大多数の応募者トラッキングシステムは、スパムフィルタがメールを読むのと同じように、履歴書を読みます。トークンをスキャンし、トークンが何回出現するかを数え、候補者を密度でランク付けします。"リード"の代わりに"マネージド"と書くと、モデルは優先順位を下げます。JDが指定しなかった同義語を使用すると、リストの下に落ちます。リクルーターは履歴書を見ることはありません。
成果ベースの採用は、そのモデルを捨て去ります。トークンを数えるのではなく、AIは候補者が実際に何をしたかを読みます。生成した収益。スケールしたチーム。出荷したシステム。解決した問題。次に、役割の実際の要件に対してランク付けします。このエッセイは、それがどのように機能するか、根本的に異なるショートリストを生成する理由、そしてなぜほとんどのレガシーのATSはまだそれをできないのかを説明します。
成果ベースの採用が実際に意味すること
成果ベースの採用は、職務説明とのキーワードの重複ではなく、測定可能な成果に基づいて候補者をランク付けするスクリーニングモデルです。モデルは、各履歴書から4つのカテゴリのシグナルを抽出します。収益（締結された取引、ARRによって生成されたもの、生み出された節約）、チーム（管理された人、構築またはスケールされた組織）、システム（構築された、出荷された、スケールされた、生産で所有されたもの）、問題（解決された、複雑な、新しいもの）。
各候補者をJDの成果要件に対してスコア付けし、0-100の合成スコアと、モデルが何を見つけたか、そしてなぜ候補者をその位置にランク付けしたかを説明する書面の理由段落を生成します。理由段落は、システムを実際に使用できるものにする部分です。人間が読み、同意したり、上書きしたりできるからです。
2023年および2024年の『The shape of talent』にまとめられたMcKinseyの仕事は、スキルベースの採用の採用率が2020年の40%から2024年の約60%に上昇し、成果ベースのスクリーニングがスキルベースの採用を現実のものにする技術的なメカニズムであることを示している。
キーワードマッチングの3つの構造的な問題
キーワードベースのATSプラットフォームは15年間デフォルトであった。低コストで構築でき、デモも簡単だったため残ったが、うまく機能したためではない。実際には、3つの特定の方法で失敗する。
1. レジュメ汚染を報いる。
5回以上の仕事に応募した候補者であれば、パターンを学習することができる：レジュメの下部に隠された白テキストキーワードダンプ、繰り返しのバレットポイント、すべてのバリエーションを持つ偽のスキルセクション。Jobscanはこれがどれほど普遍的であるかを文書化している。パターンは、セマンティックなものを含むすべてのキーワードベースのフィルタに対して機能するが、その理由は、基本的なモデルがまだトークンを読み取っているためである。
2. ノイズをシグナルよりも報いる。
レジュメに「Python、Python、Python、AWS、AWS、Kubernetes、Django、Postgres」と書かれているものは、「2Mイベント/秒のリアルタイムフロード検出パイプラインを出荷した」と書かれているレジュメよりも勝つ。キーワードモデルは、トークンの密度を報いるのであって、そこでの仕事ではない。戦略的に記述した候補者が勝つ。
3. ワードチョイスのために優れた候補者を拒否する。
「ストリーミングサービスを構築した」と代わりに「リアルタイムデータパイプラインを設計した」と書いたシニアエンジニアは、ランクから消える。ハーバードビジネススクールの『隠れた労働者』プロジェクトは、27百万人のアメリカ人が能力に関係のない理由で自動スクリーニングによってフィルタリングされることを推定しており、その大部分はスキルベースではなく、語彙ベースの拒否である。
アウトカムベースのAIは実際に
を評価するCurriculoATSは、シニアエンジニアやオペレータのように、レジュメを読みます。レジュメを読むのは、正規表現のようにではありません。モデルは、4つのカテゴリの測定可能なアウトカムを抽出し、JDと比較してスコアリングします。
収益。
閉じた取引、ARRが生成された、コストが削減された、処理されたトランザクション、生み出された節約。モデルは、トップラインの数字（「新しいARRで2.4Mを閉じた」）と運用的な数字（「インフラストラクチャーの支出を38％削減した」）の両方を認識します。収益シグナルがない候補者は、それでペナルティされることはありません。役割はそれを求めるだけでよいのです。
チーム。
管理された人、構築された組織、行われた採用、育てられたリーダー。モデルは、「3人のチームを率いた」と「2つのタイムゾーンにわたる8人のエンジニアから45人の組織にスケールアップした」という違いを認識しています。後者は、根本的に異なる運用上の課題を記述しているからです。
システム。
ビルドされた、出荷された、所有された、生産でスケールされた。モデルは、動詞とスコープを読みます。「4Bクエリ/日の検索関連性システムを出荷した」は、「検索関連性システムに貢献した」と異なるシグナルです。アウトカムベースのモデルは、その違いを認識します。キーワードモデルは、両方を「検索」という単語として扱います。
問題。
