Mehr als ein Textgenerator. Wie der MH Recruiting Workspace entstand.
Wie aus einem Personalbedarf ein kontrollierter Recruiting-Prozess wurde – und warum Rollen, Freigaben und Zahlungen mehr Arbeit machen als jeder KI-Text.
Kurz gesagt
- MH – Recruiting Workspace ist ein lokal entwickelter Prototyp für eine mandantenfähige Recruiting- und Kampagnenplattform für kleine und wachsende Unternehmen.
- Geplant wurde entlang einer vollständigen Nutzerreise – von der Preisseite über Briefing, Freigabe und Export bis zur Bewerbung –, nicht Seite für Seite.
- Die schwierigsten Aufgaben lagen an den Übergängen: Zahlung und Berechtigung, Freigabe und Veröffentlichung, Bild und Version, Bewerbung und Datenschutz.
- Bewusst nicht automatisiert: Eine Weiterleitung nach dem Bezahlen schaltet nichts frei, „Live“ heißt nicht veröffentlicht, KI-Inhalte prüft ein Mensch.
- Die wichtigsten Abläufe sind implementiert und automatisiert getestet. Öffentliche Bereitstellung, produktives Stripe, Rechtstexte und Hosting stehen noch aus.
Eine Stelle ist seit drei Wochen offen. Die Geschäftsführerin hat in einer E-Mail notiert, was die neue Kollegin können muss. Der Teamleiter hat eine eigene Fassung in einem Dokument, mit anderen Arbeitszeiten. Und im Marketing liegt schon ein Entwurf für Instagram, geschrieben nach einem Telefonat, an das sich niemand mehr genau erinnert. Am Freitag soll die Anzeige raus. Nur: Welche Version ist eigentlich freigegeben?
So oder ähnlich sieht Recruiting in vielen kleineren Unternehmen aus. Nicht, weil dort jemand nachlässig arbeitet, sondern weil es für Recruiting-Kampagnen selten einen festen Ablauf gibt. Der Personalbedarf ist konkret. Der Prozess dahinter ist es nicht.
Aus dieser Lücke ist „MH – Recruiting Workspace“ entstanden: ein lokal entwickelter SaaS-Prototyp für eine mandantenfähige Recruiting-Plattform. Er richtet sich an kleine und wachsende Unternehmen, die Stellenangebote und Recruiting-Kampagnen strukturiert planen, erstellen, intern abstimmen und für mehrere Kanäle vorbereiten möchten. Dieser Bericht erzählt, wie aus der Idee ein belastbares Produktmodell wurde – und warum die interessantesten Entscheidungen wenig mit Textgenerierung zu tun hatten.
Das Problem hinter dem Problem
Auf den ersten Blick fehlt in der Szene oben ein guter Text. Auf den zweiten Blick fehlt etwas anderes: eine gemeinsame Wahrheit. Informationen liegen verstreut in E-Mails, Dokumenten und einzelnen Social-Media-Entwürfen. Texte werden mehrfach geschrieben, Freigaben lassen sich kaum nachvollziehen, und verschiedene Menschen arbeiten mit verschiedenen Versionen.
Die naheliegende Antwort lautet heute: KI im Recruiting. Ein Formular, ein paar Angaben zur Stelle, ein Klick – fertig ist die Anzeige. Wir halten diese Antwort für zu kurz. Ein Textgenerator vor einem Formular beschleunigt nur, was ohnehin schiefläuft. Er produziert schneller weitere Versionen, von denen niemand weiß, welche gilt.
Ein ernstzunehmendes Produkt muss mehr beantworten. Wer darf eine Kampagne freigeben? Zu welchem Unternehmen gehört ein Bild? Was passiert, wenn eine Zahlung hängt? Wohin gehen Bewerbungsdaten, und wer sieht sie? Rollen, Firmenzugehörigkeiten, Freigaben, Abrechnung, Datenschutz, Sicherheit, Bilder und Bewerbungen sind bei einer Recruiting Software keine Zusatzfunktionen. Sie sind das Produkt.
