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.

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 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.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

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

Mayo Clinic

Gesundheitswesen

Als führendes akademisches medizinisches Zentrum verwaltet die Mayo Clinic jährlich Millionen von Patientenakten, doch die früherkennung von Herzinsuffizienz bleibt schwierig. Traditionelle Echokardiographie erkennt niedrige linksventrikuläre Ejektionsfraktionen (LVEF <50%) meist erst bei Symptomen und übersieht asymptomatische Fälle, die bis zu 50 % des Herzinsuffizienzrisikos ausmachen können. Kliniker kämpfen mit umfangreichen unstrukturierten Daten, was die Gewinnung patientenspezifischer Erkenntnisse verlangsamt und Entscheidungen in der kardiologischen Spitzenmedizin verzögert. Zudem verschärfen Personalengpässe und steigende Kosten die Lage; kardiovaskuläre Erkrankungen verursachen weltweit 17,9 Mio. Todesfälle pro Jahr. Manuelle EKG-Interpretation übersieht subtile Muster, die auf niedrige LVEF hinweisen, und das Durchsuchen elektronischer Gesundheitsakten (EHRs) dauert Stunden, was die personalisierte Medizin behindert. Mayo benötigte skalierbare KI, um reaktive Versorgung in proaktive Vorhersage zu verwandeln.

Lösung

Die Mayo Clinic setzte einen Deep-Learning-EKG-Algorithmus ein, der auf über 1 Million EKGs trainiert wurde und niedrige LVEF aus routinemäßigen 10-Sekunden-Ableitungen mit hoher Genauigkeit identifiziert. Dieses ML-Modell extrahiert Merkmale, die für Menschen nicht sichtbar sind, und wurde intern sowie extern validiert. Parallel dazu beschleunigt ein generatives KI-Suchtool in Partnerschaft mit Google Cloud EHR-Abfragen. Eingeführt 2023, nutzt es Large Language Models (LLMs) für natürliche Sprachsuche und liefert klinische Erkenntnisse sofort. Integriert in die Mayo Clinic Platform, unterstützt es über 200 KI-Initiativen. Diese Lösungen überwinden Datensilos durch föderiertes Lernen und eine sichere Cloud-Infrastruktur.

Ergebnisse

  • EKG-KI AUC: 0,93 (intern), 0,92 (externe Validierung)
  • Sensitivität bei Niedriger EF: 82 % bei 90 % Spezifität
  • Erkannte asymptomatische niedrige EF: 1,5 % Prävalenz in der gescreenten Population
  • GenAI-Suche Geschwindigkeit: 40 % Reduktion der Abfragezeit für Kliniker
  • Modell trainiert auf: 1,1 Mio. EKGs von 44.000 Patienten
  • Einsatzreichweite: Seit 2021 in kardiologischen Workflows der Mayo integriert
Fallstudie lesen →

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 →

BP

Energie

BP, ein globaler Energieführer in Öl, Gas und Erneuerbaren, kämpfte mit hohen Energiekosten in Spitzenzeiten über sein umfangreiches Asset-Portfolio hinweg. Volatile Netzlasten und Preisspitzen während hoher Verbrauchsperioden belasteten den Betrieb und verschärften Ineffizienzen in der Energieproduktion und -nutzung. Die Integration intermittierender Erneuerbarer Energien brachte zusätzliche Prognoseprobleme mit sich, während traditionelle Managementansätze nicht dynamisch auf Echtzeit-Marktsignale reagierten, was zu erheblichen finanziellen Verlusten und Risiken für die Netzstabilität führte . Hinzu kamen bei BP Daten-Silos und Altsysteme, die für prädiktive Analytik ungeeignet waren – von Offshore-Anlagen bis zu datenintensiver Exploration. Spitzenenergiekosten schmälerten die Margen und behinderten den Übergang zu nachhaltigem Betrieb angesichts zunehmender regulatorischer Vorgaben zur Emissionsreduzierung. Das Unternehmen benötigte eine Lösung, um Lasten intelligent zu verschieben und Flexibilität in Energiemärkten zu monetarisieren .

Lösung

Um diese Probleme anzugehen, übernahm BP 2021 Open Energi und erhielt damit Zugriff auf die führende Plato AI-Plattform, die Machine Learning für prädiktive Analytik und Echtzeit-Optimierung einsetzt. Plato analysiert umfangreiche Datensätze von Assets, Wetterdaten und Netzsignalen, um Spitzen vorherzusagen und Demand Response zu automatisieren, indem nicht-kritische Lasten in Nebenzeiten verschoben werden und gleichzeitig an Frequenzregelungsdiensten teilgenommen wird . In die BP-Operationen integriert, ermöglicht die KI die Teilnahme an dynamischen Containment- und Flexibilitätsmärkten und optimiert den Verbrauch, ohne die Produktion zu stören. In Kombination mit BPs interner KI für Exploration und Simulation schafft sie End-to-End-Sichtbarkeit, reduziert die Abhängigkeit von fossilen Brennstoffen in Spitzenzeiten und verbessert die Integration erneuerbarer Energien . Diese Übernahme markierte eine strategische Wende, bei der Open Energis Nachfrageseitenspezialisierung mit BPs Lieferseitenskalierung verschmolz.

