あなたが一度でも、明らかに適任の候補者が電話面接もなくあなたのATSから消えたことがあるなら、その答えはほとんどの場合、スコアリング層ではなくパーシング層にある。候補者は2列の履歴書を持っていた。名前はヘッダーにあった。日付はテキストボックスにあった。システムは文書を受け取り、80%をクリーンにパースし、読み込めない部分を黙って削除した。候補者は画面上で弱く見えたのは、画面が履歴書の半分しか見ていなかったからである。これは創設者が認識するよりも頻繁に起こり、スコアリングが非難される問題のほとんどが実際にはパーシングの問題であるという最大の理由である。ATS スコアリングが非難される問題のほとんどが実際にはパーシングの問題であるという最大の理由である。
1つの段落でATSが実際に何をするか
応募者追跡システムは、求人応募を収集、解析、整理、評価、保存するソフトウェアである。ほとんどの現代的なATSプラットフォームは、3段階のパイプラインを実行する。文書を構造化データにパースし、パースされたデータを求人要件に対して評価し、人間が最も強い候補者を最初にレビューできるようにランク付けする。実装は2020年以降に大幅に進化した。以前のATSプラットフォームは、ほとんどがハードキーワードマッチングに頼っていた。求人説明に「Python」と記載されている場合、リューメーにはその文字列が含まれている場合のみ一致する。現在のシステムにはCurriculoATSが含まれており、セマンティックマッチング、複数信号スコアリング、大規模言語モデル推論を組み合わせて、コンテキストを評価する。
アーキテクチャがブランドよりも重要な理由
2つのATSプラットフォームは、同じ機能リストを持っていても、パーシングとスコアリングのレイヤーが設計される方法によって、非常に異なる結果を生み出す可能性があります。ボックスに記載されたブランドは、スクリーニングの品質を予測しません。ハードウェアのアーキテクチャが重要です。ATSオプションを評価する創業者は、ロゴよりも、3つの具体的な質問についてより多く心配するべきです。パーサーは非標準のレイアウトをどのように処理するか、スコアリングレイヤーはどのような信号を評価するか、システムはその推論を監査可能な方法で公開するか。
ステージ1: パーシング、でほとんどの失敗が発生する
パーシングエンジンは、名前、連絡先情報、仕事の経験エントリ（日付とタイトルを含む）、教育、スキルなど、構造化されたデータを履歴書ドキュメントから抽出します。業界の分析によると、約30%のATS拒否は、スコアリングが実行される前に、パーシングステージで発生します。最も一般的なパーシングの失敗は予測可能です。マルチカラムレイアウトは、不正確に線形化されるため、候補者の現在の仕事の3番目の箇条書きが、前の役割に属しているように見えます。テキストボックスは、古いパーサーによってドキュメントのメインコンテンツストリームの外側に存在するため、完全にスキップされます。ヘッダーとフッター（多くのデザイナーが連絡先情報を配置する場所）は、時々無視されます。画像ベースの名前バナーは不可視です。創造的なセクションのヘッディング（「冒険」ではなく「経験」）は、クラス分類器を混乱させます。各結果は、候補者が実際よりも弱く見えることになります。Curriculo ATSは、標準的なレイアウトを強固に処理するモダンなパーシングパイプラインを使用していますが、すべてのパーサーと同様に、極端な創造的なフォーマットに苦労します。10年間変わらず残っているアドバイスはまだ有効です。標準的なセクションを持つクリーンなシングルカラムの履歴書は、すべての主要なATSでクリーンにパースされます。
パーサーが見るもの vs. 人間が見るもの
便利な練習：履歴書をプレーンテキストエディターにコピーして貼り付けます。表示される内容は、パーサーが見る内容とほぼ同じです。連絡先情報が欠けている場合、日付が順序どおりでない場合、またはバレットが前の役割と交互に配置されている場合、それがスコアリングレイヤーが評価する内容となります。パーサーの大多数の故障は、このステップですぐに確認できます。
ステージ2：スコアリングでは、ATS プラットフォームが分岐します
履歴書が解析されると、システムは構造化されたデータを求人要件と比較評価します。これが、ATS プラットフォームが最も異なる点です。2026年の市場を支配する3つのアプローチがあります。まず、ハードキーワードマッチングというレガシーアプローチ：求人説明のキーワードが履歴書テキスト内で文字通りに検索され、頻度スコアが生成されます。これは高速で説明可能ですが、脆弱です。候補者が「Amazonのクラウド上で本番サービスを実行」というAWS 経験を記載した場合、「AWS」を必要とする求人に対して低いスコアが付けられます。2つ目は、NLP を使用したセマンティックマッチング：システムは、「AWS」や「Amazon Web Services」、「Amazonのクラウド上でサービスを実行」という用語が同等であることを理解します。これにより、より多くの候補者が正しく検出されますが、依然としてキーワードレベルでスコアリングされます。ただし、より厚い辞書を使用します。3つ目は、推論を伴うマルチシグナルスコアリング：システムは履歴書を複数の次元（数量化された業績、経験の関連性、キャリアトラジェクトリー、スキルの一致）で評価し、合成スコアと書面の推論段落を生成します。Curriculo ATS は、この3つ目のアプローチを使用しています。これをインパクトスコアリングと呼んでいます。キーワードレベルの評価、セマンティックな豊富化を伴う場合でも、履歴書の中で最も強い信号を逃します。特定の役割に付随する成果です。
