なぜキーワードスタッフィングがレガシーATSで機能するのか
現在市場に出回っているすべてのレガシー応募者追跡システムは、ランク付けレイヤーとしてトークンレベルのマッチングの何らかの形式を使用しています。マーケティングが「AI」と言っても、実装は通常次の三つのいずれかです：ブール型キーワード抽出、TF-IDF重み付けマッチング、または文の埋め込みを使用した意味的類似性。これら三つには同じ構造的脆弱性があります：それらは決定論的です。ルールを知っている候補者は、実際の適合性に関係なく、望む出力を確実に生成できます。
Jobscanの調査は、この慣行がどれだけ広がっているかを文書化しており、ハーバードビジネススクールの調査では、27百万人の資格のあるアメリカ人が能力に無関係な理由で自動スクリーニングによって拒否されると推定されています。
候補者がシステムを操作する四つの方法
- 隠れた白いテキスト。 ページの一番下に白で入力されたキーワードのブロックは、人間の読者には見えませんが、パーサーには完全に見えます。
- 繰り返されたスキルセクション。 スキルセクションは、わずかな変化を伴って二回または三回表示されます。
- 要約内のJDコピー＆ペースト。 候補者は、職務内容の最初の段落をそのまま履歴書の要約にコピーします。
- キーワードに合わせてバレットを書き換える。 実際の箇条書きが、より技術的な用語を使って職務内容を反映するように書き換えられます。
なぜ「スマートなキーワードマッチング」が解決策ではないのか
キーワードスタッフィングの問題に気付いたベンダーは、通常、スマートなキーワードモデルでそれを修正しようとします。ストップワードフィルター、意味的類似性、BERTベースのマッチング、GPT-4要約を追加します。しかし、問題は、それらのモデルのすべてがまだトークンを読み取っていることです。
解決策はスマートなキーワードモデルではありません。解決策は、キーワードによるランク付けを完全に停止することです。ランカーは、トークンではなく、候補者が虚構の成果を作り出さなければならないような結果のために読む必要があります。
アマゾンで学んだ対抗入力について
Curriculo ATSの前、創設者はアマゾンで検索と推薦に関する作業を数年間行っていました。対抗入力は、これらのシステムにおける古い問題です。機能したパターンは、売り手が直接作成できないシグナルでランク付けすることでした—実際の購入データ、実際の返品率、検証されたレビューのパターン。
採用も同じように機能します。候補者は希望するキーワードを何でも書けますが、ランカーは別のものを読むべきです。具体的には、システムは履歴書を四つの結果カテゴリー（収益、チーム、システム、問題）に基づいて読み取ります。このモデルは、特定の成果を引用する文章的理由を伴う0–100の複合スコアを生成します。
役割とシニアリティによるスタッフィング率のデータ
キーワードスタッフィング率は、役割とシニアリティによって大きく異なります。シニアエンジニアとシニアプロダクトマネージャーは、最も多く応募してパターンを学んだため、最もスタッフィングを行います。サンプリングされたシニアバックエンドエンジニアリング候補者のスタッフィング率は約38％で、最も一般的なパターンは、職務記述に反映されたバレットと結合された重複スキルセクションです。シニアPMの場合、率は約31％でした。
レガシーキーワードスクリーニングは、最も適格な候補者ではなく、最も応募された候補者を体系的に優先し、ミスマッチの率は、創業者が正確なシグナルを最も必要とするシニアリティ帯で最高です。
創業者が今週やるべきこと
キーワードスタッフィングがあなたのショートリストを汚染していると疑う場合、三つの迅速なチェックで確認できます：
- 現在のATSのトップ5の履歴書を開き、すべてのテキストを選択します。隠れた白いテキストが表示されたら、候補者がスタッフィングを行っています。
- 履歴書の経験セクションをスキルセクションと照らし合わせて読みます。スキルリストが多くの技術を主張しますが、経験はわずかしか言及していない場合、残りはスタッフィングです。
- 履歴書の要約が職務記述にあまりにも密接に一致しているかを確認します。
