# Eine effektive JD für KI-Sourcing schreiben

Source: https://docs.mira.day/de/docs/agent-sourcing/write-an-effective-jd

> Tipps zur Rollenbeschreibung für Miras KI-Agent. Fügen Sie implizite Kriterien wie „Startup-DNA" oder „von Grund auf aufgebaut" für besseres Kandidaten-Matching hinzu.



Miras Agent versteht natürliche Sprache, Sie brauchen keine formelle Stellenbeschreibung. Aber die Art, wie Sie eine Rolle beschreiben, beeinflusst die Qualität Ihrer Shortlist erheblich.

***

Gute vs. schwache Beschreibungen [#gute-vs-schwache-beschreibungen]

| Schwach                      | Gut                                                                                                                           | Warum es wichtig ist                                                               |
| ---------------------------- | ----------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------------------------------------------------- |
| „Finde mir einen Entwickler" | „Senior Backend-Ingenieur, 5+ Jahre Python, hat Microservices im großen Maßstab gebaut, vorzugsweise aus dem Fintech-Bereich" | Mehr Kontext gibt MRE mehr Signale                                                 |
| „Marketing-Person in NYC"    | „B2B-SaaS-Marketing-Manager in NYC, hat Produktlaunches durchgeführt, vertraut mit datengetriebenen Kampagnen"                | Implizite Kriterien („vertraut mit Daten") aktivieren Reasoning-basiertes Matching |
| „Wir brauchen jemand Gutes"  | „Wir brauchen jemanden, der ein Produkt von 0 auf 1 gebracht hat, idealerweise in einem Series-A/B-Startup"                   | Mira interpretiert „0 auf 1" als Early-Stage-Aufbauerfahrung                       |

Was Mira Reasoning Embedding versteht [#was-mira-reasoning-embedding-versteht]

Mira Reasoning Embedding geht über Keyword-Suche hinaus:

Arithmetische Kriterien [#arithmetische-kriterien]

> „Mindestens 5 Jahre Erfahrung in Backend-Entwicklung"

MRE berechnet die Erfahrungsdauer aus dem Karriereverlauf des Kandidaten, nicht nur aus Profil-Tags.

Semantische Kriterien [#semantische-kriterien]

> „Jemand mit 0-to-1-Erfahrung" oder „hat ein Team von Grund auf aufgebaut"

MRE interpretiert die implizierte Bedeutung, Early-Stage-Unternehmensaufbau, Teamaufbau von Null.

Common-Sense-Kriterien [#common-sense-kriterien]

> „Hintergrund bei börsennotiertem Unternehmen" oder „Wachstumsunternehmen-DNA"

MRE leitet den organisatorischen Kontext aus dem Werdegang des Kandidaten ab (Unternehmensgröße, Finanzierungsphase, Wachstumskurve).

Multi-Source-Kriterien [#multi-source-kriterien]

> „Hat Vertriebserfahrung bei einem börsennotierten Unternehmen und auch Startup-Erfahrung"

MRE führt Multi-Hop-Reasoning über verschiedene Karrierephasen durch.

Tipps für bessere Ergebnisse [#tipps-für-bessere-ergebnisse]

1. **Seien Sie bei Fähigkeiten konkret, nicht nur bei Titeln.** „Full-Stack" bedeutet für verschiedene Leute Unterschiedliches. Sagen Sie „React + Node.js + PostgreSQL", wenn Sie das brauchen.

2. **Schließen Sie implizite Kriterien ein.** Die Dinge, die Sie einem Recruiter mündlich mitteilen würden : „jemand Zupackendes", „kann selbstständig arbeiten", „hat Remote-Teams geführt" : Mira versteht das auch.

3. **Erwähnen Sie den Unternehmenstyp.** „Aus einem YC-Startup" vs. „Big-Tech-Hintergrund" verändert dramatisch, wen der Agent findet.

4. **Geben Sie Standortpräferenzen klar an.** „Berlin bevorzugt, remote OK" ist klarer als „flexibler Standort".

5. **Filtern Sie nicht zu stark.** Starten Sie breit, dann verfeinern Sie. Sie können dem Agent nach der ersten Shortlist immer sagen: „Eingrenzen auf Leute mit mehr Startup-Erfahrung".

Wenn die Ergebnisse nicht passen [#wenn-die-ergebnisse-nicht-passen]

Nach der Prüfung einer Shortlist können Sie im selben Gespräch anpassen:

* „Zeigen Sie mir Junior-Kandidaten."
* „Schließen Sie auch Amsterdam ein."
* „Fokus auf Kandidaten aus E-Commerce-Unternehmen."
* „Ich möchte Leute, die aktuell eine neue Rolle suchen."

Der Agent merkt sich den gesamten Gesprächskontext und passt die nächste Suche entsprechend an.