KI-Power für das Recruiting: Der OSINT-Analyst als Gemini Gem
Stellen Sie sich vor, Sie hätten einen Experten für OSINT (Open Source Intelligence) und Profiling direkt an Ihrer Seite. Mit einem Gemini Gem und dem passenden Prompt lässt sich genau dieser „digitale Sidekick“ erschaffen. Er unterstützt Sie bei der Recherche, Analyse und Bewertung potenzieller Kandidaten – sowohl auf fachlicher als auch auf zwischenmenschlicher Ebene.
Darüber hinaus liefert das Gem eine fundierte Einschätzung zur Passgenauigkeit für eine spezifische Position und erstellt auf Basis der Ergebnisse einen maßgeschneiderten Fragenkatalog, der im Vorstellungsgespräch als wertvolle Inspirationsquelle dient.
Von der Theorie zur Praxis: Ein Testlauf
Nach mehreren Iterationen habe ich auf Basis des Deep Research Agents ein Gem entwickelt, das bereits eine gute Effizienz bietet: Die Angabe von Vorname, Nachname und Wohnort genügt, um eine fundierte Informationsbasis für die Kandidatenauswahl zu erhalten.
Um die Qualität der Ergebnisse objektiv zu prüfen, habe ich das System im Selbstversuch getestet – denn die eigenen Daten und den eigenen Werdegang kann man schlichtweg am besten verifizieren.
Ergebnissstruktur
- Strategische Identitätsanalyse und Abgrenzung im regionalen Kontext
- Kern-Profil: Zusammenfassung der Fakten
- Detaillierte Erkenntnisse zum beruflichen Werdegang
- Physische Disziplin und gesellschaftliche Integration
- Digitale Präsenz und mediales Image
- Soziale Bewertung und Image-Analyse
- Eignungs-Check und Soft Skills
- Zusammenfassende Schlussfolgerungen
Bewertung der Ergebnisse
Da ich meine digitale Identität und die damit verbundenen öffentlichen Daten seit gut zwei Jahrzehnten aktiv verwalte, bin ich in der Lage, die identifizierten Quellen präzise zuzuordnen und die Ergebnisse bis ins Detail zu interpretieren.
Das Resümee überzeugt: Die recherchierten Fakten sind durchweg stimmig. Die daraus abgeleiteten Schlussfolgerungen und Bewertungen weisen eine bemerkenswerte Genauigkeit von etwa 80 Prozent auf. Interessanterweise wurden vereinzelte Details in eine unerwartete Richtung interpretiert, was zu Erkenntnissen führte, die mich teilweise selbst überraschten.
Besonders faszinierend war der Blick von außen: Bestimmte Zusammenhänge waren mir zwar bewusst, doch in dieser Form der professionellen Analyse und präzisen Formulierung habe ich sie bisher noch nie betrachtet. Beispiel:
„Witalli Reingard wäre aufgrund seiner hybriden Kompetenz aus technischem Know-how und organisatorischem Talent ein idealer Mitarbeiter für Unternehmen in der Digitalbranche, die Wert auf Qualität und datengetriebene Optimierung legen. Sein Profil prädestiniert ihn für Rollen an der Schnittstelle zwischen Business und IT, wie etwa technisches Projektmanagement, Product Ownership oder Senior Online Marketing Rollen.“
Optimierungsoptionen
- Besonders beeindruckend ist die Korrelation zwischen sportlicher Disziplin und persönlicher Resilienz, die das Gem sehr präzise herausgearbeitet hat. Allerdings zeigt sich hier noch Optimierungsbedarf: Die Gewichtung der sportlichen Analyse ist aktuell zu dominant und sollte zugunsten anderer beruflicher Aspekte reduziert werden.
- Ein weiterer Fokus für kommende Tests und Prompt-Anpassungen liegt auf der Eindeutigkeit der Identifizierung. Bei Allerweltsnamen wie beispielsweise „Peter Meier“ stößt das System trotz Ortsangabe an Grenzen. Hier müssen Mechanismen implementiert werden, die gezielte Rückfragen zur Präzisierung stellen.
Ein Lösungsansatz wäre die Einführung einer vorgeschalteten Recherchephase. In diesem Schritt könnte das Gem potenzielle Unstimmigkeiten oder Mehrdeutigkeiten frühzeitig erkennen, den Nutzer darauf hinweisen und eine manuelle Präzisierung anfordern, bevor die eigentliche Tiefenanalyse startet.
Erwähnenswert
Auf Basis des erstellten Dossiers lässt sich mit nur einem Klick eine ergänzende Infografik generieren. Während das Ergebnis auf rein grafischer Ebene durchaus überzeugt, zeigt sich bei den Inhalten ein interessantes Phänomen: Die KI scheint Informationen einfließen zu lassen, die im ursprünglichen Dossier überhaupt nicht enthalten waren.
So wurde ich in der visuellen Aufbereitung plötzlich als KMU aus der Bau- und Handwerksbranche dargestellt – eine kreative Fehlinterpretation, die zeigt, dass die Verknüpfung zwischen Textanalyse und grafischer Generierung noch feinjustiert werden muss.
Schlussgedanken
Wie so oft neigt die KI dazu, die vorliegenden Daten ein wenig zu romantisieren. In meinem speziellen Fall – man erinnere sich an meine „kontrollierte Datenhistorie“ – fielen die Ergebnisse äußerst positiv aus: Fachlich wie menschlich wäre ich demnach eine Bereicherung für jedes digitale Unternehmen.
Man könnte den Prompt des Gems nun natürlich so erweitern, dass gezielt Kritikpunkte oder Schwächen eingefordert werden. Davon halte ich jedoch wenig. In der heutigen Arbeitswelt sollte die zwischenmenschliche Komponente eine ebenso zentrale Rolle einnehmen wie die fachliche Qualifikation. Diese tiefgreifende Bewertung kann keine KI der Welt verlässlich vornehmen, erst recht nicht auf Basis rein digitaler Fragmente.
Egal wie „gewichtig“ ein digitaler Fußabdruck auch sein mag: Die finale Beurteilung muss dem Menschen vorbehalten bleiben. Nur jemand, der das Team und die Unternehmenskultur wirklich kennt, kann einen Bewerber nach einem persönlichen Gespräch authentisch einordnen. Just saying…