Ergebnisse

  • $10 Millionen jährliche Energieeinsparungen
  • >80 MW an Energieassets unter flexibler Steuerung
  • Stärkste Ölexplorationsleistung seit Jahren dank KI
  • Erheblicher Schub bei der Optimierung des Stromverbrauchs
  • Reduzierte Spitzenstromkosten durch dynamische Reaktion
  • Verbesserte Anlageneffizienz in Öl, Gas und Erneuerbaren
Fallstudie lesen →

UPS

Logistik

UPS sah sich mit enormen Ineffizienzen bei der Zustellroutenplanung konfrontiert: Fahrer mussten eine astronomische Anzahl möglicher Routenvarianten berücksichtigen — weit mehr als die Nanosekunden seit der Entstehung der Erde. Traditionelle manuelle Planung führte zu längeren Fahrzeiten, höherem Kraftstoffverbrauch und steigenden Betriebskosten, verschärft durch dynamische Faktoren wie Verkehr, Paketaufkommen, Gelände und Kundenverfügbarkeit. Diese Probleme trieben nicht nur die Kosten in die Höhe, sondern trugen auch erheblich zu CO2‑Emissionen in einer Branche bei, die unter Druck steht, nachhaltiger zu werden. Zu den zentralen Herausforderungen gehörten Widerstand der Fahrer gegenüber neuer Technologie, die Integration in Altsysteme und die Gewährleistung von Echtzeitanpassungsfähigkeit, ohne den täglichen Betrieb zu stören. Pilotversuche zeigten Annahmehürden, da Fahrer, die an vertraute Routen gewöhnt waren, die Vorschläge der KI infrage stellten — ein Hinweis auf die menschliche Komponente bei Technikeinführungen. Die Skalierung auf 55.000 Fahrzeuge erforderte robuste Infrastruktur und die Verarbeitung von Milliarden von Datenpunkten täglich.

Lösung

UPS entwickelte ORION (On‑Road Integrated Optimization and Navigation), ein KI‑gestütztes System, das Operations Research für mathematische Optimierung mit Maschinellem Lernen für prädiktive Analysen zu Verkehr, Wetter und Zustellmustern kombiniert. Es berechnet Routen dynamisch in Echtzeit neu und berücksichtigt Paketziele, Fahrzeugkapazität, Effizienz von Rechts-/Linksabbiegungen und Stoppsequenzen, um Meilen und Zeit zu minimieren. Die Lösung entwickelte sich von statischer Planung zu dynamischer Routenführung weiter und integrierte agentenfähige KI für autonome Entscheidungsfindung. Das Training basierte auf umfangreichen Datensätzen aus GPS‑Telematik, wobei kontinuierliche ML‑Verbesserungen die Algorithmen verfeinerten. Um Akzeptanzbarrieren zu überwinden, wurden Fahrerschulungen und Gamification‑Anreize eingeführt; die Integration erfolgte nahtlos über Fahrzeuginnen‑Displays.

Ergebnisse

  • 100 Millionen Meilen jährlich eingespart
  • 300–400 Millionen $ Kosteneinsparung pro Jahr
  • 10 Millionen Gallonen Kraftstoff jährlich reduziert
  • 100.000 Tonnen CO2‑Emissionen eingespart
  • 2–4 Meilen kürzere Routen pro Fahrer täglich
  • 97 % Flotteneinführung bis 2021
Fallstudie lesen →

Klarna

Fintech

Klarna, ein führender Fintech-BNPL-Anbieter, stand unter enormem Druck durch Millionen von Kundenanfragen in mehreren Sprachen für seine 150 Millionen Nutzer weltweit. Die Anfragen reichten von komplexen Fintech-Themen wie Rückerstattungen, Retouren, Sendungsverfolgung bis hin zu Zahlungen und erforderten hohe Genauigkeit, regulatorische Konformität und 24/7-Verfügbarkeit. Traditionelle menschliche Agenten konnten nicht effizient skalieren, was zu langen Wartezeiten von durchschnittlich 11 Minuten pro Lösung und steigenden Kosten führte. Zusätzlich war es schwierig, personalisierte Einkaufsberatung in großem Maßstab bereitzustellen, da Kunden kontextbewusste, konversationelle Unterstützung über Einzelhandelspartner erwarteten. Mehrsprachiger Support war in Märkten wie den USA, Europa und darüber hinaus kritisch, aber die Einstellung mehrsprachiger Agenten war kostenintensiv und langsam. Dieser Engpass behinderte Wachstum und Kundenzufriedenheit in einem wettbewerbsintensiven BNPL-Sektor.

Lösung

Klarna arbeitete mit OpenAI zusammen, um einen generativen KI-Chatbot auf Basis von GPT-4 als mehrsprachigen Kundenservice-Assistenten einzusetzen. Der Bot bearbeitet Rückerstattungen, Retouren, Bestellprobleme und fungiert als konversationeller Einkaufsberater, nahtlos in Klarna's App und Website integriert. Wesentliche Innovationen umfassten die Feinabstimmung auf Klarnas Daten, retrieval-augmented generation (RAG) für den Echtzeitzugriff auf Richtlinien und Schutzmechanismen zur Einhaltung von Fintech-Vorgaben. Er unterstützt Dutzende von Sprachen, eskaliert komplexe Fälle an Menschen und lernt aus Interaktionen. Dieser KI-native Ansatz ermöglichte eine schnelle Skalierung ohne proportionale Zunahme des Personalbestands.

Ergebnisse

  • 2/3 aller Kundenservice-Chats werden von KI bearbeitet
  • 2,3 Millionen Konversationen im ersten Monat allein
  • Lösungszeit: 11 Minuten → 2 Minuten (82% Reduktion)
  • CSAT: 4,4/5 (KI) vs. 4,2/5 (Menschlich)
  • 40 Mio. US-Dollar jährliche Kosteneinsparungen
  • Entspricht 700 Vollzeit-Angestellten
  • Über 80% der Anfragen werden ohne menschliches Eingreifen gelöst
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.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

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