大多数申请跟踪系统以类似于垃圾邮件过滤器读取电子邮件的方式读取简历。它们扫描令牌，计算这些令牌出现的频率，并根据密度对候选人进行排名。如果写“领导”而不是“管理”，模型就会降低您的优先级。如果使用JD没有指定的同义词，您将会下降排名。招聘人员永远不会看到简历。
基于结果的招聘抛弃了这种模型。与其计算令牌，AI会阅读候选人实际做了什么。他们产生的收入。他们扩展的团队。他们发布的系统。他们解决的问题。然后它根据职位的实际要求进行排名。本文解释了它的工作原理，为什么它会产生根本不同的候选人名单，以及为什么大多数传统的ATS仍然无法做到这一点。
基于结果的招聘的真正含义
基于结果的招聘是一种筛选模型，它根据可衡量的成就而不是与工作描述的关键词重叠来对候选人进行排名。该模型从每份简历中提取四类信号：收入（成交的交易，ARR产生的收入，节省的成本），团队（管理的人员，建立或扩展的组织），系统（建立、发布、扩展或在生产中拥有的系统），以及问题（解决、复杂、新的问题）。
它根据JD的结果要求对每个候选人进行评分，并产生一个0-100的综合评分，以及一段书面推理段落，解释模型发现了什么以及为什么将候选人排在特定的位置。推理段落是将系统转变为创始人可以实际使用的部分，因为它允许人类阅读、同意或覆盖。
2023年和2024年《人才形态》中总结的McKinsey工作显示，基于技能的招聘采用率从2020年的40%上升到2024年的约60%，结果为基础的筛选是使基于技能的招聘成为现实而非理想的技术机制。
关键词匹配的三个结构性问题
基于关键词的ATS平台已经成为默认选择十五年了。它们之所以流行，是因为它们廉价易建，不是因为它们工作得好。在实践中，它们以三种具体方式失败。
1. 它们奖励简历中毒。
任何申请过五个以上工作的候选人都学会了这些模式：简历底部隐藏的白色文本关键词，重复的项目符号，虚假的技能部分，包含每种技术的所有变体。Jobscan记录了这种现象的普遍性。这种模式对每个基于关键词的过滤器都有效，包括使用句子嵌入的语义过滤器，因为底层模型仍然在读取标记。
2. 它们奖励噪音而非信号。
一份简历上写着「Python，Python，Python，AWS，AWS，Kubernetes，Django，Postgres」会比一份简历上写着「交付了一个处理每秒2M事件的实时欺诈检测管道」更胜一筹。关键词模型奖励标记密度，而非工作背后的价值。做得更少但描述得更有战略性的候选人会获胜。
3. 它们因词汇选择而拒绝优秀候选人。
一位写了「构建了流媒体服务」而非「架构了实时数据管道」的高级工程师会从排名中消失。哈佛商学院关于隐藏工人的项目估计，2700万合格的美国人因与能力无关的原因被自动筛选器过滤掉。其中大多数拒绝都是基于词汇的，而非基于技能的。
基于结果的 AI 实际评估
Curriculo ATS 以高级工程师或操作员的方式阅读简历，而不是使用正则表达式的方式。该模型提取四类可衡量的结果，并将其与 JD 进行评分。
收入。
成交的交易， ARR 产生的收入，降低的成本，处理的交易，产生的节省。该模型同时识别顶级数字（"成交 2.4M 美元新 ARR "）和运营数字（"降低基础设施支出 38%"）。没有收入信号的候选人不会因其而受到惩罚；该角色只需要询问它。
团队。
管理的人员，建立的组织，招聘的人员，培养的领导者。该模型区分 "领导一个三人团队" 和 "将组织从 8 名工程师扩展到 45 名工程师，跨越两个时区"，因为后者描述了一个完全不同的运营挑战。
系统。
建立、发布、拥有、扩展到生产环境。该模型读取动词和范围。"发布一个每天处理 4B 次查询的搜索相关性系统" 是一个与 "为搜索相关性系统做出贡献" 不同的信号，基于结果的模型可以捕捉到这种差异。关键字模型将两者视为 "搜索" 一词。
问题。
