Warum diskriminative Modelle bei der Kandidaten-Vorauswahl generativen LLMs überlegen sind

Traditionelle Bewerber-Tracking-Systeme verlassen sich auf reine Schlüsselwort-Filter, während neuere generative KI-Lösungen Lebensläufe oft in Textabsätzen zusammenfassen oder unkalibrierte Zahlenwerte erzeugen. Das Erstellen von Werkzeugen zur Kandidaten-Vorauswahl auf der Basis generativer großer Sprachmodelle offenbart jedoch deutliche Einschränkungen: Schrittweises autoregressives Dekodieren verursacht unnötige Latenzen, Sampling führt bei identischen Eingaben zu uneinheitlichen Ergebnissen und den generierten Zahlen fehlt eine echte statistische Kalibrierung.

Generative Latenz und unkalibrierte Punktzahlen

Generative LLMs berechnen ihre Ausgabe Token für Token in einem sequenziellen Prozess. Dieses Design führt zu strukturellen Verzögerungen und höheren Kosten pro Ausgabe-Token im Vergleich zur Verarbeitung der Eingabe. Zwar zwingt eingeschränktes Dekodieren generative Modelle dazu, strukturierte JSON-Schemas einzuhalten, doch beschränkt dies lediglich die Formatierung der Token, anstatt die zugrunde liegende Ausgabe in eine kalibrierte statistische Wahrscheinlichkeit zu verwandeln.

Bei der Kandidaten-Triage spiegelt eine generierte Bewertung von 70 % durch ein LLM eher eine stilistische Textvorhersage als eine echte mathematische Messung wider. Da generative Modelle jede Eingabe unabhängig und ohne einheitliche interne Baseline bewerten sowie Ergebnisse häufig über Temperature-Einstellungen ungleich null sampeln, können identische Qualifikationen unterschiedliche Scores hervorrufen. Zudem können generative Ausgaben nicht signalisieren, wenn die Modellkonfidenz niedrig ist, was menschliche Prüfer zwingt, jedes Ergebnis unabhängig von dessen Genauigkeit manuell zu verifizieren.

Diskriminative Entscheidungsfindung mit TypeSafe Jev

Um das Triage-Problem als Mustererkennungsaufgabe zu lösen, stellte TypeSafe AI im September 2026 das Modell Jev vor. Als nicht-generatives, diskriminatives System-1-Modell konzipiert, verzichtet Jev vollständig auf die Generierung von Text. Stattdessen bewertet es Eingabedaten anhand eines festen Satzes typisierter Fragen und liefert numerische Werte zusammen mit kalibrierten Wahrscheinlichkeiten zurück. Das von dem ehemaligen RLHF-Forscher Diogo Almeida mitbegründete Unternehmen TypeSafe trainierte Jev mittels Reinforcement Learning for Calibrated Decisions (RLCD), um sicherzustellen, dass die ausgewiesenen Konfidenzwerte direkte Rückschlüsse auf reale Genauigkeitsraten zulassen.

Da ein diskriminatives Modell über vordefinierte Antworträume arbeitet, sind strukturelle Halluzinationen ausgeschlossen. Integriert in Rekrutierungswerkzeuge wie Agenturportale auf Basis von Next.js und Supabase bewertet Jev mehrere Anforderungskriterien im Bewerbertext gleichzeitig. Anstatt automatische Ablehnungen vorzunehmen, markieren die kalibrierten Wahrscheinlichkeitsausgaben Bewerbungen mit geringer Konfidenz für eine menschliche Überprüfung, während hochkonfidente Kandidaten sauber einsortiert werden.

KI-generierte redaktionelle Illustration; kein Dokumentarfoto.

Quelle: How to Build an AI Résumé Screening Tool with Next.js, Supabase, and TypeSafe Jev