„Wie viele Jahre Erfahrung haben Sie mit einer Library, die letztes Jahr erschienen ist?"

Veröffentlicht im TEN INVENT Blog · August 2026

Oder: Wie es die Recruiting-Branche schafft, genau die Leute abzulehnen, die sie sucht.

Diese Woche bekam ich eine Nachricht von einer Recruiting-Agentur aus Großbritannien. Eine ehrlich gesagt interessante Rolle: AI Platform Engineer, komplett remote, für einen Enterprise-Kunden. Die Mission — das Design eines Agent Development Frameworks leiten, Engineering-Standards definieren, Patterns für Multi-Agent-Orchestrierung aufbauen. Eine Architektenrolle, wie sie im Buche steht.

Die Skill-Liste war ungewöhnlich spezifisch. Nicht „Erfahrung mit KI" oder „LLM-Kenntnisse", sondern chirurgisch präzise:

• LangGraph (create_react_agent, StateGraph, ToolNode)
• Strands Agents SDK (StrandsA2AExecutor, der @tool-Decorator)
• AWS Bedrock AgentCore Runtime (BedrockAgentCoreApp, Invocation Lifecycle)
• MCP-/A2A-Protokolldesign
• aws-opentelemetry-distro (ADOT-Traces nach X-Ray und CloudWatch)

Mit der Hälfte dieses Stacks arbeite ich täglich — Strands Agents in Produktion, Bedrock, Multi-Agent-Orchestrierung mit Supervisor und spezialisierten Sub-Agenten. Ich schickte meinen Lebenslauf.

Dann kam der interessante Teil.

Der Kunde lehnt Kandidaten wegen „fehlender Erfahrung" ab

Die Beraterin der Agentur erzählte mir — mit einer Offenheit, die ich ihr hoch anrechne —, dass der Kunde die bisherigen Vorschläge bereits abgelehnt hatte. Der Grund? Die Kandidaten hatten nicht genug Jahre Erfahrung mit den Technologien auf der Liste. Sie hatten „ein Jahr", „sechs Monate", „zwei Jahre" geantwortet — in der Logik des Kunden also: „Juniors".

Legen wir die Daten auf den Tisch:

• LangGraph — erstes Release auf PyPI: Januar 2024. Gesamtalter: zweieinhalb Jahre.
• Strands Agents SDK — von AWS im Mai 2025 als Open Source veröffentlicht. Alter: ein Jahr und drei Monate.
• AWS Bedrock AgentCore — im Juli 2025 als Preview angekündigt, General Availability am 13. Oktober 2025. Alter seit GA: zehn Monate.
• Die Unterstützung des A2A-Protokolls in der AgentCore Runtime — erst zur GA hinzugefügt, im Oktober 2025.

Mit anderen Worten: Der Kunde suchte Leute mit „vielen Jahren Erfahrung" auf einem Stack, dessen älteste Komponente zweieinhalb Jahre alt ist — und dessen neueste nicht einmal ein Jahr. Niemand auf diesem Planeten — nicht einmal die Leute, die diese Libraries geschrieben haben — kann mehr vorweisen.

Die Kandidaten, die „ein Jahr" geantwortet haben, waren keine Juniors. Sie waren Early Adopters. Ein Jahr LangGraph im Jahr 2026 entspricht zehn Jahren Java im Jahr 2010. Und der Kunde hat sie alle abgelehnt.

Das Detail, das alles verrät

Da ist noch etwas, ein kleines, aber köstliches Detail: Die Stellenbeschreibung verlangte explizit Erfahrung mit create_react_agent aus LangGraph.

Die Funktion create_react_agent wurde mit LangGraph 1.0 im Oktober 2025 als deprecated markiert und durch das neue create_agent aus LangChain 1.0 ersetzt.

Das JD verlangte also jahrelange Erfahrung mit einer API, die nicht nur jung ist — sie ist bereits veraltet. Das sagt uns zwei Dinge. Erstens: Die Anforderungen wurden per Copy-Paste aus der bestehenden Codebasis des Kunden geschrieben, nicht aus der aktuellen Dokumentation des Ökosystems. Zweitens: Niemandem in der Kette, die das JD freigegeben hat — Manager, HR, Agentur —, ist es aufgefallen.

Der Mechanismus der Negativauslese

Ich will hier nicht den Recruitern die Schuld geben. Die Beraterin, mit der ich sprach, machte ihre Arbeit korrekt — innerhalb des Systems, in dem sie arbeitet. Das Problem ist das System.

