Boolean-Search? Hat ein Ablaufdatum.
Wer 2025 noch mit klassischen AND/OR-Verknüpfungen in LinkedIn herumdoktert, filtert sich täglich an den besten IT-Kandidat:innen vorbei. Warum? Diese Art der Suche ist blind für semantische Zusammenhänge, alternative Begriffe und echte Skills. Vector Search – also die semantische Vektorsuche auf Basis von Embeddings – ist der leistungsfähigste Gamechanger, den das Tech-Recruiting seit der Einführung von GitHub-Parsing erlebt hat. Während sie in der Tech-Welt längst Standard wird, steckt sie im Recruiting noch in den Kinderschuhen – zu Unrecht.
1. Warum klassische Boolean-Suche im Tech-Recruiting an ihre Grenzen stößt
Ein typisches Beispiel:
Diese Suche sieht schlau aus – ist sie aber nicht. Sie versteht nicht, dass ein SRE, der Pulumi einsetzt, zur Zielgruppe gehört. Oder dass jemand mit „automatisierten YAML-Pipelines“ faktisch CI/CD gemacht hat.
Boolean denkt in Buchstaben. Vector Search denkt in Bedeutung.
Das ist der Unterschied zwischen:
✅ „Ich suche nur das, was ich mir vorstellen kann“
und
✅ „Ich finde, was ich gar nicht wusste, dass ich es suche.“
2. Was ist Vector Search?
Vector Search basiert auf sogenanntem Text Embedding. Dabei wird ein Text – etwa ein CV, ein GitHub-Profil oder eine Projektbeschreibung – in einen mathematischen Vektor umgewandelt. Dieser Vektor bildet die Bedeutung des Texts ab – nicht den Wortlaut.
Diese Vektoren lassen sich dann vergleichen – nach semantischer Nähe, nicht nach identischen Keywords.
Beispiel:
-
„CI/CD mit GitHub Actions“
-
„automatisierte Deployments“
-
„Infrastructure Deployment Pipeline via YAML“
Boolean: drei komplett unterschiedliche Begriffe
Vector Search: nahezu gleiche Bedeutung
Die Suche erfolgt über Systeme, die diese Vektoren clustern – intelligent, nicht stur nach Keywords.
3. Vector Search in der Praxis: Was realistisch funktioniert – ohne Hype
Dieser Artikel ist kein Tool-Review, keine Werbung, keine bezahlte Empfehlung.
Wir teilen hier ausschließlich, was in echten Recruiting-Prozessen funktioniert – basierend auf unserer Arbeit mit anspruchsvollen Tech-Profilen.
Das Prinzip:
Moderne semantische Suchsysteme erlauben die Eingabe von sogenannten Prompts – also normalen Formulierungen statt verschachtelter Boolean-Strings. Diese Prompts werden in Embeddings umgewandelt und mit Tausenden von Profilen verglichen.
Unsere Erfahrung:
Wenn ein Prompt technisch präzise formuliert ist, liefert Vector Search in Sekunden Profile, die sonst durch jedes Raster fallen.
Wenn nicht – bleibt das Ergebnis leer. Die Prompt-Gestaltung entscheidet.
4. Praxisbeispiel: DevOps in München
❌ Klassische Boolean-Suche (z. B. in LinkedIn Recruiter):
Ergebnis:
-
unübersichtlich viele Treffer
-
zahlreiche irrelevante Ergebnisse (z. B. Stellenanzeigen, Arbeitgeberprofile)
-
viele CVs mit Buzzwords, aber ohne Substanz
-
zeitintensive Nachbearbeitung notwendig
✅ Semantische Suche – Prompt 1 (kurz & klar):
DevOps engineer with IaC experience (Terraform, Pulumi) near Munich
Ergebnis:
-
bereits unter den ersten Treffern relevante Kandidat:innen
-
SREs, Cloud Engineers, Platform Engineers
-
GitHub-Links, reale Projekte, kein „Buzzword-Bingo“
✅ Prompt 2 – Toolkombination:
Cloud infrastructure automation with IaC tools (Terraform, Crossplane, Pulumi). Located in Munich.
Ergebnis:
-
noch treffsicherere Profile
-
GitOps, YAML Pipelines, CI/CD-Projekte
-
auch Freelancer:innen und Scale-up-Profile
✅ Prompt 3 – Stack-orientiert:
Experience with CI/CD, IaC (Pulumi, Terraform), GitHub Actions or ArgoCD in Munich
Ergebnis:
-
Developer:innen mit realem DevOps-Stack
-
keine Titeloptimierung, sondern konkrete Projektkontexte
-
exzellente Trefferqualität für Direktansprache
Vector Search findet Können – nicht Keywords.
Wichtig für Sourcer:innen:
Diese Art der Suche funktioniert nicht wie Google. Wenn ein Prompt zu lang, vage oder unspezifisch ist (z. B. „Cloud Engineer mit moderner Infrastruktur“), kommt oft: nichts.
Unsere Regel: Je präziser das Vokabular, desto besser die Ergebnisse.
indivHR nutzt Vector Search – für Ergebnisse, die unsere Kunden überraschen
Wir bei indivHR setzen seit 2023 auf eine eigene semantische Sourcing-Infrastruktur – basierend auf Embedding-Modellen, Vektorraumanalyse und promptoptimierter Suche.
So finden wir regelmäßig Kandidat:innen:
– die keine klassischen Jobtitel verwenden
– die auf keiner Jobbörse aktiv sind
– die aber fachlich und kulturell perfekt passen
Unsere Kunden merken den Unterschied: in der Qualität der Gespräche, im Time-to-Hire und im Cultural Fit.
Neugierig geworden?
Wenn Sie sich fragen, warum Ihre internen Boolean-Suchen immer dieselben Profile liefern – und unsere nicht:
