Die Herausforderung: Schlechte Qualität von Stellenbeschreibungen

Den meisten HR-Teams ist bewusst, dass ihre Stellenbeschreibungen besser sein könnten – aber nur wenige erkennen, wie stark sie die Performance der Talentakquise beeinträchtigen. Rollen werden mit wiederverwendeten Standardfloskeln, unklaren Anforderungen und internem Jargon beschrieben, den nur Insider verstehen. Das Ergebnis: Die besten Kandidat:innen scrollen an Ihren Anzeigen vorbei, während große Mengen unpassender Bewerbungen Ihr ATS überfluten.

Traditionelle Ansätze funktionieren nicht mehr. Alte Vorlagen kopieren, Mails von Hiring Manager:innen zusammenstückeln oder Stunden mit manueller Überarbeitung jeder Ausschreibung verbringen, ist nicht skalierbar, wenn Sie Dutzende oder Hunderte offener Stellen haben. Die Erwartungen an Diversity & Inclusion sind höher, rechtliche Anforderungen rund um Diskriminierung strenger, und Kandidat:innen vergleichen Ihre Stellenanzeigen mit denen der professionellsten Arbeitgeber am Markt. Statische Templates und manuelle Reviews können mit dieser Dynamik schlicht nicht Schritt halten.

Die geschäftlichen Auswirkungen sind erheblich. Schlechte Qualität von Stellenbeschreibungen führt zu längerer Time-to-Hire, mehr unqualifizierten Bewerbungen und geringeren Conversion-Raten von Views zu Bewerbungen. Recruiter:innen verbringen mehr Zeit damit, die Rolle in Screening-Calls zu erklären, weil die Anzeige nicht klar war. Hiring Manager:innen sehen schwache Shortlists und verlieren das Vertrauen in HR. Langfristig schlägt sich dies in verfehlten Umsatzzielen nieder, weil kritische Positionen unbesetzt bleiben, in höheren Recruiting-Kosten und in einer geschwächten Employer Brand in wettbewerbsintensiven Talentmärkten.

Die gute Nachricht: Dieses Problem ist gut lösbar. Moderne KI für HR – und Claude im Besonderen – kann fragmentierte Inputs von Hiring Manager:innen in wenigen Minuten in klare, strukturierte und vorurteilsbewusste Stellenbeschreibungen verwandeln. Bei Reruption sehen wir aus erster Hand, wie die richtigen KI-Workflows Recruiter:innen von Wortfeilerei befreien und ihnen ermöglichen, sich auf die Ansprache der besten Kandidat:innen zu konzentrieren. Im weiteren Verlauf dieses Leitfadens finden Sie praxisnahe, nicht-„fluffige“ Empfehlungen, wie Sie dorthin kommen.

Bauen Sie jetzt ein KI-System mit uns!

Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.

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 beim Aufbau von KI-Recruiting-Tools und Automatisierungen wissen wir, dass Claude besonders stark darin ist, das chaotische Frontend des Hiring-Prozesses aufzuräumen: verstreute Notizen von Hiring Manager:innen in konsistente, inklusive, hochwertige Stellenbeschreibungen mit echter Conversion-Wirkung zu verwandeln. Entscheidend ist, Claude nicht nur als Texter zu nutzen, sondern es mit klaren Leitplanken, Datenflüssen und Verantwortlichkeiten in Ihren Talentakquise-Prozess einzubetten.

Behandeln Sie Claude als Co-Autor, nicht als Black-Box-Texter

Die wirksame Nutzung von Claude für die Generierung von Stellenbeschreibungen beginnt mit der richtigen Haltung. Claude soll nicht das Urteil der Recruiter:innen ersetzen, sondern es beschleunigen. HR behält weiterhin die Hoheit über die Story zur Rolle, das Success Profile und die Feinheiten der Teamkultur. Claudes Aufgabe ist es, diese Inputs schnell in klaren, strukturierten, vorurteilsbewussten Text zu übersetzen.

