Case Studies zum Recruiting, keine Slide-Decks.
Feldnotizen für Teams, die bauen.

AusgangslageEine Sourcing-Schleife, die immer dieselben Leute findet

Die meisten Funnel sind eine Boolean-Suche im Trenchcoat. Stellenbeschreibung schreiben, Keywords ziehen, Suche starten, eine Liste mit Leuten zurückbekommen, die die richtigen Substantive benutzt haben. Das Problem war nie die Menge, sondern das Signal. Zwei Kandidat:innen können dieselben Begriffe treffen und in derselben Rolle völlig unterschiedliche Ergebnisse liefern.

AnsatzKompatibilität bewerten statt eine Suche ausführen

Der Kompatibilitätsindex bewertet jedes Paar aus Kandidat:in und Rolle auf drei unabhängigen Achsen: fachliche Passung (Skill-Telemetrie gegen das Scouting-Profil der Stelle), Motivationsabgleich (Motivations-Survey der Kandidat:innen gegen die Kulturdimensionen des Unternehmens) und Arbeitsstil-Passung (Remote-Haltung, Entscheidungstempo, Arbeitsrhythmus). Jede Achse wird einzeln bewertet, das Gesamtbild bestimmt das Ranking.

• 40 strukturierte Skills pro Kandidat:in in 7 Kompetenzkategorien
• 70+ Organisations-DNA-Signale aus dem Scouting-Profil
• Motivation und Arbeitsstil unabhängig bewertet, dann kombiniert
• Eine vollständige Match-Aufschlüsselung pro Bewerbung, keine Blackbox-Zahl

UmsetzungDie Auswahlliste ist das Produkt

Recruiter:innen öffnen eine gerankte Liste mit den Belegen daneben: DNA-Übereinstimmung, fachlicher Prozentwert und welche Dimensionen das Match tatsächlich getragen haben. Spannend sind die Ausreißer — hohe Motivation, geringe Keyword-Überschneidung —, also die Leute, die eine klassische Suche auf Seite neun begraben hätte.

ErgebnisWeniger Gespräche, bessere Entscheidungen

Teams mit dem Kompatibilitätsindex berichten von kürzerer Zeit bis zur Auswahlliste, geringerer Frühfluktuation und Kandidat:innen, die sagen, die Rolle habe dem Versprechen entsprochen. Der Grund liegt weiter vorn: Wenn Stelle und Kandidat:in strukturiert sind, ist der Vergleich echt und nicht geraten.

AusgangslageScreening ist die repetitivste Arbeit im Recruiting — und das Erste, was unter Druck leidet

Die ersten drei Gespräche mit einem Bewerber sind jedes Mal weitgehend gleich: Basics klären, Kernskills abklopfen, dann sehen, wie die Person tatsächlich mit anderen arbeitet. Bei Volumen sind das Dutzende fast identischer Calls pro Woche. Sie werden gehetzt, übersprungen oder an wen auch immer gerade Zeit hat weitergereicht — und genau in dieser Inkonsistenz fallen starke Kandidat:innen durch und schwache rutschen durch.

AnsatzDie Pipeline einmal konfigurieren; der Agent führt sie jedes Mal aus

Job-Poster richten die dreistufige Interview-Pipeline pro Rolle ein: was das Pre-Screening bestätigt, welche Kompetenzen die Technical-Runde prüft und worauf das Collaboration-Assessment achtet. Der Agent führt dann genau diese Pipeline für jeden Bewerber aus — gleiche Fragen, gleiches Rubric, gleiche Fairness — und bewertet jede Stufe gegen die Rolle, die du definiert hast.

• Pre-Screening: prüft Must-haves, Verfügbarkeit und Motivation, bevor jemand eine Minute investiert
• Technical Interview: klopft die Kernkompetenzen der Rolle gegen das 40-Skill-Rubric ab
• Collaboration-Assessment: zeigt, wie die Person denkt, kommuniziert und mit Unklarheit umgeht
• Voll konfigurierbar pro Rolle — du setzt Fragen, Gewichte und Bestehensgrenze
• Kandidat:innen interviewen im eigenen Zeitfenster; kein Kalender-Tetris für dein Team

UmsetzungDein Team trifft die Auswahlliste, nicht den Stapel

Jeder Bewerber durchläuft dieselben drei Runden und kommt mit einem strukturierten Ergebnis an: Scores Stufe für Stufe, die Belege dahinter und ein klares Bestanden oder Halten gegen die von dir gesetzte Grenze. Recruiter:innen öffnen eine gerankte, vorab bewertete Liste statt hundert ungesichteter Lebensläufe. Das repetitive Screening, das früher begrenzt hat, wie viele Leute du fair berücksichtigen konntest, ist nicht mehr der Flaschenhals.

