Wie Mentoring-Programme mit KI-gestützter Mentoren-Matching-Software Mentoren und Mentees zusammenbringen

Von Kair Mourtazov, SmartMatchApp Produktspezialist 

Lesezeit: ~5 Minuten

 

---

 

Kurz gefasst

Mentoren-Matching-Software bringt Mentoren und Mentees anhand strukturierter Daten zusammen — Ziele, Interessen, Verfügbarkeit, Fachgebiet, Erfahrung — statt auf das Gedächtnis einer Koordinatorin und eine Tabellenkalkulation zu setzen. Der Unterschied ist messbar: In der bisher fundiertesten Metaanalyse zu Mentoring-Programmen zeigten Programme, die Teilnehmerinteressen in das Matching einbezogen, eine rund doppelt so große Wirkung auf die Ergebnisse der Teilnehmenden wie Programme, die das nicht taten. PRISM, eine gemeinnützige Organisation aus Pittsburgh, die internationale Studierende und Wissenschaftler mit lokalen Mentoren zusammenbringt, ersetzte E-Mail-Verläufe und Tabellen durch eine Matching-Plattform und steuert heute drei eigenständige Kontaktprogramme aus einer einzigen Anmeldung.

 

---

 

Was ist Mentoren-Matching-Software?

Mentoren-Matching-Software ist eine Plattform, die Mentoren und Mentees anhand strukturierter Profildaten zusammenbringt — Ziele, Interessen, Verfügbarkeit, Standort, Fachgebiet und Erfahrung — und anschließend die Vorstellung, das Tracking und das Feedback steuert. Sie unterscheidet sich von einem Mentorenverzeichnis in einem Punkt, der alles Weitere bestimmt: Ein Verzeichnis ist eine durchsuchbare Liste, die es den Teilnehmenden überlässt, sich gegenseitig zu finden, während Matching-Software mögliche Paarungen nach Kompatibilität bewertet und einer Koordinatorin oder einem Teilnehmer eine kurze, priorisierte Auswahl an die Hand gibt.

 

Verbessert besseres Matching tatsächlich die Ergebnisse?

Die meisten Mentoring-Programme beruhen auf einer naheliegenden Annahme: Irgendein Mentor ist besser als gar keiner. Die Belege stützen das jedoch nicht.

Die Metaanalyse von DuBois, Portillo, Rhodes, Silverthorn und Valentine aus dem Jahr 2011 zu 73 Evaluationen von Mentoring-Programmen, veröffentlicht in Psychological Science in the Public Interest, ergab, dass Programme, die Angaben zu Teilnehmerinteressen in das Matching einbezogen, eine geschätzte Effektstärke von .41 auf die Teilnehmerergebnisse erzielten — gegenüber .20 bei Programmen, bei denen diese Praxis nicht erkennbar war. Der Unterschied war statistisch signifikant, und das interessensbasierte Matching blieb auch dann ein Prädiktor, wenn man andere Praktiken wie das Mentorentraining kontrollierte.

Zwei ehrliche Einschränkungen, weil die meisten Anbieterinhalte beide auslassen.

Diese Metaanalyse untersuchte das Jugendmentoring — Programme, die unter 18-Jährige mit erwachsenen Freiwilligen zusammenbringen. Ob sich der Befund sauber auf das Mentoring unter Erwachsenen übertragen lässt, ist eine berechtigte Frage. Die beste verfügbare Antwort liefert die fachübergreifende Metaanalyse von Eby, Allen, Evans, Ng und DuBois aus dem Jahr 2008 im Journal of Vocational Behavior, die Jugend-, akademisches und berufliches Mentoring direkt verglich und für akademisches und berufliches Mentoring größere Effektstärken fand als für Jugendmentoring. Wenn überhaupt, untertreiben Belege aus Jugendprogrammen, was bei Erwachsenenprogrammen auf dem Spiel steht.

Und die Belege zum Matching selbst sind dünner, als es die prägnante Zahl vermuten lässt. Das National Mentoring Resource Center, das die Mentoring-Praxis für das U.S. Office of Juvenile Justice and Delinquency Prevention überprüft, bewertet die Praxis insgesamt als unzureichend erforscht: Nur acht der 82 Stichproben nutzten interessensbasiertes Matching, und zwei kontrollierte Studien, die einzelne Merkmale isolierten — gemeinsame ethnische Herkunft, gemeinsamer Behinderungsstatus — fanden keinen bedeutsamen Ergebnisunterschied.

Die vertretbare Schlussfolgerung ist enger als „auf Interessen abstimmen" und zugleich nützlicher: Das Matching anhand eines einzelnen oberflächlichen Merkmals funktioniert nicht zuverlässig, und gar kein Matching schneidet zuverlässig schlechter ab.

