Künstliche Intelligenz am Arbeitsmarkt: Berufsorientierung, Matching, Recruiting und Personalentwicklung

Forschungsprojekt

Der Fachkräftemangel stellt eines der größten betriebs- und volkswirtschaftlichen Probleme dar. Alleine in Deutschland bleiben etwa zwei Millionen Stellen unbesetzt. Das anvisierte Forschungsvorhaben verfolgt das Ziel, Einsatzpotenziale von künstlicher Intelligenz (KI) für den Arbeitsmarkt zur Begegnung des Fachkräftemangels zu erschließen und ein modulares KI-System, das aus diversen vortrainierten KI-Modellen unterschiedlichen Typs besteht, zu entwickeln. Das KI-System soll Betrieben, Jobcentern, Arbeitsagenturen und HR-Dienstleistern helfen, optimale Passungen (Fits) zwischen Kandidat:innen und Berufen bzw. Berufskategorien zu ermitteln. Dadurch werden die Chancen auf einen nachhaltigen Arbeits- und Fachkräftegewinn ebenso gefördert und erhöht wie die Arbeitszufriedenheit und die mittel- und langfristige Bindung der Arbeits- und Fachkräfte an die Betriebe. Zudem soll das KI-System auch Schul- und Studiumsabsolvent:innen, Arbeitssuchenden, Personen mit Migrationshintergrund usw. zur Orientierung und zur Einordnung der persönlichen Eignung für bestimmte Berufe bzw. Berufskategorien am Arbeitsmarkt dienen.

Das KI-System deckt den kompletten Arbeitsmarktzyklus – von der (Erst-)Orientierung über diverse Matchings und die Vermittlung bis hin zur Personalentwicklung – ab und erklärt jedes seiner Ergebnisse. Es ist aktuell auf der Basis von 524 Berufen und 7.880 Features (fachliche Kompetenzen, meta-kognitive Konstrukte als außerfachliche Kompetenzen und Arbeitsumgebungen) trainiert. Der Funktionsumfang umfasst insbesondere:

Grundlagen

  • den trainierbaren Umgang mit eigenen oder bekannten Berufs- und Kompetenzsystematiken; implementiert sind das Berufsinformationssystem (BIS) für Österreich, die Europäische Klassifizierung für Fähigkeiten/Kompetenzen, Qualifikationen und Berufe (ESCO) und das Occupational Information Network (O*NET) für die USA; vorbereitet sind die Klassifikation der Berufe (KldB) für Deutschland und die International Standard Classification of Occupations (ISCO),
  • die Verarbeitung kontextloser, strukturierter Featureprofile von Personen und Jobs, wie sie aus explizit erstellten Kompetenzprofilen, aus arbeits- und organisationspsychologisch unterlegten Konzepten oder per Information Extraction (nativ, LLM-basiert) aus Bewerbungsunterlagen und Stellenanzeigen entstehen,
  • eine differenzierte Domain- und Wertsemantik: Featureausprägungen werden entsprechend ihrer jeweiligen Skala und Antwortfunktion bewertet – steigend, fallend, sättigend, zielwertbezogen oder frei gelernt –, wobei eine beobachtete Null („vorhanden, aber nicht ausgeprägt“) von einer fehlenden Angabe unterschieden und ihr Beitrag bei (sättigend) steigenden Antworten begrenzt wird,
  • das optionale Berücksichtigen des Informationsgehalts von Features (sog. Feature-Prior): seltene Features zählen mehr als Allerweltsfeatures, mit getrennter Stärke für das Matching und die Zielmerkmalsanalyse, einstellbarem Fußpunkt der Seltenheit und Ein-/Ausschaltbarkeit beim Inferieren,
  • eine optionale, in Score-Punkten gebundene und monotone Bestrafung (Penalty) fehlender oder nicht ausgeprägter Anforderungsmerkmale für eine bewusst strenge Anforderungsprüfung (standardmäßig aus; Training und Abnahme bleiben davon unberührt); diese Komponente ist aus dem Reinforcement Learning entlehnt und nach dem Recall-Prinzip realisiert (von dem, was ein Beruf verlangt, wie viel bringt ein Featureprofil mit?).

Orientierung

  • die Ermittlung von Top-k Berufsempfehlungen für ein Personenprofil über den gesamten Berufsraum,
  • die Berücksichtigung oder den Ausschluss bestimmter Berufe, wenn psychische oder physische Gegebenheiten die Ausübung dieser Berufe einschränken,
  • die Analyse der Übertragbarkeit von Features: in wie vielen Berufsprofilen ein Feature enthalten ist, welche Wirkung sie mit der heutigen Ausprägung entfaltet und welchen Grenznutzen eine Steigerung hätte – einschließlich der Frage, was bei einem Feldwechsel verwertbar bleibt,
  • psychologische Zusatzwerkzeuge als vom Eignungsscore getrennte Filter und Kennzeichen des Rankings: berufliche Interessen nach dem RIASEC-Modell (O*NET-Interessenbänder je Beruf) und Persönlichkeit nach den Big Five (O·C·E·A·N, aus den Kompetenzanforderungen der Berufe abgeleitet), jeweils mit Kurzfragebogen,
  • die Ermittlung von n ähnlichen Berufen zu einem gegebenen Beruf und eine Mobility Map, die berufliche Nachbarschaften als Graph erschließt.

