KI-generiertes Bild

Passive Talentgewinnung mit Claude-gestützten HR-Workflows reparieren

Viele HR-Teams wissen, dass ihre besten Einstellungen selten über Jobbörsen kommen – und doch hängt die Gewinnung passiver Talente weiterhin von zeitaufwendiger manueller Recherche und generischer Ansprache ab. Dieser Artikel zeigt, wie Sie Claude nutzen, um passive Kandidat:innen systematisch zu finden, zu priorisieren und anzusprechen, sodass Ihre Recruiter weniger Zeit mit der Profilsuche und mehr Zeit mit dem Closing von Top-Talenten verbringen.

Emilia Morosini
Head of Growth at Reruption GmbH
Zuletzt aktualisiert: 11.12.2025

Inhalt

Die Herausforderung: Ineffektives Sourcing passiver Talente

Für viele HR- und Talent-Acquisition-Teams findet der eigentliche Wettbewerb um Skills lange statt, bevor eine Stelle überhaupt ausgeschrieben wird. Die stärksten Kandidat:innen sind oft passiv: Sie bewerben sich nicht, verfolgen keine Jobbörsen und reagieren selten auf generische InMails. Dennoch sind die meisten Recruiting-Workflows weiterhin auf aktive Bewerber:innen optimiert, während das Sourcing passiver Talente ein ad-hoc Prozess bleibt, der von den Netzwerken und Kapazitäten einzelner Recruiter abhängt.

Traditionelle Ansätze basieren auf manueller Profilsuche in LinkedIn, CV-Datenbanken und internen ATS-Daten. Recruiter durchforsten Hunderte Profile, öffnen Dutzende Browser-Tabs und kopieren Standardansprachen, die für Kandidat:innen generisch wirken und Hiring Manager kaum überzeugen. Das ist langsam, schwer skalierbar und stark von den individuellen Research-Fähigkeiten der einzelnen Recruiter abhängig. Je spezialisierter und senioriger die Rollen werden, desto weiter sinkt die Trefferquote dieser manuellen Methoden.

Die geschäftlichen Auswirkungen sind erheblich. Nischen- und Führungspositionen bleiben monatelang unbesetzt und verzögern kritische Initiativen. Teams greifen auf teure Agenturen oder bezahlte Jobbörsen zurück, um schwaches Direkt-Sourcing zu kompensieren. High-Potential-Kandidat:innen, die in alten Pipelines „versteckt“ sind, werden nie wiederentdeckt – obwohl sie inzwischen perfekt passen könnten. Langfristig führt das zu höheren Kosten pro Einstellung, längerer Time-to-Hire, entgangenem Umsatz durch verzögerte Projekte und einem Wettbewerbsnachteil in Märkten, in denen Talent der zentrale Engpass ist.

Die gute Nachricht: Das ist kein unlösbares Problem. Mit moderner KI wie Claude können HR-Teams unstrukturierte Daten – CVs, LinkedIn-Profile, Recruiter-Notizen, E-Mail-Verläufe – systematisch in einen strukturierten, durchsuchbaren Talent-Asset verwandeln. Bei Reruption sehen wir, wie KI-gestützte Recruiting-Workflows das Spiel verändern – von automatisierter Vorqualifizierung bis zur kontinuierlichen Talent-Rediscovery. Im weiteren Verlauf dieser Seite finden Sie konkrete, praxisnahe Hinweise, wie Sie Claude nutzen können, um das Sourcing passiver Talente schneller, zielgenauer und deutlich weniger manuell zu gestalten.

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 Reruptions Erfahrung in der Entwicklung von KI-Lösungen für HR- und Recruiting-Teams, einschließlich eines KI-basierten Recruiting-Chatbots für einen globalen Automobilkonzern, wissen wir: Tools wie Claude entfalten ihre größte Wirkung, wenn sie in bestehende Talent-Acquisition-Workflows eingebettet werden – nicht, wenn sie als isolierte Gadgets danebenstehen. Claudes großes Kontextfenster, starke Fähigkeiten im Reasoning und die Möglichkeit, hochgradig maßgeschneiderte Texte zu generieren, machen es zu einem idealen Baustein für systematisches Sourcing passiver Talente – vorausgesetzt, HR-Verantwortliche gehen mit der richtigen Strategie, soliden Datenfundamenten und aktivem Change Management vor.

Entwerfen Sie eine klare Strategie für passive Talente, bevor Sie automatisieren

Bevor Sie Claude in Ihren Sourcing-Stack integrieren, brauchen Sie Klarheit darüber, wie „gutes“ passives Talent für jeden Rollentyp aussieht. Viele Initiativen scheitern daran, dass die KI gebeten wird, „tolle Profile zu finden“, ohne eine präzise Definition von Erfolg. Starten Sie mit einer Co-Creation mit den Hiring Managern: Welche Must-have-Skills, Ausschlusskriterien, Branchenhintergründe, Senioritätsindikatoren und Karriereverläufe korrelieren in Ihrem Unternehmen mit Erfolg?

