Wie Folkso die Person findet, mit der du gut zusammenarbeitest

Folkso bringt dich zur richtigen Person

Fähigkeiten und ein Honorar ergeben eine Liste. Mit wem davon du die nächsten drei Monate gern arbeitest, verrät die Liste nicht.

Folkso ist für genau diese Frage gebaut. Es findet Menschen, die die Arbeit machen, und prüft sie. Deine KI gleicht sie mit deiner Arbeitsweise ab und sagt dir, wer am nächsten dran ist. Beide Hälften stützen sich auf Forschung zu Menschen bei der Arbeit, und wir messen beide.

Am besten passt, wer zur Aufgabe und zu deiner Arbeitsweise passt. Die Zahlen stammen aus 300 Testsuchen, deren richtige Antworten vorher feststanden und die bei der Abstimmung keine Rolle gespielt haben. Sie liefen mit demselben Code, der dir in ChatGPT und Claude antwortet.

Vier Schritte von deiner Anfrage zur richtigen Person

1. Folkso findet Menschen, die die Arbeit machen. Es kommen nur Menschen durch, die für diese Art von Arbeit offen sind, und wer selbst Bedingungen hat, die deine Aufgabe ausschließen, fällt heraus. Ein Modell liest die 50 ähnlichsten Profile vollständig, ohne Kontakte, und liest die ersten noch einmal einzeln, bevor du sie siehst.
2. Deine KI bekommt die Fakten. Zu jeder Person sieht sie einen Satz aus dem eigenen Profil, der zeigt, dass die Person kann, was du brauchst, und etwas Konkretes, das ihr gemeinsam habt, falls es das gibt. Sie sieht, was nicht zu deinen Bedingungen passt, etwa ein Honorar über deinem Budget. Und sie bekommt ein kurzes Porträt davon, wie die Person arbeitet und was ihr bei der Arbeit wichtig ist, abgeleitet aus dem Text des Profils. Ins Porträt kommt nur, was sich sicher ableiten lässt.
3. Deine KI gleicht sie mit dir ab. Sie hat gesehen, wie du arbeitest, in deinen Chats und in der Arbeit, die ihr zusammen erledigt habt, und kennt dich besser als jedes Profil, das du ausfüllen könntest. Sie achtet auf Tempo und Rhythmus, darauf, ob jemand allein arbeitet oder regelmäßige Abstimmung braucht, wie jemand diskutiert und Feedback annimmt und was jemandem bei der Arbeit wichtig ist. Manchmal arbeitet die richtige Person wie du. Manchmal ist es jemand, der deine Schwachstelle ausgleicht, etwa ein gut organisiertes Gegenüber für jemanden, der in Schüben arbeitet. Die KI schreibt ihre Einschätzung auf jede Karte und kann eine Person mit „Am nächsten“ markieren.
4. Du entscheidest. Die Karten bleiben in der Reihenfolge von Folkso. Du liest die Einschätzungen und wählst, wem du schreibst.

Eine Einschätzung geht von einem Fakt im Profil aus und nennt das „Aber“, wenn es eins gibt. Prozentwerte für die Passung und „perfekt passend“ kommen darin nicht vor. In Nutzerstudien des Teams um Bansal führten die Erklärungen einer KI dazu, dass Menschen ihren Vorschlag häufiger annahmen, ob er nun richtig war oder falsch. Name, Foto, Geschlecht, Alter und Herkunft spielen beim Abgleich keine Rolle.

Folkso liest weder deine Chats noch das Gedächtnis deines Assistenten. In die Suche gehen nur die Bedingungen der Aufgabe, und wenn deine KI etwas, woran sie sich bei dir erinnert, zur Bedingung machen will, fragt sie dich vorher.

Die Einschätzungen siehst nur du, nach 30 Tagen werden sie gelöscht. Die Person, um die es geht, sieht sie nicht.

Was darüber entscheidet, ob zwei Menschen gut zusammenarbeiten

Der Abgleich von Folkso beruht auf Metaanalysen und langen Studien zu Menschen bei der Arbeit. Hier sind die, auf die er sich stützt.

