Lassen Sie uns über die Erfahrungen eines Recruiters mit KI-gestützten Lebensläufen sprechen. Die Rolle war die eines Mid-Senior DevOps-Ingenieurs. Schwerpunkt Cloud-Infrastruktur, Kubernetes-Erfahrung unerlässlich, Hintergrund im Finanzdienstleistungssektor bevorzugt. Eine gut geschriebene Stellenbeschreibung, eine wettbewerbsfähige Gehaltsspanne, ein seriöser Arbeitgeber. Standardkram. Bis Donnerstag hatte der Recruiter 200 Bewerbungen. Diese Zahl war ungewöhnlich, aber nicht alarmierend. Gute Stellen in […]
Lassen Sie uns über die Erfahrungen eines Personalvermittlers mit KI-verbesserten Lebensläufen sprechen.
Die Rolle war ein Mid-Senior DevOps Engineer. Fokus auf Cloud-Infrastruktur, Kubernetes-Erfahrung unerlässlich, Hintergrund im Finanzdienstleistungssektor bevorzugt. Ein gut geschriebenes Briefing, ein wettbewerbsfähiges Gehalt Range, ein angesehener Arbeitgeber. Standardkram.
Bis Donnerstag hatte der Personalvermittler 200 Bewerbungen.
Diese Zahl war ungewöhnlich, aber nicht alarmierend. Attraktive Stellen im technischen Spezialbereich ziehen viele Bewerber an. Ungewöhnlich war jedoch, was sie vorfand, als sie die Bewerbungen öffnete. Fast ausnahmslos waren die Bewerbungen außergewöhnlich gut verfasst. Klare Struktur. Souveräne Fachsprache. Quantifizierte Erfolge: “Reduzierung der Bereitstellungszeit um 43%”, “Verwaltung einer Infrastruktur für 2,3 Millionen täglich aktive Nutzer”, “Leitung der Migration von 14 Microservices auf eine containerisierte Architektur”. Hätte sie ihre Entscheidung allein anhand der Präsentation getroffen, hätte sie vierzig Bewerber in die engere Auswahl nehmen können.
Sie wählte zweiundzwanzig aus. Bis zum Ende der ersten Woche der Telefoninterviews hatte sie ein Problem. Kandidaten, die selbstbewusst über Kubernetes-Orchestrierung schrieben, konnten auf direkte Nachfrage den Unterschied zwischen einem Deployment und einem Stateful Set nicht erklären. Ingenieure, die führende Infrastrukturmigrationen dokumentierten, wurden vage, wenn sie gefragt wurden, was sie konkret gebaut und was sie übernommen hätten. Konkretisierte Erfolge lösten sich bei sanftem Nachhaken in Annäherungen auf.
Sie hatte zweiundzwanzig Kandidaten auf dem Papier. Sie hatte vier am Telefon.
Dies ist keine isolierte Geschichte. Es ist die neue Normalität der Rekrutierungsprüfung im Jahr 2026, und die zugrunde liegenden Daten sind jetzt umfangreich genug, um genau zu erklären, was passiert und was es tatsächlich behebt.
Dies ist kein Randfall mehr, der eine Handvoll unglücklicher Recruiter betrifft.
Siebzig Prozent der Arbeitssuchenden nutzen mittlerweile generative KI bei ihrer Jobsuche – vor zwei Jahren waren es noch nur 39%. Einunddreißig Prozent der Kandidaten geben zu, KI direkt zur Erstellung oder “Optimierung” ihres Lebenslaufs zu nutzen., Das bedeutet, dass ein sinnvoller Teil jeder Anwendungspool direkt an der Erstellung beteiligt war.
Das Volumenproblem verschärft das Qualitätsproblem. Viele der weltweit größten Personalvermittlungsunternehmen berichten mittlerweile, dass bis zu 70% der eingegangenen Lebensläufe irreführende oder nicht überprüfbare Angaben enthalten. Die New York Times beschrieb dieses Phänomen als “KI-Schlammze”, eine Welle von massenhaft erzeugten Bewerbungen, die Personalvermittler mit qualitativ minderwertigen, automatisch ausgefüllten Inhalten überschwemmten, die oft irreführend sind und sich in großem Maßstab vermehren.
