Wie ein 55 Jahre altes Gesetz die KI-Personalbeschaffung erschüttert — und warum das überfällig war

Ich war in einem Gespräch mit einem potenziellen Kunden — einem mittelgroßen Finanzdienstleistungsunternehmen —, als im Januar 2026 die Nachricht über die Klage gegen Eightfold AI bekannt wurde. Die Personalleiterin war mitten im Satz und erklärte, wie sie die „Talent Intelligence“-Plattform eines KI-Anbieters nutzten, um jedes Quartal Tausende von Bewerbern zu prüfen. Sie hielt inne. Ihre Rechtsberaterin, die vom Rand des Zoom-Rasters aus stumm zugesehen hatte, schaltete ihr Mikrofon ein: „Können Sie mir alles schicken, was Sie über den Eightfold-Fall haben?“

Das Gespräch endete fünfzehn Minuten früher.

Dieser Moment kristallisierte etwas heraus, das ich bei Veriprajna seit Jahren vertrete: Der Markt für KI-gestützte Personalbeschaffung in Unternehmen war auf einem Fundament atemberaubender architektonischer Fahrlässigkeit errichtet, und es war nur eine Frage der Zeit, bis jemand verklagt würde — nicht wegen voreingenommener Ergebnisse — dieser Kampf war bereits im Gange —, sondern wegen etwas Grundlegenderem. Wegen des Aktes, Menschen heimlich zu profilieren und diese Profile dann zu nutzen, um über ihre wirtschaftliche Zukunft zu entscheiden.

Die Sammelklage gegen Eightfold AI, Kistler v. Eightfold AI, ist genau diese Klage. Und sie berief sich nicht auf irgendeine hochmoderne KI-Regulierung. Sie griff bis ins Jahr 1970 zurück — auf den Fair Credit Reporting Act — und argumentierte, dass ein KI-Unternehmen, das verborgene „Match-Scores“ über 1,5 Milliarden Menschen erzeugt, rechtlich gesehen nicht anders ist als Equifax.

Ich denke, die Kläger haben recht. Und ich denke, die Auswirkungen reichen weit über ein einzelnes Unternehmen hinaus.

Was ist bei Eightfold tatsächlich passiert?

Hier die Kurzfassung, denn die Details sind wichtig.

Zwei erfahrene Fachkräfte — Erin Kistler, eine Produktmanagerin mit fast zwanzig Jahren Erfahrung, und Sruti Bhaumik, eine Projektmanagerin mit über einem Jahrzehnt Erfahrung — bewarben sich um Stellen bei PayPal und Microsoft. Beide erhielten rasche automatisierte Absagen. Keinem von beiden wurde gesagt, dass ein KI-System einen geheimen Score über sie erzeugt hatte. Keinem wurde gezeigt, welche Daten in diesen Score einflossen. Keinem wurde eine Möglichkeit gegeben, ihn anzufechten.

Die Klage behauptet, dass Eightfolds Plattform nicht nur den eingereichten Lebenslauf analysiert. Sie soll Daten von LinkedIn, GitHub, Crunchbase und anderen öffentlichen Quellen abgreifen — und so aufbauen, was die Klageschrift „geheime Dossiers“ nennt — und dann mittels Deep Learning einen „Match-Score“ von 0 bis 5 erzeugen, der Ihre „Erfolgswahrscheinlichkeit“ vorhersagt. Unternehmen wie Morgan Stanley, Starbucks, BNY und PayPal nutzten diese Scores, um Kandidaten zu filtern, bevor ein menschlicher Recruiter überhaupt einen Blick auf eine Bewerbung warf.

Eightfold hat diese Behauptungen bestritten und erklärt, dass ihre Plattform ausschließlich mit Daten arbeitet, die von Kandidaten eingereicht oder von Kunden bereitgestellt werden. Doch die Klageschrift zeichnet ein anderes Bild: eines, in dem Ihr digitaler Fußabdruck — Ihr Surfverhalten, Ihre Standortdaten, Ihre Internetaktivität — aufgesaugt und in ein probabilistisches Urteil über Ihre Beschäftigungsfähigkeit umgewandelt wird.

Wenn ein KI-System einen Score erzeugt, der darüber entscheidet, ob Sie ein Vorstellungsgespräch bekommen, und Sie nie erfahren, dass der Score überhaupt existiert, dann ist das keine „Talent Intelligence“. Das ist Überwachung mit wirtschaftlichen Konsequenzen.

