KI-Betrug im Jobmarkt: Wie Scammer und schlechtes Screening Bewerber treffen

Der Jobmarkt hat ein KI-Problem – und es ist komplexer, als die meisten Schlagzeilen es darstellen. Auf der einen Seite nutzen Betrüger KI, um täuschend echte Stellenanzeigen zu fabrizieren, gefälschte Recruiter-Identitäten aufzubauen und Bewerbern Zeit, Geld und Nerven zu stehlen. Auf der anderen Seite setzen legitime Unternehmen KI-Screening-Tools ein, die qualifizierte Kandidaten herausfiltern – oft auf Basis fehlerhafter oder undurchsichtiger Bewertungslogik. Sasha Cooklin, eine erfahrene Prospect Researcher mit 20 Jahren Berufserfahrung, erlebte beides: Nach fast 200 Bewerbungen erhielt sie eine automatisierte Absage mit der Begründung, sie habe KI zum Schreiben ihres Lebenslaufs verwendet – was sie bestreitet. Die HR-Abteilung des betreffenden Unternehmens entschuldigte sich später und räumte ein, selbst KI für das Scannen von Lebensläufen und Anschreiben eingesetzt zu haben. Diese Ironie ist kein Einzelfall. Sie ist Symptom eines strukturellen Problems, das jeden trifft, der gerade auf Jobsuche ist – und jeden Betrieb, der versucht, Talente zu finden. Wie Darryl Dixon, der im Rahmen von Aufklärungsarbeit für die International Organization for Migration mit Wanderarbeitern arbeitet, betont: Betrüger nutzen heute die Identitäten realer, aktiver oder ehemals aktiver britischer Unternehmen. Wer unter Zeitdruck steht und gleichzeitig von einem vermeintlichen Recruiter gedrängt wird, wird nicht warten, bis er die Firmendaten im Handelsregister verifiziert hat – er wird das Opfer. Das Muster gilt nicht nur für Wanderarbeiter, sondern für jeden, der sich in einer schwachen Verhandlungsposition befindet.

Zwei Bedrohungsvektoren, ein kaputtes System

Um das Problem sauber zu analysieren, muss man zwei Angriffsvektoren trennen, die in der öffentlichen Debatte oft vermischt werden. Der erste Vektor ist klassischer Betrug, massiv skaliert durch KI: Gefälschte Stellenanzeigen, synthetische Recruiter-Personas, KI-generierte Nachrichten, die menschliche Wärme und Professionalität imitieren. Der zweite Vektor ist subtiler und in gewisser Weise gefährlicher, weil er von Institutionen kommt, denen Bewerber eigentlich vertrauen sollten: fehlerhafte KI-Screening-Systeme bei echten Arbeitgebern.

Beide Vektoren treffen Bewerber härter als je zuvor, weil KI die Volumenprobleme auf beiden Seiten gleichzeitig verschärft. Unternehmen erhalten heute tausende Bewerbungen auf eine einzige Stelle – ein erheblicher Teil davon sind laut Branchenbeobachtern AI-generierte Massenanwendungen ohne echten menschlichen Aufwand dahinter. Die Reaktion vieler Personalabteilungen: ebenfalls KI-Tools einsetzen, um den Eingang zu filtern. Das Ergebnis ist ein System, in dem zwei Maschinen miteinander kommunizieren und der Mensch – der Bewerber mit echter Expertise und der Hiring Manager mit echtem Bedarf – aus der Schleife herausfällt.

Cooklins Fall illustriert das perfekt. Ein KI-Screening-Tool flaggt ihren Lebenslauf als KI-generiert. Das Tool irrt sich. Der Bewerber erhält eine Absage, die sachlich falsch ist. Keine menschliche Überprüfung findet statt. Das Unternehmen verliert eine potenziell exzellente Kandidatin. Beide Seiten verlieren – genau das, was Cooklin mit ihrer Frage auf den Punkt bringt: Sollte KI wirklich so sorglos eingesetzt werden, dass sie die Hoffnungen von Menschen und Unternehmen gleichermaßen zunichte macht?

