Transcript
Speaker: Herzlich willkommen zum Webwise Recruiting Talk.
Speaker: Alles eine Frage der Einstellung.
Speaker: Echtes Recruiting-Wissen, echte Erfahrungen, echte Erfolgsrezepte.
Speaker: Aus der Personalabteilung, direkt in dein Ohr.
Speaker: Hi und herzlich willkommen zum Workwise Recruiting Talk.
Speaker: Ich bin Lisa und ja, heute wird es wirklich ein richtiger Workwise Talk, denn ich habe heute einen Kollegen von mir mit dabei, nämlich den Tilman, unseren Head of Engineering, hier im Podcast zu Gast heute, um mit mir über KI im Recruiting zu sprechen und eine gewisse Wander.
Speaker: Aber ja, bevor wir so richtig rein starten,
Speaker: Magst du dich kurz unseren Hörern und Hörerinnen selber vorstellen, Tilman, und ein bisschen was zu deiner Rolle hier bei Workwise erzählen?
Speaker: Ja, genau, ich bin Timmann, bin schon sehr lange bei Workwise mit dabei, also damals noch bei Campusjäger, wir haben uns ja irgendwann umbenannt in Workwise, sind jetzt schon etwas mehr als zehn Jahre als Werkstudent gestartet und dann mit Workwise mitgewachsen und dementsprechend auch mehr Verantwortung genommen und jetzt für unser Engineering-Team verantwortlich, letztendlich das Team, das die Plattform hinter Workwise am Ende baut.
Speaker: Ja, und entsprechend haben wir eben auch die letzten Wochen, Monate damit verbracht, an unserem neuen Feature zu arbeiten und ich denke, dass wir darüber heute sprechen werden.
Speaker: Genau, der Name ist schon gefallen.
Speaker: Es soll im Wander gehen.
Speaker: Das ist ganz grob gesagt meine KI-Assistenz, die Teil der Workwise-Plattform ist und ja, unsere Kunden und Kundinnen beim Recruiting unterstützt.
Speaker: Und tatsächlich heute, wenn diese Folge erscheint, auch released wird.
Speaker: Das ist ja jetzt erstmal, ja, recht grob gesagt, recht vage und recht kurz.
Speaker: Vielleicht einmal in deinen Worten, was genau ist Wanda eigentlich und was kann sie alles so?
Speaker: Ja, müssen wir vielleicht ein bisschen weiter ausholen.
Speaker: Letztendlich ist Recruiting ein sehr umfangreicher Prozess, bei dem viele Dinge passieren.
Speaker: Und das Ziel von Campusjagern Workwise war eigentlich immer, so viel davon zu automatisieren und damit dafür zu sorgen, dass die Recruiter und Recruiterinnen die Möglichkeit haben, die Zeit in die Themen zu stecken, die am Ende bei Menschen bleiben sollen.
Speaker: Und durch die neue Ära der AI oder der KIs, also den Large Language Models, gibt es eben auch die Möglichkeit, jetzt noch mehr zu automatisieren, als wir eigentlich bisher tun konnten.
Speaker: Und das haben wir natürlich dann bei uns das Ganze angeschaut, damit auch viele Experimente gemacht, Dinge ausprobiert und waren jetzt in der Lage, da auch unsere eigene KI-Assistenz zu bauen, die bei den verschiedensten Prozessen im Recruiting unterstützen kann.
Speaker: Und damit werden wir jetzt mit ein paar Prozessen starten, aber natürlich ist das erst der Anfang von vielen, vielen weiteren Features, bei denen wir noch weiter unterstützen können.
Speaker: Jetzt hast du es gerade schon angesprochen und wir hatten auch schon in einem anderen Gespräch darüber gesprochen, dass KI und die Fähigkeiten von KI nochmal quasi eine Schippe drauflegen zu dem, was vorher schon möglich war.
Speaker: mit, ich sag mal, herkömmlicher Automatisierung.
Speaker: Aber was genau macht da den Unterschied?
Speaker: Was macht KI da jetzt so zum Game Changer?
Speaker: Ich glaube, der große Unterschied ist einfach, dass man in der Lage ist, jetzt auch unstrukturierte Daten, also welche, die jetzt nicht in, sage ich mal, einer tabellarischen Form vorliegen oder einem Formular, das man ausfüllt, auszuwerten und zu verarbeiten.
Speaker: Beispielsweise, ich denke, das kennen auch viele Recruiter und Recruiterinnen, wenn man Lebensläufe in ein Format bringen möchte, sodass man das im Applicant Tracking System verwenden kann oder so.
