Die Herausforderung: Ineffektives Sourcing von passiven Talenten

Für viele HR- und Talent-Acquisition-Teams ist das Sourcing passiver Talente zum Engpass bei der Besetzung kritischer Rollen geworden. Nischenexpert:innen, Führungskräfte und High-Impact-Spezialist:innen bewerben sich selten über Jobbörsen. Stattdessen verbringen Recruiter:innen Stunden damit, LinkedIn, CV-Datenbanken und Fach-Communities zu durchsuchen, um Kandidat:innen zu identifizieren, die potenziell passen und offen für einen Wechsel sind. Der Prozess ist langsam, schwer zu standardisieren und zu stark von den persönlichen Netzwerken und Suchskills einzelner Recruiter:innen abhängig.

Traditionelle Ansätze wurden für einen aktiven Kandidatenmarkt entwickelt: Stellenanzeigen, Agenturbriefings und generische InMails. Diese Methoden funktionieren nicht, wenn die besten Kandidat:innen bereits angestellt sind, mit undifferenzierter Ansprache überflutet werden und extrem wählerisch sind. Manuelle Boolesche Suchen über mehrere Plattformen werden zum Ratespiel. Selbst starke Recruiter:innen haben Schwierigkeiten, komplexe Anforderungsprofile konsistent in wirksame Suchstrategien und individualisierte Nachrichten in Skalierung zu übersetzen.

Die geschäftlichen Auswirkungen sind erheblich. Kritische Positionen bleiben monatelang unbesetzt, Produkt-Roadmaps und Transformationsprogramme verlangsamen sich. Hiring Manager verlieren das Vertrauen in die Fähigkeit von HR, schwer zu besetzende Rollen zu liefern, und wenden sich teuren Agenturen und Jobbörsen zu – die Kosten pro Einstellung steigen. Wettbewerber, die passive Talente besser ansprechen, bauen im Stillen stärkere Teams und Employer Brands auf, während Ihre Organisation Top-Performer:innen verpasst, die erreichbar gewesen wären – aber nie auf die richtige Art kontaktiert wurden.

Diese Herausforderung ist real, aber lösbar. Mit der richtigen KI-Unterstützung können HR-Teams Passive Sourcing von einer ad-hoc-, recruiterabhängigen Aktivität in eine wiederholbare Fähigkeit verwandeln. Bei Reruption haben wir Organisationen dabei unterstützt, KI-gestützte Recruiting-Workflows und Chatbots aufzubauen, und die gleichen Prinzipien gelten für die Strukturierung von Passive Sourcing mit Tools wie ChatGPT. Im weiteren Verlauf dieser Seite finden Sie praxisnahe Empfehlungen, Prompts und Muster, mit denen Sie Passive Sourcing in eine strategische Stärke verwandeln können.

Brauchen Sie einen Sparring-Partner für diese Herausforderung?

Lassen Sie uns unverbindlich sprechen und brainstormen.

Innovatoren bei diesen Unternehmen vertrauen uns:

Unsere Einschätzung

Eine strategische Einschätzung der Herausforderung und High-Level-Tipps, wie Sie sie angehen können.

Aus Reruption’s Arbeit an KI-gestützten Recruiting-Workflows und chatbasierter Kandidatenkommunikation wissen wir, dass Tools wie ChatGPT dann am wertvollsten sind, wenn sie in die Arbeitsweise von HR eingebettet sind – nicht, wenn sie nur als einmalige Texthilfe genutzt werden. Für die spezifische Herausforderung des ineffektiven Sourcings von passiven Talenten kann ChatGPT als Sourcing-Strateg:in, Research-Analyst:in und Outreach-Assistent:in für Ihr Team agieren – allerdings nur, wenn Sie die richtigen Prozesse, Leitplanken und Integrationen darum herum gestalten.

Betrachten Sie Passive Sourcing als System, nicht als individuelle Heldentat

Die meisten Organisationen verlassen sich auf einige wenige erfahrene Recruiter:innen, die „wissen, wo sie suchen müssen“, um passive Kandidat:innen zu finden. Dieser Ansatz skaliert nicht und bricht zusammen, sobald diese Personen überlastet sind oder gehen. Strategisch geht es darum, Passive Sourcing als wiederholbares System zu begreifen: Rollendefinition → Markt-Mapping → Persona-Erstellung → Suchstrategie → Outreach-Sequenzierung → kontinuierliche Verfeinerung.

ChatGPT fügt sich in dieses System als Motor ein, der Anforderungen in strukturierte Outputs übersetzt – Zielprofile, Suchstrings, Messaging-Frameworks. Um dorthin zu kommen, sollte die HR-Leitung standardisieren, wie Anforderungen von Hiring Managern aufgenommen werden, und definieren, wie „Güte“ bei Suchen und Outreach aussieht. Je strukturierter Ihre Inputs, desto konsistenter kann ChatGPT jede:n Recruiter:in unterstützen – nicht nur die Besten.

Klare Grenzen zwischen menschlichem Urteil und KI-Unterstützung definieren

Es ist verlockend, KI im Recruiting vorschlagen zu lassen, welche Kandidat:innen priorisiert werden sollen. Strategisch sinnvoller ist jedoch eine klare Arbeitsteilung: ChatGPT sollte Informationsverarbeitung und Inhaltserstellung beschleunigen, während Menschen die finalen Entscheidungen, den Beziehungsaufbau und die ethische Aufsicht verantworten.