Strategisch bedeutet das, einen Workflow zu gestalten, in dem Hiring Manager:innen und Recruiter:innen hochwertige Inputs liefern (Anforderungen, erwartete Ergebnisse, Must-haves vs. Nice-to-haves) und Claude daraus mehrere Varianten der Stellenbeschreibung für unterschiedliche Kanäle oder Talentsegmente erstellt. Ihr Team prüft und gibt anschließend frei – statt jede Anzeige von Grund auf neu zu schreiben.

Standardisieren, bevor Sie mit KI skalieren

Claude arbeitet am besten, wenn es sich an konsistenten Mustern orientieren kann. Bevor Sie es in Ihrer gesamten Talentakquise-Funktion ausrollen, sollten Sie sich auf eine einheitliche Struktur für Stellenbeschreibungen einigen: Abschnitte (Über die Rolle, Aufgaben, Anforderungen, Benefits), Tonalität sowie zwingend erforderliche rechtliche oder Compliance-Formulierungen.

Aus Organisationssicht lohnt sich ein kurzer Sprint, um 5–10 Rollen-Archetypen zu definieren (z. B. Vertrieb, Engineering, Operations, HR) und Beispielbeschreibungen zu erstellen, die Ihren Zielstandard widerspiegeln. Claude kann neue Entwürfe dann mit diesen Archetypen vergleichen, um fehlende Kriterien, unpassende Senioritätsstufen oder inkonsistente Benefits zu markieren – statt für jede Position das Rad neu zu erfinden.

Bias Awareness und Compliance in den Workflow einbetten

Die Verbesserung von Stellenbeschreibungen geht über Klarheit hinaus; es geht auch darum, Bias und rechtliche Risiken zu reduzieren. Strategisch wollen Sie, dass Claude als erste Prüfinstanz für inklusive Sprache und potenzielle Diskriminierungsrisiken agiert – bei weiterhin klarer Endverantwortung von HR und Legal.

Dafür definieren Sie Richtlinien-Prompts und Checklisten, die Claude anwenden muss: Vermeiden geschlechtlich codierter Begriffe, Verzicht auf altersbezogene Sprache, Sicherstellen von Hinweisen zu angemessenen Vorkehrungen (reasonable accommodation) und Markieren unnötiger Abschlussanforderungen, die Diversität schaden. So verlagern Sie den Aufwand Ihres Teams von manueller Zeilenredaktion hin zu übergeordneten Entscheidungen darüber, welche Anforderungen wirklich unverzichtbar sind.

Recruiter:innen darauf vorbereiten, mit KI zu arbeiten – nicht an ihr vorbei

Technologie allein löst schlechte Stellenbeschreibungen nicht, wenn das Recruiting-Team nicht bereit ist, sie zu nutzen. Strategisch müssen Sie Recruiter:innen mit grundlegenden Prompting-Skills ausstatten, klar machen, wann Claude einzubeziehen ist, und Vertrauen schaffen, dass KI sie unterstützt – nicht ihr Tun bewertet.

Wir sehen die beste Adoption, wenn es einen klar definierten „Claude-Schritt“ im Anforderungsprozess gibt: Sobald das Intake mit der/dem Hiring Manager:in abgeschlossen ist, gibt der/die Recruiter:in strukturierte Notizen in Claude ein, prüft 2–3 Vorschlagsvarianten und wählt bzw. überarbeitet die beste. Kurze Enablement-Sessions und echte Beispiele aus Ihren eigenen Rollen sind hier deutlich wirksamer als generische KI-Schulungen.

Mit fokussiertem Pilot und klaren Metriken starten

Versuchen Sie nicht, alle Stellenbeschreibungen auf einmal zu transformieren. Wählen Sie ein Segment, in dem schlechte Stellenbeschreibungen besonders schaden: etwa volumenstarke Rollen mit vielen unqualifizierten Bewerbungen oder Spezialist:innen-Positionen, auf die starke Kandidat:innen selten reagieren. Nutzen Sie dieses Segment als Pilot, um zu validieren, wie Claude für HR in Ihrer Umgebung performt.