Speaker: Das sind so Beispiele, damit das angefangen hat.
Speaker: Klar, das war auch schon möglich mit klassischem Machine Learning,
Speaker: hat aber nie so gut funktioniert.
Speaker: Und solche Daten können eben diese großen Sprachmodelle auch verarbeiten.
Speaker: Das war tatsächlich auch was, was wir schon jetzt vor einiger Zeit gebaut haben, dass Lebensläufe gepasst werden können.
Speaker: Aber es geht noch viel weiter.
Speaker: Es kann nämlich auch der Texterin verstanden werden.
Speaker: Also das heißt, gerade wenn es darum geht, auch
Speaker: beispielsweise die Berufserfahrung, die Kandidaten und Kandidatinnen mitbringen, den Bereichen zu schauen, sind die relevant und so weiter.
Speaker: Das sind Dinge, die jetzt eben durch die großen Sprachmodelle auch möglich sind, weil man eben den Text verstehen kann und den am Ende in eine strukturierte Form bringen kann und damit einfach mehr Informationen aufbereiten und verarbeiten kann.
Speaker: Ja, lasst uns einmal quasi an den Start des Wanderprojekts denken.
Speaker: Gab es so einen Moment, der quasi der Stein des Anstoßes war, um das Ganze jetzt wirklich ins Rollen zu bringen, das Wanderprojekt anzugehen?
Speaker: Was war so der Auslöser dafür, das Ganze jetzt zu starten?
Speaker: Ja.
Speaker: Also ich glaube, wir sind generell ein Unternehmen, das sich immer anschaut, was gibt es denn eigentlich alles für neue Technologien, die man verwenden kann.
Speaker: Natürlich macht es keinen Sinn, immer den neuesten Sachen direkt irgendwie zu nutzen.
Speaker: Und so war es letztendlich da auch ein schleichender Prozess.
Speaker: Also wir haben mit einfachen Themen, bei denen wir auch sicher waren, dass wir zu einem guten Ergebnis kommen, gestartet, wie beispielsweise dem
Speaker: oder dann auch dem Job-Import, der ja auch an manchen Stellen dann schon den Job noch ein bisschen optimiert und dann die Form bringt, wie wir es haben möchten.
Speaker: Und war dann irgendwann ein Punkt, dass wir uns gesagt haben, also sind wir die Richtigen dafür?
Speaker: Und ich glaube, wir sind absolut die Richtigen dafür, weil klar ist KI und Dark-Jungle-Model erstmal ein neues Werkzeug, das man nutzen kann, aber man braucht auch das Verständnis,
Speaker: darüber, wie die Prozesse funktionieren und wie Bequittung-Prozesse funktionieren, das haben wir in den letzten zehn Jahren sehr gut gelernt.
Speaker: Wir haben ja auch Einblicke in viele Unternehmen, wissen, wie das unterschiedlich gehandhabt wird, gebaut ist, haben das auch bei uns in der Battform abgebildet und letztendlich
Speaker: funktioniert ein Large-Sankerage-Model oder eine KI auch nicht einfach so, dass ich sage, okay, hilf mir jetzt beim Recruiting, sondern das muss sich ja auch an Dingen entlanghangeln.
Speaker: Ähnlich wie ein Mitarbeiter, der ja auch am Ende vielleicht, wenn wir jetzt von keinem ATS sprechen, am Ende sich auch Notizen auf den Zettel machen würde, irgendwann anfangen würde, sich vielleicht ein Formular zu erstellen auf dem Papier, wie eine neue Bewerbung aussieht, das irgendwann vielleicht in Sheets macht.
Speaker: Und das heißt, auch da besteht irgendwie die Notwendigkeit,
Speaker: die Absicht, sich da irgendwie zu strukturieren und eben bestimmten Prozessen zu folgen.
Speaker: Das heißt, das Wissen über die Prozesse und wie die ablaufen, das ist eben auch bei Large-Lamquench-Models und AI essentiell.
Speaker: Und das haben wir.
Speaker: Da haben wir viel Erfahrung sammeln können.
Speaker: Und das Zweite ist, wenn man die Prozesse kennt, ist es natürlich auch wichtig, den Prozessen eben gut folgen zu können.
Speaker: Und genau das ist letztendlich die Plattform, die wir gebaut haben, unser Applicant-Tracking-System.
Speaker: und alle Prozesse drumherum, also auch wenn es um die Suche für passende Kandidaten und Kandidatinnen geht oder eben auch die Suche nach den passenden Jobs.
