Im Interview: Romik Kelesh & Thomas Teise, Fainds
Künstliche Intelligenz zwischen Hype, Datenqualität und HR-Profiling
Künstliche Intelligenz gilt als Heilsbringer, Bedrohung und Produktivitätsmotor zugleich. Romik Kelesh und Thomas Teise wissen, wo die Technologie stark ist und wo ihre Grenzen liegen. Kelesh war Head of AI im Umfeld der Bundesagentur für Sprunginnovation, Teise ist Wirtschaftsinformatiker mit Hintergrund in IT-Sicherheit und Webentwicklung. Gemeinsam haben sie fAInds gegründet, ein Start-up für KI-gestützte People Analytics im Recruiting und Talentmanagement. Im Gespräch erklären sie, warum KI nicht zwischen Wahrheit und Wahrscheinlichkeit unterscheiden kann, weshalb gute Daten wichtiger sind als immer größere Modelle und wie Profiling helfen kann, Lebensläufe und Profile präziser zu verstehen.
Romik Kelesh: Ich arbeite seit dem Studium im KI-Umfeld. Angefangen hat es mit einem Professor, der mich früh an das Thema herangeführt hat. Danach durchlief ich unterschiedliche Stationen: Forschung, Banken, Versicherungen, Beratung, KI-Labore.
Zuletzt war ich im Umfeld von SPRIND tätig, zunächst als Data-Science-Researcher, später als Head of AI in einer Tochtergesellschaft, die Forschungsaufträge aus Verwaltung und Industrie bearbeitet hat. Diese Mischung aus Forschung und Praxis prägt meinen Blick bis heute.
Romik Kelesh: Sie ist leistungsfähig, aber nicht intelligent im menschlichen Sinne. Sie wirkt klug, weil sie sehr gut formulieren kann. Doch sie versteht nicht, wie wir verstehen. Viele Modelle berechnen Wahrscheinlichkeiten für das jeweils nächste Wort oder Muster. Das ist beeindruckend, aber es bleibt Mustererkennung. Natürlich ist das mehr als eine klassische Suchmaschine. Es geht nicht mehr nur um Keywords, sondern um Kontext und Problemverständnis. Trotzdem gilt: „Garbage in, garbage out.“ Wer unpräzise fragt oder mit schlechten Daten arbeitet, bekommt entsprechend schwache Ergebnisse.
Romik Kelesh: Sie ist leistungsfähig, aber nicht intelligent im menschlichen Sinne. Sie wirkt klug, weil sie sehr gut formulieren kann. Doch sie versteht nicht, wie wir verstehen. Viele Modelle berechnen Wahrscheinlichkeiten für das jeweils nächste Wort oder Muster. Das ist beeindruckend, aber es bleibt Mustererkennung. Natürlich ist das mehr als eine klassische Suchmaschine. Es geht nicht mehr nur um Keywords, sondern um Kontext und Problemverständnis. Trotzdem gilt: „Garbage in, garbage out.“ Wer unpräzise fragt oder mit schlechten Daten arbeitet, bekommt entsprechend schwache Ergebnisse.
Romik Kelesh: Nein, jedenfalls nicht zuverlässig. Modelle können Quellen unterschiedlich gewichten, aber sie wissen nicht, ob etwas faktisch stimmt. Sie arbeiten mit Wahrscheinlichkeiten, nicht mit Wahrheit. Das ist gerade im Unternehmenskontext relevant. Es gibt Tools, die behaupten, sie könnten Background-Checks automatisieren. Am Ende greifen sie auf Online-Informationen zurück. Doch die entscheidende Frage lautet: Sind diese Informationen korrekt? Das kann ein Modell nicht sicher beurteilen.
Romik Kelesh: Unbedingt. Je mehr KI eingesetzt wird, desto wichtiger wird die menschliche Prüfung. Idealerweise durch Personen mit Fachwissen. Wer die Branche kennt, erkennt Unstimmigkeiten schneller als jemand, der lediglich ein Tool bedient. Auch bei Deepfakes ist es ein Wettrüsten. Werkzeuge zur Erkennung werden gleichzeitig genutzt, um Fakes zu verbessern. Eine rein technische Lösung wird es nicht geben.
Romik Kelesh: Ich sehe KI eher als Erleichterung denn als Ersatz. KI kann den Einstieg in viele Bereiche vereinfachen, zum Beispiel ins Programmieren. Aber komplette Substitution halte ich für unrealistisch. Man muss unterscheiden zwischen Marketingaussagen und dem, was technisch belastbar ist.
Thomas Teise: Wichtig ist auch der Blick auf Trainingsdaten. Modelle lernen aus Datensätzen. Wenn diese unsauber oder verzerrt sind, spiegelt sich das im Ergebnis wider. Qualität entsteht nicht allein durch größere Modelle, sondern durch bessere Daten.
Qualität entsteht nicht allein durch größere Modelle, sondern durch bessere Daten.
