Eine aktuelle Studie zeigt, wie KI im Recruiting Frauen bei Stellenanzeigen und im Lebenslauf-Screening. Das Resultat: In 50 Fällen bevorzugte die KI den männlichen Bewerber. Von 50.
Künstliche Intelligenz im Recruiting beginnt heute in vielen Unternehmen und Organisationen lange vor der ersten Einladung zum Bewerbungsgespräch. KI-getriebene Filter entscheiden dabei bereits weit im Vorfeld schon darüber, wem überhaupt eine bestimmte Stellenanzeige angezeigt wird, und sortiert Lebensläufe vor, bevor ein Mensch sie liest. Das US-amerikanische Gender Equity Policy Institute hat im Oktober 2026 eine Forschungsübersicht veröffentlicht, die zusammenträgt, was unabhängige Prüfungen solcher Systeme ergeben haben. Für Unternehmen, die mehr Frauen in Führungspositionen bringen wollen, ist das Ergebnis unbequem, denn viele dieser Werkzeuge arbeiten gegen dieses Ziel. In diesem ersten von zwei Beiträgen fassen wir zusammen, was die Studie für die Personalauswahl belegt.
Was die Studie über KI im Recruiting belegt – und was nicht
Die Autorin Myriam Shiran ist Machine-Learning-Forschende und promovierte Politikwissenschaftlerin. Ihr Bericht „How AI Fails Women“ wertet wissenschaftliche Veröffentlichungen und Fachberichte aus sechs Bereichen aus, darunter Arbeitsmarkt, Gesundheitswesen und Kreditvergabe. Die meisten Belege stammen aus sogenannten Audits. Dabei geben Forschende einem System sehr viele Eingaben, die sich nur in einem Merkmal unterscheiden, zum Beispiel im Vornamen, und vergleichen anschließend die Ergebnisse. Die Daten kommen überwiegend aus den USA. Die Studie weist aber darauf hin, dass viele der geprüften Systeme über Ländergrenzen hinweg entwickelt und eingesetzt werden.
Shiran beschreibt vier Mechanismen, die in allen Bereichen wiederkehren. Die Systeme lernen aus Daten einer Vergangenheit, in der Frauen benachteiligt wurden. Sie übernehmen die Stereotype, die in diesen Daten stecken. Ihr Ergebnis erscheint als Punktwert oder Rangliste und wirkt deshalb objektiv. Später fließen die Ergebnisse selbst wieder in Trainingsdaten ein, sodass sich die Verzerrung verstärkt.
Hinzu kommt die Frage, wer die Systeme baut. Nach einer Auswertung von 1,6 Millionen Berufsprofilen sind 22 Prozent der KI-Fachleute Frauen. Im oberen Management der Branche liegt ihr Anteil unter 14 Prozent (Pal et al. 2024).
Stellenanzeigen: Wer ein Jobangebot überhaupt zu sehen bekommt
Der erste Filter greift, bevor sich jemand bewirbt. Facebooks Anzeigensystem spielte Stellenanzeigen nach Geschlecht aus, obwohl die Arbeitgeber keine solche Vorgabe gemacht hatten. Jobs in der Holzindustrie erreichten ein Publikum, das zu rund 90 Prozent aus Männern bestand. Bei Kassenstellen im Supermarkt waren es zu rund 85 Prozent Frauen (Ali et al. 2019). Eine spätere Untersuchung fand dasselbe Muster bei Softwareentwicklern und im Vertrieb. Die Anzeige des Unternehmens, das bereits mehr Frauen beschäftigte, erreichte auch mehr Frauen (Imana et al. 2021). Das System orientiert sich demnach an der Belegschaft, die ein Arbeitgeber schon hat, und nicht an den Anforderungen der Stelle.
Für gut bezahlte Positionen gibt es einen ähnlichen Befund. Google zeigte die Werbung eines Karriere-Coachings für Führungspositionen mit mehr als 200.000 Dollar Jahresgehalt 1.852-mal Profilen an, die als männlich eingestellt waren. Ansonsten identische weibliche Profile sahen sie 318-mal (Datta et al. 2014).
Werdegang-Screening: Gleiche Qualifikation, anderes Ranking
Der zweite Filter ist die Vorauswahl. Die wenigsten Arbeitgeber haben genug eigene Daten, um ein Screening-Modell zu trainieren, und kaufen deshalb ein fertiges. Diese Modelle haben aus den Daten eines Arbeitsmarkts gelernt, in dem besser bezahlte und angesehenere Tätigkeiten häufiger mit Männern verbunden sind (Raghavan und Barocas 2019).
Wie sich das auswirkt, zeigen mehrere Prüfungen. Die Lebenslauf-Suchmaschinen von Indeed, Monster und CareerBuilder listeten Männer vor Frauen mit denselben Qualifikationen. Untersucht wurden 35 Berufe und rund 855.000 Profile (Chen et al. 2018). In einem Audit mit mehr als drei Millionen Vergleichen bevorzugten drei Matching-Modelle bei sonst identischen Lebensläufen in 52 Prozent der Fälle den männlich klingenden Namen und in 11 Prozent den weiblichen (Wilson und Caliskan 2024).
Am bekanntesten ist der Fall Amazon. Das Unternehmen hatte ein Bewertungstool mit Bewerbungen aus rund zehn Jahren trainiert, die überwiegend von Männern stammten. Das Tool wertete Lebensläufe ab, in denen das Wort „women’s“ vorkam, etwa bei der Kapitänin eines Frauen-Schachclubs. Amazon ließ das Modell diese Begriffe ignorieren, konnte aber nicht ausschließen, dass es das Geschlecht auf anderem Weg erschließt, und stellte das Projekt später ein (Dastin 2022).
Sprachmodelle zeigen das gleiche Muster. In einem Test erhielt ChatGPT sechs gleich qualifizierte, erfundene Lebensläufe für eine Stelle im Account Management. Drei trugen Männernamen und enthielten Wörter wie „confident“, drei trugen Frauennamen und Wörter wie „supportive“. In fünfzig Durchläufen wählte ChatGPT jedes Mal einen Mann. Ohne die geschlechtstypischen Wörter fiel die Wahl immer noch in vier von fünf Fällen auf einen Mann. Der Unterschied verschwand erst, als auch die Namen fehlten (Sivakaminathan und Musi 2026).
Naheliegend wäre es also, Namen und andere Hinweise auf das Geschlecht aus den Bewerbungen zu entfernen. Warum das nach den Ergebnissen der Studie nicht ausreicht und was daraus für die Besetzung von Führungspositionen folgt, steht im zweiten Teil.
Quelle: Myriam Shiran, „How AI Fails Women: When Bias Becomes Amplified“, Gender Equity Policy Institute, Oktober 2026, doi.org/10.5281/zenodo.23403825. Die im Text genannten Einzelstudien sind im Literaturverzeichnis des Berichts nachgewiesen.