Speaker: Es ist nicht so, dass man im Nudge-Tank-Wertschirm-Model sagt, guck mal, hier sind 100.000 Jobs und hier ist ein Profil von einem Kandidaten, suchen wir mal raus, welcher Job am besten passt.
Speaker: Dafür ist das Kontextfenster von einem LLM nicht groß genug, also das Kontextfenster ist letztendlich, ja,
Speaker: wie viele Informationen gerade auf dem Tisch liegen, mit denen man arbeiten kann.
Speaker: Und deswegen muss man letztendlich einem Large-Journey-Modell auch beibringen, wie es eben eine Jobsuche bedient oder eine Kandidatensuche.
Speaker: Und das heißt, diese Kandidatensuche und diese Jobsuche, die braucht man,
Speaker: und wir haben die, denn das ist die Automatisierung, die wir in den letzten Jahren gebaut haben.
Speaker: Und da haben wir unsere Expertise schon reingesteckt.
Speaker: Wir haben gelernt, ja, wie finden wir den besten Match, welche Kriterien sind wichtig, dass das Ganze funktioniert.
Speaker: Aber jeder, der solche Tools schon verwendet hat, der merkt immer so,
Speaker: Der letzte Feinschliff, der fehlt dann doch.
Speaker: Ich benutze zwar eine Suche, aber ich muss am Ende doch die ersten, weiß nicht, 20, 30 Ergebnisse durchschauen, bis ich dann die passende Person finde oder den passenden Job.
Speaker: Und für diesen letzten Schritt, um noch mehr Informationen aus den Daten zu bekommen, um noch mehr machen zu können, dafür eignen sich eben die AI-Agenten.
Speaker: Und so ist es dazu gekommen, dass wir uns eben in die Richtung Gedanken gemacht haben, da auch Experimente gemacht haben und gemerkt haben, dass wir da sehr viele interessante Dinge umsetzen können.
Speaker: Aber das ist natürlich immer der erste Schritt.
Speaker: So ein Proof of Concept ist schnell gemacht, ein Prototyp ist schnell gebaut.
Speaker: Und dann geht es darum, daraus ein echtes Produkt zu machen.
Speaker: Und da ist es gerade mit AI und KI natürlich eine Herausforderung, sich an alle möglichen
Speaker: ja, Regulatorien zu halten.
Speaker: Aber natürlich auch aus uns getrieben wollen wir nicht einfach nur ein AI oder KI-System haben, das halt irgendwas tut, sondern das muss gut funktionieren.
Speaker: Wir müssen überprüfen, wie verhält es sich das.
Speaker: Wir brauchen Testdatensätze, auf denen wir das Ganze ausprobieren können, bis dann eben zu den ersten Testkunden, mit denen wir das Ganze durchspielen.
Speaker: Und wenn wir uns dann sicher sind, dass das Ganze
Speaker: einen Mehrwert bringt, funktioniert, dann können wir ein Produkt draus machen.
Speaker: Und genau da sind wir jetzt eben angekommen bei unseren ersten zwei größeren Funktionen von Wanda.
Speaker: Und das soll jetzt der Startschuss dazu sein.
Speaker: Ja, super spannend auf jeden Fall.
Speaker: Über was für einen Zeitraum reden wir da?
Speaker: Also ab wann habt ihr angefangen, an Wanda zu arbeiten und wie lange hat das jetzt gedauert, dass ihr ja release-reif sind sozusagen?
Speaker: Ja, ich glaube, wie schon gesagt, also bei allen Dingen, die wir uns in der Produktentwicklung tun, AI im Hinterkopf zu haben und die Möglichkeiten, die wir jetzt haben, ist was, was eigentlich seit dem Aufkommen von ChatGPT, ich denke, das ist auch für viele so, dass
Speaker: der Startpunkt gewesen, zumindest für die neueren Möglichkeiten, also AI und KI gibt es ja auch schon vor ChatGPT, da war das halt klassisches Machine Learning.
Speaker: Genau, da haben wir AI und KI immer im Hinterkopf, wenn wir an Features denken und die bauen.
Speaker: Aber dass wir von Wanda sprechen, die als Assistentin tatsächlich dann auch auf unserer Plattform unterwegs ist und unterstützt, ich denke, das ist so etwa vor einem Dreivierteljahr entstanden.
Speaker: Irgendwann haben wir dann über einen Namen gesprochen, also das heißt Wanda war dann irgendwann fest und dann haben wir uns eben angeschaut, was von den
Speaker: Versuchen, Experimenten, die wir gemacht haben, können wir in Produktfeatures gießen, die am Ende einfach hilfreich sein können, unterstützen können im gesamten Prozess.
