KI-Voreingenommenheit beim Lebenslauf-Screening: Warum LLMs KI-geschriebene Lebensläufe bevorzugen (Studie 2025)

Was die Studie tatsächlich herausfand

Im September 2025 veröffentlichten drei Forscher — Jiannan Xu (University of Maryland), Gujie Li (Cornell) und Jane Yi Jiang — ein Paper mit dem Titel „AI Self-preferencing in Algorithmic Hiring: Empirical Evidence and Insights" (arXiv:2509.00462; präsentiert bei ACM EAAMO 2025 und AIES 2025). Es ist der erste groß angelegte empirische Test einer Frage, um die die KI-Fairness-Community zwei Jahre lang gekreist war: Bevorzugen LLMs heimlich Text, der nach ihrem eigenen Schreibstil klingt, wenn sie Text bewerten?

Der Aufbau war sauber. Sie nahmen 2.245 anonymisierte echte Lebensläufe von LiveCareer.com, die 24 Berufskategorien abdeckten. Für jeden Lebenslauf erzeugten sie KI-Umschreibungen mit sieben LLMs — drei kommerziellen (GPT-4o, GPT-4-turbo, GPT-4o-mini) und vier Open-Source (LLaMA 3.3-70B, Mistral-7B, Qwen-2.5-72B, DeepSeek-V3). Dann baten sie jedes Modell, Paare von Lebensläufen (einer von sich selbst geschrieben, einer von einem Menschen oder Konkurrenzmodell) zu bewerten und den stärkeren Kandidaten zu wählen. Die Inhaltsqualität wurde kontrolliert — gleiche Rolle, gleiche Erfahrung, gleiche Errungenschaften — nur die Oberfläche der Prosa unterschied sich.

Das Ergebnis: Jedes Modell bevorzugte sein eigenes Schreiben, oft dramatisch. Selbstpräferenz-Raten pro Modell gegenüber menschlich geschriebenen Lebensläufen:

• GPT-4o — 82 % (wählte den eigenen Lebenslauf in 4 von 5 Fällen)
• LLaMA 3.3-70B — 79 %
• DeepSeek-V3 — 72 %
• GPT-4-turbo und Qwen-2.5-72B — beide über 65 %
• Mistral-7B — 28 % (eines der wenigen nahezu neutralen Ergebnisse)
• LLaMA 3.2-3B (das kleinste getestete) — 11,6 % (die kleinsten Modelle zeigten fast keine Verzerrung, was darauf hindeutet, dass der Effekt mit der Modellfähigkeit skaliert)

Entscheidend ist, dass die Verzerrung Robustheitstests überlebte. Den Abgleich der Lebenslauf-Paare nach semantischem Inhalt via BERTScore und ROUGE-L oder nach Schreibstil via LIWC-linguistischen Merkmalen ließ sie nicht verschwinden. Die Präferenz verfolgte nicht Qualität oder Stil — sie verfolgte, ob der Text wie die eigenen Ausgaben des bewertenden Modells klang.

Warum das passiert — der Perplexitäts-Mechanismus

LLMs bewerten jede Eingabe intern nach Perplexität — grob, wie überrascht das Modell von jedem nächsten Token ist. Text, den das Modell plausibel selbst erzeugt hätte, hat niedrige Perplexität (vorhersagbar, vertraut); Text in unbekanntem Stil oder mit seltenen Formulierungen hat hohe Perplexität. Die Studie von Xu/Li/Jiang fand heraus, dass LLMs, wenn sie die Textqualität bewerten sollen, niedrigperplexitäts-Passagen signifikant höhere Bewertungen zuweisen — selbst wenn die tatsächliche Inhaltsqualität identisch ist.

Der einfachste Weg, daran zu denken: Ein LLM-Bewerter beurteilt nicht wirklich „ist das ein guter Lebenslauf?" Er führt eine halbbewusste Berechnung von „sieht dieser Lebenslauf nach der Art von Sache aus, die ich geschrieben hätte?" aus und projiziert dann diese Fluency-Erkennung auf Qualität. Vertrautheit → Fluency → als höhere Qualität beurteilt. Niedrigere Perplexität schlägt höhere Perplexität, Punkt, selbst wenn beide Kandidaten objektiv gleich gut sind.

Das ist derselbe psychologische Mechanismus, den Menschen haben, wenn wir Schreiben, das unseren eigenen Stil widerspiegelt, als „klarer" oder „professioneller" beurteilen — aber in LLMs läuft er viel schneller und ohne Introspektion. Die Forscher betonen, dass dies kein Fehler in einem bestimmten Modell ist. Es ist eine systemische Eigenschaft, wie transformer-basierte Sprachmodelle Text bewerten. Jedes große LLM zeigt eine Version davon.

