So bewerten wir

Menschen, die Dutzende Antworten hintereinander bewerten, driften mit der Zeit — dieselbe Antwort kann unterschiedlich abschneiden, je nachdem, was unmittelbar davor gelesen wurde, oder wegen einer unbewussten Vorliebe für eine bestimmte Formulierung. SkillChecker nutzt ein großes Sprachmodell von OpenAI, um jede Antwort anhand derselben schriftlichen Kriterien zu bewerten — ohne Name, Lebenslauf oder Foto, nur mit der Frage und der Antwort. (Wir legen diese Seite nicht auf eine bestimmte Modellversion fest, da sich das zugrunde liegende Modell im Laufe der Zeit ändern kann — konstant bleiben die Kriterien unten.)

Das verhindert einen bestimmten Fehlermodus — jemanden zu bevorzugen, weil er oder sie eine bestimmte Person ist — bedeutet aber nicht, dass das Urteil des Modells in jeder anderen Hinsicht frei von Verzerrungen ist. Der nächste Abschnitt erklärt, was das abdeckt und was nicht.

Eine berechtigte Frage ist, ob das Modell bestimmte Schreibstile, Dialekte, Wortwahl oder Formalitätsgrade bevorzugt, selbst wenn es nicht weiß, wer eine Antwort geschrieben hat. Wir können nicht ehrlich behaupten, dass es das nicht tut — niemand, der auf einem großen Sprachmodell aufbaut, kann das verantwortungsvoll behaupten. Diese Modelle werden mit enormen Textmengen trainiert und können subtile Vorlieben für bestimmte Formulierungen oder Sprachregister mitbringen, die nichts damit zu tun haben, ob eine Antwort richtig ist.

Worauf wir verweisen können, ist eine konkrete, tatsächlich vorhandene Gegenmaßnahme und kein Versprechen: Jeder Bewertungs-Prompt weist das Modell ausdrücklich an, nach Richtigkeit, Tiefe und praktischem Verständnis zu bewerten — und ausdrücklich nicht nach Schreibstil, Länge oder sprachlichem Schliff. Diese Vorgabe steht wirklich im Prompt und ist nicht bloß eine Behauptung darüber; sie soll das Risiko senken, dass selbstsichere oder eloquente Formulierungen mit Richtigkeit verwechselt werden. Wir haben keine formale Studie durchgeführt, die diese Verringerung quantifiziert, also behaupten wir auch keine — es garantiert nicht, dass im Modell keine restliche Verzerrung bleibt. Das ist eine Grenze der zugrunde liegenden Technologie und nichts, was dieses Produkt gelöst hätte.

Auch deshalb behandeln wir eine Punktzahl als Eingabe für eine Entscheidung und nicht als die Entscheidung selbst. Zu jedem Bericht gehören Nachfragen für das Interview, gerade damit ein Mensch weiter nachbohren kann, bevor jemand ein- oder ausgeschlossen wird.

SkillChecker führt zwei verschiedene Arten von Assessments durch, und sie prüfen Unterschiedliches:

• Skill-Verifizierung — prüft die Antworten einer Person ausschließlich an ihren eigenen angegebenen Fähigkeiten und Erfahrungen, an nichts anderem. Bewertet wird die Frage: Belegt diese Antwort die Fähigkeit, die genau diese Person angibt?
• Rollen-Assessment — prüft alle Teilnehmenden an einem festen Maßstab für die Rolle selbst, ganz ohne die Angaben einzelner Personen. Alle, die für eine bestimmte Rolle geprüft werden, werden am selben Standard gemessen — genau das macht ihre Punktzahlen direkt untereinander vergleichbar.