Speaker: Ja, gutes Stichwort.
Speaker: Jetzt geht Wanda ja mit bestimmten Features an den Start.
Speaker: Erstmal kann sie eingehende Bewerbungen analysieren und die Anforderungsprofile und dahingehend dann Empfehlungen formulieren, Fragen formulieren, Rückfragen an Kandidaten und Kandidatinnen.
Speaker: Warum sind es genau diese Features, die jetzt als erstes kommen?
Speaker: Weiteres ist ja in Planung und die Möglichkeiten sind wahrscheinlich viele.
Speaker: Aber wie habt ihr da priorisiert, was ihr als erstes macht?
Speaker: Ja, wir haben eigentlich immer den gesamten Recruiting-Prozess vor unseren Augen, wenn wir uns Gedanken über Features machen, die bei uns noch fehlen könnten, die unterstützen können.
Speaker: Natürlich sind es auch immer
Speaker: die Themen, die wir häufig von unseren Account-Managerinnen und Account-Managern mitbekommen, was sich die Kunden eben wünschen oder aus dem Sales.
Speaker: Und dann haben wir gerade bei LLMs und KI natürlich nochmal das Thema, was davon, also bei welchen Themen können wir uns am Ende sicher sein, dass sie eben gut funktionieren und ja, quasi
Speaker: Also was lässt sich damit gut umsetzen?
Speaker: Klar gibt es viele Dinge, die da e inem in den Sinn kommen, die wir uns auch vornehmen möchten.
Speaker: Und das war das, was letztendlich dann die höchste Priorität hatte und wir deswegen damit starten möchten.
Speaker: Okay.
Speaker: Ja, jetzt bist du ja schon sehr lange bei Workwise und hast die Workwise-Plattform in den verschiedensten Stadien miterlebt und mitgestaltet.
Speaker: Was sind vielleicht so Aspekte, die jetzt die Arbeit an Wanda und an KI-Features besonders machen im Vergleich zu in Anführungsstrichen normalen Projekten?
Speaker: Auf jeden Fall ist ein Punkt, dass
Speaker: man wissenschaftlicher arbeitet oder arbeiten muss, weil die Arbeit mit Large-Tankage-Models eben keine deterministischen, also quasi immer wieder gleichen Ergebnisse liefert und auch keine immer vorhersehbaren Ergebnisse.
Speaker: Das heißt,
Speaker: wenn man an einem Prompt für eine Teilfunktionalität davon arbeitet, dann kann es sein, dass es fünfmal zu einem guten Ergebnis kommt und beim sechsten Mal was komplett Falsches dabei rauskommt.
Speaker: Und ich glaube genau, also und vor allem interessant ist der letzte Fall, nämlich den zu verhindern und daran zu arbeiten und
Speaker: Ich sage das wegen wissenschaftlicher, weil wenn ich mich jetzt auch in meine Abschlussarbeiten zurückdenke, immer wenn man eben da mit Daten gearbeitet hat, musste man am Ende ja irgendwie sagen können, wie gut funktioniert das, mit welcher Accuracy funktioniert jetzt irgendwie der Classifier.
Speaker: Das heißt, in wie vielen Fällen funktioniert das, in wie vielen nicht, wie viele Ergebnisse stimmen mit denen überein, die man quasi vorher manuell sich angeschaut hat.
Speaker: Und das ist was, was, denke ich, auch im Umgang für viele Engineers manchmal schwierig ist, weil man normalerweise an einem Stück Code arbeitet und der Code verhält sich halt immer genauso, wie er dasteht.
Speaker: Und wenn er das nicht tut, dann muss man sich den Code angucken und rausfinden, woran es liegt und kann sich dann ganz sicher sein, dass es an der einen Stelle ein Problem gab und dass es jetzt behoben ist.
Speaker: weil es letztendlich ja wie ein fest vorgegebener Ablauf ist.
Speaker: Und gerade mit Large-End-Quash-Models kann man halt eigentlich immer nur mit Wahrscheinlichkeiten arbeiten.
Speaker: Und wenn man sich am Ende nicht ganz sicher ist, dann muss man halt wieder schauen, wie man damit umgeht und beispielsweise nochmal einen Check einbaut, der gewisse Dinge überprüft.
Speaker: Und ich glaube, das ist auf jeden Fall ein anderer Modus und vielleicht nochmal von der technischeren Sicht natürlich auch die ganze Art und Weise, wie die Sachen dann deployed werden und funktionieren.
Speaker: Ist es was anderes, wenn, also, ja,
Speaker: wie man so eine Anwendung baut, wie eine klassische Anwendung, die einfach ein paar Regeln auswertet und das Ganze durchführt.
Speaker: Also deswegen, ich glaube, super spannend, macht auch immer Spaß, aber hat auch an vielen Stellen wieder viele neue Fragen aufgeworfen, auf die man Lösungen finden musste.
Speaker: Ja, mal abgesehen von der etwas anderen Umsetzung, sage ich mal, hast du zum Beispiel auch verschiedene, verschiedene,
Speaker: Regulatorien angesprochen, die eingehalten werden müssen.
Speaker: Was gab es da noch für Herausforderungen, die euch begegnet sind auf dem Weg zur Bande?
Speaker: Genau, also wie du schon angesprochen hast, es gibt ja einmal die DSGVO-Datenschutzgesetze.
Speaker: Interessant vor allem ist da sowas wie die automatisierte Entscheidungsfindung des Artikel 22,
Speaker: Und dann eben den AI-Act, der auch noch relativ jung ist, bei dem es auch noch nicht so viele Entscheidungen letztendlich gab.
Speaker: Und da muss man natürlich auch, das muss man auch im Hinterkopf behalten und schauen, dass man das eben auch alles so baut, dass es dem gerecht wird.
Speaker: Und
Speaker: Was davon jetzt natürlich auch nochmal ein Thema ist, aber das uns auch einfach persönlich wichtig ist, ist das Thema BIOS, also Vorurteile.
Speaker: Das ist was, was man vor allem auch bei den klassischen Machine Learning Modellen oft gehört hat, dass sie eben mit Trainingsdaten trainiert worden sind, die eben einen gewissen BIOS dabei hatten, also gewisse Gruppen von Menschen vernachlässigt haben und
Speaker: Das ist natürlich was, bei dem man auch den Large Language Models entgegnen muss und das Ganze in die richtige Richtung lenken muss.
Speaker: Ich glaube, da ist aber für uns oder für mich zumindest, sehe ich bei dem Thema mittlerweile eher eine Chance als ein Problem.
Speaker: Also letztendlich, es ist ein Problem, das muss man berücksichtigen, aber die Chance ist auch dabei, dass man in Summe weniger BIOS dabei hat als bei Entscheidungen, die jetzt nur rein von einem Menschen getroffen werden.
Speaker: wenn man sich, ja, mal anschaut, wie so die Entscheidungsfindung im Recruiting zustande kommt, dann gibt es doch da auch immer einen sehr großen Teil von Recruitern, die sagen, naja, ehrlich gesagt, ist da schon auch ein großer Anteil Bauchgefühl mit dabei bei der Entscheidung, ob man in den Kandidaten oder Kandidaten passt oder nicht.
Speaker: Und ich denke, dass wir durch AI und KI auch die Möglichkeit haben, ähm,
Speaker: eben dem ein bisschen entgegenzuwirken, indem wir die Informationen so aufbereiten und darstellen, dass man eben auch vielleicht den Wert in einem Kandidat oder einer Kandidatin sieht, die man ansonsten vielleicht vorher aus Gründen des Bauchgefühls ausgeschlossen hätte.
Speaker: Und deswegen denke ich, ist es etwas, was man auf jeden Fall berücksichtigen muss, im Blick haben muss, aber am Ende vielleicht sogar mehr Chancen bietet, als das es Probleme bringt.
Speaker: Ja, wie kann man denn damit umgehen, dass es Bias geben kann oder kann man das überhaupt ausschließen, wenn man mit KI arbeitet?
Speaker: Wie sieht das aktuell aus bei Wanda?
Speaker: Genau, also...
Speaker: Hundertprozentig ausschließen kann man das, denke ich, nie.
Speaker: Aber man kann eben sehr viel Energie da reinsetzen, die Wahrscheinlichkeit davon gering zu halten und vor allem geringer zu halten als bei, ich sag mal, dem Durchschnittsrecruiter, der sich sowas anschauen würde.
Speaker: Und was natürlich schon mal hilft, ist erstmal Informationen überhaupt wegzulassen, die keinen
Speaker: also die keinen Mehrwert in der Entscheidung oder beziehungsweise der Einschätzung liefern, wie sowas wie das Profilbild oder den Namen von einem Kandidaten oder einer Kandidatin, der hat letztendlich keine Aussagekraft darüber, wie geeignet die Person am Ende ist.
Speaker: Da muss man natürlich vorsichtig sein.