 

Was eine gute Mentoren-Zuordnung tatsächlich vorhersagt

Der praktischste Rahmen in der Fachliteratur stammt aus den Empfehlungen des National Mentoring Resource Center an Praktikerinnen und Praktiker, die die Matching-Kriterien in drei Kategorien einteilen. Programme, die sich zu stark auf eine davon stützen, erzeugen Paarungen, die es schwer haben.

1. Logistik — können sich diese beiden Menschen überhaupt treffen? Terminpläne und räumliche Nähe werden als Verwaltungsdetail abgetan. In der bundesfinanzierten Studie „Role of Risk", die in diesem Review zitiert wird, nannten 66 % der Mentoren ihren eigenen Terminplan als große Herausforderung, und 48 % führten logistische Schwierigkeiten bei der Terminfindung an — beides weit vor den 28 %, die von unpassenden Interessen oder Persönlichkeiten berichteten. Ein Paar mit allen Gemeinsamkeiten, das nie eine Stunde füreinander findet, ist dennoch eine gescheiterte Zuordnung.
2. Merkmale — Interessen, Ziele, Fachgebiet, Hintergrund, Lebenserfahrung. Das, was die meisten Programme unter „Matching" verstehen. Es funktioniert als Kombination, nicht als einzelne Variable.
3.  Erwartungen — was jede Person glaubt, wofür sie sich angemeldet hat. Ein wiederkehrendes Thema in der Forschung zu gescheiterten Zuordnungen sind Teilnehmende, die aufhören, weil die Erfahrung von ihren Erwartungen abwich.

Die Konsequenz für Käufer ist eindeutig: Eine Plattform, die nur Merkmale erfasst, automatisiert das am wenigsten verlässliche Drittel des Problems. Strukturiertes Matching rechtfertigt seine Kosten, indem es Ihnen erlaubt, zuerst nach Logistik zu filtern, Merkmale an zweiter Stelle zu gewichten und Erwartungen bei der Anmeldung zu erfassen — konsequent und über einen Bestand hinweg, der größer ist, als eine einzelne Person im Kopf behalten kann. Die Mechanik behandeln wir in unserem Leitfaden zu KI-gestützter Matchmaking-Software.

 

 

Manuelles Matching vs. Mentoren-Matching-Software

 

 

Fallstudie: Wie PRISM in Pittsburgh Mentoren zuordnet

PRISM ist eine gemeinnützige Organisation aus Pittsburgh für internationale Studierende und Wissenschaftler — Menschen, die für Forschung, Masterstudium und Promotion kommen, oft mit Ehepartner und Kindern. Sie ist seit den 1980er-Jahren in der Region tätig, mit einem Team, das an einen einzigen Tisch passt, und einer Mission, die sie so beschreibt: die über 13.000 internationalen Studierenden in Pittsburgh zu erreichen.

 

Drei Programme, eine Anmeldung

Das Matching von PRISM läuft unter einer einzigen Programmmarke, PRISM Connections, die Studierenden die Wahl zwischen drei Beziehungsformen bietet:

 

Kontaktform	Verbindlichkeit	Schwerpunkt
Friendship Partner	Fortlaufend	Freundschaft vor Ort, Stadtleben, Kultur
English Partner	8 Sitzungen	Englische Konversationsübung
Mentorship	8 Sitzungen	Ganzheitliches Curriculum — Selbstwahrnehmung, Work-Life-Balance, Zielsetzung

 

Eine Anmeldung, drei wirklich unterschiedliche Matching-Aufgaben mit unterschiedlichen Laufzeiten und Kriterien. Der Mentorship-Zweig von PRISM ist ausdrücklich darauf ausgerichtet, den ganzen Menschen anzusprechen, nicht nur den beruflichen Aufstieg — ein anderer Matching-Auftrag als bei einem firmeninternen Mentoring-Programm und ein gutes Beispiel dafür, warum starre Schemata hier versagen.

Das Programm gibt außerdem einen Rhythmus vor, der wichtiger ist, als es scheint: Freiwillige werden gebeten, ihren Partner mindestens einmal im Monat zu treffen und sich wöchentlich zu melden. Strukturiertes Matching bringt ein Paar in Gang; ein vorgegebener Rhythmus ist das, was es am Laufen hält.

Diese Unterscheidung ist entscheidend. Begutachtete Forschung zu Netzwerken internationaler Studierender zeigt, dass diese Studierenden Freundschaften vorrangig mit anderen internationalen Studierenden schließen statt mit einheimischen, selbst wenn sie länderübergreifende Freundschaften bevorzugen würden. Es fehlt nicht am Wunsch, sondern an einem Mechanismus.

