Projekt

TUM.ai-Recruiting für über 1.000 Bewerbungen skalieren

Wie ich die Screening- und Interview-Plattform von TUM.ai neu gebaut habe, wie der letzte Zyklus damit aussah, und welches Postgres-Design sie schnell, fair und privat hält.

6 Min. Lesezeit12.11.2026
Dunkelviolette Illustration mit dem TUM.ai-Logo in der Ecke: Ein breites Feld lilafarbener Punkte, einer pro Bewerbung, fließt durch ein großes, umrissenes TUM.ai-„A" und verlässt es als kleines, geordnetes Raster aus zwölf leuchtenden Punkten.

TUM.ai nimmt einmal pro Semester neue Mitglieder auf, und ein Zyklus kann mehr als tausend Bewerbungen bringen. Jede davon lesen Mitglieder, die dafür ehrenamtlich Zeit investieren, neben ihrem eigenen Studium.

Diesen Herbst kamen rund 1.000 Bewerbungen rein, und jede einzelne wurde zwischen Montag und Freitag einer einzigen Woche gescreent. Die Arbeit verteilte sich gleichmäßig über die Woche und über die Reviewer, statt sich am Ende zu stauen. Die Selbstbuchung der Interviews lief danach ohne eine einzige Doppelbuchung.

Ich habe die Plattform gebaut, die das möglich gemacht hat. Dieser Post zeigt, was sich seit der ersten Version geändert hat, wie der Zyklus von innen aussah, und die Technik darunter: Buchung als eine einzige Datenbank-Transaktion, Datenschutz, den Postgres selbst durchsetzt, und die Tests, die dafür sorgen, dass es so bleibt.

Version eins und was die Retrospektive geändert hat

Die erste Version entstand im April 2026: eine Next.js-App auf Supabase, die den CSV-Export des Bewerbungsformulars importiert, jeder Bewerbung zwei Reviewer zuordnet und ihnen eine strukturierte Bewertungsmaske gibt. Sie lief im Zyklus des Sommersemesters 2026, und danach haben wir uns mit den Leuten, die sie benutzt hatten, zu einem Feedback-Treffen zusammengesetzt.

Dieses Treffen hat das meiste von dem bestimmt, was danach kam. Zwei Punkte stachen heraus:

  • Der Review-Ablauf soll das erste Lesen entschleunigen. Screener wünschten sich eine Review-Seite, die ein überlegtes erstes Lesen einer Bewerbung unterstützt, keinen schnellen ersten Eindruck.
  • Interviews liefen komplett außerhalb des Tools. Version eins hörte bei der Einladung auf. Wer wen wann interviewt, wie Bewerbende zu einem Termin kommen, die Notizen der Interviewer und ihr Urteil lagen alle woanders. Wir wollten all das im Tool haben.

Seit dem Ende des ersten Zyklus ist aus diesem Feedback eine Reihe von Features geworden: eine Vorprüfung, Screening in Teams, einen Interview-Arbeitsplatz, Selbstbuchung für Interviewtermine und ein deutlich strengeres Datenschutzmodell.

Das Ergebnis: eine Woche, gleichmäßig verteilt

Rund 1.000 Bewerbungen, alle von Montag bis Freitag gescreent. Der vorige Zyklus, der erste mit dem Tool, hat ungefähr gleich lang gedauert. Der eigentliche Sprung kam davor: Im Zyklus ohne Tool staute sich die Arbeit zum Ende hin, und einzelne Leute mussten den Rest durchziehen. Seit es das Tool gibt, verteilt sich die Last gleichmäßig auf die Reviewer, und ein Zyklus läuft in ruhigem Tempo, statt in einem Endspurt zu enden.

Das meiste davon kommt aus kleinen Dingen, nicht aus einem großen Feature. Zuweisungen sind von Anfang an ausgeglichen, sodass niemand auf einem Stapel sitzen bleibt, den sonst keiner anfasst. Neue Zuweisungen und Erinnerungen kommen als Direktnachricht, damit niemand daran denken muss, ins Tool zu schauen. Die Review-Seite ist für die Tastatur gebaut, und Entwürfe speichern automatisch, sodass man nach einem Neuladen dort landet, wo man war. Wer ehrenamtlich eine Stunde übrig hat, verbringt sie mit Lesen, nicht mit Klicken.

Interviews waren die andere Hälfte. Im letzten Zyklus wurden sie komplett außerhalb des Tools geplant. Diesmal haben Eingeladene ihren Termin über einen Link selbst gebucht, gegen dieselben Interviewer und Räume, und kein einziger Termin wurde doppelt vergeben.

Fair durch Weglassen

Fairness dreht sich vor allem um den Ankereffekt: Die erste Zahl oder der erste Eindruck zieht das eigene Urteil in seine Richtung. Das lässt sich nicht wegtrainieren, also hält das Tool den Anker vom Bildschirm fern. Das Screening ist standardmäßig blind, und niemand sieht das Ergebnis eines anderen Reviewers, bevor das eigene feststeht. Interviewer legen ihre Einschätzung privat fest und sehen die ihres Gegenübers erst, wenn beide so weit sind.

Wo die Rohwerte trotzdem auseinanderlaufen, weil eine sorgfältige Screenerin eine 3 gibt, wo ein anderer eine 4 gibt, gleicht eine optionale Kalibrierung strenge und großzügige Screener aus. Sie läuft immer zuerst über eine Vorschau und überschreibt nie den ursprünglichen Score. Der angenehme Nebeneffekt: Wer weniger sieht, muss auch weniger abwägen, und so war die faire Variante am Ende auch die schnellere.