Die Betrugsdimension ist ebenfalls messbar, nicht nur anekdotisch. Das Cybersicherheitsunternehmen Huntress hat im September 2025 seine eigene Rekrutierungspipeline um eine Betrugserkennung erweitert und 23,2% Bewerber als Betrugsrisiken gekennzeichnet. über ein Dreimonatsfenster. Gartner prognostiziert, dass bis 2028 eines von vier Kandidatenprofilen betrügerisch sein wird, eine Flugbahn, die nach aktuellen Erkennungsraten bereits im Zeitplan liegt.
Die Zuversicht der Einstellungsteams ist entsprechend gesunken. Nur 19% der Personalverantwortlichen sind äußerst zuversichtlich, dass ihr derzeitiger Prozess einen betrügerischen Bewerber aufdecken würde, und 72% der Personalvermittler sind bereits auf von KI generierte gefälschte Bewerbungen gestoßen, darunter erfundene berufliche Werdegänge und fiktive Referenzen.
Die am stärksten betroffenen Rollen sind Remote-Arbeit, stark nachgefragte und leicht quantifizierbare: spezialisierte Technologie, quantitative Finanzen und bestimmte Beratungsfunktionen. Genau die Art von technischer Suche für mittlere bis erfahrene Fachkräfte, bei der eine Fehlbesetzung am teuersten ist.
Das Erste, was die Recruiterin anders machte, war, ihre Frage zu ändern. Nicht “Sieht dieser Kandidat richtig aus?”, sondern “Hat das ein Mensch geschrieben?”
Die verräterischen Anzeichen waren subtil, aber beständig, sobald sie wusste, wonach sie suchen musste. Erfolgsmeldungen, die so präzise waren, dass sie unglaubwürdig wirkten, und bei denen ein bestimmter prozentualer Anstieg nicht erklärt werden konnte, wenn der Kandidat gefragt wurde, wie er gemessen worden sei. Technisches Vokabular, das im Kontext korrekt verwendet wurde, aber ohne die eigenwillige Tiefe von jemandem, der wirklich in einer technischen Domäne lebt. Karrierenarrative, die kohärent und gut strukturiert waren, aber irgendwie generisch, und Erfahrungen beschrieben, die zu jedem kompetenten DevOps-Ingenieur gehören könnten, anstatt die spezifische Textur dessen, was diese Person tatsächlich getan hatte.
Das ist größtenteils kein Betrug im vorsätzlichen Sinne. Viele echte Kandidaten nutzen KI, um ihr Schreiben zu verbessern, Grammatik zu prüfen oder sich auf Bewerbungen vorzubereiten, und die meisten versuchen nicht zu täuschen. Sie konkurrieren in einem Umfeld, in dem sie korrekt wahrnehmen, dass die Qualität der Präsentation die Ergebnisse beeinflusst. Das systemische Problem ist anders: Wenn KI-Tools die Mindestanforderungen an die Anwendungsqualität generell erhöhen, verliert der Lebenslauf seinen Wert als Unterscheidungsmerkmal. Alle sehen auf dem Papier gut aus.
Das ist besonders wichtig für die Art von mittleren und leitenden technischen Einstellungen, die in unserem Leitfaden beschrieben werden. Fachkräftemangel in der IT in Polen, wo der Wettbewerb um wirklich fähige Spezialisten bereits intensiv ist, noch bevor KI-gestützte Anwendungen ins Spiel kommen.
Die zweite Untersuchung der Recruiterin galt ihrem eigenen Prozess. Sie hatte 200 Bewerbungen mit den Methoden geprüft, die sie immer anwandte: Schlüsselwortpräsenz, Quantifizierung von Erfolgen, Logik der Karriereentwicklung, Qualität der Darstellung. Jedes einzelne dieser Signale war kompromittiert gewesen.
Die Anwesenheit von Schlüsselwörtern war der offensichtlichste fehlerhafte Filter. KI-Tools optimieren Lebensläufe für Bewerbermanagementsysteme (ATS) mit einer Präzision, die kein menschlicher Kandidat manuell erreichen könnte, da die Tools die Stellenbeschreibung lesen, wahrscheinliche ATS-Filterwörter identifizieren und diese natürlich einbetten können. Die meisten unternehmensweiten ATS-Systeme parsen den Lebenslauftext und gleichen ihn mit Schlüsselwörtern aus der Stellenbeschreibung ab, aber sie lesen, was auf der Seite steht, anstatt es zu überprüfen. Die Beschäftigungshistorie wird parst, nicht verifiziert, sodass aufgeblähte Titel und fiktive Unternehmen reibungslos durchgehen. Ein Kandidat, der Terraform noch nie in der Praxis eingesetzt hat, kann in seinem Lebenslauf diese Technologie viermal im richtigen Kontext korrekt erwähnen.