Jede Antwort wird vor allem nach Richtigkeit, Tiefe, und praktischem Verständnis der Fähigkeit bewertet, auf die die Frage zielt — Argumentationsqualität und Urteilsvermögen gehören dazu: Nach unserem Bewertungsraster erhält eine oberflächliche oder unlogische Antwort weniger Punkte bei Tiefe und Verständnis, nicht automatisch, sondern weil genau das diese beiden Kriterien erfassen sollen. Ausdrücklich ausgeschlossen sind sprachlicher Schliff, Länge und Formatierung: Eine kurze, präzise, richtige Antwort schneidet besser ab als eine lange, vage, die in selbstsichere Sprache gekleidet ist. Das Modell wird ausdrücklich angewiesen, gegenüber allgemeinen, ausweichenden Antworten ohne Konkretes skeptisch zu sein, denn das gilt als Hinweis darauf, dass die zugrunde liegende Angabe möglicherweise nicht hält.

Eine ehrliche Ausnahme: Wenn eine Rolle tatsächlich starke schriftliche Kommunikation erfordert, muss das in die Frage selbst eingebaut werden (z. B. „Schreiben Sie die Nachricht, die Sie an X senden würden“) und darf nicht automatisch angenommen werden — SkillChecker bewertet Kommunikationsqualität nicht separat, sofern eine Frage sie nicht direkt prüft.

Jede Antwort wird außerdem im Kontext bewertet, in dem sie gegeben wurde. Ein Assessment, das live mitten im Interview ohne Vorbereitungszeit absolviert wird, wird auf richtige Argumentation und Richtung bewertet — nicht auf Schliff oder Vollständigkeit. Ein vorab im eigenen Tempo absolviertes wird an den vollen Erwartungen des Assessments gemessen. Und wenn der Timer ablief, bevor jemand fertig war, werden dadurch verursachte kurze oder fehlende Antworten nicht angerechnet — bewertet wird nur der Inhalt des Geschriebenen.

Jede Frage erhält ihre eigene Punktzahl von 0–100, mit ein bis zwei Sätzen konkretem Feedback zur Begründung. Die Gesamtpunktzahl , die in jedem Bericht, jedem Ring und im Dashboard zu sehen ist, ist ein einfacher Durchschnitt dieser Einzelpunktzahlen — jede Frage gleich gewichtet, berechnet von unserem eigenen Code und nicht als separates Urteil der KI. Wenn Sie die Einzelpunktzahlen sehen, können Sie die Gesamtpunktzahl selbst nachrechnen.

Sollte dieselbe Antwort zweimal genau gleich abschneiden? Wir senken die Zufälligkeit des Modells für die Bewertung bewusst ab, sodass eine Wiederholung im gleichen Bereich landen sollte statt stark zu schwanken — aber wir behaupten nicht, dass sie jedes Mal bis auf den letzten Punkt identisch ist. Sprachmodelle sind keine deterministischen Rechenmaschinen; eine geringe Schwankung von Durchlauf zu Durchlauf gehört zur Technologie und ist kein spezieller Fehler dieses Produkts. Fest bleiben die angewandten Kriterien, nicht zwangsläufig die exakte Zahl.

Die Bezeichnung, die Sie sehen — Bestätigt, Teilweise bestätigt oder Nicht bestätigt (bei Rollen-Assessments Starke/Ausreichende/Schwache Basis) — ist nicht die eigene Meinung der KI. Sie ergibt sich aus einer festen Regel, die überall im Produkt auf jeden Bericht gleich angewandt wird:

Warum genau diese Schwellen und keine andere Aufteilung? Sie sind eine bewusste Design-Entscheidung und keine aus einer statistischen Validierungsstudie abgeleitete Zahl — wir haben keine durchgeführt und sagen das lieber, als etwas anderes zu suggerieren. Die Überlegung dahinter: 75 setzt die Schwelle für „Bestätigt“ absichtlich über die Mitte, damit eine durchschnittliche Leistung nicht als Bestehen zählt — es braucht durchweg wirklich starke Antworten, nicht bloß knapp ausreichende. Unter 50 heißt, dass der Durchschnitt der Antworten die erforderliche Schwelle verfehlt hat. Dieselben zwei Zahlen gelten überall im Produkt, sodass die Farbe des Rings, der Text des Badges und das Urteil im Dashboard einander nie widersprechen können.