Übersetzen Sie dies in strukturierte Kriterien und Narrative (z. B. „Top-5%-Data-Engineers in B2B-SaaS“, „regionale Vertriebsleiter:innen, die Teams von Grund auf aufgebaut haben“). Claude kann diese anschließend als Kandidaten-Personas und Scoring-Frameworks nutzen. Strategisch verlagern Sie damit das Sourcing passiver Talente von einer Bauchgefühl-Suche hin zu einem wiederholbaren, kriteriums-basierten Prozess, den KI verstärken statt erraten muss.

Behandeln Sie Ihre Talentdaten als strategischen Vermögenswert

Claude wird umso wertvoller, je stärker der Blick über LinkedIn und Jobbörsen hinaus auf Ihre internen Talentdaten reicht: ehemalige Bewerber:innen, „Silbermedaillengewinner:innen“, Mitarbeitendenempfehlungen oder auch Alumni. Viele ATS- und CRM-Systeme enthalten Tausende kaum genutzter Profile und Notizen. Strategisch sollten HR-Verantwortliche dies als langfristigen Vermögenswert betrachten: als wachsenden, KI-durchsuchbaren Talentgraphen statt als statisches Archiv.

Arbeiten Sie mit IT- und Datenteams zusammen, um festzulegen, auf welche Felder, Dokumente und Notizen Claude per API unter welchen Sicherheits- und Compliance-Vorgaben zugreifen darf. Dazu gehören auch Anonymisierung oder Pseudonymisierung, wo nötig. Durch kuratierte, qualitativ hochwertige und einwilligungskonforme Datensätze sowie klare Aufbewahrungsrichtlinien senken Sie das KI-Risiko und ermöglichen Claude, übersehene passive Talente in großem Umfang wiederzuentdecken.

Positionieren Sie Recruiter neu: von Researchern zu Talentberater:innen

Wenn Claude einen Großteil der manuellen Profilsuche und der ersten Outreach-Entwürfe übernimmt, sollte sich die Rolle der Recruiter weiterentwickeln. Strategisch geht es nicht darum, Recruiter zu ersetzen, sondern ihre Zeit in Aktivitäten mit höherem Hebel zu verlagern: beratende Briefings mit Hiring Managern, strukturierte Interviews, das Closing von Kandidat:innen und das Erwartungsmanagement bei Stakeholdern.

Bereiten Sie Ihr Team frühzeitig auf diesen Wandel vor. Beziehen Sie es in die Gestaltung von Prompts, Outreach-Vorlagen und Bewertungsrastern ein, damit Vertrauen in die Ergebnisse entsteht. Schulen Sie Ihre Recruiter darin, wie sie Claudes Vorschläge überprüfen und verbessern, statt sie nur anzunehmen oder abzulehnen. Dieser Mindset-Shift ist entscheidend: Organisationen, die KI als „Co-Pilot“ für ihre Recruiter positionieren, sehen schnellere Adoption und bessere Sourcing-Ergebnisse.

Bias, Fairness und Compliance aktiv steuern

Der Einsatz von Claude für Kandidatensuche und -ranking wirft berechtigte Fragen zu Bias, Fairness und Datenschutz auf. Strategisch müssen HR-Verantwortliche Governance etablieren, bevor sie skalieren. Definieren Sie, welche Merkmale niemals als Kriterien genutzt werden dürfen (z. B. Geschlecht, Alter, Ethnie, sensible Gesundheitsinformationen) und stellen Sie sicher, dass Prompts und Schulungsunterlagen diese Grenzen widerspiegeln.

Richten Sie regelmäßige Audits ein: Ziehen Sie Stichproben KI-vorgeschlagener Kandidat:innen für verschiedene Rollen und prüfen Sie Muster, die auf indirekten Bias hinweisen könnten (z. B. Unterrepräsentanz bestimmter Hochschulen oder Regionen). Arbeiten Sie mit Legal und Compliance zusammen, um den Einsatz von Claude mit DSGVO, Betriebsratsanforderungen und internen Richtlinien in Einklang zu bringen. Explizite Governance reduziert nicht nur Risiken, sondern stärkt auch das Vertrauen der Stakeholder in eine KI-unterstützte Talentgewinnung.

Mit einer hochrelevanten Rollenfamilie starten und strikt messen

Statt „KI für alles im Sourcing“ zu verfolgen, wählen Sie eine einzelne Rollenfamilie, bei der das Sourcing passiver Talente besonders schmerzhaft ist – etwa Senior Engineers, Vertriebsleiter:innen oder Schlüsselspezialist:innen. Definieren Sie ein fokussiertes Pilotprojekt, in dem Claude nur für diese Rollen Personas erstellt, Datenbanken durchsucht und Outreach unterstützt. So halten Sie die Komplexität gering und beschleunigen das Lernen.

Tracken Sie von Tag eins an Baseline-Kennzahlen: Zeitaufwand für manuelles Sourcing, Antwortquoten auf Outreach, Anzahl qualifizierter passiver Kandidat:innen in der Pipeline, Time-to-Shortlist. Vergleichen Sie diese mit den Ergebnissen, wenn Claude im Loop ist. Strategische Skalierungsentscheidungen sollten evidenzbasiert sein: Wo die Zahlen echten Impact zeigen, schaffen Sie sich das Mandat (und Budget), den KI-Einsatz auf weitere Rollenfamilien auszuweiten.

Durchdacht eingesetzt kann Claude das Sourcing passiver Talente von einer manuellen Treffer-oder-nicht-Aktivität in einen systematischen, datengetriebenen Prozess verwandeln, der bessere Kandidat:innen schneller sichtbar macht. Entscheidend ist dabei nicht nur das Modell selbst, sondern wie Sie Personas definieren, Ihre Talentdaten anbinden, Bias steuern und Ihr Recruiting-Team um diese neue Fähigkeit herum neu ausrichten. Reruption verbindet tiefe KI-Engineering-Expertise mit praktischer HR-Erfahrung, um diese Claude-gestützten Workflows End-to-End zu konzipieren und zu implementieren; wenn Sie prüfen, wie Sie Ihre Talentgewinnung mit KI modernisieren können, schauen wir uns gerne gemeinsam Ihren aktuellen Stack an und identifizieren einen pragmatischen Startpunkt.

Reruption Team
Das Reruption Team
Strategy Meeting
Strategiegespräch mit Kunden
Team on Location
Auf Projektarbeit vor Ort
Team Get-Together
Team-Event
Client Consulting
Workshop-Session
Workshop Session
Kreative Zusammenarbeit
Reruption Brand
Reruption Kultur

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

Von Finanzdienstleistungen bis Fertigung: Erfahren Sie, wie Unternehmen Claude erfolgreich einsetzen.

Royal Bank of Canada (RBC)

Finanzdienstleistungen

RBC‑Kunden sahen sich erheblichen Problemen bei der Verwaltung ihrer persönlichen Finanzen gegenüber, insbesondere beim Sparen von Kleingeld, klugen Investitionen und Einhalten des Budgets. Traditionelle Banktools boten allgemeine Ratschläge, die individuelle Ausgabemuster nicht berücksichtigten, was zu suboptimalen Finanzentscheidungen und geringer Nutzung von Sparprodukten führte. Viele Kunden kämpften mit unregelmäßigen Cashflows, Impulsausgaben und fehlender Sichtbarkeit künftiger Ausgaben, was zu niedrigeren Sparquoten und verpassten Investitionschancen führte. Als der Wettbewerb im Privatkundengeschäft zunahm, erkannte RBC die Notwendigkeit für hyper‑personalisierte Einsichten, um Kundenloyalität aufzubauen und Wachstum zu fördern. Ohne fortgeschrittene Analytik fehlten proaktive Anstöße wie das Aufrunden von Käufen zum Sparen oder die Vorhersage von Liquiditätsengpässen, was besonders nach der Pandemie finanziellen Stress verstärkte.

Lösung

RBC führte NOMI ein, einen KI‑gesteuerten Finanzassistenten in der mobilen Banking‑App, der maschinelles Lernen nutzt, um Transaktionsdaten zu analysieren, Ausgaben zu kategorisieren und maßgeschneiderte Empfehlungen zu liefern. Funktionen wie NOMI Insights beleuchten Ausgabentrends, NOMI Budgets generieren automatisch personalisierte Budgets und NOMI Find & Save identifiziert Kleingeld‑Potentiale für automatische Überweisungen auf verzinste Sparkonten oder in Investments. Über RBC Borealis, das KI‑Innovationszentrum der Bank, wurde NOMI skaliert und auf robuste Datenplattformen gestellt, die Datenschutz und Genauigkeit gewährleisten. Diese ML‑Personalisierungs‑Engine verarbeitet umfangreiche Datensätze in Echtzeit und bietet Anstöße wie 'Überweise 25 $ Kleingeld in ein GIC' oder 'Passe das Essensbudget um 15 % an', wodurch Nutzer umsetzbare, kontextbezogene Ratschläge erhalten.

Ergebnisse

  • 700 Mio. $–1 Mrd. $ Unternehmenswert durch KI‑Investitionen bis 2027
  • Top‑3 Platzierung in der globalen KI‑Reife unter Banken
  • Über 98.000 Mitarbeitende, die KI in den Betriebsprozessen nutzen
  • 57 Mrd. $ Jahresumsatz mit KI‑getriebenem Wachstum
  • Millionen NOMI‑Nutzer mit verbesserten Sparquoten
  • 20–30% Zuwachs bei Sparbeiträgen durch gezielte Anstöße
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 →