Ich möchte präzise sein, warum dieser Fall mehr Bedeutung hat als frühere Klagen im Bereich der KI-gestützten Personalbeschaffung. Der Mobley v. Workday-Fall konzentrierte sich auf algorithmische Diskriminierung — die KI, die voreingenommene Ergebnisse erzeugt. Das ist die erste Rechenschaftslücke. Der Eightfold-Fall zielt auf etwas Tieferes ab: die zweite Rechenschaftslücke, bei der es um Transparenz beim Datenabgriff, um Bewertungsmechanismen und um die Handlungsfähigkeit der Kandidaten geht. Es wird nicht nur gefragt: „War der Score fair?“ Es wird gefragt: „Hatten Sie überhaupt das Recht, mich zu bewerten?“

Warum griffen die Kläger auf ein 55 Jahre altes Gesetz zurück?

Das ist der Teil, der mich als Ingenieur fasziniert.

Der FCRA — der Fair Credit Reporting Act — wurde 1970 geschrieben, um Auskunfteien zu regulieren. Er besagt im Wesentlichen: Wenn Sie als Dritter Berichte über Menschen erstellen, die zur Entscheidung über ihre Beschäftigung, ihren Kredit oder ihre Wohnsituation verwendet werden, dann haben diese Menschen Rechte. Das Recht zu erfahren, dass ein Bericht existiert. Das Recht, ihn einzusehen. Das Recht, Fehler anzufechten.

Die Rechtstheorie in Kistler v. Eightfold ist elegant: Wenn Eightfold Match-Scores auf Grundlage abgegriffener Daten erzeugt und diese Scores von Arbeitgebern zur Filterung von Kandidaten verwendet werden, dann fungiert Eightfold als Auskunftei. Punkt. Und jeder Kandidat, den sie bewertet hat, hatte Anspruch auf Offenlegung, Einsicht und Anfechtungsrechte, die er nie erhalten hat.

Ich erinnere mich, wie ich spät in einer Nacht mit meinem Mitgründer zusammensaß, nachdem ich die vollständige Klageschrift gelesen hatte, und er sagte etwas, das mir im Gedächtnis blieb: „Sie brauchten kein neues Gesetz. Das alte Gesetz war durch das neue Verhalten bereits gebrochen worden.“

Genau das ist es. Der FCRA wurde nicht für KI konzipiert. Aber das Verhalten, das er regulieren sollte — Dritte, die heimlich Profile zusammenstellen, die über Ihre wirtschaftlichen Chancen entscheiden — ist genau das, was die Klageschrift Eightfold in großem Maßstab vorwirft. Die Technologie hat sich verändert. Der Schaden nicht.

Wenn die Gerichte dieser Theorie zustimmen, wird jeder KI-Anbieter, der Kandidaten bewertet, denselben Compliance-Pflichten unterliegen wie ein herkömmliches Unternehmen für Hintergrundüberprüfungen. Und die Unternehmen, die diese Tools nutzen? Sie können sich nicht hinter dem Anbieter verstecken. Die Haftung fließt nach oben.

Wie sind wir hierher gelangt? Das architektonische Problem, über das niemand reden wollte

Ich habe die letzten Jahre damit verbracht, bei Veriprajna das aufzubauen, was wir „Deep-AI-Lösungen“ nennen, und der frustrierendste Teil meiner Arbeit war es, zu erklären, warum der vorherrschende Ansatz für Unternehmens-KI strukturell nicht in der Lage ist, einer rechtlichen Prüfung standzuhalten. Nicht weil die Modelle schlecht sind. Sondern weil die Architektur fahrlässig ist.

Die meisten KI-Tools für die Personalbeschaffung — und ich stelle hier nicht Eightfold an den Pranger, dies ist branchenweit so — basieren auf dem, was ich das „Mega-Prompt“-Muster nenne. Man nimmt einen Lebenslauf, eine Stellenbeschreibung, vielleicht einige gescrapte LinkedIn-Daten, presst alles in einen einzigen riesigen Prompt, schickt ihn an GPT-4 oder ein ähnliches Modell und hofft, dass die Ausgabe vernünftig ist. Das System „hofft“ — und ich verwende dieses Wort bewusst —, dass das Modell in einem einzigen Durchgang prüft, einstuft und seine Entscheidung begründet.