Eine Leitfrage statt einer Feature-Liste
Am Anfang stand deshalb keine Liste mit Funktionen, sondern eine Frage:
Wie lässt sich aus einem Personalbedarf ein kontrollierter, nachvollziehbarer Recruiting-Prozess entwickeln – von der ersten Stellenidee bis zur geprüften Kampagne und Bewerbung?
Zwei Wörter darin haben uns durch das ganze Projekt begleitet: kontrolliert und nachvollziehbar. Kontrolliert heißt, dass nichts geschieht, was niemand ausgelöst hat. Nachvollziehbar heißt, dass sich auch später noch sagen lässt, wer was entschieden hat. An diesen beiden Maßstäben haben wir jede weitere Entscheidung gemessen.
Erst die ganze Reise, dann die erste Seite
Bevor die erste Oberfläche entstand, haben wir das Produkt als vollständige Nutzerreise durchgespielt – aus Sicht eines Unternehmens, das MH zum ersten Mal begegnet:
- Auf der Website versteht das Unternehmen den Ablauf und die Preise.
- Es wählt einen Tarif, registriert ein Firmenkonto und bestätigt seine E-Mail-Adresse.
- Der Firmenadministrator richtet eine Zwei-Faktor-Authentifizierung ein, danach wird das Firmenprofil vervollständigt.
- Ein geführtes Briefing erfasst Stelle, Standort, Arbeitszeit, Anforderungen, erlernbare Fähigkeiten, das Angebot des Arbeitgebers und die gewünschten Kanäle.
- Aus dem Briefing entstehen Entwürfe für Instagram, Meta und eine gemeinsame Stellenbeschreibung.
- Das Team bearbeitet und speichert die Inhalte, prüft und kommentiert sie und gibt sie frei.
- Freigegebene Materialien lassen sich exportieren oder für weitere Veröffentlichungsabläufe vorbereiten.
- Eine öffentliche Stellenanzeige nimmt Bewerbungen entgegen, die das Team anschließend im Recruiting-Bereich bearbeitet.
Diese Reise war mehr als eine Skizze. Aus ihr haben wir funktionale Use Cases und nichtfunktionale Anforderungen abgeleitet: was das System können muss – und wie sicher, verlässlich und verständlich es das tun muss. Gebaut wurde nicht Seite für Seite, sondern entlang dessen, was Nutzer erreichen wollen, und entlang der Stellen, an denen etwas schiefgehen kann.
Ein kleines Beispiel: Der Punkt „erlernbare Fähigkeiten“ im Briefing wirkt unscheinbar. Er trennt, was jemand mitbringen muss, von dem, was sich im Job lernen lässt. Solche Unterscheidungen entstehen nicht beim Gestalten einer Eingabemaske. Sie entstehen, wenn man die Reise vom Ende her denkt.
Was ein „einfacher KI-Workflow“ wirklich braucht
Wer die Reise ernst nimmt, stellt schnell fest: Die Generierung der Texte ist ein einzelner Schritt von vielen. Um ihn herum wächst ein Geflecht aus Anforderungen, die man in keiner Demo sieht.
Die strengste betrifft die Trennung. MH ist mandantenfähig: Mehrere Unternehmen arbeiten auf derselben Plattform und müssen strikt voneinander getrennt bleiben – bei Kampagnen, Abrechnung, Bewerbungen und Dateien. Innerhalb eines Unternehmens regeln Rollen, wer was darf. Es gibt Plattform-Admins, Firmen-Admins, Teammitglieder und Kunden mit Leserechten. Geprüft wird das auf dem Server, nicht nur in der Oberfläche. Eine ausgeblendete Schaltfläche ist noch keine Berechtigung.
Dann die eigentliche Arbeit. Ein Briefing lässt sich speichern und später fortsetzen. Jede Recruiting-Kampagne folgt einem kontrollierten Statusmodell vom Entwurf über die Prüfung bis zur Freigabe. Inhalte können bearbeitet, verglichen, kommentiert und versioniert werden, und Änderungen dürfen nicht unbemerkt verloren gehen. Bilder werden hochgeladen, bereinigt, ausgewählt und für Feed und Story unterschiedlich zugeschnitten. Instagram- und Meta-Inhalte bekommen eigene Vorschauen, freigegebene Inhalte lassen sich als Paket exportieren. Die Oberfläche spricht Deutsch und Englisch.