ErgebnisMehr qualifizierte Kandidat:innen gesehen, weniger Stunden dafür

Weil dem Agenten nie die Stunden ausgehen, kannst du jeden Bewerber richtig screenen statt nur die ersten zwanzig, die sich beworben haben. Teams stecken ihre Zeit in die Entscheidung der letzten Runde und in die Candidate Experience — die Teile, die wirklich einen Menschen brauchen —, während das konsistente, strukturierte Screening bei jedem Volumen darunter läuft.

AusgangslageRecruiting-Agenten ohne etwas Strukturiertes zum Abfragen

Heutige KI-Sourcing-Tools scrapen öffentliche Profile, parsen Freitext und halluzinieren Passung. Der Agent ist nicht das schwache Glied, die Signalquelle ist es. Unstrukturiertes HTML war nie eine Talent-API. Richte einen Agenten stattdessen auf ein strukturiertes Mirage-Profil, und er bekommt 40 bewertete Skills, ein Motivationsprofil, eine Arbeitsstil-Karte und einen Kompatibilitätsindex-Wert. Eine ganz andere Klasse von Input.

AnsatzEinwilligungsbasierte MCP-Endpunkte als Protokollgrenze

Mirage stellt strukturierte Profildaten als Remote-MCP-Server bereit. Jeder Tool-Call ist durch explizite Einwilligung begrenzt: Kandidat:innen steuern, was Agenten sehen, und Organisationen steuern, welche Connectoren ihre Stellen- und Unternehmensdaten abfragen dürfen. Der Agent sieht nur, was ein Mensch erlaubt hat, und das Audit-Log beweist es.

• search_candidates — strukturierte Filter, einwilligungsbasierte Ergebnisse
• get_candidate_profile — nach Scope geschwärzt, kein roher Lebenslauf, keine Kontaktdaten
• search_companies — aktive Organisationen mit veröffentlichter Scouting-DNA
• find_job_matches — gerankte Kandidat:innen aus dem Live-Kompatibilitätsindex
• OAuth-Bearer-Auth — jeder Call authentifiziert und auditiert

UmsetzungEinen Agenten an echte strukturierte Daten anbinden

Plattform- und RevOps-Teams richten KI-Scouting-Agenten auf echte strukturierte Daten statt auf gescraptes HTML. Frühe Connectoren haben Tool-Schema, Einwilligungsmodell und Scope-Grenzen geprägt. Matching und Profildaten darunter sind live — und der MCP-Transport, der sie bereitstellt, ist es auch, hinter OAuth und einem vollständigen Audit-Trail.

ErgebnisDie Talentschicht für das Agenten-Zeitalter

Profile als MCP-Server verschieben Mirage von einer Recruiting-Plattform hin zu einer Infrastrukturschicht — der Quelle, die KI-Recruiting-Agenten abfragen, statt zu scrapen. Sobald Agenten strukturierte, einwilligungsbasierte Profile lesen, wird aus Sourcing Discovery: Sie finden Menschen, die passen, statt Menschen, die sich mit den richtigen Worten beschrieben haben.

AusgangslageEin Lebenslauf ist ein Marketingdokument, keine Bewertung

Kandidat:innen trimmen Lebensläufe auf Keyword-Dichte und Recruiter-Aufmerksamkeit. Recruiter:innen scannen nach Wortpräsenz, nicht nach Beleg. Keine Seite lernt viel über Passung. Heraus kommt ein Prozess, der zuverlässig die Leute findet, die sich gut beschreiben — was nicht dasselbe ist wie die Leute, die den Job können.

AnsatzSelbsteinschätzung, kalibriert am Markt

Die Skill-Telemetrie erfasst Selbsteinschätzungen über 40 Skills in 7 Kompetenzkategorien: Technik, Leadership, Kommunikation, Analytik, Kreativität, Domäne und Interpersonelles. Jeder Score wird auf einem Radar-Chart gegen das vom Markt erwartete Level für die Zielrolle abgetragen. Heraus kommt ein Kompetenz-Score, ein Markt-Perzentil und ein ehrliches Bild von Stärken und Wachstumsfeldern.