Matching

  • die Ermittlung von Top-k Personenempfehlungen für gelernte Berufsprofile anhand kontextloser, strukturierter Featureprofile von Personen,
  • die Ermittlung von Top-k Job- oder Personenempfehlungen anhand extern vorgegebener Jobprofile, wie sie typischerweise aus Stellenanzeigen gewonnen werden,
  • das Erkennen und entsprechende Kreditieren nicht-qualifizierter, unterqualifizierter, qualifizierter und überqualifizierter Featureprofile,
  • das Überprüfen der Eignung von Personen für Berufe bzw. Jobs, sofern das Personenprofil in Relation zu einem automatisch bestimmten Referenzprofil für interne Berufe bzw. externe Jobvorgaben einen variablen Schwellenwert [in %] erreicht (modellbasierter Referenz-Match-Quotient),
  • die Berechnung einer Featurestufen-Abdeckungsrate zwischen einem Personenprofil und einem automatisch bestimmten Referenzprofil (harte semantische Skill-Abdeckung ohne Modelleinbezug),
  • das Einordnen des Erfüllungsgrades von Anforderungen an einen Beruf/Job.

Vermittlung/Recruiting

  • den featureorientierten und den matchzentrierten Vergleich mehrerer Personenprofile für dieselbe Stelle,
  • den strukturellen Vergleich zweier Berufe sowie die Gegenüberstellung zweier Berufe für dieselbe Person („Warum steht Beruf A vor Beruf B?“),
  • einen hochperformanten Batchbetrieb über B Personenprofile und J Berufs-/Jobprofile (Jobpool), der aus (B × J) die Ergebnisse in absteigender Eignungsreihenfolge produziert.

Entwicklung

  • das Aufzeigen der Top-k relevanten Feature-Werte-Paare, die einen Beruf ausmachen, unter einem einstellbaren Relevanzniveau,
  • eine Skill-Gap-Analyse zur Bestimmung der Top-k ausbaufähigen Features zur Stärkung und Förderung der Selbstbefähigung (Empowerment) von Personen und zur Verbesserung ihrer beruflichen Eignung,
  • zielorientierte Counterfactuals zur Berechnung minimal notwendiger Feature-Werte-Erhöhungen zur Platzierung eines bestimmten Berufs in die Top-k Empfehlungen,
  • das Aufzeigen ganzer Entwicklungspfade – nach Prioritätserfüllung, nach Referenz-Match oder auf ein Top-k-Ziel –, deren Schritte an den gelernten Wertkurven jedes Features bemessen sind.

Erklärbarkeit und Qualitätssicherung

  • die vollständige merkmalsweise Erklärung jedes Scores: welcher Beitrag von welchem Feature stammt, über alle Komponenten des Modells hinweg, sodass Ranking und Erklärung stets dieselbe Rechnung sind,
  • gelernte Wertkurven je Beruf-Feature-Paar mit prüfbarer Monotonie sowie Diagnose- und Abnahmeverfahren für trainierte Modelle (Kurvenreport, Evaluation mit Ablationen, Trainingsabnahme),
  • Modell-Bundles mit Fingerprint und gestuftem Speichern, CPU-fähige Inferenz, nebenläufige Anfragen und ein Erweiterungsraum für eigene Analyseverfahren.

Das Anwendungsgebiet liegt in den Bereichen Arbeitsvermittlung, Berufsberatung und Personalmanagement sowie in vergleichbaren Feldern. Das KI-System ist als Unterstützungswerkzeug bestimmt, das den Entscheidungsprozess von Arbeitsinteressierten und -suchenden, Berufsberatern oder Personalvermittlern und vergleichbaren Zielgruppen ergänzt und strukturiert. Beispielsweise kann es zur Berufsorientierung genauso eingesetzt werden wie zur späteren Karriereplanung. Das KI-System ist nicht dafür vorgesehen, eigenständig und ohne menschliche Aufsicht rechtsverbindliche Entscheidungen über die Einstellung, Vermittlung oder Ablehnung von Personen zu treffen.

In technischer Hinsicht ist das KI-System in nativer Form auf Basis der Backends PyTorch und TensorFlow entwickelt. Damit liegen zwei inhaltsgleiche Versionen für diese Backends vor.

Einen Einblick in das Funktionsrepertoire bietet eine komplette Webplattform, die den Zyklus Orientierung → Matching → Vermittlung/Recruiting → Entwicklung mit einem gemeinsamen Arbeitskontext für Personen, Kandidatenpools und Stellenprofile abbildet.

Stand: 28.09.2026

Wir sind ein engagiertes Team unter der Leitung von Prof. Dr. Stephan Schneider, das sich mit den Chancen und Herausforderungen von KI am Arbeitsmarkt beschäftigt. Aufbauend auf unserem Vorgängerprojekt bringen wir unsere langjährige Erfahrung ein, um innovative Lösungen für Probleme den Arbeitsmarkt betreffend zu erforschen. Mit multidisziplinärer Expertise und gemeinsamer Leidenschaft treiben wir dieses Vorhaben voran.

Für Anfragen oder weitere Informationen wenden Sie sich gerne direkt an Prof. Dr. Stephan Schneider.