Die Quantifizierung von Erfolgen wurde auf eine bestimmte Weise manipuliert. Nicht durch erfundene Zahlen, sondern durch KI-Tools, die aus einer vagen Beschreibung von Aufgaben eine plausibel klingende Kennzahl generieren. Aus “Hat zur Verbesserung der Bereitstellungsprozesse beigetragen” wird “Reduzierung der Bereitstellungszykluszeit um 38% durch die Umsetzung automatisierter Verbesserungen der CI/CD-Pipeline”. Die Zahl 38% ist nicht in dem Sinne fiktiv, dass sie aus dem Nichts erfunden wurde. Sie wird aus dem allgemeinen Wissen darüber abgeleitet, was solche Verbesserungen typischerweise bewirken, und lässt sich allein anhand des Lebenslaufs nicht überprüfen.
Die Zahlen belegen, wie sehr dies die automatisierte Überprüfung besiegt. 63 Prozent der betrügerischen Bewerber durchlaufen die KI-basierte Lebenslaufprüfung und erhalten Stellenangebote, während 96% niemals aufgedeckt werden, da ATS-Systeme zwar die Qualifikationen auswerten, die Identität jedoch nicht überprüfen. Neunundvierzig Prozent der US-Personalverantwortlichen lehnen inzwischen automatisch Lebensläufe ab, bei denen sie den Verdacht haben, dass sie KI-generiert sind., was ein Problem löst, indem es möglicherweise ein anderes schafft: die fälschliche Ablehnung echter Kandidaten, die KI verantwortungsvoll zur Verfeinerung, nicht zur Erfindung, ihrer Bewerbungen eingesetzt haben.
Die Schlussfolgerung der Recruiterin war unmissverständlich. Die von ihr angewandten Auswahlkriterien maßen die Qualität von KI-geschriebenen Texten, nicht die Fähigkeit der Kandidaten. Sie brauchte völlig andere Kriterien.
Bevor sie ihren Auswahlprozess neu gestaltete, wandte sich die Personalchefin an die vier Kandidaten, die sie am Telefon beeindruckt hatten, und las ihre Bewerbungen nochmals durch, wobei sie nach Unterschieden in der Persönlichkeit statt in der Qualität suchte.
Was sie fand, war eine spezifische Art von Spezifität. Nicht die polierte, generische Spezifität einer KI-generierten Leistungsbeschreibung, sondern die eigenwillige Spezifität von jemandem, der über eine tatsächlich geleistete Arbeit spricht. Der Lebenslauf eines Kandidaten erwähnte einen Produktionsausfall, der durch einen falsch konfigurierten Load Balancer verursacht wurde, den Diagnoseprozess, die Behebung und die anschließend implementierten Überwachungsänderungen. Kein KI-Tool generiert so etwas freiwillig, weil es spezifisch und unglamourös ist und implizit zugibt, dass etwas schiefgelaufen ist. Ein anderer Kandidat beschrieb eine Technologieentscheidung, warum sie einen bestimmten Monitoring-Stack gegenüber Alternativen gewählt hatten, mit der Art von meinungsstarker Begründung, die nur aus der tatsächlichen Bewertung von Optionen resultiert.
Ein Drittel hatte einen ungewöhnlichen Karriereweg, eine Zeit bei einem Unternehmen, von dem der Personalvermittler noch nie gehört hatte, gefolgt von einem scheinbar seitlichen Wechsel statt einer Beförderung. Auf dem Papier wäre dies möglicherweise durch eine Standardprüfung der Qualifikationen aussortiert worden. Am Telefon stellte sich heraus, dass das unbekannte Unternehmen der Ort war, an dem er die interessanteste Infrastrukturarbeit seiner Karriere geleistet hatte, und dass der seitliche Wechsel bewusst erfolgte, um einem Team beizutreten, das etwas aufbaute, das er lernen wollte. Der Lebenslauf hatte diesen Kontext nicht erklärt. Das Telefongespräch offenbarte ihn.
