Wenn Sie Ihren Lebenslauf bei ProjexMaster hochladen, geschieht etwas, das Sie auf keiner herkömmlichen Jobbörse finden: Innerhalb von 30 Sekunden analysiert die Plattform Ihre gesamte berufliche Laufbahn und gleicht sie mittels semantischer KI — nicht mit Schlagwörtern — mit jedem aktiven Mandat ab. Das Ergebnis ist ein präziser Fit Score, der sowohl Ihnen als auch dem suchenden Unternehmen genau zeigt, wie gut Sie zusammenpassen. So funktioniert es Schritt für Schritt.
Die Matching-Pipeline: Vier Stufen in 30 Sekunden
Die Matching-Engine von ProjexMaster durchläuft eine vierstufige Pipeline bei jedem neuen CV-Upload oder jeder neuen Mandatsveröffentlichung. Jede Stufe baut auf der vorherigen auf und erzeugt ein mehrschichtiges Verständnis von Talent und Mandat.
Stufe 1: CV-Upload und Textextraktion
Wenn Sie Ihren Lebenslauf hochladen (PDF, DOCX oder Klartext), extrahiert die Dokumentenverarbeitungs-Engine von ProjexMaster strukturierte Informationen: Ihren Namen, bekleidete Rollen, Unternehmen, Zeiträume, Technologien, Zertifizierungen und — entscheidend — den Kontext, in dem Sie jede Fähigkeit eingesetzt haben. Das ist kein simples OCR. Das System nutzt layoutbewusstes Parsing, um Tabellen, Aufzählungszeichen und mehrspaltige Formate zu verstehen, an denen einfache Textextraktoren scheitern.
Die extrahierten Daten werden in ein strukturiertes Profil normalisiert: Rollenhistorie mit Zeiträumen, ein Skill-Taxonomie-Mapping, Zertifizierungseinträge und eine Freitext-Zusammenfassung Ihrer beruflichen Laufbahn.
Stufe 2: Generierung semantischer Embeddings
Hier unterscheidet sich ProjexMaster von jeder schlagwortbasierten Plattform. Ihr strukturiertes Profil wird durch ein großes Sprachmodell verarbeitet, das ein hochdimensionales semantisches Embedding generiert — eine numerische Repräsentation Ihrer beruflichen Identität in einem 1536-dimensionalen Vektorraum.
Dieses Embedding erfasst Bedeutung, nicht bloße Wörter. Ein Lebenslauf, der "agile Transformation für eine 200-köpfige Entwicklungsorganisation geleitet" beschreibt, und einer, der "organisatorisches Change Management über mehrere Scrum-Teams hinweg vorangetrieben" sagt, erzeugen ähnliche Embeddings — weil sie ähnliche Erfahrungen beschreiben, obwohl sie kaum gemeinsame Schlagwörter teilen.
Derselbe Prozess läuft für Mandats-Briefings. Jede Stellenbeschreibung wird in denselben Vektorraum eingebettet und schafft so eine gemeinsame Sprache zwischen Talent und Mandat.
Stufe 3: pgvector-Ähnlichkeitssuche
Mit Talent- und Mandats-Embeddings, die über die pgvector-Erweiterung in PostgreSQL gespeichert sind, führt ProjexMaster skalierbare Approximate-Nearest-Neighbor-Suchen (ANN) durch. Wird ein neues Mandat veröffentlicht, durchsucht das System den Vektorindex nach den Top-Kandidaten, deren Embeddings im semantischen Raum am nächsten liegen.
Das ist extrem schnell. Selbst bei Zehntausenden Profilen in der Datenbank wird die Vektor-Ähnlichkeitssuche in unter 50 Millisekunden abgeschlossen — dank HNSW-Indexierung (Hierarchical Navigable Small World). Das Ergebnis ist eine rangsortierte Shortlist semantisch relevanter Kandidaten — noch bevor eine traditionelle Filterung überhaupt begonnen hat.
Stufe 4: Multidimensionaler Fit Score
Die letzte Stufe kombiniert semantische Ähnlichkeit mit strukturierten Daten und erzeugt den zusammengesetzten Fit Score, den Sie bei jedem Match sehen. Dieser Score ist keine einzelne Zahl aus einer Black Box — er ist eine gewichtete Kombination aus vier transparenten Komponenten.
Die vier Score-Komponenten
Jeder Fit Score bei ProjexMaster setzt sich aus vier unabhängig berechneten Dimensionen zusammen. Sowohl Freelancer als auch Unternehmen können die Aufschlüsselung einsehen — für vollständige Transparenz.
Skill-Match
40 %Vergleicht geforderte Fähigkeiten und Zertifizierungen mit Ihrem verifizierten Profil. Berücksichtigt Skill-Level (Grundkenntnisse, fortgeschritten, Experte), Aktualität der Anwendung und Erfahrungsjahre pro Skill. Ein Mandat, das "SAFe SPC" und "Jira" verlangt, gewichtet Kandidaten stark, die diese Qualifikationen besitzen und kürzlich eingesetzt haben.
Tagessatz-Alignment
25 %Misst, wie gut Ihre Tagessatzvorstellung zum Budget des Mandats passt. Ein perfekter Score bedeutet, dass Ihr Satz innerhalb der Kundenspanne liegt. Der Score fällt graduell: Eine Abweichung von 10 % ergibt etwa 80 %, während eine Lücke von über 30 % unter 50 % fällt. Das verhindert Zeitverschwendung auf beiden Seiten.