Curriculo は ATS をどのようにして候補者を別々にスコアリングしますか？
複合スコアは、成果に付随する数値（実績）、経験の関連性（候補者がオープンポジションに近い問題を解決したかどうか）、キャリアトラジェクトリ（責任がロールごとに増加しているかどうか）、スキルの一致（主張されたスキルが履歴書の証拠と一致するかどうか）の4つのシグナルから計算され、成果に重み付けされたスコアが出力されます。出力は0〜100のスコアと、スコアがそのようなものである理由を説明した文章で、創設者が数秒でスコアリングの決定を監査できます。これは、「キーワード密度 0.78」と「強い適合性、候補者の最後の3つのロールがすべて、貴方のオープンポジションと同じドメインで計測可能な収益への影響をもたらしたため」という違いです。
ステージ3: ランキングと人間の手渡し
3番目のステージは、プレゼンテーションです。候補者を人間のレビューアーが最も強い候補者から読み始めるように順序付けます。これは、創設者が実現するよりも重要です。申し込み日時でソートされた200人の候補者を提供するパイプラインでは、創設者は最も強い8人の候補者を見つけるために200人すべてを読む必要があります。一方、複合スコアでランク付けされた同じ200人の候補者を提供するパイプラインでは、創設者は最も強い8人を読み、30分で自信を持ってトライアージュの決定を下すことができます。ランキングでは、システムの偏見が操作的に可視化されます。ローカル法144は、採用で使用される自動雇用決定ツールに対する偏見監査を要求しており、EU AI 法の付属書 III は、採用 AI を高リスクとして分類し、文書化、人間の監視、継続的な監視を要求します。ATS プラットフォームは、偏見監査が意味のある方法で実行できるように、また採用チームが面接の決定を下す前にランキングの出力をサニティチェックできるように、理由を公開する必要があります。
この候補者エクスペリエンスの側面はどうなっているのでしょうか？
候補者は申し込みフォーム、確認メール、そして電話面接への招待または丁寧な拒否のメッセージを見ます。そのシンプルな表面の背後では、パーサー、スコアラー、ランカーが実行されています。候補者の履歴書は数百の他の履歴書と比較され、進めるかどうかについて構造化された決定が下されています。現代のATS プラットフォームは、候補者向けの透明性も提供します。自動化ツールが評価に使用されたかどうかを申し込み者に通知することは、NYC では法律で義務付けられており、EU 全体でAI 法により増えており、その他の場所でも広くベストプラクティスとなっています。
アマゾンでのランキングシステムについて学んだこと
Curriculo の前に、ATS の創設者であるDevは、アマゾンの検索およびレコメンデーションシステムで働きました。最も直接に翻訳された教訓は、ランキングシステムはフィードバックループの質だけが良いということです。アマゾンの製品ランキングは、クリック、購入、返品などがモデルにシグナルを返すため、改善されます。ほとんどのATS プラットフォームは、このループが設計されていないため、候補者をスコアリングし、採用または拒否され、結果については何もスコアに戻りません。結果として、システムは古くなります。CurriculoATS はループを閉じた状態で構築されています。採用された候補者の90日間のパフォーマンスがログに記録されると、システムは、貴社の特定の会社で成功を予測したシグナルパターンを学習します。一般的なスコアリングモデルは出発点ですが、チームごとの較正がスコアを時間の経過とともに信頼性の高いものにします。
説明可能なスコアリングがブラックボックススコアリングを上回る理由
システムが説明なしで0〜100のスコアを出してくれたとしても、スコアが正しいかどうか判断することはできない。しかし、同じスコアに書き込まれた理由付けの段落が付いてきたら、数秒で監査することができる。監査では、モデルが非伝統的なキャリアパスを誤読したり、キーワードを間違った重み付けした場合を検出する。説明可能性は、NYC 地方法144やEU AI 法が求めるものの一部であり、独立したバイアス監査はもう一方であり、すべての候補者に対するパターンをチェックするからである。これは、単一の理由付け段落では示すことができない。