Definieren Sie Erfolg vorab: Reduktion der Zeit pro Stellenbeschreibung, Verbesserung der Click-to-Apply-Rate, geringerer Anteil offensichtlich unqualifizierter Bewerbungen oder höhere Zufriedenheit der Hiring Manager:innen. So schaffen Sie eine belastbare Grundlage, um über Skalierung zu entscheiden, Ihre Prompts zu verfeinern und weitere Investitionen in KI-gestützte Talentakquise-Workflows zu rechtfertigen.

Durchdacht eingesetzt kann Claude Stellenbeschreibungen von einem Schwachpunkt zu einem Wettbewerbsvorteil in Ihrer Talentakquise-Strategie machen: klarere Rollen, inklusivere Sprache und weniger verlorene Recruiter:innen-Zeit für Copywriting. Reruption verbindet tiefe KI-Engineering-Expertise mit praktischem HR-Verständnis – wir liefern Ihnen nicht nur Prompts, sondern helfen Ihnen, den End-to-End-Workflow von Intake bis Veröffentlichung zu designen und zu implementieren. Wenn Sie sehen möchten, was bessere Stellenbeschreibungen für Ihre Pipeline bewirken können, unterstützt Sie unser Team gerne dabei, einen fokussierten Pilot aufzusetzen und schnell von der Idee zu einer funktionierenden Lösung zu kommen.

Bauen Sie jetzt ein KI-System mit uns!

Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.

Fallbeispiele aus der Praxis

Von Autonome Fahrzeuge bis Gemeinnützig: Erfahren Sie, wie Unternehmen Claude erfolgreich einsetzen.

Waymo (Alphabet)

Autonome Fahrzeuge
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.

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.

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 →

HSBC

Bankwesen
Als eine der weltweit größten Banken nach Vermögenswerten verarbeitet HSBCMilliarden von Transaktionen, wodurch die Betrugserkennung und die Geldwäschebekämpfung (AML) zu einer enormen Herausforderung werden. Traditionelle regelbasierte Systeme litten unter hohen Falsch-Positiv-Raten, was zu übermäßigen manuellen Prüfungen führte, Compliance-Teams belastete, Kosten erhöhte und Kunden-Transaktionen verlangsamte .

Lösung

HSBC begegnete Betrug mit Google Cloud KI-gestützten ML-Modellen für AML, die fortschrittliche Algorithmen nutzen, um Transaktionsmuster, Kundenverhalten und externe Daten für präzise Anomalieerkennung zu analysieren und so Falsch-Positiv-Raten drastisch zu senken . Dies war Teil einer breiteren Strategie, die global Hunderte von KI-Anwendungsfällen implementierte, von Risikomodellen bis zu Überwachungssystemen .

Ergebnisse

  • Hunderte von global eingesetzten KI-Anwendungsfällen in den Betriebsbereichen
  • Mehrjährige Partnerschaft mit Mistral AI beschleunigt GenAI-Einführung bankweit
  • Verbesserte AML-Erkennung mit reduzierten Falsch-Positiven durch Google Cloud ML
  • Echtzeit-Betrugskennzeichnung für Milliarden täglicher Transaktionen
  • GenAI-Tools zielen auf 20–40% Produktivitätssteigerungen bei Bankaufgaben
  • Transformierter Kundenservice mit 24/7 skalierbaren NLP-Chatbots
Fallstudie lesen →

PepsiCo (Frito-Lay)

Lebensmittelproduktion
Im schnelllebigen Bereich der Lebensmittelproduktion kämpfte die Frito-Lay-Sparte von PepsiCo mit ungeplanten Maschinenstillständen, die die hochvolumigen Produktionslinien für Snacks wie Lay's und Doritos störten. Diese Linien laufen rund um die Uhr, wobei bereits kurze Ausfälle Tausende Dollar pro Stunde an verlorener Kapazität kosten können — Branchenschätzungen beziffern durchschnittliche Ausfallkosten in der Fertigung auf $260.000 pro Stunde .