Die reale Auswirkung — 23–60 % mehr Shortlists

Zu wissen, dass ein LLM seine eigene Schreibweise in einem kontrollierten paarweisen Test zu 82 % bevorzugt, ist akademisch interessant. Die eigentliche Frage ist: Spielt das eine Rolle, wenn du gegen einen Stapel anderer Kandidaten für einen echten Job antrittst?

Um das herauszufinden, führten die Autoren simulierte Einstellungspipelines über alle 24 Berufskategorien hinweg durch. In jeder Runde: Ein Pool von Kandidaten wurde zusammengestellt, einige ließen ihre Lebensläufe von GPT-4o (dem Screening-Modell des Recruiters) verfeinern, andere nutzten verschiedene LLMs, andere behielten ihre ursprünglichen menschlich geschriebenen Lebensläufe. Das Screening-LLM ordnete dann den Pool und erstellte eine Shortlist.

Kandidaten, deren Lebensläufe vom selben LLM wie der Screener verfeinert worden waren (GPT-4o → GPT-4o), waren 23–60 % wahrscheinlicher auf die Shortlist zu kommen als gleich qualifizierte Kandidaten mit menschlich geschriebenen Lebensläufen. Die größten Nachteile — näher am 60-%-Ende — erschienen in geschäftsorientierten Berufen: Vertrieb, Buchhaltung, Marketing, Kundenservice. Die kleinsten Lücken erschienen in technischen Rollen, wo der Inhalt des Lebenslaufs (spezifische Tools, Sprachen, Zertifizierungen) den Prosastil überwiegt.

Übersetze das in eine Job-Such-Realität: Wenn eine Vertriebsrolle 200 Bewerber bekommt und das ATS des Recruiters mit GPT-4o vorfiltert, ist ein Bewerber, der seinen Lebenslauf mit GPT-4o poliert hat, statistisch viel wahrscheinlicher, in den menschlichen Prüfungsstapel zu gelangen, als ein Bewerber identischen Kalibers, dessen Lebenslauf ohne KI geschrieben wurde. Das ist kein kleiner Vorteil.

Warum das eine größere Sache ist als „noch eine KI-Verzerrung"

Die KI-Fairness-Forschung hat ein Jahrzehnt damit verbracht, Voreingenommenheit gegen demografische Gruppen zu dokumentieren — Geschlecht, Rasse, Alter, Behinderung. Diese Voreingenommenheiten sind gut verstanden und werden in der EU (AI Act, Hochrisiko-Klassifizierung von Einstellungs-KI) und mehreren US-Jurisdiktionen (NYC Local Law 144, Illinois AI Video Interview Act, etc.) aktiv gesetzlich verfolgt.

Selbstpräferenz-Verzerrung ist anders. Sie verfolgt kein geschütztes Merkmal; sie verfolgt, ob du dieselbe KI-Marke wie dein Arbeitgeber verwendet hast. Das klingt harmlos — bis du bemerkst, dass der LLM-Markt konzentriert ist. GPT-4o (OpenAI) ist das am weitesten verbreitete Screening-Modell in der Unternehmenswelt und auch das am weitesten verwendete Consumer-LLM. Die Verzerrung begünstigt daher systematisch Kandidaten mit bezahlten ChatGPT-Abonnements gegenüber Kandidaten, die kostenlose Claude, Gemini oder DeepSeek nutzen — und gegenüber Kandidaten, die ohne KI schreiben.

Das ist eine wohlstands- und zugangsgekoppelte Verzerrung, die sich in einem scheinbar neutralen algorithmischen Prozess versteckt. Anders als demografische Verzerrung wird sie von keiner existierenden Regulierung adressiert. Die Autoren fordern ausdrücklich erweiterte Fairness-Rahmenwerke, um „KI-KI-Interaktionen" abzudecken — Verzerrungen, die nicht daraus entstehen, wie ein Algorithmus eine Person behandelt, sondern wie ein Algorithmus die Ausgabe eines anderen Algorithmus behandelt. Diese Kategorie von Schaden ist in der Politikliteratur brandneu.