Für Passive Sourcing bedeutet das: ChatGPT nutzt man, um Rollenanforderungen zu interpretieren, Zielunternehmen und relevante Hintergründe vorzuschlagen und personalisierte Outreach-Nachrichten zu entwerfen – während die menschliche Prüfung für Kandidatenauswahl, Alignment mit Senior Stakeholdern und sensible Kommunikation bestehen bleibt. Wenn Sie diese Grenze in Ihren Sourcing-Playbooks formalisieren, reduzieren Sie Risiken rund um Bias, Tonalität und unpassende Ansprache – und sichern sich trotzdem die Produktivitätsgewinne.

Datenqualität und Kontext erhöhen, bevor Sie skalieren

ChatGPT liefert am besten, wenn verlässlicher Kontext vorhanden ist: gut geschriebene Rollenbeschreibungen, klare Kompetenzmodelle und belastbare Informationen zu Ihrem Employer Value Proposition. Strategisch sollten Sie, bevor Sie ChatGPT breit zur Unterstützung des Passive Sourcings einsetzen, in die Bereinigung der Inputs investieren, auf die es sich stützen wird.

Das kann bedeuten, wie Hiring Manager Rollen beschreiben, neu zu denken, Skill-Frameworks zu konsolidieren oder Informationen zu Kultur, Benefits und Karrierepfaden zu zentralisieren. Mit einer API-Anbindung an Ihr ATS oder CRM kann ChatGPT dann Outreach-Texte und Suchstrategien generieren, die Ihre tatsächliche Situation abbilden – statt generischer HR-Buzzwords. Das führt wiederum zu besseren Response-Raten und einer stärkeren Passung zwischen gesourcten Kandidat:innen und den realen Anforderungen.

Ihr HR-Team mit Enablement vorbereiten, nicht nur mit Zugang

Allein der Zugang zu ChatGPT wird ineffektives Sourcing von passiven Talenten nicht lösen. Einige werden experimentieren; die meisten werden zu alten Gewohnheiten zurückkehren. Strategisch brauchen Sie Enablement: Trainings dazu, wofür sich ChatGPT eignet, wo seine Grenzen liegen und wie man wirksame Prompts und Workflows für das Sourcing gestaltet.

Überlegen Sie, kurze, fokussierte Enablement-Sessions durchzuführen, in denen Recruiter:innen gemeinsam Prompts für konkrete Rollen entwickeln, diese live testen und zusammen verfeinern. Halten Sie die besten Versionen in einem gemeinsamen Sourcing-Playbook oder einer Prompt-Bibliothek fest. So wird KI von einem „Nice-to-have-Tool“ zu einem zentralen Bestandteil des Talent-Acquisition-Betriebsmodells und reduziert die Abhängigkeit von einigen wenigen KI-Enthusiast:innen.

Compliance-, Bias- und Markenrisiken proaktiv adressieren

Der Einsatz von KI in der Talentgewinnung berührt sensible Themen: Fairness, Datenschutz und Employer Brand. Strategisch ist es besser, diese proaktiv anzugehen, statt auf Probleme zu warten. Definieren Sie, welche Daten ChatGPT verarbeiten darf und welche nicht, wie Sie mit personenbezogenen Daten umgehen und wie Sie verhindern, dass historische Verzerrungen in Ihren Sourcing-Kriterien verstärkt werden.

Arbeiten Sie mit Legal, Betriebsrat und D&I-Verantwortlichen zusammen, um Leitlinien zu definieren: Zum Beispiel darf ChatGPT Suchstrategien und Outreach-Texte entwickeln, aber keine automatisierten Screening-Entscheidungen ohne menschliche Prüfung treffen. Wenn Sie diese Leitplanken in Ihre Workflows einbetten und intern klar kommunizieren, können Sie mit KI schnell vorankommen und bleiben dennoch compliant und vertrauenswürdig.

Strategisch eingesetzt transformiert ChatGPT das Passive Sourcing von einer manuellen „Hit-or-Miss“-Aktivität in eine strukturierte Fähigkeit, die jede:r Recruiter:in nutzen kann. Es wird Ihr Talent-Acquisition-Team nicht ersetzen, aber es wird verändern, wie es seine Zeit verbringt – weniger mit Suchen und Umschreiben von Nachrichten, mehr mit Beziehungsaufbau und dem Closing kritischer Einstellungen. Wenn Sie von der Theorie zu einer funktionierenden Sourcing-Engine kommen möchten, unterstützt Sie Reruption dabei, KI-gestützte Workflows End-to-End zu konzipieren, zu prototypisieren und zu implementieren – von Prompt-Bibliotheken bis ATS-Integration –, sodass Ihr HR-Team diese Tools im Alltag souverän nutzt.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

Von Gesundheitswesen bis Nachrichtenmedien: Erfahren Sie, wie Unternehmen ChatGPT erfolgreich einsetzen.