Ich habe über diese architektonische Krise ausführlich in unserem interaktiven Whitepaper geschrieben, aber das Kernproblem ist einfach: Ein Mega-Prompt kann nicht beweisen, warum er getan hat, was er getan hat.

Wenn ein Kandidat fragt: „Warum wurde ich abgelehnt?“, kann das System keine Antwort geben. Nicht weil es etwas verbirgt, sondern weil es es wirklich nicht weiß. Die Argumentation ist nicht-deterministisch. Führen Sie denselben Prompt zweimal aus, und Sie erhalten möglicherweise unterschiedliche Ergebnisse. Ändern Sie ein Wort in der Stellenbeschreibung, und die Rangfolge verschiebt sich. Es gibt keinen Prüfpfad, kein Schritt-für-Schritt-Protokoll, keine Möglichkeit, zu überprüfen, dass ein verbotener Datenpunkt — etwa die Postleitzahl des Kandidaten als Stellvertreter für die ethnische Herkunft — das Ergebnis nicht beeinflusst hat.

Das Problem mit Blackbox-KI in der Personalbeschaffung ist nicht, dass sie voreingenommen sein könnte. Es ist, dass man nie beweisen kann, dass sie es nicht war.

Ich hatte Anfang 2025 eine hitzige Auseinandersetzung mit einem Investor darüber. Er hatte sich unsere Architekturdiagramme angesehen — die Multi-Agenten-Orchestrierung, die Compliance-Agenten, die Herkunftsverfolgung — und sagte: „Das ist überentwickelt. Nutzen Sie einfach GPT mit einem guten Prompt. Liefern Sie schneller aus.“ Ich sagte ihm, dass schneller in eine Klage hineinzuliefern keine Geschäftsstrategie sei. Er investierte nicht. Ich bereue das Gespräch nicht.

Wie sieht die regulatorische Landschaft 2026 tatsächlich aus?

Die Eightfold-Klage geschieht nicht isoliert. Sie ist die schärfste Spitze einer regulatorischen Welle, die sich seit 2023 aufbaut, und wenn Sie KI in der Personalbeschaffung einsetzen — irgendwo in den Vereinigten Staaten —, navigieren Sie nun durch einen Flickenteppich bundesstaatlicher Gesetze, die gemeinsam die Ära des „move fast and break things“ beenden.

New York Citys Local Law 144 verlangt seit 2023 jährliche unabhängige Bias-Audits für automatisierte Beschäftigungsentscheidungstools. Illinois' HB 3773, in Kraft ab Januar 2026, verbietet KI, die „den Effekt“ von Diskriminierung hat — beachten Sie die Formulierung, Effekt, nicht Absicht — und schreibt „leicht verständliche“ Hinweise an Bewerber vor. Kaliforniens neue Vorschriften begründen eine Haftung für Disparate Impact unabhängig von der Absicht und verlangen eine vierjährige Aufbewahrung der Unterlagen. Colorados AI Act, der im Juni 2026 in Kraft tritt, schafft eine rechtliche „Sorgfaltspflicht“ zum Schutz vor algorithmischer Diskriminierung.

Das praktische Ergebnis: Wenn Sie ein Fortune-500-Unternehmen sind, das über mehrere Bundesstaaten hinweg einstellt, muss sich Ihr KI-System je nach Standort des Kandidaten unterschiedlich verhalten. Ein Bewerber in Illinois löst andere Offenlegungspflichten aus als einer in Texas. Eine Absage in New York City erfordert eine Dokumentation, die in Florida nicht vorgeschrieben wäre.

Kein Mega-Prompt bewältigt das. Sie brauchen Architektur.

Was bedeutet „Deep AI“ eigentlich für die Personalbeschaffung?

Wenn mein Team und ich über Deep-AI-Lösungen sprechen — im Gegensatz zum „Wrapper“-Ansatz —, beschreiben wir eine grundlegend andere Art, Systeme zu bauen, die folgenschwere Entscheidungen über das Leben von Menschen treffen.

Statt eines einzigen monolithischen Modells, das alles erledigt, verwenden wir das, was man ein spezialisiertes Multi-Agenten-System nennt. Stellen Sie es sich weniger wie ein einzelnes Genie vor, das eine Entscheidung trifft, sondern eher wie ein Team von Spezialisten, jeder mit einer definierten Rolle und einer nachvollziehbaren Dokumentationsspur.