Lösung

PepsiCo implementierte vorausschauende Instandhaltung (Predictive Maintenance) auf Basis von Maschinellem Lernen in Frito-Lay‑Werken und nutzte dabei Sensordaten von IoT‑Geräten an Anlagen, um Ausfälle Tage bis Wochen im Voraus vorherzusagen. Modelle analysierten Schwingungen, Temperatur, Druck und Nutzungsprofile und setzten Algorithmen wie Random Forests sowie Deep Learning zur Zeitreihenprognose ein .

Ergebnisse

  • 4.000 zusätzliche Produktionsstunden pro Jahr gewonnen
  • 50 % Reduktion ungeplanter Ausfallzeiten
  • 30 % Senkung der Wartungskosten
  • 95 % Genauigkeit bei Ausfallvorhersagen
  • 20 % Steigerung der Gesamtanlageneffektivität (OEE)
  • Über 5 Mio. $ jährliche Einsparungen durch optimierte Reparaturen
Fallstudie lesen →

NYU Langone Health

Akademisches medizinisches Zentrum
At NYU Langone Health, one of the largest U.S. academic medical centers, 80% of electronic health record (EHR) data exists as unstructured free-text clinical notes, rich in nuanced patient insights but notoriously difficult to process for predictive analytics . Traditional machine learning models depend on structured data like vital signs and labs, missing subtle signals in physician narratives that could forecast critical outcomes such as in-hospital mortality, prolonged length of stay (LOS), readmissions, and even operational issues like appointment no-shows .

Lösung

NYU Langone's Division of Applied AI Technologies at the Center for Healthcare Innovation and Delivery Science created NYUTron, a foundational 6.7-billion-parameter large language model (LLM) pretrained on 10+ years of de-identified inpatient clinical notes—4 billion words from 4.4 million encounters . Using a GPT-like architecture, NYUTron learns medical language intricacies, enabling it to serve as an 'all-purpose clinical prediction engine' .

Ergebnisse

  • AUROC für stationäre Mortalität: 0.932 (vs. strukturiertes Baseline-Modell 0.886)
  • AUROC für verlängerte Verweildauer (LOS): 0.906 (vs. 0.870)
  • AUROC für 30‑Tage‑Wiederaufnahmen: 0.773 (vs. 0.727)
  • AUROC für 48‑Stunden‑Mortalität: 0.969
  • AUROC für Vorhersage von Hochkostenaufenthalten: 0.842 (vs. 0.808)
  • Durchschnittlicher AUROC‑Zuwachs gegenüber Top‑Baselines: 4.4 Punkte
  • Korpusgröße: 4 Mrd. Wörter aus 10 Jahren von 4.4 Mio. Begegnungen
Fallstudie lesen →

Lunar

Fintech
Lunar, eine führende dänische Neobank, sah sich mit einem starken Anstieg der Kundendienstnachfrage außerhalb der Geschäftszeiten konfrontiert, wobei viele Nutzer die Sprachinteraktion gegenüber Apps aufgrund von Zugänglichkeitsproblemen bevorzugten. Lange Wartezeiten frustrierten Kunden, insbesondere ältere oder weniger technikaffine Personen, die mit digitalen Schnittstellen Schwierigkeiten hatten, was zu Ineffizienzen und höheren Betriebskosten führte.

Lösung

Lunar implementierte Europas ersten GenAI-nativen Sprachassistenten, betrieben von GPT-4, der natürliche, telefonbasierte Gespräche ermöglicht, um Anfragen jederzeit ohne Warteschlangen zu bearbeiten. Der Agent verarbeitet komplexe Bankanfragen wie Kontostände, Überweisungen und Support auf Dänisch und Englisch.

