广泛引用的“75% 的简历从未到达人类”的统计数据来自 2012 年一家公司的销售推介，该公司现已不存在。该数字没有公开的方法论。然而，数字试图描述的根本问题是真实的：大多数简历在人类阅读之前被过滤掉，而过滤是机械的，好的候选人会因错误的原因而被排除。建立招聘流程的创始人需要了解机制，而不仅仅是争论百分比。
简历提交到申请跟踪系统后会发生什么？ ATS
通过申请跟踪系统提交的简历在任何人看到之前会经过三个阶段：解析、匹配和排名。每个阶段都可能以与候选人实际适合度无关的方式失败。哈佛商业评论对算法招聘的分析将关键词驱动系统中简历被过滤掉的比例估计为大约 72%。最近的独立研究挑战了流行的“75% 被拒绝”的说法——2025 年对 25 名招聘人员的研究发现，只有 8% 启用自动内容拒绝；其余的依赖于人工审查，指导有敲门砖和可选评分。诚实的解读是：大多数简历并不是被沉默的算法自动拒绝，而是大多数被解析失败、弱关键词匹配和排名系统所过滤，合格的候选人被埋没在噪音候选人之下。结果对于候选人来说看起来是一样的——沉默。机制很重要，因为每个阶段的解决方案都不同。
阶段 1：解析——格式问题会杀死好的候选人
解析是将简历文档转换为系统可以搜索和排名的结构化数据的过程。解析器提取联系信息、工作经验、教育、技能和章节结构。它以可预测的方式失败：
- 多列布局。 解析器从上到下、从左到右读取。带有侧边栏标题的两列简历会被序列化为无意义的内容。
- 图像中的文本。 解析器默认不 OCR。以图形形式保存的姓名或技能部分是不可见的。
- 嵌入式文本框和表格。 标准 Word/Pages 模板使用这些进行视觉布局。它们会破坏提取。
- 标题、页脚和侧边栏。 放在标题中的联系信息通常会被解析器忽略，这意味着候选人的电子邮件地址永远不会进入系统。
- 特殊字符和不常见的字体。 自定义符号和装饰字体会被混淆。
对 1,000 个被拒绝的简历的独立分析发现，43% 的拒绝是由于格式、解析或任意过滤失败，而不是资格差距。候选人在申请前修复格式可以提高他们的机会，而无需改变他们的资格。
阶段 2：匹配——词汇差异成为排除的原因
解析器结构化数据后，系统将其与工作描述进行比较。大多数遗留系统使用某种组合：
硬关键词匹配 ——确切的令牌。要求“Kubernetes”的 JD 拒绝了说“K8s”的简历。较旧的系统执行此操作。较新的系统添加同义词词典，但覆盖范围不均匀。
语义匹配 ——将相似概念映射到附近的向量空间。比硬匹配更好，但仍然容易受到词汇漂移的影响，特别是在工作标题和工具名称变化迅速的领域。
加权评分 ——所需技能的权重高于好处。这里发生了大部分排名：缺少一个“所需”关键词的候选人通常排名低于具有关键词但缺乏底层技能的候选人。
关键词差距问题在相邻学科的边界处影响最大。“使用事件驱动架构构建后端服务”可能不会在不理解等价性的系统中匹配“REST API 开发”。“领导 5 人产品团队”可能不会匹配“产品经理”，如果候选人的职称是“创始 PM”，而不是“产品经理”。词汇漂移与非传统职业路径相关，这意味着关键词匹配不成比例地过滤掉那些职业路径不是线性的候选人——正是小型初创公司经常想要的候选人。
阶段 3：排名——质量的生死之地
匹配后，候选人会被排名。招聘人员通常只阅读排名前 10-20% 的列表。决定谁在那 10-20% 中的机制是整个流程中最重要的决定，它也是创始人很少审计的部分。 ATS