Und schließlich eine Anforderung, die eher Haltung als Technik ist: Kennzahlen müssen ehrlich gekennzeichnet sein – als manuell erfasst, lokal simuliert oder tatsächlich gemessen. Die Plattform zeigt keine erfundenen Reichweiten, Likes, Bewertungen oder Bewerberzahlen.
Geld ist auch eine Anforderung
Ein Geschäftsmodell ist kein Thema für später. Es greift tief in die Architektur ein, deshalb haben wir es von Anfang an mitgedacht.
MH ist für Unternehmen in der EU konzipiert, Preise werden als Netto-Eurobeträge ausgewiesen. Das Modell verbindet Abonnements mit einem eigenen Guthaben aus MH-Tokens. Eine erfolgreiche Kampagnenerstellung kostet 50 Tokens. Monatlich enthaltene und zusätzlich gekaufte Tokens werden getrennt behandelt. Es gibt weder eine automatische Aufladung noch überraschende Zusatzkosten.
Hinter diesen wenigen Sätzen stecken harte technische Anforderungen. Zahlungs- und Tokenbuchungen müssen idempotent sein: Kommt dieselbe Nachricht zweimal an, darf sie nur einmal zählen. Der Tokenstand darf auch dann nicht ins Minus rutschen, wenn mehrere Anfragen gleichzeitig eintreffen. Und eine fehlgeschlagene Generierung verbraucht keine Tokens. Bezahlt wird nur, was tatsächlich entstanden ist.
Neue verwaltete Firmenkonten brauchen für schreibende Aktionen ein aktives, bezahltes Abonnement. Bestehende Demokonten bleiben unabhängig von der regulären Abrechnung nutzbar, damit sich Rollen und Abläufe weiterhin vorführen lassen.
Sicherheit, die man nicht sieht
Die meisten Sicherheitsanforderungen bemerkt man erst, wenn sie fehlen. Sichere SaaS-Entwicklung beginnt bei MH mit Cookie-Sitzungen statt Zugriffstokens, die im Browser gespeichert werden. Dazu kommen CSRF-Schutz, eine Prüfung der Herkunft jeder Anfrage und eine serverseitige Rollenprüfung. Für Konten gelten E-Mail-Bestätigung, starke Passwörter und sichere Einmallinks.
Neue Firmenadministratoren müssen eine Zwei-Faktor-Authentifizierung einrichten. Das wirft sofort die nächste Frage auf: Was passiert, wenn das Telefon mit der Authenticator-App verloren geht? Dafür gibt es Wiederherstellungscodes und einen kontrollierten Ablauf. Eine Sicherheitsfunktion ohne Notfallweg erzeugt sonst nur Supportfälle – oder die Versuchung, sie abzuschalten.
Zugangsschlüssel für Stripe, KI- und Social-Media-Anbieter bleiben ausschließlich auf dem Server. Öffentliche Seiten sind für Suchmaschinen aufbereitet, Login, Onboarding und Workspace sind von der Indexierung ausgeschlossen. Und weil Recruiting nicht nur am Schreibtisch stattfindet, ist die Bedienung responsiv und möglichst barrierearm angelegt.
Technik, die man begründen kann
Die Architektur ist bewusst unspektakulär. Das Backend läuft mit FastAPI, das Frontend mit React und Vite. Für den lokalen Prototyp genügt SQLite als Datenbank.
Wichtiger als die Namen sind die Gründe. FastAPI und React erlauben es, schnell einen Prototyp zu bauen, der sich wirklich überprüfen lässt, statt nur gut auszusehen. Die klare Trennung von Frontend und Geschäftslogik sorgt dafür, dass Regeln wie Berechtigungen, Tokenbuchungen oder Statuswechsel an einer Stelle leben – auf dem Server – und nicht in der Oberfläche nachgebaut werden. Und der lokale Aufbau schafft eine belastbare Grundlage für spätere Produktionsentscheidungen, ohne sie vorwegzunehmen.
