KI-Tags für Jobs statt endlosem Durchscrollen

Von Filtern zu semantischen Tags

Interessant ist hier nicht das Wort KI, sondern die richtige Problemstellung: Herkömmliche Filter machten es unmöglich, sehr spezifische Stellen ohne langes Durchsehen des Feeds zu finden. Im ursprünglichen Beitrag des Projektautors in einer Community wurde der Anwendungsfall äußerst praktisch beschrieben: Das Tool entstand während einer Jobsuche und verschlagwortete Anzeigen automatisch.

Zum Zeitpunkt des veröffentlichten Beitrags arbeitete das Projekt bereits mit Stellenanzeigen. Danach beschloss der Autor, es auf beliebige Datenformate auszuweiten, den Quellcode offenzulegen und einen eigenständigen Dienst mit zusätzlichen Funktionen aufzubauen. Ein genaues Kalenderdatum nennen die Ausgangsdaten nicht. Es handelt sich daher nicht um ein Release mit fest definierter Version, sondern um einen frühen Engineering-Fall.

Der technische Wert liegt nicht in der Textgenerierung, sondern darin, eine unstrukturierte Anzeige in eine Reihe durchsuchbarer Merkmale zu überführen. Ich würde ein solches System in Dateneingang, Feldnormalisierung, Tag-Vergabe und Suchebene aufteilen; andernfalls wird die Unterstützung neuer Formate schnell zu einer Sammlung von Sonderfällen. Bei Stellenanzeigen ist es besonders wichtig, Position, Kompetenzen, Erfahrungsniveau, Arbeitsmodell und andere Kriterien nicht in einer einzigen undurchsichtigen Bewertung zu vermischen.

Der erste Test sollte nicht die Gestaltung der Oberfläche sein, sondern die Qualität seltener Suchanfragen, für die das Projekt überhaupt entstand. Danach braucht es Analysen von Tagging-Fehlern, Deduplizierung und eine verständliche Erklärung, warum eine konkrete Anzeige in den Ergebnissen erscheint. Andernfalls ersetzt KI das manuelle Scrollen nur durch eine manuelle Nachprüfung der Ergebnisse.

Was sich tatsächlich verändert

Der wichtigste Effekt ist real: Der Nutzer formuliert eine enge Absicht, und das System führt unterschiedliche Anzeigen auf vergleichbare Tags zurück. Das ist nützlicher als ein weiterer Keyword-Filter, wenn das gewünschte Merkmal unterschiedlich beschrieben wird.

Die Ausweitung auf beliebige Daten erhöht jedoch die Komplexität stark. Stellenanzeigen haben relativ klare Entitäten; bei einem anderen Format braucht es ein neues Tag-Schema, Regeln zur Normalisierung und eine eigene Qualitätsbewertung. Universalität kann leicht zu einem Versprechen werden, das am ersten ungewöhnlichen Dokument scheitert.

Offener Quellcode kann Qualität sichtbar machen: Das Tag-Schema, Grenzfälle und das Verhalten bei seltenen Daten lassen sich diskutieren. Allein löst er jedoch weder Probleme beim Zugriff auf Anzeigen noch Formatänderungen oder Sprachdrift. Genau darauf würde ich achten, nicht auf die Zahl der unterstützten Quellen.

Dieses Projekt wirkt nicht wie Magie rund um ein Modell, sondern wie der Versuch, eine konkrete Routinearbeit zu beseitigen. Gewinnen wird nicht das intelligenteste Modell, sondern das System, das unordentliche Eingaben zuverlässig in erklärbare Tags verwandelt.

Wir haben außerdem untersucht, wie sich die Zuverlässigkeit von LLMs bei Aufgaben der Qualitätskontrolle mit IRT-Metriken messen lässt. Das betrifft unmittelbar die Prüfung der Genauigkeit von Tags, die KI Stellenanzeigen zuweist.