2026년 고용의 시대는 2가지 병렬 현실을 가지고 있습니다. 한 가지에서 창업자들은 각 역할에 대해 200명의 후보자를 점검하고 있습니다. AI 지원 점수를 통해 분당 한 신청자에게 기록적인 논의를 만들어냅니다. 다른 경우에는 AI 고용 도구는 NYC 지방법 144에 따라 편견감사에 ಒಳಪಟ್ಟಿರುತ್ತದೆ. EU AI법에 따라 높은 위험으로 분류되며, EEOC 지침에 따라 법원에 도전됩니다. 두 가지가 동시에 일어나고 있습니다. 같은 소프트웨어 스택에서, 같은 회사 내에서 종종 일어나고 있습니다. 이중 현실을 이해하는 창업자들은 지속 가능한 고용 시스템을 구축합니다. AI를 순수 자동화나 순수 책임으로 취급하는 창업자들은 속도나 준수도 얻지 못합니다.
올해 AI 고용에서 실제로 변화된 것은
입니다2026년 풍경을 세 차례로 정의합니다. 첫째, 스크리닝 계층은 키워드 일치에서 추론을 통한 다중 신호 평가로 옮겨졌습니다. 즉, 시스템의 출력은 더 이상 주파수 점수가 아니라 채용 관리자가 초 내에 감사 할 수 있는 기록적인 설명입니다. 둘째, 규제 통제가 강화되었습니다. NYC 지방법 144은 2023년 7월부터 적극적으로 시행되고 있으며, NYC 고용에 사용되는 자동화된 고용 결정 도구에 대한 연간 편견 감사 및 후보자 알림이 요구됩니다. EU AI 법의 부록 III은 채용, 신청 필터링 및 후보 평가에 사용되는 AI 시스템을 고위험으로 분류하고 있으며, 전체 의무는 2026년 8월 2일 시행됩니다. 셋째, 구매자 기반이 바뀌었습니다. 중부 시장 및 스타트업 팀은 이제 AI를 지원하는 ATS 플랫폼을 5년 전 기업들이 지배하던 양으로 구매하고 있습니다. 이는 기존 공급업체에 대한 가격 압박과 작은 팀이 자동화된 분류 없이는 엄격한 고용을 수행할 수 없다는 운영 사실에 의해 주도됩니다.
를 변경하지 않은 주정 통계는ATS 계층에서 재개 거부는 가장 흔한 신청자 불만이 남아 있습니다. 7.4초 평균 재개력 스캔을 측정하는 2018년 스텝스 눈 추적 연구는 10년 후에도 인용되고 있습니다. 그 근본적인 행동이 변하지 않았기 때문입니다. 7초짜리 스캔이 AI 지원 랭킹 레이어 이후에 이루어지는 것이 바뀌었습니다. 후보자의 첫 번째 상호작용은 모델입니다. 모집자의 첫 번째 읽은 것은 모델의 출력입니다.
스크리닝 레이어: 키워드와 합리화되는
AI의 후보자를 대상으로 하는 방식의 변화는 2025~2026년 가장 큰 실질적인 변화입니다. 키워드 일치에 기반한 Legacy ATS 플랫폼은 직업 설명에 해당하는 토큰을 계산함으로써 재개수를 기록했습니다. 출력 결과는 설명이 없는 점수였으며 점수의 유효성은 후보자가 키워드를 얼마나 공격적으로 삽입했는지에 전적으로 달려있었습니다. 이 모델은 여러 신호를 통한 점수를 추론으로 대체하고 있는데, 이 시스템은 여러 차원에서의 서사진을 평가하고, 그 평가에 대한 설명의 문헌을 만들어냅니다. 이 접근 방식의 예로는 임팩트 스코어링이 있습니다. 수치화된 성취, 경험의 관련성, 경력 궤적, 기술 조화를 평가하고, 다음으로 적정 논리 문장을 통해 0-100의 복합 점수를 생성합니다. 이 조차는 두 가지 이유로 중요합니다. 첫째, 검진 출력은 감사가 가능해지기 때문에, 이제 NYC에서 규제 요구 사항이 되고, EU에서 빠르게 접근하는 요구 사항이 되었다. 둘째, 스크리닝 출력은 유용하게 작용합니다. 모집 관리자가 추론을 읽는 것은 모델 오류를 감지하고 자신의 판단에 맞게 조정하고 더 나은 분류 결정을 더 짧은 시간에 내릴 수 있습니다. 키워드 점수는 불투명하다. 논리항은 인터뷰 결정의 작업 드래프트입니다.
설명 가능성이 이제는 필수적임
NYC 지역법 144는 발표된 결과를 가진 편향감사를 요구합니다. EU AI 법은 기술 문서, 인적 감독 및 고용 도구를 포함한 고위험 AI 시스템에 대한 지속적인 모니터링을 요구합니다. 두 규제 체제는 불투명한 모델로 만족하는 기능적으로 불가능합니다. 설명 없이 점수를 내리는 모델은 의미있게 감사할 수 없습니다. 감사는 수행적이 됩니다. 후보자마다 논의를 발표한 모델은 검토, 논쟁, 수정할 수 있는 기록을 만들어냅니다. 설명성은 추가할 수 있는 특징이 아니라 고용에 있어서 AI의 법적 사용의 기초입니다.
규제 환경이 지금
에 필요한 것은2026년 AI 고용 도구에 직면한 의무는 세 가지 프레임워크로 정의됩니다. NYC 지역법 144는 가장 운영적으로 구체적입니다. NYC 기반의 포지션에 대한 고용 결정의 자동화된 도구에 적용되며, 이전 12개월 이내에 독립적인 감사가 편견감사를 요구하고, 감사 결과를 공개하고, 대안적 평가 요청할 기회를 가진 후보자 통보를 요구합니다. 벌금은 첫 번째 위반에 대해 $500, 그리고 다음 위반에 대해서는 $1,500입니다. 이는 개별적으로 작지만 후보당 축적됩니다.
