Reasoning-First-Architektur

2026 setzt HR-Tech fast einstimmig auf dieselbe Wette: LLM-Agenten werden das Recruiting-Matching bis 2027 ersetzen. Josh Bersin beschreibt das als oberste Schicht (Layer 4) des Talent-Intelligence-Stacks. Die Wette ist offensichtlich und nahezu Konsens.

Ich wette dagegen.

Nicht, weil ich gegen KI bin — ich arbeite an jedem Arbeitstag mit KI, und in dem Produkt, das ich beschreiben werde, wurde jede Codezeile über Claude geschrieben, keine einzige von meiner Hand. Sondern weil mir 135.000+ Stellen und 1,1 Mio. Telegram-Nachrichten, die seit April 2026 durch mein System gelaufen sind, das Gegenteil gezeigt haben: Ein deterministischer Reasoning-first-Kern + LLM als Ergänzung (nicht als Ersatz) gewinnt bei Präzision, Latenz, Kosten und Konformität mit dem EU AI Act. Dieser Essay handelt davon, warum.

Wer ich bin und warum ich schreibe

Ich habe 2006 mit SEO angefangen — zwanzig Jahre lang beobachtet, wie Inhalt + Struktur + Suchalgorithmen die Ergebnisse von Milliarden Anfragen am Tag prägen. Matching in HR-Tech ist genauso gebaut: Inhalt (Beschreibungen, Lebensläufe) + Struktur (Rollen, Stack, Level) + Retrieval → Ergebnis.

TD-CRM v2 ist ein Recruiting-CRM für den IT-Markt der GUS: 135.000+ Stellen (61.000+ offen), 1,1 Mio. verarbeitete Telegram-Nachrichten, ~1.990 überwachte Kanäle, 14 Richtungen, 15 Länder. Öffentlich selbst als Hochrisiko gemäß EU AI Act, Anhang III Nr. 4 eingestuft. Und nicht von einem Ingenieur gebaut — ich schreibe keinen Code. Ich lege Architektur und Produkt fest; Claude erzeugt die Implementierung — das Muster, das Karpathy im März 2026 „Agentic Engineering“ nannte. Replit erreichte im September 2025 mit demselben Muster eine Bewertung von 3 Mrd. $. Ich bin nicht der Erste, der so baut; ich sage nur offen, dass ich es tue.

Darum habe ich beschlossen, gegen den nahezu einhelligen Konsens zu schreiben. Wenn man 135.000 Stellen nicht von oben, sondern aus nächster Nähe betrachtet, zeigt sich etwas Schlichtes: Die überwältigende Mehrheit des Matchings wird deterministisch entschieden — Stack, Level, Arbeitsmodell, Geografie, Gehaltsband. LLM wird wirklich gebraucht, um unordentlichen Text zu parsen, nicht für die Entscheidung selbst. Trotzdem setzt die Branche das LLM in die Entscheidung. Zwanzig Jahre SEO haben mich gelehrt, wie das endet, wenn man eine unscharfe Schicht dort platziert, wo Reproduzierbarkeit und Erklärbarkeit gebraucht werden. Für mich ist das kein theoretischer Streit über Trends — es ist das, was ich jeden Tag in meinen eigenen Daten sehe.

Wo die Wette der Branche falsch ist

LLM-first-Matching ist auf vier Achsen die falsche Wette: Präzision, Kosten, regulatorische Konformität, Nachvollziehbarkeit.

Präzision. Unscharfes LLM-Matching hat eine eingebaute Varianz von Aufruf zu Aufruf — dasselbe Paar aus Kandidat und Stelle erhält bei verschiedenen Durchläufen unterschiedliche Werte. Für einen Chatbot in Ordnung; ein Mangel beim Matching, wo die Entscheidung Teil eines Audit-Trails wird.

Kosten. Ein LLM-Aufruf pro Versuch × Tausende Matches am Tag = Tausende Dollar im Monat, die ein Unternehmen ohne Umsatz nicht tragen kann. Deterministisches Feld-Matching hat nahezu null Grenzkosten.

Regulatorische Konformität. EU AI Act, Anhang III Nr. 4 wird ab August 2026 durchgesetzt. Hochrisikosysteme müssen Entscheidungen mit der jeweiligen Grundlage protokollieren. LLM-first-Protokoll: „gematcht, weil das Modell es sagte“. Reasoning-first-Protokoll: „Stack-Überschneidung 8/12, Senior (7 Jahre), Remote (true), Gehaltsüberschneidung. Score 0,84“. Eines davon existiert in einem Audit-Trail. Das andere nicht.

Nachvollziehbarkeit für die Due Diligence. Der Anwalt des Käufers fragt: „Wie genau wurde das gematcht?“ LLM-first ist undurchsichtig; Reasoning-first ist von Grund auf erklärbar. Marktsignal — Eqtble → Paradox (Feb. 2025): People Analytics ohne Daten auf Trading-Niveau gilt als HR-Tech. Gleiche Logik: unscharfes LLM ohne nachvollziehbare Regeln ist kein ernsthaftes HR-Tech.

Ein Vorbehalt gegen den Strohmann: LLM ist nicht „schlecht“. Schlecht ist LLM in der falschen Schicht.

Was die richtige Architektur ist

Reasoning-first bedeutet: Jede Entscheidung, die begründbar sein muss — Matching, Bewertung, Ranking —, durchläuft zuerst deterministische Regeln. LLM wird NUR dort eingesetzt, wo keine deterministische Regel möglich ist (Parsing von Freitext), wo Unsicherheit explizit ist (Konfidenzwert + Ausweichpfad) und wo die Ausgabe nicht direkt in eine endgültige Entscheidung fließt. In TD-CRM ist der Match-Score eine explizite Formel (Stack-Überschneidung + Level + Rolle + Arbeitsmodell + Gehalt), nicht „Modell, bewerte die Passung“.