AstraZeneca

Gesundheitswesen

In der stark regulierten pharmazeutischen Industrie stand AstraZeneca unter erheblichem Druck, die Wirkstoffforschung und klinischen Studien zu beschleunigen, die traditionell 10–15 Jahre dauern und Milliarden kosten, bei geringen Erfolgsraten von unter 10 %. Datensilos, strenge Compliance-Anforderungen (z. B. FDA-Regularien) und manuelle Wissensarbeit behinderten die Effizienz in F&E und Geschäftsbereichen. Forschende hatten Schwierigkeiten, riesige Datensets aus 3D-Bildgebung, Literaturauswertungen und Protokollentwürfen zu analysieren, was zu Verzögerungen bei der Therapiefindung für Patienten führte. Die Skalierung von KI wurde durch Datenschutz-Bedenken, Integration in Altsysteme und die Sicherstellung verlässlicher KI-Ergebnisse in einem hochkritischen Umfeld erschwert. Ohne schnelle Adoption riskierte AstraZeneca, gegenüber Wettbewerbern zurückzufallen, die KI für schnellere Innovationen zur Erreichung der 2030-Ziele nutzten.

Lösung

AstraZeneca startete eine unternehmensweite Strategie für generative KI und setzte ChatGPT Enterprise ein, maßgeschneidert für Pharma-Workflows. Dazu gehörten KI-Assistenten für die Analyse 3D-molekularer Bildgebung, automatische Entwürfe von Protokollen für klinische Studien und die Synthese von Wissen aus wissenschaftlicher Literatur. Sie gingen Partnerschaften mit OpenAI für sichere, skalierbare LLMs ein und investierten in Schulungen: Rund 12.000 Mitarbeitende aus F&E und anderen Funktionen schlossen bis Mitte 2025 GenAI-Programme ab. Infrastruktur-Upgrades wie AMD Instinct MI300X GPUs optimierten das Modelltraining. Governance-Rahmen stellten Compliance sicher, mit menschlicher Validierung in kritischen Aufgaben. Der Rollout erfolgte phasenweise von Pilotprojekten in 2023–2024 bis zur vollständigen Skalierung 2025, mit Schwerpunkt auf der Beschleunigung der F&E durch GenAI für Moleküldesign und Real-World-Evidence-Analysen.

Ergebnisse

  • ~12.000 Mitarbeitende bis Mitte 2025 in generativer KI geschult
  • 85–93 % der Mitarbeitenden berichteten von Produktivitätssteigerungen
  • 80 % der Medical Writer fanden KI-Protokollentwürfe nützlich
  • Signifikante Reduktion der Trainingszeit für Life-Sciences-Modelle durch MI300X-GPUs
  • Hohe AI-Maturity-Bewertung laut IMD-Index (weltweit oben)
  • GenAI ermöglicht schnellere Studienplanung und Dosiswahl
Fallstudie lesen →

AT&T

Telekommunikation

Als führender Netzbetreiber verwaltet AT&T eines der weltweit größten und komplexesten Netzwerke, das Millionen von Funkzellen, Glasfasern und 5G-Infrastruktur umfasst. Die zentralen Herausforderungen umfassten ineffiziente Netzplanung und -optimierung, etwa die Festlegung optimaler Standorte für Funkzellen und die Frequenzakquisition vor dem Hintergrund explodierender Datenanforderungen durch den 5G-Rollout und das Wachstum des IoT. Traditionelle Methoden beruhten auf manueller Analyse, was zu suboptimaler Ressourcenzuteilung und höheren Kapitalaufwendungen führte. Zusätzlich verursachte die reaktive Netzwartung häufige Ausfälle, da die Anomalieerkennung nicht mit den Echtzeitanforderungen Schritt hielt. Probleme proaktiv zu erkennen und zu beheben war entscheidend, um Ausfallzeiten zu minimieren, doch die enormen Datenmengen aus Netzwerksensoren überforderten die Altsysteme. Dies führte zu erhöhten Betriebskosten, Kundenunzufriedenheit und verzögerter 5G-Bereitstellung. AT&T benötigte skalierbare KI, um Ausfälle vorherzusagen, Selbstheilung zu automatisieren und die Nachfrage präzise zu prognostizieren.

Lösung

AT&T integrierte Maschinelles Lernen und Vorhersageanalytik über seine AT&T Labs und entwickelte Modelle für das Netzwerkdesign, einschließlich Spektrum-Refarming und Optimierung von Funkzellenstandorten. KI-Algorithmen analysieren Geodaten, Verkehrsprofile und historische Leistungsdaten, um ideale Standorte für Sendemasten zu empfehlen und so Baukosten zu reduzieren. Für den Betrieb nutzen Systeme zur Anomalieerkennung und Selbstheilung prädiktive Modelle auf NFV (Network Function Virtualization), um Ausfälle vorherzusagen und automatisierte Behebungen durchzuführen, etwa durch Umleitung von Traffic. Kausale KI geht über Korrelationen hinaus und liefert Ursachenanalysen bei Abwanderung und Netzproblemen. Die Implementierung umfasste Edge-to-Edge-Intelligenz und die Bereitstellung von KI in den Arbeitsabläufen von über 100.000 Ingenieurinnen und Ingenieuren.

