이력서의 신호와 노イズ: 숨겨진 고용 레이어
200개의 입사 지원 이력서를 열어보면 같은 패턴을 발견할 수 있습니다. 약 40개는 실제로 최근에 관련된 역할을 수행한 경험을 기술하고 있습니다. 나머지 160개는 후보자가 어떤 회사에서 어떤 순서로, 언제, 어떤 도구와 작업을 수행했는지 기술하고 있습니다. 첫 40개는 신호입니다. 나머지는 노イズ입니다. 대부분의 채용 팀은 신호와 노イズ를 충분히 빠르게 구분하지 못하며, 이것이 2026년에 이력서 선별이 여전히 고장난 것처럼 느껴지는 이유입니다.
이력서에서 신호와 노イズ가 실제로 의미하는 것
신호는 후보자가 당신이 고용하는 일을 할 것인지 예측하는 정보입니다. 구체적인 결과 ("800ms에서 120ms까지 p95 지연을 줄여주십시오"), 관련 범위 ("18개월 동안 청구 서비스를 소유했습니다") 및 결정형 성취 ("활성화 14%를 끌어올린 선보인 내보딩 재설계") 는 신호입니다. 소음이란 다른 모든 것: 일반적 책임, 거시 단어, 아무도 확인하지 않는 인증, 그리고 맥락 없이 나열된 도구. 하버드 비즈니스 리뷰는 약 72%의 서사진이 사람이 읽기 전에 필터링된다는 것을 추정하고, 이러한 필터를 하는 시스템은 대부분 노이즈와 같은 키워드, 몇 년의 경험의 정수, 그리고 학위 필드를 살펴본다. 당신이 필요로 하는 것을 정확히 전달했지만 다른 단어를 사용한 후보자는 잘라집니다. 직업 설명에 맞는 거시 단어 샐러드를 쓴 후보가 출마합니다. 소음을 신호로 취급하는 비용은 추상적이지 않습니다. SHRM의 2025 벤치마킹 보고서에서는 임대당 평균 비용은 5,475 달러로 나타났습니다.
키워드 매칭이 신호와 노イズ를 구분할 수 없는 이유
유산을 신청하는 사람을 추적하는 시스템은 법정적인 업무가 문제점이 아닌 판단이 문제였던 시대에 설계되었습니다. PDF를 분석하고, 토큰을 추출하고, 그 토큰을 직업 설명과 비교하고, 순위를 매겨냅니다. 이것은 컴플라이언스 양식에 적합합니다. 실제 시스템을 전송한 시니어 엔지니어가 올바른 단어를 붙인 주니어에서 구별되는 것은 효과가 없습니다. 세 가지 구조적 문제로 키워드가 잘못된 도구와 일치합니다. 이식
이것이 Greenhouse, Lever, Workable, Ashby와 같은 회사들이 지난 2년 동안 "AI" 기능을 추가했음에도 불구하고 여전히 채용 매니저가 수동으로 재정렬하는 후보자 명단을 생성하는 이유입니다. AI은 동일한 키워드 기반 위에 부착되어 있습니다. 잘못된 활동을 가속화합니다.
아마존의 검색 및 추천 시스템에서 배운 교훈
Curriculo ATS를 설립하기 전에 우리의 설립자 Dev는 아마존에서 검색 및 추천 시스템을 작업하는 데 수년을 보냈는데, 이는 이력서 스크리닝과 동일한 문제 클래스입니다. 그 작업에서 배운 교훈은 거의 직접 번역됩니다. 승리하는 랭킹 시스템은 "어떤 문서가 가장 많은 쿼리 키워드를 포함하고 있나요?"라는 질문을 하지 않습니다. "어떤 문서가 사용자의 의도를 가장 잘 충족시킬까요?"라는 질문을 합니다. 두 가지 원칙이 모든 승리를 주도했습니다:
첫째, 사용자가 실제로 관심을 갖는 결과들에 따라 평가한다. 아마존에게는, 그것은 전환과 장기적인 만족이었습니다. 고용에 있어서, 지원자가 일을 할 수 있고, 계속 할 수 있는지 여부는 중요합니다. 즉, 수치화된 성취, 경험의 관련성, 경력 궤적 및 기술 조화를 기준으로 점수를 받는 것이 아니라 "Python"라는 단어가 4번이나 7번이나 등장하는지 여부에 대한 점수를 받는 것이다.
둘째, 이유를 드러낸다. "믿어라"고 말하는 블랙박스 랭커는 투명한 랭커에게 항상 지는데, 이는 사용자가 시스템을 감사하고, 수정하고, 신뢰할 수 있기 때문이다. 우리는 Curriculo ATS을 구축하여 0~100의 적합도 점수마다 모델이 무엇을 보았고 어떤 요소를 고려했는지 설명하는 서면 이유가 첨부되도록 하였다. 우리의 영향 점수 보기에서 그 문단을 읽은 창업자는 몇 초 안에 AI이 올바른지 판단하고, 올바르지 않은 경우에는 무시할 수 있다. 이것이 실제로 신호 기반 채용이다.
현재의 ATS이 신호를 읽는지 잡음인지 테스트하는 방법
당신의 ATS이 실제로 무엇을 하는지 알아내는 가장 빠른 방법은 약 20분 정도 걸리는 통제된 테스트를 실행하는 것입니다. 이미 평가하고 합의한 세 개의 이력서를 선택하세요: 명확한 수치화된 결과와 최근 관련 작업이 있는 명백한 최상위 후보자, 측정 가능한 성과가 없는 버즈워드가 가득한 명백한 약한 후보자, 그리고 좋은 배경이지만 불분명한 결과를 가진 경계선 케이스. 세 가지 모두를 표준申请 흐름을 통해 제출하세요. ATS이 생성하는 랭킹을 살펴보세요. 명백한 최상위 후보자가 상위 사분위에 있고 버즈워드 이력서는 하위 절반에 있는 경우, 시스템은 유용한 것을 읽고 있습니다. 버즈워드 이력서가 최상위 후보자보다 더 높은 점수를 받는 경우 - 이는 우리가 테스트한 레거시 키워드 시스템에서 약 40%의 경우 발생합니다 - 당신의 ATS는 노이즈에 따라 필터링되고 있습니다. 테스트의 두 번째 부분은 이유 문단입니다. 시스템에 물어보세요: 이 후보자는 왜 그 위치에 있는지? 답이 "73% 일치" 또는 "강한 일치"라면, 설명 가능성이 없습니다. 답이 성과, 경험 신호, 궤도, 그리고 갭을 이름으로 언급하는 문단이라면, 설명 가능성이 있습니다. 대부분의 팀이 이 테스트를 처음 실행할 때, ATS가 이미 몇 개월 동안默默地 재랭크되었다는 것을 발견합니다 - 그들은 단지 출력을 더 이상 신뢰하지 않게 되었지만, 그것을 실현하지 못했습니다. 분기마다 테스트를 실행하는 규율, 스위치 후에도, 모델을 정직하게 유지합니다. 모델은漂移한다. 작업 설명은漂移한다. 20분 테스트는 어느 종류의漂移이 비싼 실수로 되는 것에 대한 가장 저렴한 보험입니다.
스타트업 창업자가 신호 대 잡음 사고를 어떻게 적용하는지
이 프레임워크를 사용하려면 기계 학습 팀이 필요하지 않습니다. 결과를 나열하는 작업 설명과 이를 보상하는 스크리닝 루프가 필요합니다. 구체적인 5가지 전략:
이식