解决、复杂、新颖、模糊。候选人的简历描述了他们从头到尾拥有和解决的艰难问题。"诊断和解决了六个月未解决的内存泄漏" 是一个比 "处理 bug 修复" 更强的解决问题信号，即使两者都提到了相同的技术。
0-100 综合评分将这些信号与经验相关性、职业轨迹和技能对齐相结合。书面推理段落命名了模型找到的具体结果，这意味着创始人可以阅读它并决定是否相信排名。
为什么我们这样构建它
之前 Curriculo ATS，我们的创始人 Dev 在亚马逊工作了多年，专注于搜索和推荐系统。有一项原则从那时起驱动了设计：排名基于输入无法直接伪造的信号。卖家可以在产品标题中写任何他们想要的内容，但他们无法伪造购买数据。评论者可以留下假评论，但验证过的评论模式在规模上更难伪造。排名器读取更难伪造的信号。
招聘也是同样的模式。候选人可以写任何他们想要的关键词；这基本上是免费的。他们无法在不犯欺诈罪的情况下伪造可衡量的结果，这比重写一个要点的门槛要高得多。因此，基于结果的排名器在结构上更难被操纵，对诚实的候选人更公平，也更符合创始人实际想要知道的内容：这个人是否完成了类似我们需要完成的工作？
监管环境也指向同样的方向。 NYC 地方法第 144 条和 EU AI 法案都偏爱具有文档化理由的系统。一个为每个候选人生成书面解释的模型比黑盒关键词过滤器更容易被审计和披露。
基于结果的招聘在哪里破产（以及如何解决）
基于结果的招聘在结构上比关键词匹配更强大，但它并非万能，值得坦率地承认它在某些情况下的欠缺。数据中出现了三种模式。首先，初级候选人和近期毕业生通常具有合理的成果，但这些成果尚未量化，因为他们的第一份工作没有让他们接触到收入或规模指标。模型通过读取定性信号（"领导了团队仍在使用的入职流程的重新设计"）来处理这一问题，但该群体的评分范围会压缩，从而可能扁平化排名。解决方法是降低入门级职位的量化成果权重，在JD配置中。其次，销售候选人可以通过编造或四舍五入收入数字来操纵基于结果的评分，就像他们操纵关键词评分一样。模型将没有时间段或同行比较的整数视为低置信度信号，但足够坚定的候选人仍然可以产生夸大的成果。参考检查仍然是结构性的解决方案，而不是筛选层。第三，在技术角色中，成果是非公开的（专有基础设施工作，机密项目），可能会因为候选人无法详细描述他们交付的内容而被低估。解决方法是让创始人以适当的抽象层次编写JD，在NDA下请求系统已交付的信号，候选人可以在此层次下描述。指出这些限制很重要，因为基于结果的排名是一种工具，而不是判决，创始人将评分视为决策而不是审查的开始，会产生比将评分视为审查开始的创始人更差的招聘结果。
创始人如何应用这种
结果导向的招聘需要将 JD 写成结果，而不是职责。"负责数据管道的所有权"是一种职责。"在前六个月内，这个人将交付一个处理每秒100K事件的流媒体管道，延迟小于一秒"是一个结果。模型可以匹配第二个结果，但无法对第一个结果做任何有用的事情。
- 将 JD 重写为结果。 描述该人员在前六个月内将交付的内容的两到三句话。这是筛选模型使用的文档。
- 运行角色通过结果导向的筛选。 将前十名排名候选人与您手动选择的前十名候选人进行比较。测量重叠度。
- 阅读推理段落。 段落告诉您模型找到的结果。如果它找到了您没有发现的东西，模型正在添加信号。如果它找不到任何有意义的东西，JD 可能需要更多结果。
- 将评分用作_triage工具，而不是决定。 采访前8-12名候选人，总结，决定。模型可以帮助您得到正确的短名单。决定仍然属于人类。
下一步要做的事情
如果您想看到结果导向的筛选产生一个真实角色的短名单，Curriculo 的免费Starter层 ATS 可以处理无限的活跃工作和无限的团队成员。阅读功能页面以了解所包含的内容，然后检查 AI ATS 以获取创始人的特定用例。模型在角色上设置大约需要15分钟。