Ergebnisse

  • Milliarden von Dollar an Einsparungen bei Netzwerkkosten
  • 20–30% Verbesserung der Netzauslastung und Effizienz
  • Signifikante Reduktion von Vor-Ort-Einsätzen (Truck Rolls) und manuellen Eingriffen
  • Proaktive Erkennung von Anomalien, die größere Ausfälle verhindert
  • Optimierte Standortwahl für Funkzellen, die CapEx um Millionen reduziert
  • Bis zu 40% bessere Genauigkeit bei 5G-Nachfrageprognosen
Fallstudie lesen →

Airbus

Luft- und Raumfahrt

In der Flugzeugentwicklung sind Computational Fluid Dynamics (CFD)-Simulationen essenziell, um den Luftstrom um Tragflächen, Rümpfe und neuartige Konfigurationen vorherzusagen — entscheidend für Treibstoffeffizienz und Emissionsreduzierung. Herkömmliche hochgenaue RANS-Solver benötigen jedoch Stunden bis Tage pro Lauf auf Supercomputern, wodurch Ingenieure nur wenige Dutzend Iterationen pro Designzyklus durchführen können und die Innovationsfähigkeit für nächste Generationen wie das hydrogenbetriebene ZEROe eingeschränkt wird. Dieses Rechenengpassproblem war besonders akut im Kontext von Airbus' Vorstoß zur Dekarbonisierung der Luftfahrt bis 2035, bei dem komplexe Geometrien eine umfassende Exploration erfordern, um Auftriebs-Widerstands-Verhältnisse zu optimieren und gleichzeitig Gewicht zu minimieren. Kooperationen mit DLR und ONERA zeigten den Bedarf an schnelleren Werkzeugen auf, da manuelle Abstimmungen nicht skalieren, um die Tausenden Varianten zu testen, die für laminares Strömungsverhalten oder Blended-Wing-Body-Konzepte nötig sind.

Lösung

Maschinelle Lern-Surrogatmodelle, einschließlich physik-informierter neuronaler Netze (PINNs), wurden auf umfangreichen CFD-Datensätzen trainiert, um komplette Simulationen in Millisekunden zu emulieren. Airbus integrierte diese in eine generative Design-Pipeline, in der KI Druckfelder, Geschwindigkeiten und Kräfte vorhersagt und dabei die Navier-Stokes-Physik über hybride Verlustfunktionen zur Genauigkeit erzwingt. Die Entwicklung umfasste die Aufbereitung von Millionen von Simulations-Snapshots aus Legacy-Läufen, GPU-beschleunigtes Training und iterative Feinabstimmung mit experimentellen Windkanaldaten. Dadurch wurden schnelle Iterationen möglich: Die KI sichtet Designs, während hochauflösende CFD nur die besten Kandidaten verifiziert, wodurch der Gesamtaufwand um Größenordnungen reduziert wird und gleichzeitig ein <5% Fehler bei Schlüsselmetriken gehalten wird.

Ergebnisse

  • Simulationszeit: 1 Stunde → 30 ms (120.000x Beschleunigung)
  • Design-Iterationen: +10.000 pro Zyklus im gleichen Zeitraum
  • Vorhersagegenauigkeit: 95%+ für Auftriebs-/Widerstandskoeffizienten
  • 50% Verkürzung der Designphasenlaufzeit
  • 30–40% weniger hochauflösende CFD-Läufe erforderlich
  • Treibstoffverbrauchsoptimierung: bis zu 5% Verbesserung in Vorhersagen
Fallstudie lesen →

Amazon

Einzelhandel

In der weiten E‑Commerce‑Landschaft stehen Online‑Käufer vor erheblichen Hürden bei der Produktsuche und Entscheidungsfindung. Bei Millionen von Produkten fällt es Kund:innen häufig schwer, Artikel zu finden, die genau ihren Anforderungen entsprechen, Optionen zu vergleichen oder schnelle Antworten auf nuancierte Fragen zu Funktionen, Kompatibilität und Nutzung zu erhalten. Traditionelle Suchleisten und statische Auflistungen stoßen an ihre Grenzen, was zu Warenkorbabbrüchen von branchenweit bis zu 70 % und verlängerten Entscheidungszeiträumen führt, die Nutzer:innen frustrieren. Amazon, das über 300 Millionen aktive Kund:innen bedient, sah sich besonders während Spitzenereignissen wie dem Prime Day mit stark steigenden Anfragevolumina konfrontiert. Käufer:innen verlangten personalisierte, konversationelle Unterstützung ähnlich der Hilfe im Laden, doch die Skalierung menschlicher Unterstützung war nicht möglich. Zu den Problemen gehörten die Bewältigung komplexer Multi‑Turn‑Anfragen, die Einbindung von Echtzeit‑Bestands‑ und Preisangaben sowie die Sicherstellung, dass Empfehlungen Sicherheits‑ und Genauigkeitsstandards erfüllen vor einem Katalog von über $500B.

Lösung

Amazon entwickelte Rufus, einen generativen, KI‑gestützten konversationellen Einkaufsassistenten, der in die Amazon Shopping‑App und die Desktop‑Version integriert ist. Rufus nutzt ein maßgeschneidertes Large Language Model (LLM), das auf Amazons Produktkatalog, Kundenbewertungen und Webdaten feinabgestimmt wurde, um natürliche, mehrstufige Gespräche zu führen, Fragen zu beantworten, Produkte zu vergleichen und maßgeschneiderte Empfehlungen zu geben. Angetrieben von Amazon Bedrock für Skalierbarkeit und AWS Trainium/Inferentia‑Chips für effiziente Inferenz, skaliert Rufus zu Millionen von Sitzungen ohne spürbare Latenz. Es integriert agentische Fähigkeiten für Aufgaben wie Warenkorb‑Hinzufügen, Preisverfolgung und Deal‑Suche und überwindet frühere Personalisierungsgrenzen durch sicheren Zugriff auf Nutzungsverlauf und Präferenzen. Die Implementierung erfolgte iterativ: Beginnend mit einer Beta im Februar 2024, Ausweitung auf alle US‑Nutzer bis September und anschließende globale Rollouts, wobei Halluzinationsrisiken durch Grounding‑Techniken und Mensch‑in‑der‑Schleife‑Sicherungen adressiert wurden.