Die Recruiterin baute ihren Prozess auf diesen Erkenntnissen neu auf. Der Rahmen ist auf jede Spezialistenrolle übertragbar, bei der KI-gestützte Anwendungen das Signal verzerren, was im Jahr 2026 auf die meisten zutrifft.
Die diagnostische Frage verschiebt sich von “sieht das überzeugend aus” zu “wo ist das verdächtig perfekt?”. Ein generisches Polieren ist jetzt eher eine gelbe Flagge als eine grüne. Worauf Sie achten sollten, ist die unvollkommene Spezifität echter Erfahrung: der nicht-lineare Karrieremoment, die spezifische technische Entscheidung mit ihrer Begründung, das Projekt, das schiefgelaufen ist, und was danach geschah. Diese Signale sind für KI-Generatoren nach wie vor schwer überzeugend zu erzeugen, da sie tatsächliche gelebte Erfahrung erfordern, um sie zu produzieren.
Ein kurzer schriftlicher Test, der vor dem Telefonat gesendet wird, in zwanzig bis dreißig Minuten auszufüllen und so konstruiert ist, dass er fast unmöglich gut zu beantworten ist, ohne echtes Fachwissen. Nicht “Beschreiben Sie Ihre Erfahrungen mit Kubernetes”, was unabhängig davon, wer antwortet, einen KI-gestützten Absatz hervorbringt. Stattdessen: “Beschreiben Sie eine spezifische Situation, in der sich ein Kubernetes-Deployment unerwartet verhielt. Was war das Symptom, wie sah Ihr Diagnoseprozess aus und was haben Sie herausgefunden?” Die Antwort zeigt innerhalb von zwei Absätzen, ob der Kandidat in dieser Umgebung tätig war oder sie von außen beschreibt.
Der Telefonbildschirm wird neu gestaltet, um Tiefe statt Themenabdeckung zu berücksichtigen. Anstatt eine Checkliste aus der Stellenbeschreibung abzuarbeiten, wählt der Interviewer zwei oder drei spezifische Bereiche aus und geht tief darauf ein. “Sie erwähnten die Leitung einer Migration zu einer containerisierten Architektur. Gehen Sie einen Entscheidungspunkt durch, bei dem Sie zwischen Optionen wählen mussten. Was waren die Optionen, was haben Sie gewählt und warum?” Nachfragen gehen auf Details ein: Wer war noch beteiligt, was waren die Gegenargumente, was würden Sie jetzt anders machen.
Diese Herangehensweise hat echte Forschung hinter sich, völlig unabhängig vom KI-Betrugsproblem. Strukturierte Interviews sind durchweg zuverlässigere und gültigere Prädiktoren für die Arbeitsleistung als unstrukturierte Interviews, und Die grundlegende Meta-Analyse von Schmidt und Hunter, die 85 Jahre Forschung zur Personalauswahl zusammenfasst, ergab für strukturierte Interviews einen Validitätskoeffizienten von 0,51, was ungefähr die doppelte Vorhersagegenauigkeit von unstrukturierten Interviews hat. Diese Fragen sollen die Basis des echten Wissens eines Kandidaten ermitteln, den genauen Punkt, an dem die wirkliche Erfahrung aufhört und Verallgemeinerungen beginnen.
Für Kandidaten, die die ersten drei Runden bestanden haben, folgt eine praktische Aufgabe, die entweder live oder strukturiert durchgeführt wird und in Echtzeit von den Kandidaten verlangt, die für die Rolle spezifischen Fähigkeiten zu demonstrieren. Für die DevOps-Rolle in diesem Fall bedeutete dies eine 30-minütige Live-Fehlersuche in einer defekten Umgebung, wobei dem Kandidaten spezifische Symptome präsentiert wurden. Die Aufgabe ist nicht darauf ausgelegt, zu täuschen. Sie soll beobachten, wie jemand unter realistischen Bedingungen denkt, was eine KI nicht in Echtzeit stellvertretend für einen Kandidaten tun kann.