Speaker: Es gibt auch Informationen, in denen indirekt Merkmale versteckt sind, die da am Ende entstehen.
Speaker: ja, negativ verwendet werden können.
Speaker: Beispielsweise das Jahr des Abschlusses kann natürlich darauf hindeuten, wie alt eine Person ist, weil man üblicherweise zu einem gewissen Zeitpunkt in seinem Leben das Abitur oder die weiterführende Schule besucht oder das Studium beginnt.
Speaker: Und da steckt dann natürlich implizit so eine Information drin.
Speaker: Das heißt, wenn ich sage, ich lasse jetzt das Geburtszeitraum raus, dann
Speaker: dann lässt sich das aus einer Daten wieder herleiten.
Speaker: Und das ist die Schwierigkeit.
Speaker: Und letztendlich dann auch ist es eben wichtig, das auch aktiv dem Modell so zu prompten, beziehungsweise vor allem auch die Modelle der größeren Anbieter, die es so gibt, die sind da auch schon sehr gut
Speaker: da drin, das von Serias eben zu vermeiden, teilweise sogar aktiv zu vermeiden.
Speaker: Also das heißt, gerade wenn ich jetzt über einen älteren Bewerber spreche, dann da eben die Erfahrung hervorzuheben, die die Person mitbringt und nicht die Tatsache, dass sie vielleicht zu alt fürs Team ist.
Speaker: wenn man das so sehen möchte.
Speaker: Und ja, das ist da auf jeden Fall ein wichtiger Punkt.
Speaker: Und der andere Punkt natürlich auch von vornherein vielleicht die Fragen oder Kriterien, die man sich anschaut, zu begrenzen auf Themen, die überhaupt gar nicht in die falsche Richtung zeigen können und dadurch dann den Einfluss zu verringern.
Speaker: Mit den
Speaker: Features, die wir jetzt gebaut haben, das sind jetzt gerade, also das sind auf jeden Fall auch welche, die keine, also die in der Form nicht so viel Angriffsfläche bieten, weil es mehr um das Darstellen der Informationen geht und eben nicht um das irgendwie direkte Entscheiden, ob jetzt ein Kandidat passt oder nicht.
Speaker: Das sind Dinge, die sind natürlich dann gerade in dem Hinblick nochmal deutlich schwieriger, sowohl regulatorisch als auch dann in der Umsetzung.
Speaker: Und deswegen fühlen wir uns soweit ganz gut vorbereitet auf den Start.
Speaker: Sehr gut.
Speaker: Das ist tatsächlich auch meine nächste Frage.
Speaker: Ich habe ja vorhin schon gesagt, wenn diese Folge erscheint, dann ist es auch soweit und Wanda wird released.
Speaker: Jetzt sind wir kurz davor.
Speaker: Was ist denn so der Anspruch, den ihr an euch oder an Wanda gestellt habt für den Release-Zeitpunkt?
Speaker: Was muss auf jeden Fall passen?
Speaker: Wo muss ein Haken hinter sein, damit das jetzt guten Gewissens so veröffentlicht werden kann?
Speaker: Und sind wir da schon jetzt gerade?
Speaker: Genau, also ich glaube, es gibt eine lange Liste an Themen, die man bei der Softwareentwicklung oder bei der Featurentwicklung davon berücksichtigen muss.
Speaker: Also ich mache jetzt viele mal etwas kürzer wahrscheinlich.
Speaker: Klar, das Ganze muss zuverlässig funktionieren.
Speaker: Es muss sicher sein, einmal in der Form, dass Daten nicht abhanden kommen dürfen, dass der Datenschutz gewährleistet muss, dass die Daten so verarbeitet werden dürfen, wie es eben auch
Speaker: vorgesehen ist in Datenschutzvereinbarungen und so weiter.
Speaker: Das Ganze muss ja eben hochverfügbar sein.
Speaker: Es muss Fallbacks geben, falls es doch zu Ausfällen kommt.
Speaker: Aber ich glaube jetzt gerade speziell in dem Release, ja, steckt auch viel Zeit darin, das System zu
Speaker: zu testen und zu justieren.
Speaker: Also wir haben viele der Aufgaben, die jetzt Wanderer übernehmen wird, eben auch mit Kollegen und Kolleginnen durchgeführt und haben uns da quasi Validierungsdaten erstellt, um zu gucken, okay, wenn wir uns jetzt ein Profil anschauen, das folgendermaßen aussieht und eine Stellenanzeige, die so aussieht, wie würde jetzt
Speaker: ein Kollege bei Workwise die Einschätzung treffen oder welche Fragen würde die Person stellen und das dann eben abgeglichen damit, wie sich Wanda verhält, um sicherzustellen, dass das Ganze eben unseren Qualitätsansprüchen genügt und dass auch die Abweichungen oder die Varianz, die Wanda mitbringt, ähnlich ist, wie die zwischen verschiedenen Recruiterinnen und Recruitern.