Nicht vergleichbar über verschiedene Assessments hinweg. Eine 75 im Screening für eine Rolle und eine 75 im Screening für eine andere Rolle messen nicht dasselbe — andere Fragen, andere Fähigkeiten, andere erforderliche Tiefe. Punktzahlen sind nur mit anderen Punktzahlen aus demselben Screening direkt vergleichbar oder mit den Angaben derselben Lebenslauf-Verifizierung.

Kein Maß für den ganzen Menschen. Sie spiegelt, wie ein bestimmter Satz Antworten zu einem Zeitpunkt gegen dieses Raster abgeschnitten hat — nicht Intelligenz, Potenzial oder die Gesamteignung für eine Rolle. Viele echte Signale über einen Menschen liegen außerhalb dessen, was ein schriftliches Assessment erfassen kann.

Kein Prozentsatz „richtiger“ Antworten. Anders als bei einem Multiple-Choice-Test wird keine feste Lösungsschablone abgehakt — jede Antwort erhält ein ganzheitliches Urteil von 0–100 anhand der obigen Kriterien, und die Gesamtpunktzahl ist der Durchschnitt dieser Urteile und keine Zählung von richtig gegen falsch.

Dieses Tool soll eine Personalentscheidung unterstützen, nicht ersetzen. Es prüft keine Identität und erkennt nicht, ob jemand beim Antworten Hilfe von außen hatte. Behandeln Sie einen Bericht als ein gut strukturiertes Indiz und nicht als Urteil über einen Menschen.

SkillChecker markiert drei Dinge, während jemand ein Assessment bearbeitet: ob ein Einfüge-Ereignis stattgefunden hat, ob Text schneller auf dem Bildschirm erschien, als ein Mensch tippen kann, und ob der Browser-Tab mehrmals verlassen wurde. Alle drei sind zeitliche oder Browser-Ereignisse und keine Vermutung über den Schreibstil — wir versuchen bewusst nicht zu beurteilen, ob eine Antwort „KI-geschrieben aussieht“, weil dieser Ansatz unzuverlässig ist und dokumentiert weit häufiger Menschen ohne die jeweilige Muttersprache und andere legitime Schreibstile trifft, als er tatsächlich etwas aufdeckt.

Ein einzelner Tab-Wechsel wird für sich nicht markiert — das ist üblich und oft harmlos (ein Blick auf die Uhr, eine Benachrichtigung). Zum Signal wird es erst, wenn es mehr als einmal passiert.

Keines dieser Signale verändert eine Punktzahl. Sie werden Recruitern als Anstoß für eine Nachfrage gezeigt und nicht als automatischer Vorwurf — Einfügen ist für sich kein Beweis; jemand kann eigene, vorher geschriebene Notizen einfügen, und das Verlassen des Tabs kann genauso gut eine eingegangene Benachrichtigung bedeuten.

Der Einsatz von KI zur Bewertung von Bewerbenden gilt nach dem EU-KI-Gesetz als Hochrisiko-Anwendung. Wir werden uns nicht aus dieser Kategorie herausreden — die Bewertung von Menschen für eine Arbeitsstelle ist genau das, wofür sie geschrieben wurde, und dieses Werkzeug bewertet Menschen für eine Arbeitsstelle.

Einiges von dem, was das Gesetz verlangt, steht bereits auf dieser Seite, weil es ohnehin richtig war, es zu veröffentlichen: wie bewertet wird, die Schwellenwerte, was wir bewusst ausschließen und wo die Grenzen liegen. Anderes liegt hinter der Seite — ein Mensch im einstellenden Unternehmen entscheidet, er sieht die Antworten und nicht nur eine Zahl, Integritätssignale berühren die Punktzahl nie, und Antworten werden nach einem veröffentlichten Zeitplan gelöscht. Das Gesetz verbietet außerdem, im Kontext der Personalauswahl Emotionen von Menschen abzuleiten. Das tun wir nicht, und es ist zu keinem Zeitpunkt eine Kamera oder ein Mikrofon beteiligt.

Was wir nicht behaupten, ist, fertig zu sein. Unsere formale Einstufung nach dem Gesetz und die daraus folgenden Nachweise liegen bei unseren Rechtsberatern. Das sagen wir lieber klar, als ein Siegel zu zeigen, das wir uns nicht verdient haben.