46 Prozent der Personaldienstleister setzen laut GVP bereits KI im Kandidaten-Matching ein. Die Zahl klingt nach Branchenstandard. Aber wer mit Disponenten spricht, hört etwas anderes: „Das System schlägt mir zwölf Leute vor, drei davon kenn ich schon, fünf passen nicht, und die restlichen vier ruf ich sowieso an." Die Lücke zwischen der Herstellerstatistik und dem Arbeitsalltag ist groß. Dieser Artikel schaut rein.
Drei Stufen: Keyword, Semantic, Skill-Graph
Nicht jedes System, das sich „KI-Matching" nennt, arbeitet gleich. Es gibt drei grundsätzlich verschiedene Ansätze, und die meisten Zeitarbeitsfirmen nutzen den einfachsten.
Keyword-Matching durchsucht Lebensläufe und Bewerberprofile nach exakten Begriffen. Steht in der Anforderung „SPS-Programmierer", findet das System Profile mit genau diesem Wort. „Speicherprogrammierbare Steuerung" oder „S7-Kenntnisse" erkennt es nicht, sofern kein Synonym-Wörterbuch gepflegt wird. Das ist der Standard bei den meisten ERP-Systemen in der Zeitarbeit. Schnell, günstig, aber blind für alles, was nicht buchstabengenau passt.
Semantisches Matching versteht Bedeutung. Ein Sprachmodell erkennt, dass „SPS-Programmierer" und „Automatisierungstechniker mit Siemens-S7-Erfahrung" ähnliche Profile beschreiben. Bullhorn Copilot und zvoove Cockpit X setzen hier an. Die Trefferquote steigt deutlich, solange die Berufsprofile in der Datenbank sauber gepflegt sind. Aber semantisches Matching liest nur, was da steht. Es bewertet nicht, ob der Kandidat auch tatsächlich verfügbar, motiviert oder geeignet ist.
Skill-Graph-Matching geht einen Schritt weiter. Es modelliert Qualifikationen als Netzwerk: Wer „CNC-Fräsen" kann, beherrscht wahrscheinlich auch Grundlagen der Metallbearbeitung. Wer fünf Jahre in der Automobilzulieferung gearbeitet hat, kennt vermutlich IATF-16949-Anforderungen. In der Theorie das stärkste Verfahren. In der Praxis bietet kein deutsches Zeitarbeit-System heute einen echten Skill-Graph. Was unter dem Label läuft, sind meist handgepflegte Qualifikationsmatrizen im ERP.
Was die Plattformen konkret anbieten
zvoove Cockpit X ist das am weitesten verbreitete System in der deutschen Zeitarbeit. Seit Mai 2025 bietet es sogenannte KI-Agenten, die Vorauswahl, Terminplanung und Gesprächsdokumentation übernehmen sollen. Das Matching kombiniert Qualifikationsdaten aus dem eigenen ERP mit semantischer Textanalyse. Die Stärke: tiefe Integration in den Zeitarbeit-Workflow (Disposition, AÜG-Fristen, Stundenzettel). Die Schwäche: Die Qualität des Matchings hängt direkt von der Datenpflege im System ab. Wer seine Bewerberprofile seit zwei Jahren nicht aktualisiert hat, bekommt entsprechende Vorschläge.
Bullhorn Copilot kommt aus dem angelsächsischen Recruitingmarkt und ist bei internationalen Personaldienstleistern im DACH-Raum verbreitet. Das semantische Matching ist technisch ausgereift und arbeitet mit vortrainierten Sprachmodellen, die Stellenanforderungen und Bewerberprofile unabhängig von exakter Wortwahl abgleichen. Bullhorns Stärke liegt im Staffing (Festanstellung, Projektgeschäft). Für die spezifischen Anforderungen der deutschen Arbeitnehmerüberlassung fehlen Funktionen: AÜG-Fristenüberwachung, Branchenzuschlag-Berechnung und Equal-Pay-Tracking sind nicht nativ abgebildet. Wer Bullhorn in der Zeitarbeit einsetzt, braucht Zusatzmodule oder Workarounds.
L1 von Landwehr ist ein ERP-System, das tief in der deutschen Zeitarbeitsverwaltung verankert ist. Das Matching ist primär regelbasiert: Qualifikationsprofile, Einsatzhistorie, regionale Verfügbarkeit. KI-Erweiterungen kommen schrittweise, sind aber Stand Mitte 2026 noch nicht auf dem Niveau der semantischen Konkurrenz. Dafür bildet L1 den deutschen Zeitarbeit-Workflow vollständig ab. Der Disponent arbeitet in einem System, nicht in dreien.
Zoho Recruit AI und ähnliche Cloud-Plattformen bieten generisches KI-Matching zu niedrigen Einstiegskosten. Für Recruiter, die Festanstellungen besetzen, funktioniert das gut. Für die Zeitarbeit fehlt der branchenspezifische Unterbau: keine AÜG-Integration, keine Schichtplanung, keine Branchenzuschlags-Logik. Manche kleinere Personaldienstleister bauen eigene Matching-Lösungen auf Basis von ChatGPT und internen Datenexporten. Das kann funktionieren, skaliert aber nicht und bindet IT-Kapazität, die meistens nicht vorhanden ist.
