Technischer Kontext
Ich habe mir eine Demo angesehen, und was meine Aufmerksamkeit erregte, war nicht die schicke Benutzeroberfläche, sondern der Tech-Stack selbst. Sie zeigt KI-Automatisierung rund um SmolLM 3 von Hugging Face: ein kleines Modell, offene Datensätze wie FineWeb und FinePDF und ein sehr bodenständiges Szenario, bei dem es darum geht, strukturierte Daten aus PDF-Lebensläufen zu extrahieren.
Das gefällt mir aus einem Grund: Hier wird nicht versucht, ein riesiges Modell auf eine Aufgabe zu zwängen, die eine saubere Extraktionspipeline erfordert. Für die KI-Implementierung im HR-Bereich ist das genau der richtige Ansatz: zuerst Parsen, dann Normalisierung, dann Feldvalidierung – und nicht ein magischer Prompt für alles.
Wenn man sich die Mechanik ansieht, ist die Idee einfach. Ein PDF wird durch eine Textextraktionsebene geschickt, dann identifiziert ein SLM Entitäten wie Erfahrung, Tech-Stack, Kontakte, Daten und Fähigkeiten, und schließlich überführt ein Workflow dies in ein strukturiertes Format für ein ATS oder CRM.
Und hier habe ich innegehalten. In der Praxis ist der schmerzhafteste Teil nicht die Inferenz, sondern die unsauberen Eingaben: zweispaltige Lebensläufe, seltsame Schriftarten, Tabellen, zerschossene Layouts. FinePDF ist nicht nur zur Zierde da, sondern um zu verhindern, dass das Modell und die Pipeline beim ersten Designer-Lebenslauf abstürzen.
Ein weiteres wichtiges Signal aus der Demo: Der Fokus liegt nicht auf einem „Agenten, der alles selbst löst“, sondern auf der Orchestrierung von Schritten. In solchen Systemen baue ich fast immer eine deterministische Pipeline mit expliziten Stufen und Wiederholungsversuchen, denn Unternehmen brauchen Wiederholbarkeit, keine Magie.
Auswirkungen auf Unternehmen und Automatisierung
Für das Recruiting ist der Gewinn sehr konkret. Das Team muss Lebensläufe nicht mehr von Hand in Systemfelder übertragen, und die Zeit für das erste Screening sinkt drastisch, insbesondere bei hohem Volumen.
Unternehmen mit Masseneinstellungen, internen HR-Abteilungen und ausgelagertem Recruiting gewinnen. Die Verlierer sind diejenigen, die hoffen, dass ein „fertiger“ LLM ohne Anpassung lokale Lebenslaufvorlagen, Branchenjargon und fehlerhafte PDFs verstehen wird.
Der zweite praktische Vorteil sind die Kosten. SmolLM 3 eröffnet einen gangbaren Weg für KI-Lösungen für Unternehmen, wo das Budget früher entweder durch ein großes Modell oder durch manuelle Arbeit, die niemand als Infrastrukturkosten zählte, aufgefressen wurde.
Aber man muss es immer noch selbst und mit Ingenieursverstand bauen: Routing, Qualitätsprüfungen, Protokollierung und Fallback-Szenarien. Bei Nahornyi AI Lab lösen wir genau solche Probleme für unsere Kunden, wenn es nicht nur darum geht, eine Demo zu zeigen, sondern die Automatisierung mit KI in einen echten Einstellungs-, Dokumenten- oder Supportprozess zu integrieren. Wenn Sie einen ähnlichen Engpass haben, können wir gemeinsam den Workflow analysieren und eine KI-Lösung ohne das ganze Theater um „intelligente Agenten“ entwickeln.