대부분의 지원자 추적 시스템은 스팸 필터들이 이메일을 읽는 방식으로 재개합니다. 그들은 토큰을 스캔하고, 그 토큰이 얼마나 자주 나타나는지 계산하고, 밀도에 따라 후보자를 순위합니다. "관리" 대신 "이끄는"라고 써서 모델은 당신을 우선 순위에 놓습니다. JD에서 지정하지 않은 동호를 사용하면 목록에서 떨어집니다. 채용자는 자기소개서를 볼 수 없습니다.
결과 기반 고용은 그 모델을 버립니다. 토큰을 계산하는 대신 AI는 후보자가 실제로 한 일을 읽습니다. 그들이 만든 수입 그들이 은 팀들 그들이 보낸 시스템 그들이 해결한 문제들 그 다음에는 역할의 실제 요구 사항에 맞게 순위를 매깁니다. 이 에세이는 어떻게 작동하는지 설명하고, 근본적으로 다른 단편 목록을 생성하는 이유, 그리고 대부분의 레거시 ATS가 여전히 그것을 할 수 없는 이유에 대해 설명합니다.
결과 기반 고용은 실제로
을 의미하는 것은 무엇입니까결과 기반 고용은 취업 설명과 키워드 중복이 아닌 측정 가능한 성취에 따라 후보자를 순위화하는 스크리닝 모델입니다. 이 모델은 각 레지뷰에서 네 가지 신호 범주를 추출합니다. 수익 (결정 거래, ARR 생성, 저축 생산), 팀 (관리된 사람들, 조직이 구축되거나 확장), 시스템 (건축, 배포, 확장, 생산에 소유) 및 문제 (해결, 복잡, 새로운).
JD의 결과 요구에 따라 각 후보자를 점수하고 0-100의 복합 점수를 생성하고 모델이 무엇을 발견하고 왜 후보자를 그 자리에 배치했는지 설명하는 필기적 논리 문장을 제공합니다. 논리항은 వ్యవస్థ을 설립자가 실제로 사용할 수 있는 것으로 만드는 부분입니다. 왜냐하면 그것은 사람이 읽고 동의하거나 취소할 수 있기 때문입니다.
McKinsey 작업은 2023년과 2024년 재능의 형태에서 요약되어 기술 기반 고용 채택이 2020년 40%에서 2024년 약 60%로 상승하는 것을 보여줍니다. 그리고 결과 기반 검진은 기술 기반 고용을 실제로 만드는 기술 메커니즘입니다.
키워드와 일치하는 세 가지 구조적 문제
키워드 기반의 ATS 플랫폼은 15년 동안 기본으로 사용되었습니다. 그들은 살기 쉽고 디모션하기 쉽기 때문에 주변에 머물렀습니다. 잘 작동하기 때문이 아닙니다. 실제로는 세 가지 구체적인 방법으로 실패합니다.
1. 그들은 재취를 보상합니다.
5개 이상의 직장을 신청한 모든 지원자는 패턴을 배웠습니다. 레지뷰의 하단에 숨겨진 백색 텍스트 키워드 덤프, 반복되는 샷 포인트, 모든 기술의 모든 변형과 같은 가짜 기술 섹션. 잡스는 이것이 얼마나 흔한지 기록할 수 있습니다. 이 패턴은 문장 임베디션을 사용하여 의미적인 것을 포함하여 모든 키워드 기반 필터에서 작동합니다. 왜냐하면 기본 모델은 여전히 토큰을 읽기 때문입니다.
2 신호보다 소음으로 보상합니다.
"Python, Python, Python, AWS, AWS, Kubernetes, Django, Postgres"라는 리서미는 "초당 2M 이벤트를 처리하는 실시간 사기 탐지 파이프라인을 배포했다". 덜하고 더 전략적으로 묘사한 후보가 승리합니다.
3. 그들은 훌륭한 후보자를 거부합니다.
"실제 데이터 파이프라인을 설계한 것" 대신 "스트리밍 서비스를 구축했다"는 글을 쓴 시니어 엔지니어 하버드 비즈니스 스쿨의 숨겨진 노동자 프로젝트에서 27백만 명의 자격을 갖춘 미국인들이 능력과 관련이 없는 이유로 자동으로 검출을 당합니다. 대부분의 거부는 어휘에 기반하고 기술에 기반하지 않습니다.