Es gibt einen Planungs-Agenten, der die Bewerbung entgegennimmt und den erforderlichen Arbeitsablauf auf Grundlage der geltenden Gesetze und der Unternehmensrichtlinie bestimmt. Befindet sich der Bewerber in Illinois, stellt er sicher, dass der obligatorische Offenlegungsschritt ausgeführt wird, bevor die Prüfung beginnt. Es gibt einen Datenherkunfts-Agenten, der die Herkunft jedes Datenpunkts überprüft — er unterscheidet zwischen Daten, die der Kandidat eingereicht hat, und Daten, die aus externen Quellen abgeleitet wurden, und markiert Letztere, damit sie niemals unbemerkt eine endgültige Rangfolge beeinflussen können. Es gibt einen Compliance-Agenten, der die Prozessprotokolle überprüft, bevor ein Score endgültig festgelegt wird, und dabei prüft, ob verbotene Attribute das Ergebnis beeinflusst haben. Und es gibt einen Erklärbarkeits-Agenten, der die technische Entscheidung sowohl für den Recruiter als auch für den Kandidaten in verständliche Sprache übersetzt.

Jeder Agent protokolliert jede Aktion. Jede Entscheidung ist reproduzierbar. Das System kann Ihnen Monate später genau sagen, warum Kandidat A vor Kandidat B eingestuft wurde, welche Datenpunkte dazu beigetragen haben und ob ein menschlicher Prüfer die Empfehlung bestätigt oder überstimmt hat.

Ich erinnere mich an das erste Mal, als wir einen vollständigen End-to-End-Test dieser Architektur an einem realistischen Personalbeschaffungsszenario durchführten — 200 synthetische Kandidaten, drei Rechtsräume, zwei Stellenkategorien. Es dauerte fünfundvierzig Minuten, den Prüfpfad für einen einzigen Kandidaten durchzugehen. Mein leitender Ingenieur sah mich an und sagte: „Das ist Wahnsinn. Niemand wird diesen Detailgrad wollen.“ Ich sagte: „Ein Richter schon.“

Warum kann man Erklärbarkeit nicht einfach zu einer bestehenden Blackbox hinzufügen?

Das ist die Frage, die ich am häufigsten höre, und sie offenbart ein verbreitetes Missverständnis. Die Leute denken, Erklärbarkeit sei eine Funktion, die man im Nachhinein aufsetzt — wie das Hinzufügen eines Dashboards zu einem bestehenden System. Ist sie nicht. Oder besser gesagt, das kann sie sein, aber was man erhält, ist eine nachträgliche Rechtfertigung, keine echte Erklärung.

Techniken wie SHAP (Shapley Additive Explanations) und LIME (Local Interpretable Model-agnostic Explanations) sind mächtige Werkzeuge. SHAP, das in der kooperativen Spieltheorie verwurzelt ist, kann Ihnen mathematisch sagen, wie viel jedes Merkmal — Jahre der Erfahrung, bestimmte Zertifizierungen, Programmiersprachen — zum Score eines Kandidaten beigetragen hat. LIME kann das Verhalten des Modells lokal um einen einzelnen Kandidaten herum approximieren, um eine bestimmte Absage zu erklären. Kontrafaktische Erklärungen können einem Kandidaten sagen: „Hätten Sie Zertifizierung X, wäre Ihr Score um so viel gestiegen.“

Wir integrieren all dies in unsere Produktionspipeline. Aber hier ist die entscheidende Unterscheidung: Diese Techniken sind nur dann vertrauenswürdig, wenn die zugrunde liegende Architektur überprüfbar ist. Wenn der Argumentationsprozess des Modells nicht-deterministisch ist — wenn es womöglich den Standort des Kandidaten als Stellvertreter für etwas anderes verwendet hat und Sie nicht beweisen können, dass es das nicht getan hat —, dann erklären Ihre SHAP-Werte einen Prozess, den Sie nicht vollständig kontrollieren.

Erklärbarkeit ohne architektonische Integrität ist nur eine ausgefeiltere Art, „Vertrau mir“ zu sagen.