Was das für dich, den Jobsuchenden, bedeutet

Keine Panik. Die Verzerrung ist real, aber die rationale Reaktion ist nicht „nie KI verwenden" — sie ist „KI auf eine Weise verwenden, die deinen Lebenslauf nicht trivial als Ausgabe eines Modells identifizierbar macht". Fünf praktische Implikationen:

• Schreibe den Inhalt selbst. Spezifische Errungenschaften, Zahlen, Daten, Projektnamen, der tatsächliche Inhalt deiner Rolle — das sind Fakten, die die KI nicht erfinden kann, ohne zu halluzinieren. Sie selbst niederzuschreiben ist sowohl aus Ehrlichkeit als auch zur Vermeidung der offensichtlichen Verräter (erfundene Unternehmen, verdächtig runde Prozentsätze) nicht verhandelbar.
• Nutze KI zum Polieren, nicht zum Verfassen. Ein LLM zu bitten, „meinen Bullet umschreiben, damit er wirkungsvoller klingt", gibt dir eine Wortlauf-Verbesserung auf deinem echten Inhalt. Es zu bitten, „mir einen Lebenslauf für einen Marketing Manager zu schreiben", gibt dir generische KI-Prosa, die ihre Herkunft jedem Screener und jedem menschlichen Prüfer mit zwei Monaten Erfahrung verrät.
• Füge keine Einzelmodell-Ausgabe wortwörtlich ein. Wenn 82 % der Verzerrung daher kommen, dass ein LLM seine eigenen Ausgaben erkennt, ist die schlechteste mögliche Strategie, die unbearbeitete Prosa desselben LLMs an einen Screener zu senden, der möglicherweise dasselbe Modell ist. Mische Quellen: entwirf selbst, poliere mit einem Tool, mache einen finalen Durchgang mit einem anderen Tool, bearbeite das Ergebnis von Hand.
• Klinge nicht roboterhaft. Die Verzerrung belohnt dem Modell vertraute Formulierungen — aber ein menschlicher Prüfer mit Erfahrung kann „Als ergebnisorientierter Professional mit einer Leidenschaft für Exzellenz" aus dem ganzen Raum erkennen. Der Kompromiss ist Stimme: Behalte deinen eigenen Satzrhythmus und Wortwahl, nutze KI nur für Grammatik-/Prägnanz-Anpassungen.
• Sei ehrlich, wenn gefragt. Eine kleine, aber wachsende Zahl von EU-Arbeitgebern — besonders in regulierten Sektoren wie Finanzen, Gesundheitswesen und öffentliche Verwaltung — bittet Kandidaten ausdrücklich, KI-Hilfe bei Bewerbungen offenzulegen. Wenn die Anweisungen einer Stelle danach fragen, gib es an. Darüber zu lügen, ist ein Grund für die spätere Rücknahme eines Angebots.

Was das für Arbeitgeber und Recruiter bedeutet

Wenn du auf der anderen Seite des Tisches sitzt, hat das Paper unbequeme Implikationen. Einzelmodell-Lebenslauf-Screening ist nicht mehr als „objektiv" verteidigbar. Wenn dein ATS GPT-4o verwendet, um Bewerber zu ranken, und du für eine Vertriebsrolle einstellst, begünstigst du systematisch Kandidaten, die für dasselbe Modell bezahlt haben — und dieser Vorteil hat nichts damit zu tun, ob sie verkaufen können.

Die Studie von Xu/Li/Jiang testete zwei Abhilfemaßnahmen, die funktionierten:

1. Prompt-Offenlegung. Das Hinzufügen eines Satzes zum Screening-Prompt — „Du solltest nicht berücksichtigen oder ableiten, ob Lebensläufe von einem Menschen oder von KI geschrieben wurden. Konzentriere dich nur auf die Inhaltsqualität." — reduzierte die Verzerrung messbar. Billig, kostenlos, teilweise.
2. Mehrheitsabstimmungs-Ensemble. Den primären Bewerter mit zwei kleineren Modellen (z. B. GPT-4o plus LLaMA 3.2-1B und LLaMA 3.2-3B) zu kombinieren und Mehrheitsabstimmung für die finale Shortlist-Entscheidung zu verwenden, reduzierte die Verzerrung um mehr als 50 %. Kleinere Modelle zeigten nahezu null Selbstpräferenz, sodass sie als Gegengewicht zur Verzerrung des primären Modells dienten. Mehr Rechenleistung, viel mehr Fairness.

Speziell für EU-Arbeitgeber: Der AI Act klassifiziert Einstellungs-KI als hochriskant. Zu wissen, dass Einzelmodell-Screening eine messbare, nicht-demografische Verzerrung einführt, die Kandidaten mit weniger Zugang zu demselben bezahlten KI-Dienst benachteiligt, überschneidet sich wahrscheinlich mit den Transparenz- und Fairness-Verpflichtungen des Acts. Dokumentiere deine Abhilfestrategie, bevor du sie brauchst.

Die ehrliche Version: Solltest du KI überhaupt für deinen Lebenslauf verwenden?

Drei ehrliche Szenarien. Wähle das, das deiner Realität entspricht.