Wie KI-Stellenbetrug technisch funktioniert

Wer KI-Jobbetrug effektiv abwehren will, muss verstehen, wie er aufgebaut ist. Moderne Scam-Infrastrukturen sind keine einfachen Copy-Paste-Operationen mehr. Sie folgen einer mehrstufigen Angriffskette:

• Persona-Generierung: LLMs erstellen vollständige Recruiter-Profile mit konsistentem Namen, Werdegang, LinkedIn-artigem Schreibstil und themenspezifischem Fachjargon. Diese Personas sind für einen flüchtigen Leser nicht von echten Profilen zu unterscheiden.
• Stellenanzeigen-Fabrikation: Reale Jobbeschreibungen werden als Vorlage genutzt, leicht umformuliert und mit erfundenen Unternehmensdaten kombiniert. Betrüger verwenden dabei häufig die Identitäten aktiver oder ehemals aktiver Firmen – ein Trick, der Companies-House-Checks ins Leere laufen lässt, wie Dixon aus seiner IOM-Arbeit berichtet.
• Kommunikations-Automatisierung: KI-gestützte Chatbots führen erste Bewerbungsgespräche, stellen realistische Rückfragen und erzeugen das Gefühl echter menschlicher Interaktion. Der Betrug fällt oft erst auf, wenn nach persönlichen Daten oder Vorabzahlungen gefragt wird.
• Druck-Mechanismen: Betrüger erzeugen künstliche Dringlichkeit – "andere Kandidaten stehen kurz vor dem Abschluss" – um Opfer davon abzuhalten, die Legitimität des Angebots zu prüfen. Dieser Social-Engineering-Mechanismus ist analog zu klassischem Phishing, aber deutlich personalisierter.

Besonders verletzlich sind Gruppen mit wenig Verhandlungsmacht: Wanderarbeiter, die auf eine Stelle im Ausland angewiesen sind; Berufseinsteiger, die noch keine Erfahrung mit professionellen Recruiting-Prozessen haben; und Menschen wie Cooklin, die nach einer Kündigung unter finanziellem Druck stehen und schnell eine neue Stelle brauchen. Für sie ist das Identifizieren eines Scams nicht nur eine technische Herausforderung – es ist eine emotionale.

Im Verlagswesen, wie Niall Leonard aus Ealing beschreibt, nimmt der Betrug eine andere Form an: Scheinbar bekannte Autoren oder Verlagsmanager – deren Namen real und googlebar sind – kontaktieren Self-Publisher mit enthusiastischem Interesse an ihrer Arbeit. Das Hauptmerkmal: Die E-Mails kommen von Gmail-Adressen statt Unternehmens-Domains. Und wenn "Agatha Christie" beginnt, Lob zu verteilen, sollte selbst der naivste Empfänger misstrauisch werden.

So setzt du es um: Bewerber-Schutz in der Praxis

Als Bewerber kannst du konkrete technische und prozessuale Schritte unternehmen, um dein Risiko erheblich zu reduzieren. Hier ein praxiserprobter Workflow:

1. Domain-Check zuerst: Bevor du Zeit in eine Bewerbung investierst, prüf die E-Mail-Domain des Recruiters. Rekrutiert "TechCorp GmbH" von einer Gmail-Adresse? Sofortiges Warnsignal. Legitime Unternehmen nutzen ihre eigene Domain. Klick-Pfad: Kopiere die Domain → prüfe sie auf der offiziellen Unternehmenswebsite oder LinkedIn-Seite.
2. Parallele Direktverifikation: Suche das Unternehmen unabhängig – nicht über den Link in der Stellenanzeige, sondern über Google oder LinkedIn direkt. Gibt es eine offizielle Karriereseite? Ist die ausgeschriebene Stelle dort zu finden? Falls nicht, ist das ein roter Flag. Klick-Pfad: Google → "[Unternehmensname] jobs" oder "[Unternehmensname] careers" → offizielle Domain identifizieren → dort suchen.
3. Recruiter-Identität verifizieren: Nutze LinkedIn, um den genannten Recruiter zu finden. Stimmt das Profil? Ist die Person dort beschäftigt? Hat sie eine plausible Berufsgeschichte? Bei Verlagen: Autoren haben öffentliche Profile – ein echter Ian McEwan kontaktiert dich nicht über Facebook Messenger.
4. Dringlichkeits-Signale als Warnsignal behandeln: Legitime Recruiter setzen dich nicht unter Zeitdruck. Wenn der "Recruiter" darauf besteht, dass du sofort antworten oder persönliche Dokumente einsenden musst, behandle das wie einen Phishing-Versuch. Erwartetes Ergebnis: Du erkennst manipulative Kommunikationsmuster, bevor sie Wirkung entfalten.
5. Unternehmensregister als zweite Schicht: Bei Unsicherheit über ein UK-Unternehmen: Companies House prüfen. Aber – und das ist Dixons zentraler Hinweis – vergiss nicht, dass Betrüger reale Unternehmensdaten kapern. Ein Registereintrag allein reicht nicht. Kombiniere ihn mit einer direkten Kontaktaufnahme über offizielle Channels. Klick-Pfad: find-and-update.company-information.service.gov.uk → Firmenname → Registered address → dort anrufen oder mailen.
6. AI-Detection-Tools für eigene Bewerbungsunterlagen nutzen: Da Unternehmen KI-Screening einsetzen, das falsch positive Ergebnisse liefern kann, empfiehlt es sich, den eigenen Lebenslauf durch öffentlich zugängliche AI-Detektoren zu laufen, bevor man bewirbt. Das liefert kein Garantie gegen Fehlklassifikationen, aber dokumentiert zumindest für sich selbst, dass das Dokument human-generated ist.
7. Bei falscher Ablehnung: Nachfassen ist legitim: Cooklins Erfahrung zeigt, dass eine direkte Rückmeldung an die HR-Abteilung sinnvoll sein kann. HR-Mitarbeiter sind oft selbst nicht glücklich über automatisierte Fehlentscheidungen. Eine sachliche, konkrete Anfrage ("Ich habe eine Absage wegen KI-Nutzung erhalten – das ist nicht korrekt, und ich möchte das klären") öffnet manchmal Türen.

Was sich rechnet: ROI des Schutzaufwands

Lass uns ehrlich über die Kosten sprechen. Wer 200 Bewerbungen verschickt wie Cooklin, investiert massiv Zeit. Wenn man annimmt, dass eine durchschnittliche Bewerbung – inklusive Recherche, Anschreiben und Vorbereitung – zwei Stunden dauert, sind das 400 Arbeitsstunden. Bei einem angemessenen Stundensatz für eine Person mit 20 Jahren Erfahrung im mittleren fünfstelligen Bereich ist das eine erhebliche Fehlinvestition, wenn ein erheblicher Teil dieser Bewerbungen entweder in ein Scam-Netz oder in einen fehlerhaften KI-Filter läuft.

Der ROI eines strukturierten Vorab-Checks sieht dagegen deutlich besser aus:

• Manuell ohne Vorfilter: 200 Bewerbungen × 2h = 400h Aufwand → davon enden viele in Sackgassen durch Scams oder fehlerhafte Screenings.
• Mit 10-Minuten-Vorfilter pro Stelle: 200 Bewerbungen × 10min Vorabcheck = ~33h Zusatzaufwand → eliminiert einen erheblichen Teil der Scam-Angebote, bevor überhaupt Zeit investiert wird. Bei einer geschätzten Scam-Rate von 10–20% relevanter Stellenanzeigen (Branchenschätzungen variieren, belastbare DACH-Zahlen fehlen) spart dieser Vorfilter 20–40 vollständige Bewerbungszyklen.
• Gesamtrechnung: 33h Vorabcheck-Investment → Einsparung von potenziell 40–80h verschwendetem Aufwand. ROI des Vorfilters: positiv ab dem dritten oder vierten abgewehrten Scam-Kontakt.

Für Unternehmen auf der Arbeitgeberseite gilt eine analoge Logik: Der Einsatz von KI-Screening ohne menschliche Überprüfungsschleife spart kurzfristig Reviewzeit, kostet aber langfristig qualifizierte Kandidaten. Ein hybrides Modell – KI als erste Filterebene, menschliches Review für alle Grenzfälle – ist teurer in der Implementierung, aber billiger in den Folgekosten von Fehlentscheidungen.

