skillconomy geht über die Integration externer KI-Tool wie ChatGPT weit hinaus. Unser System basiert auf einem eigenentwickelten, großskaligen Sprachmodell, das speziell für die Anforderungen des deutschsprachigen Arbeitsmarktes und den Einsatz im Active Sourcing entwickelt wurde.Das Modell ist zentraler Bestandteil unserer Plattform und wurde gezielt darauf trainiert, Profile und Anforderungen auf semantischer Ebene miteinander abzugleichen – unter Einbeziehung von Informationen wie Branche, Unternehmensgröße und insbesondere auch konkreten Unternehmen.
Viele Systeme im Markt setzen auf generische KI-Modelle, die auf breite Textcorpora (z. B. Wikipedia, Common Crawl) trainiert wurden. Diese Modelle sind in der Regel nicht auf den Kontext von Stellenprofilen, Karriereverläufen oder branchenspezifischen Anforderungen spezialisiert.Unsere Architektur unterscheidet sich in folgenden Punkten:
Eigene Modellentwicklung: vollständige Kontrolle über Architektur, Training, Evaluation und Integration
Spezialisierter Trainingsfokus: gezieltes Training auf deutschsprachigen Arbeitsmarkt- und HR-Daten
Kontextwissen über Anforderungen, Karrierepfade und konkrete Unternehmen
Hosting und Datenhaltung in der EU gemäß DSGVO und den Vorgaben des EU AI Act
Ein zentrales Unterscheidungsmerkmal unseres Modells besteht darin, dass es nicht nur allgemeine Branchenmerkmale oder Größenklassen berücksichtigt, sondern auch konkrete Unternehmen als Kontextelemente integriert.Das bedeutet: Wenn unser Modell eine Rolle, einen Skill oder einen Abschluss sieht, bewertet es diese nicht isoliert, sondern im Zusammenspiel mit dem Arbeitgeber – sowohl für bisherige Stationen im Lebenslauf als auch für mögliche Folgepositionen.
Der Skill „Kubernetes“ ist ein häufiges Anforderungskriterium in technischen Rollen – doch seine Bedeutung variiert je nach Unternehmens- und Aufgaben-Kontext erheblich:
In einem Cloud-nativen Tech-Unternehmen wie „Google Cloud“ oder „Hetzner“ ist Kubernetes typischerweise zentraler Bestandteil produktiver Systemarchitekturen. Der Skill deutet hier auf tiefgehende Erfahrung in Container-Orchestrierung, CI/CD-Pipelines und Infrastructure-as-Code hin.
Bei einem mittelständischen Industrieunternehmen mit moderner IT-Abteilung (z. B. „Trumpf“ oder „Krones“) weist derselbe Skill meist auf die Fähigkeit hin, vorhandene On-Prem- oder Hybrid-Infrastrukturen zu modernisieren und in DevOps-Prozesse zu überführen – mit oft stärkerem Fokus auf Automatisierung und Stabilität.
In einer Beratungsrolle bei Unternehmen wie „Capgemini“ oder „Zühlke“ wiederum deutet Kubernetes-Kompetenz häufig auf Projekt- und Technologiebreite hin – etwa die Fähigkeit, Kubernetes in unterschiedlichen Kundensystemen einzuführen, zu dokumentieren und Wissen zu transferieren.
Unser Modell erkennt diese Unterschiede, weil es auf Grundlage realer Daten gelernt hat, wie konkrete Unternehmen Skills bewerten, einsetzen und in spezifische Rollen einbetten.Diese Fähigkeit zur kontextuellen Bewertung einzelner Begriffe – sei es ein Skill, ein Jobtitel oder eine Station – ermöglicht eine tiefere inhaltliche Einordnung und damit ein signifikant präziseres Matching im Vergleich zu regel- oder keywordbasierten Verfahren.
Das Modell hat durch das Training auf strukturierter und unstrukturierter HR-Daten ein detailliertes Bild von Stellenanforderungen in verschiedenen Branchen, Unternehmensgrößen – und konkreten Arbeitgebern – entwickelt. Es erkennt unter anderem:
Welche Skills für bestimmte Rollen typisch oder erforderlich sind
Welche Softwarelösungen in bestimmten Branchen und Rollen üblicherweise eingesetzt werden
Welche Branchenerfahrungen häufig vorausgesetzt werden
Welche Ausbildungswege und Qualifikationen für bestimmte Positionen üblich sind
Welche Zertifizierungen als relevant gelten (z. B. PMP, CFA, ITIL)
In welchen Rollen Sprachkenntnisse, Reisebereitschaft oder Führungserfahrung vorausgesetzt werden
Neben der Analyse von Anforderungsprofilen wurde das Modell darauf trainiert, typische Karriereverläufe im DACH-Raum zu erkennen. Es kann Zusammenhänge und Muster identifizieren, etwa:
Welche beruflichen Stationen typischerweise aufeinander folgen (z. B. Sachbearbeitung → Teamleitung → Bereichsleitung)
Aus welchen Branchen oder Unternehmensarten Kandidat:innen in bestimmte Rollen wechseln
Welche Hochschulen oder Ausbildungseinrichtungen mit bestimmten Arbeitgebergruppen korrelieren
Wie lange Fach- oder Führungskräfte im Schnitt in bestimmten Positionen oder Unternehmen bleiben
Welche Stationen als typische Vorbereitung auf bestimmte Positionen dienen
Auch hier wird der Unternehmenskontext berücksichtigt: Ein Karriereschritt bei einem bestimmten Arbeitgeber kann – je nach Branche, Marktposition und Aufgabenstruktur – ganz unterschiedliche Bedeutung haben.
Alle Trainingsdaten stammen entweder aus öffentlich zugänglichen Quellen oder wurden vertraglich zur Nutzung freigegeben. Die Datenverarbeitung erfolgt vollständig innerhalb der EU. Das Hosting der Modelle findet in zertifizierten Rechenzentren statt.Unsere Systemarchitektur ist so konzipiert, dass sie die Anforderungen der DSGVO sowie die des kommenden EU AI Act erfüllt – inklusive Nachvollziehbarkeit der Modellentscheidungen (Audit Trails) und Transparenz über Datenquellen.
Wie unterscheidet sich das Modell von klassischen Keyword-Suchsystemen?
Während klassische Systeme auf das reine Vorkommen von Suchbegriffen angewiesen sind, erkennt unser Modell Zusammenhänge zwischen Begriffen, Rollen, Skills und Arbeitgeberkontext.
Es bewertet Informationen nicht isoliert, sondern im jeweiligen Nutzungskontext.
Welche Sprachen versteht das Modell?
Das Modell ist auf deutschsprachige Inhalte ausgerichtet, kann aber auch englische Begriffe und Mischformen korrekt verarbeiten – ein typisches Szenario in vielen Lebensläufen.
Welche Rollen werden besonders gut abgedeckt?
Der Fokus liegt auf Fach- und Führungspositionen, insbesondere im kaufmännischen, technischen, finanznahen und beratenden Umfeld.
Wird das Modell weiterentwickelt?
Ja. Die Architektur erlaubt es, die Modellbasis kontinuierlich weiterzuentwickeln und neue Datenquellen oder Anforderungen einzubeziehen.
Gleichzeitig bleibt die Nachvollziehbarkeit erhalten – ein zentrales Kriterium im Umgang mit KI im Recruiting-Kontext.