Ergebnisse

  • ~75% aller Kundenanrufe sollen autonom bearbeitet werden
  • 24/7-Verfügbarkeit eliminiert Wartezeiten für Sprach-Anfragen
  • Positives frühes Feedback von App-gestörten Nutzern
  • Erste europäische Bank mit GenAI-nativer Sprachtechnologie
  • Signifikante projizierte Einsparungen bei Betriebskosten
Fallstudie lesen →

Best Practices

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

Strukturierte Intakes als Ausgangspunkt für Claude nutzen

Die Qualität von Claudes Output hängt stark von der Qualität der Inputs ab. Ersetzen Sie unstrukturierte E-Mails und Chat-Nachrichten von Hiring Manager:innen durch ein einfaches, strukturiertes Intake-Template. Erfassen Sie Felder wie Rollenpurpose, Top 5 Aufgaben, Erfolgskennzahlen nach 6–12 Monaten, Must-have-Skills, Nice-to-have-Skills, Standort/Remote-Setup und Gehaltsband (falls teilbar).

Wenn Sie diese Struktur haben, geben Sie sie mit einer klaren Anweisung direkt in Claude ein. Zum Beispiel:

Sie sind eine HR-Talentakquise-Assistenz und helfen dabei, eine klare, inklusive Stellenbeschreibung zu erstellen.

Hier ist das strukturierte Rollen-Intake:
- Stellentitel: [TITLE]
- Team / Bereich: [TEAM]
- Rollenpurpose (2–3 Sätze): [PURPOSE]
- Top 5 Aufgaben: [RESPONSIBILITIES]
- So sieht Erfolg nach 12 Monaten aus: [SUCCESS]
- Must-have-Skills/-Erfahrung: [MUSTHAVES]
- Nice-to-have-Skills/-Erfahrung: [NICEHAVES]
- Standort / Remote-Regelung: [LOCATION]
- Anstellungsart & Seniorität: [TYPE/SENIORITY]

Aufgaben:
1. Erstellen Sie eine Stellenbeschreibung mit folgender Struktur:
   - Über die Rolle
   - Zentrale Aufgaben
   - Ihr Profil
   - Was wir bieten
2. Nutzen Sie eine klare, einfache Sprache (Englisch-Niveau B2) und vermeiden Sie internen Jargon.
3. Schreiben Sie in einem neutralen, inklusiven Ton.
4. Heben Sie 3–4 konkrete Wirkungspunkte hervor, um die Rolle attraktiv zu machen.

Dieses einfache Muster aus Intake plus Prompt kann Stellenbeschreibungen teamübergreifend standardisieren und gleichzeitig die Besonderheiten jeder Rolle abbilden.

Ein internes Styleguide für Stellenbeschreibungen in Claude abbilden

Um Konsistenz über alle Ausschreibungen hinweg sicherzustellen, sollten Sie Ihre bestehenden Brand- und HR-Guidelines in einen wiederverwendbaren System-Prompt für Claude übersetzen. Dokumentieren Sie Ihre bevorzugte Tonalität, verbotene Formulierungen, erforderliche rechtliche Hinweise sowie Ihre Art, Benefits und Arbeitsweise zu beschreiben.

Binden Sie dies dann wie folgt in Ihre Prompts ein:

Sie sind der/die interne Assistent:in für Stellenbeschreibungen bei [Firmenname].

Befolgen Sie unser Styleguide:
- Tonalität: professionell, freundlich, direkt, keine Buzzwords.
- Vermeiden Sie: "Rockstar", "Ninja", "Digital Native", altersbezogene Formulierungen, geschlechtlich codierte Wörter.
- Immer inkludieren: Statement zu Diversity & Inclusion, Hinweis auf angemessene Vorkehrungen (reasonable accommodation).
- Im Benefits-Abschnitt müssen erwähnt werden: Weiterbildungsbudget, flexible Arbeitsregelung, [WEITERE WICHTIGE BENEFITS].

Überarbeiten Sie auf Basis des untenstehenden Entwurfs die Stellenbeschreibung so, dass sie zum Styleguide passt, und markieren Sie mögliche Bias-Risiken oder unklare Anforderungen.