Die typischen Fallstricke

Wer sich schützen will, muss wissen, wo die meisten Fehler passieren:

• Fallstrick 1: Companies-House-Check als alleinige Verifikation. Dixon weist explizit darauf hin: Betrüger nutzen die Identitäten existierender oder ehemaliger Unternehmen. Ein Eintrag im Handelsregister beweist nur, dass eine Firma existiert oder existiert hat – nicht, dass die Person, die dir gerade schreibt, dort arbeitet. Lösung: Kombination aus Registereintrag und direkter Kontaktaufnahme über die auf der offiziellen Website angegebenen Channels.
• Fallstrick 2: AI-Screening-Ergebnisse als endgültig behandeln. Cooklins Fall zeigt exemplarisch, dass aktuelle AI-Detection-Tools falsch positive Ergebnisse produzieren. Wer als Unternehmen KI-Screening einsetzt und keine Einspruchsmöglichkeit oder menschliche Review-Instanz vorsieht, riskiert rechtliche Auseinandersetzungen und Reputationsschäden. Lösung: Jede automatisierte Ablehnung, die auf einer inhaltlichen Bewertung (nicht auf formalen Kriterien) basiert, sollte durch einen Menschen gegengezeichnet werden.
• Fallstrick 3: Dringlichkeitssignale unter Druck übergehen. Wer dringend eine Stelle braucht, neigt dazu, Warnsignale zu rationalisieren. "Vielleicht ist das bei dieser Branche wirklich so" oder "Vielleicht sind die einfach schnell." Lösung: Einen festen persönlichen Regel-Anker setzen: Wenn eine Stelle echte Dringlichkeit erzeugt, gibt es keinen Grund, den 10-Minuten-Vorabcheck zu überspringen. Legitime Arbeitgeber warten 10 Minuten.
• Fallstrick 4: Plausible Namen als Echtheitsbeweis werten. Sowohl bei Verlagsscams (Leonard) als auch bei Corporate-Recruiting-Scams werden reale Personen imitiert – deren Namen googlebar und deren Existenz bestätigt ist. Die Person ist real; der Kontakt ist gefälscht. Lösung: Verifiziere den Kontaktkanal, nicht nur den Namen. Ein echter Ken Follett schreibt dir nicht auf Facebook.

Was das für den EU AI Act bedeutet

Aus DACH-Perspektive ist der KI-Einsatz im Recruiting kein rein ethisches Problem – er ist zunehmend ein regulatorisches. Der EU AI Act klassifiziert KI-Systeme, die für die Einstellung und Auswahl von Personen eingesetzt werden, als Hochrisiko-Anwendungen. Das betrifft Lebenslauf-Screening-Tools ebenso wie automatisierte Rankingsysteme für Bewerber. Die Hauptpflichten für diesen Bereich treten ab August 2026 in Kraft.

Was das im Klartext bedeutet: Unternehmen, die ab dann KI für Bewerbungsscreening einsetzen, müssen Transparenzpflichten erfüllen – Bewerber müssen informiert werden, dass eine automatisierte Entscheidung stattfindet. Sie müssen das Recht haben, eine menschliche Überprüfung anzufordern. Und Unternehmen müssen nachweisbar sicherstellen, dass ihre Systeme keine systematische Diskriminierung produzieren. Cooklins Fall – falsche Ablehnung durch fehlerhafte KI-Klassifikation, ohne menschliche Review-Schicht – wäre nach August 2026 potenziell ein Compliance-Verstoß.

Zusätzlich greift bei KI-gestütztem Recruiting die DSGVO: Automatisierte Entscheidungen über Bewerber fallen unter Art. 22 DSGVO, der ein Widerspruchsrecht und das Recht auf menschliche Überprüfung verankert. Wer als deutsches oder österreichisches Unternehmen heute KI-Screening ohne diese Rechte implementiert, bewegt sich bereits in einer regulatorischen Grauzone. Strafen nach EU AI Act können bei Hochrisiko-Verstößen bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes betragen.