解決された、複雑な、新しい、曖昧な。候補者のレジュメは、エンドツーエンドで所有したハードな問題を記述しています。「6ヶ月間解決できなかったメモリーリークを診断して解決した」は、「バグフィックスに取り組んだ」というよりも強い問題解決シグナルです。両方とも同じテクノロジーを言及しているかもしれませんが。
0-100の合成スコアは、これらのシグナルを経験の関連性、キャリアのトラジェクトリー、スキルの整合性と組み合わせます。書かれた推論の段落は、モデルが見つけた特定のアウトカムを名前付けます。つまり、創設者はそれを読んで、ランクを信頼するかどうかを決定できます。
どうしてこのように構築したのか
以前 Curriculo ATS、私たちの創設者DevはAmazonで検索およびレコメンドシステムに取り組むために数年間働きました。その仕事から生まれた一つの原則が設計を導いたのです：入力が直接でたらんことができない信号に基づいてランク付けすること。販売者は商品タイトルに何でも書くことができますが、購入データをでたらんことはできません。レビュアーは偽のレビューを残すことができますが、検証されたレビューパターンは大規模にでたらんことは難しいのです。ランカーはでたらんことが難しい信号を読み取ります。
雇用も同じ形です。候補者は何でもキーワードを書くことができます；それは基本的に無料です。候補者は測定可能な成果をでたらんすることはできませんが、それには詐欺を犯す必要があります。それはバレットポイントを再構成するよりもはるかに高いハードルです。したがって、成果ベースのランカーは構造的にゲームをしにくく、誠実な候補者にとって構造的に公平で、創設者が実際に知りたいことを知るための構造的に一致しています：この人は私たちが必要とする仕事をしましたか？
規制の状況も同じ方向を指しています。 NYC 地方法144および EU AI 法は両方とも文書化された理由を持つシステムを支持しています。候補者ごとに書面での説明を生成するモデルは、ブラックボックスのキーワードフィルターよりも監査および開示が容易です。
成果ベースの採用が崩壊する場所（そしてそれを修正する方法）
成果ベースの採用は、キーワードマッチングよりも構造的に強いですが、それは魔法ではなく、成果ベースの採用が効果を発揮しないケースについて正直に述べる価値があります。データから3つのパターンが浮かび上がります。まず、ジュニア候補者や最近の卒業生は、まだ量化されていない有効な成果を持っていることがあります。なぜなら、彼らの最初の仕事では収益や規模の指標に触れる機会がなかったからです。このモデルは、定性的信号（「チームがまだ使用しているオンボーディングフローの再設計を主導した」）を読み取ることでこの問題に対処します。しかし、このコホートのスコア範囲は圧縮され、ランキングが平坦になる可能性があります。対策は、JD構成でエントリーレベルの役割の量化された成果を低く重み付けすることです。2つ目は、売上候補者が売上実績を誇張した場合、キーワードスコアリングと同様に成果ベースのスコアリングを操作できます。モデルは、期間やピア比較がない丸められた数字を低信頼度の信号として扱いますが、十分に決心した候補者はまだ誇張された成果を生み出すことができます。リファレンスチェックは、スクリーンレイヤーではなく、構造的な対策です。3つ目は、成果が非公開（独自のインフラストラクチャ作業、機密プロジェクト）である深い技術的な役割で、候補者が詳細に何を出荷したか説明できないため、ランキングが低くなる可能性があります。対策は、創設者がJDを適切な抽象化レベルで書くことであり、NDAの下で候補者が説明できる信号をシステムに要求することです。これらの限界を名前付けることは重要です。なぜなら、成果ベースのランキングはツールであり、判決ではないからです。創設者がスコアを判決ではなくレビューの開始として扱うと、スコアを判決として扱う創設者よりも悪い採用を行うことになります。
創設者がこの
をどのように適用するか成果ベースの採用では、JDは成果で書かれる必要があり、職務ではありません。"データパイプラインの所有権を持つ責任者"は職務です。"最初の6ヶ月で、この人物は100Kイベント/秒のストリーミングパイプラインを出荷し、サブ秒レベルの待ち時間で処理する"は成果です。モデルは後者と照合できますが、前者では何も有用なことをできません。
- JDを成果として書き直す。 最初の6ヶ月で、人物が何を提供するかを2〜3文で説明する。これは、スクリーニングモデルが使用する文書です。
- ロールを成果ベースのスクリーニングを実行する。 上位10位のランク付けされた候補者と、手動で選択した上位10位を比較する。重複を測定する。
- 理由付けの段落を読む。 段落は、モデルが見つけた成果について説明します。如果、モデルがあなたが見つけることができなかったものを見つけた場合、モデルはシグナルを追加しています。如果、モデルが何も意味のあるものを見つけなかった場合、JDはおそらくさらに成果が必要です。
- スコアをトリアージツールとして使用し、決定として使用しない。 上位8〜12位の候補者にインタビューし、デブリーフィングを行い、決定する。モデルは正しいショートリストに到達しますが、決定は依然として人間のものです。
次のステップ
実際のロールで成果ベースのスクリーニングがショートリストを生成することを見たい場合、Curriculoの無料のスターター層ATSは、無制限のアクティブジョブと無制限のチームメンバーを処理します。機能ページを読み、AIATSの創設者向けのユースケースを確認する。モデルはロールを設定するのに約15分かかります。