Speaker: mit viel Erfahrung.
Speaker: Also so, dass wir sicher sein können, ja, da kommt was Sinnvolles bei rum und es liefert eben auch einen echten Mehrwert.
Speaker: Das hat uns jetzt, ja, zuletzt, denke ich, nochmal am meisten beschäftigt, weil wir da eben natürlich dahinter sind, da noch die letzten, also Prozente rauszukitzeln, um das Ganze zu optimieren.
Speaker: Ja.
Speaker: Okay, ja, damit sind wir auch schon fast am Ende von unserem Interview heute.
Speaker: Aber da uns ja vor allen Dingen auch Recruiter und Recruiterinnen zuhören hier, noch die Frage an dich, weil du ja auch nochmal einen anderen Zugang zum ganzen KI-Thema hast.
Speaker: So, was brauche ich, um gut mit KI zu arbeiten?
Speaker: Oder was ist so ein Tipp, den du mitgeben würdest an Personen, die jetzt gerade dabei sind, zuerst?
Speaker: KI in ihren Arbeitsalltag zu integrieren?
Speaker: Was müsste ich beachten dabei?
Speaker: Okay, ja, spannend.
Speaker: Also ich glaube, wichtig ist, es einfach mal auszuprobieren, damit rumzuexperimentieren und vielleicht die eigenen Vorurteile gegen KI erstmal beiseite zu nehmen, um ein Gefühl dafür zu kriegen, was funktioniert und was nicht.
Speaker: Dann ist aber wichtig, sobald man das Ganze verwendet,
Speaker: dass man immer wissen muss, eine KI kann auch Fehler machen, teilweise hat sie auch gelernt, Fehler zu machen und man muss auf jeden Fall immer die Ergebnisse davon nochmal auf Plausibilität prüfen und
Speaker: Ja, einfach selber nochmal reingucken.
Speaker: Also ich glaube, es ist super hilfreich, um sich irgendwie mal einen Text vorzuformulieren, zu lassen, um irgendwas darzustellen, aber man sollte sich nicht darauf verlassen, dass das, was dabei rumkommt, eins zu eins stimmt.
Speaker: Ich denke, dass die meisten wahrscheinlich, ja, so mit textbasierten Systemen, irgendwie Chats und so weiter, also ChatGBT beispielsweise oder Gemini arbeiten,
Speaker: Ja, und ich glaube auch da oft, wer wird die Leistung von LMs oder KIs unterschätzt, weil man zu viel, also weil die Vorstellung von dem Ergebnis irgendwie
Speaker: ja, schon irgendwie, man zu arg, also die Erwartung quasi zu arg in die Richtung geht von dem, was man selber denkt.
Speaker: Also vielleicht ein gutes Beispiel, wenn ich jetzt sage, in der KI erstelle mir eine Stellenanzeige für einen PHP-Softwareentwickler, dann wird dabei was rauskommen und viele werden sagen, ja, ist jetzt schon sehr generisch, was da drin steht, also da steht es ja auch gar nicht genau drin, mit welchen Technologien und so weiter und so wie das jetzt aussieht, da könnten wir jetzt nicht so viel mit anfangen.
Speaker: Aber da muss man sich überlegen, was hat man denn der KI gesagt?
Speaker: Man hat der KI gesagt, man möchte eine Stellenanzeige für einen PHP-Software-Entwickler.
Speaker: Mehr kann die ja nicht wissen.
Speaker: Die hat ja keine Information darüber, in welchem Unternehmen man arbeitet.
Speaker: Alleine schon gar nicht, ob man da jetzt vielleicht eher per Du oder per Sie miteinander spricht.
Speaker: Und ich glaube, das ist wichtig, einfach immer zu überlegen.
Speaker: Wenn ich jetzt die gleiche Frage, die ich gerade der KI gestellt habe, einer zufälligen
Speaker: Personen, die ich auf der Straße gefunden habe, die sich sehr gut in verschiedenen Bereichen auskennen, stellen würde, was würde die Person darauf antworten?
Speaker: Und wenn man sich dann überlegt, na gut, die könnte jetzt auch nicht mehr dazu sagen, weil sie ja nicht mehr weiß, dann hat man eigentlich schon das Problem gefunden, dann muss man da noch mehr Kontext mitgeben.
