KI-Sourcing-Agenten: ein Schritt-für-Schritt Recruiting-Workflow
Erfahren Sie, wie Sie mit KI-Agenten Kandidaten sourcen. Workflow mit Prompts, API-Skripten und Outreach-Vorlagen für Recruiter.
KI-Sourcing-Agenten können heute in wenigen Minuten erledigen, wofür Recruiter früher eine ganze Woche brauchten: Kandidaten finden, Kontaktdaten überprüfen, personalisierte Nachrichten versenden und nachfassen, bis eine Antwort kommt. Laut der Korn Ferry Talent Acquisition Trends Umfrage 2026 planen 52 % der Recruiting-Teams, in diesem Jahr autonome KI-Agenten einzuführen. Die Frage ist nicht mehr, ob man sie einsetzen sollte, sondern wie man einen Workflow aufbaut, der tatsächlich funktioniert.
Dieser Leitfaden unterteilt den gesamten Prozess in fünf Schritte. Sie erhalten Copy-Paste-Prompts, Outreach-Vorlagen und echten API-Code, der zeigt, wie Sie Tools wie Claude oder ChatGPT direkt mit Ihrem Recruiting-CRM verbinden können. Ob Sie eine Personalvermittlung oder ein internes Talent-Team leiten, der Workflow ist derselbe.
Was KI-Sourcing-Agenten tatsächlich können (und was nicht)
Bevor wir in den Workflow einsteigen, ist es hilfreich zu verstehen, was einen KI-Sourcing-Agenten von den Suchfiltern unterscheidet, die Sie bereits in LinkedIn Recruiter oder Ihrem ATS verwenden.
Wie sich ein KI-Agent von einem Suchfilter unterscheidet
Ein Suchfilter liefert eine Liste. Sie geben „Senior Software Engineer” + „Paris” + „5 Jahre Erfahrung” ein und erhalten 2.000 Profile. Dann verbringen Sie die nächsten drei Tage damit, sie durchzulesen, zu entscheiden wer passt, E-Mails zu finden, Nachrichten zu schreiben und nachzufassen. Der Filter hat eine Aufgabe erledigt. Alles andere haben Sie gemacht.
Ein KI-Agent übernimmt die gesamte Kette. Sie beschreiben die Rolle in natürlicher Sprache („Ich brauche einen Senior-Backend-Entwickler in Paris mit Python- und Django-Erfahrung, idealerweise aus einem Health-Tech-Unternehmen, offen für hybrides Arbeiten”), und der Agent interpretiert diese Beschreibung, führt die Suche durch, bewertet die Ergebnisse anhand Ihrer Kriterien, reichert die besten Profile mit E-Mail-Adressen an, verfasst personalisierte Outreach-Nachrichten für jeden Kandidaten und meldet sie in einer mehrstufigen Sequenz an. Sie prüfen und genehmigen. Der Agent führt aus.
Der praktische Unterschied: Ein Recruiter mit Suchfiltern besetzt 3 Stellen pro Monat. Derselbe Recruiter mit einem KI-Sourcing-Agenten schafft 6 bis 8, laut PwC-Forschung zu KI-gestütztem Recruiting.
Wo Agenten in Ihren Recruiting-Stack passen
KI-Sourcing-Agenten ersetzen nicht Ihr CRM oder ATS. Sie sitzen als Orchestrierungsschicht über diesen Systemen. Stellen Sie es sich so vor:
- Ihr CRM (wie Leonar) speichert Kandidatendaten, verfolgt Gespräche und verwaltet Ihre Pipeline.
- Ihre Sourcing-Datenbank (wie Leonar Source, LinkedIn Recruiter oder ein People-Data-Anbieter) gibt Ihnen Zugang zu Kandidatenprofilen.
- Ihr KI-Agent verbindet sich über API mit beiden, trifft Entscheidungen darüber, wen er kontaktieren soll, was er sagen soll und wann er nachfassen soll.
Der Agent liest aus Ihren Tools, denkt nach und schreibt zurück. Das ist die Architektur hinter jedem Workflow in diesem Leitfaden.