Ergebnisse

  • 60 % höhere Kaufabschlussrate bei Rufus‑Nutzer:innen
  • Prognostizierte zusätzliche Umsätze von $10B durch Rufus
  • 250M+ Kund:innen nutzten Rufus im Jahr 2025
  • Monatlich aktive Nutzer:innen +140 % YoY
  • Interaktionen stiegen um 210 % YoY
  • Black‑Friday‑Verkaufssitzungen +100 % mit Rufus
  • Kürzlicher Anstieg der Rufus‑Nutzer:innen um 149 %
Fallstudie lesen →

American Eagle Outfitters

Bekleidungs-Einzelhandel

In der wettbewerbsintensiven Bekleidungs-Einzelhandel-Landschaft stand American Eagle Outfitters vor erheblichen Herausforderungen in den Ankleidekabinen, wo Kund:innen nach Styling-Beratung, präziser Größenempfehlung und ergänzenden Artikelvorschlägen verlangen, ohne auf überlastete Mitarbeitende warten zu müssen . Während Stoßzeiten führten Personalknappheiten häufig dazu, dass frustrierte Käufer:innen Waren zurückließen, die Anprobefrequenz sanken und Konversionschancen verpasst wurden, da traditionelle In-Store-Erfahrungen hinter der personalisierten E‑Commerce-Welt zurückblieben . Frühe Ansätze wie Beacon-Technologie im Jahr 2014 verdoppelten zwar die Wahrscheinlichkeit des Betretens der Umkleide, fehlte es ihnen jedoch an Tiefe für Echtzeit-Personalisierung . Hinzu kamen Daten-Silos zwischen Online und Offline, die einheitliche Kundenkenntnisse erschwerten und es schwierig machten, Artikel dynamisch an individuelle Stilpräferenzen, Körpertypen oder sogar Hauttöne anzupassen. American Eagle benötigte eine skalierbare Lösung, um Engagement und Kundentreue in Flagship-Stores zu steigern und gleichzeitig mit KI breiter zu experimentieren .

Lösung

American Eagle ging eine Partnerschaft mit Aila Technologies ein, um interaktive Ankleidekabinen-Kioske einzusetzen, die von Computervision und Maschinellem Lernen angetrieben werden; diese wurden 2019 in Flagship-Filialen in Boston, Las Vegas und San Francisco eingeführt . Kund:innen scannen Kleidungsstücke über iOS-Geräte, wodurch CV‑Algorithmen die Artikel identifizieren und ML‑Modelle — trainiert auf Kaufhistorie und Google Cloud‑Daten — optimale Größen, Farben und Outfit‑Ergänzungen vorschlagen, zugeschnitten auf inferierte Stilpräferenzen . Integriert mit den ML-Funktionen von Google Cloud ermöglicht das System Echtzeit-Empfehlungen, Benachrichtigungen an Mitarbeitende und nahtlose Bestandsabfragen und entwickelte sich von Beacon‑Gimmicks zu einem vollwertigen smarten Assistenten . Dieser experimentelle Ansatz, gefördert vom CMO Craig Brommers, fördert eine KI‑Kultur für Personalisierung im großen Maßstab .

Ergebnisse

  • Zweistellige Conversion-Steigerungen durch KI‑Personalisierung
  • 11% Wachstum der vergleichbaren Verkäufe für die Marke Aerie im Q3 2025
  • 4% Anstieg der gesamten vergleichbaren Verkäufe im Q3 2025
  • 29% EPS‑Wachstum auf $0,53 im Q3 2025
  • Verdoppelte Anprobewahrscheinlichkeit in Ankleidekabinen durch frühe Technik
  • Rekordumsatz im Q3 von $1,36 Mrd.
Fallstudie lesen →

Best Practices

Erfolgreiche Implementierungen folgen bewährten Mustern. Werfen Sie einen Blick auf unsere taktischen Ratschläge für den Einstieg.

Rollenanforderungen mit ChatGPT in strukturierte Such-Briefings überführen

Die meisten Probleme beim Passive Sourcing beginnen mit vagen oder inkonsistenten Rollendefinitionen. Anstatt unstrukturierte Stellenbeschreibungen an Recruiter:innen weiterzureichen, nutzen Sie ChatGPT für HR, um diese in klare Such-Briefings zu übersetzen: Ziel-Titel, Must-have-Skills, Nice-to-haves, typische Karrierepfade und relevante Branchen.

Lassen Sie Recruiter:innen oder Hiring Manager die Roh-Rollenbeschreibung in ChatGPT einfügen und ein strukturiertes Sourcing-Briefing anfordern, das für LinkedIn, GitHub, CV-Datenbanken und Fach-Communities verwendet werden kann.

Prompt-Beispiel:
Sie sind eine erfahrene Führungskraft im Talent Sourcing.