Verfügbarkeit
20 %Bewertet die zeitliche Übereinstimmung zwischen Ihrem Verfügbarkeitsfenster und dem Startdatum des Mandats. Sofortige Verfügbarkeit für ein dringendes Mandat ergibt 100 %. Eine Lücke von sechs Wochen ergibt etwa 60 %. Diese Komponente berücksichtigt auch Standortkompatibilität (vor Ort, hybrid, remote) und Reisebereitschaft.
Semantischer Vektor
15 %Die Kosinus-Ähnlichkeit zwischen Ihrem Profil-Embedding und dem Mandats-Embedding. Diese Komponente erfasst das Ungreifbare — Branchenkontext, Kommunikationsstil, Projektkomplexitätsniveau und Fachexpertise, die strukturierte Felder nicht vollständig abbilden können. Sie ist die Komponente, die Matches findet, die Schlagwortsysteme komplett übersehen.
Der finale Score ist eine gewichtete Summe: (Skill × 0,40) + (Tagessatz × 0,25) + (Verfügbarkeit × 0,20) + (Vektor × 0,15) = Fit Score. Ein Score von 94 % bedeutet herausragende Übereinstimmung über alle vier Dimensionen.
Warum semantisches Matching Keyword-Matching überlegen ist
Traditionelle Jobplattformen setzen auf Keyword-Matching: Wenn das Mandat "Scrum Master" enthält und Ihr Lebenslauf "Scrum Master" nennt, sind Sie ein Match. Dieser Ansatz hat grundlegende Einschränkungen, die semantisches Matching überwindet.
Das Synonym-Problem
Ein Mandat, das einen "Agile Coach" sucht, und ein Lebenslauf mit "Scrum Master und Transformationsleiter" beschreiben überlappende Rollen — doch Keyword-Matching erkennt null Übereinstimmung. Semantisches Matching versteht, dass sie ähnliche Positionen in der Berufslandschaft einnehmen, und bewertet sie entsprechend.
Das Kontext-Problem
Keywords können nicht zwischen "ein Team von 5 geführt" und "ein Programm mit 500 Personen gesteuert" unterscheiden. Beide enthalten das Wort "geführt" bzw. "gesteuert", beschreiben aber völlig unterschiedliche Verantwortungsebenen. Semantische Embeddings erfassen diesen Kontext, weil das Sprachmodell Umfang, Komplexität und organisatorische Hierarchie versteht.
Das Problem impliziter Fähigkeiten
Wenn Ihr Lebenslauf die Leitung einer Banking-IT-Transformation beschreibt, schließt ein semantisches Modell, dass Sie wahrscheinlich Erfahrung mit regulatorischer Compliance, Stakeholder-Management auf C-Level, Lieferantenkoordination und Risikomanagement haben — auch wenn keiner dieser Begriffe explizit in Ihrem Lebenslauf erscheint. Keyword-Matching würde all diese impliziten Qualifikationen übersehen.
Transparenz und Vertrauen
Wir sind überzeugt, dass KI-Matching nur funktioniert, wenn beide Seiten den Ergebnissen vertrauen. Deshalb wird jeder Fit Score bei ProjexMaster mit einer vollständigen Aufschlüsselung angezeigt: Sie sehen genau, welche Skills beigetragen haben, wo das Tagessatz-Alignment steht und wie die semantische Komponente bewertet wurde. Es gibt keine versteckten Gewichtungen, keine Black-Box-Überschreibungen und keine Pay-to-Rank-Mechanismen.
Unternehmen sehen dieselbe Transparenz. Wenn sie eine Shortlist von Kandidaten erhalten, enthält jedes Profil die Aufschlüsselung in vier Komponenten, sodass Hiring-Manager fundierte Entscheidungen treffen können, welche Dimension für ihr spezifisches Mandat am wichtigsten ist.
Das Ergebnis: Bessere Matches, schnellere Besetzungen
Die Kombination aus semantischen Embeddings, strukturierter Bewertung und transparenten Aufschlüsselungen liefert messbar bessere Ergebnisse. ProjexMaster-Matches reduzieren die durchschnittliche Zeit bis zur Shortlist von 5 Tagen auf 30 Sekunden, und die Erstgesprächs-Akzeptanzrate übersteigt 85 %— verglichen mit einem Branchendurchschnitt von etwa 40 % auf schlagwortbasierten Plattformen.
Für Freelancer bedeutet das weniger irrelevante Mandatsvorschläge und mehr Zeit für Chancen, die wirklich passen. Für Unternehmen bedeutet es eine Shortlist, der sie vom ersten Tag an vertrauen können — kein Durchsichten von 50 Lebensläufen mehr, um 3 geeignete Kandidaten zu finden.
Erleben Sie KI-Matching selbst
Laden Sie Ihren Lebenslauf hoch und sehen Sie Ihren Fit Score für aktive Mandate — kostenlos für Freelancer.
Kostenloses Profil erstellenBOTFORCE Team
Einblicke in IT-Projektmanagement, Freelance-Strategie und den DACH-Technologiemarkt.