Der 5-Schritte KI-Sourcing-Workflow
Hier ist der vollständige Workflow von der Stellenaufnahme bis zur Kandidatenantwort. Jeder Schritt enthält, was der Agent tut, was Sie tun und wo menschliches Urteilsvermögen wichtig ist.
Schritt 1. Definieren Sie Ihr ideales Kandidatenprofil mit KI
Die meisten Sourcing-Prozesse scheitern, bevor sie beginnen, weil das Briefing vage ist. „Wir brauchen einen starken Entwickler” ist kein Briefing. KI-Agenten nehmen alles wörtlich: Geben Sie ihnen unscharfe Eingaben, bekommen Sie unscharfe Ergebnisse.
Beginnen Sie damit, Ihre Stellenbeschreibung (oder sogar eine grobe Slack-Nachricht vom Hiring Manager) in Claude oder ChatGPT einzugeben, mit folgendem Prompt:
Kandidatenprofil-Prompt (einfach kopieren):
You are a senior technical recruiter. Based on the following job description,
create a structured candidate profile with these fields:
1. Required job titles (current + previous, list 5-8 variations)
2. Must-have skills (hard skills only, ranked by importance)
3. Nice-to-have skills
4. Target companies (list 10-15 companies where this talent typically works)
5. Years of experience range
6. Location preferences and remote flexibility
7. Education requirements (if any)
8. Boolean search string for LinkedIn Recruiter
9. Red flags to watch for (overqualified, job-hopping patterns, etc.)
Job description:
[PASTE YOUR JD HERE]Dieser Prompt verwandelt eine 500 Wörter lange Stellenbeschreibung in ein strukturiertes Such-Briefing in etwa 15 Sekunden. Allein der Boolean-Suchstring spart 20 Minuten manueller Query-Erstellung. Speichern Sie die Ausgabe: Sie füttern sie direkt in Schritt 2.
Schritt 2. Kandidaten automatisch suchen und bewerten
Mit Ihrem strukturierten Profil bereit, sucht der Agent nach passenden Kandidaten. Wenn Sie eine KI-native Sourcing-Plattform verwenden, geschieht das über die Benutzeroberfläche. Die eigentliche Stärke liegt aber im API-gesteuerten Sourcing, bei dem Ihr KI-Agent Datenbanken programmatisch abfragt und jedes Ergebnis bewertet.
Zum Beispiel kann ein Agent über die Leonar API LinkedIn-Profile mit präzisen Filtern durchsuchen:
import requests
response = requests.post(
"https://app.leonar.app/api/v1/sourcing/linkedin/search",
headers={"Authorization": "Bearer leo_your_api_key"},
json={
"project_id": "your-project-uuid",
"account_id": "your-linkedin-account-uuid",
"job_titles": ["Senior Software Engineer", "Staff Engineer"],
"companies": ["Doctolib", "Alan", "Qonto"],
"location_ids": {"105015875": "Paris"},
"years_experience": {"min": 5, "max": 12},
"boolean_query": "Python AND (Django OR FastAPI) AND NOT Intern",
"page_size": 25
}
)
profiles = response.json()["data"]["profiles"]Das liefert vollständige Kandidatenprofile einschließlich Berufserfahrung, Fähigkeiten, Ausbildung und aktuellem Titel. Der Agent kann dann jedes Profil anhand Ihrer Kriterien aus Schritt 1 bewerten und vom stärksten zum schwächsten Fit sortieren.
Die Bewertung kann so einfach wie ein Prompt an Claude sein:
Here are 25 candidate profiles. Score each from 1-10 based on
this ideal candidate profile: [paste from step 1].
Return only candidates scoring 7+, sorted by score.
For each, write a one-sentence explanation of why they fit.Sie überprüfen die Shortlist. Der Agent hat 200 Kandidaten gefunden und auf 15 starke Übereinstimmungen eingegrenzt. Das dauerte 3 Minuten statt 3 Stunden.
Schritt 3. Profile mit verifizierten Kontaktdaten anreichern
Sie haben Ihre Shortlist. Jetzt brauchen Sie E-Mail-Adressen und Telefonnummern. Die meisten Sourcing-Plattformen bieten Datenanreicherung, aber manuell (Profil anklicken, Anreichern drücken, warten, wiederholen) ist das bei größeren Mengen mühsam.