Bank of America

Bankwesen

Die Bank of America sah sich einem hohen Volumen routinemäßiger Kundenanfragen gegenüber, etwa Kontostände, Zahlungen und Transaktionsverläufe, was traditionelle Callcenter und Supportkanäle überlastete. Bei Millionen täglicher Nutzer des digitalen Bankings fiel es der Bank schwer, rund um die Uhr personalisierte Finanzberatung in großem Maßstab anzubieten, was zu Ineffizienzen, längeren Wartezeiten und uneinheitlicher Servicequalität führte. Kunden forderten proaktive Erkenntnisse über einfache Abfragen hinaus, etwa Ausgabemuster oder finanzielle Empfehlungen, doch menschliche Mitarbeitende konnten das Volumen nicht ohne steigende Kosten bewältigen. Zudem stellte die Sicherstellung von konversationeller Natürlichkeit in einer regulierten Branche wie dem Bankwesen eine Herausforderung dar, einschließlich der Einhaltung von Datenschutzbestimmungen im Finanzwesen, der präzisen Interpretation komplexer Anfragen und der nahtlosen Integration in die Mobile App, ohne die Nutzererfahrung zu stören. Die Bank musste KI-Automatisierung mit menschlicher Empathie ausbalancieren, um Vertrauen und hohe Zufriedenheitswerte zu erhalten.

Lösung

Bank of America entwickelte Erica, einen internen durch NLP unterstützten virtuellen Assistenten, der direkt in die Mobile-Banking-App integriert ist und Natural Language Processing sowie prädiktive Analytik nutzt, um Anfragen konversationell zu bearbeiten. Erica fungiert als Einstiegspunkt für Self-Service, bearbeitet Routineaufgaben sofort und liefert gleichzeitig personalisierte Einblicke, wie Liquiditätsprognosen oder maßgeschneiderte Empfehlungen, wobei Kundendaten sicher verwendet werden. Die Lösung entwickelte sich von einem einfachen Navigationstool zu einer ausgefeilten KI und integrierte Generative-AI-Komponenten für natürlichere Interaktionen sowie das nahtlose Eskalieren komplexer Fälle an menschliche Agenten. Mit dem Fokus auf interne Sprachmodelle gewährleistet sie Kontrolle über Datenschutz und Anpassung, treibt die unternehmensweite KI-Einführung voran und steigert das digitale Engagement.

Ergebnisse

  • Über 3 Milliarden Kundeninteraktionen insgesamt seit 2018
  • Nahezu 50 Millionen eindeutige Nutzer unterstützt
  • Über 58 Millionen Interaktionen pro Monat (2025)
  • 2 Milliarden Interaktionen bis April 2024 erreicht (Verdoppelung von 1 Mrd. in 18 Monaten)
  • Bis 2024 wurden 42 Millionen Kunden unterstützt
  • 19 % Gewinnanstieg, verbunden mit Effizienzgewinnen
Fallstudie lesen →

Waymo (Alphabet)

Transport

Die Entwicklung von vollautonomen Fahrdienstangeboten verlangte das Überwinden extremer Herausforderungen in der Zuverlässigkeit von KI für reale Straßen. Waymo musste die Wahrnehmung beherrschen — Objekte bei Nebel, Regen, in der Nacht oder bei Verdeckungen allein mit Sensoren zu erkennen — und gleichzeitig unberechenbares menschliches Verhalten wie das Überqueren außerhalb von Fußgängerübergängen oder plötzliche Spurwechsel vorherzusagen. Die Planung komplexer Trajektorien im dichten, unvorhersehbaren Stadtverkehr sowie die präzise Steuerung zur kollisionsfreien Ausführung von Manövern erforderten nahezu perfekte Genauigkeit, da ein einzelner Fehler katastrophale Folgen haben konnte . Die Skalierung von Tests zu kommerziellen Flotten brachte Hindernisse wie den Umgang mit Randfällen (z. B. Schulbusse mit Haltzeichen, Einsatzfahrzeuge), behördliche Zulassungen in verschiedenen Städten und öffentliches Vertrauen unter Beobachtung. Vorfälle, etwa das Nichtanhalten bei Schulbussen, machten Softwarelücken sichtbar und führten zu Rückrufen. Enorme Datenanforderungen für das Training, rechenintensive Modelle und geografische Anpassungen (z. B. Rechts- vs. Linksverkehr) verschärften die Probleme, wobei Wettbewerber mit der Skalierbarkeit kämpften .

Lösung

Der Stack Waymo Driver integriert Deep Learning End-to-End: Die Wahrnehmung verschaltet Lidar, Radar und Kameras mithilfe von Faltungsnetzwerken (CNNs) und Transformer-Modellen für 3D-Objekterkennung, Tracking und semantisches Mapping mit hoher Genauigkeit. Prognose-Modelle sagen das Verhalten mehrerer Akteure mit Graph-Neural-Networks und Video-Transformern voraus, die auf Milliarden simulierter und realer Meilen trainiert sind . Für die Planung wandte Waymo Skalierungsgesetze an — größere Modelle mit mehr Daten/Compute liefern Potenzgesetz-geprägte Verbesserungen bei Vorhersagegenauigkeit und Trajektorienqualität — und verlagerte sich von regelbasierten zu ML-getriebenen Bewegungsplanern für menschenähnliche Entscheidungen. Die Steuerung nutzt eine Hybridisierung aus Reinforcement Learning und modellprädiktiver Regelung in Kombination mit neuronalen Policies für eine sanfte, sichere Ausführung. Umfangreiche Datensätze aus über 96 Mio. autonomen Meilen sowie Simulationen ermöglichen kontinuierliche Verbesserungen; die jüngste KI-Strategie betont modulare, skalierbare Stacks .

Ergebnisse

  • 450.000+ wöchentliche bezahlte Robotaxi-Fahrten (Dez 2025)
  • 96 Millionen autonome Meilen gefahren (Stand Juni 2025)
  • 3,5x bessere Vermeidung von Unfällen mit Personenschaden gegenüber Menschen
  • 2x bessere Vermeidung von polizeilich gemeldeten Unfällen gegenüber Menschen
  • Über 71 Mio. Meilen mit detaillierter Sicherheitsunfallanalyse
  • 250.000 wöchentliche Fahrten (April 2025 Basis, seitdem verdoppelt)
Fallstudie lesen →

Pfizer

Gesundheitswesen

Die COVID-19-Pandemie erforderte beispiellose Geschwindigkeit in der Wirkstoffentwicklung, da traditionelle Zeiträume für antivirale Mittel von der Entdeckung bis zur Zulassung typischerweise 5–10 Jahre betrugen. Pfizer stand unter enormem Druck, potente, orale Inhibitoren gegen die SARS-CoV-2-Hauptprotease (Mpro) zu identifizieren, die für die virale Replikation entscheidend ist. Konventionelles strukturbasiertes Design beruhte auf arbeitsintensiver Kristallographie, Molekulardynamik-Simulationen und iterativer chemischer Synthese und war oft durch langsame Trefferidentifikation und Optimierungszyklen ausgebremst. Zu den zentralen Herausforderungen gehörten die Erzeugung hochwertiger Protein-Ligand-Strukturen, die genaue Vorhersage von Bindungsaffinitäten und das Design neuartiger Moleküle, die Resistenzmechanismen entgehen — und das alles unter extremen Zeitdruck. Mit weltweit stark ansteigenden Fallzahlen konnten Verzögerungen Millionen von Leben kosten, weshalb beschleunigte Rechenpipelines ohne Abstriche bei Sicherheit oder Wirksamkeit dringend nötig waren.

Lösung

Pfizer setzte Machine-Learning-(ML)-Modelle ein, die in strukturbasierte Wirkstoffdesign-Workflows integriert wurden, um diese Hürden zu überwinden. ML-Algorithmen analysierten Kryo-EM- und Röntgen-Proteinstrukturen von Mpro und ermöglichten schnelle virtuelle Screenings von Millionen von Verbindungen sowie die generative Gestaltung optimierter Inhibitoren. Ergänzt wurde dies durch KI-gestützte Molekulardynamik und Free-Energy-Perturbation-Berechnungen, die die Simulationszeiten drastisch verkürzten. Der Ansatz umfasste hybride ML-Physik-Modelle zur Vorhersage von Bindungsposen und Affinitätsbewertung, trainiert an umfangreichen Datensätzen aus Pfizers Bibliotheken. Iterative Design-Make-Test-Analyze-(DMTA)-Zyklen wurden beschleunigt, wobei KI die Priorisierung von Synthesen übernahm und experimentelle Iterationen reduzierte, indem sie sich auf Kandidaten mit hohem Potenzial konzentrierte.

Ergebnisse

  • Entwicklungszeitraum: 4 Monate von Trefferfindung bis präklinischer Kandidat
  • Beschleunigung der computergestützten Chemie: 80–90% Reduktion der Prozesszeit
  • Trefferidentifikation: Über 100 Mio. Verbindungen virtuell in Tagen gescreent
  • Erfolg in klinischen Studien: Gesamtquote 12% gesteigert durch KI-Priorisierung
  • Paxlovid-Wirksamkeit: 89% Reduktion des Risikos für Hospitalisierung/Tod
Fallstudie lesen →

Best Practices

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

Nutzen Sie Claude, um Jobanforderungen in durchsuchbare Kandidaten-Personas zu übersetzen

Die meisten Sourcing-Aktivitäten für passive Talente starten mit einer Stellenbeschreibung, die für eine gezielte Suche zu generisch ist. Nutzen Sie Claude, um jede Rolle in eine strukturierte, KI-taugliche Kandidaten-Persona mit klaren Signalen und Keywords zu übersetzen. Geben Sie Claude die Stellenbeschreibung, Profile früherer Top-Performer und Notizen des Hiring Managers und lassen Sie das Tool die Muster extrahieren.

Beispiel-Prompt für Claude:
Sie sind ein:e Expert:in für Talent-Sourcing.