Die Anbindung an OpenAI läuft serverseitig und ist für verwaltete Generierungen gedacht. Für Demos und gekennzeichnete lokale Tests gibt es deterministische Vorlagen: Sie liefern bei gleicher Eingabe immer dasselbe Ergebnis. Das macht Tests reproduzierbar, und die Kennzeichnung verhindert, dass jemand eine Vorlage für ein echtes KI-Ergebnis hält. Bezahlt wird über Stripe Checkout, verwaltet über das Customer Portal, bestätigt ausschließlich über verifizierte Webhooks.
Kampagnen, Bilder, Historien und Bewerbungen werden privat und firmenbezogen gespeichert. Eine getrennte Demo-Datenbank erlaubt Vorschauen auf Rollen und Firmen, ohne echte Daten zu berühren. Öffentliche und für Suchmaschinen relevante Seiten werden auf dem Server oder vorab gerendert. Automatisierte Tests decken Sicherheit, Authentifizierung, Billing, KI, Social Media, Recruiting, Bilder, Jobportal und Kampagnenabläufe ab.
Schicht für Schicht
MH ist nicht in einem Zug entstanden, sondern durch schrittweise Verdichtung. Jede Ausbaustufe hat das Vorhandene belastbarer gemacht, bevor die nächste dazukam.
Am Anfang stand der Kern: Firmen, Rollen, Kampagnen und das Statusmodell. Ohne dieses Fundament wäre jede spätere Funktion auf Sand gebaut. Danach kamen Landingpage, Tarifmodell, Registrierung und Onboarding hinzu – der Weg, auf dem ein Unternehmen überhaupt ins Produkt findet. Die dritte Stufe sicherte diesen Weg ab: sichere Sitzungen, E-Mail-Bestätigung, Zwei-Faktor-Authentifizierung und Wiederherstellung.
Mit Stripe, einem Tokenledger und serverseitigen Berechtigungen wurde aus dem UI-Prototyp ein belastbareres Geschäftsmodell. Ein Ledger ist im Kern ein Kassenbuch: Der Kontostand ergibt sich aus nachvollziehbaren Buchungen, nicht aus einer Zahl, die irgendwo überschrieben wird.
Parallel wuchs das Content Studio. Aus einfachen Textfeldern wurde ein fokussierter Arbeitsbereich mit Bearbeitung, Vorschau, Bildern, Varianten und ungespeicherten Entwürfen. Eine öffentliche Stellenbörse, Bewerbungsabläufe und ein interner Recruiting-Bereich machten aus der Kampagne schließlich einen zusammenhängenden Prozess. Die Arbeit endet nicht mehr mit der Freigabe einer Anzeige, sondern mit einer Bewerbung, die jemand bearbeitet.
Damit bei diesem Umfang niemand den Überblick verliert, entstand ein digitaler Zwilling des Projekts: ein Use-Case-Dashboard, das Funktionsumfang, Status, offene Punkte und spätere Änderungen nachvollziehbar macht. Jede Stufe wurde von wiederholten Tests und Prüfungen in einem echten Browser begleitet.
Schwierig sind die Nahtstellen
Die vielleicht wichtigste Erkenntnis des Projekts: Die schwierigsten Aufgaben waren weder das Erzeugen von Texten noch das Zeichnen einer Oberfläche. Anspruchsvoll waren die Übergänge zwischen Produktbereichen.
- Zahlung und Berechtigung: Ab welchem Moment genau darf ein Konto mehr?
- Freigabe und Veröffentlichung: Heißt freigegeben schon veröffentlicht?
- Bildänderung und Versionsstand: Gehört ein neu zugeschnittenes Bild zur freigegebenen Fassung oder zu einem neuen Entwurf?
- Bewerbung und Datenschutz: Wer im Unternehmen darf welche Bewerbungsdaten sehen?