Arbeitsprobenuntersuchungen weisen die höchste prädiktive Validität aller untersuchten Einstellmethoden auf, mit einem Korrelationskoeffizienten von .54, noch vor strukturierten Interviews und allgemeinen mentalen Fähigkeitstests. Traditionelle Hausaufgaben sind jedoch durch dieselben KI-Tools beeinträchtigt, die bereits die Lebenslaufphase beeinträchtigt haben. Bewertungen müssen sich hin zu szenariobasierten, spontanen Übungen verlagern, die Echtzeit-Problemlösungsdruck erfordern und sich auf kontextspezifische Datenpunkte konzentrieren, die ein LLM nicht schnell nachschlagen oder skripten kann.
Die Kosten für die Auslassung dieses Wiederaufbaus sind nicht abstrakt.
Die gemeldeten Verluste durch Betrug am Arbeitsplatz stiegen von $90 Millionen im Jahr 2020 auf über $501 Millionen im Jahr 2024, was einem Anstieg von 457% innerhalb von vier Jahren entspricht., laut dem FTC Consumer Sentinel Network. In Sektoren mit strengen Compliance-Anforderungen wie dem Gesundheitswesen, der Finanzbranche und dem juristischen Personalwesen kann eine betrügerische Qualifikation in der falschen Position sowohl die vermittelnde Agentur als auch den Klienten regulatorischen Strafen und zivilrechtlicher Haftung aussetzen., weit über die Kosten einer erneuten Suche hinaus.
Es gibt auch **Kosten**, die seltener in den Schlagzeilen stehen: die verschwendete Zeit der einstellenden Manager. Jeder Kandidat, der ein schwaches Auswahlverfahren besteht und bis zu einem Vorstellungsgespräch in der Endrunde gelangt, bevor seine Lücken entdeckt werden, hat Stunden der Zeit eines leitenden Ingenieurs oder einstellenden Managers beansprucht, die ein stärkeres Auswahlverfahren geschützt hätte. Die praktischen Kosten bemessen sich an der Zeit, die Recruiter und Einstellungsteams mit dem Durchsuchen irrelevanter, KI-generierter Bewerbungen verschwenden., Zeit, die sich über jede offene Stelle in der Pipeline eines Unternehmens summiert.
Der "Flight to Quality" ist bereits daran zu erkennen, wie große Arbeitgeber reagiert haben. Bis Mitte 2025 hatten Unternehmen wie Google und McKinsey obligatorische persönliche oder Live-Verifizierungsschritte wieder eingeführt, insbesondere um den Betrug bei KI-gestützten Vorstellungsgesprächen zu bekämpfen.. Diese Verschiebung spiegelt eine breitere Erkenntnis in der gesamten Branche wider: rein automatisierte Screening-Pipelines reichen allein nicht mehr aus in einem Markt, in dem die darin ankommenden Anwendungen so konstruiert wurden, dass sie diese bestehen.
Für Unternehmen, die in Märkten wie Polen, wo die gleiche KI-gestützte dynamische Anwendung einen bereits akuten Mangel an erfahrenen technischen Talenten verschärft, sind die Einsätze noch höher. Eine Fehleinschätzung eines Kandidaten kostet in einem Markt, in dem der tatsächliche Pool an qualifizierten Kandidaten bereits dünn ist, mehr Zeit, wie wir in unserem Leitfaden zu... Häufige Einstellungsfehler ausländischer Unternehmen in Polen.
Die individuelle Untersuchung des Recruiters ergab einen individuellen Rahmen. Aber das strukturelle Problem, dass KI-gestützte Anwendungen gleichzeitig in allen Sektoren und Regionen die Spezialisten-Pipelines fluten, erfordert eine systemische Antwort, nicht nur eine clevere Methode eines einzelnen Recruiters, die isoliert angewendet wird.
Die effektivste systemische Antwort für Arbeitgeber im Jahr 2026 sind spezialisierte Personalvermittler, die über genügend Fachwissen verfügen, um diese Art der investigativen Überprüfung schnell, bei jeder Suche und als Standardverfahren anstelle einer einmaligen Korrektur durchzuführen.