Input:
- Stellenbeschreibung
- 3 anonymisierte CVs von Top-Performer:innen in dieser Rolle
- Notizen des Hiring Managers dazu, wie "großartig" aussieht

Aufgaben:
1. Fassen Sie das ideale Kandidatenprofil in Stichpunkten zusammen.
2. Listen Sie 15–25 Such-Keywords und Phrasen auf (Skills, Tools, Branchen, Jobtitel).
3. Definieren Sie 5 "positive Signale" im Karriereverlauf (z. B. Projektarten, Entwicklungsschritte).
4. Definieren Sie 5 "Red Flags" bzw. wahrscheinliche Fehlfits.
5. Geben Sie eine strukturierte "Persona" als JSON aus, die ich in anderen Prompts wiederverwenden kann.

Nutzen Sie die resultierende Persona als Basis für LinkedIn-Suchen, CV-Datenbankabfragen und internes ATS-Mining. So stellen Sie sicher, dass jede Sourcing-Aktivität von einer konsistenten, hochwertigen Definition des Zielprofils ausgeht.

Durchsuchen Sie Ihr ATS und CV-Datenbanken mit Claude über API

Tausende passive Kandidat:innen sind oft in Ihren bestehenden Systemen verborgen. Mit Unterstützung Ihrer Technik-Teams können Sie Claude per API aufrufen, um bestehende Profile anhand definierter Personas zu analysieren und neu zu ranken. Der Workflow: Extrahieren Sie Kandidatendaten (CV-Text, Notizen, Tags) aus Ihrem ATS oder Talent-CRM und lassen Sie Claude diese bewerten und kategorisieren.

Beispiel-Prompt für das Scoring (pro Kandidat:in):
Sie unterstützen ein HR-Team dabei, passive Kandidat:innen wiederzuentdecken.

Sie erhalten:
- Kandidatenprofil (CV-Text, geparste Felder, Recruiter-Notizen)
- Zielrollen-Persona (JSON mit Must-haves, Nice-to-haves, Red Flags)

Aufgaben:
1. Bewerten Sie den Overall-Fit auf einer Skala von 1–10.
2. Begründen Sie die Bewertung in 3–5 Stichpunkten.
3. Listen Sie zentrale Skills und Erfahrungen auf, die zur Persona passen.
4. Markieren Sie alle Red Flags aus der Persona.
5. Schlagen Sie vor, ob: "Jetzt kontaktieren", "Warm halten" oder "Nicht relevant".

Speichern Sie Claudes Scores und Begründungen als Felder oder Tags wieder in Ihrem System. Recruiter können dann nach Fit-Score sortieren und sich zuerst auf die vielversprechendsten passiven Kandidat:innen konzentrieren, statt Hunderte alte CVs erneut durchzulesen.

Hyper-personalisierte Ansprache in großem Umfang generieren

Antwortquoten passiver Kandidat:innen hängen stark von Relevanz und Personalisierung ab. Claude kann maßgeschneiderte Outreach-Nachrichten verfassen, die auf den jeweiligen Hintergrund, die Arbeit und die wahrscheinlichen Motive der Kandidat:innen eingehen. Kombinieren Sie Profildaten (aktuelle Rolle, zentrale Erfolge, öffentliche Posts) mit Ihrem Employer Value Proposition und der Rollenbeschreibung.

Beispiel-Prompt für Outreach mit Claude:
Sie sind ein:e Senior-Recruiter:in und verfassen eine personalisierte Nachricht an eine:n passive:n Kandidat:in.

Input:
- Kandidatenzusammenfassung (Rolle, Unternehmen, wichtigste Erfahrungen)
- Öffentliche Informationen (ausgewählte LinkedIn-Posts oder Portfolio-Highlights)
- Rollenpitch (warum diese Rolle, warum unser Unternehmen, Entwicklungsmöglichkeiten)
- Tonalität: professionell, prägnant, kein Hype, respektvoll mit deren Zeit

Aufgaben:
1. Formulieren Sie eine LinkedIn-InMail mit 150–220 Wörtern.
2. Beziehen Sie sich auf 1–2 konkrete Elemente aus dem Hintergrund oder den Posts.
3. Legen Sie klar dar, warum diese Rolle ein "kluger nächster Schritt" sein könnte.
4. Schließen Sie mit einem unverbindlichen Call-to-Action für ein kurzes, exploratives Gespräch.

Integrieren Sie dies in Ihre Sourcing-Tools: Für jede:n vorausgewählte:n Kandidat:in löst Ihr System Claude aus, um einen Entwurf zu generieren, den Recruiter schnell prüfen und anpassen können. Testen Sie im Zeitverlauf A/B-Varianten verschiedener Argumentationslinien und spielen Sie erfolgreiche Varianten zurück in Ihre Prompts.

Always-on-Talentalerts und regelmäßige Shortlist-Updates einrichten

Statt einmaliger Sourcing-Sprints sollten Sie Claude nutzen, um eine kontinuierliche Überwachung relevanter Profile zu etablieren. Wenn Sie Ihre Sourcing-Tools oder LinkedIn-Exporte mit einer einfachen Datenpipeline verbinden, können Sie regelmäßig neue oder aktualisierte Profile an Claude übergeben und es bitten, auf Basis bestehender Personas neue Matches zu markieren.