Interviewbuchung als eine einzige Datenbank-Transaktion

Bei der Buchung steckte die spannendste Technik. Ein Termin ist nur buchbar, wenn zwei Leute für die persönliche Runde frei sind, zwei für die fachliche, insgesamt vier verschiedene Personen, und ein Raum. Viele Bewerbende, die gleichzeitig gegen diese geteilten Ressourcen buchen, sind eine Race Condition wie aus dem Lehrbuch: Zwei Anfragen können denselben Interviewer als frei sehen und beide durchgehen.

Deshalb versucht die Anwendung gar nicht erst, schlau zu sein. Die Buchung ist eine einzige Postgres-Funktion, und jede Funktion, die den Terminplan ändert, holt sich zuerst denselben transaktionsgebundenen Advisory Lock. Buchungen, Umbuchungen und Änderungen an der Besetzung laufen dadurch nacheinander, und jede sieht ein konsistentes Bild davon, wer frei ist. Innerhalb dieser Transaktion wählt die Datenbank das Panel mit den wenigsten gebuchten Interviewminuten, was die Last auf die Interviewer verteilt, und belegt einen freien Raum.

Unter dem Lock liegt eine letzte Verteidigungslinie: Die belegte Zeit jedes Interviewers ist als Zeitbereich gespeichert, und ein Exclusion Constraint lehnt zwei überlappende Bereiche für dieselbe Person ab, auch über Zyklen hinweg. Selbst ein Fehler in der Buchungslogik könnte niemanden in zwei Interviews gleichzeitig setzen; das Einfügen würde einfach scheitern. Interviewer tauschen oder von Hand buchen läuft über dieselben Regeln, und die CI spielt den ganzen Buchungsablauf einmal komplett durch, bevor irgendetwas in Produktion landet.

Datenschutz lebt in der Datenbank, nicht in der Oberfläche

Eine Spalte in einer Tabellenkomponente auszublenden ist Komfort, keine Garantie. Deshalb setzt Postgres die wichtigen Regeln selbst durch: Row-Level Security entscheidet über die Zeilen, Spaltenrechte über die Felder.

  • Sensible Felder bleiben auf dem Server. Spaltenrechte hängen an Datenbankrollen, also kann keine angemeldete Session sensible persönliche Felder oder Review-Ergebnisse lesen, auch nicht die eines Admins. Der Server liest sie mit einem privilegierten Schlüssel, und nur nach einer expliziten Admin-Prüfung.
  • Anmeldung nur für TUM.ai-Mitglieder. Die Datenbank selbst lehnt ein Konto von außerhalb von TUM.ai schon in dem Moment ab, in dem es angelegt würde.
  • Standardmäßig verborgen. Eine neue Spalte ist für jede Client-Rolle unsichtbar, bis jemand sie bewusst freigibt, sodass ein neues Feld nicht einfach deshalb durchsickert, weil niemand daran gedacht hat.
  • Ein Audit-Log, das niemand bearbeiten kann. Änderungen landen in einem Log, das niemand verändern oder löschen kann, und persönliche Angaben werden aus dem Gespeicherten entfernt.

pgTAP-Suites prüfen diese Regeln Rolle für Rolle: was jede Art von Session lesen, einfügen oder ändern darf und was nicht. Lockert eine Migration versehentlich eine Regel, schlägt die CI fehl, bevor sie ausgeliefert wird.

Der Stack und das Sicherheitsnetz

Der Stack ist bewusst unspektakulär: Next.js 16 und React 19 auf Vercel, Supabase für Postgres, Auth und Storage, Sentry für Fehler und Upstash für Rate Limits.

Die CI führt Lint, Typecheck, Tests mit Coverage-Untergrenzen, einen Build, pgTAP mit einer Prüfung, ob die generierten Typen zu den Migrationen passen, und einen Migrations-Sicherheitscheck aus. Danach meldet sich Playwright über echte Supabase-Auth-Sessions an und läuft auf einem eigenen lokalen Stack einen kompletten Screening-Zyklus durch, vom Import bis zur Entscheidung, plus eine komplette Generalprobe der Interview-Buchung.

Produktions-Migrationen werden nie von Hand eingespielt. Der Deploy-Workflow spielt sie ein, nachdem die CI auf main durchgelaufen ist, prüft dann, ob die Migrationshistorie übereinstimmt, und führt einen Health-Check aus. Ein großer Teil des Codes entstand mit KI-Coding-Agenten, und genau deshalb zählt dieser deterministische Teil: Ihm ist egal, wer die Änderung geschrieben hat.

Was der Zyklus gezeigt hat

Die ganze Plattform lief im Zyklus des Wintersemesters 2026/27 in Produktion: Vorprüfung, Screening in Teams, Kalibrierung, der Interview-Arbeitsplatz und die Selbstbuchung.

Was ich daraus mitnehme: Die Gewinne waren meistens langweilige. Eine gleichmäßige Last schlägt einen heldenhaften Endspurt, ein Lock und ein Constraint schlagen cleveren Anwendungscode, und die fairste Information ist oft die, die ein Reviewer nie sieht, und damit auch die schnellste. Der Code liegt in einem privaten TUM.ai-Repository, deshalb gibt es diesmal keinen Link. Mehr über meine Rolle als Head of Software Development bei TUM.ai steht auf einer eigenen Seite.