KI-Matching

Der Unterschied zum regelbasierten Matching

Klassisches Matchmaking arbeitet mit festen Regeln: Wer „Maschinenbau“ angibt, bekommt Aussteller aus dem Maschinenbau. Das ist nachvollziehbar und scheitert an Formulierungen. Wer „Antriebstechnik“ schreibt, taucht bei „Maschinenbau“ nicht auf, obwohl die Zuordnung fachlich naheliegt.

Ein lernendes System erkennt solche inhaltlichen Nähen, weil es Bedeutung statt Zeichenketten vergleicht. Zusätzlich kann es berücksichtigen, welche Vorschläge in der Vergangenheit angenommen wurden, und die Gewichtung entsprechend anpassen.

Der praktische Gewinn zeigt sich dort, wo Menschen ihre eigene Sprache benutzen. Studierende schreiben „ich interessiere mich für Nachhaltigkeit in der Produktion“, Unternehmen suchen „Prozessingenieure Kreislaufwirtschaft“. Kein Stichwortabgleich bringt diese beiden zusammen; ein bedeutungsbasiertes Verfahren schon.

Was es dafür braucht

Vier Voraussetzungen entscheiden über die Qualität, und die erste wiegt am schwersten: ausreichend ausgefüllte Profile auf beiden Seiten. Ohne Angaben hilft kein Verfahren, egal wie es beworben wird.

Dazu kommen Rückmeldungen, welche Vorschläge angenommen und welche abgelehnt wurden. Ohne sie fehlt dem System der Maßstab. Eine saubere Kategorienstruktur dient als Rückfallebene, wenn die Datenlage dünn ist. Und es braucht eine Rechtsgrundlage für die Auswertung personenbezogener Angaben nach Artikel 6 DSGVO; die Einordnung steht unter DSGVO im Eventkontext.

Transparenzpflichten

Seit der europäischen KI-Verordnung gilt eine ausdrückliche Kennzeichnungspflicht für bestimmte Systeme. Artikel 50 verlangt, dass Menschen erkennen können, wenn sie mit einem KI-System zu tun haben.

Für Veranstalter heißt das praktisch: Kennzeichnen Sie, dass Vorschläge maschinell entstehen, und erklären Sie in einem Satz, worauf sie beruhen. Das ist ohnehin sinnvoll. Wer nicht sieht, warum ihm jemand vorgeschlagen wird, folgt der Empfehlung seltener. Eine Begründung wie „vorgeschlagen, weil Sie beide Verfahrenstechnik angegeben haben“ kostet nichts und hebt die Annahmequote spürbar.

Wo die Grenzen liegen

Bei der ersten Veranstaltung gibt es keine Historie, aus der ein System lernen könnte. Dort arbeitet auch KI-Matching im Wesentlichen regelbasiert. Der Vorteil entsteht über mehrere Durchgänge hinweg, und wer ihn beim ersten Mal verspricht, verspricht zu viel.

Außerdem bleibt jede Empfehlung eine Empfehlung. Ein System, das Termine ohne Zustimmung setzt oder Absagen ignoriert, verschlechtert die Veranstaltung, statt sie zu verbessern. Einseitig zugeteilte Termine schlagen unmittelbar auf die No-Show-Rate durch.

Und ein Verfahren, das nur nach Ähnlichkeit sortiert, engt ein: Wer immer dieselbe Art von Vorschlägen bekommt, entdeckt nichts Neues. Ein bewusst beigemischter Anteil unerwarteter Vorschläge wirkt dem entgegen. Auf Veranstaltungen ist genau das der Wert, den kein Stellenportal bietet.

Häufige Fehler

KI als Ersatz für fehlende Profildaten einzusetzen, ist der häufigste und aussichtsloseste Versuch. Die Zuordnung als Blackbox zu betreiben und Nachfragen nicht beantworten zu können, kostet Vertrauen und ist unter der KI-Verordnung zunehmend auch rechtlich heikel.

Und personenbezogene Daten von Veranstaltung zu Veranstaltung weiterzuverwenden, ohne dass dies vertraglich und datenschutzrechtlich gedeckt ist, ist der Fehler mit den größten Folgen. Ob das Verfahren überhaupt gewirkt hat, zeigt am Ende nur die Erfolgskontrolle: Wie viele vereinbarte Gespräche haben tatsächlich stattgefunden?

Ist KI-Matching genauer als klassisches Matchmaking?

Bei guter Datenlage in der Regel ja, vor allem bei unterschiedlich formulierten Angaben. Bei dünner Datenlage ist der Unterschied gering.

Werden dafür personenbezogene Daten ausgewertet?

Ja, deshalb braucht es eine klare Rechtsgrundlage, Transparenz gegenüber den Betroffenen und die Möglichkeit, der Auswertung zu widersprechen.

Kann man den Vorschlägen widersprechen?

Das sollte immer möglich sein. Eine Ablehnung ist zugleich das wertvollste Signal für die Verbesserung künftiger Vorschläge.