Beispiel-Prompt für periodische Aktualisierungen:
Sie überwachen potenzielle Kandidat:innen für Schlüsselfunktionen.

Wöchentlicher Input:
- Liste neuer/aktualisierter Kandidatenprofile (strukturiertes JSON)
- Bestehende Personas für 3 Zielrollen
- Bisherige Shortlist-Kandidat:innen (IDs)

Aufgaben:
1. Bewerten Sie für jedes Profil den Fit zu jeder Persona (1–10).
2. Schließen Sie Profile aus, die bereits auf der Shortlist stehen.
3. Geben Sie pro Rolle 10–20 neue Top-Kandidat:innen mit Begründung aus.
4. Schlagen Sie einen kurzen, personalisierten Hook für die Ansprache vor (max. 2 Sätze).

So wird passives Sourcing zu einem kontinuierlichen Prozess: Ihr Team erhält regelmäßig sortierte Listen frischer Kandidat:innen, statt bei jeder neuen Vakanz mit der Recherche bei null starten zu müssen.

Claude für strukturierte Intakes und Feedback-Loops nutzen

Gutes Sourcing passiver Talente hängt von einer präzisen, sich entwickelnden Abstimmung mit den Hiring Managern ab. Nutzen Sie Claude, um Intake-Gespräche und das Feedback nach jeder Hiring-Runde zu strukturieren. Geben Sie Claude Ihre Persona, eine Entwurfsagenda für das Intake und erstes Kandidatenfeedback, sodass fokussierte Fragen und Zusammenfassungen entstehen.

Beispiel-Prompt zur Unterstützung beim Intake:
Sie helfen einem/einer Recruiter:in bei der Vorbereitung eines Hiring-Manager-Intakes.

Input:
- Entwurf der Kandidaten-Persona
- Bisheriges Hiring-Feedback für ähnliche Rollen
- Unternehmenskontext (Team, Produkt, Herausforderungen)

Aufgaben:
1. Schlagen Sie 10 gezielte Fragen vor, um die Persona zu verfeinern.
2. Heben Sie 3–5 potenzielle Missalignments oder offene Fragen hervor.
3. Entwerfen Sie eine E-Mail-Vorlage, mit der das verfeinerte Profil bestätigt werden kann.

Nach Interviews können Sie Claude bitten, das Feedback der Hiring Manager in aktualisierte Kriterien zu überführen. Das verschärft die Sourcing-Schleife und stellt sicher, dass die Suchkriterien für passive Talente reale Signale widerspiegeln – statt statische Annahmen.

Klare KPIs für KI-gestütztes Sourcing passiver Talente definieren und tracken

Um den Mehrwert nachzuweisen und kontinuierlich zu optimieren, sollten Sie Claude-gestütztes Sourcing wie jede andere Prozessverbesserung behandeln: Definieren Sie klare KPIs und instrumentieren Sie Ihre Workflows. Typische Metriken sind: Reduktion der manuellen Sourcing-Zeit pro Rolle (Stundenersparnis), Steigerung der Antwortquote auf passive Outreach-Nachrichten, Anzahl qualifizierter passiver Kandidat:innen, die pro Woche in die Pipeline kommen, sowie reduzierte Agenturkosten für Zielrollen.

Richten Sie einfache Dashboards in Ihrem ATS oder BI-Tool ein, die Rollen mit KI-gestütztem Sourcing gegen Kontrollgruppen stellen. Überprüfen Sie die Performance monatlich mit Ihrem Recruiting-Team und passen Sie Prompts, Personas und Kandidatenfilter auf Basis der Ergebnisse an. Nach unserer Erfahrung liefern gut implementierte Workflows realistisch 20–40 % weniger manuellen Sourcing-Aufwand und 1,5–2x höhere Antwortquoten für Zielrollen in den ersten 3–6 Monaten – ohne Erhöhung der Recruiting-Headcount.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

Claude verbessert das Sourcing passiver Talente, indem es Ihre Talentdaten systematisch strukturiert und durchsuchbar macht. Anstatt dass jede:r Recruiter:in manuell LinkedIn und das ATS durchsucht, kann Claude:

  • Stellenbeschreibungen und CVs von Top-Performer:innen in präzise Kandidaten-Personas übersetzen.
  • Bestehende CVs und Profile in Ihrem ATS oder Talent-CRM bewerten und neu ranken.
  • übersehene „Silbermedaillengewinner:innen“ und relevante Profile aus früheren Prozessen hervorheben.
  • personalisierte Outreach-Nachrichten generieren, die auf den jeweiligen Hintergrund der Kandidat:innen eingehen.

Das Ergebnis: weniger Zeit für initiale Recherche und Textentwürfe, mehr Zeit für Gespräche mit gut passenden, interessierten Kandidat:innen.