Thomas Teise
Thomas Teise: Unser Kernprodukt ist KI-gestütztes HR-Profiling. Wir analysieren Lebensläufe oder öffentliche Profile, reichern sie mit zusätzlichen Informationen an und werten sie strukturiert aus. Wichtig ist: Die eigentliche Analyse erfolgt bei uns bewusst stabil und nachvollziehbar, nicht rein generativ. KI nutzen wir vor allem zur verständlichen Darstellung der Ergebnisse.
Romik Kelesh: Wir verfolgen zwei Ansätze. Erstens prüfen wir die Plausibilität. Passt ein Titel zur Ausbildung? Gibt es Brüche im Lebenslauf? Sind bestimmte Konstellationen erklärungsbedürftig? Zweitens analysieren wir Muster im beruflichen Kontext. Wir leiten daraus ab, welche Motive wahrscheinlich sind, wie risikobereit jemand agiert und welche Karrierepfade typisch erscheinen. Es geht nicht um private Psychologie, sondern um berufsbezogene Muster.
Thomas Teise: Primär Recruiting-Teams, besonders im Active Sourcing, also dort, wo Kandidaten und Kandidatinnen noch nicht aktiv im Prozess sind. Darüber hinaus sehen wir Anwendungen in der Personalentwicklung oder zur Vorbereitung von Gesprächen. Auch Studierende nutzen unsere Analysen, etwa um sich auf Gehaltsverhandlungen vorzubereiten.
Romik Kelesh: Weil sie das Fundament ist. Viele Unternehmen wundern sich, warum ihre Modelle nicht besser werden. Sie optimieren Algorithmen, aber ignorieren die Datenbasis. Datensäuberung ist komplex. Es reicht nicht, Datensätze zu filtern. Man muss entscheiden, was korrekt ist, was fehlerhaft, was historisch gewachsen. Diese Bewertung ist anspruchsvoll und lässt sich nicht vollständig automatisieren. Ein weiteres Problem: Immer mehr Inhalte im Netz sind KI-generiert. Modelle trainieren auf Inhalten, die wiederum von Modellen erstellt wurden. Das kann die Qualität langfristig verwässern.
Romik Kelesh: In der Tochtergesellschaft, in der ich gearbeitet habe, haben wir Forschungsaufträge aus unterschiedlichen Bereichen bearbeitet. Unsere Aufgabe war es, zu prüfen, was technisch möglich ist, und Lösungen zu entwickeln. Ein Beispiel war ein Projekt zur Verbesserung der Datenqualität. Viele sprechen vom „Säubern“ von Daten und meinen Filtern. Wir haben versucht, Inputdaten wirklich strukturell zu verbessern, also verwertbarer zu machen. Das wurde unter anderem bei einer Web-Summit-Veranstaltung präsentiert.
Romik Kelesh: Als Netzwerkknoten ja. SPRIND bringt Menschen aus Forschung, Industrie und Unternehmertum zusammen. Das ist wertvoll. Gleichzeitig gibt es staatliche Rahmenbedingungen, die Flexibilität begrenzen. Man kann SPRIND nicht eins zu eins mit US-Institutionen vergleichen. Aber die Rolle als Impulsgeber ist wichtig.
Regulierung ist wichtig, aber sie darf Innovation nicht lähmen.
Romik Kelesh
Romik Kelesh: Bei Talenten können wir mithalten. Was uns fehlt, sind Ressourcen – also Kapital und Infrastruktur – und teilweise eine andere Denkweise. In anderen Ländern fragt man oft: „Was können wir bauen?“ In Deutschland eher: „Was dürfen wir bauen?“ Regulierung ist wichtig, aber sie darf Innovation nicht lähmen.
Romik Kelesh: Es ist sensibel, ja. Aber wir verstehen es als Diskussionsgrundlage. Wir behaupten nicht, dies sei die einzige Wahrheit. Wir ordnen Personen in eine Range ein und legen offen, welche Faktoren dazu geführt haben. Gerade weil Gehalt in Deutschland oft intransparent ist, kann eine sachliche Einordnung helfen, Gespräche auf eine belastbare Basis zu stellen.
Thomas Teise: Es geht um Orientierung, nicht um ein Urteil. Transparenz schafft Verhandlungsspielraum auf beiden Seiten.
Romik Kelesh: Hinterfragen. Vieles glänzt, aber nicht alles ist Gold. Wer nur auf das Frontend schaut, sieht oft beeindruckende Oberflächen. Entscheidend ist, was im Backend passiert. KI ist ein mächtiges Werkzeug. Aber sie braucht saubere Daten, klare Prozesse und Menschen, die Verantwortung übernehmen. Ohne diese drei Elemente bleibt sie ein gut verpacktes Versprechen.
Weitere Informationen zu fAInds finden Sie unter: www.fainds.com
Das könnte Sie auch interessieren
Im Interview: Martin Böhm
Prothesen, KI und die Frage, was Technik wirklich für Menschen leisten kann. Ein Gespräch mit Martin Böhm, CxO bei Ottobock.
Karriere kann man planen. Führung muss man wollen.
Warum Führung eine bewusste Entscheidung sein sollte und kein Karriereautomatismus ist.
Auffangbecken oder Aufbruch?
Warum Automobilmanager den Weg in die Rüstungsindustrie finden – und was sie dort wirklich brauchen.