Ein spezialisierter DevOps-Recruiter, der fünf Jahre in diesem spezifischen Markt tätig war, weiß innerhalb von zehn Minuten Gesprächszeit, wie echte Cloud-Infrastruktur-Erfahrung klingt. Er weiß, welche Unternehmen in diesem Bereich dafür bekannt sind, wirklich starke Ingenieure hervorzubringen, und welche dafür bekannt sind, eine kleine Anzahl kompetenter Leute mit einer viel größeren Anzahl mittelmäßiger zu umgeben. Er weiß genau, welche Folgefragen echte Expertise von einer gut polierten Nähe dazu unterscheiden. Im Wesentlichen führt er genau diese Untersuchung bei jedem Kandidaten durch, bevor eine Vorstellung überhaupt den Kunden erreicht. Das ist der Unterschied, ob ein Hiring Manager vier geeignete Kandidaten sieht, nachdem er zweiundzwanzig Telefoninterviews durchgesehen hat, oder ob er vier geeignete Kandidaten sieht, weil genau das präsentiert wurde.
Dies ist der spezifische Wert, den die spezialisierte Personalvermittlung im Zeitalter KI-gestützter Bewerbungen liefert: nicht nur Zugang zu Kandidaten, sondern die Überprüfung ihrer Fähigkeiten durch jemanden mit der Domänentiefe, um dies zuverlässig und im Umfang des modernen Einstellungsprozesses zu tun. Die Alternative, KI-polierte Bewerbungen durch Schlüsselwortfilter zu verarbeiten und zu hoffen, dass das erste Telefoninterview die Lücke erkennt, ist der Prozess, der bei den 200 Bewerbungen, 22 Telefoninterviews und 4 geeigneten Kandidaten aus der Geschichte, die diesen Leitfaden eröffnet hat, zu dem Ergebnis geführt hat.
Wie häufig sind KI-gestützte oder betrügerische Lebensläufe im Jahr 2026?
Sehr gebräuchlich. Siebzig Prozent der Arbeitsuchenden nutzen mittlerweile generative KI bei ihrer Jobsuche, und Bis zu 70% der Lebensläufe, die bei einigen der weltweit größten Personalvermittlungsunternehmen eingehen, enthalten irreführende oder nicht überprüfbare Angaben. Direkter Betrug, anstatt bloßer Schönfärberei, betrifft einen kleineren, aber immer noch erheblichen Teil: 23,21 TP3T der Bewerber wurden in der eigenen Rekrutierungspipeline eines Cybersicherheitsunternehmens über einen Zeitraum von drei Monaten Ende 2025 als Betrugsrisiken gekennzeichnet.
Kann ATS-Software zuverlässig KI-generierte Lebensläufe erkennen?
Nicht von allein. 63 Prozent der betrügerischen Bewerber durchlaufen die KI-Lebenslaufprüfung und erhalten Stellenangebote, und 96% werden nie entdeckt, because standard ATS tools parse credentials for keyword relevance rather than verifying whether the underlying claims are true. Most parsing engines also operate with significant accuracy limitations and lack contextual intelligence to flag mismatched job titles or unsupported skill claims.
Is it wrong for candidates to use AI on their CV at all?
No, and treating every AI-assisted CV as fraudulent is itself a mistake. Many genuine candidates use AI to improve grammar, structure, and clarity, which is materially different from inventing skills or fabricating achievements. The screening challenge is distinguishing between AI-assisted presentation of real experience, which is now standard practice, and AI-generated fabrication of experience that does not exist.
What is the single most effective change a recruitment team can make?
Move depth earlier in the process. A structured written screen and a depth-focused phone interview, conducted before any panel or final-round interview, filters out the candidates who present well but cannot perform, before they consume senior hiring manager time. Structured interviews carry roughly twice the predictive validity of unstructured ones, and this advantage holds entirely independent of the AI-CV problem, making it worth implementing regardless of how the fraud landscape evolves.
Should companies use specialist recruiters instead of building this screening in-house?
For high-stakes, specialist, or senior technical hires, generally yes. Building genuine domain-level interrogation capability, the kind that catches the gap between “lists Kubernetes” and “has operated Kubernetes in production”, takes years to develop internally. Specialist recruiters who already operate inside a specific technical market carry that judgement as a standard part of their process, which is precisely the kind of capability verification our IT-Rekrutierung network is built around.
Hiring technical specialists where screening quality genuinely matters? Explore our guide to the Fachkräftemangel in der IT in Polen, see how foreign companies most often get hiring wrong in our guide to common hiring mistakes in Poland, or read IT-Recruiting in Polen: Wo Unternehmen 2026 Top-Entwickler finden for how specialist recruiter networks close searches that generic screening cannot.
English English 
Romanian
Polish
German