ほとんどの応募者トラッキングシステムは、履歴書をスパムフィルターがメールを読む方法で読み取ります。トークンをスキャンし、それらのトークンがどれくらいの頻度で現れるかをカウントし、密度によって候補者をランク付けします。"managed"の代わりに"led"と書くと、モデルがあなたの優先度を下げます。JDが指定していない同義語を使うと、リストから落ちてしまいます。リクルーターは履歴書を見ることがありません。
成果ベースの採用はそのモデルを放棄します。トークンをカウントする代わりに、AIは候補者が実際に何をしたかを読み取ります。生成した収益。拡大したチーム。出荷したシステム。解決した問題。それから、役割の実際の要件に対して評価します。このエッセイでは、どのように機能するか、根本的に異なるショートリストを生み出す理由、そしてほとんどの従来型ATSが依然としてそれを実行できない理由を説明します。
成果ベースの採用が実際に意味すること
成果ベースの採用は、候補者を職務記述書とのキーワードの重複ではなく、測定可能な成果に基づいてランク付けするスクリーニングモデルです。このモデルは、各履歴書から4つのシグナルカテゴリを抽出します：収益（成立した契約、生成したARR、得られた節約）、チーム（管理した人数、構築または拡大した組織）、システム（構築、出荷、生産において所有）、および問題（解決、複雑、革新的）。
それは、JDの成果要件に対して各候補者をスコアリングし、0-100の複合スコアを生成し、モデルが見つけたものと候補者をその位置にランク付けした理由を説明する文章を提供します。この理由説明の段落が、システムを創業者が実際に使えるものに変えます。人間が読み、同意または上書きができるからです。
2023年と2024年の「才能の形」に関するマッキンゼーの研究によると、スキルベースの採用の採用率は2020年の40%から2024年には約60%に上昇しており、成果ベースのスクリーニングはスキルベースの採用を実現するための技術的メカニズムです。
キーワードマッチングの3つの構造的問題
キーワードベースのATSプラットフォームは15年間デフォルトでした。それらは構築が安価でデモが簡単だったために残っていましたが、うまく機能するからではありません。実際には、3つの特定の方法で失敗します。
1. 履歴書の毒を奨励します。
5件以上の求人に応募した候補者はパターンを学びます：履歴書の下部に隠されたホワイトテキストトークンダンプ、繰り返された箇条書き、すべてのテクノロジーのあらゆるバリエーションを含む偽のスキルセクション。Jobscanは、この現象がどのくらい一般的であるかを文書化しています。このパターンは、文の埋め込みを使用する意味的なものを含むすべてのキーワードベースのフィルターで機能します。なぜなら、基本モデルがまだトークンを読み取っているからです。
2. ノイズをシグナルよりも優遇します。
"Python, Python, Python, AWS, AWS, Kubernetes, Django, Postgres"という履歴書は、"2Mイベント毎秒を処理するリアルタイム詐欺検出パイプラインを出荷しました"という履歴書に勝ちます。キーワードモデルはトークン密度を優遇し、背後にある仕事を考慮しません。やることが少なく、戦略的に説明した候補者が勝つのです。
3. 語の選択で優れた候補者を排除します。
"リアルタイムデータパイプラインを設計した"と書いた上級エンジニアは、ランキングから消えます。ハーバードビジネススクールの隠れた労働者に関するプロジェクトは、2,700万人の優秀な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フィルターリングされると推定しています。そのほとんどは語彙に基づく拒否であり、スキルに基づくものではありません。
成果ベースのAIが実際に評価すること
CurriculoATSは、上級エンジニアやオペレーターが履歴書を読む方法で読み取ります。正規表現のようには読みません。モデルは測定可能な成果の4つのカテゴリを抽出し、JDに対してスコアを付けます。
収益。
成立した契約、生成したARR、削減されたコスト、処理されたトランザクション、得られた節約。モデルは、トップラインの数値（"新しく$2.4MのARRを成立させました"）と運用の数値（"インフラ支出を38%削減しました"）の両方を認識します。収益シグナルのない候補者には罰則はありません。ただ、その役割がその要求をする必要があります。
チーム。
管理した人数、構築した組織、採用した人数、育成したリーダー。モデルは、"3人のチームを指導した"と"8人から45人のエンジニアの組織を2つのタイムゾーンで拡大した"の違いを区別します。なぜなら、後者は本質的に異なる運用上の課題を説明するからです。
システム。
構築、出荷、生産において所有、拡大。モデルは動詞と範囲を読み取ります。"1日に40億のクエリを処理する検索関連システムを出荷しました"は、"検索関連システムに貢献しました"とは異なるシグナルであり、成果ベースのモデルはその違いを捉えます。キーワードモデルは両方を"検索"という単語として扱います。
問題。