 

 

Das Problem: Tabellen und ein Anbieter, der sich nicht anpassen ließ

PRISM brachte jahrelang Menschen zusammen, bevor es eine Software dafür gab. In einem Interview mit uns aus dem Jahr 2022 beschrieb Community Manager David Lambacher den früheren Prozess ganz offen: „endlose E-Mails", Tabellen und „Kommunikation bis zum Überdruss".

Ihr erster Lösungsversuch scheiterte. PRISM recherchierte den Markt, schloss mit einer anderen Matchmaking-Plattform ab, zahlte und begann mit der Einführung — um dann wieder auszusteigen. Der Stolperstein war die mangelnde Flexibilität: keine Anpassung, keine Möglichkeit, Terminologie oder Oberfläche an die tatsächliche Arbeitsweise der Organisation anzupassen. Für eine gemeinnützige Organisation, die eine Anmeldung in drei verschiedene Beziehungsformen aufteilt, waren starre Felder kein kosmetisches Ärgernis. Lambacher prüfte auch Allzweck-CRMs, darunter Salesforce — das übliche Muster, da Vertriebs-CRMs Geschäfte abbilden und nicht Beziehungen zwischen zwei Menschen.

 

Die Lösung: per Algorithmus vorauswählen, von Hand entscheiden

Freiwillige und Studierende bzw. Wissenschaftler füllen im Wesentlichen dieselbe Profilstruktur aus und werden dann in die von ihnen gewählte Kontaktform eingeordnet. Die Engine erstellt eine Vorauswahl; das Team entscheidet. PRISM arbeitet bis heute so — Studierende werden über die Plattform direkt von der eigenen Website der Organisation aus einem Freiwilligen zugeordnet.

Lambacher nannte genau diese Arbeitsteilung als größte Veränderung — der Algorithmus „nimmt einen großen Teil der Zeit weg, die es kostet, herauszufinden, wer die beste Passung für diesen Studierenden ist". Das Team prüft die priorisierten Kandidaten und bringt den Kontext ein, der der Software fehlt: Eine Übereinstimmung von 95 % ist vielleicht schon vergeben, also geht man zur nächsten über. Das ist der Arbeitsablauf, der sich in der Praxis bewährt — priorisierte Vorschläge plus menschliches Urteilsvermögen, nicht automatisierte Zuordnung.

 

Das Ergebnis: Matching war keine Gremienarbeit mehr

Das deutlichste Ergebnis war keine Vermittlungsquote. Aus einer Aufgabe für drei Personen wurde eine Aufgabe für eine Person. Nicht weil die Arbeit weniger wichtig wurde — sondern weil der Teil, der die meisten Stunden verschlang, nämlich der Abgleich, wer zu wem passen könnte, nicht mehr von Hand erledigt wurde.

Lambachers Rat an andere Community Manager ist es wert, gehört zu werden, bevor jemand Software kauft, um ein Strategieproblem zu lösen: Klären Sie zuerst Zweck und Vision, denn „je mehr man das klären kann", desto besser funktioniert ein solches Werkzeug.

 

PRISM auf einen Blick

 

Organisation	PRISM (Pittsburgh Region International Student Ministries), Pittsburgh PA
Zielgruppe	Internationale Studierende und Wissenschaftler; über 13.000 in der Region Pittsburgh
Tätig seit	1980er-Jahre
Matching-Aufwand	Von einer Aufgabe für drei Personen zu einer Aufgabe für eine Person
Vermittelte Programme	3 Kontaktformen unter einer Anmeldung — Friendship, English, Mentorship
Mentorship-Format	Ganzheitliches Curriculum über 8 Sitzungen, eins zu eins
Vorgegebener Rhythmus	Monatlich treffen, wöchentlich melden
Vorheriges System	Tabellen und E-Mail; ein abgebrochener Anbietervertrag
Entscheidender Faktor	Anpassbarkeit — Felder, Terminologie und Oberfläche

 

Worauf Sie bei der Bewertung von Mentoring-Matching-Software achten sollten

Jede Plattform in diesem Bereich beschreibt sich selbst identisch: KI-Matching, intelligentes Pairing, Programmanalysen. Die Unterschiede zeigen sich an fünf Stellen.

Können Sie nach Logistik abgleichen, nicht nur nach Profilen? Angesichts dessen, wie stark Terminplanung und räumliche Nähe vorhersagen, ob sich Paare tatsächlich treffen, müssen Verfügbarkeit und Standort Matching-Kriterien sein, keine Notizfelder.

Können Sie Sprache und Felder ändern? Ein Alumni-Programm einer Hochschule, ein klinisches Praktikumsprogramm und ein kommunales Freundschaftsprogramm brauchen unterschiedliche Anmeldefragen und unterschiedliches Vokabular. Starre Schemata sind der häufigste Grund, warum Programme eine bereits bezahlte Plattform aufgeben — wie der erste Versuch von PRISM zeigt.

