Ihr ATS hat 2.000 Kandidatenprofile. Das klingt nach einem großen Pool. Aber wie viele davon sind tatsächlich verfügbar, haben aktuelle Qualifikationen und eine gepflegte Schichtpräferenz? In den meisten Zeitarbeitsfirmen, die ich sehe, liegt die ehrliche Antwort bei 20 bis 30 Prozent. Der Rest sind Karteileichen: Profile, die seit Monaten nicht aktualisiert wurden, Kontaktdaten, die ins Leere laufen, Qualifikationen, die nicht mehr stimmen.
Und genau hier scheitert KI-Matching in der Zeitarbeit. Nicht am Algorithmus. An den Daten.
Was ein matching-taugliches Profil braucht
Ein Profil, das dem KI-Matching tatsächlich etwas nützt, braucht sieben Felder. Nicht siebzig. Aber diese sieben müssen aktuell und konkret sein.
Qualifikationen mit konkreten Bezeichnungen. „Produktionserfahrung" hilft keinem Algorithmus. „CNC-Fräsen, 3 Jahre, Automotive" schon. Das ERP bietet meistens strukturierte Qualifikationsfelder. Sie werden nur selten genutzt, weil Freitextnotizen schneller sind. Für Keyword-Matching ist Freitext unsichtbar.
Verfügbarkeit mit Datum. Nicht „bald verfügbar", sondern „ab 01.08.2026". Dazu gehört auch der Grund: Einsatzende, Eigenkündigung, Probezeit nicht bestanden. Das ändert die Wiedereinstellungswahrscheinlichkeit.
Einsatzradius. Wie weit fährt der Kandidat? 15 Kilometer mit dem Fahrrad sind etwas anderes als 60 Kilometer mit dem Auto. Viele Systeme haben das Feld, aber es bleibt leer.
Schichtbereitschaft. Frühschicht, Spätschicht, Nachtschicht, Wochenende, rotierend. Ein Kandidat, der nur Tagschicht kann, passt nicht auf eine Dreischicht-Anforderung. Klingt trivial, aber dieses Feld fehlt in erstaunlich vielen Profilen.
Zertifikate. Staplerschein, Schweißerschein, Führerscheinklasse, Ersthelfer, Kranschein. In der Logistik und Produktion sind das harte Einsatzvoraussetzungen. Wer den Staplerschein nicht im System hat, wird bei einer Lageranforderung nicht vorgeschlagen.
Sprachkenntnisse mit Niveau. „Deutsch: gut" ist keine verwertbare Information. „Deutsch: B1 mündlich, A2 schriftlich" ist es. Bei Branchenzuschlag-pflichtigen Einsätzen in der Industrie entscheiden Sprachkenntnisse über die Einsatzfähigkeit.
Einsatzfeedback. Wie war der letzte Einsatz? Hat der Entleiher den Kandidaten zurückgefordert oder abgelehnt? Dieses Wissen steckt meistens im Kopf des Disponenten, nicht im System. Das ist das wertvollste Feld für die Matching-Qualität, und gleichzeitig das am schlechtesten gepflegte.
Warum die meisten Profile veraltet sind
Die Profilpflege in der Zeitarbeit ist fast überall reaktiv. Das heißt: Ein Disponent schaut sich ein Profil an, wenn er es für eine konkrete Anforderung braucht. Dann stellt er fest, dass die Telefonnummer nicht mehr stimmt, die Verfügbarkeit unklar ist und der letzte Einsatz vor acht Monaten endete, ohne dass jemand den Status aktualisiert hat.
Was konkret durch die Lücken fällt: die aktualisierte Verfügbarkeit nach Einsatzende, das Feedback des Entleihers zur Arbeitsleistung, neu erworbene Zertifikate und geänderte persönliche Umstände (Umzug, Führerschein gemacht, Schichtpräferenz geändert).
Bei Helferpositionen verschärft sich das Problem. Mehr als die Hälfte aller Zeitarbeitseinsätze sind Helferprofile: Produktionshelfer, Kommissionierer, Lagerhelfer. Diese Kandidaten bewerben sich häufig telefonisch oder per WhatsApp, nicht mit einem formalen Lebenslauf. Das Profil entsteht aus dem Aufnahmegespräch, und was der Disponent dort nicht abfragt, existiert im System nicht. Der Disponenten-Engpass macht es schlimmer: Wenn die Zeit fehlt, wird das Profil auf „Name, Telefon, verfügbar" reduziert. Für einen menschlichen Disponenten mit Ortskenntnis reicht das vielleicht. Für ein KI-Matching-System ist es wertlos.
CV-Parsing: wo die Technik hilft und wo nicht
Moderne CV-Parser versprechen automatisierte Profilbefüllung. Die Realität ist differenzierter.
Bei Fachkräften mit strukturierten Lebensläufen funktioniert Parsing gut. Aktuelle Systeme wie der zvoove-eigene CV-Parser oder externe Anbieter erreichen 94 bis 99 Prozent Gesamtgenauigkeit bei standardisierten PDFs. Name, Kontaktdaten, Arbeitgeber, Zeiträume werden zuverlässig erkannt. Bei der Skill-Extraktion sinkt die Trefferquote auf 75 bis 85 Prozent, weil Qualifikationen in Fließtext versteckt stehen oder branchenspezifische Abkürzungen verwendet werden.