Speaker: Also ich glaube, das ist oft was, was ich sehe, wenn Leute sagen, irgendwas funktioniert nicht oder funktioniert nicht gut.
Speaker: Die KI kann auch nicht raten, was man hören möchte, sondern muss es eben sagen.
Speaker: Und ähnlich wie, ja,
Speaker: wie eine Person, die im Unternehmen startet, eine Aufgabe übernehmen soll, natürlich auch eine Arbeitsanweisung braucht, um ein gewisses Onboarding, um zu verstehen, welche Rahmenbedingungen gibt es denn.
Speaker: Das Ganze braucht die AI oder KM Ende natürlich auch.
Speaker: Man kann davon ausgehen, dass sie ein gewisses Wissen im Recruiting-Bereich mitbringt.
Speaker: Das braucht man jetzt nicht mit ins Onboarding mitzugeben, aber bei allen anderen Themen, die eben spezifischer sind.
Speaker: Und ich überlege gerade, was es sonst noch gibt.
Speaker: Klar, wenn man es im Unternehmenskontext verwendet, nie Personenbeziehungen Daten da reinwerfen, außer man weiß, was man tut, beziehungsweise hat da die entsprechenden Einwilligungen dafür.
Speaker: Und ich glaube, das wären die wichtigsten Themen.
Speaker: Und ansonsten ausprobieren und sich freuen, dass man viele neue Felder gefunden hat, bei denen es funktioniert.
Speaker: Und eben auch lernen, dass manche Dinge nicht funktionieren.
Speaker: Ich glaube, das geht genauso andersrum.
Speaker: Ja, vielen Dank, Tilman, für den Blick hinter die Wanderkulissen und auch für deine Tipps im Umgang mit KI.
Speaker: Eine allerletzte Frage habe ich noch.
Speaker: Und zwar, was steht jetzt für Wander an?
Speaker: Was habt ihr euch vorgenommen für Wander 2.0?
Speaker: Kannst du schon was verraten, worauf wir uns erfreuen können?
Speaker: Genau, also die Weichen sind auf jeden Fall schon mal gut gestellt, weil vieles, was jetzt die Features betrifft, geht ja auch erstmal darum,
Speaker: ja, so das grundlegende Setup davon zu machen, zu überlegen, wie sieht Wanda aus, wie aktiviert man Wanda für verschiedene Features, die sie pietet und so weiter.
Speaker: Und das heißt, dass wir natürlich daran anknüpfen wollen.
Speaker: Und die eine Sache, die wir jetzt noch verraten wollen, die wahrscheinlich auch auf der Marketing-Page schon steht und auch in der Einstellung sein wird, ist dann die Job-Optimierung.
Speaker: Also, dass Wanda eben
Speaker: ausführliche Tipps noch dazu gibt, wie man die Stellenanzeige optimieren kann.
Speaker: Wir haben das Ganze ja bei unserem Jobimport auch schon mit drin, dass da gerade von der Darstellung und so weiter die Stellenanzeige angepasst wird.
Speaker: Aber wir merken halt auch immer wieder, dass wenn der Zulauf auf eine gewisse Stelle nicht gut funktioniert, dass es da manchmal hilft, noch die eine oder andere Information in der Stellenanzeige zu konkretisieren, da noch mit hinzuzufügen oder genau Sachen umzuformulieren.
Speaker: Und genau das Wissen, was wir da auch über die letzten zehn Jahre gesammelt haben, wie optimiert man die Stelle denn richtig so, dass der Zulauf besser wird, genau die wollen wir auch wann dabei bringen, sodass wir das dann unseren Kunden und Kundinnen weitergeben können.
Speaker: Ja, sehr cool.
Speaker: Das nächste Highlight ist auf jeden Fall schon in Arbeit, würde ich sagen.
Speaker: Und wer weiß, vielleicht sprechen wir uns dann hier direkt einfach nochmal an.
Speaker: um uns anzuschauen, was alles neu ist bei Wanda.
Speaker: Aber bis dahin auf jeden Fall vielen Dank dir.
Speaker: Schön, dass du dabei warst.
Speaker: Danke dir.
Speaker: Das war der WorkRise Recruiting Talk.
Speaker: Wenn dir diese Folge gefallen hat, teile sie gerne mit deinen Kollegen oder Kolleginnen und deinem Netzwerk und lass uns eine Bewertung da.
Speaker: Wenn du keine Folge verpassen möchtest, abonniere jetzt unseren Podcast.
Speaker: Bis zum nächsten Mal.