Die Eightfold-Klage macht dies konkret. Selbst wenn Eightfold rückwirkend SHAP-Werte für jeden Match-Score erzeugen könnte, hätte die Klage weiterhin Bestand — denn das grundlegende Problem ist, dass den Kandidaten nie mitgeteilt wurde, dass die Scores existierten, ihnen nie die Daten gezeigt wurden, die in sie einflossen, und ihnen nie ein Mechanismus zur Anfechtung von Fehlern gegeben wurde. Erklärbarkeit ist notwendig, aber nicht hinreichend. Sie brauchen die Architektur, um Offenlegung, Einsicht und Anfechtung von Grund auf zu ermöglichen.

Für die vollständige technische Aufschlüsselung, wie sich diese Erklärbarkeitstechniken in eine Multi-Agenten-Governance-Architektur integrieren, siehe unser Forschungspapier.

Das Datenherkunftsproblem, das niemand lösen will

Es gibt einen Teil der Eightfold-Klageschrift, auf den ich immer wieder zurückkomme. Die Behauptung, dass die Plattform Daten von LinkedIn, GitHub und anderen Quellen abgriff, um Profile über Menschen zu erstellen, die dem Profiling nie zugestimmt haben.

Ob sich diese konkrete Behauptung vor Gericht als wahr erweist oder nicht, sie weist auf ein reales und weit verbreitetes Problem hin: Die meisten Unternehmens-KI-Systeme haben keine rigorose Nachweiskette für ihre Trainings- und Inferenzdaten. Sie können Ihnen nicht sagen, woher ein Datenpunkt stammt, wann er erhoben wurde, ob die betroffene Person zugestimmt hat oder ob er seit der Aufnahme verändert wurde.

Bei Veriprajna behandeln wir Datenherkunft — die dokumentierte Spur von Ursprung, Bewegung und Transformation der Daten — als eine nicht verhandelbare Infrastrukturanforderung. Jeder Datenpunkt, der in unser System gelangt, wird mit seiner Quelle, seiner Erhebungsmethode und seinem Einwilligungsstatus gekennzeichnet. Daten, die der Kandidat eingereicht hat, werden anders behandelt als Daten, die aus externen Quellen abgeleitet wurden. Kryptografisches Hashing stellt sicher, dass jede unbefugte Änderung erkennbar ist, sobald ein Lebenslauf aufgenommen wurde.

Das klingt nach Selbstverständlichkeit. Das sollte es auch sein. Aber ich habe mit Dutzenden von Unternehmens-KI-Anbietern gesprochen, und die ehrliche Antwort der meisten von ihnen ist, dass sie einen bestimmten Datenpunkt nicht mit Sicherheit bis zu seinem Ursprung zurückverfolgen können. Sie haben auf Geschwindigkeit und Skalierung hin gebaut. Herkunft war ein nachträglicher Gedanke, wenn überhaupt ein Gedanke.

Das regulatorische Umfeld 2026 macht dies unhaltbar. Kaliforniens neue Vorschriften verlangen von Plattformen, zu erkennen und offenzulegen, ob Inhalte durch generative KI erheblich verändert wurden. Colorados AI Act verlangt dokumentierte Risikobewertungen. Der FCRA verlangt, sofern er auf KI-Bewertungsplattformen angewendet wird, dass betroffene Personen die über sie verwendeten Daten einsehen und anfechten können. Sie können all dies nicht einhalten, wenn Sie nicht wissen, woher Ihre Daten stammen.

Was sollten Unternehmen jetzt tun?

Die Leute fragen mich immer, ob sie wegen ihrer aktuellen KI-Tools für die Personalbeschaffung in Panik geraten sollten. Ich halte Panik nicht für zielführend, aber ich halte Dringlichkeit für angebracht. Hier ist, was ich ihnen sage.

Erstens: Wissen Sie, was Sie tatsächlich einsetzen. Führen Sie eine gründliche Bestandsaufnahme jedes KI-Tools in Ihrer Personalbeschaffungspipeline durch. Gehen Sie nicht davon aus, dass ein Tool keine „KI“ ist, nur weil der Anbieter es als „Talent Intelligence“ oder „Predictive Analytics“ vermarktet. Wenn es Scores, Rangfolgen oder Empfehlungen erzeugt, die Einstellungsentscheidungen beeinflussen, ist es ein automatisiertes Beschäftigungsentscheidungstool und unterliegt dem entstehenden Regulierungsrahmen.