Kann eine Plattform mehr als ein Programm betreiben? Die meisten Organisationen mit Mentoring betreiben auch etwas Verwandtes — Peer-Support, Veranstaltungen, Onboarding-Gruppen, Alumni-Networking. Wenn jedes davon ein eigenes Werkzeug braucht, haben Sie ein Tabellenproblem gegen ein Lizenzproblem eingetauscht.

Schlägt sie vor oder entscheidet sie? Automatische Zuweisung klingt effizient und führt tendenziell zu Zuordnungen, hinter denen niemand steht. Priorisierte Vorschläge, die eine Koordinatorin bestätigt, bewahren das menschliche Urteilsvermögen, das die Forschung stützt.

Können Sie erfassen, was danach geschah? Vermittlungszahlen sind Aktivität. Ob sich Paare getroffen haben, wie oft und ob es geholfen hat, sind Ergebnisse. Fragen Sie, ob das Feedback nach der Zuordnung in künftiges Matching zurückfließt.

 

Häufige Fragen

Wie entscheidet eine Software für das Matching von Mentor und Mentee, wer zusammenpasst? Sie bewertet mögliche Paare anhand der Kriterien, die das Programm festlegt und gewichtet, und legt dann eine priorisierte Auswahl vor. In den meisten gut geführten Programmen trifft eine Koordinatorin die endgültige Entscheidung aus dieser Auswahl, statt eine automatische Zuweisung zu übernehmen.

Verbessert das Matching nach gemeinsamen Interessen die Mentoring-Ergebnisse tatsächlich? Die Belege deuten darauf hin, sind aber nicht eindeutig. Die Metaanalyse von DuBois et al. aus dem Jahr 2011 fand eine rund doppelt so große Effektstärke für Programme mit interessensbasiertem Matching, auch wenn das National Mentoring Resource Center die Gesamtlage der Belege als unzureichend bewertet. Klarer ist, dass das Matching nach einem einzelnen, isoliert betrachteten Merkmal keinen verlässlichen Effekt zeigt, während Praktikerinnen und Praktikern empfohlen wird, Logistik, Merkmale und Erwartungen gemeinsam abzuwägen.

Was ist der Unterschied zwischen Mentoring-Software und einem Mentorenverzeichnis? Ein Verzeichnis ist eine durchsuchbare Liste, die dem Teilnehmer die Last aufbürdet, jemanden zu finden. Matching-Software ist eine Empfehlungsebene auf denselben Daten: Teilnehmende erhalten eine kurze, priorisierte Auswahl an Paarungen, die bereits als relevant erkannt wurden, und Koordinatorinnen steuern das gesamte Programm von einem Ort aus.

Was ist die beste Mentoren-Matching-Software für gemeinnützige Organisationen? Es gibt keine einzelne beste Plattform — die Eignung hängt davon ab, ob Sie Felder und Terminologie anpassen, mehr als ein Programm aus einer Datenbank betreiben und sowohl nach Verfügbarkeit als auch nach Interessen abgleichen können. Gemeinnützige Organisationen und Community-Organisationen brauchen in der Regel flexiblere Profilstrukturen, als Enterprise-Mentoring-Tools zulassen, und weniger HR-System-Integration, als diese Tools in Rechnung stellen.

Kann dieselbe Plattform Mentoring und andere Community-Programme betreiben? Ja, und für kleinere Organisationen ist das oft der entscheidende Faktor. Dieselbe Matching-Engine, die Mentoren und Mentees zusammenbringt, kann Peer-Support-Paarungen, Freundschafts- oder Buddy-Programme, Event-Networking und Alumni-Vorstellungen abwickeln — vorausgesetzt, sie unterstützt getrennte Profilstrukturen und Kriterien pro Programm.

 

Das Fazit

Mentoring-Programme scheitern selten am Mangel an willigen Teilnehmenden. Sie scheitern, weil Koordinatorinnen aus dem Gedächtnis zuordnen, Paare keine gemeinsame Zeit zum Treffen finden und niemand mitbekommt, dass eine Verbindung eingeschlafen ist, bis das Programm endet. Mentoren-Matching-Software liefert weder die Fürsorge noch das Curriculum — die Koordinatorin von PRISM würde als Erste sagen, dass die Beziehungsarbeit nach wie vor die eigentliche Arbeit ist. Sie liefert den Mechanismus darunter, damit ein Programm über die Grenzen der Aufmerksamkeit einer einzelnen Person hinauswachsen kann.

👉 Demo buchen und sehen, wie das Mentoren-Matching für Ihr Programm funktioniert.