Mit einem API-gesteuerten Workflow importiert der Agent zunächst die gesourcten Profile in Ihre Projekt-Pipeline und löst die Anreicherung dann automatisch aus:
# Add top candidates to your project
add_response = requests.post(
"https://app.leonar.app/api/v1/sourcing/add-to-project",
headers={"Authorization": "Bearer leo_your_api_key"},
json={
"project_id": "your-project-uuid",
"profiles": top_scored_profiles # pass full profile objects from search
}
)
contact_ids = add_response.json()["data"]["contact_ids"]
# Enrich each contact with work email
for contact_id in contact_ids:
requests.post(
f"https://app.leonar.app/api/v1/contacts/{contact_id}/enrich",
headers={"Authorization": "Bearer leo_your_api_key"},
json={"type": "work_email"}
)Die Anreicherung läuft asynchron. Innerhalb weniger Minuten hat Ihr CRM verifizierte E-Mail-Adressen zu jedem Kandidaten hinterlegt. Keine Browser-Tabs, kein Kopieren und Einfügen, keine Chrome-Erweiterungen.
Schritt 4. Personalisierte Multi-Channel-Ansprache starten
Hier verlieren die meisten Recruiter Kandidaten. Sie senden eine generische InMail, werden ignoriert und gehen weiter. KI-Agenten lösen dieses Problem, indem sie wirklich personalisierte Nachrichten in großem Umfang generieren und über mehrere Kanäle versenden.
Outreach-Personalisierungs-Prompt (einfach kopieren):
You are a recruiter writing a first-touch message to a passive candidate.
Use these rules:
- Keep it under 100 words
- Reference something specific from their background (current project,
recent job move, or a skill that matches the role)
- State the opportunity in one sentence
- End with a low-pressure question, not a hard CTA
- Tone: warm, direct, peer-to-peer (not salesy)
Candidate profile: [PASTE PROFILE]
Role: [PASTE BRIEF DESCRIPTION]
Channel: [LinkedIn / Email / WhatsApp]Hier sind Beispielausgaben über drei Kanäle:
LinkedIn-Nachricht:
Hallo Sophie, ich habe gesehen, dass Sie vor etwa zwei Jahren ins Backend-Team von Doctolib gewechselt sind. Der Python- und Django-Stack, den Sie dort aufgebaut haben, passt sehr gut zu einer Stelle, die ich gerade besetze: eine Senior-Backend-Position bei einem Series-B Health-Tech-Unternehmen in Paris, vollständig hybrid. Hätten Sie diese Woche Zeit für ein 15-minütiges Gespräch?
E-Mail (mit Betreffzeile):
Betreff: Backend-Stelle bei einem Pariser Health-Tech-Startup
Hallo Sophie, Ihre Erfahrung beim Aufbau skalierbarer Systeme bei Doctolib ist mir aufgefallen. Ich besetze aktuell eine Senior-Backend-Entwickler-Stelle für ein Series-B Health-Tech-Unternehmen in Paris, mit Python und Django in einem hybriden Setup. Das Team besteht aus 12 Entwicklern und wächst schnell. Hätten Sie Interesse an einem kurzen Austausch?
WhatsApp (kürzer):
Hallo Sophie, ich bin auf Ihr Profil gestoßen und denke, Sie könnten sehr gut auf eine Senior-Backend-Stelle bei einem Health-Tech-Unternehmen in Paris passen (hybrid, Python/Django). Möchten Sie mehr erfahren?
Sobald die Nachrichten generiert sind, meldet der Agent die Kandidaten in einer Multi-Channel-Outreach-Sequenz an, die Timing, Follow-ups und Kanalwechsel automatisch übernimmt.
Schritt 5. Passive Kandidaten automatisch pflegen
Nicht jeder starke Kandidat ist heute bereit zu wechseln. Laut LinkedIn-Arbeitsmarktdaten sind 70 % der globalen Arbeitskräfte passive Talente. Die besten Recruiter sourcen und pitchen nicht nur. Sie bauen über Wochen und Monate Beziehungen auf.