Recruiting über Agenturen funktioniert nach einem einfachen Modell: Der Kunde liefert ein JD, die Agentur macht daraus eine Checkliste, die Kandidaten werden per Keyword-Matching gefiltert — und über die universelle Metrik: Jahre Erfahrung. Dieses Modell hat jahrzehntelang passabel funktioniert, weil die Technologien Jahrzehnte auf dem Buckel hatten. „Wie viele Jahre Java?" war eine unvollkommene, aber vernünftige Frage.

Auf das KI-Ökosystem von 2026 angewandt, produziert dieselbe Frage etwas Perverses: Negativauslese.

Die ehrlichen Kandidaten — Seniors mit 15–20 Jahren Softwarearchitektur, die diese Tools vom ersten Tag an eingesetzt haben — antworten korrekt: „ein Jahr". Und werden als Juniors abgelehnt. Die Kandidaten, die bereit sind aufzurunden, antworten „vier Jahre LangGraph" — mathematisch unmöglich — und kommen durch den Filter. Das Screening nach Jahren Erfahrung misst im KI-Bereich keine Kompetenz mehr. Es misst die Bereitschaft zu lügen.

Der Ausgang ist vorhersehbar: Der Prozess hängt monatelang fest, bis jemand mit einem ausreichend „optimistischen" Lebenslauf auftaucht. Ein halbes Jahr später wird sich der Kunde beklagen, dass „man einfach keine guten KI-Leute findet". Selbst verschuldet, von Anfang bis Ende.

Was sie eigentlich fragen sollten

Die größte Ironie: Die Rolle verlangte jemanden, der Engineering-Standards definiert und eine Dual-Framework-Strategie verantwortet. Also genau die Art von Position, in der das über 20 Jahre angesammelte Architektur-Urteilsvermögen unendlich mehr wert ist als die Monate mit einer bestimmten Library. Sie haben ein Architekten-JD geschrieben und es gefiltert wie eine Junior-Stelle mit Checkliste.

Was unterscheidet Kandidaten wirklich, in einem Feld, in dem die Tools keine zwei Jahre alt sind?

Nicht die Jahre auf dem Framework, sondern:

1. Hat die Person Multi-Agent-Systeme in Produktion gebracht? Keine Demo, kein Notebook — ein System mit echten Nutzern, echten Inferenzkosten, echten Failure Modes.
2. Versteht sie die Patterns, nicht nur die APIs? Supervisor/Sub-Agent, ReAct, Human-in-the-Loop, Tool-Design — das alles überträgt sich von Framework zu Framework. Ein StateGraph in LangGraph und ein Strands-Agent sind dasselbe mentale Modell mit anderer Syntax. Wer mit dem einen geliefert hat, lernt das andere in Tagen, nicht in Monaten.
3. Steht darunter ein solides Engineering-Fundament? Denn ein Enterprise-„Agent-Framework" ist, jenseits des KI-Teils, ein klassisches verteiltes System: Auth, Observability, Kostenkontrolle, Versionierung, Deployment. Hier zählen die Jahre Erfahrung wirklich — aber es sind Jahre Software-Engineering, nicht Jahre mit einer Library.

Ich habe der Agentur genau mit diesem Argument geantwortet und mich aus dem Prozess zurückgezogen. Nicht aus gekränktem Stolz — sondern weil ein Kunde, der beim Einstellen so filtert, während des Projekts nach derselben Logik entscheiden wird. Und das ist eine wertvolle Information, die einem ein JD gratis liefert.

Disclaimer eines realistischen Optimisten

Wie üblich auf diesem Blog: Ich bin weder Anti-KI noch Anti-Recruiting. Ich glaube aufrichtig, dass KI-Agenten die Zukunft der Software-Infrastruktur sind, und verbringe den Großteil meiner Zeit damit, sie zu bauen. Und ich glaube, dass technisches Recruiting ein harter Job ist, oft gemacht von Leuten, die in einem System mit schlechten Anreizen ihr Bestes geben.

Aber gerade weil das Feld real und wichtig ist, sollte man die Dinge beim Namen nennen: Alte Metriken auf neue Technologien angewandt erzeugen keine Gründlichkeit — sie erzeugen Theater. Und die erste Branche, die ihre Art, Menschen zu bewerten, aktualisieren sollte, ist ausgerechnet die, die für jene Rollen rekrutiert, die das Bewerten automatisieren.

Bis dahin gilt: Wenn Sie jemand fragt, wie viele Jahre Erfahrung Sie mit einer Library haben, die letztes Jahr erschienen ist, ist die richtige Antwort eine Gegenfrage: „Wie viele Jahre gibt es sie denn Ihrer Meinung nach?"

Ion Anghel ist Gründer von TEN INVENT, einem Software-Beratungsunternehmen in Bukarest, spezialisiert auf agentische KI-Plattformen auf AWS. Er baut Bob, einen Open-Source-Multi-Agent-KI-Assistenten.