Szenario A: Du bewirbst dich bei einem großen Konzern, der wahrscheinlich mit GPT-4o ATS-screent. Der 23–60 %-Shortlist-Vorteil ist hier real. Ein großes LLM zu verwenden, um deinen Lebenslauf zu polieren (NICHT zu verfassen), gibt dir den Vorteil ohne die offensichtlichen Verräter. Fazit: KI vorsichtig verwenden.

Szenario B: Du bewirbst dich bei einem kleinen/mittleren Unternehmen, wo ein menschlicher Recruiter den Lebenslauf zuerst liest. Das Screening-LLM existiert in dieser Pipeline nicht. Roboterhafte KI-Prosa schadet dir hier aktiv — Menschen können es erkennen, und viele bestrafen es aktiv als wahrgenommenen Mangel an Aufwand. Fazit: Schreibe es selbst, nutze KI sparsam für Grammatik.

Szenario C: Du bewirbst dich bei Wissenschaft, Gesundheitswesen oder öffentlicher Verwaltung in der EU. KI-Offenlegung wird zunehmend verlangt. KI-gewandte Prosa kann als rotes statt als grünes Flag gelesen werden. Fazit: Minimale KI, am besten gar keine, offenlegen, wenn Hilfe verwendet wurde.

Über alle drei Szenarien hinweg ist eine Regel universell: Lass KI nicht deinen sachlichen Inhalt schreiben. Die Errungenschaften, Zahlen und Projektdetails müssen von dir kommen. KI ist eine Wortpolitur, kein Inhaltsgenerator.

Wie wir das bei TakeMeUp.cv angehen

Vollständige Offenlegung: Wir bauen ein CV-Tool und liefern KI-Features. Das ist also der unangenehme Abschnitt, in dem wir transparent über unser eigenes Produkt in einem Artikel sein müssen, der Verzerrung in KI-Tools dokumentiert.

Unsere AI Rewrite-Erweiterung ist absichtlich auf Wort-Level-Politur und nicht auf Bullet-Generierung beschränkt. Sie schreibt einen Bullet, den du geschrieben hast, in eine stärkere Version seiner selbst um — mit deinen Zahlen, deinen Daten, deinen Projektnamen und der Substanz dessen, was du tatsächlich getan hast. Sie weigert sich, Metriken zu erfinden. Das ist kein Tugend-Signaling; das ist die einzige Produktposition, die wir in einer Welt verteidigen können, in der KI-generierte CV-Erfindung weit verbreitet ist. Unsere Authenticity Score-Erweiterung existiert genau, weil wir wissen, dass Recruiter beginnen, Einzelmodell-Prosa zu erkennen.

Vorbehalte und was wir noch nicht wissen

Die Studie von Xu/Li/Jiang ist die stärkste Evidenz, die wir haben, aber ein paar ehrliche Vorbehalte, bevor du sie überbewertest:

• Die Lebensläufe waren US-Kontext (LiveCareer.com). EU-Kontext-Lebensläufe enthalten Fotos, Geburtsdaten, DSGVO-relevante Felder und lokalspezifische Abschnittsreihenfolgen. Der Verzerrungsmechanismus (Perplexität-als-Vertrautheit) sollte verallgemeinern, aber die Größe des Effekts für europäische Einstellungen ist noch nicht gemessen.
• Die getesteten Screening-Aufgaben waren paarweise Vergleiche und Shortlist-Ranking. Produktions-ATS-Systeme kombinieren oft LLM-Bewertung mit Keyword-Filtern, K.-o.-Fragen und gewichteten Kriterien — die LLM-Verzerrung ist ein Signal in einem Stapel von Signalen.
• Die Studie testete weder Claude (Anthropic) noch Gemini (Google) — beide werden jetzt in der Produktion bei großem Screening verwendet. Die Richtung der Verzerrung sollte gleich sein (Modelle bevorzugen ihre eigenen Ausgaben), aber die Größenordnungen für diese spezifischen Systeme sind nicht in diesem Datensatz.
• Selbstpräferenz-Verzerrung ist eine Verzerrung unter vielen, die LLMs beim Screenen von Lebensläufen zeigen. Demografische Verzerrung gegen Frauen, Minderheiten und ältere Kandidaten besteht in vielen Modellen fort — dieses Problem ist älter und besser dokumentiert, und es verschwindet nicht, weil wir jetzt ein neues KI-gegen-KI-Problem haben.
• Die Abhilfemaßnahme (Mehrheitsabstimmung mit kleinen Modellen) reduziert die Verzerrung um >50 %, beseitigt sie aber nicht. Es gibt derzeit keine Technik, die Selbstpräferenz-Verzerrung vollständig entfernt.