KI-Agenten übernehmen diese Pflege-Schleife, indem sie Antworten überwachen, Kandidatenphasen aktualisieren und kontextbezogene Follow-ups auslösen. Ein Kandidat, der „jetzt nicht, vielleicht in 6 Monaten” gesagt hat, wird getaggt, in eine Pflegephase verschoben und automatisch erneut angesprochen, wenn die Zeit gekommen ist.
Hier zeigt sich der Vorteil der Kombination aus CRM und KI-Agent. Ihr Recruiting-CRM speichert die Beziehungshistorie. Der Agent liest sie und handelt entsprechend. Kein Kandidat geht verloren, selbst über Hunderte offener Stellen hinweg.
Einen eigenen KI-Sourcing-Agenten mit der Leonar API bauen
Dieser Abschnitt richtet sich an Recruiter und Recruiting-Ops-Teams, die über Standardlösungen hinausgehen möchten. Wenn Sie sich jemals gewünscht haben, ChatGPT sagen zu können: „Finde 50 Python-Entwickler in Berlin und melde sie in meiner Outreach-Sequenz an”, erfahren Sie hier, wie das funktioniert.
Die Leonar API macht jeden Teil des Recruiting-Workflows zugänglich: Sourcing, Kontaktverwaltung, Anreicherung, Messaging, Sequenzen und Pipeline-Management. Wenn Sie sie mit einem LLM wie Claude oder ChatGPT verbinden, erhalten Sie einen vollständig autonomen Sourcing-Agenten.
Claude oder ChatGPT mit Ihrem Recruiting-CRM verbinden
Die Einrichtung dauert etwa 30 Minuten. Sie benötigen einen Leonar-API-Schlüssel (verfügbar über Ihre Workspace-Einstellungen) und Zugang zur Claude-API oder OpenAI-API.
Die Architektur ist unkompliziert. Ihr LLM fungiert als Gehirn. Die Leonar API fungiert als Hände. Das LLM entscheidet, was zu tun ist („Suche Kandidaten, die diesen Kriterien entsprechen”), generiert den richtigen API-Aufruf und verarbeitet die Ergebnisse. Sie können das mit Function Calling (Claudes Tool Use oder OpenAIs Function Calling) umsetzen, sodass das LLM API-Endpunkte direkt aufrufen kann.
Für eine vollständige Anleitung zur Verbindung von KI-Agenten mit Ihrem Recruiting-Stack lesen Sie unseren Leitfaden: Wie Sie Claude, ChatGPT oder jede KI mit Ihrem Recruiting-Stack verbinden.
Targeting automatisieren: suchen, filtern und Kandidaten importieren
Sobald die Verbindung steht, können Sie Ihrem Agenten Anweisungen in natürlicher Sprache geben, zum Beispiel:
„Suche nach Product Designern in London mit 3+ Jahren Erfahrung bei Fintech-Unternehmen. Füge die Top 20 zum Projekt ‚Senior Product Designer’ hinzu.”
Der Agent übersetzt das in zwei API-Aufrufe: zuerst einen POST /sourcing/linkedin/search mit den richtigen Filtern, dann einen POST /sourcing/add-to-project mit den passenden Profilen. Er übernimmt die Paginierung bei mehreren Ergebnisseiten, dedupliziert gegen bereits vorhandene Kandidaten in Ihrer Pipeline und liefert eine Zusammenfassung zurück.
Sie können das für 10 verschiedene Rollen gleichzeitig ausführen. Jede Suche dauert Sekunden. Der Agent verarbeitet Hunderte von Profilen und liefert eine saubere Shortlist ohne Duplikate und ohne Kandidaten, die Sie bereits kontaktiert haben.
