KI-Agenten steigern Erfolgschancen bei Job-Referral-Anfragen

Ein neues arXiv-Papier präsentiert KI-Agenten, die Arbeitssuchenden dabei helfen, ihre Anfragen für Job-Referenzen in professionellen Online-Communities wirkungsvoller zu formulieren. Der Ansatz kombiniert einen „Improver“-Agenten, der die Anfrage umschreibt, mit einem „Evaluator“-Agenten, der die Qualität der Überarbeitungen anhand eines Modells bewertet, das die Wahrscheinlichkeit von Referenzen vorhersagt.

Die Ergebnisse zeigen, dass von großen Sprachmodellen (LLM) vorgeschlagene Änderungen die prognostizierten Erfolgsraten bei schwächeren Anfragen um bis zu 14 % erhöhen, während sie bei stärkeren Anfragen keine negativen Einflüsse haben. Durch die Ergänzung mit Retrieval‑Augmented Generation (RAG) werden potenziell schädliche Bearbeitungen vermieden und gleichzeitig die Verbesserungen für schwächere Anfragen verstärkt.

Obwohl die Modellvorhersagen keine Garantie für mehr reale Referenzen bieten, liefern sie kostengünstige Indikatoren für vielversprechende Funktionen. Diese Erkenntnisse ermöglichen es, gezielte Experimente mit echten Nutzern durchzuführen, bevor größere Investitionen getätigt werden.