EU AI 법은 더 넓습니다. 부문 III에 AI 고용이 높은 위험으로 나열되어 있으며, 그 중에는 채용, 신청서를 필터링, 후보자를 평가, 과제를 할당하고 성과를 모니터링하는 시스템도 포함됩니다. 고위험 시스템 의무는 위험 관리 프로세스, 기술 문서, 교육 데이터 관리, 투명성 공개, 인간 감독 요구 사항, 정확성 및 강도 테스트 및 시장 시후 모니터링을 포함한다. 전체 의무를 이행하는 것은 2026년 8월 2일로 EU 거주자 후보자를 가진 모든 판매자 또는 구매자에게 중요한 날짜입니다.
미국 연방의 지침은 여전히 구체적이지는 않지만 점점 더 활발하다. EEOC는 2023년에 AI를 고용하는 고용주가 VII 타이틀에 따라 서로 다른 영향에 대한 책임을 지고 있음을 강조하는 지침을 발표했으며, 일련의 주 수준의 법률 (일리노이 AIVID, 메릴랜드 AI 고용 투명성, 캘리포니아의 대기 중인 AB-2930) 은 연방 프레임워크와 동시에 작동하는 패치워크를 만들고 있습니다.
스타트업 설립자
에게 이것은 무엇을 의미합니까?NYC 기반을 둔 또는 될 수 있는 후보자를 고용하면, AI 검열 도구는 적극적인 편향 감사가 필요합니다. 만약 여러분이 EU 거주자를 고용한다면, AI 법의 의무는 2026년 8월까지 판매자에게 적용될 것입니다. 만약 미국 전역에서 고용한다면 일반적으로, EEOC의 부조리 영향책임은 이미 적용됩니다. 실질적인 의미는 이러한 준수 요구 사항을 지지하지 않는 AI 공급업체는 구매자에게 위험을 초래하고 있으며, 이를 지지하는 공급업체는 점점 더 안전한 유일한 선택입니다.
아마존에서 AI를 책임감 있게 배치하는 것에 대해 배운 것은
Curriculo ATS 이전에는 창업자는 아마존의 추천 시스템에서 일했습니다. 가장 직접적으로 번역한 교훈은 인간에게 영향을 미치는 AI 시스템은 검증 가능하고 논쟁이 가능한 동시에 있어야 합니다. 아마존의 추천 모델은 특정 사용자 인구에 불이익을 주는 결과를 생산할 때 끊임없이 평가되고 재교육되고 도전됩니다. 같은 표준은 AI를 고용하는 데 적용됩니다. AI의 고용에 있어서 3가지 원칙은 협상할 수 없습니다. 설명가능성: 모든 점수는 인간이 읽을 수 있는 추론으로 이루어져야 합니다. 감사 가능성: 시스템은 성능 측정만 지원하지 않고 문서로 편견 감사를 지원해야 합니다. 논쟁 가능: 후보자는 결정을 도전하고 인간에게 검토하도록 할 수 있어야 합니다. Curriculo ATS는 세 가지에 의해 만들어졌습니다. 영향 점수 계층은 각 후보자에 대한 필기적 논리 기사를 발표한다. 점수 문서들은 독립적인 편향 감사가 사용할 수 있도록 작성되어 있습니다. 인간 검토 계층은 거부 이메일 전송 전에 설계에 의해 요구됩니다. 이 모든 것은 다른 영역에서 규모로 배치된 AI에 비정상적이지 않습니다. 새로운 것은 고용이 현재 동일한 표준에 따라 유지된다는 것입니다.
왜 "임용에 있어서 AI"은 더 이상 하나의 범주
가 아닌지현재 세 가지 하위급은 의미있는 다른 위험 프로파일을 가지고 있습니다. 재개시 검사용 AI는 가장 규제되고 설명이 가능한 방법입니다. 비디오 인터뷰 분석에 대한 AI는 가장 논쟁이 되고 있으며 여러 관할에서 도전되고 있습니다. 출입에 대한 AI는 가장 덜 규제되지만 동의와 공개에 대한 점점 더 심각한 질문을 제기합니다. AI 채용 도구를 평가하는 설립자는 각 공급자가 어떤 하위 범주에 대해 운영하는지 이해해야 합니다.
2026 스타트업 고용 스택은 실제로
와 비슷합니다중요성 순서로 다섯 개의 구성요소
- 설명 가능한 AI 검진 후보당 글쓰기적 논의를 통해 다신 신호 점수를 받는 편견을 검증할 수 있습니다. 영향점점수는 정통적인 예입니다.
- 점수카드로 구조화된 파이프라인 동일한 단계, 동일한 라우브릭, 각 인터뷰에서 작성된 피드백 HBR 연구 결과에 따르면 구조화되지 않은 루프보다 직무 성과에 대한 예측이 두 배나 높습니다.
- 캘린더와 통합 제안 일정을 위한 진실의 단일 출처, 레벨별로 미리 작성된 제안 템플릿, 각 단계 전환에서 자동화된 추진
- 편견 감사 및 준수 문서 EU 후보를 고용하는 경우 매년 독립적인 감사, 후보에 맞춘 통지, EU AI 법 기술 문서
- 90일간의 임대 추적 품질 검사 모델을 기정하기 위해 입력된 결과 데이터 AI가 실제로 성공을 예측하는지 여부에 대한 루프를 닫습니다.