AI가 실제로
를 평가하는 결과 기반의 AICurriculo ATS는 시니어 엔지니어나 운영자가 하는 것처럼 자기소개서를 읽습니다. 모델은 측정 가능한 결과의 네 가지 범주를 추출하고 JD에 대해 점수를 제공합니다.
수익
거래가 종료되고, ARR가 발생하고, 비용이 감소하고, 거래가 처리되고, 저축이 발생한다. 모델은 최상위 노선 숫자를 모두 인식합니다 ("새로운 ARR에서 2.4M 달러의 폐쇄") 및 운영 숫자를 인식합니다 ("부설비 지출이 38% 감소"). 수익 신호가 없는 후보자는 처벌받지 않습니다. 역할은 단지 그것을 요구해야 합니다.
팀
사람들은 관리하고 조직을 만들고 고용하고 지도자를 개발합니다. 모델은 "삼 명의 팀을 이끌었다"와 "두 시간대를 8에서 45 명의 엔지니어로 확장했다"를 구별합니다. 왜냐하면 두 번째는 완전히 다른 운영 과제를 설명하기 때문입니다.
시스템
제작, 운송, 소유, 생산 규모 모델은 어휘와 범위를 읽습니다. "검색 관련 시스템 처리 4B 질문/일"은 "검색 관련 시스템에 기여한 것"과 다른 신호이며, 결과 기반 모델은 차이를 파악합니다. 키워드 모델은 둘 다 "찾기"라는 단어로 취급합니다.
문제
해결, 복잡, 신소설, 모호한. 후보자의 서사지는 그들이 끝까지 가지고 있던 어려운 문제를 설명합니다. "6개월 동안 해결되지 않은 메모리 누출을 진단하고 해결했습니다"는 "부그 수정 작업을 수행했습니다"보다 더 강력한 문제 해결 신호입니다.
0-100 복합 점수는 이러한 신호를 경험 관련성, 경력 궤도 및 기술 조화를 결합합니다. 글쓰기 논리항은 모델이 발견한 구체적인 결과를 지정하고, 이는 창업자가 그것을 읽고 순위를 신뢰할지 여부를 결정할 수 있음을 의미합니다.
왜 이렇게 만들었는지
Curriculo ATS 이전에, 우리의 창업자 데브는 아마존에서 수년간 검색 및 추천 시스템에서 일했습니다. 그 작업에서 설계를 주도한 하나의 원칙이 있습니다. 입력이 직접 만들 수 없는 신호에 대한 순위입니다. 판매자들은 상품 제목에 원하는 것을 쓸 수 있지만 구매 데이터를 만들 수는 없습니다. 평론자들은 가짜 리뷰를 남길 수 있지만 검증된 리뷰 패턴은 규모로 가짜로 만드는 것이 더 어렵습니다. 랭커는 가짜 신호를 더 어렵게 읽습니다.
고용은 같은 모양입니다. 지원자들은 원하는 키워드를 쓸 수 있습니다. 그것은 기본적으로 무료입니다. 그들은 사기 없이 측정 가능한 결과를 만들 수 없습니다. 이는 총알 포인트를 재설정하는 것보다 훨씬 높은 기준입니다. 그래서 결과 기반 순위표는 구조적으로 더 어렵고, 구조적으로 정직한 후보들에게 더 공정하며, 설립자가 실제로 알고 싶어하는 것과 구조적으로 일치합니다. 이 사람이 우리가 해야 할 일을 닮은 일을 했습니까?
규제 그림은 같은 방향으로 지향합니다. NYC 지방법 144 및 EU AI 법은 모두 문서화된 추론을 가진 시스템을 선호합니다. 후보자에 대한 필기적 설명을 제공하는 모델은 블랙박스 키워드 필터보다 훨씬 쉽게 감사하고 공개합니다.