基于关键词重叠的排名快速且在代码中可解释，但在区分真正的信号和流行词汇沙拉方面很糟糕。将工作描述中的每个词都粘贴到简历中的候选人可以超越实际完成工作的候选人。基于结果的排名——我们构建了 Curriculo ATS 影响评分——颠倒了这种情况。每个候选人都会根据量化的成就、经验相关性、职业轨迹和技能对齐进行评估，然后会收到一个 0-100 的综合评分和一段书面推理。书面推理是解锁。招聘经理在 30 分钟内阅读 30 段推理可以快速捕捉模型错误并相信其余部分。招聘经理阅读 200 个未排名的简历几乎什么也没捕捉到，也不相信任何内容。
从 Amazon 建立的排名系统中吸取的教训 ATS ATS
在 Amazon 学到的关于排名失败的教训在创立 Curriculo之前，我们的创始人 Dev 在 Amazon 的搜索和推荐团队工作了多年。从那项工作中最普遍的教训是：当排名器默默地失败时，用户会责怪库存。卖家会责怪 Amazon 当好的产品没有排名；在招聘中，招聘人员会责怪候选人池当好的简历没有浮现。两种情况下，实际的失败都是上游的，在排名器中。解决方案在 Amazon 不是添加更多规则到破碎的排名器上，而是围绕输入不能直接伪造的信号重建它。真正的购买数据。真正的退货率。经过验证的评论模式。同样的原则推动了基于结果的招聘：根据候选人不能伪造而不犯欺诈的信号进行排名（产生的收入、扩展的团队、交付的系统、解决的问题），而不是根据任何候选人都可以填充的令牌进行排名。第二个教训几乎是逐字适用的：没有可解释性的排名器会被对手反向工程。在 Amazon，卖家在几周内就学会了游戏关键词标题。在招聘中，候选人在几年内学会了游戏关键词过滤器，但游戏现在已经普遍。唯一的结构性防御是排名器读取实质内容并显示其推理。将 ATS 屏幕视为排名问题而不是数据输入问题的创始人最终会比将其视为工作流软件附加 AI 的创始人拥有更干净的短名单。
作为创始人如何修复每种故障模式
如果您在 10 至 200 人的初创公司运行招聘流程，这里是实用的游戏规则，用于关闭每个差距：
- 审计您的解析。 通过自己的申请表单提交五份格式良好的候选人简历。稍后在您的 ATS 中打开它们并验证解析字段。如果 30% 的字段有缺失或混乱的数据，则您的解析器正在默默地失败——您的申请人也一样。
- 审计您的关键词匹配。 使用不同词汇的强简历和复制 JD 的弱简历。提交两者。如果弱简历排名更高，则您正在评分噪音。大多数遗留系统都无法通过此测试。
- 要求推理，而不仅仅是评分。 如果您的 ATS 生成一个没有解释的数字，则团队将重新阅读每个人，这意味着您正在支付不使用的筛选费用。 SHRM 的平均每次招聘成本为 5,475 美元，其中包括一些浪费的时间。
- 跟踪您的阶段放弃率。 测量从接收到第一次招聘人员联系的申请百分比。如果低于 60%，则您的漏斗顶部正在泄漏，泄漏通常是解析和低信任排名的组合。
- 运行一周信号测试。 将一个开放职位移到基于结果的筛选器并将短名单与当前系统生成的短名单进行比较。测试在免费入门计划上不需要任何成本，并且可以在七天内告诉您瓶颈是工具还是流程。
下一步该做什么
黑盒问题是可解决的，但只有通过从第一天开始设计可解释性工具。 如果您想在自己的入站简历中看到基于结果的评分和书面推理的效果，免费的 Curriculo ATS 入门计划可以处理无限的活跃工作和无限的团队成员——请参阅功能或定价。对于招聘算法和偏见的更广泛图景， HBR 分析算法招聘是正确的起始读物。
前 Amazon 机器学习工程师（搜索和推荐）和 Synopsys。建立 Curriculo ATS 以用基于结果的 AI 评估替换招聘中的关键词匹配。宾夕法尼亚州立大学校友。撰写关于招聘 AI、 ATS 经济学和实际预测工作表现的文章。