, mir zu sagen, was kaputt ist.