すべての応募者追跡システムは、何らかの形式のAIを使用して履歴書をランク付けします。アーキテクチャは、ほぼすべてのレガシープラットフォームで使用されるキーワードベースのマッチングと、CurriculoATSで使用される成果ベースのランク付けの2つのカテゴリに分類されます。違いは単なるマーケティングではなく、モデルが履歴書を読み取る方法における構造的な違いであり、同じ候補者グループに対して根本的に異なるショートリストを生成します。
これは、ATSソフトウェアを購入する際に実際に何が起こっているのか理解したいスタートアップの創業者向けに書かれた技術的な比較です。また、なぜ2つのアーキテクチャが、より良いUXや同じ入力に対して巧妙なモデルでは平準化できないのかを説明しています。
キーワードベースのマッチングの仕組み
キーワードベースのマッチングは、求人説明からトークンを抽出し（Python、AWS、Kubernetes、Django、Postgres）、履歴書を同じトークンでスキャンします。見つかった各トークンはマッチスコアにカウントされます。基本的な実装は次のように見えます: job_tokens = extract_keywords(job_description); resume_tokens = extract_keywords(resume_text); overlap = intersection(job_tokens, resume_tokens); score = len(overlap) / len(job_tokens)。より洗練されたバージョンは、TF-IDFの重み付け（希少な用語が一般的なものよりも多くカウントされる）や文の埋め込み（履歴書のベクトルがJDベクトルに近いほど高いランクを得る、例えば「管理」の代わりに「リード」といった同義語をキャッチする）を使用します。これら3つのバリエーションは、同じ根本的な特性を共有しています: それらは決定論的なテキストマッチング関数であり、履歴書は入力です。キーワード詰め込み戦略を認識している候補者は、モデルが好む出力を確実に生成できます。
キーワードマッチングの3つの構造的脆弱性
1. 敵対的履歴書の汚染
任意の決定論的なテキストマッチングアルゴリズムは、ルールを知っている候補者によって操作される可能性があります。モデルが特定のキーワードの存在に報いる場合、候補者は履歴書の底に隠れた白いテキストでそのキーワードを注入したり、繰り返しの箇条書きで記載したり、偽のスキルセクションに含めたりします。キーワードベースのシステムは、構造的にこれに対して脆弱です; モデルには、キーワードが候補者の仕事によるものであるか、フィルタを理解したからであるかの区別がありません。セマンティック・シミラリティモデルさえも、わずかに異なる攻撃に対して脆弱です: JDを履歴書の要約にコピー＆ペーストすると、コサイン距離がほぼゼロに崩れます。
2. 弱い候補者に対する誤検出
履歴書に「Python」が4回記載されている候補者は、実際のリアルタイム詐欺検出システムの出荷を記述している候補者よりも高く評価されます。モデルはトークン密度を報いるもので、深さを重視しません。リクルーターはランクのトップにある誤検出を目にし、それを進めます; 強い候補者は位置47に留まり、読み込まれません。研究によって記録された7秒の履歴書スキャンは、リクルーターが手動でランクを修正する時間を持たないことを意味します。
3. 強い候補者に対する誤認定
隠れた労働者に関する研究では、2700万人の有資格のアメリカ人が能力に無関係な理由で自動スクリーニングによって排除されると推定されています。「ストリーミングサービスを構築した」と記載した上級エンジニアは「リアルタイムデータパイプラインを設計した」と記載した候補者としては消えてしまいます。非伝統的な語彙を持つ候補者や、履歴書にギャップがある候補者、異なる業界の枠組みでフィルタリングされて、人間がレビューする前に排除されます。
成果ベースのランク付けの仕組み
成果ベースのランク付けは、メカニズムを反転させます。履歴書のテキストとJDのテキストを比較するのではなく、モデルは履歴書から4つのカテゴリーにわたる測定可能な成果を抽出し、役割の成果要件に対してスコアを付けます。4つのカテゴリー: 収益（閉じた取引、生成されたARR、作成された節約）、チーム（管理した人々、スケールした組織）、システム（構築、出荷、生産でスケール）、問題（解決、複雑、新規）。モデルは0-100の複合スコアと、見つかった具体的な成果を名づける理由段落を返します。この段落は、システムをブラックボックスから人間が監査できるツールに変える部分です。