Wo die Trefferquote einbricht
In der Produktdemo sieht KI-Matching beeindruckend aus. Der Vertrieb tippt „CNC-Fräser, Raum Stuttgart, ab sofort" ein, und das System liefert fünf passende Kandidaten mit Foto, Qualifikationsprofil und Verfügbarkeitsstatus. Im Produktionsalltag einer 20-Personen-Zeitarbeitsfirma sieht das anders aus.
Helferpositionen. Mehr als die Hälfte aller Einsätze in der Zeitarbeit sind Helferprofile: Produktionshelfer, Lagerhelfer, Kommissionierer. Die Anforderungsprofile sind generisch (körperliche Belastbarkeit, Schichtbereitschaft, Grundkenntnisse Deutsch). Wenn zehn Bewerber dieselben drei Kriterien erfüllen, kann kein Algorithmus sinnvoll differenzieren. In der Praxis entscheidet der Disponent nach Faktoren, die in keiner Datenbank stehen: Wer ist zuverlässig erschienen? Wer hat beim letzten Einsatz positives Feedback vom Meister bekommen? Wer wohnt nahe genug, um um 5:30 die Frühschicht zu schaffen?
Schichtanforderungen. „Montag bis Freitag, Tagschicht" lässt sich abbilden. Aber viele Entleiher haben komplexe Schichtmodelle: rotierende Drei-Schicht, Wochenendbereitschaft, saisonale Schwankungen. Das Matching-System sieht die aktuelle Verfügbarkeit. Es sieht nicht, dass der Kandidat zwar heute Frühschicht kann, aber in zwei Wochen wegen Kinderbetreuung nur Spätschicht. Und die Überlappung mit Branchenzuschlägen und Höchstüberlassungsdauer macht die Einsatzplanung zu einem mehrdimensionalen Problem, das regelbasierte Systeme besser lösen als semantische.
Weiche Faktoren. Passt der Bewerber ins bestehende Team beim Entleiher? Kann er mit einem schwierigen Vorarbeiter umgehen? Hat er beim letzten Einsatz in der gleichen Branche durchgehalten oder nach drei Tagen abgebrochen? Diese Informationen stecken im Kopf des Disponenten, nicht im System. Und genau hier liegt der Grund, warum erfahrene Disponenten dem KI-Matching skeptisch gegenüberstehen: Sie wissen mehr als die Datenbank.
Demo vs. Produktion: was sich ändert
Drei Faktoren erklären, warum das Matching in der Demo besser aussieht als im Alltag:
Datenqualität. Demo-Datenbanken sind sauber: Jedes Profil hat aktuelle Qualifikationen, Zertifikate, Verfügbarkeitsstatus. In der Produktion sind 30 bis 50 Prozent der Profile veraltet. Der Bewerber hat sich vor 18 Monaten registriert, seitdem den Job gewechselt und ist nicht mehr verfügbar. Das System schlägt ihn trotzdem vor. Die Trefferquote des Algorithmus ist nur so gut wie die Daten, mit denen er arbeitet.
Anforderungsklarheit. In der Demo ist die Stellenanforderung präzise formuliert. Im Alltag ruft der Entleiher an und sagt: „Ich brauch ab Montag drei Leute, die zupacken können." Der Disponent übersetzt das in ein Profil. Je vager die Anforderung, desto weniger kann das Matching differenzieren.
Pooltiefe. Demos zeigen große, aktive Bewerberpools. In der Realität vieler kleinerer Firmen umfasst der aktive Pool 100 bis 300 Personen, von denen ein Drittel gerade im Einsatz ist und ein weiteres Drittel seit Monaten nicht reagiert hat. Da bleibt ein Matching-Pool von 30 bis 100 realen Kandidaten. Ein erfahrener Disponent kennt diese Leute persönlich.
Wann sich KI-Matching tatsächlich rechnet
Die ehrliche Antwort: bei ausreichend Volumen und gut gepflegten Daten.
Ab etwa 200 bis 300 aktiven Profilen und mindestens 5 neuen Anforderungen pro Woche entsteht ein Zeitgewinn, der die Systemkosten rechtfertigt. Die Investition liegt bei 200 bis 500 Euro monatlich für cloudbasierte Lösungen, bei ERP-integrierten Systemen wie zvoove oder L1 ist das Matching oft im bestehenden Vertrag enthalten. Der Disponenten-Engpass-Artikel ordnet ein, wo die freigewordene Zeit den größten Hebel hat.
Wer unter dieser Schwelle liegt, investiert besser in saubere Datenpflege als in ein weiteres Tool. Ein aktueller Bewerberpool mit gepflegten Qualifikationsprofilen und Verfügbarkeitsstatus bringt auch dem einfachsten Keyword-Matching bessere Ergebnisse als ein semantisches System auf veralteten Daten.
Und wer sich nicht sicher ist, ob das eigene Matching-Problem ein Technologie-Problem oder ein Daten-Problem ist: Dafür gibt es die unabhängige KI-Potenzialanalyse für Personaldienstleister. Eine ehrliche Bestandsaufnahme, bevor Geld für das nächste System ausgegeben wird. Weitere Einordnung zu KI in der Zeitarbeit finden Sie in den Ratgeber-Artikeln.