Jede dieser Fragen ist für sich genommen klein. Zusammen entscheiden sie, ob ein Produkt im Alltag hält. Innerhalb eines Bereichs lässt sich vieles sauber lösen. An den Nahtstellen treffen Zustände aufeinander, die verschiedene Teile des Systems verschieden sehen – und genau dort entstehen die Fehler, die später Geld oder Vertrauen kosten.
Wo wir bewusst auf Automatik verzichtet haben
Reife zeigt sich oft an dem, was ein Produkt nicht tut. In MH stecken mehrere Entscheidungen gegen vorschnelle Automatisierung. Wir halten sie für die eigentlichen Qualitätsmerkmale.
„Live“ ist ein interner Status. Steht eine Kampagne im Workflow auf live, heißt das nicht, dass sie auf Instagram oder Facebook veröffentlicht wurde. Ein Status beschreibt, was im Team entschieden ist – nicht, was bei einem externen Anbieter geschehen ist.
Eine Weiterleitung schaltet nichts frei. Nach dem Bezahlen kehrt der Browser zur Anwendung zurück. Diese Rückkehr setzt keine Berechtigungen, das darf erst ein überprüftes Ereignis von Stripe. Der Grund ist einfach: Eine Weiterleitung lässt sich abbrechen, wiederholen oder von Hand aufrufen. Ein verifizierter Webhook nicht.
KI schlägt vor, Menschen entscheiden. KI-generierte Inhalte müssen vor ihrer Verwendung von Menschen geprüft werden. Das Statusmodell mit Prüfung und Freigabe ist dafür kein Hindernis, sondern genau der Ort, an dem diese Prüfung stattfindet.
Lücken werden benannt. Fehlt ein Anbieter oder ist eine Integration nicht abgeschlossen, sagt die Oberfläche das, statt einen Erfolg vorzutäuschen. Simulierte Werbeklicks, Testbudgets und lokale Vorlagen sind ausdrücklich als Simulation oder Test gekennzeichnet.
Keine Automatik bei unklarem Zustand. Wo ein externer Zustand nicht eindeutig ist, haben wir Automatisierung begrenzt. Ein automatischer Neuversuch klingt bequem, kann aber zu doppelten Posts, doppelten Zahlungen oder falschen Berechtigungen führen.
Was intern ist, bleibt intern. Öffentliche Inhalte dürfen keine privaten Informationen aus dem Briefing preisgeben. Und die Plattform behauptet keine Wirkung, die noch nicht gemessen wurde.
Vom Textgenerator zum Recruiting Workspace
Wer heute auf MH schaut, sieht deshalb kein KI-Werkzeug mit angehängter Verwaltung, sondern einen Arbeitsraum, in dem die KI ihren Platz hat. Die Generierung ist ein Schritt in der Mitte. Davor liegen Registrierung, Sicherheit, Profil und ein Briefing, das man unterbrechen und fortsetzen kann. Danach kommen Bearbeitung, Vergleich, Kommentar, Freigabe, Export und schließlich die Bewerbung.
Darin liegt der Unterschied zwischen einer Funktion und einem Produkt. Eine Funktion beantwortet die Frage, ob etwas geht. Ein Produkt beantwortet die Frage, was danach passiert.