• 40 Skills in 7 Kompetenzkategorien
• Radar-Chart: dein Score gegen die Markterwartung
• Ein Kompetenz-Score und Level, von Developing bis Master
• Top-Stärken und Wachstumsfelder automatisch hervorgehoben
• Market-Value-Karte: dein Perzentil für die Zielrolle

UmsetzungVon der Selbsteinschätzung zum Sourcing-Filter

Auf der Recruiting-Seite filtern Recruiter:innen nach Skill-Score, Kompetenzlevel und konkreten Lücken statt nach Keyword-Häufigkeit. Auf der Kandidatenseite sehen die Leute genau, wo sie stehen und welche Lücken auf Mentor:innen verweisen, die beim Schließen helfen. Dieselben strukturierten Daten speisen den Kompatibilitätsindex — Skills sind also nicht nur sichtbar, sie sind gegen die Rolle bewertet.

ErgebnisEvidenz ersetzt Beschreibung

Wenn Kandidat:in und Rolle beide in strukturierten Skill-Daten beschrieben sind, wird Matching zum Vergleich statt zur Vermutung. So gebaute Auswahllisten zeigen Menschen, die eine Keyword-Suche übersieht, und lassen leise die fallen, die gut schreiben, aber bei den tatsächlich nötigen Skills unter der Schwelle liegen.

AusgangslageEin Zertifikat ist eine Sackgasse; ein Profil sollte leben

Die meisten Lernplattformen geben dir ein PDF und hören dann auf. Die Lücke, die dich hingeführt hat, ist geschlossen, aber nichts danach weiß davon. Dein Profil zeigt weiter die alte Version von dir, das nächste Interview fragt erneut ab, was du längst belegt hast, und jedes System, das deine Daten liest, liest einen Schnappschuss, der am Tag seiner Entstehung veraltet ist. Lernen, das nicht mitreist, ist Lernen, das du immer wieder neu beweisen musst.

AnsatzEin bestätigtes Skill-Level, geteilt von Academy und Interview

Mirage hält eine einzige Quelle der Wahrheit für das, was du wirklich kannst. Bestätigt die Academy einen Skill, schreibt sie nicht in eine eigene, private Ablage — sie aktualisiert dasselbe bestätigte Skill-Level, das die Interview-Pipeline liest. Es gibt keine zweite Kopie, die auseinanderlaufen könnte. Das Level, das du dir erlernt hast, ist exakt das Level, das das nächste Interview sieht — mit einer Sperre, die nur nach oben zulässt, damit ein hart erarbeiteter Fortschritt nicht still herabgestuft wird.

• Bestätigte Skill-Level liegen in einer geteilten Ablage — die Academy schreibt, Interviews lesen
• Beleg statt Selbstauskunft: deine Evidenz wird gegen das Rubric geprüft, bevor sich ein Level bewegt
• Nach jedem Meilenstein wird eine Lern-Zusammenfassung neu eingebettet — die Suche sieht immer die aktuellste Version von dir
• Nur-nach-oben-Sperre: ein erreichtes Level rutscht nicht heimlich zurück
• Keine zweite Ablage, die veralten kann — Profil und Beleg sind dasselbe Objekt

UmsetzungModul abgeschlossen, und der Kreis schließt sich von allein

Schließ ein Modul ab, und drei Dinge passieren, ohne dass du etwas tun musst. Deine Evidenz wird gegen das Rubric geroutet und das bestätigte Skill-Level aktualisiert. Eine frische Lern-Zusammenfassung — „N Kurse über diese Skills abgeschlossen, der jüngste zuerst“ — wird neu erzeugt und neu eingebettet; sie ersetzt die vorherige, statt sich darüberzustapeln. Ab diesem Moment kann dein nächstes Interview abrufen, was du gerade gelernt hast. Der Fortschritt wird nicht angekündigt; er steckt bereits im Signal.

ErgebnisLebendige DNA, die das nächste System immer richtig liest

Weil der Beleg das Profil direkt aktualisiert und die Zusammenfassung bei jedem Meilenstein ersetzt wird, ist deine Talent-DNA nie ein Schnappschuss — sie ist die aktuelle Version von dir. Genau das hält die strukturierten Profile der Plattform relevant, jetzt wo sie für KI-Agenten offen sind: Als einwilligungsbasierte MCP-Endpunkte liefern sie einem Agenten, der deins abfragt, Skills, die diese Woche neu bestätigt wurden, nicht letztes Jahr. Die Aktualität ist kein Sync-Job, an den jemand denken muss; sie ist eingebaut, wie Lernen erfasst wird.