Input:
- Jobtitel: Senior Data Engineering Lead
- Standort: München (hybrid, Umzug innerhalb der EU möglich)
- Level: Führt ein Team von 5–7 Personen, berichtet an VP Engineering
- Verantwortlichkeiten: Verantwortung für Datenplattform, Stakeholder-Management, Architekturentscheidungen
- Tech-Stack: Azure, Databricks, Python, SQL, CI/CD, Terraform

Aufgaben:
1. Erstellen Sie ein strukturiertes Passive-Sourcing-Briefing mit:
   - 5–8 wahrscheinlichen aktuellen Jobtiteln
   - 5–10 relevanten Zielunternehmen (Typ, keine spezifischen Namen)
   - Typischen Karrierepfaden/vorangegangenen Rollen
   - Must-have- und Nice-to-have-Skills für die Suche
2. Schlagen Sie 3 Boolesche Suchstrings für LinkedIn Recruiter vor.
3. Nennen Sie 3 nicht offensichtliche Sourcing-Kanäle oder Communities, die es zu prüfen lohnt.

Erwartetes Ergebnis: Recruiter:innen starten jede Suche mit einem hochwertigen, standardisierten Briefing, reduzieren Rückfragen mit Hiring Managern und beschleunigen die erste Shortlist um 20–30 %.

Fortgeschrittene Suchstrings plattformübergreifend generieren und verfeinern

Boolesche Suche ist eine Kompetenz – und ein Zeitfresser. Nutzen Sie ChatGPT im Recruiting, um Suchstrings zu generieren, zu testen und für jede Plattform zu optimieren. Recruiter:innen können einen ersten Versuch einfügen und ChatGPT bitten, diesen hinsichtlich Recall vs. Präzision zu optimieren oder von LinkedIn auf eine andere CV-Datenbank zu übertragen.

Prompt-Beispiel:
Sie unterstützen eine:n Recruiter:in dabei, Suchen nach passiven Kandidat:innen zu verbessern.

Hier ist die Rolle und meine aktuelle LinkedIn-Boolesche Suche:
[Rollenzusammenfassung einfügen]

Aktuelle Suche:
("Head of Sales" OR "Sales Director") AND (SaaS OR "software as a service") AND ("DACH" OR Germany OR Austria OR Switzerland)

Aufgaben:
1. Schlagen Sie 2 verbesserte Versionen vor: eine mit Fokus auf breiteren Recall, eine mit höherer Präzision.
2. Erklären Sie Ihre Änderungen.
3. Passen Sie die präzisere Version für eine interne CV-Datenbank an, die keine Proximity-Operatoren unterstützt.

Erwartetes Ergebnis: Konstantere Suchqualität im gesamten Team und weniger übersehene Kandidat:innen – insbesondere für Nischen- oder Senior-Rollen.

Personalisierte Ansprache passiver Kandidat:innen in Skalierung

Generische InMails sind ein zentraler Grund für niedrige Response-Raten bei passiven Kandidat:innen. Mit einer Anbindung von ChatGPT an Ihr ATS/CRM oder parallel zur Nutzung von LinkedIn-Profilen können Recruiter:innen hochgradig personalisierte Outreach-Nachrichten generieren, die auf den Hintergrund und die Motive einzelner Kandidat:innen eingehen und gleichzeitig eine konsistente Markenstimme wahren.

Recruiter:innen können die Profilzusammenfassung einer Person kopieren und ChatGPT bitten, eine individuell zugeschnittene Nachricht zu formulieren und anschließend die Tonalität nach Bedarf anpassen (z. B. direkter für Senior-Rollen, explorativer für Mid-Level-Talente).

Prompt-Beispiel:
Sie sind ein Sourcing-Assistent für ein internes HR-Team.

Input:
- LinkedIn-"Info"-Abschnitt und aktuelle Erfahrung der Kandidatin/des Kandidaten:
[Text einfügen]
- Rolle, für die wir einstellen: Senior Product Manager, B2B SaaS, remote-freundlich in der EU
- Company Pitch: [3–5 Stichpunkte zu Ihrem Unternehmen und der Rolle einfügen]
- Ton: Professionell, prägnant, ehrlich personalisiert, kein Hype.

Aufgaben:
1. Formulieren Sie eine erste Outreach-Nachricht mit 120–180 Wörtern, die:
   - 2–3 spezifische Elemente aus dem Profil der Kandidatin/des Kandidaten referenziert
   - erklärt, warum diese Rolle für sie/ihn relevant ist
   - einen unverbindlichen nächsten Schritt anbietet (15-minütiger Kennenlern-Call)
2. Schlagen Sie eine prägnante Betreffzeile (< 50 Zeichen) vor.

Erwartetes Ergebnis: Zielgerichtetere, relevantere Ansprache, die sich „für mich geschrieben“ anfühlt statt copy-paste – häufig mit 30–50 % besseren Response-Raten im Vergleich zu generischen Vorlagen.

Multi-Step-Outreach-Sequenzen aufbauen und Varianten A/B-testen

Effektives Passive Sourcing besteht nicht aus einer Nachricht, sondern aus einer Sequenz. Nutzen Sie ChatGPT für Talent-Acquisition-Kampagnen, um Multi-Touch-Outreach-Flows zu gestalten, die Recruiter:innen in LinkedIn, E-Mail oder Ihr CRM übernehmen können. Inklusive Erinnerungen, Content-Sharing (z. B. Case Studies, Kultur-Artikel) und höflichen Follow-ups.

Bitten Sie ChatGPT, mehrere Varianten mit unterschiedlichen Tonalitäten und Blickwinkeln zu erstellen, damit Sie testen können, was bei verschiedenen Persona-Typen (z. B. Engineering-Leads vs. Sales-Executives) besser ankommt.