Monolith statt Microservices, bewusst: ein Gründer + Claude = kein Team, das den Overhead verteilter Systeme trägt; ein deterministischer Kern braucht eine einzige Quelle der Wahrheit. Gemäß ADR-0001 — ein einziges FastAPI + PostgreSQL + Redis + arq-Worker + SSR. Der „Modern Monolith“ im Geiste von DHH / 37signals — stimmig mit Reasoning-first, kein Widerspruch um seiner selbst willen.

Gemäß Entscheidung D10 stuft sich das System öffentlich selbst als Hochrisiko ein (Anhang III Nr. 4): Entscheidungsprotokoll (Loki + strukturiertes Logging), Risikomanagement, menschliche Aufsicht (ein Recruiter prüft jedes Match, keine automatischen Aktionen), Data Governance. Die Selbsteinstufung kommt einem Due-Diligence-Befund zuvor; ehrliche Offenlegung schafft Vertrauen.

Abdeckungslücke: eine vertikale Pipeline als Vermögenswert

LinkedIn ist in Russland seit November 2016 gesperrt. Lightcast, Revelio Labs und People Data Labs beziehen die meisten Daten von LinkedIn; ihre Abdeckung östlich der Linie Riga sinkt um etwa 40 % (meine Schätzung anhand ihrer öffentlichen Aussagen). Strukturell, nicht vorübergehend.

Stattdessen — eine Telegram-MTProto-Pipeline: ~1.990 überwachte IT-Kanäle der GUS, 1,1 Mio. verarbeitete Nachrichten. Daten, an die globale Anbieter physisch nicht herankommen (Sanktionen, gesperrte Dienste, technischer Zugang). Marc Casado (a16z, 2019, „The Empty Promise of Data Moats“) hat gezeigt, dass Datenmenge allein kein starker Burggraben ist; Pipeline-IP ist schwerer nachzubauen. Unser Fokus auf IT in der GUS ist ein differenzierender Vermögenswert, keine erzwungene Schwäche.

Agentic Engineering: wer das gebaut hat und wie

Ganz direkt: TD-CRM v2 ist zu 100 % mit Claude gebaut. Ich schreibe keinen Code — ich steuere Architektur und Produkt, Claude erzeugt die Implementierung. Karpathy hat das Muster in „Vibe Coding“ (hebt die Untergrenze für Nicht-Programmierer) und „Agentic Engineering“ (hält die Qualitätslatte) unterteilt. Der Unterschied sind Belege für Sorgfalt: 14 ADRs in docs/adr/, Observability (Loki + Grafana + Prometheus), wöchentlicher Abhängigkeits-Scan (ADR-0013), ein öffentliches Änderungsprotokoll aus Conventional Commits, Prüfung der Sicherheits-/PII-Pfade durch einen externen Dienstleister vor einem Deal.

Replit erreichte im September 2025 mit diesem Muster 3 Mrd. $ (ARR 2,7 Mio. $ → 70 Mio. $ in 12 Monaten). Vom Markt bestätigt. Ein Käufer liest das als „Gründer mit Sorgfalt + KI-Hebel“, nicht als „irgendwas mit Vibe Coding gebaut“ — der Unterschied ist die Dichte der Artefakte: diese ADR-Serie, das Änderungsprotokoll, das Runbook, Observability und dieser Essay.

Die Perspektive des Käufers

Wenn Sie Corp-Dev-Analyst bei Greenhouse, Workable, iCIMS oder Lightcast sind — das ist auch für Sie. Ganz direkt: TD-CRM ist pre-revenue, 0 zahlende Kunden, 0 $ ARR. Kein Ziel vom Typ „Team + Kundenstamm“ — sondern drei getrennte Vermögenswerte.

Erstens — Pipeline-IP: 135.000+ Stellen, 1,1 Mio. Nachrichten, ~1.990 Kanäle seit April 2026; Daten, die Lightcast/Revelio physisch nicht erfassen können. Ein Gegenstück aufzubauen = 18–24 Monate + Sanktionsrisiko + Telegram-API-Know-how. Zweitens — Reasoning-first-Code für Matching/Bewertung, reproduzierbar in der Infrastruktur des Käufers. Drittens — die Gesellschaft Estonia OÜ (Q2 2026), EU-Jurisdiktion, keine Komplikationen bei der Herkunft.

Warum Reasoning-first für den Käufer zählt: Die Durchsetzung des EU AI Act ab August 2026 trifft LLM-first-Produkte mit mühsamer Nachrüstung für die Konformität. Reasoning-first ist bereits konform und im Einsatz — Beschleunigung statt Nachrüstung. Was der Käufer nicht bekommt: Kundenstamm (0), Marke, Team, ARR (0) — nicht eingepreist. Die Summe der drei Vermögenswerte liegt unter 15 Mio. $.

Wird geschlossen

Das ist eine Wette: ein Solo-Gründer + Claude als Agentic Engineer + ein paar Wochen = eine Reasoning-first-Architektur + eine GUS-IT-Pipeline + 14 ADRs. Die Wette lautet, dass diese Kombination bis Ende 2027 globale LLM-first-Aggregatoren beim HR-Tech-Matching übertrifft. Ich veröffentliche jetzt — um die Wette vor dem Ergebnis festzuhalten, nicht danach.

Wenn Sie eine begründete Kritik haben, schreiben Sie. Ehrlicher Widerspruch ist mehr wert als stiller Zweifel. Und kein „Demo anfordern“ am Ende: Wenn der Essay allein nicht überzeugt, rettet ihn auch keine Demo.