Kristof-Brown, Zimmerman und Johnson haben 172 Studien mit 836 Effektstärken dazu zusammengeführt, wie gut Menschen zu ihrer Tätigkeit, ihrer Organisation, ihrem Team und ihrer Führungskraft passen. Wer passte, war zufriedener und wollte eher bleiben. Die Passung zur Führungskraft korrelierte mit 0,46 mit der Zufriedenheit mit dieser Führungskraft, die Passung zum Team mit 0,47 mit dem Zusammenhalt im Team. Mit der Leistung waren die Zusammenhänge schwächer, 0,07 bis 0,20. Die Passung zum Team ging mit der allgemeinen Arbeitszufriedenheit schwächer einher, als die Autoren erwartet hatten, und sie nennen dafür einen Grund. Viele dieser Studien haben die Passung zum Team über den Vergleich von Persönlichkeitswerten gemessen.

Liden, Wayne und Stilwell haben 166 neue Beschäftigte und ihre Führungskräfte durch ihre ersten sechs Monate begleitet. Was die beiden in den ersten fünf Tagen voneinander erwarteten, sagte voraus, wie gut ihre Arbeitsbeziehung nach zwei und nach sechs Wochen war. Die Ähnlichkeit, die sie aneinander wahrnahmen, und die Sympathie sagten das an den meisten Messzeitpunkten voraus. Demografische Ähnlichkeit nicht.

Edwards und Cable verglichen die Werte von Beschäftigten aus 4 Organisationen mit den Werten ihrer Organisation. Übereinstimmende Werte gingen mit Arbeitszufriedenheit und dem Wunsch zu bleiben einher, am stärksten über das Vertrauen in die Organisation und ihre Menschen, danach über leichtere Verständigung. Die Passung zu einer einzelnen Kollegin oder einem einzelnen Kollegen wurde dort nicht gemessen.

Hinzu kommt die Zeit. Je länger Menschen zusammenarbeiten, desto weniger zählen demografische Unterschiede und desto mehr Unterschiede in den Einstellungen, in Arbeitsgruppen (Harrison, Price und Bell) und in 144 studentischen Projektteams, die über vier Messwellen begleitet wurden (das Team um Harrison).

Beim Mentoring zeigt sich dasselbe Muster. In einer Metaanalyse des Teams um Eby mit 173 Stichproben und 40.737 Menschen ging die Bewertung des Mentorings durch die Mentees am engsten damit einher, wie ähnlich sie ihrem Mentor oder ihrer Mentorin in Einstellungen, Werten, Überzeugungen und Persönlichkeit waren. Von allem, was schon vor Beginn der Beziehung feststand, waren das die stärksten Zusammenhänge, 0,38 bis 0,59.

Paare sind am besten erforscht, und selbst dort erklärt ähnliche Persönlichkeit wenig. In drei nationalen Stichproben verheirateter Paare kam die Ähnlichkeit der Persönlichkeiten mit weniger als 0,5 % zur Zufriedenheit mit der Beziehung obendrauf, über die Persönlichkeit jeder der beiden Personen hinaus (das Team um Dyrenforth). In 43 Studien mit 11.196 Paaren sagte die Sicht jeder der beiden Personen auf die Beziehung selbst zu Beginn jeder Studie bis zu 45 % ihrer Qualität voraus (das Team um Joel).

Deshalb schaut Folkso auf die Arbeit, auf das, was Menschen erwarten, auf das, was ihnen wichtig ist, und darauf, wie sie arbeiten. Persönlichkeitstypen gibt es darin nicht. Das alles mit dir abzugleichen ist Sache deiner KI, denn sie kennt dich.

Wie wir es prüfen

Das Labor von Folkso lässt 1.000 Suchen mit vorher bekannten richtigen Antworten laufen, mit demselben Code, der dir antwortet. 700 davon stimmen die Gewichte ab. Die anderen 300 bleiben zurückgehalten, und die Zahlen auf dieser Seite stammen aus ihnen. So funktioniert der Test.

Das strengste Maß fragt, ob die eine Person, die am besten zu dir passt, aus den 100 Menschen im Testpool genau an erster Stelle steht. Folkso setzt sie bei 48,9 % der Suchen an die erste Stelle. Eine zufällige Reihenfolge nach den Filtern schafft 4,6 %, Folkso also mehr als zehnmal so oft. Deshalb sieht deine KI fünf Menschen, und die beste Person ist bei 84,5 % der Suchen darunter.