Prompt-Beispiel:
Sie entwerfen eine 3-stufige Outreach-Sequenz für passive Kandidat:innen.

Input:
- Zielpersona: VP Engineering in mittelgroßen B2B-SaaS-Unternehmen, DACH-Region
- Wertversprechen: [Stichpunkte zu Ihrer Rolle & Ihrem Unternehmen einfügen]
- Rahmenbedingungen: Nicht mehr als 140 Wörter pro Nachricht, 4–7 Tage Abstand zwischen den Kontaktpunkten.

Aufgaben:
1. Erstellen Sie eine 3-Nachrichten-Sequenz für LinkedIn.
2. Schlagen Sie zu jeder Nachricht eine alternative Version mit einem anderen Schwerpunkt vor (Karrierewachstum vs. Impact vs. Tech-Challenge).
3. Geben Sie das Ergebnis in strukturierter Form aus (Nachricht 1A, 1B, 2A, 2B ...).

Erwartetes Ergebnis: Recruiter:innen verfügen über einsatzbereite, getestete Sequenzen statt jedes Mal bei Null zu starten – das ermöglicht konsistentere Nachverfolgung und eine bessere Nutzung ihrer Zeit.

ChatGPT zur Mapping- und Priorisierung von Talentmärkten nutzen

Vor dem Sourcing müssen Sie wissen, wo die richtigen Personen sind. ChatGPT kann öffentliche Informationen schnell synthetisieren und eine erste Talent-Marktkarte erstellen: Welche Regionen, Branchensegmente und Unternehmensphasen wahrscheinlich über das gesuchte Talent verfügen.

Recruiter:innen oder HRBPs können ihre Zeit dadurch dort fokussieren, wo die Erfolgsaussichten am höchsten sind, und fundiertere Gespräche mit Hiring Managern über Trade-offs führen (z. B. Standort vs. Erfahrung).

Prompt-Beispiel:
Sie sind Talent-Market-Analyst:in und unterstützen HR bei der Planung des Passive Sourcings.

Input:
- Rolle: Head of Customer Success, Enterprise-B2B-Software
- Region: Europa (Priorität: Deutschland, Niederlande, Nordics)
- Anforderungen: Teams > 20 Personen aufgebaut und geführt, Erfahrung mit ARR > 50 Mio., fließend Englisch.

Aufgaben:
1. Skizzieren Sie 3–5 Talentcluster (nach Land & Unternehmenstyp), in denen Kandidat:innen voraussichtlich zu finden sind.
2. Beschreiben Sie für jeden Cluster typische Unternehmensprofile und Kandidaten-Hintergründe.
3. Schlagen Sie 3 Suchstrategien pro Cluster vor (Plattformen, Keywords, Signale).
4. Präsentieren Sie dies als kompakten Marktüberblick, den HR mit Hiring Managern teilen kann.

Erwartetes Ergebnis: Fokussiertere Sourcing-Aktivitäten, weniger Sackgassen-Suchen und besseres Alignment mit Business-Verantwortlichen darüber, wo passende Talente realistisch verfügbar sind.

ChatGPT per API in Ihren ATS/CRM-Workflow einbetten

Um von Experimenten zu echter Skalierung zu kommen, integrieren Sie ChatGPT mit Ihrem ATS oder CRM. Mit einer API-Anbindung und den richtigen Prompts können Recruiter:innen Outreach-Entwürfe, Profilzusammenfassungen oder Suchstrategie-Vorschläge direkt aus Kandidaten- oder Jobdatensätzen heraus anstoßen, statt zwischen Tools zu wechseln.

Typische Workflow-Schritte sind: Standard-Promptvorlagen für Schlüsselschritte definieren (z. B. „Fasse dieses Kandidatenprofil für den Hiring Manager zusammen“, „Erstelle einen ersten Outreach-Entwurf auf Basis dieser Stelle und dieses Profils“), diese als Buttons oder Automatisierungen im System umsetzen und generierte Inhalte für Compliance und Qualitätsprüfung protokollieren.

Konfigurationsskizze (konzeptionell):
- Trigger: Recruiter:in klickt auf "Outreach generieren" im Kandidatenprofil.
- An die ChatGPT-API gesendete Daten:
  - Stellenbeschreibung
  - Profilfelder der Kandidatin/des Kandidaten (bei Bedarf von personenbezogenen Daten bereinigt)
  - Company-Pitch-Text
  - Ausgewählter Ton/Persona-Tag
- Beispiel für Systemprompt:
  "Sie sind eine Inhouse-Recruiterin/ein Inhouse-Recruiter. Formulieren Sie eine personalisierte Outreach-Nachricht ..."
- Response: Outreach-Entwurf wird als Notiz gespeichert, Recruiter:in kann ihn bearbeiten & versenden.

Erwartetes Ergebnis: 20–40 % weniger Zeitaufwand pro gesourcter Person, höhere Konsistenz in der Qualität und bessere Analytics dazu, welche Botschaften wirken – ohne zusätzliche Tools im Tech-Stack der Recruiter:innen.

