„KI" ist zum Marketing-Wort geworden. Jede Jobplattform behauptet, sie zu nutzen; wenige erklären, was die KI tatsächlich tut. Dieser Beitrag ist die Erklärung. Wir gehen die vier Stufen der Kariyan-Pipeline in klarem Deutsch durch und benennen genau, wo Machine Learning Mehrwert schafft, wo nicht, und wo du (die Kandidat:in) fest die Kontrolle behältst.
Stufe 1: Karriereseiten-Discovery
Kariyan scrapt keine Jobbörsen. Wir crawlen Unternehmens-Karriereseiten direkt, eine Telekom-Anzeige kommt von telekom.de/karriere, eine Zalando-Anzeige kommt von corporate.zalando.com und so weiter. Aktuell sind rund 7.500 aktive Karriereseiten in unserem Index, aktualisiert in einem Rhythmus von stündlich (für Großarbeitgeber) bis wöchentlich (für kleinere Firmen).
Diese Stufe nutzt fast keine KI. Sie ist überwiegend ein deterministischer Crawler: Seite holen, „Offene Stellen"-Link folgen, HTML-Struktur parsen, einzelne Anzeigen identifizieren. Wir verwenden kleine Klassifizierer für zwei eng gefasste Aufgaben: zu erkennen, ob eine Seite eine Stellenanzeige oder Marketing-Text ist, und strukturierte Felder (Titel, Standort, Veröffentlichungsdatum) zu extrahieren, wenn die Seite kein schema.org-Markup hat.
Warum Karriereseiten und nicht LinkedIn?
Karriereseiten sind die Quelle der Wahrheit. Bis ein Job auf Indeed oder LinkedIn erscheint, war er bereits Stunden oder Tage auf der eigenen Seite des Unternehmens, und die motiviertesten Bewerbenden haben sich längst beworben. Kariyan liest an der Quelle, du siehst frische Stellen also vor den überlaufenen Plattformen.
Stufe 2: Job-Extraktion
Sobald eine Anzeige erfasst ist, wandelt ein Extraktionsmodell den freien HTML-Text in strukturierte Felder um: erforderliche Skills, gewünschte Skills, Seniorität, Arbeitsmodell (remote/hybrid/vor Ort), Sprachanforderungen, Gehaltsspanne (falls offengelegt) und eine Kurzzusammenfassung.
Hier taucht die erste nicht-triviale KI auf. Wir verwenden ein feinjustiertes LLM mit eingeschränktem JSON-Output-Schema und einen deterministischen Nachprozessor, der jedes extrahierte Feld validiert. Wenn das Modell ein Gehalt liefert, das nicht numerisch ist, verwirft der Nachprozessor das Feld, statt zu raten. Die Daten in deinen Matches sind das, was wir verifizieren konnten, nie das, was wir halluziniert haben.
Stufe 3: Profil-Scoring
Für jede neue Rolle berechnen wir einen Match-Score zwischen 0 und 100 gegen dein Profil. Die Scoring-Funktion ist bewusst einfach und nachvollziehbar:
- Skill-Überschneidung mit deinen verifizierten Skills (aus CV und Sprach-Onboarding)
- Senioritäts-Abgleich basierend auf Berufsjahren und Rollen-Keywords
- Standort-Fit gegen deine bevorzugten Städte oder Remote-Präferenz
- Sprach-Match zwischen Anzeige und deinen Sprachniveaus
- Ausschlusskriterien wie „5+ Jahre erforderlich", wenn du 2 hast
Jedes Match enthält eine „Warum dieser Score"-Erklärung mit den passenden Signalen und den Lücken. Wir nutzen keinen Black-Box-Neural-Ranker, weil der Score verteidigbar sein soll, wenn ein 70-%-Match dir falsch vorkommt, siehst du genau, welches Signal dazu beigetragen hat.
Stufe 4: Dokumentenerstellung
Für Rollen, auf die du dich bewerben willst, generiert Kariyan einen zugeschnittenen Lebenslauf und ein Anschreiben. Das ist die Stufe mit dem meisten LLM-Compute, und zugleich die Stufe, in der wir am strengsten sind, was die KI darf.
Der Generator kann keine Fakten erfinden. Er darf deine bestehenden Bullets umformulieren, um relevanteste Projekte hervorzuheben, entscheiden, womit du beginnst, und den Ton an den Hausstil des Unternehmens anpassen. Er darf keinen Job hinzufügen, den du nie hattest, keinen Abschluss, den du nie erworben hast, und keinen Skill, den du nie angegeben hast. Der System-Prompt erzwingt das hart, und ein separater Validierungslauf weist jede Ausgabe zurück, die Fakten einführt, die nicht in deinem Profil stehen.
Das Anschreiben ist strukturiert, um das anzusprechen, worauf die konkrete Anzeige Wert legt. Wenn die Stelle verteilte Systeme betont, rücken deine relevanten Projekte an den Anfang. Betont sie Teamführung, führt deine Management-Erfahrung. Das Ergebnis ist etwas, von dem eine Recruiterin glauben kann, dass du es selbst in 30 Minuten geschrieben hast, denn die Fakten gehören dir, nur die Rahmung ist automatisiert.
Wo Menschen im Prozess bleiben
Kariyan sendet nie eine Bewerbung ohne deine Freigabe. Jedes vorbereitete Paket landet in deinem Dashboard mit einer Side-by-Side-Vorschau von Lebenslauf, Anschreiben und E-Mail-Text. Du kannst bearbeiten, neu generieren oder überspringen. Die meisten Nutzer:innen geben in unter zwei Minuten frei; die anderen brauchen länger, weil sie sorgfältig überlegen, welche Rollen sie wirklich verfolgen, nicht, weil sie KI-Fehler korrigieren.
Der Autopilot-Modus erlaubt dir, auch den Freigabeschritt zu delegieren, aber erst, nachdem du klare Regeln gesetzt hast (Mindest-Match-Score, Gehaltsgrenze, ausgeschlossene Unternehmen). Autopilot ist eine Delegation des Urteils, nicht der Kontrolle. Derzeit in geschlossener Beta mit einer kleinen Gruppe. Außerhalb der Beta wird ohne deine Freigabe nichts versendet.
Was wir nicht tun
Wir füllen keine Bewerbungsformulare mit erfundenem Werdegang aus. Wir schreiben keine Anschreiben, die über deine Erfahrung lügen. Wir nutzen keine KI, um Recruiter-Antworten zu fälschen oder Termine in deinem Namen zu vereinbaren. Der Grund ist einfach: Diese Dinge würden deine Glaubwürdigkeit beim ersten Auffallen verbrennen, und sie führen ohnehin nicht zur Einstellung.
Kariyan baut auf der Wette, dass der Engpass moderner Jobsuche nicht die Kandidatenqualität ist, sondern die Kandidaten-sichtbarkeit. Die Pipeline oben existiert, um dich schnell vor die richtigen Rollen zu bringen, mit Materialien, die genau abbilden, was du mitbringst. Die Einstellungsentscheidung bleibt da, wo sie hingehört: zwischen dir und dem Unternehmen.