Zweitens: Nehmen Sie Ihre Anbieter ins Kreuzverhör. Fragen Sie sie: Welche Datenquellen nutzen Sie? Ziehen Sie Informationen von außerhalb der Bewerbung des Kandidaten heran? Erzeugen Sie Scores oder Rangfolgen? Können Sie einen Prüfpfad für die Bewertung eines bestimmten Kandidaten vorlegen? Können Sie eine Erklärung in verständlicher Sprache liefern, warum ein Kandidat so bewertet wurde, wie er es wurde? Wenn sie diese Fragen nicht klar beantworten können, dann ist das Ihre Antwort.

Drittens — und dies ist der Punkt, der echtes Engagement erfordert — beginnen Sie, KI-Empfehlungen als Eingabe zu behandeln, nicht als Urteile. Die rechtlich am besten vertretbare Position im Jahr 2026 ist eine, in der ein menschlicher Prüfer die Empfehlung der KI sieht, sie zusammen mit anderen Faktoren abwägt und seine Begründung für die endgültige Entscheidung dokumentiert. Das ist nicht nur gute Praxis. In Rechtsräumen wie New York City und Illinois könnte es bald eine gesetzliche Anforderung sein.

Das langfristige Ziel ist jedoch architektonisch. Sie brauchen Systeme, die von Grund auf für Transparenz, Überprüfbarkeit und die Handlungsfähigkeit der Kandidaten gebaut sind. Keine Wrapper mit aufgesetzten Erklärbarkeits-Dashboards. Keine Mega-Prompts mit angehängten Compliance-Checklisten. Systeme, in denen jede Entscheidung nachverfolgt, erklärt und angefochten werden kann.

Die unbequeme Wahrheit über „KI-gestützte Personalbeschaffung“

Ich möchte mit etwas schließen, das mir seit jenem Gespräch mit dem Finanzdienstleistungsunternehmen im Kopf herumgeht.

Die KI-Personalbeschaffungsbranche verkaufte eine verführerische Geschichte: Gebt uns eure Bewerber, und wir finden die besten schneller, günstiger und mit weniger Voreingenommenheit als Menschen. Und Teile dieser Geschichte sind wahr — KI kann ein Volumen verarbeiten, das kein menschliches Team bewältigen kann, und gut konzipierte Systeme können Kandidaten zutage fördern, die sonst vielleicht übersehen würden.

Aber die Branche baute diese Fähigkeit auf einer Abkürzung auf. Statt Systeme zu entwickeln, die ihre Entscheidungen erklären und verteidigen könnten, baute sie Blackboxen, die bequeme Zahlen produzierten. Statt die Handlungsfähigkeit der Kandidaten zu respektieren, behandelte sie Arbeitssuchende als Datenpunkte, die abgegriffen und bewertet werden. Statt in die harte architektonische Arbeit von Compliance und Transparenz zu investieren, lieferte sie Wrapper aus und hoffte, dass niemand schwierige Fragen stellen würde.

Jemand stellte schwierige Fragen. Zwei Personen, um genau zu sein — Erin Kistler und Sruti Bhaumik —, die die Klagebefugnis und die Beharrlichkeit hatten, eine Klage einzureichen, die die Branche neu gestalten könnte.

Die Ära des folgenlosen KI-Experimentierens in der Personalbeschaffung ist vorbei. Was an ihre Stelle tritt, wird davon bestimmt werden, ob wir uns für architektonische Rechenschaftspflicht oder nur für bessere PR entscheiden.

Bei Veriprajna haben wir das Unternehmen nach dem Sanskrit-Wort „Prajna“ benannt — transzendente Weisheit. Das ist eine bewusste Entscheidung. Weisheit bedeutet nicht nur, die Antwort zu kennen. Sie bedeutet, zu wissen, wie man zur Antwort gelangt ist, die eigene Arbeit belegen zu können und bereit zu sein, sich dazu herausfordern zu lassen. Das ist es, was Unternehmens-KI jedem Menschen schuldet, den sie bewertet.

Die Unternehmen, die dies verstehen, werden Systeme bauen, die nicht nur besser vertretbar, sondern auch vertrauenswürdiger, wirksamer und — auf eine bedeutsame Weise — menschlicher sind. Die Unternehmen, die dies nicht verstehen, werden weiter darauf hoffen, dass niemand nach dem Score fragt.

Irgendjemand fragt immer.