Entwurf:
[STELLENBESCHREIBUNGS-ENTWURF HIER EINFÜGEN]

Mit der Zeit können Sie dieses Styleguide anhand des Feedbacks von Recruiter:innen und Hiring Manager:innen verfeinern und Claude so effektiv darauf trainieren, wie „gute“ Stellenbeschreibungen in Ihrer Organisation aussehen – ohne ein eigenes Modell von Grund auf entwickeln zu müssen.

Einen automatisierten Bias- und Klarheits-Check einbauen

Nutzen Sie Claude als zweites Paar Augen für jede Stellenbeschreibung, bevor sie live geht. Ziel ist nicht nur, den Text schöner klingen zu lassen, sondern systematisch voreingenommene Formulierungen, unnötige Hürden sowie vage oder aufgeblähte Anforderungen zu identifizieren, die starke Kandidat:innen abschrecken können.

Ein praktikabler Review-Prompt könnte so aussehen:

Sie sind Expert:in für inklusives Hiring und die Gestaltung von Stellenbeschreibungen.

Prüfen Sie die folgende Stellenbeschreibung und liefern Sie:
1. Eine Liste von Formulierungen, die voreingenommen oder ausschließend sein könnten, mit Alternativvorschlägen.
2. Anforderungen, die Kandidat:innen unfair einschränken könnten (z. B. unnötige Abschlüsse, Jahre an Erfahrung).
3. Sätze, die unklar sind oder zu viel internen Jargon enthalten, mit klareren Umformulierungen.
4. Ein kompaktes "Vorher vs. Nachher"-Beispiel für die 3 wichtigsten Verbesserungen.

Stellenbeschreibung:
[STELLENBESCHREIBUNG HIER EINFÜGEN]

Recruiter:innen können Claudes Vorschläge dann schnell übernehmen oder verwerfen, behalten die Kontrolle und erhöhen zugleich deutlich die Skalierbarkeit von klaren und inklusiven Stellenanzeigen.

Mehrere Varianten für unterschiedliche Kanäle und Segmente erstellen

Bei Stellenanzeigen passt „One size fits all“ selten. Nutzen Sie Claude, um zielgruppenspezifische Varianten derselben Rolle für unterschiedliche Talentsegmente oder Kanäle zu erstellen – bei identischen Kernanforderungen und rechtlichen Aspekten. So können Sie zum Beispiel eine Version für LinkedIn optimieren, eine andere für Ihre Karriereseite und eine kürzere, wirkungsorientierte Fassung für Mitarbeiterempfehlungen.

Das erreichen Sie mit einem einfachen Varianten-Prompt:

Sie unterstützen bei der Anpassung dieser Stellenbeschreibung an unterschiedliche Kanäle.

Basis-Stellenbeschreibung:
[MASTER-STELLENBESCHREIBUNG EINFÜGEN]

Erstellen Sie 3 Varianten:
1. "Karriereseite"-Version: vollständige Details, Betonung von Kultur, Entwicklung und Impact.
2. "LinkedIn"-Version: prägnant, starker Einstieg, Fokus auf Schlüsselaufgaben und Entwicklungsmöglichkeiten.
3. "Referral"-Version: kurz, so geschrieben, dass Mitarbeitende sie leicht an eine:n Bekannte:n weiterleiten können.

Halten Sie alle Anforderungen konsistent zur Basis-Stellenbeschreibung. Fügen Sie keine formalen Kriterien hinzu und entfernen Sie keine.

So können Sie testen, welche Varianten am besten performen, ohne den manuellen Aufwand für Recruiter:innen zu vervielfachen.

Claude mit historischen Hiring-Daten verbinden (anfangs auch manuell)

Um von „gut klingendem“ Text zu besseren Hiring-Ergebnissen zu kommen, sollten Sie Claude Zugriff auf eigene Erfolgssignale geben: Shortlists, die Hiring Manager:innen überzeugt haben, Kandidat:innen, die Assessments bestanden haben, oder Profile, die vom Bewerbungseingang zur Einstellung konvertiert sind. Auch ohne vollständige technische Integration können Sie zunächst Muster manuell zusammenfassen und Claude als Kontext bereitstellen.