Bei Helferpositionen versagt Parsing weitgehend. Die Gründe sind strukturell: Viele Kandidaten haben keinen formalen Lebenslauf. Sie schicken ein Foto ihres Führerscheins per WhatsApp, rufen an und sagen „Ich kann sofort anfangen, hab Erfahrung in der Produktion." Die relevanten Matching-Kriterien (körperliche Belastbarkeit, Zuverlässigkeitshistorie, Schichtflexibilität) stehen in keinem Dokument. Für dieses Segment bleibt die manuelle Erfassung durch den Disponenten alternativlos.
Auch bei OCR-Erkennung gescannter Unterlagen gibt es eine Fehlerrate, die in der Praxis relevant wird. Eine Zeichenerkennungsquote von 97 Prozent klingt hoch. Bei einem dreiseitigen Lebenslauf mit 3.000 Zeichen sind das trotzdem rund 90 falsch erkannte Zeichen pro Dokument. Wenn davon eine Postleitzahl oder eine Zertifikatsnummer betroffen ist, liefert das System falsche Matching-Ergebnisse.
Nachqualifizierung statt Neuerfassung
Die gute Nachricht: Sie müssen nicht 2.000 Profile von Grund auf neu anlegen. Die Profile existieren. Sie brauchen eine strukturierte Nachqualifizierung, die gezielt die sieben kritischen Felder auffüllt.
Der Unterschied zwischen Nachqualifizierung und Neuerfassung: Neuerfassung heißt, jeden Kandidaten noch einmal komplett durch den Onboarding-Prozess zu schicken. Aufwand: 30 bis 45 Minuten pro Person. Bei 500 Profilen sind das 250 bis 375 Arbeitsstunden. Unrealistisch.
Nachqualifizierung heißt: die vorhandenen Daten behalten, gezielt die fehlenden Felder abfragen, und das Ergebnis in 5 bis 10 Minuten pro Profil eintragen. Der Ablauf ist ein kurzer Telefonanruf oder eine SMS-basierte Statusabfrage: „Sind Sie aktuell verfügbar? Hat sich an Ihren Qualifikationen etwas geändert? Welche Schichten kommen für Sie in Frage?" Das schafft ein Disponent neben dem Tagesgeschäft, wenn der Prozess klar definiert ist.
Der 4-Wochen-Plan für 500 Profile
Dieser Plan funktioniert mit einer Person, die täglich zwei Stunden für Profilpflege reserviert. Er ist kein Projekt neben dem Tagesgeschäft, sondern ein fester Block im Kalender.
Woche 1: Triage. Den gesamten Pool in drei Kategorien sortieren. Aktiv (Einsatz in den letzten 6 Monaten oder laufender Kontakt): diese Profile brauchen nur ein Update. Inaktiv (kein Kontakt seit 12+ Monaten, keine Reaktion auf letzte Anfrage): archivieren, nicht pflegen. Unklar (6 bis 12 Monate Stille): kontaktieren und Status klären. Bei 500 Profilen landen typischerweise 150 bis 200 in der Aktiv-Kategorie, 100 bis 150 im Unklar-Bereich und der Rest im Archiv.
Woche 2: Top-100 bereinigen. Die 100 Profile mit der höchsten Einsatzfrequenz oder den wertvollsten Qualifikationen zuerst. Jedes Profil: Verfügbarkeit prüfen, sieben Pflichtfelder auffüllen, Einsatzhistorie mit Feedback ergänzen. Ergibt rund 50 Anrufe (die anderen sind per ERP-Daten aktualisierbar).
Woche 3: Unklare kontaktieren. Den 100 bis 150 „Unklaren" eine SMS oder WhatsApp-Nachricht schicken: „Sind Sie noch an Zeitarbeit interessiert? Bitte kurz antworten: ja / nein / später." Erfahrungswert: 40 bis 50 Prozent antworten. Wer „ja" sagt, bekommt den 5-Minuten-Statuscheck. Wer nicht antwortet, wird in Woche 4 archiviert.
Woche 4: Einpflegen und Archivieren. Rückläufer der SMS-Welle einpflegen. Nicht erreichbare Profile archivieren (nicht löschen: sie können bei einer späteren Wiederanmeldung reaktiviert werden). Am Ende der vier Wochen haben Sie einen bereinigten Pool mit 200 bis 300 matching-tauglichen Profilen, die Ihrem KI-Matching-System tatsächlich verwertbare Daten liefern.
Danach: laufende Pflege statt nächste Bereinigungswelle
Der 4-Wochen-Plan löst das akute Problem. Damit der Pool nicht in sechs Monaten wieder veraltet, braucht es zwei Routinen.
Einsatzende-Check (5 Minuten pro Profil). Nach jedem Einsatzende: Verfügbarkeit aktualisieren, Entleiher-Feedback einholen und eintragen, neue Zertifikate abfragen. Das ist ein fester Schritt im Einsatzende-Workflow, kein optionaler Nachgedanke.
Monatliche Stichprobe (1 Stunde). 20 zufällige Profile prüfen: Stimmt die Verfügbarkeit? Sind die Kontaktdaten erreichbar? Ist das letzte Feedback älter als 3 Monate? Wer diese Stichprobe konsequent macht, erkennt Verfall früh.
Wer die Datenqualität in den Griff bekommt, hat den größten Hebel für besseres KI-Matching gezogen, bevor ein Euro für ein neues Tool ausgegeben wird. Und wer nicht sicher ist, wo die Profilpflege im eigenen Unternehmen steht: Dafür gibt es die unabhängige KI-Potenzialanalyse für Personaldienstleister. Weitere Einordnung zu KI in der Zeitarbeit finden Sie in den Ratgeber-Artikeln.