Messaging und Sequenz-Anmeldung automatisieren
Nach dem Import von Kandidaten kann der Agent sie mit einem einzigen Aufruf in Outreach-Sequenzen anmelden:
# Enroll sourced candidates in your outreach sequence
response = requests.post(
f"https://app.leonar.app/api/v1/sequences/{sequence_id}/enroll",
headers={"Authorization": "Bearer leo_your_api_key"},
json={
"contacts": [
{
"contact_id": cid,
"custom_variables": {
"role_title": "Senior Product Designer",
"company_pitch": "a Series B fintech scaling to 200 people"
}
}
for cid in contact_ids
]
}
)
result = response.json()["data"]
print(f"Enrolled: {result['enrolled']}, Skipped: {result['skipped_blacklisted']}")Das Feld custom_variables ist sehr nützlich. Ihre Sequenz-Vorlagen können Platzhalter wie {{role_title}} und {{company_pitch}} enthalten, und die API füllt sie pro Kandidat aus. Der Agent kann auch einzigartige custom_variables für jeden Kandidaten mithilfe des LLM generieren und so hyperpersonalisierte Sequenzen im großen Maßstab erstellen.
Die API überspringt automatisch Kandidaten, die auf der Blacklist stehen, bereits angemeldet oder in einer anderen Sequenz aktiv sind. Kein Risiko der Doppelkontaktierung.
Pflege mit intelligenten Follow-ups automatisieren
Für die langfristige Pflege kann der Agent Ihre Pipeline überwachen und kontextbezogene Nachrichten an Kandidaten senden, die inaktiv geworden sind. Die Logik sieht so aus:
- Pipeline-Einträge auflisten für ein Projekt und nach Kandidaten filtern, die seit mehr als 30 Tagen in einer Phase feststecken.
- Gesprächsverlauf lesen für jeden Kandidaten, um den Kontext zu verstehen.
- Personalisiertes Follow-up generieren mit dem LLM, das auf die letzte Interaktion Bezug nimmt.
- Nachricht senden über die API auf dem richtigen Kanal (LinkedIn, E-Mail oder WhatsApp).
# Send a nurture message via email
requests.post(
"https://app.leonar.app/api/v1/messages",
headers={"Authorization": "Bearer leo_your_api_key"},
json={
"contact_id": candidate_id,
"channel": "email",
"subject": "Quick update on the role we discussed",
"content": ai_generated_followup_message
}
)Diese Pflege-Schleife läuft nach einem Zeitplan (täglich oder wöchentlich) und hält Ihren Talentpool warm, ganz ohne manuellen Aufwand. Es ist das Nächste, was an einen dedizierten Sourcer kommt, der rund um die Uhr an der Kandidatenansprache arbeitet.
Den richtigen KI-Sourcing-Ansatz für Ihr Team wählen
Nicht jedes Team muss eine eigene API-Integration bauen. Hier ist ein kurzer Entscheidungsrahmen:
Verwenden Sie ein fertiges KI-Sourcing-Tool, wenn Sie weniger als 10 offene Stellen gleichzeitig haben, Ihr Team nicht technisch ist und Sie innerhalb eines Tages Ergebnisse möchten. Plattformen wie Leonar, hireEZ oder Fetcher bieten KI-Sourcing über eine visuelle Oberfläche.
Bauen Sie einen eigenen KI-Agenten über API, wenn Sie mit hohem Volumen arbeiten (20+ Stellen), volle Kontrolle über Bewertungslogik und Outreach-Nachrichten möchten oder Sourcing mit internen Systemen integrieren müssen. Die Leonar API ist dafür konzipiert: Jede Aktion, die Sie in der Benutzeroberfläche ausführen können, ist als API-Endpunkt verfügbar.
Starten Sie mit der Benutzeroberfläche, wechseln Sie dann zur API. Die meisten Teams beginnen mit Leonars integrierten KI-Sourcing-Funktionen und fügen API-Automatisierung hinzu, sobald sie die Muster erkennen, die sie skalieren möchten. Sie müssen sich nicht von Anfang an für einen Ansatz entscheiden.
Die 58 % der Recruiter, die KI bereits für das Sourcing nutzen, haben irgendwo einfach angefangen. Die Teams, die 2026 vorne liegen, sind diejenigen, die die gesamte Schleife automatisieren: Sourcing, Anreicherung, Outreach, Pflege. Die Werkzeuge existieren. Der Workflow liegt vor Ihnen. Die einzige Variable ist, wie schnell Sie handeln.