Zum Beispiel:

Sie helfen dabei, eine Stellenbeschreibung auf Basis bisher erfolgreicher Einstellungen zu verfeinern.

Hier sind Muster erfolgreicher Einstellungen für diesen Rollentyp:
- Typische Backgrounds: [z. B. B2B SaaS, Mid-Market-Sales, etc.]
- Kompetenzen, die häufig als stark bewertet wurden: [...]
- "Red Flags" aus Interviews: [...]
- Typische Karrierewege von Top-Performer:innen: [...]

Hier ist der aktuelle Entwurf der Stellenbeschreibung:
[STELLENBESCHREIBUNG EINFÜGEN]

Aufgaben:
1. Schlagen Sie 3–5 Anpassungen bei Aufgaben und Anforderungen vor, um diese Erfolgsmuster besser abzubilden.
2. Empfehlen Sie 2–3 Screening-Fragen für das Bewerbungsformular.

So justieren Sie Ihre Stellenbeschreibungen schrittweise auf die Kandidat:innen hin, die in Ihrer Umgebung tatsächlich erfolgreich sind – und nicht nur auf jene, die auf dem Papier gut aussehen.

Impact messen und den Feedback-Loop schließen

Betrachten Sie Claude-gestützte Stellenbeschreibungen schließlich als messbare Veränderung in Ihrem Talentakquise-Funnel, nicht nur als kosmetische Verbesserung. Erfassen Sie einige Wochen lang Baseline-Metriken (Zeitaufwand pro Stellenbeschreibung, Click-to-Apply-Rate, Anteil qualifizierter Kandidat:innen, Zufriedenheit der Hiring Manager:innen) und vergleichen Sie diese nach Einführung des neuen Workflows.

Nutzen Sie Claude selbst zur Musteranalyse, indem Sie anonymisierte Performance-Daten einspeisen und um Hypothesen für weitere Anpassungen bitten. So könnten Sie etwa feststellen, dass kürzere „Ihr Profil“-Abschnitte mit diverseren Bewerberfeldern korrelieren, oder dass konkretere Impact-Statements die Conversion auf bestimmten Jobbörsen verbessern. Dieser kontinuierliche Verbesserungszyklus macht aus einem KI-Textgenerator einen echten Performance-Hebel im Recruiting.

In dieser Form umgesetzt, sehen Unternehmen typischerweise realistische Effekte wie 50–70 % weniger Recruiter:innen-Zeit pro Stellenbeschreibung, 10–25 % bessere View-to-Apply-Raten bei Schlüsselrollen und einen deutlich geringeren Anteil offensichtlich unqualifizierter Bewerbungen – sodass Talentakquise-Teams mehr Zeit in Sourcing, Assessments und den Abschluss von Angeboten investieren können.

Bauen Sie jetzt ein KI-System mit uns!

Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.

Häufig gestellte Fragen

Claude hilft, fragmentierte, inkonsistente Inputs in klare, strukturierte und inklusive Stellenbeschreibungen zu übersetzen. Es kann Ihre Intake-Notizen von Hiring Manager:innen aufnehmen, Ihr internes Styleguide anwenden und in wenigen Minuten einsatzbereite Entwürfe generieren. Außerdem hebt es unklare Anforderungen, Jargon und potenziell voreingenommene Formulierungen hervor, sodass Ihr Team weniger Zeit mit Umschreiben verbringt und mehr Zeit darauf, zu definieren, was die Rolle wirklich braucht.

Statt alte Templates zu kopieren und einzufügen, arbeiten Recruiter:innen mit Claude als Co-Autor: Sie liefern den inhaltlichen Kern der Rolle, Claude übernimmt Struktur, Klarheit und Tonalitätskonsistenz.

Sie benötigen kein Team aus Data Scientists, um zu starten. Für die Verbesserung der Qualität von Stellenbeschreibungen mit Claude sind im Kern nötig:

  • Eine HR-Verantwortliche bzw. einen HR-Verantwortlichen, die/der Ihren Recruiting-Prozess versteht und eine Standardstruktur für Stellenbeschreibungen definieren kann.
  • Recruiter:innen, die bereit sind, grundlegendes Prompting zu lernen (vermittelbar in einer kurzen Enablement-Session).
  • Zugriff auf Claude in einer sicheren, von IT/Legal freigegebenen Umgebung.