Für den Mittelstand in Deutschland – wo laut einer Erhebung von Dr. Justus & Partners noch 94 Prozent der Firmen keine KI implementiert haben – bedeutet das: Wer jetzt KI-Recruiting-Tools einführt, sollte das nicht nur mit Blick auf Effizienz tun, sondern auch mit einem klaren Compliance-Framework für den AI Act.

So What? Der blinde Fleck im Effizienz-Versprechen

Was die Fälle von Cooklin, Dixon und Leonard gemeinsam zeigen, ist ein strukturelles Paradoxon: KI wird im Jobmarkt als Lösung für ein Skalierungsproblem eingesetzt, das KI selbst mitverursacht. Unternehmen setzen KI-Screening ein, weil zu viele Bewerbungen reinkommen – ein erheblicher Teil davon AI-generiert. Die Reaktion produziert neue Fehler, die echte Kandidaten ausschließen. Der Markt beschleunigt sich in eine Spirale, aus der es ohne bewusste Gegenstrategie keinen organischen Ausweg gibt.

Für Bewerber in Deutschland und dem restlichen DACH-Raum heißt das: Der Aufwand für Bewerbungen steigt, während die Konversionsrate sinkt. Die oben beschriebenen Vorfilter-Workflows sind keine nette Zusatzoption – sie sind die Grundvoraussetzung dafür, Zeit sinnvoll zu investieren. Wer sich ohne Vorcheck durch hunderte Angebote bewirbt, riskiert nicht nur, in Scam-Strukturen zu laufen, sondern auch, in fehlerhafte Screening-Systeme, die ihn auf Basis von KI-Fehlklassifikationen ausschließen.

Für Unternehmen gilt eine klare Handlungsempfehlung: Jedes KI-Screening-Tool braucht eine menschliche Escalation-Schicht für Grenzfälle – nicht erst wegen des AI Acts ab August 2026, sondern weil fehlerhafte Ablehnungen echte Kosten haben. Eine qualifizierte Kandidatin, die aufgrund einer KI-Fehlklassifikation abgelehnt wird, kostet das Unternehmen mehr als die Zeit, die man mit manuellem Review gespart hätte. Diese Rechnung geht schon heute nicht auf.

Und für Entscheider, die KI-Recruiting-Lösungen evaluieren: Fragt explizit nach den False-Positive-Raten der Tools. Fragt, wie das System mit edge cases umgeht. Fragt, ob die Lösung DSGVO- und AI-Act-konform ist. Ein Anbieter, der diese Fragen nicht klar beantworten kann, gehört nicht in eure Bewerbungspipeline.

Fazit: Zwei Probleme, eine Lösung

KI-Betrug im Jobmarkt ist nicht ein einzelnes Problem – es sind zwei, die sich gegenseitig verstärken. Betrüger nutzen KI, um bei Opfern unter Zeitdruck den Prüfinstinkt zu überwältigen. Unternehmen nutzen KI, um Screening zu skalieren, ohne die Fehlerquoten ihrer Systeme wirklich zu kennen oder zu kommunizieren. Bewerber sind das Schmiermittel, das in beiden Fällen zerrieben wird.

Der praxisnahe Ausweg ist kein technologischer, sondern ein prozessualer: systematisches Vorfiltern auf Bewerberseite, hybrides Human-in-the-Loop-Screening auf Unternehmensseite. Klingt nach viel – ist es auch. Aber die Alternative ist ein Markt, in dem Sasha Cooklin weiterhin 200 Bewerbungen schreibt, von denen ein erheblicher Teil in Datensilos verschwindet, und Unternehmen gleichzeitig klagen, dass sie keine guten Kandidaten finden.

Ab August 2026 kommt der regulatorische Druck dazu. Wer bis dahin seine KI-Screening-Prozesse nicht AI-Act-konform aufgestellt hat, riskiert nicht nur Reputationsschäden, sondern echte Bußgelder. Nutze die verbleibenden Monate, um den internen Prozess zu auditieren, bevor der Gesetzgeber es für dich tut.