FAQ: KI-Sourcing-Agenten für Recruiter
Können KI-Sourcing-Agenten Recruiter vollständig ersetzen?
Nein. KI-Agenten übernehmen die repetitiven Teile des Sourcings: Suchen, Filtern, Anreichern und das Versenden der ersten Ansprache. Die Bewertung der kulturellen Passung, das Verkaufen der Möglichkeit in einem persönlichen Gespräch und das Abschließen von Kandidaten erfordern weiterhin menschliches Urteilsvermögen. Die besten Ergebnisse erzielen Recruiter, die Agenten für das Volumen nutzen und sich selbst auf Beziehungen konzentrieren. Studien zeigen, dass 85 % der Unternehmen auch bei starkem KI-Einsatz noch menschliche Entscheidungen bei der finalen Einstellung verlangen.
Wie viel kostet der Betrieb eines KI-Sourcing-Agenten?
Die Kosten variieren je nach Setup. API-basiertes Sourcing über Plattformen wie Leonar kostet einen Bruchteil des manuellen Sourcings. Manche Teams berichten von Kosten ab 0,25 $ pro gesourctem Profil, verglichen mit 1 bis 2 $ für manuelles Sourcing. Hinzu kommen die LLM-API-Kosten (typischerweise 0,01 bis 0,05 $ pro Kandidat für Bewertung und Nachrichtenerstellung), sodass die Gesamtkosten pro Kandidat deutlich unter 1 $ bleiben.
Ist automatisierte LinkedIn-Ansprache mit den LinkedIn-Nutzungsbedingungen vereinbar?
Das hängt davon ab, wie Sie vorgehen. Das Scrapen von LinkedIn-Profilen mit Bots verstößt gegen die Nutzungsbedingungen. Aber die Nutzung offizieller LinkedIn-APIs über eine Plattform mit einer LinkedIn Recruiter Integration ist konform. Leonar verbindet sich über offizielle LinkedIn-APIs (Recruiter und Sales Navigator) und schützt so Ihr Konto.
Wie lange dauert die Einrichtung eines KI-Sourcing-Workflows?
Mit einer Plattform, die integriertes KI-Sourcing bietet, können Sie noch am selben Tag starten. Den Aufbau eines eigenen Agenten mit der Leonar API schafft ein Entwickler, der mit REST-APIs und LLM-Function-Calling vertraut ist, in wenigen Stunden. Die API-Dokumentation enthält Codebeispiele in Python und JavaScript, die Sie schnell anpassen können.
Was ist der Unterschied zwischen KI-Sourcing und traditioneller Boolean-Suche?
Die Boolean-Suche liefert eine Liste von Profilen, die zu Keyword-Kriterien passen. Sie müssen trotzdem jedes Profil lesen, entscheiden wer passt und jede Nachricht manuell schreiben. KI-Sourcing-Agenten verstehen Kontext: Sie können ein Stellenbriefing in natürlicher Sprache interpretieren, Kandidaten nach Passung bewerten (nicht nur nach Keyword-Übereinstimmungen) und personalisierte Ansprache generieren. Der Unterschied ist wie der zwischen einem Taschenrechner und einem Buchhalter. Beide arbeiten mit Zahlen, aber einer versteht, was die Zahlen bedeuten.
Können KI-Sourcing-Agenten für Executive Search eingesetzt werden?
Ja, und Executive-Search-Firmen gehören zu den frühesten Anwendern. Der Workflow ist derselbe, aber mit engeren Zielkriterien und stärker personalisierter Ansprache. KI-Agenten sind besonders nützlich für Executive Search, weil die Kandidatenpools kleiner und die Kosten einer schlechten Outreach-Nachricht höher sind. Der Agent kann den Hintergrund jedes Kandidaten gründlich recherchieren und Nachrichten verfassen, die auf spezifische Vorstandsrollen, M&A-Erfahrung oder Branchenexpertise Bezug nehmen.
Author
Pierre-Alexis Ardon
Co-founder
Mitgründer von Leonar, spezialisiert auf KI-Recruiting-Systeme, Sourcing-Automatisierung und Suchoptimierung.