Reruption unterstützt Kund:innen typischerweise bei der Gestaltung des Workflows, der Erstellung von Prompt-Templates und beim Training der Recruiter:innen. Im Zeitverlauf kann Ihr HR-Team die Prompts selbst pflegen und verfeinern, ohne hohen technischen Overhead.

Bei den meisten Organisationen zeigen sich erste Verbesserungen innerhalb von 2–4 Wochen. Schon in den ersten Tagen können Recruiter:innen die Zeit für den Entwurf jeder Stellenbeschreibung mehr als halbieren. Nach wenigen Veröffentlichungszyklen sollten Sie verändertes qualitatives Feedback von Hiring Manager:innen und Verbesserungen in Basis-Funnel-Metriken wie Click-to-Apply-Rate und dem Anteil klar unqualifizierter Bewerbungen sehen.

Weitergehende Optimierungen – etwa das Feintuning von Beschreibungen auf Basis historischer Hiring-Erfolge – folgen typischerweise in einer zweiten Phase, sobald der Basis-Workflow stabil ist. Reruption’s Ansatz ist es, schnell einen funktionierenden Pilot live zu bringen und dann auf Basis Ihrer realen Daten zu verfeinern.

Die direkten Nutzungskosten von Claude für die Generierung von Stellenbeschreibungen sind in der Regel gering im Vergleich zur Zeit von Recruiter:innen und Ihrem Jobbörsen-Budget. Die Hauptinvestition liegt darin, den Workflow, die Prompts und die Governance einmal zu designen und dann über Rollen und Länder hinweg wiederzuverwenden.

Typische ROI-Treiber, die wir sehen, sind:

  • Zeitersparnis: 50–70 % weniger Recruiter:innen-Zeit pro Stellenbeschreibung.
  • Qualität: höherer Anteil qualifizierter Bewerber:innen, weniger Zeitaufwand für unpassende Profile.
  • Brand und Candidate Experience: klarere, attraktivere Beschreibungen, die Conversion und Wahrnehmung verbessern.

Wenn Sie eingesparte Recruiter:innen-Stunden und effizientere Nutzung Ihres Sourcing-Budgets zusammenzählen, liegt die Amortisation einer fokussierten Implementierung in der Regel in Monaten, nicht in Jahren.

Reruption unterstützt Sie End-to-End mit dem klaren Fokus, etwas zu liefern, das in Ihrer Umgebung tatsächlich funktioniert. Über unser KI-PoC-Angebot (9.900€) können wir einen konkreten Use Case wie „Claude-gestützte Erstellung von Stellenbeschreibungen“ validieren, indem wir:

  • Scoping: Inputs (Intake-Templates, bestehende Stellenbeschreibungen), Outputs, Rahmenbedingungen und Erfolgsmetriken definieren.
  • Rapid Prototyping: innerhalb weniger Tage einen funktionierenden Workflow mit Claude, Prompts und grundlegenden Leitplanken aufsetzen.
  • Evaluation: Geschwindigkeit, Qualität und Kosten pro Lauf auf realen Rollen messen.
  • Produktionsplan: skizzieren, wie dies in Ihre HR-Tools und -Prozesse integriert werden kann.

Mit unserem Co-Preneur-Ansatz übergeben wir Ihnen nicht nur Folien. Wir arbeiten Seite an Seite mit Ihren HR- und IT-Teams, als wären wir Teil Ihrer Organisation, hinterfragen Annahmen und iterieren, bis Recruiter:innen die Lösung tatsächlich in ihrer täglichen Arbeit nutzen. Von dort aus helfen wir Ihnen, den Ansatz über Standorte und Rollentypen hinweg zu skalieren – mit einem klaren Blick auf Sicherheit und Compliance.

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