결과 기반 채용이 실패하는 경우 (그리고 어떻게 고칠 수 있는지)
결과 기반 고용은 키워드 일치보다 구조적으로 강하지만 마법이 아닙니다. 그리고 그것이 미흡한 경우에 대해 솔직해져야합니다. 데이터에는 세 가지 패턴이 나타납니다. 첫째, 주니어 후보와 최근 졸업생들은 종종 정당한 결과를 가지고 있습니다. 아직 정량화되지 않은 것은 그들의 첫 직장이 매출이나 규모의 측정에 노출되지 않았기 때문입니다. 모델은 질적 신호를 읽음으로써 ("팀이 여전히 사용하고 있는 온보딩 흐름의 재설계를 주도했다") 하지만 이 코호르트의 점수 범위는 압축되어 순위를 평평하게 할 수 있습니다. 정치는 JD 구성에서 입급 레벨 역할에 대한 질량 정량 결과의 무게를 낮추는 것입니다. 둘째, 과잉 쿼터 수를 가진 판매 후보자들은 수익을 창출하거나 라운드하는 방식으로 키워드 점수를 하는 것과 마찬가지로 결과 기반 점수를 할 수 있습니다. 모델은 기간이나 동료 비교 없이 둥근 숫자를 낮은 신뢰 신호로 취급하지만 충분히 결정된 후보자는 여전히 부풀어난 결과를 가져올 수 있습니다. 참고 검사는 스크린 레이어가 아닌 구조적 고정관념으로 남아 있습니다. 셋째, 비공개적인 결과 (개발적인 인프라 작업, 비공개 프로젝트) 를 가진 깊이 기술적인 역할은 후보자가 그들이 배송한 것을 상세하게 설명할 수 없기 때문에 저등급될 수 있습니다. 고치는 JD를 올바른 추상 수준으로 작성하는 것입니다. 지원자가 NDA에서 설명할 수있는 수준에서 시스템에서 전송되는 신호를 요청합니다. 이러한 한계를 명칭하는 것은 중요한 이유는 결과 기반 순위가 판단이 아니라 도구이기 때문에, 점수를 결정으로 취급하는 창업자는 점수를 검토의 시작으로 취급하는 창업자보다 더 나쁜 고용을 만들어냅니다.
설립자가
를 어떻게 적용하는지결과 기반 고용은 JD를 의무가 아닌 결과로 작성해야 합니다. "데이터 파이프라인 소유에 대한 책임"은 의무입니다. "첫 6개월 동안, 이 사람은 초하 2의 지연으로 100K 이벤트/초를 처리하는 스트리밍 파이프라인을 배포할 것입니다". 모델은 두 번째 모델과 일치할 수 있고, 첫 번째 모델은 유용하게 작동할 수 없습니다.
- JD를 결과로 다시 작성하세요. 첫 6개월 동안 그 사람이 무엇을 전달할 것인지 설명하는 2~3개의 문장. 이것은 스크리닝 모델에서 사용하는 문서입니다.
- 결과 기반의 검사를 통해 역할을 수행하십시오. 랭킹 10위 후보와 수동으로 선택한 10위 후보를 비교해 보세요. 겹치는 것을 측정합니다.
- 논리 문서를 읽어보세요. 문항은 모델이 발견한 결과들을 알려줍니다. 만약 당신이 발견하지 않은 것을 발견한다면, 모델은 신호를 추가합니다. 만약 아무런 의미 있는 것이 없다면 JD는 더 많은 결과를 필요로 할 것입니다.
- 스코어를 결정이 아닌 분류 도구로 사용하세요. 8-12위와 인터뷰, 회계, 결정 모델은 당신을 올바른 선택지에 데려다줍니다. 결정은 여전히 인간에게 달려 있습니다.
다음으로 해야 할 일은
결과 기반 스크리닝으로 실제 역할에 대한 단축 후보자 명단을 생성하려면, Curriculo ATS의 무료 스타터 티어는 무제한의 활성 작업과 무제한의 팀 멤버를 처리합니다. 포함된 내용을 확인하려면 기능 페이지를 읽은 후, 창립자용 사례에 대한 AI ATS를 확인하세요. 모델은 역할에 설정하는 데 약 15분이 소요됩니다.