解決、複雑、革新的、あいまい。候補者の履歴書には、エンドツーエンドで所有した難しい問題が記述されています。"6か月間未解決だったメモリリークを診断し解決しました"は、"バグ修正に取り組みました"よりも強力な問題解決のシグナルです。たとえ両方が同じテクノロジーを言及していてもです。
0-100の複合スコアは、これらのシグナルを経験の関連性、キャリアの軌跡、スキルの整合性と組み合わせます。書かれた論理の段落は、モデルが見つけた特定の成果を示します。これにより、創業者はそれを読み、ランクを信頼するかどうかを決定できます。
なぜこのように設計したのか
CurriculoATSの前に、創業者のDevはAmazonで検索と推薦システムに関する数年間の経験を持っています。その仕事からの単一の原則がデザインを駆動しました：入力が直接捏造できないシグナルに基づいてランク付けします。販売者は商品タイトルに好きなことを書くことができますが、購入データを捏造することはできません。レビュアーは偽のレビューを残すことができますが、確認済みのレビューのパターンはスケールで偽造することが難しいです。ランカーは、偽造が難しいシグナルを読み取ります。
採用も同じ形です。候補者は自由にキーワードを書くことができますが、それは本質的に無料です。彼らは測定可能な成果を捏造することはできません。なぜなら、それは箇条書きを言い換えるよりもはるかに高い基準だからです。したがって、成果ベースのランカーは、構造的に操縦が難しく、正直な候補者に対して構造的に公平であり、創業者が実際に知りたいことと構造的に一致しています：この人は必要な作業を行ったのか？
コンプライアンスの観点でも一致します。NYC地方法144およびEU AI法の両方は、文書化された理由を持つシステムを支持します。各候補者に対して書かれた説明を生成するモデルは、ブラックボックスキーワードフィルターよりも監査と開示がはるかに容易です。
成果ベースの採用が崩れるところ（およびその修正方法）
成果ベースの採用はキーワードマッチングよりも構造的に強いですが、それは魔法ではなく、パフォーマンスが劣るケースについて正直であることが重要です。データに3つのパターンが浮かび上がります。第一に、ジュニア候補者や最近の卒業生は、収益やスケール指標にさらされていなかったため、まだ定量化されていない正当な成果を持っています。このモデルは、質的シグナル（"チームがまだ使用しているオンボーディングフローを再設計しました"）を読み取ることで対処しますが、このコホートのスコア範囲は圧縮され、ランキングが平坦化する可能性があります。この修正は、JD設定でエントリーレベルの役割に対して定量化された成果を低く評価することです。第二に、インフレしたクォータ数値を持つ営業候補者は、キーワードスコアリングを操縦するのと同様に、成果ベースのスコアリングも操縦できます。モデルは、時間枠や同僚との比較がない丸数字を低信頼のシグナルとして扱いますが、十分に決意された候補者でもインフレした成果を生み出すことができます。リファレンスチェックは構造的な修正であり、スクリーニング層ではありません。第三に、成果が非公開である深い技術的役割（独自のインフラ作業、機密プロジェクト）は、候補者が詳細に説明できないため、ランキングが下がる可能性があります。この修正は、創業者が候補者がNDAの下で説明できるレベルでシステムシップ信号を求めるように、適切な抽象レベルでJDを書くことです。これらの制限を明記することは重要です。なぜなら、成果ベースのランキングはツールであり判決ではなく、スコアを決定として扱う創業者は、スコアをレビューのスタートとして扱う創業者よりも悪い採用を生むからです。
創業者がこれを適用する方法
成果ベースの採用には、JDを職務ではなく成果として書く必要があります。"データパイプラインを所有する責任があります"は職務です。"最初の6か月間、この人はサブ秒のレイテンシで100Kイベント毎秒を処理するストリーミングパイプラインを出荷します"は成果です。このモデルは後者に対して一致させることができますが、前者では何も有用なことはできません。
- JDを成果として書き直します。最初の6か月間にその人が提供することを説明する2、3文。これはスクリーニングモデルが使用する文書です。
- 役割を成果ベースのスクリーニングで通します。手動で選んだトップ10の候補者と比較します。オーバーラップを測ります。
- 理由説明の段落を読みます。その段落は、モデルが見つけた成果を教えてくれます。モデルがあなたの知らなかったことを見つけた場合、それはシグナルを追加しています。重要なものが見つからなかった場合、JDはおそらく成果が不足しています。
- スコアを決定ではなくトリアージツールとして使用します。トップ8-12人を面接し、ディブリーフし、決定します。モデルが正しいショートリストに導いてくれます。決定は依然として人に属します。
次に何をするか
実際の役割で成果ベースのスクリーニングがショートリストを生成するのを見たい場合、CurriculoATSの無料スターターティアは、無限のチームメンバーで1つのアクティブな仕事を処理します。含まれる機能については機能ページを読んでから、創業者向けのAI ATSを確認してください。モデルの設定には役割に対して約15分かかります。