Über alle diese Praktiken hinweg sehen Organisationen, die ChatGPT durchdacht in ihre Workflows für Passive Sourcing einbetten, typischerweise schnellere Zeiten bis zur Shortlist für Nischen- und Senior-Rollen (oft 25–40 % schneller), höhere Response-Raten bei zielgerichtetem Outreach und geringere Abhängigkeit von externen Agenturen. Die genauen Kennzahlen hängen von Ihrer Ausgangslage und Datenqualität ab, aber das Muster ist konsistent: weniger manuelle Suche und Textarbeit, mehr Zeit mit den richtigen Kandidat:innen.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

ChatGPT unterstützt Passive Sourcing in drei Hauptbereichen: Es übersetzt vage Rollenbeschreibungen in strukturierte Sourcing-Briefings, generiert und verfeinert komplexe Suchstrings und erstellt hochgradig personalisierte Outreach-Nachrichten in Skalierung. Recruiter:innen müssen nicht mehr jede Suche bei Null beginnen, sondern arbeiten mit standardisierten, KI-unterstützten Playbooks für jeden Rollentyp und jedes Senioritätslevel.

Außerdem hilft ChatGPT, Talentmärkte zu kartieren und nicht offensichtliche Kanäle (Communities, Unternehmenstypen, Regionen) sichtbar zu machen, die im Tagesgeschäft leicht übersehen werden. Das Ergebnis ist eine konsistentere Suchqualität im Team und bessere Response-Raten von Kandidat:innen, die das Gefühl haben, dass Ihre Nachrichten wirklich auf sie zugeschnitten sind.

Mindestens benötigen Sie: Zugang zu ChatGPT (oder einer Enterprise-Instanz), Recruiter:innen, die Ihre Rollen und Talent-Personas verstehen, und jemanden, der initiale Prompts und Sourcing-Templates aufsetzt. Technische Skills sind nur nötig, wenn Sie ChatGPT mit Ihrem ATS/CRM per API integrieren möchten – dann sollten Sie Ihre interne IT oder das Engineering-Team einbinden.

Die meisten HR-Teams starten mit einem Low-Tech-Ansatz: Rollenbeschreibungen und Profile in ChatGPT copy/pasten, Prompts über einige Wochen verfeinern und die besten Varianten anschließend in einem Sourcing-Playbook festhalten. Mit zunehmender Reife gehen viele in eine tiefere Integration über – hier arbeitet Reruption typischerweise mit HR und IT gemeinsam, um KI in bestehende Tools und Workflows einzubetten.

Im Bereich Passive Sourcing können Sie erste Erfolge innerhalb von 2–4 Wochen sehen. Sobald Recruiter:innen gut gestaltete Prompts auf reale Rollen anwenden, erleben sie meist schnelleres Setup von Suchen, bessere Longlists und wirksamere Outreach-Nachrichten. Verbesserungen bei den Response-Raten werden oft schon nach ein bis zwei Outreach-Zyklen sichtbar.

Der Aufbau einer robusten, integrierten, KI-gestützten Sourcing-Fähigkeit dauert länger. Die Gestaltung von Prompt-Bibliotheken, das Training des Teams und ein Pilot für die ATS/CRM-Integration erfolgen typischerweise über 8–12 Wochen. Deshalb starten viele Kund:innen mit einem fokussierten Piloten für 1–2 kritische Rollen, messen den Impact auf Time-to-Shortlist und Response-Raten und skalieren dann auf weitere Rollen und Regionen.

Die Kosten fallen in drei Bereiche: ChatGPT-Nutzung (oft gering im Vergleich zu Recruiting-Ausgaben), interner Zeitaufwand von HR und IT sowie ein mögliches externes Budget für Konzeption und Integration. Der größte „Kostenfaktor“ ist meist das Change Management – also die Umstellung der Arbeitsweise Ihrer Recruiter:innen auf neue Workflows und Prompts.

Auf der ROI-Seite betrachten Organisationen typischerweise Time-to-Shortlist, Response-Raten auf Outreach und Agenturausgaben. Wenn KI-gestützte Workflows Ihnen helfen, auch nur einige Senior- oder Nischenrollen ohne Agenturen zu besetzen, sind die Einsparungen schnell höher als die Implementierungskosten. Realistisch ist ein Ziel von 20–30 % weniger manueller Sourcing-Zeit pro Rolle und einer messbaren Reduktion externer Agenturabhängigkeit in den ersten 6–12 Monaten.

Reruption agiert als Co-Preneur mit Ihren HR- und IT-Teams, um von der Idee zur funktionierenden Lösung zu kommen. Häufig starten wir mit einem fokussierten KI-PoC (9.900€), um zu beweisen, dass ChatGPT Ihr Passive Sourcing für ausgewählte Rollen wirksam unterstützen kann. Dazu gehören Use-Case-Scoping, Gestaltung von Prompts und Workflows, Rapid Prototyping (oft mit einer leichten Integration in Ihr ATS oder CRM) und klare Performance-Metriken.

Darauf aufbauend helfen wir Ihnen, funktionierende Ansätze zu industrialisieren: Aufbau von Prompt-Bibliotheken und Sourcing-Playbooks, Einbettung von KI in die Workflows der Recruiter:innen und Adressierung von Compliance- und Change-Management-Fragen. Wir liefern nicht nur Foliensätze – wir arbeiten eng mit Ihrem Team, stellen Annahmen in Frage und iterieren, bis eine echte, nutzbare Sourcing-Fähigkeit in Ihrer Organisation live ist.

Kontaktieren Sie uns!

0/10 min.

Direkt Kontaktieren

Your Contact

Philipp M. W. Hoffmann

Founder & Partner

Adresse

Reruption GmbH

Falkertstraße 2

70176 Stuttgart

Kontakt

Social Media