Sie benötigen eine Kombination aus HR-Domänenexpertise und technischer Umsetzungskompetenz. Auf HR-Seite brauchen Sie Recruiter:innen und Hiring Manager, die starke Kandidaten-Personas definieren und Claudes Vorschläge bewerten können. Auf technischer Seite sind idealerweise vorhanden:

  • Zugriff auf Ihre ATS-/CRM-Daten (APIs oder Exporte).
  • Eine grundlegende Data-Engineering-Fähigkeit, um Claude mit Ihren Systemen zu verbinden.
  • Klare Governance zu Datenschutz und Zugriffsrechten.

Reruption arbeitet typischerweise mit HR-, IT- und Datenteams gemeinsam: HR definiert Anforderungen und Bewertungskriterien, während wir die Modellintegration, das Prompt-Design und die Workflow-Automatisierung übernehmen.

Für einen fokussierten Anwendungsfall wie passives Sourcing für eine Rollenfamilie sehen Sie in der Regel innerhalb von 4–8 Wochen erste Ergebnisse. In den ersten 1–2 Wochen definieren Sie Personas, binden Datenquellen an und erstellen initiale Prompts. Wochen 3–4 dienen dem Pilotbetrieb: Claude unterstützt bei der Identifikation von Kandidat:innen und beim Erstellen von Outreach-Entwürfen, während Recruiter testen und verfeinern.

Zwischen Woche 5–8 sollten genügend Daten vorliegen, um zentrale Kennzahlen – Antwortquoten, Anzahl qualifizierter passiver Kandidat:innen, manueller Sourcing-Aufwand – mit Ihren Ausgangswerten zu vergleichen. Eine breitere Ausweitung auf weitere Rollen folgt üblicherweise, sobald sich eine klare Performanceverbesserung abzeichnet.

Die laufenden Kosten für Claude selbst (API-Nutzung) sind in der Regel gering im Vergleich zu Recruiter-Gehältern und Agenturhonoraren; der Großteil der Investition entfällt auf Initialsetup und Workflow-Design. Ist dies umgesetzt, sehen viele Organisationen:

  • 20–40 % weniger manuellen Sourcing-Aufwand für Zielrollen.
  • 1,5–2x höhere Antwortquoten auf Outreach bei passiven Kandidat:innen.
  • geringere Abhängigkeit von Agenturen und Jobbörsen bei Nischenrollen.

Der ROI ergibt sich aus verkürzter Time-to-Fill, weniger externen Suchmandaten und der Fähigkeit, dass Recruiter mehr Rollen parallel betreuen können, ohne auszubrennen. Wir validieren den Business Case in der Regel zunächst über einen klar abgegrenzten Proof of Concept, bevor weiter skaliert wird.

Reruption unterstützt Sie End-to-End – von der Idee bis zur funktionierenden Lösung. Mit unserem KI-PoC-Angebot (9.900 €) testen wir zunächst in einem klar abgegrenzten, risikoarmen Pilot, ob Claude Ihre spezifischen Sourcing-Bedarfe zuverlässig unterstützen kann: Use Cases definieren, einen Teil Ihrer Daten anbinden, Prompts entwickeln und Performance messen.

Über den PoC hinaus bedeutet unser Co-Preneur-Ansatz, dass wir uns wie Mitgründer:innen und nicht wie Foliendeck-Berater in Ihre HR- und IT-Teams einbetten. Wir helfen bei Architekturdesign, Integration von Claude in Ihr ATS/CRM, Umsetzung von Sicherheits- & Compliance-Vorgaben und beim Enablement Ihrer Recruiter im Umgang mit KI. Das Ziel ist kein Prototyp, der in der Schublade landet, sondern Live-Workflows, die Ihr Team tatsächlich nutzt, um passive Talente schneller zu finden und anzusprechen.

Kontaktieren Sie uns!

0/10 min.

Direkt Kontaktieren

Your Contact

Philipp M. W. Hoffmann

Founder & Partner

Adresse

Reruption GmbH

Falkertstraße 2

70176 Stuttgart

Kontakt

Telefon

+49 175 5190660

E-Mail

p.hoffmann@reruption.com

Social Media

Andere Tools für Ineffektive Suche nach Passivkandidaten

LinkedIn Talent Insights HireEZ Eightfold AI Gemini ChatGPT Gem SeekOut HireVue Beamery Claude

Andere Probleme für Talentakquise verbessern

Überwältigendes Bewerbervolumen Uneinheitliches Kandidatenscreening Langsame Kandidatenkommunikation Schlechte Stellenanzeigenqualität Ineffektive Suche nach Passivkandidaten

Andere Ziele in Personalwesen

Talentakquise verbessern HR-Support automatisieren Mitarbeiter-Onboarding verbessern Lernwirksamkeit steigern Workforcerisiken vorhersagen

Andere Abteilungen erkunden

Vertrieb Marketing Kundendienst Finanzen Personalwesen