アーキテクチャ的には、モデルはキーワードではなく箇条書きを読み取ります。「2Mイベント/秒を処理したリアルタイム詐欺検出パイプラインを出荷」したことは、箇条書きが「ストリーミング」、「パイプライン」、「リアルタイム」または何らかの特定のフレームワークの言葉を使用しているかどうかに関係なく、強いシステム出荷シグナルとして登録されます。「Python、Python、Python」は、成果がないため、何も登録されません。2つの候補者はキーワードモデルと比較して反転したランクを生成し、この反転が全体のポイントです。
なぜ成果ベースのランク付けは乗っ取りが困難か
敵対的頑健性は、2つのアーキテクチャを比較する最も明確な方法です。キーワードベースのモデルは、履歴書にトークンを貼り付ける任意の候補者によって騙される可能性があります; モデルには防御がありません。なぜなら、モデルが読むのは候補者が制御する入力だからです。成果ベースのモデルは、成果を捏造する候補者によってのみ騙される可能性があり、これは厳密に言うとより困難な攻撃です。架空の収益数字や偽のシステム出荷を作り出すことは詐欺ですが、キーワードを詰めることは詐欺ではありません。この攻撃コストの跳躍が、成果ベースのモデルを抵抗的にします。
これは、10年前にAmazonの推薦システムが販売者によるリスティング操作に対抗するために使用した同じ原理です。販売者は製品タイトルに好きなことを書くことができますが、購入データ、返品率、または確認済みのレビューのパターンを捏造することはできません。ランカーは、より作成が困難な信号を読み取ります。CurriculoATS以前、創業者のDevは、Amazonで検索と推薦に取り組む数年を過ごし、この原則はほぼそのまま持ち込まれました: 入力が安価に捏造できない信号に基づいてランク付けします。
2つのアーキテクチャがコンプライアンスを異なって扱う方法
現代の採用AIは、NYCまたはEUで採用するスタートアップにとって重要な2つの規制制度内にあります。NYC地方法144は、NYCで使用される自動雇用決定ツールに対してバイアス監査と候補者通知を要求し、年次の第三者監査および公的な要約報告が必要です。EU AI法は、採用AIを附属書IIIの下で高リスクに分類し、2026年8月から執行可能な義務を含みます。これには、必須のリスク評価、技術文書、バイアステスト、人間による監視要件が含まれます。
どちらの制度も、文書化され、説明可能な理由を持つモデルを好みます。候補者ごとに文書段落を生成する成果ベースのATSは、説明なしで数字を返すブラックボックスのキーワードモデルよりも、文書化および監査要件をはるかにきれいに満たします。2つのアーキテクチャ間のコンプライアンスコストの違いは実際です: 成果ベースのベンダーは、モデルの出力から監査資料を直接生成できますが、キーワードベースのベンダーは説明を後付けするか、継続的なリスクを受け入れなければなりません。これがCurriculoATSが成果ベースのアーキテクチャを使用しているマーケティング上の理由ではありませんが、そのアーキテクチャの選択が価値を持つ理由の一つです。
創業者がATSを選ぶ際の意味
アーキテクチャの違いはショートリストに表れます。同じ100件の履歴書をキーワードベースのATSと成果ベースのATSに通して、各上位10位の候補者を比較します。2つのリストはおそらく30-50%重複し、それ以外は異なる人々になります。キーワードリストには、フィルターのために履歴書を最適化した候補者が含まれます。成果リストには、実際に関連する作業を出荷した候補者が含まれます。リクルーターまたは創業者は、これら2つのリストのいずれかを読みます。
価格は、能力のギャップではなくポジショニングを反映します。Workableは149ドル/月から始まり、従業員の bracketでスケールします。Greenhouseは、バイヤーの報告によれば、席ごとに約50-150ドル/月で、中央値契約は年間約12,250ドルです。CurriculoATS Proは100ドル/月（現在は50ドル/月の早期参加者価格）で、無制限のチームメンバーを提供します。価格差は関連するスタートアップ層で約10倍の差があり、スクリーニングアーキテクチャも構造的に異なります。
次に何をするか
現在ATSの選択肢を評価している場合、アーキテクチャの選択が最も重要な変数であり、デモはこれを十分に示さないことが多いです。技術的メカニズムの影響スコアリングページを読み、その後、CurriculoATSがGreenhouse、Lever、Workable、Ashby、Manatalとスクリーニングレイヤーにおいてどのように比較されるかを確認してください。スターターレベルは無料で、実際の役割におけるアーキテクチャの違いを検証するのに十分です。