Was heute funktioniert – und was bewusst offen ist
MH ist kein eingeführtes SaaS-Produkt, und wir möchten es auch nicht so darstellen. Es ist ein umfangreicher lokaler Prototyp. Weil der Unterschied zwischen „gebaut“, „getestet“, „vorbereitet“ und „produktiv geprüft“ entscheidend ist, hier ohne Umschreibung:
| Stand | Was dazugehört |
|---|---|
| Implementiert und automatisiert getestet | Die wichtigsten Produktabläufe – lokal: Firmenkonten und Rollen, Anmeldung mit Zwei-Faktor-Authentifizierung, Briefing, Kampagnen mit Statusmodell, Content Studio und Bilder, Abrechnungslogik mit Tokens, Stellenbörse, Bewerbungen und Recruiting-Bereich |
| Technisch vorbereitet | Veröffentlichung auf Facebook. Sie braucht eine öffentliche HTTPS-Umgebung, eine konfigurierte Meta-App und eine echte Abnahme durch den Anbieter. |
| Noch nicht verifiziert | Ein echter produktiver Aufruf von OpenAI |
| Noch nicht abgeschlossen | Öffentliche Bereitstellung, produktive Aktivierung von Stripe, vollständige E-Mail-Zustellung per SMTP |
| Steht noch aus | Rechtstexte, Steuerkonfiguration, Monitoring, Backup, Hosting und Produktionsabnahme |
| Nicht produktiv umgesetzt | Veröffentlichung auf Instagram und bezahlte Anzeigen |
MH ist also weder öffentlich verfügbar noch produktionsreif. Das ist kein Makel, sondern eine ehrliche Standortbestimmung. Die offenen Punkte sind bekannt, benannt und im Use-Case-Dashboard nachvollziehbar.
Was wir aus dem Projekt mitnehmen
Ein digitales Produkt wird nicht dadurch belastbar, dass es möglichst viel zeigt. Belastbar wird es, wenn jederzeit klar ist, was tatsächlich passiert ist, wer es auslösen durfte und in welchem Zustand sich das System wirklich befindet.
Das klingt selbstverständlich. In der Praxis ist es die Linie, an der sich entscheidet, ob ein Prototyp echte Nutzer, echtes Geld und echte Daten aushält.
So verstehen wir bei Browserstudios digitale Produktentwicklung: Produktdenken, UX, Technik, Sicherheit und Geschäftsmodell gehören vom ersten Tag an an einen Tisch. Nicht, weil man alles gleichzeitig bauen müsste. Sondern weil jede dieser Perspektiven Fragen stellt, die die anderen übersehen.
Eine Idee, die mehr können muss als eine Demo
Sie haben eine Idee für eine Plattform oder eine B2B Software und möchten wissen, was sie wirklich braucht, bevor Geld in die Umsetzung fließt? Dann sprechen wir gern darüber: über Nutzerreise, Anforderungen und Risiken – und über individuelle Softwareentwicklung, die mit einem Prototyp beginnt, der sich prüfen lässt, statt nur gut auszusehen.
Häufige Fragen
Was ist der MH Recruiting Workspace?
MH – Recruiting Workspace ist ein lokal entwickelter Prototyp für eine mandantenfähige Recruiting- und Kampagnenplattform. Kleine und wachsende Unternehmen sollen damit Stellenangebote und Recruiting-Kampagnen strukturiert planen, erstellen, intern abstimmen und für mehrere Kanäle vorbereiten können – vom Briefing bis zur Bewerbung.
Ist MH öffentlich verfügbar?
Nein. Die wichtigsten Produktabläufe sind implementiert und automatisiert getestet, aber öffentliche Bereitstellung, produktive Stripe-Aktivierung, vollständige SMTP-Zustellung, Rechtstexte, Steuerkonfiguration, Monitoring, Backup, Hosting und Produktionsabnahme stehen noch aus.
Wie funktioniert die Abrechnung mit MH-Tokens?
MH verbindet Abonnements mit einem Guthaben aus MH-Tokens. Eine erfolgreiche Kampagnenerstellung kostet 50 Tokens, fehlgeschlagene Generierungen kosten nichts. Monatlich enthaltene und zusätzlich gekaufte Tokens werden getrennt geführt, es gibt keine automatische Aufladung. Preise werden als Netto-Eurobeträge ausgewiesen, Berechtigungen entstehen ausschließlich aus verifizierten Stripe-Webhooks.
Welche Rolle spielt KI im MH Recruiting Workspace?
Aus einem geführten Briefing entstehen serverseitig über OpenAI Entwürfe für Instagram, Meta und eine gemeinsame Stellenbeschreibung. Diese Entwürfe müssen vor ihrer Verwendung von Menschen geprüft und freigegeben werden. Ein echter produktiver OpenAI-Aufruf ist noch nicht abschließend verifiziert; für Demos und Tests gibt es gekennzeichnete, deterministische Vorlagen.