Am 21. Oktober haben wir das Ergebnis an neuen richtigen Antworten geprüft, bei denen ähnliche Persönlichkeiten wenig zählen und Werte und Erwartungen mehr. Es hat gehalten. Der beste Treffer ganz oben blieb bei 48,9 %, und ob die erste Person die Arbeit kann, hängt von den neuen Antworten überhaupt nicht ab.

Was wir ausprobiert und verworfen haben

Die Reihenfolge der Ergebnisse beruht also auf dem, was sich bewährt hat, in den Studien und in unserem Test.

Folkso liest, was Menschen von der Arbeit erwarten

Einiges von dem, was über ein Ja entscheidet, steht schon im Profil. „Lieber schreiben als telefonieren.“ „Projekte ab drei Monaten.“ Folkso liest solche Zeilen, und bei 100 Testprofilen hat es keine einzige ausdrücklich genannte Bedingung verkehrt herum gelesen. Stößt eine mit deiner Aufgabe zusammen, sieht deine KI das neben der Person und sagt es dir. Ob es eine Rolle spielt, entscheidest du.

Was diese Zahlen nicht sagen können

• Der Test läuft mit erfundenen Menschen und Suchen. Echte Profile und Anfragen sind kürzer und unordentlicher, mit Tippfehlern und zwei Sprachen in einem Text.
• Aus dem echten Einsatz gibt es noch wenige Ergebnisse. Angenommene Anfragen und Menschen, die mit einer Begründung aussortiert wurden, zeigen, wie oft Folkso im echten Leben richtig liegt.
• Die Studien oben sind Korrelationen. Sie zeigen, was mit einer guten Arbeitsbeziehung einhergeht, und können nicht beweisen, was sie auslöst.
• Wie die erste Woche läuft, finden nur ihr beide heraus. Die Entscheidung bleibt bei dir.

Folkso kann Leo zu Miras Karte bringen und ihm sagen, warum sie am nächsten dran ist. Ob ihre erste Skizze um drei Uhr nachts ankommt, sieht er selbst.

Folkso ist kostenlos. Verbinde es einmal, und wenn eine Aufgabe das nächste Mal einen Menschen braucht, findet deine KI ihn direkt im Gespräch.

Quellen

• Kristof-Brown, Zimmerman, Johnson, Consequences of individuals' fit at work. Personnel Psychology 58(2), 281–342, 2005. Metaanalyse von 172 Studien mit 836 Effektstärken.
• Liden, Wayne, Stilwell, A longitudinal study on the early development of leader-member exchanges. Journal of Applied Psychology 78(4), 662–674, 1993. 166 neue Beschäftigte und ihre Führungskräfte in den ersten sechs Monaten.
• Edwards, Cable, The value of value congruence. Journal of Applied Psychology 94(3), 654–677, 2009. Beschäftigte aus 4 Organisationen.
• Harrison, Price, Bell, Beyond relational demography. Academy of Management Journal 41(1), 96–107, 1998. Arbeitsgruppen.
• Harrison, Price, Gavin, Florey, Time, teams, and task performance. Academy of Management Journal 45(5), 1029–1045, 2002. 144 studentische Projektteams, vier Messwellen.
• Eby et al., An interdisciplinary meta-analysis of the potential antecedents, correlates, and consequences of protégé perceptions of mentoring. Psychological Bulletin 139(2), 441–476, 2013. 173 Stichproben, zusammen 40.737 Menschen.
• Dyrenforth, Kashy, Donnellan, Lucas, Predicting relationship and life satisfaction from personality in nationally representative samples from three countries. Journal of Personality and Social Psychology 99(4), 690–702, 2010. Verheiratete Paare aus nationalen Stichproben in Australien (N = 5.278), Großbritannien (N = 6.554) und Deutschland (N = 11.418).
• Joel et al., Machine learning uncovers the most robust self-report predictors of relationship quality across 43 longitudinal couples studies. PNAS 117(32), 19061–19071, 2020. 43 Datensätze aus 29 Laboren, 11.196 Paare.
• Bansal et al., Does the whole exceed its parts? The effect of AI explanations on complementary team performance. CHI 2021. Nutzerstudien mit drei Datensätzen.
• Folkso Labor, 300 zurückgehaltene Suchen. Ergebnis vom 27. September 2026, geprüft an neuen richtigen Antworten am 21. Oktober 2026. So funktioniert der Test.